TELEVISI TENTANG PRODUK KENDARAAN BERMOTOR YAMAHA DI KECAMATAN KENDAL KOTA”
3.5 Metode Analisis Data .1 Pengukuran Variabel .1 Pengukuran Variabel
3.5.2 Structural Equation Modeling (SEM)
kendaraan bermotor YAMAHA. Pengembalian kuesioner dilakukan secara langsung setelah kuesioner tersebut diisi oleh responden.
3.5 Metode Analisis Data 3.5.1 Pengukuran Variabel
Data yang diperoleh ini diukur dengan Skala Linkert dalam bentuk checklist. Untuk memungkinkan para responden menjawab dalam berbagai tingkatan bagi setiap butir pertanyaan (Supranto, 2006: 86). Dalam penelitian ini jawaban responden diberi skor sebagai berikut:
Sangat Setuju (SS) Skornya 5
Setuju (S) Skornya 4
Kurang Setuju (KS) Skornya 3
Tidak Setuju (TS) Skornya 2
Sangat Tidak Setuju (STS) Skornya 1
Skor yang diperoleh dari setiap jawaban dijumlahkan untuk mendapatkan skor gabungan. Nilai total untuk setiap jawaban dihitung untuk setiap responden (Supranto, 2006: 86).
3.5.2 Structural Equation Modeling (SEM)
Untuk menguji model dan hipotesis digunakan analisis SEM. Dalam pengujian model dengan menggunakan SEM terdapat tujuh langkah yang akan ditempuh yaitu (Ferdinand, 2000: 30)
Pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu model di validasi
secara empiris melalui pemrograman SEM, tanpa dasar teoritis yang kuat, SEM tidak dapat digunakan, karena SEM tidak digunakan untuk mengkonfirmasi model teoritis melalui data empiris (Ferdinand, 2000: 31). Model teoritis yang telah dibangun melalui telaah pustaka disertai dengan pengembangan model akan dianalisis sebagai model “researchable”(Ferdinand, 2000: 121).
2. Pengembangan Path Diagram
Model teoritis yang telah dibangun pada langkah pertama, akan digambarkan dalam sebuah Parth diagram untuk diestimasi dengan menggunakan analysis if moment structure (AMOS) 6.00 (Ferdinand, 2000: 36).
3. Konversi Path Diagram ke dalam Persamaan
Pada langkah ini, model yang dinyatakan dalam path diagram konversi ke dalam rangkaian persamaan. Persamaan yang dibangun akan terdiri dari (Ferdinand, 2000: 41)
a. Persamaan-persamaan structural (structural equation)
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai variabel, dengan rumus:
b. Persamaan spesifikasi menentukan variabel mana, konstruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar variabel.
4. Pemilihan Matriks Input dan Estimasi Model: a. Matriks Input
Matriks input data yang digunakan adalah matriks kovarian (covariance matrick) karena yang diuji dalam penelitian ini adalah hubungan kausalitas (Ferdinand, 2000: 127).
b. Estimasi Model
Teknik estimasi yang digunakan adalah maximum likelihood estimation metodh
yang tersedia dalam program AMOS 6.00. Hal ini dikarenakan ukuran sampel yang berjumlah 100 orang. Estimasi ini dilakukan melalui dua tahapan yaitu (Ferdinand, 2000: 128):
1) Estimasi mesurement model dengan teknik confirmantory factor analysis untuk menguji unidimesionalitas dari variabel dependen dan variabel independen. 2) Estimasi dengan sructural equation model melalui analisis full model untuk
melihat kesesuaian model dan hubungan kausalitas yang dibangun dalam model yang diuji.
5. Menilai Problem Identifikasi
Model identifikasi pada prinsipnya adalah problem mengenai ketidak mampuan model yang dikembangkan untuk menghasilkan estimasi yang unik. Bila setiap kali
estimasi dilakukan muncul problem identifikasi, maka sebaliknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk (Ferdinand, 2000: 47).
6. Evaluasi Criteria Goodness-of-Fit
Kesesuaian model dievaluasi melalui telaah terhadap berbagai model goodness-of-fit dengan tiga macam evaluasi, yaitu(Ferdinand, 2000: 47):
a. Evaluasi Asumsi SEM, terdiri dari: 1) Normalitas
Uji normalitas dilakukan dengan menggunakan kriteria nilai kritis (critical ratio) sebesar 2,58 pada tingkatan signifikasi 0,01 (1%) apabila Z-value lebih besar dari nilai kritis, maka dapat diduga bahwa ditribusi data adalah tidak normal (Ferdinand, 2000: 91).
2) Outliers
Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi – observasi, baik untuk sebuah variabel tunggal maupun variabel – variabel kombinasi (Hair, et al, dalam Ferdinand, 2000: 94).
Adapun Outliers dapat dievaluasi dengan dua cara, yaitu: a) Univariate Outliers
Deteksi terhadap adanya univariate outliers dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara
menkonversi nilai data penelitian ke dalam standar dalam d-core atau yang biasa disebut Z-score, yang mempunyai nilai rata-rata nol dengan standar deviasi satu (Hair et al, dalam Ferdinand, 2000: 94). Observasi data yang memiliki nilai Z-score ≥ 3,0 akan dikategorikan outliers.
b) Multivariate Outliers
Uji terhadap Multivariate Outliers digunakan dengan menggunakan kriteria jarak mahalanobis (the mahalanobis distance) pada tingkat p<0,001, jarak mahalanobis itu dievaluasi dengan menggunakan x2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini (Ferdinand, 2000; 99).
c) Multicollinearity dan Singularity
Yang perlu diamati dalam uji Multicollinearity dan Singularity adalah determinan dari matrik kovarian sampelnya. Determinan yang kecil atau mendekati mengidentifikasi adanya multicollinearity dan singularity, sehingga data itu dapat digunakan untuk penelitian (Tabachnist dan Fidell, 1998, dalam Ferdinand, 2000: 103).
b. Uji Kesesuaian dan Uji Statistik
Beberapa index kesesuaian dan cut-off valuenya yang digunakan untuk menguji apakah sebuah model diterima atau ditolak adalah sebagai berikut (Ferdinand, 2000: 51) :
Model yang diuji dipandang baik atau memuaskan apabila nilai chi squarenya
rendah, semakin kecil X2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut off value sebesar p>0,05, atau p>0,10 (Hulland et al, dalam Ferdinand. 2000: 51).
6.b.2 RMSEA (The Root Mean Sauare Error of Approximation)
RMSEA merupakan sebuah index yang dapat digunakan untuk mengkompensasi chi square statistic dalam sampel yang besar (Baumgarther dan Hamburg, dalam Ferdinand 2000; 52). Nilai RMSEA menunjukkan nilai goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi (Hair et al, dalam Ferdinand, 2000: 53). Nilai RMSEA yang kecil atau sama dengan 0,08 merupakan index untuk dapat diterimanya model tersebut berdasarkan degree of freedom
(Browne dan Cutdeck, dalam Ferdinand, 2000: 53). 6.b.3 GFI (Goodness of Fit Index)
GFI merupakan ukuran non statistical tentang nilai antara 0 (Poor Fit) sampai dengan 1,0 (Pefect Fit). Nilai yang tinggi dalam index ini menunjukkan sebuah “Better Fit” (Ferdinand, 2000; 54).
6.b.4 AGFI (Adjusted Goodness of Fit Index)
AGFI merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik covarian sampel. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90 (Hair et al, 1995; Hulland et al, 1996, dalam Ferdinand, 2000; 55). Nilai sebesar 0,95 dapat diinterprestasikan sebagai tingkatan yang baik (Good Overal
Model Fit), sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup
(adequate) (Hulland et al, 1996, dalam Ferdinand, 2000; 55).
6.b.5 CMIN/DF (The Minimum Sampel Discrepancy Fomtion Divided With Degree of Freedom)
CMIN/DF merupakan statistic chi square, X2 dibagi degree of fredomnya
sehingga disebut X2 relatif. Nilai X2 relatif kurang dari 2,0 atau 3,0 adalah indikasi
acceptable fit antar model dan data (Arbucle, dalam Ferdinand, 2000; 55). 6.b.6 TLI (Tucker Lewis Index)
TLI merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasikan sebagai acuan diterimanya sebuah model adalah ≥ 0,95 dan nilai yang mendekati 1 menunjukkan a very good fit (Arbucle, dalam Ferdinand, 2000; 57).
6.b.7 CFI (Comparative Fit Index)
Rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi (a very good fit) (Arbucle, dalam Ferdinand, 2000; 58). Secara ringkas index-index yang dapat digunakan untuk menguji kelayakan sebuah model disajikan dalam tabel berikut:
Tabel 3.1. Index Pengujian Kelayakan Model (Goodness-of-fit Indices)
Goodnes-of-fit index Cut-off value
X2-Chi Square Diharapkan kecil
Significancy probability ≥0.05 RMSEA ≤0.08 GFI ≥0.90 CMIN/DF ≤2.00 TLI ≥0.95 CFI ≤0.95
c. Uji Validitas dan Reliabilitas 1. Uji Validitas
Uji reliabilitas dan uji validitas dilakukan dengan program SPSS versi 11.0. Validitas adalah suatu ukuran untuk menunjukkan tingkatan-tingkatan kevalidan atau kesahihan suatu instrument. Suatu instrument yang valid atau sahih mempunyai validitas tinggi. Sebaliknya instrument yang kurang valid berarti memiliki validitas rendah. Uji validitas dilakukan dengan membandingkan nilai r hitung dengan nilai r tabel. Pernyataan dikatakan valid apabila nilai r hitung > nilai r tabel dengan menggunakan level signifikan 5%. Untuk menguji validitas instrument menggunakan rumus korelsi
rumus korekorelasi Product Moment Person.
Keterangan:
rxy = Besarnya korelasi N = Besarnya populasi
X = Skor butir ( nilai skor tertentu ) Y = Skor total butir
∑X = Jumlah skor item
∑Y = Jumlah skor total
∑X2 = Jumlah skor kuadrat nilai X
∑Y2 = Jumlah skor kuadrat nilai Y
Untuk N = 30 pada taraf kesalahan 5% diperoleh harga tabel sebesar 0,367, sedangkan r hitung tampak pada tabel 3.2 dan tabel 3.3
Tabel 3.2. Hasil Uji Validitas
Variabel Indikator Kode item r hitung Kesimpulan
a. Pesan iklan 1.Gaya hidup modern
2.Gaya hidup seorang bintang
3.Iklan mudah diingat
1 2 3 0,502 0,729 0,859 Valid Valid Valid
4.Durasi penayangan iklan tidak terlalu lama
4 0,667 Valid b.Pengenalan
Merk
1.Gaya hidup modern
2.Gaya hidup seorang bintang
3.Iklan mudah diingat 4.Durasi penayangan iklan
tidak terlalu lama
1 2 3 4 0,578 0,634 0,744 0,784 Valid Valid Valid Valid c.Kepercayaan Konsumen
1.Gaya hidup modern
2.Gaya hidup seorang bintang
3.Iklan mudah diingat 4.Durasi penayangan iklan
tidak terlalu lama
1 2 3 4 0,637 0,866 0,905 0,857 Valid Valid Valid Valid d.Sikap Konsumen
1.Gaya hidup modern
2.Gaya hidup seorang bintang
3.Iklan mudah diingat 4.Durasi penayangan iklan
tidak terlalu lama
1 2 3 4 0,92 0,867 0,939 0,58 Valid Valid Valid Valid e.Niat Beli 1.Gaya hidup modern
2.Gaya hidup seorang bintang
3.Iklan mudah diingat 4.Durasi penayangan iklan
tidak terlalu lama
1 2 3 4 0,75 0,655 0,824 0,518 Valid Valid Valid Valid
Sumber: Data primer diolah, 2011 2. Uji Reliabilitas
Reliabilitas instrument menunjukkan pada satu pengertian bahwa suatu instrument cukup dapat dipercaya untuk digunakan sebagai alat pengukur dan arena instrument tersebut sudah baik. Semakin tinggi reliabilitas suatu alat pengukur, semakin dapat dipercaya pula alat pengukur tersebut. Apabila reliabilitas alat pengukur tersebut rendah maka alat pengukur tersebut tidak dapat dipercaya dalam mengukur gejala atau kejadian.
Rumus reliabilitas dalam penelitian ini menggunakan rumus Spearman-Brown
(Sugiyono, 2007: 121).
Dengan keterangan :
r1i = reliabilitas instrument
r1/21/2 = rxy yang disebutkan sebagai indeks korelasi antara dua belahan instrument.
Tabel 3.3. Hasil Uji Reliabilitas
Variabel r li r tabel Kesimpulan
a.Pesan iklan b.Pengenalan Merk c.Kepercayaan Konsumen d.Sikap Konsumen e.Niat Beli 0,629 0,563 0,836 0,858 0,829 0,367 0,367 0,367 0,367 0,367 Reliabel Reliabel Reliabel Reliabel Reliabel Sumber: Data primer diolah, 2011
Berdasarkan tabel diatas maka angket tersebut dikatakan reliabel dan dapat digunakan untuk penelitian.
50
4.1 Deskripsi Objek Penelitian