METODE PENELITIAN
1) Konstruk eksogen
4.5 Metode Analisis Data
4.5.2 Tahapan permodelan dalam analisis SEM
Structural Equation Modeling (SEM) didasarkan pada evaluasi atas adanya
hubungan saling ketergantungan. Ferdinand (2002) mengajukan tahapan pemodelan dan analisis persamaan struktural menjadi tujuh langkah yaitu sebagai berikut:
1) Pengembangan model berdasar teori.
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. SEM tidak digunakan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model melalui data empirik.
2) Menyusun diagram jalur
Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan pada path diagram. Path diagram tersebut akan mempermudah untuk melihat hubungan-hubungan kausalitas konstruk yang akan diuji. Berdasarkan kajian teori dan kerangka teoritis yang ada kemudian dibuat gambar diagram jalur hubungan kausalitas antar konstruk beserta indikatornya yang dapat dilihat pada Gambar 4.1.
Gambar 4.1 Path diagram atmosfer gerai, pelayanan ritel, nilai hedonik, dan pembelian impulsif (impulsive buying)
Z1 Nilai Hedonik (Y1) Y1.2 Y1.3 Y1.4 Y1.5 e16 e17 e18 e19 Y1.1 e15 Pembelian impulsif (Y2) Y2.2 Y2.4 e20 Z2 Y2.1 Y2.3 e21 e22 e23 X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 e1 e2 e3 e4 e5 e6 e7 e8 Atmosfer gerai (X1) X2.2 X2.3 X2.4 X2.5 X2.6 e10 e11 e12 e13 e14 Pelayanan ritel (X2) X2.1 e9
3) Menyusun persamaan struktural.
Selanjutnya adalah mengubah diagram jalur ke dalam persamaan struktural dan model pengukuran. Pada langkah ketiga ini, model yang dinyatakan dalam diagram jalur dinyatakan dalam dua kategori dasar yaitu sebagai berikut.
a) Persamaan-persamaan struktural (structural equations).
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Persamaan struktural dari model diagram jalur penelitian ini dinyatakan sebagai berikut.
Y1 = γ1X1 + γ2X2 + ε1……….…………..(1) Y2 = γ1X1 + γ2X2 + ε1 β1Y1 + ε2………... .(2) Dimana :
γ (gamma) = hubungan langsung variabel eksogen terhadap variabel endogen
β (beta) = hubungan langsung variabel endogen terhadap variabel endogen
ε (epsilon) = measurement error X1 = atmosfer gerai X2 = pelayanan ritel Y1 = nilai hedonik Y2 = pembelian impulsif
b) Persamaan spesifikasi model pengukuran (measurement model). Persamaan spesifikasi ini untuk menentukan variabel mana yang mengukur konstruk serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4) Memilih jenis input matrik dan estimasi model yang diusulkan.
Model persamaan struktural berbeda dari teknik analisis multivariat lainnya. SEM hanya menggunakan data input berupa matrik varian/kovarian atau matrik korelasi (Ghozali, 2008), sedangkan teknik estimasi model yang digunakan adalah Maximum Likelihood Estimation (ML) dengan program AMOS. Ferdinand (2002) menyebutkan bila ukuran sampel adalah kecil (100-200) dan asumsi normalitas dipenuhi maka teknik estimasi yang digunakan adalah Maximum Likelihood
Estimation (ML).
5) Menilai identifikasi model struktural.
Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimated. Ghozali (2008) menyebutkan cara untuk melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi:
a) Standar error untuk satu atau beberapa koefisien sangatlah besar. b) Program tidak mampu menghasilkan matrik informasi yang
seharusnya disajikan.
c) Nilai estimasi yang tidak mungkin misalnya error variance yang negatif.
d) Nilai korelasi yang tinggi (> 0,90) antar koefisien estimasi.
Hal yang dapat dilakukan untuk mengatasi masalah identifikasi adalah menetapkan lebih banyak konstrain dalam model (menghapus path dari
6) Evaluasi kriteria goodness of fit
Menurut Ferdinand (2002) ada beberapa asumsi SEM yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yaitu sebagai berikut.
a) Ukuran sampel
Ukuran yang harus dipenuhi dalam pemodelan SEM adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan lima observasi untuk setiap estimasi parameter.
b) Normalitas
Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skewness value sebesar ± 2,58 pada tingkat signifikansi 0,01. Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness dibawah nilai mutlak 2,58 (Ghozali, 2008).
c) Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim
baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat jauh berbeda dengan observasi-observasi lainnya. Ferdinand (2002) menyebutkan outliers pada dasarnya dapat muncul dalam empat kategori:
1)) Outliers muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. 2)) Outliers muncul karena keadaan yang benar-benar khusus yang
memungkinkan profil data lain daripada yang lain, tetapi peneliti memiliki penjelasan mengenai apa penyebab munculnya nilai ekstrim tersebut.
3)) Outliers muncul karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim tersebut.
4)) Outliers dapat muncul karena range nilai jawaban responden, bila dikombinasi dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim, yang sering dikenal dengan
multivariate outliers.
d) Multicollinearity
Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai deteminan matriks kovarians yang sangat kecil memberi indikasi adanya problem multikolinearitas.
Setelah asumsi SEM terpenuhi, langkah berikutnya adalah menguji kesesuaian dan uji statistik. Tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model dalam analisis SEM (Hair et al., dalam Ferdinand, 2002). Beberapa jenis fit index yang mengukur derajat kesesuaian antara model yang dihipotesakan dengan data yang disajikan, antara lain sebagai berikut:
a) χ2 - Chi-square Statistik
Alat uji paling fundamental untuk mengukur overall fit adalah
likelihood ratio Chi-square statistik. Chi-square ini bersifat sangat
sensitif terhadap besarnya sampel yang digunakan. Dasar pengambilan keputusan dalam uji Chi-Square ini adalah sebagai berikut (Santoso, 2007).
1)) Dengan membandingkan χ2 hitung dengan χ2 tabel Jika χ2
hitung ≤ χ2 tabel, maka matrik kovarian sampel tidak berbeda dengan matrik kovarians estimasi.
Jika χ2
hitung > χ2 tabel, maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi.
2)) Dengan melihat angka probabilitas (ρ) pada output AMOS Jika ρ ≥ 0,05 maka matrik kovarian sampel tidak berbeda dengan matrik kovarians estimasi.
Jika ρ < 0,05 maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi.
b) GFI (Goodness of fit Index)
Secara teoritis, angka GFI berkisar antara 0 (poor fit) sampai 1,0 (perfect fit) dengan pedoman bahwa semakin hasil GFI mendekati angka 1, akan semakin baik model tersebut dalam menjelaskan data yang ada. Menurut Ferdinand (2002) nilai GFI yang diharapkan adalah ≥ 0,90.
c) AGFI (Adjusted goodness of fit)
Adjusted goodness of fit merupakan pengembangan dari GFI yang
disesuaikan denngan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥ 0,90.
d) CMIN/DF
Adalah nilai Chi-square dibagi dengan degree of freedom. Menurut Wheaton et al. dalam Ghozali (2008) nilai ratio 5 (lima) atau kurang dari lima merupakan ukuran yang reasonable. Peneliti lainnya seperti Byrne dalam Ghozali (2008) mengusulkan nilai rasio ini ≤ 2, merupakan ukuran fit.
e) TLI (Tucker Lewis Index)
Tucker Lewis Index atau dikenal dengan nonnormed fit index
(NNFI), pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini menggabungkan ukuran parsimony ke dalam indeks komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1,0. Nilai TLI yang direkomendasikan adalah ≥ 0,90 (Ghozali, 2008).
f) CFI (Comparative Fit Index)
Indeks ini pada dasarnya membandingkan angka NCP (Non
value dari 0 sampai dengan 1. Pada umumnya, nilai di atas 0,90
menunjukkan model sudah fit dengan data yang ada. g) RMSEA (Root Mean Square Error of Approximation)
RSMEA adalah sebuah indeks yang dapat digunakan untuk mengompensasikan Chi-square statistik dalam sampel yang besar. Nilai RSMEA ≤ 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model berdasarkan
degrees of freedom (Browne dan Cudeck dalam Ferdinand, 2002).
7) Interpretasi dan modifikasi model
Ketika model telah dinyatakan diterima, maka dapat dipertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness of fit. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima.
BAB V