Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling [SEM]. Merupakan teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan yang relative rumit. Model pengukuran sikap, norma subyektif terhadap minat konsumen menggunakan
confirmatory factor analyses. Langkah-langkah dalam analisis SEM model
pengukuran dengan contoh factor variabel minat konsumen dilakukan sebagai berikut :
Persamaan Dimensi variabel minat konsumen : Y1 = λ1minat konsumen + er_1
Y2 = λ2 minat konsumen + er_2 Y3 = λ3 minat konsumen + er_3
Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh variabel minat konsumen akan nampak sebagai berikut:
Gambar 3.1 : Contoh Model Pengukuran Minat Konsumen
Minat Konsumen (Y) (Y1) (Y2) (Y3) er 1 er_2 er_3 (Y3) er 4
Keterangan :
Y1.1 = pertanyaan tentang keinginan melihat keindahan alam Y1.2 = pertanyaan tentang keinginan berkunjung kembali
Y1.3 = pertanyaan tentang keinginan mengunjungi obyek wisata dan berekreasi Y1.4 = pertanyaan tentang keinginan akan menceritakan kepada orang lain er_j = error term X1j
3.4.2. Outliers
Outlier adalah obsevasi yang muncul dengan nilai-nilai eksterim baik secara univariat maupun multivariate yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainya. Dapat diadakan treatment khusus pada outliers ini asal diketahui munculnya outlier itu. Outliers pada dasarnya dapat muncul dalam empat kategori.
• Pertama, outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. Misalnya 8 diketik 80 sehingga jauh berbeda dengan nilai-nilai lainnya dalam rentang jawaban responden antara 1-10 jika hal semacam ini lolos maka akan menjadi sebuah nilai ekstrim.
• Kedua, outlier dapat muncul karena keadaan yang benar-benar khusus yang memungkinkan profil datanya lain daripada yang lain daripada tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu.
• Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai nilai ekstrim itu.
• Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan varibel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut multivariate outlier.
3.4.3. Evaluasi atas outliers
Menagamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier
Multivariate outlier diukur dengan kriteria jarak mahalanobis pada tingkat p <
0,001.Jarak diuji dengan Chi-Square (X2) pada df (degrees of Freedom) sebesar jumlah variabel bebasnya. Ketentuan : Mahalanobis < dari nilai X2 adalah multivariate outlier.
3.4.4. Uji Validitas
Uji validitas adalah suatu derajat ketepatan alat ukur penelitian tentang isi sebenarnya yang diukur. Analisis validitas item bertujuan untuk menguji apakah tiap butir pertanyaan benar-benar sudah sahih, paling tidak kita dapat menetapkan derajat yang tinggi dari kedekatan data yang diperoleh dengan apa yang diyakini dalam pengukuran. Sebagai alat ukur yang digunakan, analisis ini dilakukan dengan cara mengkorelasiakn antar skor item denga skor total item. Dalam hal ini koefisien korelasi yang nilai signifikasinya lebih kecil dari 5 % (level of significance) menunjukkan bahwa item-item tersebut sudah sahih sebagai pembentukan indikator. Rumus: } ) ( }{ ) ( { ) )( ( 2 2 2 2
∑ ∑ ∑
∑ ∑
−∑ ∑
− − Y Y n X X n Y X XY n ( Sudjana, 2002: 369 )Keterangan :
r = koefisien korelasi X = tanggapan responden
Y = total tanggapan responden seluruh pertanyaan n = jumlah responden
3.4.5. Uji Reliabilitas
Yang dimaksud dengan reabilitas ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukan derajat sampai dimana masing-masing indicator itu menghasilakan sebuah konstruk/faktor laten yang umum.
Construct-reliability dan Variance-extracted dihitung dengan rumus:
Construct-reliability =
∑
Std∑
Loading +∑
j Loading Std ε 2 2 ) . ( ) . ( Variance – extracted =∑
Std∑
Loading +∑
j Loading Std ε 2 2 . . (Ferdinand, 2002:62- 64) Dimana :• Std. Loading diperoleh langsung dari standardized loading untuk tiap-tiap
indikator (diambil dari computer, AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap
butir sebagai indikatornya. Sementara εj j
ε
dapat dihitung dengan formula: = 1- (Standardize Loading)2
Secara umum,nilai construct reliability yang dapat diterima adalah ≥ 0,70
dan variance extracted≥ 0,5 ( Hair et. al., 1998 ).
Untuk menguji normalitas distribusi data-data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik diskriptif dari hampir semua program statistik. Nilai statistik untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
= −Score NilaiZ N Skewness / 6 dimana N adalah ukuran sampel.
Bila nilai –z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifiukasi yag dikehendaki. Misalnya, bila nilai yang dihitung lebih besar dari ±2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0,01 (1%). Nilai kritis lainnya yang umum digunakan adalah nilai kritis sebesar ±1,96 yang berarti bahwa asumsi normalitas ditolak pada tingkat signifikasi 0.05 (5%) Sumber ( Ferdinand Augusty 2002 : 95 )
3.4.7. Multicollinearity dan Singularity
Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak dapat digunakan untuk analisis yang sedang dilakukan. (Ferdinand Augusty 2002 : 108).
3.4.8. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p [probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.
3.4.9. Pengujian model dengan Two-Step Approach
Two-Step Approach to structural equation modelling [SEM] digunakan
untuk menguji model yang diajukan. Two-Step Approach digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan [Hartline & Ferrell, 1996], dan keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-step approach ini. Cara yang dilakukan dalam menganalisis SEM dengan two step approach adalah sebagai berikut:
a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator
summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap
indikator tersebut distandardisasi [Z-scores] dengan mean = 0, deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut [Hair et.al.,1998].
b. Menetapkan error [ε] dan lambda [λ] terms, error terms dapat dihitung dengan rumus 0,1 kali σ2
dan lamda terms dengan rumus 0,95 kali σ
[Anderson dan Gerbing,1988]. Perhitungan construct reliability [α] telah dijelaskan pada bagian sebelumnya dan deviasi standar [σ] dapat dihitung dengan bantuan program aplikasi statistik SPSS. Setelah error [ε] dan lambda
[λ] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
3.4.10. Evaluasi Model
Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teotitis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam
penggunaan structural equation modelling.
Tabel 3.1: Goodness of Fit Indices
GOODNESS OF
FIT INDEX KETERANGAN CUT-OFF VALUE
X2 Menguji apakah covariance populasi yang destimasi sama dengan cova-riance sample [apakah model sesuai dengan data]. - Chi-square
Diharapkan Kecil, 1 s.d 5. atau paling baik diantara 1 dan 2.
Probability Uji signifikansi terhadap perbedaan matriks covariace data dan matriks covariance yang diestimasi.
Minimum 0,1 atau 0,2, atau ≥ 0,05
RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar. ≤ 0,08 GFI
Menghitung proporsi tertimbang varians dalam matrtiks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi
[analog dengan R2 ≥ 0,90
dalam regresi berganda].
AGFI GFI yang disesuaikan terhadap DF. ≥ 0,90 CMIND/DF Kesesuaian antara data dan model ≤ 2,00 TLI Pembandingan antara model yang diuji terhadap baseline model. ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya
sample dan kerumitan model. ≥ 0,95 Sumber
1. X² CHI SQUARE STATISTIK
: Hair et.al., [1998]
Alat uji paling fundamental untuk mengukur overall fit adalah likelihood
digunakan. Karenanya bila jumlah sampel cukup besar (lebih dari 200), statistik chi-square ini harus didampingi oleh alat uji lain. Model yang diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X² semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X² yang kecil dan signifikan. X² bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar.
2. RMSEA-THE ROOT MEAN SQUARE ERROR Of