BAB III METODE PENELITIAN
J. Teknik Analisis Data
Dalam penelitian ini teknik analisis data yang digunakan adalah Analisis Kuantitatif. Analisis kuantitatif adalah merupakan metode analisis data dengan melakukan perhitungan statistik.
Analisis kuantitatif yang digunakan dalam penelitian ini, meliputi: 1. Analisis Structural Equation Modeling (SEM)
Structural Equation Modeling (SEM) adalah teknik Multivarian
dikombinasikan dengan aspek regresi berganda dan analisis faktor untuk menilai sebuah rangkaian dari interelasi ketergantungan hubungan secara bersama. SEM meliputi segala kelompok dari model yang dikenal dengan
banyak nama, antara lain analisis structur covarian, path analysis,
confirmatory factor analysis, dan LiSREL analysis. Akibat dari sebuah
evolusi dalam multiequation modeling dibangun dari prinsip-prinsip
ekonomi matematika dan dibangun dengan prinsip dalam ukuran psikologi dan sosiologi. SEM telah muncul sebagai alat integral dalam pengelolaan dan riset akademi.
Model persamaan struktural, Structural Equation Modeling (SEM)
adalah sekumpulan teknik-teknik statistikal yang membuktikan pengujian sebuah rangkaian hubungan yang relatif “rumit”, secara simultan. Hubungan yang rumit itu dapat dibangun antara satu atau beberapa variabel yang dipengaruhi (dependent) dengan satu atau beberapa variabel yang mempengaruhi (independent).
Manfaat Structural Equation Modeling (SEM), sebagai berikut:
a. Mengkonfirmasikan unidimensionalitas dari berbagai indikator untuk sebuah dimensi, konstruk, atau konseptual.
b. Menguji kesesuaian atau ketepatan sebuah model berdasarkan model
empiris yang diteliti.
c. Menguji kesesuaian model sekaligus hubungan kausalitas antar faktor yang dibangun atau diamati dalam model tersebut.
Beberapa konversi yang berlaku dalam diagram SEM, adalah: a. Variabel terukur (Measured Variable)
Variabel ini disebut juga observed variable, indicator variable atau
manifest variable, digambarkan dalam bentuk segi empat atau bujur sangkar. Variabel terukur adalah variabel yang datanya harus dicari melalui penelitian lapangan.
b. Faktor
Faktor adalah sebuah variabel bentukan, yang dibentuk melalui indikator-indikator yang diamati dalam dunia nyata. Karena merupakan variabel bentukan, maka disebut latent variable. Nama lain untuk latent variable adalah construct atau unobserved variable. Faktor atau konstruk atau variabel latent ini digambarkan dalam bentuk lingkar atau oval.
Untuk membuat pemodelan SEM diperlukan beberapa langkah, yaitu : a. Pengembangan Model Teoretis
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoretis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui komputerisasi program SEM. Oleh karena itu dalam pengembangan model teoretis, harus dilakukan serangkaian eksplorasi ilmiah melalui telaah pustaka yang intens guna mendapatkan justifikasi atas model teoretis yang dikembangkannya. Tanpa dasar yang kuat SEM tidak dapat digunakan. Hal ini disebabkan karena SEM tidak digunakan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoretis, melalui data empirik.
b. Pengembangan diagram alur (Part diagram)
Pada langkah kedua, model teoretis yang telah dibangunnya pada langkah pertama akan digambarkan dalam sebuah part diagram. Part
diagram tersebut akan mempermudah peneliti melihat
hubungan-hubungan kausalitas yang ingin diujinya. Sedemikian jauh, diketahui bahwa hubungan-hubungan kausal biasanya dinyatakan dalam bentuk persamaan. Tetapi dalam SEM hubungan kausalitas itu cukup
digambarkan dalam sebuah part diagram, dan selanjutnya bahasa
program akan mengkonversi gambar menjadi persamaan, dan persamaan menjadi estimasi.
Konstruk-konstruk yang dibangun dalam diagram alur yaitu : 1) Konstruk Eksogen (Exsogenous Constructs)
Konstruk eksogen dikenal juga sebagai “source variables” atau
“independent variable” yang tidak diprediksi oleh variabel yang lain dalam model.
2) Konstruk Endogen (Endogenous Constructs)
Konstruk endogen adalah faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
Performance Features Conformance with spesifications Reliability Durability Serviceability
Fit and Finish
Kesan Kualitas Keputusan Pembelian Loyalitas Merek Citra Merek User Image Kebutuhan dan Keinginan Product Image Corporate Image Pengalaman Masa Lalu Habitual Buyer
Likes the Brand
Comitted Buyer Switching cost buyer Switcher Pengalaman Teman Komunikasi (iklan & pemasaran) Gambar III.1
c. Memilih Matrik Input dan Estimasi Model
Perbedaan SEM dengan teknik-teknik multivariate lainnya adalah dalam input data yang digunakan dalam permodelan dan estimasinya. SEM hanya menggunakan matriks Varians atau Kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
Tehnik Estimasi dalam Structural Equation Modeling, adalah: 1) Maximum Likelihood Estimation (ML)
2) Generalized Least Square Estimation (GLS)
3) Unweighted Least Square Estimation (ULS)
4) Scale Free Least Square Estimation (SLS)
5) Asymptotically Distribution-Free Estimation (ADF)
Tabel III.1
Memilih Teknik Estimasi
Pertimbangan Teknik yang dapat dipilih
Keterangan
Bila asumsi normalitas dipenuhi dan ukuran sampel kecil 100-200
ML ULS dan SLS biasanya tidak menghasilkan uji χ2, karena itu tidak menarik perhatian peneliti.
Bila asumsi normalitas dipenuhi dan ukuran sampel antara 200-500
ML dan GLS Bila ukuran sampel kurang dari 500, hasil GLS cukup baik.
Bila asumsi normalitas kurang dipenuhi dan ukuran sampel lebih dari 2500
ADF ADF kurang cocok bila ukuran sampel kurang dari 2500
Dalam penelitian ini Teknik Estimasi dalam Structural Equation Modeling
yang digunakan adalah Maximum Likehood Estimation (ML), karena sampel
yang digunakan sebanyak 200 responden.
d. Kemungkinan munculnya masalah identifikasi
Problem identifikasi dapat muncul melalui gejala-gejala berikut ini: 1) Standard error untuk satu atau beberapa koefisien adalah sangat
besar.
2) Program tidak mampu menghasilkan matrik informasi yang
seharusnya disajikan.
3) Munculnya angka-angka yang aneh seperti adanya varians error
yang negatif.
4) Munculnya korelasi yang sangat tinggi antar koefisien estimasi
yang didapat (misalnya lebih dari 0.9). e. Evaluasi Kriteria Goodness-of-fit
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria goodness-of-fit. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM.
Asumsi-asumsi SEM adalah sebagai berikut: 1) Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan ini adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter.
2) Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM ini.
3) Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya.
4) Multicollinearity dan Singularity
Multikolinearitas dapat dideteksi dari daterminan matriks
kovarians. Nilai determinan matriks kovarians yang sangat kecil
(extremely small) memberi indikasi adanya problem
multikolinearitas atau singularitas.