METODE PENELITIAN
J. Teknik Analisis Data
Teknik analisis yang digunakan dalam penelitian ini adalah The Structural
Equation Modelling (SEM), SEM adalah generasi kedua teknik analisis
multivariat menurut Bagozzi dan Fornell ( Ghozali, 2005:3) yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks secara bersama- sama. Berbagai software SEM yang beredar di pasaran adalah LISREL, AMOS, EQS, ROMANDO, SEPATH, DAN LISCOMP. Namun yang biasa digunakan adalah Lisrel, Amos dan EQS. Sedangkan untuk penelitian ini menggunakan AMOS ver.18.0.
Haier et al. (1998 dalam Ghozali 2008) mengajukan tahapan permodelan dan analisis persamaan struktural menjadi tujuh langkah yaitu:
Langkah 1: Pengembangan model berdasar teori, model persamaan sturktural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya.
Langkah 2: Menyusun diagram jalur, Persamaan struktural yang digambarkan oleh diagram jalur merupakan representasi dari teori. Jadi hubungan antar variabel latent yang diwujudkan dalam diagram jalur merupakan perwujudan dari teori.
Langkah 3: Menyusun persamaan struktural, yang harus dilakukan adalah menghubungkan antara konstruk laten endogen maupun eksogen dan menyusun
measurement model.
Model Struktural dengan Variabel Laten
Model struktural dengan variabel laten terdiri dari dua bagian yaitu bagian model pengukuran (measurement model) yaitu hubungan dari indikator ke variabel laten dan model struktural yaitu hubungan antara variabel laten. Dalam penelitian ini, hubungan antar variabel yang komplek tersebut digambarkan sebagai berikut:
Gambar III.1
Kerangka Hubungan Konseptual beserta indikator dan simbolnya. Penjelasan gambar
1. Terdapat dua variabel eksogen laten yaitu ξ1 (Kualitas Produk) dan ξ2 (Harga) masing – masing variabel ini diukur dengan indikator atau manifest. Simbol manifest untuk variabel eksogen adalah X dan nilai errornya disebut
2. Terdapat dua variabel endogen laten yaitu η1 (Kepuasan Konsumen) dan η2 (Loyalitas Konsumen) masing – masing variabel ini diukur dengan indikator atau manifest. Simbol manifest untuk variabel endogen adalah Y dan nilai
errornya disebut epsilon (ε/e).
3. Antara variabel laten eksogen harus dikovariankan dengan saling
menghubungkan kedua variabel laten ini dengan dua anak panah (hubungan kovarian atau korelasi dengan simbol phi (φ)
4. Semua variabel laten endogen harus diberi error atau nilai residual
regression dengan symbol Zeta (ζ/z)
5. Koefisien regresi antara variabel laten eksogen dengan variabel laten endogen diberi simbol gama (γ) dengan cara memberi notasi dari variabel laten endogen ke variabel laten eksogen:
Dari ξ1 (Kualitas) ke η1 (Kepuasan) = γ1.1
Dari ξ2 (harga) ke η1 (kepuasan) = γ1.2
Dari ξ1 (Kualitas) ke η1 (Loyalitas) = γ2.1
Dari ξ2 (harga) ke η1 (Loyalitas) = γ2.2
Koefisien regresi antara variabel laten endogen dengan variabel laten endogen lainnya diberi simbol beta (β) dengan cara memberi notasi sebagai berikut: Dari η1 (kepuasan) ke η2 (loyalitas) = β2.1
6. Ada dua model pengukuran (measurement model) yaitu model pengukuran variabel laten eksogen dan model pengukuran variabel endogen. Model
pengukuran adalah hubungan antara indikator atau manifest dengan konstruk latennya. Berdasarkan gambar konseptual (Gambar III.1) ada dua model pengukuran variabel laten eksogen ξ1 dan ξ2, serta dua model pengukuran variabel laten endogen η1 dan η2. Nilai factor loading dari indikator ke konstruk laten disebut lambda (λ). Cara menuliskan persamaan matematik model pengukuran:
Variabel laten ξ1 yaitu Kualitas Produk (KP)/ Product Quality (PQ)
X1 = λ1.1 ξ1(Kualitas Produk) + δ1 X2 = λ2.1 ξ1(Kualitas Produk) + δ2 X3 = λ3.1 ξ1 (Kualitas Produk) + δ3 X4 = λ4.1 ξ1 (Kualitas Produk) + δ4 X5 = λ5.1 ξ1 (Kualitas Produk) + δ5 X6 = λ6.1 ξ1 (Kualitas Produk) + δ6
Variabel laten ξ2 yaitu Harga Produk (HP)/Product Price (PP)
X7 = λ7.2 ξ2 (Harga) + δ7 X8 = λ8.2 ξ2 (Harga) + δ8 X9 = λ9.2 ξ2 (Harga) + δ9
Variabel laten η1 yaitu Kepuasan konsumen (KK)/CustomerSatisfaction (CS)
Y1 = λ1.1 η1 (kepuasan konsumen) + ε1 Y2 = λ2.1 η1 (kepuasan konsumen) + ε2
Y4 = λ4.1 η1 (kepuasan konsumen) + ε4
Variabel laten η2 yaitu Loyalitas konsumen (LK)/Customer Loyalty (CL)
Y5 = λ5.2 η2 (loyalitas konsumen) + ε5 Y6 = λ6.2 η2 (loyalitas konsumen) + ε6 Y7 = λ7.2 η2 (loyalitas konsumen) + ε7
Keterangan:
λ = nilai faktor loading dari indikator ke konstruk laten
ε = nilai error pada indikator ke konstruk laten eksogen
d = nilai error pada indikator ke konstruk laten endogen
8. Model persamaan struktural adalah model hubungan antar variabel laten dengan persamaan sebagai berikut:
η1 = γ1.1ξ1 (kualitas produk) +γ1.2ξ2 (harga) +ζ1 η2 = β + ζ2
Keterangan:
γ = koefisien regresi antara variabel laten eksogen dengan variabel laten endogen.
β = koefisien regresi antara variabel laten endogen dengan variabel laten endogen lainnya.
ζ = nilai residual / error.
Langkah 4: Memilih jenis input matrik dan estimasi model yang diusulkan. Kemudian dapatkan sampel dan pengukurannya, setelah itu lakukan estimasi
terhadap parameter model. Dalam penelitian ini jumlah sampel yang digunakan adalah 150 maka teknik analisis yang digunakan adalah Maximum Likelihood Estimation (ML).
Estimasi ini akan dilakukan secara bertahap yaitu: a. Teknik Confirmatory Factor Analysis
Teknik ini digunakan untuk mengestimasi Measurement model, menguji unidimensionalitasdari konstruk – konstruk eksogen dan konstruk – konstruk endogen.
(1) Uji kesesuaian model- Goodness of fit
Jika model sudah melalui uji kesesuaian dan memenuhi kriteria fit, maka dilakukan uji signifikansi bobot faktor. Uji signifikansi bobot digunakan untuk mengkonfirmasi bahwa variabel itu dapat bersama- sama dengan variabel lainnya menjelaskan sebuah variabel laten.
(2) Uji signifikansi bobot faktor ini dikaji dengan dua tahapan analisis yaitu: a. Nilai lambda atau factor loading
Nilai lambda memiliki batasan nilai ≥0,40. Bila nilai lambda untuk ketiga variabel yang menjelaskan suatu indikator ≥0,40 maka dapat diartikan bahwa variabel ini secara bersama – sama menyajikan unidimensionalitas untuk suatu variabel laten.
b. Regression weight (Bobot Faktor)
Untuk mengukur kuat lemahnya dimensi dalam membentuk faktor latennya dapat dianalisis dengan menggunakan uji-t terhadap
regression weight yang dihaslkan oleh model. Dalam SEM uji-t
tersebut disebut Critical Ratio (C.R.), batas untuk menunjukkan variabel tersebut secara signifikan merupakan dimensi dari faktor laten yang dibentuk adalah ≥2,0.
b. Structural Equation Model
Setelah model dianalisis melalui CFA (confirmatory factor analysis) dan dilihat bahwa masing masing variabel dapat digunakan untuk mendefinisikan konstruk laten, maka sebuah full-model SEM dapat dianalisis. Pengujian ini juga melalui dua tahapan yaitu:
(1) Uji Kesesuaian Model- Goodness-of-fit Test
Uji ini sama seperti yang dilakukan pada Confirmatory factor analysis.
(2) Uji Kausalitas : Regression Weight
Sementara itu untuk menguji hipotesa mengenai kausalitas yang dikembangkan dalam model ini, perlu diuji hipotesa nol yang menyatakan bahwa koefisien regresi antara hubungan adalah sama dengan nol melalui uji-t yang lazim dalam model – model regresi. Untuk uji kausalitas ini
Langkah 5: Menilai identifikasi model struktural, pada tahap ini pengukuran model dapat diestimasi lebih dahulu dan diikuti dengan model stuktural dan full model.
Langkah 6: Menilai kriteria Goodness of fit dari model dan bilamana perlu diikuti dengan modifikasi model.
Asumsi – asumsi tersebut adalah:
a. Ukuran Sampel, Ukuran sampel yang harus dipenuhi adalah minimum 100 sampel dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter.
b. Normalitas dan Linearitas, Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode statistik. Uji normalitas dilakukan baik untuk normalitas data tunggal maupun normalitas multivariat. Uji linearitas dapat dilakukan dengan mengamati
scatterplots dari data yaitu dengan memilih pasangan data dan dilihat
pola penyebarannya untuk menduga ada tidaknya linearitas.
c. Outliers, merupakan 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 lainnya. Pedoman evaluasi adanya outlier adalah
batas nilai z-score >3,0(Hair dkk,1995 dalam Ferdinand 2002:98), apabila terdapat outliers univariate maka harus disamakan standard deviasinya menjadi 1 dan nilai z-score tidak lebih dari 3,0.Untuk outlier multivariate
jarak mahalanobis pada tingkat p<0,001. Jarak mahalanobis harus dievaluasi menggunakan χ2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Jika terdapat outlier multivariate maka harus dicari penyebabnya dan harus dirubah agar tidak terdapat outlier
multivariate.
d. Multicollinearity dan singularity, Multikolinearitas adalah kondisi
terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen (www.wikipedia.com).
Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Singularitas menunjukkan kegagalan suatu pemetaan untuk mempunyai balikan atau invers pemetaan. Munculnya singularitas suatu pemetaan menimbulkan akibat yang bermacam - macam. Diantaranya adalah dalam konteks fungsi bernilai riil, singularitas berkaitan dengan divergensi nilai fungsi itu di suatu titik yakni divergen dalam artian bahwa nilai fungsi itu
pada titik yang bersangkutan mempunyai nilai tidak terbatas. Nilai determinan matriks kovarians yang sangat kecil menunjukkan adanya problem multikolinearitas atau singularitas. Apabila terdapat
multicollinearity dan singularity maka telitilah kembali data yang
digunakan dan keluarkan data yang menyebabkan multicollinearity dan
singularity, dan rubah data tersebut menjadi composite variable.
Setelah memenuhi semua asumsi yang ada maka dilakukan uji kesesuaian dengan mengukur derajad kesesuaian model yang dihipotesiskan dengan data yang ada. Uji kesesuaian ini yang akan menentukan keputusan diterima atau ditolak suatu hipotesis.
Ada tiga jenis ukuran Goodness of fit dalam Ferdinand 2002:98, yaitu :
Absolut Fit Measures
a. Likelihood- Ratio Chi- Square (χ2
) makin kecil makin baik, namun nilai signifikan harus >0,05, alat ini merupakan alat uji paling fundamental untuk mengukur overall fit, dan sangat sensitif terhadap jumlah Statistik Chi- Square (χ2
) dan jumlah sampel. Sehingga penggunaan Chi- Square (χ2
) hanya sesuai jika sampel berukuran 100 – 200 sampel, (Hair, et al,1995).
b. Significance Probability, Ketika hasil analisis Chi- square ini bernilai
rendah maka akan menghasilkan sebuah signifikansi yang lebih besar dari 0,05 yang akan mengindikasikan tak adanya perbedaan yang signifikan
antara matriks kovarians data dan matriks kovarians yang diestimasi.(Hair et al., 1995)
c. CMIN/DF (The Minimun Sample Discrepancy Function), umumnya
dilaporkan oleh peneliti sebagai salah satu indikator mengukur tingkat fitnya sebuah model. CMIN/DF tidak lain adalah statistik χ2
dibagi dengan df sehingga disebut χ2
relatif. Nilai χ2
relatif ≤2,0 bahkan ≤3,0 adalah indikasi dari model fit dengan data, (Arbuckle, 1999).
d. GFI (Goodness of Fit Index) merupakan indeks kesesuaian yang akan menghitung proporsi tertimbang dari varian dalam matriks kovarian sampel yeng terestimasikan (Arbuckle, 1999). Nilai GFI berada antara 0,00-1,00;dengan nilai ≥0,90 merupakan model yang baik (better fit).
e. RMSEA (The Root Mean Square Error of Approximation), sebuah indeks yang dapat digunakan untuk statistik Chi- Square (χ2
), nilai makin kecil makin baik (≤0,08) merupakan indeks untuk dapat diterimanya model yang menunjukkan sebagai sebuah close fit dari model berdasarkan derajat kebebasan (Broune dan Cudeck, 1993).
Incremental Fit Measures
a. AGFI (Adjusted Goodness of Fit), analog dengan koefisien determinasi (R2) pada analisis regresi berganda. Indeks ini dapat disesuaikan terhadap derajat bebas yang tersedia untuk menguji diterimanya model, (Arbuckle, 1999).
Tingkat penerimaan yang direkomendasi adalah bila AGFI ≥0,90, (Hair et al.,1995).
b. TLI (Tucker-Lewis Index), TLI adalah sebuah alternatif incremental fit index
yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah lebih besar atau sama dengan 0,9 dan nilai yang mendekati 1 menunjukkan a very good fit. TLI merupakan index fit yang kurang dipengaruhi oleh ukuran sampel.
c. CFI (Comparative Fit Index), CFI juga dikenal sebagai Bentler Comparative
Index. CFI merupakan indeks kesesuaian incremental yang juga
membandingkan model yang diuji dengan full model. Indeks ini dikatakan baik untuk mengukur kesesuaian sebuah model karena tidak dipengaruhi ukuran sampel. Indeks yang mengindikasikan bahwa model yang diuji memiliki kesesuaian yang baik adalah apabila CFI ≥ 0.90.
Parsimonius Fit Measures
Ukuran ini menghubungkan goodness of fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah mendiagnosa apakah model fit sudah telah tercapai dengan “oferfitting” data yang memiliki banyak koefisien. Namun karena tidak ada uji statistik yang tersedia maka penggunaannya hanya sebatas membandingkan model.
Tabel III.4 Goodness-of-fit Indices
Goodness of Fit Index Cut-off Value
χ2- Chi-Square Diharapkan kecil
Significance Probability ≥ 0.05 RMSEA ≤ 0.08 GFI ≥ 0.90 AGFI ≥ 0.90 CMIN/DF ≤ 2.00 TLI ≥ 0.95 CFI ≥ 0.95
Sumber: Ferdinand, Augusty. 2002. Structural Equation Modeling dalam Penelitian Manajemen. Semarang: Undip
Langkah 7: Interpretasi dan Modifikasi Model, Setelah model diestimasi, residualnya harus kecil atau mendekati nol dan distribusi frekuensi dari kovarians harus bersifat simetrik ( Tabbanack dan Fidell,1997 dalam Ferdinand 2002: 64). Batas aman untuk jumlah residual adalah 5%.
Penelitian ini menggunakan taraf signifikansi sebesar 5% maka dapat disimpulkan Hipotesis 1, Hipotesis 2, Hipotesis 3, Hipotesis 4, dan Hipotesis 5 akan diterima apabila C.R. menunjukkan parameter estimasi konstruk ≥1,96. Dan Hipotesis 1, Hipotesis 2, Hipotesis 3, Hipotesis 4 dan Hipotesis 5 ditolak apabila C.R. menunjukkan parameter estimasi konstruk <1,96.
BAB IV
GAMBARAN UMUM PERUSAHAAN
