Teknik Analisis dan Uji Hipotesis 1. Teknik Analisis

3. Keputusan Membeli (Y)

3.4. Teknik Analisis dan Uji Hipotesis 1. Teknik Analisis

Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling [SEM]. Merupakan teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit. Model pengukuran sikap dan gaya hidup terhadap keputusan membeli menggunakan

confirmatory factor analyses. Penaksiran pengaruh masing-masing variable bebas terhadap variable terikatnya menggunakan koefidien jalur Langkah-langkah dalam analisis SEM model pengukuran dengan contoh faktor variable loyalitas pelanggan dilakukan sebagai berikut : Persamaan Dimensi variabel keputusan membeli

Z1 = 1keputusan membeli + er_1 Z2 = 2 keputusan membeli + er_2

Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh variabel keputusan membeli akan nampak sebagai berikut:

Gambar 3.1 : Contoh Model PengukuranKeputusan Membeli

Keterangan :

Y1 = pertanyaan tentang frekuensi membeli Y2 = pertanyaan tentang kuantitas pembelian 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

keputusan membeli (Y) (Y1) (Y₃) Er 1 Er 2

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

Mengamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier

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 mengkorelasikan 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.

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. Secara umum, nilai construct reliability yang dapat diterima adalah ≥ 0,70 dan variance extracted≥ 0,5 Hair et. al., (1998).

3.4.6. Uji Normalitas

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 :

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%). 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. 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. 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

RANGAN CUT-OFF VALUE

X² - Chi-square

Menguji apakah covariance populasi yang destimasi sama dengan cova-riance sample [apakah model sesuai dengan data].

Diharapkan Kecil, 1 s.d 5. atau paling baik diantara 1 dan 2.

matriks covariance yang diestimasi. 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 dalam regresi berganda].

 0,90

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 : Hair et.al., [1998]