BAB III METODOLOGI PENELITIAN
3.3 Teknik Pengumpulan Data
Data Pr imer
Data primer yaitu data yang diperoleh dari tangan pertama oleh peneliti yang berkaitan dengan variabel minat untuk tujuan spesifik studi. Data primer dapat diperoleh dari responden individu, kelompok fokus dan panel yang secara khusus ditentukan peneliti.
3.3.2 Sumber Data
Sumber data diperoleh dari hasil penyebaran kuesioner dari konsumen KFC Plaza Surabaya.
3.3.3 Teknik Pengumpulan Data
Pengumpulan data dapat dilakukan dengan menggunakan beberapa cara, yaitu sebagai berikut :
36
a. Wawancara
Metode yang dilakukan dalam upaya mencari tanggapan responden atau berbagai permasalahan yang diangkat.
b. Kuesioner
Pengumpulan data dengan kuesioner membantu untuk membangun hubungan dengan responden ketika memperkenalkan survey, memberikan klarifikasi yang diminta oleh responden langsung di tempat dan mengumpulkan kuesioner segera setelah diisi. Adanya kontak langsung antara peneliti dan responden akan menciptakan suatu kondisi yang cukup baik sehingga responden dengan sukarela akan memberikan data yang obyektif dan cepat.
3.4 Teknik Analisis dan Uji Hipotesis 3.4.1 Teknik Analisis
Teknik analisis data yang digunakan di dalam penelitian ini adalah teknik Structural Equation Modeling (SEM). SEM merupakan sekumpulan teknik-teknik statistical yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. (Ferdinand, 2002:6)
Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari Measrement Model dan Structural Model. Measurement Model atau model pengukuran ditujukan untuk menginformasi sebuah dimensi atau faktor berdasarkan indicator empirisnya. Structural
model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor. Menurut Fer dinand (2002:24) untuk membuat permodelan yang lengkap terdapat beberapa langkah yaitu :
1. Pengembangan Model Berbasis Teori
Dalam pengembangan model teoritis, seorang peneliti harus melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka yang intens guna mendapatkan justifikasi atau model teoritis yang dikembangkan.
2. Pengembangan Diagram Alur Untuk Menunjukkan Hubungan Kausalitas
Model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram (diagram alur). Path diagram (diagram alur) akan mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji.
3. Konversi diagram alur ke dalam serangkaian persamaan structural dan spesifikasi model pengukuran. Peneliti dapat mulai mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan yang akan dibangun terdiri dari :
1)Persamaan struktural (structural equations). Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk.
38
2) Persamaan spesifikasi model pengukuran (measurement model). Peneliti menentukan variabel, mengukur konstruk, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
SEM hanya menggunakan matrik varians atau konvarians atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang digunakan.
5. Menilai problem identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan yang unik. Problem identifikasi dapat muncul melalui gejala berikut :
• Standard error untuk satu atau beberapa koefisien adalah sangat besar.
• Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
• Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
• Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat.
6. Evaluasi model
Pada langkah ini kesuksesan model dievaluasi melalui telaah terhadap berbagai kriteria goodness of fit.
7. Interpretasi dan modifikasi model
Menginterpretasikan model dan memodifikasikan model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan.
3.4.2 Confimatory Factor Analysis
Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confimatory Factor Analysis. Pada Confimatory Factor Analysis (CFA) peneliti menggunakan variabel-variabel yang diteliti untuk mendefinisikan sebuah faktor yang tidak dapat diubah secara langsung. Analisis atas indicator-indikator yang digunakan itu member makna atas label yang diberikan pada variabel laten atau faktor laten yang dikonfirmasi itu. Langkah-langkah dalam analisis SEM model dengan contoh faktor Teknologi dilakukan sebagai berikut :
a. Spesifikasi model pengukuran konstruk Reciprocity yaitu : Persamaan Dimensi Faktor Interaksi :
X1.1 = 1 Reciprocity + er_1
X1.2 = 2 Reciprocity + er_2
40
Bila persamaan diatas dinyatakan dalam pengukuran model untuk diuji unidimensionalitasnya melalui confimatory factor analysis, maka model pengukuran dengan contoh Faktor Relationship Marketing akan nampak sebagai berikut :
Keterangan :
X1.1 = Informasi tentang barang pesanan X1.2 = Memberikan jaminan (ganti rugi) X1.3 = Memberikan ucapan terima kasih Er_j = Error term X1j
Reciprocity X1.1 X1.2 X1.3 Er 1 Er 2 Er 3
3.4.3 Uji Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar, histogram data dapat diuji dengan metode-metode statistic. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel digunakan sekaligus dalam analisis akhir. Uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. (Fer dinand, 2002:52)
3.4.4 Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat muncul dalam 4 kategori :
Outliers muncul karena kesalahan prosedur.
Outliers muncul karena kesalahan yang benar-benar khusus yang memungkinkan profil faktanya lain daripada yang lain.
Outliers muncul karena adanya sesuatu alas an tetapi peneliti tidak dapat mengetahui apa penyebabnya.
42
Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier.
Perlakuan terhadap outliers dilakukan bergantung pada bagaimana outlier itu muncul. Dalam analisis ini, outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers.
• Univariate Outlier
Deteksi terhadap adanya outlier univariate dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai ouliers dengan cara mengkonversi nilai data penelitian ke dalam standart score atau yang biasa disebut Z-score yang mempunyai rata-rata nol dengan standard deviasi sebesar satu. Oleh karena itu, kasus atau observasi yang mempunyai Z-score ≥ 30 akan dikategorikan sebagai outliers.
• Multivariate Outlier
Evaluasi terhadap multivariate ouliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis (The Mahalanobis Distance) untuk tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata-rata semua
variabel dalam sebuah ruang multidimensional. Uji terhadap
outliers multivariate dilakukan dengan menggunakan criteria jarak
Mahalanobis pada tingkat P < 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan X2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. (Ferdinand, 2002:102)
3.4.5 Deteksi Multicolinearity dan Singularity
Multicolinearitas dapat dideteksi dan determiner matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil (extremely small) member indikasi adanya problem multikolinearitas dan singularitas.
3.4.6 Uji Validitas dan Reliabilitas
Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Seperti yang dikutip dari Wijanto (2008:65) yaitu bagaimana mendefinisikan cara untuk menguji validitas adalah dengan melihat standart factor loadings (muatan faktor standar) variabel-variabel teramati (indicator) terhadap variabel laten (faktor) merupakan estimasi validitas variabel-variabel teramati tersebut.
Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indicator-indikator suatu konstruk yang menunjukkan
44
derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk atau faktor laten yang umum (Fer dinand, 2002:63). Reliabilitas diuji dengan construct reliability dan variance extracted.
Construct reliability dan variance extracted dapat dihitung dengan rumus sebagai berikut :
Construct reliability = ( ∑ )
( ∑ ) ∑
Variance extracted = ( ∑ )
( ∑ ) ∑
Hair et.al (1998) menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika :
• Nilai Construct Reliability (CR) nya ≥ 0,70 • Nilai Variance Reliability (VR) nya ≥ 0,50
3.4.7 Pengujian Model dengan One Step Approach
Salah satu keunggulan dari SEM dibandingkan metode regresi dan metode multivariate yang lain adalah penerapan prosedur SEM secara sekaligus terhadap sebuah model hybrid atau full SEM (kombinasi antara model pengukuran dan model striktural). Penerapan prosedur SEM ini dikenal sebagai One Step Approach (Wijanto, 2008:68).
3.4.7.1Pengujian Model dengan Two Step Approach
Permodelan SEM juga dapat dilakukan dengan pendekatan dua langkah (two step approach) yaitu pertama mengembangkan model
pengukuran dan kedua adalah model structural. Hal ini karena
measurement model dilakukan untuk menghasilkan penilaian mengenai validitas konvergen (convergent validity) dan validitas diskriminan (discriminate validity) sedangkan model structural menyajikan penilaian mengenai validitas prediktif (predictive validity) (Ferdinand, 2002:2004).
3.4.8 Evaluasi Model
Hair, et.al (1998) menjelaskan pola “Confimatory” menunjukkan prosedur 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 teoritis 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 duji sangat penting dalam penggunaan Structural Equation Modelling.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of fit, yakni Chi-Square, probability, RMSEA, GFI, TLI, CFI, AGFI, CMIN atau DF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan Two Step Approach to SEM.
46
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan cut off value yang digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah :
1. X2 - Chi Square Statistic
Chi square bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Model yang diuji dipandang baik atau memuaskan bila nilai chi squarenya rendah atau dengan kata lain peneliti berusaha memperoleh nilai X2 yang rendah yang menghasilkan significance level lebih besar atau sama dengan 0,05 (P ≥ 0,05). Semakin kecil nilai X2 semakin baik model itu (karena dalam uji beda chi square X2 = 0 berarti benar-benar tidak ada perbedaan Ho diterima) dan diterima berdasarkan probabilitas dengan cut off value sebesar p > 0,05 atau p > 0,10.
2. RMSEA (The Roof Mean Square Error of Approximation)
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi square statistic dalam sampel yang besar. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah
close fit dari model itu berdasarkan degrees of freedom. 3. GFI (Goodness of Fit Index)
Indeks kesesuaian (fit index) ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang
dijelaskan oleh matriks kovarians yang terestimasikan. Nilai GFI berkisar antara 0 (poor fit) sampai 1 (perfect fit) dan nilai GFI ≥ 0,90 merupakan good fit (kecocokan yang baik), sedangkan 0,80 ≤ GFI ≤ 0,90 sering disebut sebagai marginal fit (Wijanto, 2008 : 53).
4. AGFI (Adjusted Goodness of Fit Index)
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai yang sama dengan atau lebih besar dari 0,90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks dan kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik (good overall model ft) sedangkan besaran nilai antara 0,90 - 0,95 menunjukkan tingkatan cukup adequate.
5. CMIN atau DF
The minimum sample discrepancy function (CMIN) dibagi dalam
degree of freedomnya akan menghasilkan indeks CMIN atau DF. Dalam hal lain adalah statistic chi square X2 dibagi DFnya sehingga disebut X2 relatif. Nilai X2 relatif kurang dari 20 atau bahkan kadang kurang dari 30 adalah indikasi dari acceptable fit antara model dan data.
6. TLI (Tucker Lewis Index)
TLI (Tucker Lewis Index) adalah sebuah alternative incremental fit index yang membandingkan sebuah model yang diuji terhadap
48
sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat mendekati atau menunjukkan a very good fit. 7. CFI (Comparative Fit Index)
Besaran indeks ini adalah pada rentang nilai sebesar 0 - 1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi (a very good fit). Nilai yang direkomendasikan adalah CFI ≥ 0,95. Keunggulan dari indeks ini adalah bahwa indeks ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model.
Tabel 3.1 Tabel Goodness of Fit Indices Goodness
Of Fit Index
Keterangan Cut - Off
Value X2 - Chi
Square
Menguji apakah covariance
populasi yang diestimasi sama dengan covariance sample (apakah model sesuai dengan data) Diharapkan kecil 1 sampai dengan 5 atau paling baik diantara 1 dan 2
Probability Uji signifikansi terhadap perbedaan matriks covariance
data dan matriks covariance
yang diestimasi
Minimum 0,1 atau 0,2 atau ≥ 0,05
RMSEA Mengkompensasi kelemahan chi square pada sampel besar
≤ 0,08
GFI Menghitung proporsi tertimbang varians dalam matriks covariance (populasi yang diestimasi)
(analog dengan R2 dalam regresi berganda)
≥ 0,90
AGFI GFI yang disesuaikan dengan DF ≥ 0,90 CMIN atau
DF
Kesesuaian antara data dan model
≤ 2,00
TLI Pembandingan antara model yang diuji terhadap baselin model
≥ 0,95
CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sampel dan keunikan
≥ 0,95
50
Ker angka Model Pemikiran
X1.1 X1.2 X1.3 X2.1 X2.2 X2.3 Bonding X1 Reciprocity X2 Relationship Marketing X Kepuasan Pelanggan Y Loyalitas Pelanggan Z Y1 Kualitas Produk Y2 Jasa Pengiriman Y3 Proses Pemesanan3 Y4 Pelayanan Pembayaran Z1 Rekomendasi ke orang lain Z2 Penyampaian hal positif Z3 Pembelian kontinyu