3. METODE PENELITIAN. 21 Universitas Kristen Petra

(1)

21

Universitas Kristen Petra 3.1. Jenis Penelitian dan Gambaran Populasi

Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian kausal konklusif, yaitu penelitian yang bertujuan untuk memperoleh suatu kesimpulan dari data – data yang telah diperoleh dan diolah mengenai hubungan - hubungan sebab-akibat antara variabel – variabel yang dibahas dalam penelitian ini. Yang menjadi target populasi dari penelitian ini adalah penduduk Surabaya, dengan karakteristik populasi sebagai berikut: setiap individu yang membeli dan menggunakan pasta gigi merek Pepsodent, dengan rata – rata usia antara 13 – 75 tahun serta merupakan golongan masyarakat menengah. Alasan ditetapkannya populasi dengan usia minimum 13 tahun adalah karena anak – anak usia 13 tahun rata – rata sudah memiliki pendapatan sendiri yang berasal dari pemberian orang tua mereka (uang saku) dan mereka juga sudah bisa ikut menentukan pasta gigi merek apa yang akan dibeli dalam keluarganya.

3.2. Teknik Penarikan Sampel

Teknik sampling yang digunakan dalam penelitian ini adalah sampel nonprobabilitas atau nonprobability sampling dengan pengambilan sampel secara mudah (convenience sampling) mengingat jumlah keseluruhan dari target populasi adalah tidak terbatas. Menurut Cooper & Emory (1996, p. 216), pengambilan sampel noprobabilita adalah tidak acak dan subyektif, di mana setiap anggota tidak memiliki peluang untuk menjadi bukan nol yang diketahui. Mengizinkan pewawancara memilih anggota – anggota sampel “secara acak” (diartikan sebagai yang mereka inginkan atau di manapun mereka menemukan sampel tersebut) adalah bukan pengambilan sampel secara acak.

Adapun sampel yang diambil adalah sebanyak 300 responden. Alasannya, selain diperkirakan cukup mampu untuk mewakili populasi, jumlah tersebut juga akan memaksimalkan penggunaan Lisrel sebagai instrumen pengolahan data.

Software Lisrel yang tersedia di Pusat Komputer Universitas Kristen Petra saat ini

(2)

Universitas Kristen Petra adalah software dengan versi untuk pelajar, di mana jumlah variabel dan kasus (atau dalam hal ini jumlah responden) yang dapat diolah sangat terbatas. Penulis telah memperoleh software Lisrel dengan versi yang lebih baru sehingga memungkinkan untuk mengolah data dengan banyak variabel dan jumlah sampel yang akan diteliti.

3.3. Definisi Operasional Variabel

1. Variabel hedonic value (nilai hedonik) didefinisikan secara operasional sebagai rasa senang atau rasa puas yang didapat ketika mengkonsumsi produk pasta gigi. Indikatornya meliputi:

a. Saya cinta akan produk ini. [I love this product]

b. Saya merasa nyaman ketika menggunakan produk ini. [I feel good when I use this product]

Tolok ukur untuk “cinta” atas produk pasta gigi adalah bahwa konsumen telah mengenal produk pasta gigi dan menyukainya, sedangkan tolok ukur untuk “nyaman” atas produk pasta gigi dalam hal ini adalah konsumen mendapatkan benefit yang sebenarnya dari produk pasta gigi (misalnya, rasa segar setelah menggosok gigi, kemudahan mendapatkan produk di mana – mana, dan lain sebagainya).

2. Variabel utilitarian value (nilai utilitarian) didefinisikan secara operasional sebagai persepsi konsumen atas produk pasta gigi yang dikonsumsinya, bahwa fungsi dasar yang dimiliki oleh produk tersebut telah sesuai dengan yang diharapkannya. Indikatornya meliputi:

a. Saya mengandalkan produk ini. [I rely on this product]

b. Produk ini merupakan suatu keharusan bagi saya. [This product is a necessity for me]

Tolok ukur untuk “keandalan” atas produk pasta gigi adalah bahwa produk tersebut dapat memenuhi kebutuhan konsumen secara maksimal, sedangkan tolok ukur untuk “keharusan” akan produk pasta gigi adalah bahwa produk tersebut merupakan bagian dari kehidupan sehari – hari konsumen.

(3)

Universitas Kristen Petra 3. Variabel brand trust (kepercayaan atas merek) didefinisikan secara

operasional sebagai tingkat kepercayaan konsumen terhadap merek Pepsodent yang menyebabkan konsumen tersebut mau mencoba merek Pepsodent. Indikatornya terdiri dari:

a. Saya mempercayai merek ini. [I trust this brand]

b. Saya mengandalkan merek ini. [I rely on this brand]

c. Merek ini adalah merek yang jujur. [This is an honest brand]

d. Merek ini aman. [This brand is safe]

Tolok ukur untuk ”kepercayaan” atas merek Pepsodent adalah konsumen memiliki pengalaman dengan dampak positif setelah menggunakan merek Pepsodent; tolok ukur untuk “keandalan” atas merek Pepsodent adalah bahwa merek Pepsodent dapat memenuhi kebutuhan konsumen secara maksimal; tolok ukur untuk merek yang “jujur” adalah bahwa merek Pepsodent memenuhi filosofi “what you see is what you get”;

tolok ukur untuk merek yang “aman” adalah bahwa merek Pepsodent tidak memiliki reputasi buruk di mata konsumen.

4. Variabel brand affect (pengaruh merek) didefinisikan secara operasional sebagai tingkat pengaruh merek Pepsodent terhadap sikap loyal dan perilaku pembelian ulang oleh konsumen. Indikatornya terdiri dari:

a. Saya merasa nyaman ketika menggunakan merek ini. [I feel good when I use this brand]

b. Merek ini membuat saya senang. [This brand makes me happy]

c. Merek ini memberikan kepuasan bagi saya. [This brand gives me pleasure]

Tolok ukur untuk “nyaman” atas merek Pepsodent adalah bahwa pasta gigi dengan merek Pepsodent mudah diperoleh di mana – mana, oleh karena itu konsumen diharapkan tidak berpindah ke merek yang lain; tolok ukur untuk “senang” adalah bahwa merek Pepsodent tidak pernah mengecewakan konsumennya; tolok ukur untuk “kepuasan” atas merek Pepsodent didasarkan atas kualitas yang dihasilkan oleh produk pasta gigi dengan merek Pepsodent yang paling tidak, harus sebanding dengan harga jualnya.

(4)

Universitas Kristen Petra 5. Variabel brand loyalty (loyalitas merek) diukur melalui dua elemen

utamanya, yaitu: purchase loyalty atau loyalitas pembelian dan attitudinal loyalty atau sikap loyalitas.

Purchase loyalty merupakan elemen brand loyalty yang menunjukkan perilaku pembelian ulang merek Pepsodent oleh konsumen sebagai tanda loyalitas terhadap merek tersebut. Pengukurannya meliputi:

a. Saya akan membeli merek ini pada saat saya membeli produk pasta gigi. [I will buy this brand the next time I buy -poduct name-]

b. Saya bermaksud untuk tetap membeli merek ini. [I intend to keep purchasing this brand]

Attitudinal loyalty merupakan elemen brand loyalty yang menunjukkan pernyataan sikap loyalitas konsumen untuk terus menggunakan merek Pepsodent dibandingkan dengan merek lainnya.

Pengukurannya meliputi:

a. Saya memiliki komitmen terhadap merek ini. [I am commited to this brand]

b. Saya bersedia membayar dengan harga lebih tinggi untuk merek ini (dibandingkan dengan merek – merek lainnya). [I am willing to pay a higher price for this brand over other brands]

3.4. Teknik Pengumpulan Data 3.4.1. Jenis dan Sumber Data

Jenis dan sumber data yang digunakan dalam penelitian ini adalah sebagai berikut:

a. Data primer (primary data), yang diperoleh dari hasil survei dengan menyebarkan kuesioner kepada para responden yang sesuai dengan karakteristik populasi.

b. Data sekunder (secondary data), yang diperoleh dari jurnal pemasaran yang diterbitkan secara berkala, yang memuat penelitian sebelumnya mengenai rantai pengaruh dari berbagai macam aspek merek ini. Selain itu, data sekunder juga diperoleh melalui studi kepustakaan, yaitu melalui berbagai macam buku maupun artikel yang berasal dari majalah – majalah pemasaran

(5)

Universitas Kristen Petra yang berkaitan dengan permasalahan utama yang penulis bahas dalam penelitian ini.

3.4.2. Instrumen Penelitian

Instrumen penelitian yang digunakan dalam penelitian ini adalah kuesioner dengan daftar pertanyaan berstruktur (structured questions).

3.4.3. Skala Pengukuran

Skala pengukuran yang digunakan dalam penelitian ini adalah Skala Likert.

Untuk pengukuran hedonic value dan utilitarian value digunakan tujuh butir persetujuan (1=tidak setuju, 7=setuju). Untuk pengukuran brand trust, brand affect, purchase loyalty dan attitudinal loyalty digunakan tujuh butir persetujuan (1=sangat tidak setuju, 7=sangat setuju).

3.5. Prosedur Pengumpulan Data

Survei untuk mengumpulkan data – data yang dibutuhkan dalam penelitian ini dilakukan dengan cara menyebarkan kuesioner untuk diisi oleh responden yang sesuai dengan karakteristik populasi. Pembagian kuesioner dilakukan di tempat – tempat di mana produk pasta gigi Pepsodent dibeli atau digunakan.

Dalam hal ini, kuesioner disebar di daerah perumahan dan di supermarket – supermarket yang tersebar di seluruh bagian kota Surabaya. Kegiatan survei ini dilakukan setiap hari selama kurang lebih satu bulan dengan waktu yang disesuaikan dengan waktu yang dimiliki penulis. Pembagian kuesioner dilakukan oleh penulis dan dibantu oleh sejumlah sukarelawan yang berasal dari teman maupun keluarga penulis, yang mana penulis terlebih dahulu memberikan instruksi yang detil dan jelas mengenai kuesioner dan cara pengisiannya.

Pendahuluan dalam lembar kuesioner dimulai dengan sebuah pernyataan yang isinya meminta responden untuk memberikan tanggapan terhadap butir – butir pernyataan yang telah disusun dan menjamin kerahasiaan responden atas informasi yang penulis peroleh dari kuesioner tersebut. Kemudian setelah itu disusul permohonan informasi demografi dari responden.

(6)

Universitas Kristen Petra Penulis menyebarkan kuesioner sebanyak 450 kuesioner dan diharapkan akan mendapatkan hasil yang layak untuk dianalisis sebanyak 300 kuesioner.

Penulis mengadakan pretest terhadap kuesioner yang telah dibuat untuk mengetahui apakah responden dapat memahami isi dari kuesioner tersebut sehingga kesalahan pengisian kuesioner yang mungkin muncul diharapkan tidak banyak terjadi. Pretest kuesioner diujikan kepada dua puluh responden.

3.6. Teknik Analisis Data

Teknik analisis data yang digunakan dalam penelitian ini adalah melalui metode Structural Equation Modeling (SEM), yang merupakan teknik analisis terintegrasi antara analisis konfirmatori, analisis jalur/path, dan model struktural.

3.7. Komponen dalam Model Umum Structural Equation Modeling/SEM (Wiryono, 2003; Semuel & Paundralingga, 2003)

Berikut adalah sedikit penjelasan mengenai metode SEM. Variabel dalam Structural Equation Model (SEM), ada 2 jenis yaitu:

A.1 Variabel Laten

• Merupakan variabel kunci yang menjadi perhatian.

• Merupakan konsep abstrak. (contoh dalam Manajemen Sumber Daya Manusia adalah motivasi, kepuasan pekerjaan)

• Hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel-variabel teramati.

• Terdapat 2 jenis variabel laten:

A.1.1. Variabel laten eksogen, selalu muncul sebagai variabel bebas (independent latent variable) pada semua persamaan yang ada pada SEM. Notasi variabel laten eksogen dengan huruf Yunani adalah ξ (‘ksi’).

A.1.2. Variabel laten endogen, merupakan variabel terikat (dependent latent variable) pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan sisanya, variabel tersebut adalah variabel bebas. Notasi variabel laten endogen dengan huruf Yunani adalah η (‘eta’).

• Simbol. Simbolnya adalah lingkaran atau elips.

(7)

Universitas Kristen Petra Simbol untuk menunjukkan hubungan kausal adalah anak panah.

A.2 Variabel Teramati

• Merupakan variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut indikator.

• Variabel teramati merupakan ukuran dari variabel laten.

• Pada metode survei dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner biasanya mewakili sebuah variabel teramati.

• Notasi matematik untuk variabel teramati yang merupakan efek dari variabel laten eksogen (ksi) adalah X, sedangkan yang merupakan efek dari variabel laten endogen (eta) adalah Y.

• Simbol. Simbolnya adalah kotak.

B. MODEL, ada 2 jenis yaitu:

B.1 Model Struktural

• Menggambarkan hubungan-hubungan yang ada di antara variabel laten.

• Hubungan tersebut umumnya linier, meskipun pada perluasan SEM hubungan nonlinier dimungkinkan.

• Sebuah hubungan di antara variabel laten serupa dengan sebuah persamaan regresi linier di antara variabel laten tersebut.

atau

Laten

Eksogen Laten

Endogen

Y X

(8)

Universitas Kristen Petra

• Beberapa persamaan regresi linier tersebut membentuk persamaan simultan di antara variabel-variabel laten.

• Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten eksogen diberi label huruf Yunani γ (‘gamma’).

• Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten endogen yang lain diberi label huruf Yunani β (‘beta’).

B.2 Model Pengukuran

• Setiap variabel laten biasanya mempunyai beberapa variabel teramati atau indikator.

• Hubungan antara sebuah variabel laten dengan variabel-variabel teramati dimodelkan dalam bentuk analisis faktor.

• Dalam model ini, setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari beberapa variabel teramati terkait.

• Muatan-muatan faktor atau faktor loadings yang menghubungkan variabel laten dan variabel teramati diberi notasi λ (‘lambda’), di mana pada sisi X adalah λx (‘lambda x’) dan sisi Y adalah λy (‘lambda y’).

• Model pengukuran yang paling umum dalam aplikasi SEM adalah model pengukuran kon-generik (congeneric measurement model), di mana setiap variabel teramati hanya berhubungan dengan satu variabel laten.

• Simbol Diagram Lintasan (Perhatikan arah panah, yang menunjukkan bahwa variabel teramati merupakan efek atau refleksi dari variabel laten).

Sumber: Tim Manajemen Sains, 2003, p. 5

KSI

LAMBDA X1

X2 X1

X3

LAMBDA X2

LAMBDA X3

(9)

Universitas Kristen Petra B.3 Model HYBRID (Full SEM Model)

Merupakan model struktural + model pengukuran

C. Kesalahan (Error) di dalam SEM C.1 Kesalahan Struktural

• Umumnya variabel laten bebas tidak dapat secara sempurna memprediksi variabel terikat, sehingga dalam model struktural biasanya ditambahkan komponen kesalahan struktural.

• Kesalahan struktural diberi label dengan huruf Yunani ζ (‘zeta’).

• Penambahan kesalahan struktural pada model membuat model struktural menjadi lengkap.

• Dalam bentuk persamaan, model struktural pada model diatas:

ETA1 = GAMMA * KSI + ZETA1 ETA2 = BETA1 * ETA1 + ZETA2 ETA3 = BETA2 * ETA1 + ZETA3

• Dalam Diagram Lintasan, kesalahan struktural tidak ada simbolnya (kadang ada yang menggunakan simbol lingkaran atau elips kecil).

X1 X2 X3 X4

X5

Y4 Ksi1

Ksi2

Eta1

Eta2

Y1

Y2

Y3

KSI ETA1

ETA3 ETA2

GAMMMA

BETA1

BETA2 ZETA1

ZETA2

ZETA3

(10)

Universitas Kristen Petra C.2 Kesalahan Pengukuran

• Dalam SEM, variabel-variabel teramati tidak dapat secara sempurna merefleksikan/menggambarkan variabel laten terkait. Untuk memodelkan ketidaksempuraan ini, dilakukan penambahan komponen kesalahan pengukuran ke dalam model.

• Notasi matematik untuk kesalahan pengukuran yang berkaitan dengan variabel teramati X adalah δ (‘delta’), sedangkan yang berkaitan dengan variabel teramati Y adalah ε (‘epsilon’).

• Dalam hal sebuah variabel laten hanya mempunyai satu variabel teramati, maka biasanya besarnya kesalahan pengukuran sukar diestimasi. Untuk itu, besarnya kesalahan pengukuran harus dispesifikasikan sebelum estimasi dilakukan atau dianggap nol (tidak ada).

• Penambahan kesalahan pengukuran pada model membuat model pengukuran menjadi lengkap.

• Dalam bentuk persamaan, model pengukuran pada model di atas:

X1= Lx1 * KSI + DELTA1 X2= Lx2 * KSI + DELTA2 X3= Lx3 * KSI + DELTA3

Y1= Ly1 * ETA + EPSILON1 Y2= Ly2 * ETA + EPSILON2 Y3= Ly3 * ETA + EPSILON3 Y4= Ly4 * ETA + EPSILON4 Sumber: Tim Manajemen Sains, 2003, p. 8

• Dalam Diagram Lintasan, kesalahan struktural tidak ada simbolnya (kadang ada yang menggunakan simbol lingkaran atau elips kecil).

KSI

LAMBDA X1

X2 X1

X3

LAMBDA X2

LAMBDA X3 DELTA1

DELTA2

DELTA3

(11)

Universitas Kristen Petra Sumber: Sumber: Tim Manajemen Sains, 2003, p. 8

Prosedur Structural Equation Model (SEM)

Menurut Bollen dan Long (1993), prosedur Structural Equation Model (SEM) secara umum adalah:

1) Spesifikasi Model (Model Specification).

2) Identifikasi (Identification).

3) Estimasi (Estimation).

4) Uji Kecocokan (Testing Fit).

5) Respesifikasi (Re-specification).

LANGKAH 1, SPESIFIKASI MODEL

Langkah pertama ini berkaitan dengan pembuatan spesifikasi model sesuai dengan permasalahan yang diteliti.

Spesifikasi model secara garis besar:

¾ Spesifikasi model pengukuran:

Mendefinisikan variabel-variabel laten.

Mendefinisikan variabel-variabel teramati.

Mendefinisikan hubungan antara variabel laten dengan variabel- variabel teramati.

¾ Spesifikasi model struktural.

Mendefinisikan hubungan kausal di antara variabel-variabel laten

¾ Menggambarkan Path Diagram model hybrid yang merupakan kombinasi model pengukuran dan struktural (optional).

ETA

LAMBDA Y1

Y2 Y1

Y3

LAMBDA Y2

LAMBDA Y3

EPSILON1

EPSILON2

EPSILON3

(12)

LANGKAH 2, IDENTIFIKASI MODEL

Langkah ini ditujukan untuk menjaga agar model yang dispesifikasikan bukan merupakan model yang under-identified atau unidentified.

Identifikasi dalam persamaan simultan:

¾ Under-Identified.

Dalam SEM, adalah model di mana jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (variance dan covariance dari variabel-variabel teramati).

¾ Just Identified.

Dalam SEM, adalah model di mana jumlah parameter yang diestimasi sama dengan jumlah data yang diketahui (variance dan covariance dari variabel-variabel teramati).

¾ Over Identified.

Dalam SEM, adalah model di mana jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui (variance dan covariance dari variabel-variabel teramati).

LANGKAH 3, ESTIMASI PARAMETER MODEL

¾ Langkah ini ditujukan untuk memperoleh estimasi setiap parameter dispesifikasikan dalam model yang membentuk matriks Σ (θ) sedemikian hingga nilai parameter sedekat mungkin dengan nilai yang ada dalam matrik S (matrik kovarian dari variabel teramati/sampel).

¾ Karena matrik kovarian Σ (θ) tidak diketahui maka Σ diwakili dengan matriks kovarian sampel S.

¾ Dengan demikian, berdasarkan hipotesis nol, maka diusahakan agar S – Σ (θ) mendekati atau sama dengan nol. Hal ini dapat dilaksanakan dengan meminimalkan suatu fungsi F (S, Σ (θ)) melalui iterasi.

¾ Estimasi terhadap model dapat dilakukan dengan salah satu cara berikut:

Instrumental Variable (IV).

(13)

Two Stage Least Square (TSLS).

Unweighted Least Square (ULS).

Generalized Least Square (GLS).

Maximum Likelihood (ML).

Generally Weighted Least Square (WLS).

Diagonally Weighted Least Square (DWLS).

¾ Metode estimasi yang paling banyak digunakan adalah ML dan WLS (ADF = Arbitrary Distribution Function).

Untuk estimasi ML, digunakan fungsi:

FML = log ║Σ║ + tr(S Σ^-1)- (p + q) (3.1)

Sedangkan untuk estimasi WLS, digunakan fungsi:

FWLS (θ) = (s – σ) W^-1(s – σ) (3.2)

¾ Minimisasi fungsi tersebut dapat dilakukan melalui iterasi (dimulai dengan initial value) sampai diperoleh nilai yang kecil atau minimal. Beberapa algoritma untuk iterasi tersedia (Loehlin,1992):

Fletcher-Powell (pengembangannya dipakai dalam LISREL).

Gauss – Newton (digunakan di EQS).

Newton – Rhapson.

Dan lain-lainnya.

LANGKAH 4, UJI KECOCOKAN

¾ Langkah ini ditujukan untuk mengevaluasi derajat kecocokan atau Goodness of Fit (GOF) antara data dan model.

¾ Langkah uji kecocokan ini merupakan langkah yang banyak mengundang perdebatan dan kontroversi (Bollen & Long, 1993).

¾ Menurut Hair et.al. (1995) evaluasi terhadap GOF model dilakukan melalui beberapa tingkatan, yaitu:

(14)

Universitas Kristen Petra A. Kecocokan keseluruhan model (overall model fit)

Menilai GOF suatu SEM secara menyeluruh tidak dapat dilakukan seperti pada teknik multivariat yang lain. SEM tidak punya uji statistika terbaik yang dapat menjelaskan ‘kekuatan’ prediksi model, sebagai gantinya telah dikembangkan beberapa ukuran GOF yang dapat digunakan secara kombinasi.

Hair et.al. (1995) mengkelompokkan ukuran-ukuran GOF yang ada ke dalam 3 bagian yaitu:

A.1. Absolute fit measures (ukuran kecocokan absolut), menentukan derajat predikisi model keseluruhan (model struktural dan pengukuran) terhadap matrik korelasi dan kovarian.

UKURAN GOF TINGKAT KECOCOKAN YANG BISA DITERIMA

Statistic Chi square (χ²)

Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semakin kecil nilai chi squareÎ semakin baik

Non-Centrality Parameter (NCP)

Dinyatakan dalam bentuk spesifikasi ulang dari Chi- square. Penilaian didasarkan atas perbandingan dengan model lain. Makin kecil nilai chi squareÎ semakin baik.

Scaled NCP (SNCP) NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka perbandingan antar model. Semakin kecil nilainya Î semakin baik.

Goodness of Fit Index (GFI)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik GFI ≥ 0.90 adalah good-fit, sedangkan 0.80

≤ GFI ≤ 0.90 adalah marginal fit.

Root Mean Square Residuan (RMSR)

Residual rata-rata antara matrik (korelasi atau kovarian) teramati dan hasil estimasi RMSR ≤ 0.05 adalah good fit.

Root Mean Square

Error of

Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan dalam

(15)

Universitas Kristen Petra Approximation

(RMSEA)

sampel RMSEA ≤ 0.08 adalah good-fit, sedang RMSEA ≤ 0.05 adalah close-fit

Expected Cross-

Validation Index (ECVI)

GOF yang diharapkan pada sampel yang lain dengan ukuran sama. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik.

A.2. Incremental fit measures (ukuran kecocokan inkremental), membandingkan model yang diusulkan dengan model dasar yang sering disebut sebagai null model atau independence model.

Tucker-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik

Normed Fit Index (NFI)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik dan hasil estimasi NFI ≥ 0,90 adalah good-fit

Adjusted Goodness of Fit Index (AGFI)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik AGFI ≥ 0.90 adalah good-fit, sedangkan 0.80 ≤ GFI ≤ 0.90 adalah marginal fit.

Relative Fit Index (RFI)

Incremental Fit Index (IFI)

Comparative Fit Index (CFI)

Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik CFI ≥ 0.90 adalah good-fit, sedangkan 0.80

≤ CFI ≤ 0.90 adalah marginal fit.

A.3. Parsimonious fit measures (ukuran kecocokan parsimoni), mengkaitkan model dengan jumlah koefisien yang diestimasi, yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Parsimoni atau kehematan berarti

(16)

Universitas Kristen Petra memperoleh degree of fit setinggi-tingginya untuk setiap degree of freedom Î parsimoni yang lebih banyak lebih baik.

Parsimonious

Goodness of Fit (PGFI)

Spesifikasi ulang dari GFI, di mana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan di antara model- model.

Normed Fit Index (NFI)

Rasio antara Chi-square dibagi degree of freedom. Nilai yang disarankan: batas bawah 1.0, batas atas 2.0 atau 3.0 dan yang lebih longgar 5.0.

Parsimonious Normed Fit Index (PNFI)

Nilai tinggi menunjukkan kecocokan lebih baik:

hanya digunakan untuk perbandingan antar model alternatif.

Akaike Information Criterion (AIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antar model.

Consistent Akaike Information Criterion (CAIC)

Nilai positif lebih kecil menunjukkan parsimoni lebih baik; digunakan untuk perbandingan antar model.

B. Kecocokan model pengukuran (measurement model fit)

Evaluasi ini dilakukan terhadap setiap konstruk secara terpisah melalui:

B.1 Evaluasi terhadap validitas (validity).

• Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur.

• Secara tradisional validitas dapat dibedakan menjadi: content validity, criterion validity, construct validity, dan convergent and discriminant validity.

• Bollen (1989) mengusulkan definisi alternatif dari validitas sebuah variabel teramati adalah muatan faktor (factor loadings) dari variabel tersebut terhadap variabel latennya.

(17)

• Menurut Rigdon dan Ferguson (1991), dan Doll, Xia, Torkzadeh (1994), suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika:

♦ Nilai t muatan faktornya (factor loadings) lebih besar dari nilai kritis (>

1.96 atau untuk praktisnya ≥ 2).

♦ Muatan faktor standarnya (standardized factor loadings) lebih besar atau sama dengan 0.70.

• Igbaria, et.al. (1997) yang menggunakan guidelines dari Hair et.al. (1995) tentang relative importance and significant of the factor loading of each item:

Loadings > 0.50 adalah sangat signifikan.

• Evaluasi terhadap reliabilitas (reliability).

• Teknik yang paling banyak digunakan untuk mengukur reliabilitas adalah Cronbach’s Alpha. Meskipun demikian, Alpha akan memberikan estimasi terlalu rendah jika digunakan untuk mengestimasi reliabilitas congeneric measure (Bollen, 1989).

• Untuk SEM pengukuran reliabilitas dapat dilakukan dengan menggunakan (Hair et. Al. 1995):

♦ Composite / Construct Reliability Measure,

(3.3)

reliabilitas yang baik memiliki nilai construct reliability ≥ 0.70, dan

♦ Variance Extracted Measure, memiliki nilai ≥ 0.50

Nilai ini mencerminkan jumlah varian keseluruhan dalam indikator yang dijelaskan oleh konstruk laten. Ukuran ekstrak varian dihitung sebagai berikut (Fornel and Laker, 1981):

(3.4)

( )

( _∑ ^∑ )

⁺

_∑

=

ei 2

2

loading std.

loading y std.

Reliabilit Construct

∑

∑ ∑

= +

ei 2

2

loading std.

loading Extracted std.

Variance

(18)

Universitas Kristen Petra di mana:

std.loading = standardized loading ei = measurement error

Kedua nilai tersebut dapat diperoleh dari Output Program Lisrel (Linear Structural Relations).

C. Kecocokan model struktural (structural model fit)

• Uji kecocokan ini dilakukan terhadap koefisien-koefisien persamaan struktural dengan menspesifikasikan tingkat signifikansi tertentu. Dalam hal tingkat signifikansi adalah 0.05, maka nilai t dari persamaan struktural harus >

1.96 atau untuk praktisnya ≥ 2.

• Selain itu juga perlu dilakukan evaluasi terhadap solusi standar di mana semua koefisien mempunyuai varian yang sama dan nilai maximumnya adalah 1.

• Sebagai ukuran menyeluruh terhadap persamaan struktural, overall coefficient of determination (R²) dievaluasi seperti pada regresi berganda.

D. Pengujian Parameter

Pengujian hipotesis terhadap setiap parameter di dalam SEM dapat dilakukan dengan t-test. Pengujian ini dilakukan terhadap:

• Parameter Lamda; yaitu parameter yang berkenaan dengan pengukuran variabel laten berdasarkan variabel manifest (berkaitan dengan validitas instrumen).

• Parameter Delta dan Epsilon; yaitu parameter yang berkenaan dengan error pada pengukuran variabel laten berdasarkan variabel manifest (berkaitan dengan validitas instrumen).

• Parameter Beta; yaitu parameter pengaruh variabel endogen terhadap variabel endogen.

• Parameter Gamma; yaitu parameter pengaruh variabel eksogen terhadap variabel endogen.

Termasuk parameter Psi, Phi, Teta dan lain sebagainya yang terdapat di dalam model juga dapat diuji menggunakan t-test. Hipotesis nol dari t-test

(19)

Universitas Kristen Petra menyatakan bahwa setiap parameter yang diuji = 0, dan hipotesis alternatif menyatakan setiap parameter yang diuji ≠ 0.

LANGKAH 5, RESPESIFIKASI

¾ Langkah ini ditujukan untuk melakukan spesifikasi ulang terhadap model untuk memperoleh GOF yang lebih baik.

¾ Respesifikasi ini sangat tergantung kepada strategi pemodelan yang dipilih.

¾ Ada 3 strategi pemodelan yang dapat dipilih dalam SEM: (Jöreskog dan Sörbom, 1993) atau (Hair et. al. 1995)

A. Strictly Confirmatory/SC

• Suatu model tunggal dispesifikasikan

• Pengumpulan data empiris

• Pengujian dilakukan untuk menghasilkan penerimaan atau penolakan terhadap model terebut

• Tidak ada respesifikasi B. Alternatif Model / AM

• Beberapa model alternatif dispesifikasikan

• Pengumpulan data empiris

• Analisis terhadap model-model tersebut dan dipilih salah satu yang paling sesuai

• Respesifikasi hanya diperlukan jika model-model alternatif dikembangkan dari beberapa model yang ada.

C. Model Generating / MG

• Suatu model awal dispesifikasikan.

• Pengumpulan data empiris.

• Analisis dan pengujian apakah data cocok dengan model.

• Jika tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji kembali dengan data yang sama.

• Proses respesifikasi dapat dilakukan berulang-ulang sampai diperoleh tingkat kecocokan terbaik. Proses respesifikasi dilakukan berdasarkan

(20)

Universitas Kristen Petra theory driven atau data driven, meskipun respesifikasi berdasar theory driven lebih dianjurkan.

Dari SC, AM dan MG, yang paling banyak diterapkan adalah MG, dan paling sedikit adalah SC.