BAB IV
HASIL DAN PEMBAHASAN
Analisis data diskriptif digunakan untuk menggambarkan kondisi jawaban responden untuk masing-masing variabel. Hasil jawaban tersebut selanjutnya digunakan untuk mendapatkan tendensi jawaban responden mengenai kondisi masing-masing variabel penelitian.
Analisis data yang adalah digunakan dalam penelitian ini adalah Structural Equation Modeling (SEM) dengan terlebih dahulu melakukan pengujian dimensidimensinya dengan confirmatory factor analysis. Evaluasi terhadap model SEM juga akan dianalisis mendapatkan dan mengevaluasi kecocokan model yang diajukan. Setelah diketahui semua hasil pengolahan data, selanjutnya akan dibahas dan yang terakhir adalah menarik kesimpulan yang didasarkan pada hasil analisis hasil tersebut.
Analisis Data Penelitian
Metode analisis SEM akan menggunakan input matriks kovarians dan menggunakan metode estimasi maximum likelihood. Pemilihan input dengan 53 matriks kovarian adalah karena matriks kovarian memiliki keuntungan dalam memberikan perbandingan yang valid antar populasi atau sampel yang berbeda, yang kadang tidak memungkinkan jika menggunakan model matriks korelasi.
membentuk suatu full model SEM, terlebih dahulu akan dilakukan pengujian terhadap faktor-faktor yang membentuk masing-masing variabel. Pengujian akan dilakukan dengan menggunakan model confirmatory factor analysis. Kecocokan model (goodness of fit), untuk confirmatory factor analysis juga akan diuji. Dengan program AMOS, ukuran-ukuran goodness of fit tersebut akan nampak dalam outputnya. Selanjutnya kesimpulan atas kecocokan model yang dibangun akan dapat dilihat dari hasil ukuran-ukuran goodness of fityang diperoleh. Pengujian goodness of fit terlebih dahulu dilakukan terhadap model confirmatory factor analysis. Berikut ini merupakan bentuk analisis goodness of fit tersebut.
Pengujian dengan menggunakan model SEM dilakukan secara bertahap. Jika belum diperoleh model yang tepat (fit), maka model yang diajukan semula perlu direvisi. Perlunya revisi dari model SEM muncul dari adanya masalah yang muncul dari hasil analisis. Masalah yang mungkin muncul adalah masalah mengenai ketidakmampuan model yang dikembangkan untuk menghasilkan estimasi yang unik. Apabila masalah-masalah tersebut muncul dalam analisis
SEM, maka mengindikasikan bahwa data penelitian tidak mendukung model struktural yang dibentuk. Dengan demikian model perlu direvisi dengan mengembangkan teori yang ada untuk membentuk model yang baru.
4.2. Pengujian Asumsi SEM
4.2.1. Evaluasi Normalitas Data
Pengujian selanjutnya adalah melihat tingkat normalitas data yang digunakan dalam penelitian ini. Pengujian ini adalah dengan mengamati nilai skewness data yang digunakan, apabila nilai CR pada skewness data berada pada rentang antara + 2.58 pada tingkat signifikansi 0.01. Hasil pengujian normalitas data ditampilkan pada Tabel 4.1
Dari hasil pengolahan data yang ditampilkan pada Tabel 4.1. terlihat bahwa tidak terdapat nilai C.R. untuk skewness yang berada diluar rentang + 2.58. Dengan demikian maka data penelitian yang digunakan telah memenuhi persyaratan normalitas data, atau dapat dikatakan bahwa data penelitian telah terdistribusi normal.
4.2.2. Evaluasi atas Outlier
Evaluasi atas outlier univariat dan outlier multivariat disajikan pada bagian berikut ini:
4.2.2.1. Univariate Outliers
Pengujian ada tidaknya outlier univariate dilakukan dengan menganalisis nilai Z score dari data penelitian yang digunakan. Apabila terdapat nilai Z score berada pada rentang ≥ 3, maka akan dikategorikan sebagai outlier. Hasil pengolahan data untuk pengujian ada tidaknya outlier ada pada Tabel 4.2
4.2.2.2. Multivariate Outliers
Evaluasi terhadap multivariate outliers perlu dilakuakan karena walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi-observasi itu dapat menjadi outliers bila sudah dikombinasikan, Jarak Mahalonobis (Mahalonobis Distance) untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam
sebuah ruang multidimensional (Hair, et al 1995 ; Norusis, 1994 ; Tabacnick & Fidel, 1996 dalam Ferdinand, 2002) Untuk menghitung mahalonobis distance berdasarkan nilai chi-square pada derajad bebas sebesar 17 (indikator) pada tingkat p<0.001 adalah χ2 (17 ,0.001) = 51.179 (berdasarkan tabel distribusi χ2 ). Dari hasil pengolahan data dapat
diketahui bahwa jarak mahalainobis maksimal 34,075. Jadi dalam analisis ini tidak ditemukan adanya outlier.
4.2.2.3.Evaluasi atas Multicollinearity dan singularity
Pengujian data selanjutnya adalah untuk melihat apakah terdapat multikolinearitas dan singularitas dalam sebuah kombinasi variabel. Indikasi adanya multikolinearitas dan singularitas dapat diketahui melalui nilai determinan matriks kovarians yang benar-benar kecil, atau mendekati nol. Dari hasil
pengolahan data nilai determinan matriks kovarians sample adalah :
Determinant of sample covariance matrix = 3.6484e+001 = 3,648
Dari hasil pengolahan data tersebut dapat diketahui nilai determinan
matriks kovarians sample berada jauh dari nol yaitu sebesar 3,648. Dengan
demikian dapat dikatakan bahwa data penelitian yang digunakan tidak terdapat
multikolinearitas dan singularitas.
4.2.3. Interpretasi dan modifikasi model
Pada tahap terakhir ini akan dilakukan interpretasi model dan memodifikasi model yang tidak memenuhi syarat pengujian. Setelah model di estimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekwensi dari kovarian residual harus bersifat simetrik. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi perlu dipertimbangkan dengan catatan ada landasan teoritisnya. Selanjutnya bila ditemukan bahwa nilai residual yang dihasilkan oleh model itu cukup besar (>2.58), maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap model yang diestimasi itu. Cut –off value sebesar ± 2,58 dapat digunakan untuk menilai signifikan tidaknya residual yang dihasilkan oleh model. Data standardized residual covariances yang diolah dengan program AMOS dapat dilihat dalam tabel 4.3
Tabel 4.3
Standardized Residual
Dari tabel tersebut diperoleh tidak satupun nilai standardized residual covariance yang lebih besar dari +2,58. Dengan demikian model tidak memelukan adanya modifikasi yang berarti.
4.3. Uji Reliability dan Variance Extract
Hasil pengolahan data Reliability dan Variance Extract tersebut
ditampilkan pada Tabel 4.4.
Tabel 4.4:
Hasil pengujian reliabiliy dan variance extract terhadap masing-masing
variabel laten atas dimensi-dimensi pembentuknya menunjukkan bahwa semua variabel menunjukkan sebagai suatu ukuran yang reliabel karena masing-masing memiliki reliability yang lebih besar dari 0,6. Hasil pengujian variance extract juga sudah menunjukkan bahwa masingmasing variabel laten merupakan hasil ekstraksi yang cukup besar dari dimensidimensinya. Hal ini ditunjukkan dari nilai variance extract dari masing-masing variabel adalah lebih dari 0,4.
4.4. Analisis Data
4.4.1. Analisis Faktor Konfirmatori (Confirmatory Faktor Analysis)
Analisis faktor konfirmatori ini merupakan tahap pengukuran terhadap dimensi-dimensi yang membentuk variable laten dalam model penelitian. Variabel-variabel laten atau konstuk yang digunakan pada model penelitian ini terdiri dari 4 variabel laten dengan seluruh dimensi berjumlah 17. Tujuan dari analisis faktor konfirmatori adalah untuk menguji unidimensionalitas dari dimensi-dimensi pembentuk masing-masing variable laten.
4.4.1.1. Analisis Faktor Konfirmatori Konstruk Eksogen
Hasil analisis faktor konfirmatori ini adalah pengukuran terhadap dimensi-dimensi yang membentuk variabel laten dalam model penelitian. Variabel-variabel laten atau konstruk eksogen terdiri dari 3 variabel laten dengan 10 observed variabel. Hasil pengolahan data untuk analisis factor konfirmatori konstruk eksogen adalah sebagai berikut :
dimensi pembentuk masing-masing variable laten menunjukkan hasil baik, yaitu
Hasil analisis pengolahan data terlihat bahwa semua konstruk yang digunakan untuk membentuk sebuah model penelitian, pada proses analisis factor konfirmatori telah memenuhi kriteria goodness of fit yang telah ditetapkan. Nilai probability pada analisis ini menunjukkan nilai diatas batas signifikansi yaitu sebesar 0.000 atau diatas 0.05, nilai ini menunjukkan bahwa hipotesis nol yang menyatakan bahwa tidak terdapat perbedaan antara matriks kovarian sample dengan matriks kovarian populasi yang diestimasi dapat diterima, dengan demikian, konstruk-konstruk pada model penelitian dapat diterima.
Dari hasil pengolahan data di atas, juga terlihat bahwa setiap indikator atau dimensi pembentuk masing-masing variable laten menunjukkan hasil baik, yaitu
nilai CR diatas 1,96 dengan P lebih kecil dari pada 0,05. Dengan hasil ini, maka dapat dikatakan bahwa indikator-indikator pembentuk variable laten telah menunjukkan unidimensionalitas. Selanjutnya berdasarkan analisis factor konfirmatori ini, maka model penelitian dapat digunakan untuk analisis selanjutnya tanpa modifikasi atau penyesuaian-penyesuaian.
4.4.1.2.Analisis Faktor Konfirmatori Konstruk Endogen
Variabel-variabel laten atau konstruk eksogen terdiri dari 2 variabel laten dengan 7 observed variabel. Hasil pengolahan data untuk analisis faktor konfirmatori konstruk eksogen adalah sebagai berikut :
Hasil analisis pengolahan data terlihat bahwa semua konstruk yang
digunakan untuk membentuk sebuah model penelitian, pada proses analisis factor konfirmatori telah memenuhi kriteria goodness of fit yang telah ditetapkan. Nilai probability pada analisis ini menunjukkan nilai diatas batas signifikansi yaitu sebesar 0.000 atau diatas 0.05, nilai ini menunjukkan bahwa hipotesis nol yang menyatakan bahwa tidak terdapat perbedaan antara matriks kovarian sample dengan matriks kovarian populasi yang diestimasi dapat diterima, dengan demikian, konstruk-konstruk pada model penelitian dapat diterima. Dari hasil pengolahan data di atas, juga terlihat bahwa setiap indikator atau dimensi pembentuk masing-masing variable laten menunjukkan hasil baik, yaitu nilai CR diatas 1,96 dengan P lebih kecil dari pada 0,05. Dengan hasil ini, maka dapat dikatakan bahwa indikator-indikator pembentuk variable laten telah menunjukkan unidimensionalitas. Selanjutnya berdasarkan analisis factor
konfirmatori ini, maka model penelitian dapat digunakan untuk analisis selanjutnya tanpa modifikasi atau penyesuaian-penyesuaian.
4.4.1.3.Analisis Structural Equation Modelling
Analisis selanjutnya adalah analisisStructural Equation Model (SEM) secara full model, setelah dilakukan analisis terhadap tingkat unidimensionalitas dari indikator-indikator pembentuk variable laten yang diuji dengan confirmatory factor analysis. Analisis hasil pengolahan data pada tahap full model SEM dilakukan dengan melakukan uji kesesuaian dan uji statistik. Hasil pengolahan data untuk analisis full model SEM ditampilkan pada Gambar 4.3 , Tabel 4.9 dan
Uji terhadap hipotesis model menunjukkan bahhwa model ini sesuai dengan data atau fit terhadap data yang digunakan dalam penelitian adalah seperti telihat pada tabel berikut ini :
Untuk uji statistik terhadap hubungan antar variable yang nantinya digunakan sebagai dasar untuk menjawab hipotesis penelitian yang telah diajukan. Uji statistik hasil pengolahan dengan SEM dilakukan dengan melihat tingkat signifikansi hubungan antar variable yang ditampakkan melalui nilai Probabilitas (p) dan dan Critical Ratio (CR) masing-masing hubungan antar variable. Untuk proses pengujian statistik ini ditampakkan dalam Tabel 4.10
4.5. Pengujian Hipotesis
Setelah semua asumsi dapat dipenuhi, selanjutnya akan dilakukan pengujian hipotesis sebagaimana diajukan pada bab sebelumnya. Pengujian 4 hipotesis penelitian ini dilakukan berdasarkan nilai Critical Ratio (CR) dari suatu hubungan kausalitas dari hasil pengolahan SEM sebagaimana pada tabel 4.11 berikut.
Dari hasil pengujian diperoleh bahwa semua nilai CR berada di atas 1,96 atau dengan probabilitas yang lebih kecil dari 0,05. Dengan demikian semua Hipotesis diterima.
4.3.1. Pengujian Hipotesis 1
H1:Semakin tinggi citra merek suatu produk,semakin tinggi minat beli konsumen. Parameter estimasi untuk pengujian pengaruh citra merek terhadap minat beli menunjukkan nilai CR sebesar 2,514 dan dengan probabilitas sebesar 0,012. Kedua nilai tersebut diperoleh memenuhi syarat untuk penerimaan H1 yaitu nilai CR sebesar 2,514 yang lebih besar dari 1,96 dan probabilitas yang lebih kecil dari 0,05. Dengan demikian dapat disimpulkan bahwa citra merek akan berpengaruh terhadap terhadap minat beli.
4.3.2. Pengujian Hipotesis 2
H2 : Semakin tinggi kualitas layanan, semakin tinggi citra merek. Parameter estimasi untuk pengujian pengaruh kualitas layanan terhadap citra merek menunjukkan nilai CR sebesar 2,842 dan dengan probabilitas sebesar 0,004. Kedua nilai tersebut diperoleh memenuhi syarat untuk penerimaan H1 yaitu nilai CR sebesar 2,842 yang lebih besar dari 1,96 dan probabilitas yang lebih kecil dari 0,05. Dengan demikian dapat disimpulkan bahwa kualitas layanan akan
berpengaruh terhadap terhadap citra merek.
4.3.3. Pengujian Hipotesis 3
H3 : Semakin tinggi kualitas layanan, semakin tinggi minat beli konsumen. Parameter estimasi untuk pengujian pengaruh kualitas layanan terhadap minat beli menunjukkan nilai CR sebesar 2,660 dan dengan probabilitas sebesar 0,008. Kedua nilai tersebut diperoleh memenuhi syarat untuk penerimaan H2 yaitu nilai CR sebesar 2,660 yang lebih besar dari 1,96 dan probabilitas yang lebih kecil dari 0,05. Dengan demikian dapat disimpulkan bahwa kualitas layanan akan
berpengaruh terhadap terhadap minat beli.
4.3.4. Pengujian Hipotesis 4
H4 : Semakin tinggi minat beli, semakin tinggi keputusan pembelian. Parameter estimasi untuk pengujian pengaruh minat beli terhadap
keputusan pembelian menunjukkan nilai CR sebesar 4,769 dan dengan probabilitas sebesar 0,0001. Kedua nilai tersebut diperoleh memenuhi syarat untuk penerimaan H3 yaitu nilai CR sebesar 4,769 yang lebih besar dari 1,96 dan probabilitas yang lebih kecil dari 0,05. Dengan demikian dapat disimpulkan bahwa minat beli akan berpengaruh terhadap terhadap keputusan pembelian.
0 comments:
Post a Comment