bab 3 metode penelitian - thesis.binus.ac.idthesis.binus.ac.id/doc/bab3/2011-1-00521-mn 3.pdf ·...

63

BAB 3

METODE PENELITIA N

3.1 Desain Penelitian

Desain penelitian mengenai jenis penelitian, metode penelitian, unit analisis, time

horizon berdasarkan tujuan penelitian secara ringkas dijelaskan pada Tabel 3.1. Penelitian ini

merupakan penelitian deskriptif yang bersifat asosiatif. Penelitian deskriptif dimaksudkan

untuk mendefinisikan berbagai kriteria serta mendefinisikan nilai-nilai variabel-variabel yang

diteliti dan penelitian asosiatif lebih mengenai analisis hubungan dimana variabel independen

(variabel bebas) memengaruhi variabel dependen (variabel bergantung). Unit analisis pada

penelitian ini adalah indiv idu, yaitu para konsumen produk Citra yang telah merasakan

perawatan di Rumah Cantik Citra. Horizon waktu untuk penelitian ini adalah cross-sectional,

di mana data dari masing-masing responden hanya sekali dikumpulkan dalam rangka

menjawab pertanyaan penelitian.

Tabel 3.1 Desain Penelitian

Tujuan

Penelitian

Desain Penelitian

Jenis

Penelitian

Metode

Penelitian

Unit Analisis Time Horizon

T-1 Asosiatif Survei Indiv idu Cross Sectional





Sumber: Peneliti (2010)

64

Keterangan:

T-1 Untuk mengetahui apakah experiential marketing berpengaruh secara langsung

terhadap brand trust dari produk Citra.

T-2 Untuk mengetahui apakah celebrity endorsement berpengaruh secara langsung

terhadap brand trust dari produk Citra.

T-3 Untuk mengetahui apakah brand trust berpengaruh secara langsung terhadap brand

loyalty dari produk Citra.

T-4 Untuk mengetahui apakah experiential marketing berpengaruh terhadap brand loyalty

dari produk Citra, baik secara langsung maupun tidak langsung dengan dimediasi oleh

adanya brand trust.

T-5 Untuk mengetahui apakah celebrity endorsement berpengaruh terhadap brand loyalty

dari produk Citra, baik secara langsung maupun tidak langsung dengan dimediasi oleh

adanya brand trust.

3.2 Operasionalisasi Variabel Penelitian

Terdapat empat variabel yang diteliti di dalam penelitian ini, yaitu experiential

marketing, celebrity endorsement, brand trust, dan brand loyalty. Operasionalisasi dari

variabel-variabel yang diteliti dijelaskan pada Tabel 3.2 berikut ini.

65

Tabel 3.2 Operasionalisasi Variabel Penelitian

Variabel Dimensi Definisi Indikator Instrumen

Pengukuran Skala

Experiential

Marketing

Sense Distimulasikan

melalui indera,

dengan

menawarkan

kegembiraan,

rangsangan, dan

kepuasan akan

keindahan.

• Penglihatan

(sight)

• Pendengaran

(sound)

• Penciuman

(smell)

• Perasa (taste)

• Peraba (touch)

Kuesioner

dengan Skala

Likert

Ordinal

Feel Berfokus pada

perasaan batin

dan emosi

pelanggan,

dengan

menargetkan

untuk

menciptakan

pengalaman

emosional

• Perasaan batin

(inner feeling)

• Emosi (emotion)

Kuesioner

dengan Skala

Likert

Ordinal

Think Berfokus pada

kecerdasan,

dengan

menargetkan

untuk

menciptakan

pemikiran kognitif

dan

menyelesaikan

masalah-masalah

untuk konsumen-

konsumen dengan

• Pemikiran

konvergen

(convergent

thinking)

• Pemikiran

divergen

(divergent

thinking)

Kuesioner

dengan Skala

Likert

Ordinal

66


Pengukuran Skala

Experiential

Marketing

menggunakan

cara-cara yang

kreatif.

Act Ditujukan untuk

menciptakan

pengalaman

jasmaniah yang

unik dan berfokus

untuk

memengaruhi

pengalaman fisik,

gaya hidup, dan

interaksi.

• Pengalaman

fisik

• Gaya hidup

• Interaksi

Kuesioner

dengan Skala

Likert

Ordinal

Relate Melibatkan sense,

feel, think, dan

act marketing.

• Menghubung-

kan orang-

orang dengan

sistem sosial

yang lebih luas

Kuesioner

dengan Skala

Likert

Ordinal

Celebrity

Endorsement

Credibility Sejauh mana

penerima melihat

seorang sumber

memilik i

pengetahuan,

ketrampilan atau

pengalaman yang

relevan dan

mempercayai

bahwa sumber

memberikan

informasi yang

• Expertise

• Trustworthiness

Kuesioner

dengan Skala

Likert

Ordinal

(Lanjutan Tabel 3.2)

67


Pengukuran Skala

Celebrity

Endorsement

tidak memihak

dan objektif

Attractiveness Ketika konsumen

mempersepsikan

celebrity endorser

sebagai sesuatu

yang menarik,

konsumen

kemudian

mengidentifikasi

endorser tersebut

dan memilik i

kecenderungan

untuk

mengadopsi

sikap, perilaku,

kepentingan, atau

preferensi

tertentu dari si

endorser

• Similarity

• Familiarity

• Likeability

Kuesioner

dengan Skala

Likert

Ordinal

Brand Trust Brand

reliability

Didasarkan pada

sejauh mana

konsumen

percaya bahwa

suatu merek

mengerjakan nilai

yang

dijanjikannya

• Kemampuan

untuk menepati

janji

• Keinginan untuk

menepati janji

• Kemampuan

memuaskan

kebutuhan

konsumen

Kuesioner

dengan Skala

Likert

Ordinal


68


Pengukuran Skala

Brand Trust • Keinginan

memuaskan

kebutuhan

konsumen

Brand

intentions

Didasarkan pada

sejauh mana

konsumen

percaya bahwa

suatu merek akan

mempertahankan

minat konsumen

di atas keinginan

dari merek itu

sendiri ketika

masalah-masalah

tidak diinginkan

yang berkaitan

dengan konsumsi

produk timbul.

• Altruism

• Honesty

• Dependability

• Fairness

Kuesioner

dengan Skala

Likert

Ordinal

Brand

Loyalty

Behavior Konsumen tidak

hanya lebih

memilih tetapi

juga membeli

suatu merek

secara berulang-

ulang, di mana

konsumen

membeli ulang

suatu merek

karena mereka

puas dengan

merek tersebut

• Perilaku

pembelian

ulang, karena

konsumen puas

dengan merek

tersebut

Kuesioner

dengan Skala

Likert

Ordinal


69


Pengukuran Skala

Brand

Loyalty

bukan karena

faktor

kenyamanan,

hambatan waktu,

kebiasaan, tidak

menyukai merek

lainnya, atau

beragam perilaku

tersembunyi

lainnya,

melainkan karena

pembelian jangka

panjang dan

keterlibatan

dalam suatu

merek.

Attitude Komitmen

psikologis

terhadap suatu

merek

• Word of mouth

• Kerelaan untuk

membayar pada

harga premium

Kuesioner

dengan Skala

Likert

Ordinal

3.3 Jenis dan Sumber Data Penelitian

Berdasarkan pada tujuan-tujuan penelitian yang telah dijabarkan pada sub 3.1, maka

untuk tercapainya tujuan-tujuan tersebut diperlukan data yang dapat mendukung penelitian,

di mana data, jenis, dan sumber data untuk penelitian ini dijelaskan pada Tabel 3.3 berikut

ini.



70

Tabel 3.3 Jenis dan Sumber Data Penelitian

Data Jenis Data Sumber Data Tujuan Penelitian

T-1 T-2 T-3 T-4 T-5

Dasar pengukuran variabel-

variabel di dalam penelitian

ini

Kualitatif Data sekunder

dari studi

pustaka

√ √ √ √ √

Penilaian atas implementasi

experiential marketing di

Rumah Cantik Citra

Kualitatif Data primer dari

kuesioner √ - - √ -

Penilaian atas implementasi

celebrity endorsement

dengan menggunakan

Maudy Koesnaedi sebagai

celebrity endorser produk

Citra


kuesioner

- √ - - √

Penilaian terhadap brand

trust produk Citra


kuesioner √ √ √ √ √

Penilaian terhadap brand

loyalty produk Citra


kuesioner - - √ √ √


3.4 Teknik Pengumpulan Data

Pengumpulan data guna digunakan di dalam penelitian ini menggunakan beberapa

teknik, yaitu sebagai berikut.

a. Studi Pustaka

Studi pustaka dilakukan oleh peneliti guna memperoleh informasi berkaitan dengan

variabel-variabel yang dibahas di dalam penelitian ini, di mana studi pustaka diperoleh

melalui beragam sumber, yaitu buku, artikel, dan jurnal.

71

b. Wawancara

Menurut Sekaran (2006, p67), wawancara bisa terstruktur atau tidak terstruktur, dan

dilakukan secara tatap muka, melalui telepon, atau online. Dalam penelitian ini, wawancara

dilakukan secara tidak terstruktur dan melalui tatap muka dengan penanggung jawab Rumah

Cantik Citra berkaitan dengan pelaksanaan experiential marketing melalui kegiatan Rumah

Cantik Citra tersebut.

c. Kuesioner

Kuesioner adalah daftar pertanyaan tertulis yang telah dirumuskan sebelumnya yang

akan responden jawab, biasanya dalam alternatif yang didefinisikan dengan jelas (Sekaran,

2006, p82). Di dalam penelitian ini, guna mengukur pendapat responden tentang indikator-

indikator dari variabel experiential marketing, celebrity endorsement, brand trust, dan brand

loyalty, indikator-indikator tersebut dituangkan ke dalam bentuk pernyataan-pernyataan yang

memungkinkan responden untuk menyampaikan pendapatnya mengenai pernyataan-

pernyataan tersebut, di mana pilihan jawaban diberikan dalam bentuk skala likert. Menurut

Riduwan dan Kuncoro (2008, p20), pada skala likert, setiap jawaban dihubungkan dengan

bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata-kata. Pada

penelitian ini, pernyataan yang digunakan oleh peneliti adalah pernyataan positif dengan

penilaian seperti yang dinyatakan pada Tabel 3.4 berikut ini.

Tabel 3.4 Penilaian Pernyataan Positif

Keterangan Singkatan Nilai

Sangat Setuju SS 5

Setuju S 4

Netral N 3

Tidak Setuju TS 2

Sangat Tidak Setuju STS 1

Sumber: Riduwan dan Kuncoro (2008, p20)

72

3.5 Teknik Pengambilan Sampel

Populasi di dalam penelitian ini adalah orang yang minimal telah dua kali merasakan

perawatan di Rumah Cantik Citra yang berlokasi di Jl. Lapangan Ros Raya No. 30, Tebet,

Jakarta Selatan, serta mengenal Maudy Koesnaedi selaku celebrity endorser produk Citra.

Teknik pengambilan sampel yang digunakan adalah probability sampling dengan simple

random sampling. Probability sampling adalah teknik sampling untuk memberikan peluang

yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel dan simple

random sampling merupakan cara pengambilan sampel dari anggota populasi dengan

menggunakan acak tanpa memperhatikan strata (tingkatan) dalam anggota populasi

tersebut (Riduwan dan Kuncoro, 2008, p41). Ukuran sampel yang digunakan di dalam

penelitian ini ditentukan dengan berdasarkan pada beberapa pertimbangan teknik penentuan

ukuran sampel di dalam structural equation modeling yang dijelaskan berikut ini.

Riduwan dan Kuncoro (2008, p56) di dalam bukunya mengutip beberapa pendapat

ahli, yaitu menurut Kelloway dan Marsh et. al., ukuran sampel untuk model persamaan

struktural (SEM) paling sedik it adalah 200 pengamatan. Selain itu, Joreskog dan Sorbom

menyatakan bahwa hubungan antara banyaknya variabel dan ukuran sampel minimal dalam

model persamaan struktural dapat dilihat pada Tabel 3.5 berikut ini.

Tabel 3.5 Ukuran Sampel Minimal dan Jumlah Variabel

Jumlah Variabel Ukuran Sampel Minimal

3 200

5 200

10 200

15 360

20 630

25 975

30 1395

Sumber: Riduwan dan Kuncoro (2008, p56)

73

Pada penelitian ini, terdapat 4 buah variabel, yaitu experiential marketing, celebrity

endorsement, brand trust, dan brand loyalty. Dengan berdasarkan pada Tabel 3.5, maka

jumlah sampel yang disarankan untuk penelitian ini adalah sejumlah 200 sampel.

Selain itu, karena nantinya di dalam penelitian ini, peneliti akan menggunakan

structural equation modeling dengan metode estimasi Maximum Likelihood apabila data

memenuhi asumsi multivariate normality dan akan mengkoreksi ketidaknormalan dengan

menggunakan Robust Maximum Likelihood, maka peneliti juga akan menentukan ukuran

sampel berdasarkan metode estimasi tersebut. Menurut Hair et al. ukuran sampel yang

disarankan untuk penggunaan estimasi Maximum Likelihood adalah sebesar 100-200 (Ghozali

dan Fuad, 2008, p36).

Berdasarkan pada pertimbangan-pertimbangan di atas, maka ukuran sampel yang

dibutuhkan untuk penelitian ini, yaitu sejumlah 200 responden.

3.6 Teknik Pengolahan Sampel

Peneliti melakukan pilot test kepada 30 sampel guna menguji validitas dan reliabilitas

dari kuesioner penelitian. Kemudian, peneliti melanjutkan untuk membagikan kuesioner

kepada 200 sampel penelitian dan kemudian mengolah data tersebut dengan menggunakan

metode structural equation modeling.

3.7 Metode Analisis

Pada Tabel 3.6 disajikan metode analisis yang digunakan untuk mencapai tujuan-

tujuan di dalam penelitian ini.

74

Tabel 3.6 Metode Analisis

Tujuan Penelitian Metode Analisis

T-1 Structural Equation Modeling






Alasan peneliti menggunakan metode Structural Equation Model (SEM) adalah

variabel penelitian di dalam penelitian ini, yaitu experiential marketing, celebrity

endorsement, brand trust, dan brand loyalty, seluruh variabel tersebut merupakan variabel

laten yang memerlukan variabel teramati (indikator) untuk mengukurnya. Hal ini sesuai

dengan apa yang dinyatakan oleh Sitinjak dan Sugiarto, di mana Sitinjak dan Sugiarto (2006,

p44) menjelaskan bahwa jika semua variabel dalam suatu model merupakan variabel

teramati, hubungan pengaruh memengaruhi dari variabel-variabel tersebut dapat dianalisis

dengan analisis regresi ataupun path analysis (dengan catatan skala pengukuran dari

variabel-variabel tersebut memenuhi syarat analisis regresi maupun path). Namun jika

variabel-variabel dalam model tersebut tidak semuanya terukur, analisis hubungan dapat

dilakukan dengan SEM.

Alasan peneliti untuk menggunakan metode SEM ini juga didukung oleh pendapat

dari Wijanto (2008, pp6-7), yaitu regresi biasa menspesifikasikan hubungan kausal antara

varabel-variabel teramati (observed variables), sedangkan pada SEM, hubungan kausal

terjadi di antara variabel-variabel tidak teramati (unobserved variables) atau variabel-variabel

laten. Di dalam bukunya, Wijanto juga mengutip pendapat Gujarati bahwa penggunaan

variabel-variabel laten pada regresi berganda menimbulkan kesalahan-kesalahan pengukuran

75

(measurement errors) yang berpengaruh pada estimasi parameter dari sudut biased-

unbiased dan besar kecilnya variance.

Sama halnya dengan Gujarati, Sitinjak dan Sugiarto (2006, p2) juga menyatakan

bahwa permasalahan mendasar kedua yang terkait dengan hubungan kausal di antara

variabel-variabel adalah bagaimana menyimpulkan hubungan kausal antar variabel yang

kompleks dan seringkali tidak teramati secara langsung, melainkan melalui indikator-

indikatornya. Sejauh ini variabel-variabel indikator inilah yang diproses untuk menjelaskan

hubungan antara variabel latent yang satu dengan variabel latent lainnya dan itupun

seringkali tidak secara eksplisit dinyatakan dalam suatu persamaan. Kebutuhan akan suatu

alat statistik yang secara simultan melibatkan variabel laten dan variabel indikatornya

dijawab oleh Structural Equation Model (SEM).

Hair et al. (Wijanto, 2008, p7) juga mendukung pendapat di atas dengan

menunjukkan perbedaan antara teknik SEM dengan teknik regresi dan multivariat lainnya,

melalui 2 karakteristik SEM berikut ini.

a. Yang pertama adalah estimasi terhadap multiple interrelated dependence relationships

yang istilah sederhananya adalah susunan beberapa persamaan regresi berganda yang

terpisahkan tetapi saling berkaitan. Susunan persamaan ini dispesifikasikan dalam bentuk

model struktural dan diestimasi oleh SEM secara simultan. Perbedaan yang paling

kelihatan adalah antara SEM dengan susunan persamaan regresi berganda ialah pada

SEM sebuah variabel bebas (independent variable) pada satu persamaan bisa menjadi

variabel terikat (dependent variable) pada persamaan lain.

b. Yang kedua adalah kemampuan untuk menunjukkan konsep-konsep tidak teramati

(unobserved concepts) serta hubungan-hubungan yang ada di dalamnya, dan

perhitungan terhadap kesalahan-kesalahan pengukuran dalam proses estimasi. SEM

menyajikan konsep tidak teramati melalui penggunaan variabel-variabel laten.

76

Berkaitan dengan variabel laten yang telah dibahas sebelumnya, Sitinjak dan

Sugiarto (2006, pp1-2) menyatakan bahwa untuk mengukur sesuatu yang bersifat latent

dapat dilakukan pengamatan terhadap indikator-indikatornya. Permasalahannya adalah

apakah indikator-indikatornya benar-benar mencerminkan konsep yang diukur.

Seperti yang telah dijelaskan di atas bahwa terdapat variabel laten (latent variable)

dan ada yang teramati atau indikator. Ghozali dan Fuad (2008, p5) mendefinisikan variabel

laten sebagai variabel yang tidak bisa diukur secara langsung dan memerlukan beberapa

indikator sebagai proksi, sedangkan variabel manifest (variabel observed atau indicator)

adalah indikator-indikator yang dapat diukur.

Sejauh mana indikator-indikator yang digunakan mampu mencerminkan variabel

latent, terkait dengan masalah kualitas pengukuran, yaitu reliabilitas dan validitas. Variabel

latent dibedakan menjadi variabel latent eksogen dan variabel latent endogen. Variabel latent

eksogen selalu muncul sebagai variabel bebas (independent latent variable) pada semua

persamaan yang ada pada Structural Equation Modeling (SEM). Notasi variabel latent

eksogen dengan huruf Yunani adalah ksi. Variabel latent endogen merupakan variabel terikat

(dependent latent variable) pada paling sedik it satu persamaan dalam model, meskipun di

semua persamaan sisanya, variabel tersebut adalah variabel bebas. Dalam bahasa

sederhananya dikatakan jika suatu variabel latent pernah menjadi variabel yang dipengaruhi

oleh variabel lain berarti variabel latent tersebut merupakan variabel latent endogen. Notasi

variabel laten endogen dengan huruf Yunani adalah eta (Sitinjak dan Sugiarto, 2006, pp9-

45).

3.7.1 Structural Equation Modeling (SEM)

SEM merupakan suatu teknik statistik yang mampu menganalisis variabel latent,

variabel indikator, dan kesalahan pengukuran secara langsung. Dengan SEM kita mampu

menganalisis hubungan antara variabel latent dengan indikatornya, hubungan antara variabel

77

latent yang satu dengan variabel latent yang lain, juga mengetahui besarnya kesalahan

pengukuran. Di samping hubungan kausal searah, SEM juga memungkinkan kita

menganalisis hubungan dua arah yang seringkali muncul dalam ilmu sosial dan perilaku

(Sitinjak dan Sugiarto, 2006, pp2-3).

Berikut ini peneliti akan membahas mengenai model-model di dalam SEM, prosedur

SEM, dan LISREL sebagai alat yang membantu pengolahan data di dalam penelitian ini.

3.7.1.1Model-Model dalam SEM

Dalam SEM dikenal 3 jenis model, yaitu model struktural (structural model), model

pengukuran (measurement model), dan model hybrid (full SEM model) yang merupakan

gabungan model struktural dan model pengukuran. Berikut akan dibahas lebih lanjut

mengenai model struktural, model pengukuran, dan model hybrid tersebut. (Sitinjak dan

Sugiarto, 2006, pp45-77)

a. Model Struktural

Model struktural menggambarkan hubungan-hubungan yang ada di antara variabel

latent. Pada umumnya, variabel latent bebas yang dimasukkan dalam model tidak dapat

secara sempurna menjelaskan variabel latent terikatnya, sehingga dalam model struktural

biasanya ditambahkan komponen kesalahan struktural, yang diberi label dalam huruf Yunani

zeta ζ .

b. Model Pengukuran

Model pengukuran menggambarkan hubungan variabel latent dengan variabel-

variabel teramati atau variabel indikator. Pada umumnya setiap variabel latent memilik i

beberapa variabel teramati. Dalam merancang measurement model perlu diperhatikan

bahwa dimensi yang diharapkan untuk sebuah faktor adalah paling sedik it tiga variabel

observasi. Variabel teramati dari variabel latent eksogen dilambangkan dengan X, sedangkan

78

variabel teramati dari variabel latent endogen dilambangkan dengan Y. Muatan-muatan

faktor (factor loadings) yang menghubungkan variabel latent dan variabel teramati diberi

notasi λ (lambda). Pada sisi X adalah λX(lambda X) dan di sisi Y adalah λY

(lambda Y).

Pada umumnya, variabel-variabel teramati dari suatu variabel latent tidak dapat

merefleksikan variabel latentnya secara sempurna, dengan demikian penambahan kesalahan

pengukuran dalam model sangat diperlukan agar model pengukuran menjadi lengkap. Notasi

matematik bagi kesalahan pengukuran yang berkaitan dengan variabel teramati X adalah δ

(delta), sedangkan yang berkaitan dengan variabel teramati Y adalah ε (epsilon). Semakin

kecil nilai kesalahan pengukuran semakin baik.

c. Model Hybrid (Full SEM Model)

Model hybrid merupakan gabungan model struktural dan model pengukuran. Dalam

model hybrid, selain digambarkan hubungan-hubungan yang ada di antara variabel latent,

juga digambarkan hubungan variabel latent dengan variabel-variabel teramati yang terkait.

3.7.1.2Prosedur SEM

Sitinjak dan Sugiarto (2006, p64), Wijanto (2008, p34) yang mengutip pernyataan

dari Bollen dan Long, serta Yamin dan Kurniawan (2009, p14), menyatakan bahwa

penerapan SEM mengikuti prosedur umum berikut, yaitu spesifikasi model (model

specification), identifikasi (identification), estimasi (estimation), uji kecocokan (testing fit),

dan respesifikasi (re-specification).

a. Spesifikasi Model

Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Sangat disarankan

agar penetapan model tidak dilakukan secara asal tetapi didasarkan pada rujukan yang

relevan. Model yang dibentuk akan kuat bila sudah ada teori yang mendasarinya. Meski

demikian, untuk paradigma baru, teori bagi topik terkait mungkin belum ada sehingga

79

temuan-temuan terbaru yang relevan bisa dijadikan sebagai dasar rujukan yang bermakna

(Sitinjak dan Sugiarto, 2006, p64). Hal serupa juga dinyatakan oleh Yamin dan Kurniawan

(2009, p14), yaitu apabila belum ada pijakan teori sebelumnya (atau referensi), maka

pendekatan pengalaman atau pijakan nilai logis dapat dipertimbangkan.

Spesifikasi model secara garis besar dijalankan dengan menspesifikasi model

pengukuran serta menspesifikasi model struktural. Spesifikasi model pengukuran meliputi

aktiv itas mendefinisikan variabel-variabel latent, mendefinisikan variabel-variabel teramati,

dan mendefinisikan hubungan antara variabel latent dengan variabel-variabel teramati.

Spesifikasi model struktural dilakukan dengan mendefinisikan hubungan kausal di antara

variabel-variabel latent. Tahapan selanjutnya (optional) adalah menetapkan gambaran path

diagram model hybrid yang merupakan kombinasi model pengukuran dan struktural (Sitinjak

dan Sugiarto, 2006, p64).

Tidak jauh berbeda dengan Sitinjak dan Sugiarto, Yamin dan Kurniawan (2009, p14)

menyatakan terdapat 5 tahap dalam spesifikasi model, yaitu sebagai berikut.

1) Peneliti mengungkapkan konsep permasalahan penelitian. Permasalahan penelitian

merupakan sebuah pernyataan atau dugaan hipotesis terhadap suatu masalah.

2) Mendefinisikan variabel-variabel yang akan terlibat dalam penelitian dan

mengkategorikannya sebagai variabel eksogen dan endogen.

3) Menentukan metode pengukuran untuk variabel tersebut, apakah bisa diukur secara

langsung (measurable variable) atau membutuhkan variabel manifest (manifest variable

atau indikator-indikator untuk mengukur konstrak laten).

4) Mendefinisikan hubungan kausal struktural antar variabel (antar variabel eksogen dan

endogen), apakah hubungan recursive atau hubungan struktural nonrecursive.

5) Langkah opsional, yaitu membuat diagram jalur hubungan antarkonstrak laten dan

antarkonstrak laten beserta indikator-indikatornya.

80

b. Identifikasi

Tahapan identifikasi dimaksudkan untuk menjaga agar model yang dispesifikasikan

bukan merupakan model yang under-identified atau unidentified. Terdapat tiga kemungkinan

identifikasi dalam persamaan simultan, yaitu under-identified, just-identified atau over-

identified. Under-identified model adalah model di mana jumlah parameter yang diestimasi

lebih besar dari jumlah data yang diketahui. Pada kondisi under-identified, model yang

dispesifikasikan tidak memilik i penyelesaian yang unik. Just-identified model adalah model di

mana jumlah parameter yang diestimasi sama dengan data yang diketahui. Pada kondisi

just-identified, model yang dispesifikasikan hanya memilik i satu penyelesaian. Over-identified

model adalah model di mana jumlah parameter yang diestimasi lebih kecil dari jumlah data

yang diketahui (Sitinjak dan Sugiarto, 2006, pp64-65). Ghozali dan Fuad (2008, p45) serta

Wijanto (2008, p39) menyatakan bahwa data tersebut merupakan variance dan covariance

dari variabel-variabel teramati.

Untuk variabel teramati dalam sebuah model yang berjumlah n, maka jumlah data

yang diketahui adalah (n x (n + 1))/2 (Wijanto, 2008, p40). Sedangkan jumlah parameter

yang diestimasi terdapat pada hasil parameter specifications yang dapat dengan mudah

diperoleh dari output LISREL dengan memasukkan perintah “Lisrel output”, di mana menurut

Ghozali dan Fuad (2008, p299), jika k ita meminta output LISREL, maka kita akan

memperoleh informasi mengenai spesifikasi parameter model yang kita bangun.

c. Estimasi

Menurut Ghozali dan Fuad (2008, p35) serta Wijanto (2008, p44), metode estimasi

yang paling popular digunakan pada penelitian SEM adalah Maximum Likelihood. Sedangkan,

Sitinjak dan Sugiarto (2006, p67) menyatakan bahwa di antara berbagai metode yang

81

tersedia, metode estimasi yang paling banyak digunakan adalah Maximum Likelihood dan

Weighted Least Squares.

Ghozali dan Fuad (2008, pp36-39) menjelaskan bahwa metode Weighted Least

Square (WLS) merupakan suatu metode yang tidak terpengaruh oleh dilanggarnya

multivariate normality. Akan tetapi, penggunaan Weighted Least Squares tersebut memilik i

beberapa keterbatasan yang sangat sulit untuk dipenuhi, yaitu menurut Diamantopaulus dan

Siguaw, WLS memerlukan ukuran sampel yang nyaris unreasonable untuk penelitian, yaitu

minimal 1000. Bahkan beberapa penelitian menganjurkan penggunaan sampel sebesar 5000

agar metode WLS ini dapat menghasilkan estimasi yang baik. Menurut Ghozali dan Fuad,

tentu saja untuk memenuhi asumsi di atas sangat sulit dan tidak sesuai untuk digunakan

pada beberapa konteks penelitian. Menurut Breckler yang dikutip oleh Ghozali dan Fuad

bahwa beberapa penelitian berbasis skala L ikert pada 15 tahun terakhir menunjukkan bahwa

penelitian tersebut menggunakan estimasi Maximum Likelihood dan bukannya WLS. Lebih

lanjut, Ghozali dan Fuad menyatakan bahwa dengan memperhatikan beberapa pertimbangan

yang dijelaskan di dalam buku Ghozali dan Fuad, maka apapun pendekatan yang digunakan

adalah dapat diterima, asal segala asumsi dapat terpenuhi. Untuk itu, dengan berdasarkan

pada ketersediaan informasi mengenai asumsi-asumsi yang harus dipenuhi pada metode

yang akan digunakan dan kemungkinan dipenuhi atau tidaknya asumsi ter sebut, peneliti

mempertimbangkan untuk menggunakan metode Maximum Likelihood atau Robust Maximum

Likelihood dengan asumsi-asumsi yang harus dipenuhi adalah jika data kontinu dan

mengikuti distribusi normal multivariat, maka metode yang dianjurkan adalah Maximum

Likelihood. Namun, jika data kontinu dan tidak mengikuti distribusi normal multivariat dan

ukuran sampel tidak besar, maka Metode Robust Maximum Likelihood dianjurkan.

82

d. Uji Kecocokan

Tahapan ini ditujukan untuk mengevaluasi derajat kecocokan atau Goodness Of Fit

(GOF) antara data dan model. Menurut Hair et al. evaluasi terhadap GOF model dilakukan

melalui beberapa tingkatan, yaitu kecocokan keseluruhan model (overall model fit),

kecocokan model pengukuran (measurement model fit), dan kecocokan model struktural

(structural model fit).

• Kecocokan Keseluruhan Model

Penilaian derajat kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan

secara langsung sebagaimana pada teknik multivariat yang lain (Sitinjak dan Sugiarto, 2006,

p67). SEM tidak mempunyai uji statistik terbaik yang dapat menjelaskan kekuatan prediksi

model (Sitinjak dan Sugiarto, 2006, p67; Wijanto, 2008, p49). Untuk itu telah dikembangkan

beberapa ukuran derajat kecocokan yang dapat digunakan secara saling mendukung

(Sitinjak dan Sugiarto, 2006, p67). Hal serupa juga diungkapkan oleh Wijanto (2008, p49),

yaitu “Sebagai gantinya, para peneliti telah mengembangkan beberapa ukuran GOF atau

Goodness Of Fit Indeces (GOFI) yang dapat digunakan secara bersama-sama atau

kombinasi. Pada Tabel 3.7 disajikan rangkuman mengenai kriteria yang dapat digunakan

untuk uji kecocokan keseluruhan model.

Tabel 3.7 Rangkuman Kriteria Uji Kecocokan

Ukuran

Derajat

Kecocokan

Tingkat Kecocokan Yang Bisa Diterima Pada

Suatu Model

Untuk

Perbandingan

Antarmodel

Statistic Chi-

square ⎟⎠⎞⎜

⎝⎛ χ 2

P > 0.05 model fit Nilai χ 2

semakin

kecil semakin baik

83

Ukuran

Derajat

Kecocokan


Suatu Model

Untuk

Perbandingan

Antarmodel

Non-Centrality

Parameter

(NCP)

- Semakin kecil

semakin baik

Scaled NCP

(SNCP)

- Semakin kecil

semakin baik

Goodness of Fit

Index (GFI)

GFI = 1 perfect fit

0,90 < GFI < 1 good fit

0.80 < GFI < 0.90 marginal fit

0 poor fit

Nilai lebih tinggi

adalah lebih baik

Root Mean

Square

Residual (RMR)

Standardized RMR < 0.05 good fit -

Root Mean

Square Error of

Approximation

(RMSEA)

RMSEA < 0.05 close fit

0.05 < RMSEA < 0.08 good fit

0.08 < RMSEA < 0.10 marginal fit

RMSEA > 0.10 poor fit

-

Expected Cross

Validation

Index (ECVI)

ECVI < ECVI for Saturated Model model fit

ECVI < ECVI for Independence Model model fit

Semakin kecil

semakin baik

Adjusted

Goodness of Fit

Index (AGFI)

AGFI = 1 perfect fit

0,90 < AGFI < 1 good fit

0.80 < AGFI < 0.90 marginal fit

(nilai AGFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik

Tucker-Lewis

Index atau

Non-Normed Fit

Index (TLI atau

NNFI)

TLI > 0.90 good fit.

0.80 < TLI < 0.90 marginal fit

(nilai TLI/NNFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik


84

Ukuran

Derajat

Kecocokan


Suatu Model

Untuk

Perbandingan

Antarmodel

Normed Fit

Index (NFI)

NFI > 0.90 good fit

0.80 < NFI < 0.90 marginal fit

(nilai NFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik

Relative Fit

Index (RFI)

RFI > 0.90 good fit

0.80 < RFI < 0.90 marginal fit

(nilai RFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik

Incremental Fit

Index (IFI)

IFI > 0.90 good fit

0.80 < IFI < 0.90 marginal fit

(nilai IFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik

Comparative Fit

Index (CFI)

CFI > 0.90 good fit

0.80 < CFI < 0.90 marginal fit

(nilai CFI berkisar antara 0 sampai 1)

Nilai lebih tinggi

adalah lebih baik

Parsimonious

Normed Fit

Index (PNFI)

- Nilai PNFI tinggi

adalah lebih baik

Parsimonious

Goodness of Fit

(PGFI)

- Nilai PGFI yang

lebih tinggi adalah

lebih baik

(Nilai PGFI

berkisar antara 0

dengan 1)

Normed Chi-

Square

1.0 < (X2/df) < 5.0 model fit -

Akaike

Information

Criterion (AIC)

AIC < Saturated AIC model fit

AIC < Independence AIC model fit

Nilai AIC positif

lebih kecil adalah

lebih baik


85

Ukuran

Derajat

Kecocokan


Suatu Model

Untuk

Perbandingan

Antarmodel

Consistent

Akaike

Information

Criterion (CAIC)

CAIC < Saturated CAIC model fit

CAIC < Independence CAIC model fit

Nilai positif yang

lebih kecil adalah

lebih baik

Critical N (CN) CN > 200 model fit -

Sumber: Peneliti dikutip dari Ghozali dan Fuad (2008) dan Wijanto (2008)

• Kecocokan Model Pengukuran

Sitinjak dan Sugiarto (2006, pp69-70) menjelaskan bahwa validitas berhubungan

dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Validitas dalam

penelitian menyatakan derajat ketepatan alat ukur penelitian terhadap isi atau arti

sebenarnya yang diukur. Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh

mana suatu alat ukur yang digunakan dalam suatu penelitian mengukur apa yang ingin

diukur. Bollen mengusulkan definisi alternatif dari validitas sebuah variabel teramati adalah

muatan faktor (factor loadings) dari variabel tersebut terhadap variabel latennya. Rigdon dan

Ferguson, Doll, Xia, Torkzadeh menyatakan bahwa suatu variabel dikatakan mempunyai

validitas yang baik terhadap konstruk atau variabel lainnya, jika:

Nilai t muatan faktornya (factor loadings) lebih besar dari nilai kritis (>1,96 atau untuk

praktisnya >=2).

Menurut Rigdon dan Ferguson, muatan faktor standarnya (standardized factor loadings)

lebih besar atau sama dengan 0.70.

Igrabia, et al. yang menggunakan guidelines dari Hair et al. tentang relative importance

and significant of the factor loading of each items: loadings > 0.50 adalah sangat

signifikan.


86

Menurut Hair et al., pengukuran reliabilitas untuk SEM dapat dilakukan dengan

menggunakan Composite / Construct Realiability Measure (Ukuran Reliabilitas Komposit /

Konstruk) maupun Variance Extracted Measure (Ukuran Ekstrak Varian) (Sitinjak dan

Sugiarto, 2006, p71). Untuk Construct Reliability dan Variance Extracted, LISREL tidak secara

otomatis mengeluarkan nilai-nilai ini (Yamin dan Kurniawan, 2009, p37). Reliabilitas

menunjukkan pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian

untuk memperoleh informasi yang diinginkan dapat dipercaya (terandal) sebagai alat

pengumpul data serta mampu mengungkap informasi yang sebenarnya di lapangan.

Instrumen yang reliabel adalah instrumen yang bilamana dicobakan secara berulang-ulang

kepada kelompok yang sama akan menghasilkan data yang sama dengan asumsi tidak

terdapat perubahan psikologis pada responden (Sitinjak dan Sugiarto, 2006, p71).

Rumus untuk menghitung Construct Reliability dan Variance Extracted disajikan

berikut ini.

Construct Reliability ( )

( ) ∑+∑

∑=

eloadingstdloadingstd

j..

2

2

Variance Extracted

∑+∑

∑=

eloadingstdloadingstd

j..

2

2

Fornel dan Larker menyatakan bahwa, pada rumus Construct Reliability tersebut

std.loading (standardized loading) dapat diperoleh secara langsung dari keluaran program

LISREL, dan ej adalah measurement error untuk setiap indikator atau variabel teramati

(Wijanto, 2008, p66). Reliabilitas construct dikatakan baik, jika nilai construct reliability (CR)-

nya > 0.70 dan nilai variance extracted (VE)-nya > 0.50 (Sitinjak dan Sugiarto, 2006, p71;

Wijanto, 2008, p66).

87

• Kecocokan Model Struktural

Model struktural menggambarkan hubungan-hubungan yang ada di antara variabel-

variabel laten. Evaluasi atau analisis terhadap model struktural mencakup pemeriksaan

terhadap signifikansi koefisien-koefisien yang diestimasi, di mana metode SEM tidak hanya

menyediakan nilai koefisien-koefisien yang diestimasi, tetapi juga nilai t-hitung untuk setiap

koefisien. Sebagai ukuran menyeluruh terhadap persamaan struktural, overall coefficient of

determination (R2) dihitung seperti pada regresi berganda. Meskipun tidak ada uji signifikansi

statistik yang dapat dilakukan, paling tidak memberikan gambaran ukuran kecocokan relatif

dari setiap persamaan struktural (Wijanto, 2008, pp12-67).

e. Respesifikasi

Menurut Wijanto (2008, pp67-68), pelaksanaan respesifikasi sangat tergantung

kepada strategi pemodelan yang akan digunakan, di mana terdapat 3 strategi pemodelan

yang dapat dipilih dalam SEM, yaitu sebagai berikut.

• Strategi pemodelan konfirmatori atau confirmatory modeling strategy oleh Hair et al. atau

strictly confirmatory (SC) oleh Joreskog dan Sorbom. Pada strategi pemodelan ini

diformulasikan atau dispesifikasikan satu model tunggal, kemudian dilakukan

pengumpulan data empiris untuk diuji signifikansinya. Pengujian ini akan menghasilkan

suatu penerimaan atau penolakan terhadap model tersebut. Strategi ini tidak memerlukan

respesifikasi.

• Strategi kompetisi model atau competing models strategy oleh Hair et al. atau

alternative/competing models (AM) oleh Joreskog dan Sorbom. Pada strategi pemodelan

ini beberapa model alternatif dispesifikasikan dan berdasarkan pada analisis terhadap satu

kelompok data empiris dipilih salah satu model yang paling sesuai. Pada strategi ini

respesifikasi hanya diperlukan jika model-model alternatif dikembangkan dari beberapa

model yang ada.

88

• Strategi pengembangan model atau model development strategy oleh Hair et al. atau

model generating (MG) oleh Joreskog dan Sorbom. Pada strategi pemodelan ini suatu

model awal dispesifikasikan dan data empiris dikumpulkan. Jika model awal tersebut tidak

cocok dengan data empiris yang ada, maka model dimodifikasi dan diuji kembali dengan

data yang sama. Beberapa model dapat diuji dalam proses ini dengan tujuan untuk

mencari satu model yang selain cocok dengan data secara baik, tetapi juga mempunyai

sifat bahwa setiap parameternya dapat diartikan dengan baik. Respesifikasi terhadap

model dapat dilakukan berdasarkan pada theory-driven atau data-driven, meskipun

demikian oleh Hair et al. respesifikasi berdasarkan theory-driven lebih dianjurkan.

Strategi pemodelan konfirmatory (SC) jarang ditemui, karena umumnya peneliti tidak

cukup puas dengan hanya menolak suatu model tanpa mengusulkan model alternatif.

Strategi kompetisi model (AM) digunakan oleh beberapa peneliti, namun demikian strategi ini

juga termasuk tidak banyak digunakan. Saat ini yang paling banyak digunakan dalam

penelitian adalah strategi pengembangan model (MG). Untuk itu, pada penelitian ini peneliti

akan menggunakan strategi pengembangan model.

3.7.2 Linear Structural Relationship (LISREL)

Pengolahan data dalam SEM dilakukan dengan menggunakan prosedur iteratif yang

sangat memakan waktu dan ketelitian jika dilakukan secara manual. Perkembangan teknologi

komputer sangat membantu pengolahan data dengan SEM dan menjadikan SEM semakin

banyak digunakan oleh para peneliti maupun pebisnis. LISREL merupakan salah satu

program komputer yang dapat mempermudah analisis untuk menyelesaikan masalah-

masalah yang tidak dapat diselesaikan oleh alat analisis yang konvensional. LISREL

diperkenalkan oleh Karl Joreskog pada tahun 1970 dan sejauh ini telah dikembangkan serta

89

digunakan dalam berbagai disiplin ilmu pengetahuan sosial (Sitinjak dan Sugiarto, 2006, p3),

di mana pada penelitian ini, peneliti mengunakan LISREL 8.70.

Pada dasarnya pengolahan SEM dengan LISREL dapat dilakukan dengan empat cara,

yaitu menggunakan PRELIS Project, SIMPLIS Project, LISREL Project ataupun PATH

DIAGRAM (Sitinjak dan Sugiarto, 2006, p4).

Ghozali dan Fuad (2008, p4) menyatakan bahwa LISREL adalah satu-satunya

program SEM yang tercanggih dan yang dapat mengestimasi berbagai masalah SEM yang

bahkan nyaris tidak mungkin dapat dilakukan oleh program lain, seperti AMOS, EQS dan lain

sebagainya. Di samping itu, LISREL merupakan program yan paling informatif dalam

menyajikan hasil-hasil statistik. Sehingga modifikasi model dan penyebab tidak fit atau

buruknya suatu model dapat dengan mudah diketahui.

3.8 Rancangan Uji Hipotesis

Setelah hipotesis ditetapkan, yaitu di dalam penelitian ini adalah tujuh buah hipotesis

seperti yang telah dijelaskan pada bab 2, maka langkah-langkah berikutnya untuk menguji

hipotesis-hipotesis tersebut adalah menetapkan dasar pengambilan keputusan.

Keputusan yang diambil pada pengujian hipotesis didasarkan pada dasar

pengambilan keputusan berikut ini, di mana dasar pengambilan keputusan tersebut

membandingkan antara t-value dan t-tabel. Nilai t-tabel adalah sebesar 1.96 yang diperoleh

dari tabel nilai t dengan level signifikansi 5% dan jumlah sampel 200, sedangkan nilai t-value

diperoleh dari output pengolahan data dengan menggunakan LISREL 8.70.

• Jika t-value terletak di antara -1.96 dan 1.96 atau dengan kata lain, -1.96 < t-value <

1.96, maka Ho diterima.

• Jika t-value tidak terletak di antara -1.96 dan 1.96 atau dengan kata lain, t-value < -1.96

atau t-value > 1.96, maka Ho ditolak dan Ha diterima.

90

Selain menguji perbandingan antara nilai t-value dan t-tabel, peneliti juga akan

menilai arah hubungan antara variabel-variabel laten dengan memperhatikan tanda yang

terletak di depan t-value ataupun koefisien (nilai) estimasi, baik positif ataupun negatif.

Sebagai tambahan, peneliti juga akan menilai koefisien determinasi (R2), di mana

menurut Ghozali dan Fuad (2008, p336), koefisien determinasi (R2) pada persamaan

struktural mengindikasikan jumlah varians pada variabel laten endogen yang dapat

dijelaskan secara simultan oleh variabel-variabel laten independen. Semakin tinggi nilai R2,

maka semakin besar variabel-variabel independen tersebut dapat menjelaskan variabel

endogen, sehingga semakin baik persamaan struktural.

3.9 Rancangan Implikasi Hasil Penelitian

Jika nantinya data telah selesai diolah, maka implikasi hasil penelitian yang mungkin

bagi penelitian ini, yaitu sebagai berikut.

Jika implementasi experiential marketing terbukti memilik i pengaruh langsung yang

signifikan terhadap brand trust dan juga memilik i pengaruh yang signifikan terhadap brand

loyalty, baik langsung maupun tidak langsung yang dimediasi oleh adanya brand trust, maka

keputusan pihak manajemen produk Citra untuk mengimplementasikan program Rumah

Cantik Citra merupakan suatu keputusan yang tepat. Namun, jika di antara ketiga jenis

pengaruh tersebut, ternyata implementasi experiential marketing tidak berpengaruh

signifikan pada seluruh jenis pengaruh yang mungkin terjadi, maka keberlanjutan program

Rumah Cantik Citra tersebut masih bisa dipertimbangkan untuk terus diimplementasikan,

asalkan setidaknya implementasi experiential marketing berpengaruh pada salah satu aspek

yang telah disebutkan sebelumnya. Hal yang juga penting menjadi sorotan adalah apabila

ternyata implementasi experiential marketing sama sekali tidak berpengaruh signifikan, baik

terhadap brand trust maupun brand loyalty. Pada kondisi seperti itu, jika pihak manajemen

produk Citra masih ingin terus mengimplementasikan program Rumah Cantik Citra, maka

91

pihak manajemen tersebut perlu mengadakan penelitian lebih lanjut guna mencari tahu

penyebab mengapa experiential marketing yang diimplementasikan di Rumah Cantik Citra

tidak berpengaruh signifikan pada variabel-variabel yang memainkan peran penting bagi

keberhasilan suatu produk, yaitu di dalam penelitian ini adalah brand trust dan brand loyalty.

Tindakan yang sama dengan apa yang dilakukan terhadap experiential marketing

juga perlu dilakukan bagi implementasi celebrity endorsement, di mana di dalam penelitian

ini adalah dengan penggunaan Maudy Koesnaedy sebagai celebrity endorser-nya. Yaitu jika

implementasi celebrity endorsement terbukti memilik i pengaruh langsung yang signifikan

terhadap brand trust dan juga memilik i pengaruh yang signifikan terhadap brand loyalty, baik

langsung maupun tidak langsung yang dimediasi oleh adanya brand trust, maka keputusan

pihak manajemen produk Citra untuk menggunakan Maudy Koesnaedi sebagai celebrity

endorser merupakan suatu keputusan yang tepat. Namun, jika di antara ketiga jenis

pengaruh tersebut, ternyata implementasi celebrity endorsement tidak berpengaruh

signifikan pada seluruh jenis pengaruh yang mungkin terjadi, maka keberlanjutan

penggunaan Maudy Koesnaedi sebagai celebrity endorser masih dapat dipertimbangkan

untuk terus diimplementasikan, asalkan setidaknya implementasi celebrity endorsement

tersebut berpengaruh signifikan pada salah satu aspek yang telah disebutkan sebelumnya.

Hal yang juga penting menjadi sorotan adalah apabila ternyata implementasi celebrity

endorsement sama sekali tidak berpengaruh signifikan, baik terhadap brand trust maupun

brand loyalty. Pada kondisi seperti itu, jika pihak manajemen produk Citra masih ingin terus

mengimplementasikan celebrity endorsement dengan menggunakan Maudy Koesnaedi

sebagai celebrity endorser-nya, maka pihak manajemen tersebut perlu mengadakan

penelitian lebih lanjut guna mencari tahu penyebab mengapa celebrity endorser tersebut

tidak berpengaruh signifikan, baik terhadap brand trust maupun brand loyalty.

92

Dari hasil keputusan yang terbentuk, penelitian ini juga dapat memberikan referensi

bagi perusahaan jika perusahaan ingin lebih memfokuskan kegiatan pemasarannya pada

salah satu di antara implementasi experiential marketing atau celebrity endorsement.

bab 3 metode penelitian - thesis.binus.ac.idthesis.binus.ac.id/doc/bab3/2011-1-00521-mn 3.pdf ·...

Documents