43  

BAB 3

METODOLOGI PENELITIAN

3.1 Desain Penelitian

Jenis penelitian dalam skripsi ini adalah Asosiatif. Menurut Sugiyono (2006,pg11)

penelitian asosiatif merupakan penelitian yang bertujuan untuk mengetahui hubungan

antara dua variabel atau lebih. Dari penelitian ini dapat dibangun suatu teori yang

berguna untuk menjelaskan, meramalkan dan mengontrol suatu gejala. Unit analisis

yang digunakan dalam skripsi ini adalah konsumen Café Strawberry dan rentang waktu

yang digunakan adalah one shoot study, yaitu pengumpulan data penelitian yang

mencakup satu atau beberapa periode waktu namun peneliti tidak melakukan survey

pada responden yang sama.

Tabel 3.1 Desain Penelitian

Tujuan

Penelitian

Desain Penelitian

Jenis Penelitian Unit analisis Rentang Waktu

T1 Asosiatif Individu Cross section — one shoot

study

T2 Asosiatif Individu Cross section — one shoot

study 

T3 Asosiatif Individu Cross section — one shoot

study 

T4 Asosiatif Individu Cross section — one shoot

study 

Sumber : Penyusun

44 

 

  

 

Keterangan :

T-1 : Untuk mengetahui pengaruh Experiential Marketing terhadap Customer

Satisfaction Café Strawberry

T-2 : Untuk mengetahui pengaruh Experiential Marketing terhadap Word Of

Mouth Customer Café Strawberry

T-3 : Untuk mengetahui pengaruh Customer Satisfaction terhadap Word Of

Mouth Customer Café Strawberry

T-4 : Untuk mengetahui mediasi Customer Satisfaction pada pengaruh

Experiential Marketing terhadap Word Of Mouth Customer

3.2 Operasional Variabel Penelitian

Variabel penelitian adalah suatu atribut atau sifat atau nilai dari orang, obyek,

atau kegiatan yang mempunyai variasi tertentu yang ditetapkan oleh peneliti untuk

dipelajari dan ditarik kesimpulannya (Sugiyono, 2006, p32). Definisi operasional untuk

masing-masing variable adalah sebagai berikut :

1. Variabel bebas (independent variable)

Variabel yang mempengaruhi atau yang menjadi penyebab terjadinya perubahan

atau timbulnya variabel terikat (Sugiono, 2006:33) dalam penelitian ini variabel

bebas nya adalah Experiential Marketing (X).

2. Variabel Intervening

Variabel yang secara teoritis mempengaruhi hubungan antara variabel bebas dan

variabel terikat, namun sulit untuk diukur. Dalam penelitian ini yang digunakan

sebagai variabel intervening adalah Customer Satisfaction (Y).

45 

 

  

 

3. Variabel Moderating

Variabel yang mempengaruhi (memperkuat atau memperlemah) hubungan antara

variabel independen dengan dependen.

4. Variabel terikat (dependent variable)

Variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat,

karena adanya variabel bebas (Sugiono, 2006:33). Dalam penelitian ini yang

digunakan sebagai variabel terikat adalah Word of Mouth (Z).

3.2.1 Variabel dalam Structural Equation Modeling

Variabel independen atau yang dalam Structural Equations Modeling disebut

variabel eksogen berupa experiential marketing di Café Strawberry, sedangkan variabel

dependen atau variabel endogen yaitu customer satisfaction dan word of mouth

pelanggan di Café Strawberry. Customer satisfaction yang dihipotesiskan mempengaruhi

word of mouth pelanggan di Café Strawberry, dalam hal ini disebut juga variabel

intervening, karena merupakan variabel endogen yang dapat mempengaruhi variabel

endogen lainnya. Adapun pelanggan yang dimaksudkan dalam penelitian ini adalah

pihak-pihak yang pernah melakukan kunjungan dan konsumsi di Café Strawberry.

Variabel tersebut diatas merupakan variabel laten. Dari variabel laten tersebut

kemudian dikembangkan menjadi beberapa variabel penelitian yang dapat digunakan

sebagai indikator penelitian. Variabel-variabel ini disebut dengan variabel manifest, yang

merupakan variabel dasar yang dapat memrepresentasikan experiential marketing,

customer satisfaction dan word of mouth.

46 

 

  

 

Tabel 3.2 Operasional Variabel penelitian

Experiential Marketing (X)

Variabel Konsep Variabel Sub Variabel Indikator Ukuran Skala

Experiential Marketing (X)

Suatu konsep pemasaran yang bertujuan untuk membentuk pelanggan-pelanggan yang loyal dengan menyentuh emosi mereka dan memberikan suatu feeling yang positif terhadap produk dan service. Kertajaya (dalam Ibrahim M 2009:21)

Panca Indera (Sense)

• Desain ruangan yang unik

• Irama musik yang membuat rileks

• Aroma makanan yang menggugah selera

• Rasa makanan yang unik dan enak

• Ruangan ber AC yang sejuk

Ordinal Likert

Perasaan (Feel)

• Pramusaji yang ramah

• Pramusaji yang bersahabat

• Pramusaji yang cepat tanggap

• Pramusaji yang memberikan informasi dengan jelas

• Kualitas peralatan yang baik

Ordinal Likert

Cara Berpikir (Think)

• Pelayanan tambahan kepada pelanggan

• Program kejutan ulang tahun yang disediakan

• Program permainan yang disediakan

Ordinal Likert

Sumber : Penyusun

47 

 

  

 

Experiential Marketing (X)

Variabel Konsep Variabel Sub Variabel Indikator Ukuran Skala

Kebiasaan (Act)

• Café sesuai dengan kebutuhan konsumen yang kompleks

• Café mencerminkan gaya hidup praktis masa kini

• Café tempat hangout yang nyaman bersama keluarga, teman-teman dan rekan kerja

Ordinal Likert

Pertalian (Relate)

• Hubungan yang erat antara karyawan dengan konsumen

• Perlakuan istimewa pada pelanggan tetap

• Hubungan yang baik antar pelanggan

Ordinal Likert

Sumber : Penyusun

48 

 

  

 

Customer Satisfaction (Y)

Variabel Konsep Variabel Sub Variabel Indikator Ukuran Skala Customer Satisfaction (Y)

kepuasan adalah senang atau kecewa seseorang yang dihasilkan dari kemampuan suatu produk dalam memenuhi harapan user tersebut. Kotler (2005,p61),

Kualitas • Kepuasan terhadap menu makanan yang sesuai dengan selera

• Kepuasan terhadap kelengkapan jenis permainan yang ditawarkan

• Kepuasan terhadap kualitas peralatan yang baik

Ordinal Likert

Harga • Kepuasan terhadap harga yang sesuai dengan kualitas makanan

• Kepuasan terhadap harga yang terjangkau

Ordinal Likert

Service quality • Kepuasan terhadap Pramusaji yang memberikan informasi dengan jelas

• Kepuasan terhadap Pramusaji yang bersahabat

• Kepuasan terhadap Pramusaji yang ramah

• Kepuasan terhadap Pramusaji yang cepat tanggap

Ordinal Likert

Emotional Factor • Kepuasan pada saat menggunakan permainan yang disediakan

Ordinal Likert

Sumber : Penyusun

 

 

49 

 

  

 

Customer Satisfaction (Y) 

Variabel Konsep Variabel Sub Variabel Indikator Ukuran Skala

Kemudahan • Kepuasan terhadap cara pemesanan makanan yang mudah

• Kepuasan terhadap cara pemesanan makanan yang cepat

• Kepuasan terhadap kemudahan pembayaran

Ordinal Likert

Sumber : Penyusun

Word Of Mouth (Z)

Variabel Konsep Variabel Sub Variabel Indikator Ukuran Skala Word of Mouth (Z)

Tindakan konsumen memberikan informasi kepada konsumen lain dari seseorang kepada orang lain (antarpribadi) nonkomersial baik merek, produk maupun jasa. Hasan Ali (2010:32)

mengatakan hal positif

• Konsumen akan mengatakan hal positif tentang Café Strawberry

Ordinal Likert

Merekomendasikan

• Konsumen akan merekomendasikan Café strawberry kepada orang lain yang meminta saran mengenai Café yang bagus untuk dikunjungi

Ordinal Likert

Mendorong • Konsumen akan mendorong teman atau kerabat dekat untuk mengunjungi Café Strawberry

Ordinal Likert

Sumber : Penyusun

50 

 

  

 

3.3 Jenis dan Sumber data Penelitian

Untuk mendapatkan data yang valid untuk penelitian, yang pertama perlu

diketahui adalah mengenai jenis-jenis data. Data dapat dikelompokkan sebagai berikut :

1) Menurut Sifat

• Data Kualitatif, yaitu data yang tidak berbentuk angka (non-numeris).

• Data Kuantitatif, yaitu data yang dinyatakan dalam bentuk angka.

2) Menurut Sumber

• Data internal, yaitu data yang bersumber dari keadaan atau kegiatan suatu

organisasi atau kelompok.

• Data eksternal, yaitu data yang bersumber dari luar suatu organisasi atau

kelompok.

3) Menurut Cara Memperoleh

• Data primer, yaitu data yang dikumpulkan dan diolah sendiri oleh suatu

organisasi atau perorangan langsung dari objeknya.

• Data sekunder, yaitu data yang diperoleh dalam bentuk jadi dan telah diolah

oleh pihak lain, yang biasanya dalam bentuk publikasi.

4) Menurut Waktu Pengumpulannya

• Data cross section, yaitu data yang dikumpulkan dalam suatu periode tertentu,

biasanya menggambarkan keadaan atau kegiatan dalam periode tersebut.

• Data time series (berkala), yaitu data yang dikumpulkan dari waktu ke waktu

dengan tujuan untuk menggambarkan perkembangan suatu kegiatan dari waktu

ke waktu. Data ini sering juga disebut sebagai data historis.

51 

 

  

 

Berdasarkan pembagian tersebut, jenis data yang dikumpulkan adalah data

primer dan sekunder yang bersifat kuantitatif. Data-data yang diperoleh dalam penelitian

ini berupa data dengan skala ukur ordinal. Data yang diperlukan dalam penelitian ini

terdiri dari data profil Café Strawberry, struktur organisasi Café Strawberry, kegiatan

experiential marketing di Café Strawberry.

3.4 Tempat dan waktu penelitian

Tempat yang peneliti tentukan adalah Café Strawberry , Jl. Tanjung Duren Barat

III No. I BCD. Jakarta Barat. Dan sebagai objek dari penelitian saya adalah konsumen

Café Strawberry. Penelitian ini mulai dilakukan pada bulan September tahun 2010 sampai

Januari 2011.

3.5 Teknik Pengumpulan Data

Untuk mengumpulkan informasi dan data yang diperlukan, maka peneliti

menggunakan beberapa teknik pengumpulan data, yaitu :

1) Pengumpulan data melalui kuesioner

Melalui survey dan pembagian kuesioner yang berisi pertanyaan mengenai

penelitian kepada responden yaitu konsumen café strawberry.

Kuesioner : merupakan teknik pengumpulan data yang dilakukan dengan memberi

seperangkat pertanyaan atau pernyataan tertulis yang akan ditujukan kepada

responden.

2) Pengumpulan data di perpustakaan

Penelitian keperpustakaan merupakan penelitian yang mencari, menganalisa,

membuat interpretasi serta menggeneralisasi fakta-fakta yang merupakan pendapat,

hasil kerja, karya-karya para ahli yang digali dari buku-buku jurnal dan dokumen

yang tersedia.

52 

 

  

 

3.6 Teknik Pengambilan Sampel

Populasi adalah keseluruhan dari karakteristik atau unit hasil pengukuran yang

menjadi objek penelitian atau populasi merupakan objek atau subjek yang berada pada

suatu wilayah dan memenuhi syarat tertentu berkaitan dengan masalah penelitian.

(Riduwan dan Kuncoro (2007, p37).

Nonprobability sampling adalah teknik pengambilan sampel yang tidak memberi

peluang atau kesempatan sama bagi setiap unsur atau anggota populasi untuk dipilih

menjadi sampel menurut Sugiyono (2009,p120).

Teknik pengambilan sampel dalam penelitian ini adalah Sampling Insidental.

Menurut Sugiyono (2009,p122) Sampling Insidental adalah teknik penentuan sampel

berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan/incidental bertemu

dengan peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan

ditemui itu cocok sebagai sumber data. Maka sampel yang dimaksud dalam penelitian ini

yaitu : orang yang pernah berkunjung dan melakukan konsumsi pada Café Strawberry di

Tanjung Duren. Jakarta Barat.

3.7 Teknik Penentuan Jumlah Sampel

Populasi yang diteliti dalam penelitian ini adalah pelanggan Café Strawberry yang

pernah berkunjung dan melakukan konsumsi di Cafe Strawberry di wilayah Tanjung

Duren-Jakarta Barat. Karena populasi konsumen di Café Strawberry cukup besar dan

tidak diketahui, dan penulis tidak mungkin mempelajari semua yang ada pada populasi

karena keterbatasan dana, tenaga, dan waktu, maka digunakan asumsi dasar yang harus

dipenuhi dalam analisis SEM yaitu jumlah sampel yang memenuhi kaidah analisis.

Menurut Sekaran (2003) dalam Tony Wijaya (2009:10), analisis SEM membutuhkan

sampel paling sedikit 5 kali jumlah variabel indikator yang digunakan. Maka dalam

53 

 

  

 

penelitian ini menggunakan sampel sebanyak 175 responden karena jumlah indicator

sebanyak 35. Untuk metode SEM, besar sampel minimal yang berkisar 100 – 200

responden sudah cukup untuk dapat mewakili model.

3.8 Teknik Pengukuran Variabel

Bentuk pertanyaan yang digunakan dalam kuesioner adalah menggunakan

Skala Likert, merupakan skala pengukur sikap, pendapat, dan persepsi seseorang atau

sekelompok tentang kejadian atau gejala sosial (Kuncoro 2008, pg20). Pembuatan skala

dalam membuat skala likert, periset membuat beberapa pernyataan yang mengindikasi

tingkat suatu isu atau objek. Responden selanjutnya diminta untuk mengindikasi tingkat

kesetujuan atau ketidaksetujuan terhadap masing-masing pernyataan. Bentuk penilaian

jawaban kuesioner menggunakan pembobotan dengan 5 buah skala. Bobot dan kategori

pengukuran atas tanggapan responden diuraikan dalam table di bawah ini :

Tabel 3.3 Bobot dan Kategori Pengukuran Data

Keterangan Penilaian

Sangat Tidak Setuju 1

Tidak Setuju 2

Ragu-ragu 3

Setuju 4

Sangat Setuju 5

Sedangkan nilai dan kategori batas penelitian dapat dilihat dengan memperhitungkan :

• Nilai terendah : 1, yaitu jika jawaban responden adalah “sangat tidak setuju”

• Nilai tertinggi : 5, yaitu jika jawaban responden adalah “sangat setuju”

54 

 

  

 

3.9 Metode Analisis Data

Skala pengukuran dan alat analisis yang digunakan adalah :

3.9.1 Uji Validitas dan Reliabilitas

Pengujian validitas dilakukan untuk mengetahui atau mengukur sejauh mana

suatu alat ukur dapat mengukur apa yang ingin kita ukur. Hasil penelitian dapat

dikatakan valid apabila terdapat suatu kesamaan antara data yang terkumpul dengan

data yang sesungguhnya terjadi pada obyek yang diteliti.

Pengujian reliabilitas dilakukan untuk mengetahui sejauh mana kuesioner yang

digunakan dapat dipercaya atau dapat memberikan perolehan hasil penelitian yang

konsisten apabila alat ukur ini digunakan kembali dalam mengukur gejala yang sama.

Sebuah data atau kuesioner dikatakan reliable jika bilangan pada cronbach’s Alpha >

0.60. untuk melakukan pengujian validitas dan reliabilitas ini, digunakan software SPSS

16.0.

Instrument yang valid berarti alat ukur yang digunakan untuk mendapatkan data

(mengukur) itu valid. Valid berarti instrument tersebut dapat digunakan untuk mengukur

apa yang seharusnya di ukur.

3.9.2 Structural Equation Modelling (SEM)

Dalam penelitian ini, metode yang digunakan untuk memecahkan masalah sesuai

dengan tujuan yang dicapai, yaitu model persamaan structural (Structural Equation

Modeling) SEM dengan software LISREL 8.5 sebagai alat pengolahan data.

Structural Equation Modeling (SEM) merupakan teknik analisis multivariat yang

dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-model analisis

sebelumnya yang telah digunakan secara luas dalam penelitian statistik. Model-model

yang dimaksud diantaranya adalah regression analysis (analisis regresi), path analysis

(analisis jalur), dan confirmatory factor analysis (analisis faktor konfirmatori).

55 

 

  

 

Analisis regresi menganalisis pengaruh satu atau beberapa variabel bebas

terhadap variabel terikat. Analisis pengaruh tidak dapat diselesaikan menggunakan

analisis regresi ketika melibatkan beberapa variabel bebas, variabel antara, dan variabel

terikat. Penyelesaian kasus yang melibatkan ketiga variabel tersebut dapat digunakan

analisis jalur. Analisis jalur dapat digunakan untuk mengetahui pengaruh langsung,

pengaruh tidak langsung, dan pengaruh total suatu variabel bebas terhadap variabel

terikat.

Analisis lebih bertambah kompleks lagi ketika melibatkan latent variable (variabel

laten) yang dibentuk oleh satu atau beberapa indikator observed variables (variabel

terukur/teramati). Analisis variabel laten dapat dilakukan dengan menggunakan analisis

faktor, dalam hal ini analisis faktor konfirmatori (confirmatory factor analysis). Analisis

pengaruh semakin bertambah kompleks lagi ketika melibatkan beberapa variabel laten

dan variabel terukur langsung. Pada kasus demikian, teknik analisis yang lebih tepat

digunakan adalah pemodelan persamaan struktural (Structural Equation Modeling). SEM

merupakan teknik analisis multivariat generasi kedua, yang menggabungkan model

pengukuran (analisis faktor konfirmatori) dengan model struktural (analisis regresi,

analisis jalur).

Memang telah banyak alat analisis untuk penelitian multidimensi, bahkan selama

ini telah dikenal luas. Namun semuanya itu belum mampu melakukan analisis kausalitas

berjenjang dan simultan. Kelemahan utama dari alat analisis multivariat dimaksud,

terletak pada keterbatasannya yang hanya dapat menganalisis satu hubungan pada satu

waktu. SEM merupakan sebuah jawaban. SEM kini telah dikenal luas dalam penelitian-

penelitian bisnis dengan berbagai nama : causal modeling, causal analysis, simultaneous

equation modeling, analisis struktur kovarians, path analysis, atau confirmatory factor

analysis.

56 

 

  

 

Sebagai teknik statistik multivariat, penggunaan SEM memungkinkan kita

melakukan pengujian terhadap bentuk hubungan tunggal (regresi sederhana), regresi

ganda, hubungan rekursif maupun hubungan resiprokal, atau bahkan terhadap variabel

laten (yang dibangun dari beberapa variabel indikator) maupun variabel yang

diobservasi/ diukur langsung. SEM kini telah banyak diaplikasikan di berbagai bidang ilmu

sosial, psikologi, ekonomi, pertanian, pendidikan, kesehatan, dan lain-lain.

3.9.3 Definisi SEM

Dengan menggunakan SEM, peneliti dapat mempelajari hubungan struktural

yang diekspresikan oleh seperangkat persamaan, yang serupa dengan seperangkat

persamaan regresi berganda. Persamaan ini akan menggambarkan hubungan diantara

konstruk (terdiri dari variabel dependen dan independen) yang terlibat dalam sebuah

analisis. Hingga saat ini, teknik multivariabel diklasifikasikan sebagai teknik

interdependensi atau dependensi. SEM dapat dikategorikan sebagai kombinasi yang unik

dari kedua hal tersebut karena dasar dari SEM berada pada dua teknik multivariabel yang

utama, yaitu analisis faktor dan analisis regresi berganda.

3.9.4 LISREL (Linear Structural Relationships)

Istilah persamaa structural juga dikenal dengan nama Lisrel, yang merupakan

paket program statistic untuk SEM yang pertama kali diperkenalkan oleh Karl Joreskoq

pada tahun 1970 dalam suatu pertemuan ilmiah. Istilah lain untuk SEM sering kali

disebut juga analisis faktor konfirmatori (Confirmatory Factor Analysis), model structur

kovarians (Covariance Structure Model) dan model variabel laten (Latent Variable

Modeling).

Penggunaan data dalam SEM dilakukan menggunakan prosedur interatif yang

sangat memakan waktu dan penelitian jika dilakukan secara manual. Perkembangan

57 

 

  

 

teknologi computer sangat membantu dalam pengolahan data dalam SEM dan

menjadikan SEM semakin banyak digunakan oleh para peneliti maupun untuk bisnis.

Dewasa ini telah dikembangkan beberapa program computer yang dapat digunakan

untuk menganalisis SEM, antara lain EQS, AMOS, SAS PORT CALIS,

STATISTICA_SEPATH, dll.

Lisrel merupakan salah satu program computer yang dapat mempermudah

analisis untuk menyelesaikan masalah-masalah yang tidak dapat diselesaikan oleh alat

analisis yang konvensional. LISREL adalah satu-satunya program yang paling banyak

digunakan dan dipublikasikan pada berbagai jurnal ilmiah pada berbagai disiplin ilmu. Hal

tersebut karena LISREL adalah satu-satunya program SEM tercanggih dan yang dapat

mengestimasi berbagai masalah SEM yang bahkan nyaris tidak mungkin dapat dilakukan

oleh program lain. Disamping itu LISREL merupakan program paling informatif dalam

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

buruknya suatu model dapat dengan mudah diketahui.

LISREL diperkenalkan oleh Karl Joreskoq pada tahun 1970 dan sejauh ini telah

dikembangkan serta digunakan dalam berbagai disiplin ilmu pengetahuan social. Dalam

versi yang lebih maju, penggunaan lisrel menjadi lebih interaktif, lebih mudah, banyak

fitur statistic yang baru terkait dengan penanganan missing data, imputation data, serta

multilevel data analysis. Terapannya pada persoalan ilmu social dan ilmu perilaku dapat

kita temui secara luas yang sangat berguna sebagai acuan pengambilan keputusan

dalam kondisi yang makin rumit. Secara umum analisis dalam LISREL dapat dipilih dalam

dua bagian : pertama, yang terkait dengan model pengukuran dan kedua, yang terkait

dengan model structural.

Dengan menggunakan LISREL, kita dapat menganalisis structur kovarians yang

rumit. Variabel laten, saling ketergantungan antar variabel, dan sebab akibat yang

timbale balik dapat ditangani dengan mudah dengan menggunakan model pengukuran

58 

 

  

 

dan persamaan yang terstructur. Pada dasarnya pengolahan SEM dengan LISREL dapat

dilakukan dengan empat cara , yaitu menggunakan prelis project, simplis project, lisrel

project, maupun path diagram.

Asumsi yang paling fundamental dalam analisis multivariate adalah normalitas

yang merupakan bentuk suatu distribusi data pada suatu variabel metric tunggal dalam

menghasilkan distribusi normal. Suatu distribusi data yang tidak membentuk distribusi

normal, maka data tersebut tidak normal, sebaliknya data dikatakan normal apabila ia

membentuk suatu distribusi normal. Apabila asumsi normalitas tidak dipenuhi dan

penyimpangan normalitas tersebut besar, maka seluruh hasil uji statistic adalah tidak

valid karena perhitungan uji t dan lain sebagainya, dihitung dengan asumsi data normal.

Untuk menguji dilanggar atau tidaknya asumsi normalitas, maka dapat

digunakan uji statistic z untuk skewness dan kurtosisnya. Nilai z skewness dapat dihitung

sebagai berikut :

N

skewnessZ skewness 6=

Dimana N merupakan ukuran sampel. Nilai statistic z untuk kurtosisnya dapat

dihitung dengan menggunakan formula berikut ini :

N

kurtosisZkurtosis 24=

jika nilai z, baik Zkurtosis dan/atau Zskewness adalah signifikan (kurang dari 0,05 pada

tingkat 5%), maka dapat dikatakan bahwa distribusi data adalah tidak normal.

Sebaliknya, jika nilai Zkurtosis dan/atau Zskewness tidak signifikan (lebih besar dari 0,05),

maka distribusi data adalah normal. Berdasarkan hal tersebut dapat disimpulkan bahwa

untuk uji normalitas ini kita mengharapkan hasil yang tidak signifikan.

59 

 

  

 

LISREL merupakan suatu alat bantu statistic yang paling canggih dan paling

popular dalam SEM. Normalitas data tidaklah merupakan suatu permasalahan yang

serius, karena LISREL memiliki beberapa solusi yang dapat dilakukan, yaitu :

1. Menambahkan estimasi asymptotic covariance matrix

Hal ini akan mengakibatkan estimasi parameter beserta goodness of fit statistic akan

dianalisis berdasarkan pada keadaan data yang tidak normal. Apabila matriks

asymptotic covariance tidak dimasukkan, sedangkan data tidak normal, sebagai

input data suplemen, maka model yang diestimasi berdasarkan keadaan data

normal, dan tentu saja hasilnya akan bias.

2. Melakukan transformasi data

Hal ini dapat dilakukan untuk data continous. Untuk data berskala ordinal,

transformasi data tidak dianjurkan karena akan mengakibatkan data sulit

diinterpretasikan.

3. Menggunakan metode estimasi selain Maximum Likelihood (ML), seperti Generalized

Least Square (GLS) atau Weighted Least Square, apabila jumlah data mencukupi.

4. Menggunakan metode Bootstrapping dan Jackniffing. Kedua metode ini adalah

metode baru yang mengasumsi data re-sampling dan kemudian dianalisis. Standar

error yang diperoleh dari metode bootstrapping tersebut kemudian dibandingkan

dengan metode ML, apabila selisih signifikan, maka ketidaknormalan data

mengakibatkan hasil yang sangat bias.

60 

 

  

 

3.9.5 Prosedur dalam SEM

Sumber : Ghozali, 2005, p9

Gambar 3.1 Tahap-tahap dalam SEM

Konseptualisasi Model

Spesifikasi Model

Identifikasi Model

Estimasi Parameter

Penyusunan Diagram Alur

Validasi Model

Modifikasi Model

Penilaian Model fit

Tidak 

Fit 

Fit

61 

 

  

 

3.9.5.1 Konseptualisasi Model

Tahap ini berhubungan dengan pengembangan hipotesis (berdasarkan teori-

teori) sebagai dasar dalam menghubungkan variable latent dengan variable laten

lainnya, dan juga dengan indicator-indikatornya. Dengan kata lain model yang

dibentuk adalah persepsi kita mengenai bagaimana variable latent dihubungkan

berdasarkan teori dan bukti yang diperoleh dari ilmu kita. Konseptualisasi model ini

juga harus merefleksikan pengukuran variable latent melalui berbagai indicator yang

dapat diukur. Perlu diperhatikan bahwa sukses tidaknya analisis Structural Equation

Modeling harus didasari pada kuatnya teori yang mendukung.

Konseptualisasi model mengharuskan dua hal yang harus dilakukan, yaitu :

a. Menentukan hubungan yang dihipotesiskan antara variable latent. Tahap

pengembangan model ini berfokus pada pengembangan model structural, dan

harus merepresentasikan kerangka teoritis untuk diuji.

Dalam penelitian ini Experiential Marketing yang dilakukan Café Strawberry

merupakan variable exogenous (variable eksogen), karena variabel experiential

marketing tidak dipengaruhi variabel lainnya dalam model. Sedangkan variabel

customer satisfaction dan word of mouth merupakan variabel endogenus

(variabel endogen), karena keduanya dipengaruhi oleh variabel lain dalam model

penelitian. Namun variabel customer satisfaction merupakan variabel endogenus

yang independen, yang mempengaruhi variabel endogenus lain dalam model.

Dengan kata lain, variabel customer satisfaction merupakan variabel

intervening. Karena variabel endogenus tidak secara sempurna dipengaruhi oleh

variabel yang dihipotesiskan (masih terdapat kemungkinan variabel endogenus

tersebut dipengaruhi oleh variabel selain yang dihipotesiskan), maka error term

(atau residual) juga dihipotesiskan mempengaruhi variabel endogenus dalam

model.

62 

 

  

 

b. Memfokuskan pada pengukuran model dan menghubungkannya dengan

operasional variabel laten. Sehingga dikenal beberapa indicator (manifest

variabel) yang digunakan untuk mengukur variabel laten (unobserved variabel).

Variabel manifest dalam LISREL biasanya menggunakan reflective indicators

(effect indicators), yang berarti konstruk laten dianggap mempengaruhi variabel

observed.

63 

 

  

 

3.9.5.2 Penyusunan Diagram Alur

18λ17λ16λ

14λ

15λ

161λ  

141λ

Gambar 3.2 Diagram Alur

+

91λ

 

 

19λ

110λ

111λ

112λ

113λ  

13λ

12λ  

11λ

1ζ

12ε  

13ε

11ε

10ε

9ε

8ε

7ε  

6ε

5ε

4ε

3ε

2ε

1ε  CS1

CS2

CS3

CS4

CS5

CS6

CS7

CS8

CS13

CS12

CS11

CS10

CS9

Customer

Satisfaction ( 1η )

81λ

61λ  

71λ  

51λ  

41λ  

31λ

21λ

11λ

151λ  

121λ  

171λ

191λ  

181λ  

11γ  

 

21λ

22λ

23λ

16ε  

15ε  

14ε

1δ

2δ

3δ

4δ

5δ  

6δ

7δ

8δ

9δ

10δ

11δ

12δ

13δ

14δ

15δ

16δ

17δ  

18δ 

19δ 

WOM2

WOM1

WOM3

12γ +

Word Of Mouth ( 2η )

EM1

EM2

EM3

EM4

EM6

EM5

EM7

EM8

EM9

EM10

EM11

EM12

EM13

EM16

EM15

EM14

EM17

EM18

EM19

Experiential

Marketing ( 1ξ ) 21β  +

2ζ  

Sumber : Ghozali,2005,pg20 

64 

 

  

 

Keterangan :

ξ (ksi) = Variable laten eksogen

1η (eta) = Variabel laten endogen independen

2η (eta) = Variabel laten endogen dependen

X = Indikator variabel laten eksogen

Y = Indikator variabel laten endogen

δ (delta) = Kesalahan pengukuran (measurement error) dari indicator variabel

laten eksogen

ε (epsilon)= Kesalahan pengukuran (measurement error) dari indicator variabel

laten endogen

γ (gamma)= Hubungan langsung variabel laten eksogen terhadap variabel laten

endogen

β (beta) = Hubungan langsung variabel laten endogen terhadap variabel laten

endogen

λ (lamda) = Hubungan antara variabel laten baik eksogen maupun endogen

terhadap variabel observed atau indikatornya

1ζ (zeta) = Kesalahan dalam persamaan antara variabel eksogen terhadap

variabel endogen

2ζ (zeta) = Kesalahan dalam persamaan antara variabel endogen terhadap

variabel endogen lainnya

65 

 

  

 

3.9.5.3 Spesifikasi Model

Pada tahap ini pertama, peneliti mengungkapkan sebuah konsep

permasalahan penelitian. Permasalahan penelitian merupakan sebuah pernyataan

atau dugaan hipotesis terhadap suatu masalah. Kedua, mendefinisikan variabel-

variabel yang akan terlibat dalam penelitian dan mengkategorikannya sebagai

variabel eksogen dan variabel endogen. Ketiga, menentukan metode pengukuran

untuk variabel tersebut. Apakah bisa diukur secara langsung (measurable variable)

atau membutuhkan variabel manifest (manifest variable atau indicator-indikator

untuk mengukur konstrak laten). Pendekatan teori yang benar dibutuhkan saat akan

menentukan indikator-indikator yang akan mengukur konstrak laten.

Apabila belum ada pijakan teori sebelumnya (atau referensi), maka

pendekatan pengalaman atau pijakan nilai logis dapat dipertimbangkan. Langkah

keempat adalah mendefinisikan hubungan kausal structural antar variabel (antara

variabel eksogen dan variabel endogen), apakah hubungan struktural recursive atau

hubungan structural nonrecursive. Seperti hal nya langkah ketiga, pendekatan

teoritis yang benar tentang hubungan structural antarvariabel pada langkah ini

diperlukan. Langkah kelima, adalah langkah opsional, yaitu membuat diagram alur

hubungan antar konstrak laten dan antar konstrak laten beserta indikator-indikator

nya. Langkah ini dimaksudkan untuk memperoleh visualisasi hubungan antar variabel

dan akan mempermudah dalam pembuatan program Lisrel.

3.9.5.4 Identifikasi Model

Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup

untuk mengestimasi parameter dalam model. Disini kita harus dapat memperoleh

nilai yang unik untuk seluruh parameter dari data yang telah kita peroleh. Jika hal ini

tidak dapat dilakukan, maka modifikasi model mungkin harus dilakukan untuk dapat

66 

 

  

 

diidentifikasi sebelum melakukan estimasi parameter. Untuk menentukan apakah

model dalam penelitian ini mengandung atau tidak masalah identifikasi, maka harus

dipenuhi keadaan berikut :

t ≤2s

dimana :

t = jumlah parameter yang diestimasi

s = jumlah varians dan kovarians antara variabel manifest

p = jumlah indicator variabel endogen

q = jumlah indicator variabel eksogen

• Jika t ≥ 2s

, maka model tersebut adalah unidentified atau under-identified.

Under-identified model adalah model dengan jumlah parameter yang diestimasi

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

model yang dispesifikasikan tidak memiliki penyelesaian yang unik.

• Jika t = 2s

, maka model tersebut adalah just-identified. Just-identified model

adalah model dengan jumlah parameter yang diestimasi sama dengan data yang

diketahui. Pada kondisi just-identified model yang dispesifikasi hanya memiliki

satu penyelesaian.

• Jika t ≤2s

, maka model tersebut adalah over-identified. Under-identified model

adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah

data yang diketahui. Pada kondisi over-identified, penyelesaian model yang

diperoleh melalui proses estimasi iterasi. Penyelesaian yang diperoleh biasanya

merupakan nilai-nilai yang konvergen ke nilai-nilai yang stabil. Over-identified ini

dapat menggunakan persamaan yang tersisa untuk menguji fit atau tidaknya

suatu model.

67 

 

  

 

3.9.5.5 Estimasi Parameter

Dalam program LISREL, data dibagi menjadi dua, yaitu Data Continuous dan

Data Ordinal. Jenis data yang digunakan dalam penelitian ini adalah data ordinal,

karena data memiliki kategori berurutan dan menggunakan skala Likert (1-5). Akan

tetapi data ordinal yang mengharuskan penggunaan metode estimasi Weighted

Least Square sulit untuk dilakukan karena memerlukan jumlah data yang sangat

besar (lebih besar dari 1000). Penggunaan data ordinal sebagai data continuous dan

diestimasi menggunakan metode Maximum Likelihood dengan menggunakan ukuran

data yang kecil dan jumlah kategori yang lebih dari tiga akan menghasilkan

kemungkinan bias yang kecil.

Metode estimasi Maximum Likelihood (ML) adalah metode yang paling

populer digunakan pada penelitian Structural Equation Modeling. Maximum

Likelihood akan menghasilkan estimasi parameter yang valid, efisien, dan reliabel

apabila data yang digunakan adalah multivariate normality dan tidak

terpengaruh/kuat terhadap penyimpangan multivariate normality yang sedang

(moderate). Tetapi estimasi akan bias apabila pelanggaran terhadap multivariate

normality sangat besar (Ghozali dan Fuad, 2005, p35-36). Oleh karena itu metode

Maximum Likelihood perlu disertai dengan melakukan koreksi terhadap bias pada

nilai standar error dan chi-square atas dilanggarnya normalitas dengan

menggunakan asymptotic covariance matrix. Penggunaan metode estimasi Maximum

Likelihood akan menghasilkan output yang menunjukkan nilai loading yang sama

dengan apabila menggunakan metode estimasi Weighted Least Square. Ukuran

sampel yang disarankan Hair et al. (1998) untuk penggunaan estimasi Maximum

Likelihood adalah sebesar 100-200. Kelemahan metode Maximum Likelihood adalah

metode ini akan menjadi sangat sensitif dan menghasilkan indeks goodness of fit

yang buruk apabila data yang digunakan adalah besar (antara 400-500).

68 

 

  

 

3.9.5.6 Penilaian Model fit

Tahapan ini ditujukan untuk mengevaluasi derajat kecocokan atau Goodness

of Fit (GOF) antara data dan model. Menurut Hair et al. (1955) dalam buku Lisrel

(Sitinjak, Sugianto, 2006) evaluasi terhadap GOF model dilakukan beberapa

tingkatan yaitu :

1. Kecocokan keseluruhan model (overall model fit)

Penilaian derajat kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan

secara langsung sebagaimana pada teknik multivariate yang lain. SEM tidak

mempunyai uji statistic terbaik yang dapat menjelaskan kekuatan prediksi model.

Untuk itu telah dikembangkan beberapa ukuran derajat kecocokan yang dapat

digunakan secara saling mendukung. Hair et. Al. (199:660, Wijanto, 2008:51-58)

mengelompokkan ukuran GOF yang ada ke dalam 3 bagian yaitu :

a. Absolute fit measure (ukuran kecocokan absolute)

Menentukan derajat prediksi model keseluruhan (model structural dan

pengukuran) terhadap matrik korelasi dan kovarian.

b. Incremental fit measures

Membandingkan model yang diusulkan dengan model dasar yang sering

disebut sebagai null model dan independence model.

c. Parsimonious fit measure (ukuran kecocokan parsimony)

Mengaitkan model dengan jumlah koefisien yang diestimasi yakni yang

diperlukan untuk mencapai kecocokan pada tingkat tersebut. Sesuai dengan

prinsip parsimony atau kehematan berarti memperoleh degree of fit setinggi-

tingginya untuk setiap degree of freedom.

69 

 

  

 

Dalam Structural Equation Modeling, penilaian model fit tidak sejelas

pendekatan statistik berdasarkan pengukuran variabel tanpa error. Karena belum

ada tes signifikansi statistik tunggal dalam mengidentifikasi model yang benar dalam

mewakili data sampel. Oleh karena itu diperlukan beberapa kriteria untuk penilaian

model fit.

Secara keseluruhan Goodness of Fit dari suatu model dapat dinilai

berdasarkan beberapa ukuran fit berikut (Imam Ghozali dan Fuad, 2005, p29-34) :

1. Chi-Square dan Probabilitas

Nilai Chi-Square menunjukkan adanya penyimpangan antara sample covariance

matrix dan model (fitted) covariance matrix. Namun nilai Chi-Square hanya akan

valid apabila asumsi normalitas data terpenuhi dan ukuran sampel adalah besar.

Nilai Chi-Square sebesar 0 menunjukkan bahwa model memiliki fit yang

sempurna (perfect fit). P adalah probabilitas untuk memperoleh penyimpangan

(deviasi) besar sebagaimana ditunjukkan oleh nilai Chi-Square. Nilai probabilitas

Chi-Square yang tidak signifikan (lebih daripada 0,05) adalah yang diharapkan,

karena menunjukkan bahwa data empiris yang diperoleh sesuai dengan model

yang telah dibangun berdasarkan Structural Equation Modeling.

2. Goodness of Fit Indices

Goodness of Fit Indices (GFI) merupakan suatu ukuran mengenai ketepatan

model dalam menghasilkan observed matriks kovarians. Nilai GFI harus berkisar

antara 0 dan 1. Model yang memiliki nilai GFI negatif adalah model yang paling

buruk dari seluruh model yang ada. Nilai GFI yang lebih besar daripada 0,9

menunjukkan fit suatu model yang baik.

70 

 

  

 

3. Adjusted Goodness of Fit Index

Adjusted Goodness of Fit Index (AGFI) adalah sama seperti GFI, tetapi telah

menyesuaikan pengaruh degrees of freedom pada suatu model. Model yang fit

adalah model yang memiliki nilai AGFI 0,9. Ukuran yang hampir sama dengan

GFI dan AGFI adalah Parsimony Goodness of Fit Index (PGFI) yang

diperkenalkan oleh Mulaik et al (1989) yang juga telah menyesuaikan adanya

dampak dari degrees of freedom dan kompleksitas model. Model yang baik

apabila memiliki nilai PGFI jauh lebih besar daripada 0,6.

4. Root Mean Square Error of Approximation (RMSEA)

RMSEA yang diperkenalkan oleh Steiger dan Lind pada tahun 1980 ini

merupakan indikator model fit yang paling informatif. RMSEA mengukur

penyimpangan nilai parameter pada suatu model dengan matriks kovarians

populasinya. Suatu model dikatakan fit apabila nilai RMSEA kurang daripada

0,05, dan nilai RMSEA yang berkisar antara 0,08-0,1 mengindikasikan model

memiliki fit yang cukup (mediocre), sedangkan RMSEA yang lebih besar daripada

0,1 mengindikasikan model fit yang sangat jelek. Steiger (1990) dan MacCallum

(1996) menganjurkan penggunaan confidence intervals untuk menilai ketetapan

estimasi RMSEA. LISREL 8.54 menyajikan 90% interval atas nilai RMSEA yang

diharapkan, sehingga RMSEA memiliki ketepatan yang baik. Joreskog (1996)

menganjurkan bahwa nilai P-value for test of close fit (RMSEA < 0,05) haruslah

lebih besar daripada 0,5.

5. Expected Cross Validation Index

Menurut Byrne (1998), Expected Cross Validation Index (ECVI) mengukur

penyimpangan antara fitted (model) covariance matrix pada sampel yang

dianalisis dan kovarians matriks yang akan diperoleh pada sampel lain tetapi

71 

 

  

 

yang memiliki ukuran sampel yang sama besar. Model yang memiliki ECVI

terendah berarti model tersebut sangat potensial untuk direplikasi. Nilai ECVI

model yang lebih rendah daripada ECVI yang diperoleh pada saturated model

dan independence model mengindikasikan bahwa model adalah fit.

6. Akaike’s Information Criterion (AIC) dan CAIC

AIC dan CAIC digunakan untuk menilai mengenai masalah parsimony dalam

penilaian model fit. Meskipun nilai AIC dan CAIC tidak sensitif terhadap

kompleksitas model, namun AIC lebih sensitif dan dipengaruhi oleh banyaknya

jumlah sampel yang digunakan. AIC dan CAIC membandingkan dua atau lebih

model, dimana nilai AIC dan CAIC yang lebih kecil dari AIC dan CAIC model

saturated maupun independence berarti memiliki model fit yang lebih baik.

7. Fit Index

Normed Fit Index (NFI) yang ditemukan oleh Bentler dan Bonens (1980),

merupakan salah satu alternatif untuk menentukan model fit. Namun karena NFI

memiliki tendensi untuk merendahkan fit pada sampel yang kecil, Bentler (1990)

merevisi indeks ini dengan nama Comparative Fit Index (CFI). Nilai NFI dan CFI

berkisar antara 0 dan 1. Suatu model dikatakan fit apabila nilai NFI dan CFI lebih

besar daripada 0,9. Sedangkan Non-Normed Fit Index (NNFI) digunakan untuk

mengatasi permasalahan yang timbul akibat kompleksitas model. Tetapi karena

NNFI adalah “non-normed”, nilainya dapat lebih besar daripada 1, sehingga

susah untuk diinterpretasikan. Meskipun ketiga indeks tersebut dihasilkan pada

output LISREL, tetapi Bentler (1990) menganjurkan penggunaan CFI sebagai

ukuran fit. Incremental Fit Index (IFI), yang diperkenalkan oleh Bollen (1990)

digunakan untuk mengatasi masalah parsimony dan ukuran sampel, dimana hal

tersebut berhubungan dengan NFI. Menurut Byrne (1998), batas Cut-off IFI

72 

 

  

 

adalah 0,9. Sedangkan Relative Fit Index (RFI) digunakan untuk mengukur fit

dimana nilainya adalah 0 sampai 1. Nilai yang lebih besar menunjukkan adanya

superior fit.

2. Kecocokan model pengukuran (measurement model fit)

Evaluasi ini dilakukan terhadap setiap construct atau model pengukuran

(hubungan antara sebuah variabel laten dengan beberapa variabel

teramati/indikator) secara terpisah melalui evaluasi terhadap validitas construct

dan evaluasi terhadap reliabilitas construct (Wijanto, 2008:64) :

a. Validitas dari model pengukuran

Validitas berhubungan dengan apakah suatu variable mengukur apa

yang seharusnya diukur. Validitas dalam penelitian menyatakan derajat

ketepatan alat ukur penelitian terhadap alat ukur penelitian terhadap isi atau

arti sebenarnya yang diukur. Uji validitas adalah uji yang digunakan untuk

menunjukkan sejauh mana alat ukur bisa digunakan dalam suatu penelitian

mengukur apa yang ingin diukur. Dengan uji ini dilakukan pemeriksaan

apakah item-item yang dieksplorasi mendukung item total atau tidak. Suatu

instrument penelitian dianggap valid jika informasi yang ada pada tiap item

berkorelasi erat dengan informasi dari item-item tersebut sebagai satu

kesatuan.

Validitas dapat dibedakan menjadi : content validity, criterion

validity, construct validity, dan convergent and discriminant validity. Menurut

Ridgon dan Ferguson (1991) dalam Yamin (2009:36) suatu variabel

dikatakan mempunyai validitas yang baik terhadap suatu konstrak laten

apabila :

73 

 

  

 

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

(>1,96 atau praktisnya >2)

• Muatan faktor standarnya (standardized factor loading) lebih besar atau

sama dengan 0,7

• Igbaria et al. (1997) dalam Yamin (2009:36) yang menggunakan

guidelines dari Hair et al. (1995) tentang “relative importance dan

significant of the loading factor item” factor lo9ading ≥0,5 adalah sangat

signifikan.

b. Reliabilitas

Reliabilitas menunjukkan pada suatu pengertian bahwa instrument

yang digunakan dalam penelitian untuk memperoleh informasi yang

diinginkan dapat dipercaya (terandal) sebagai alat pengumpul data serta

mampu mengungkap informasi yang sebenarnya dilapang. Instrument yang

reliable adalah instrument yang bilamana dicobakan secara berulang ulang

kepada kelompok yang sama akan menghasilkan data yang sama dengan

asumsi tidak terdapat perubahan psikologis pada responden. Instrument

yang baik tidak bersifat tendensius mengarahkan responden untuk memilih

jawaban tertentu sebagaimana dikehendaki oleh peneliti. Instrument yang

reliable akan menghasilkan data yang sesuai dengan kenyataannya, dalam

artian berapa kalipun penelitian diulang dengan instrument tersebut akan

tetap diperoleh “kesimpulan” yang sama (walaupun perolehan angka

nominalnya tidak harus sama)

Secara prinsip reliabilitas mencerminkan konsistensi suatu

pengukuran. Reliabilitas yang tinggi menunjukkan bahwa indicator-indikator

(variabel-variabel teramati) mempunyai konsistensi tinggi dalam mengukur

74 

 

  

 

variable latennya. Teknik yang paling banyak digunakan untuk mengukur

reliabilitas adalah cronbach’s alpha. Meskipun demikian, Cronbach’s alpha

akan memberikan estimasi terlalu rendah jika digunakan untuk mengestimasi

reliabilitas. Menurut Hair et, al. (1995) pengukuran reliabilitas untuk SEM

dapat dilakukan dengan menggunakan Composite/Construct Reliability

measure (ukuran reliabilitas komposit/konstruk) maupun variance extracted

measure (ukuran ekstrak varian). Ekstrak varian mencerminkan jumlah

varian keseluruhan dalam indicator yang dijelaskan oleh construct latent.

Reliabilitas construct dikatakan baik, jika construct reliability-nya ≥ 0.70 dan

nilai variance extractednya ≥ 0.05.

3. Kecocokan model structural (structural model fit)

Uji kecocokan ini dilakukan terhadap koefisien-koefisien persamaan

structural dengan menspesifikasikan tingkat signifikan tertentu. Dalam hal

tingkat signifikan adalah 0.05, maka nilai t dari persamaan structural harus >

1.96. selain itu juga perlu dilakukan evaluasi terhadap solusi standar dimana

semua koefisien mempunyai varian yang sama dan nilai maximumnya adalah

1. Sebagai ukuran menyeluruh terhadap persamaan structural, overall

coefficient of determination (R2) dievaluasi seperti pada regresi berganda.

75 

 

  

 

3.9.5.7 Modifikasi Model

Tahapan ini ditujukan untuk melakukan spesifikasi ulang terhadap model

untuk memperoleh derajat kecocokan yang lebih baik. Respisifikasi ini sangant

tergantung kepada strategi permodelan yang dipilih. Dalam SEM tersedia 3 strategi

permodelan yang dapat dipilih. (Joreskog dan Sorbom 1996. Hair et.a.,1998) dalam

(Wijanto, 2008:67), yaitu :

1. Strategi pemodelan konfirmatori (Confirmatory modeling strategy) atau strictly

confirmatory/SC. 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.

2. Strategi kompetisi model (competing models strategy) atau

alternative/competing models/AM. Pada strategi pemodelan ini beberapa model

alternative dispesifikasikan dan berdasarkan analisis terhadap satu kelompok

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

respesifikasi hanya diperlukan jika model-model alternative dikembangkan dari

beberapa model yang ada.

3. Strategi pengembangan model (model development strategy) atau model

generating/MG. 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.

76 

 

  

 

Respesifikasi terhadap model dapat dilakukan berdasarkan theory-driven lebih

dianjurkan.

Strategi pemodelan konfirmatori (SC) jarang ditemui, karena umumnya

peneliti tidak cukup puas dengan hanya menolak suatu model tanpa mengusulkan

model alternative. Strategi kompetisi model (AM) digunakan oleh beberapa peneliti,

namun strategi ini juga termasuk yang tidak banyak digunakan. Saat ini yang paling

banyak digunakan dalam penelitian adalah strategi pengembangan model (MG).

3.9.5.8 Validasi silang model

Validasi silang model menguji fit-tidaknya model penelitian terhadap suatu

data baru (atau validasi sub-sampel yang diperoleh melalui prosedur pemecahan

sampel).

3.10 Rancangan Uji Hipotesis

Hipotesis diartikan sebagai jawaban sementara terhadap rumusan masalah

penelitian dan pada dasarnya merupakan suatu proporsi atau anggapan yang mungkin

benar dan sering digunakan sebagai dasar pembuatan keputusan atau pemecahan

persoalan ataupun untuk dasar penelitian lebih lanjut. Untuk dapat diuji, suatu hipotesis

haruslah dinyatakan secara kuantitatif.

Dalam menerima atau menolak suatu hipotesis yang diuji, ada satu hal yang

harus dipahami, bahwa penolakan suatu hipotesis berarti menyimpulkan hipotesis itu

salah, sedangkan menerima suatu hipotesis semata-mata mengimplikasikan bahwa kita

mempunyai bukti untuk mempercayai sebaliknya.

Hipotesis yang dirumuskan dengan harapan akan diterima membawa

penggunaan istilah hipotesis nol. Penerimaan hipotesis nol dilambangkan dengan H0

77 

 

  

 

mengakibatkan penerimaan suatu hipotesis alternative, yang dilambangkan dengan Ha

atau H1. Jadi hipotesis nol adalah pernyataan tidak adanya perbedaan antara parameter

dengan statistic (data sampel). Lawan dari hipotesis nol adalah hipotesis alternative yang

menyatakan adanya perbedaan antara parameter dan statistik.

Structural Equation Modeling memiliki dua tujuan utama dalam analisisnya.

Tujuan pertama adalah untuk menentukan apakah model plausible (masuk akal) atau fit,

sedangkan tujuan keduanya adalah untuk menguji berbagai hipotesis yang telah

dibangun sebelumnya.

Berikut merupakan prosedur uji hipotesis :

1. Menentukan H0 dan Ha

Variabel-variabel penelitian sebagai berikut :

X : Experiential Marketing

Y : Customer Satisfaction

Z : Word of Mouth

Berikut Hipotesis nya :

1. Experiential Marketing Café strawberry berpengaruh secara signifikan

terhada Customer Satisfaction

H0 : Experiential Marketing Café strawberry tidak berpengaruh secara

signifikan terhadap Customer Satisfaction

H1 : Experiential Marketing Café strawberry berpengaruh secara

signifikan terhadap Customer Satisfaction

2. Experiential Marketing Café strawberry berpengaruh secara signifikan

terhadap Word of Mouth

H0 : Experiential Marketing Café strawberry tidak berpengaruh secara

signifikan terhadap Word of Mouth

78 

 

  

 

H2 : Experiential Marketing Café strawberry berpengaruh secara

signifikan terhadap Word of Mouth

3. Customer Satisfaction berpengaruh secara signifikan terhadap Word of

Mouth

H0 : Customer Satisfaction tidak berpengaruh secara signifikan

terhadap Word of Mouth

H3 : Customer Satisfaction berpengaruh secara signifikan terhadap

Word of Mouth

4. Customer Satisfaction memediasi pengaruh Experiential Marketing

terhadap Word of Mouth

H0 : Customer Satisfaction tidak memediasi pengaruh antara

Experiential Marketing terhadapWord of Mouth

H4 : Customer Satisfaction memediasi pengaruh antara Experiential

Marketing terhadap Word of Mouth

3.11 Rancangan Implikasi Hasil Penelitian

Hasil penelitian Structural Equation Modeling dengan menggunakan program

LISREL akan menghasilkan output yang sangat berguna untuk mengetahui hubungan

antara experiential marketing, customer satisfaction, dan word of mouth di Café

Strawberry. Dengan begitu mereka dapat mengetahui apakah experiential marketing

yang mereka terapkan memberikan pengaruh positif terhadap customer satisfaction dan

word of mouth konsumen mereka.

Hasil penelitian juga akan memberikan informasi mengenai indicator manakah

yang memiliki kontribusi terbesar dalam merepresentasikan experiential marketing,

customer satisfaction, dan word of mouth konsumen mereka. Dengan begitu Café

Strawberry dapat lebih berfokus pada indicator tersebut dalam melakukan pengambilan

79 

 

  

 

keputusan strategi untuk meningkatkan experiential marketing, customer satisfaction,

yang akan membentuk word of mouth dari konsumen yang berkunjung.