Upload
vodien
View
216
Download
0
Embed Size (px)
Citation preview
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.