BAB IV HASIL DAN PEMBAHASAN

4.1. Hasil Penelitian 4.1.1. Uji Reliabilitas Reliabilitas menurut Umas Karan (2012) adalah sebuah pengukuran yang mengindikasikan kestabilan dan konsistensi dimana instrumen mengukur konsep dan menolong menilai ketepatan dalam pengukuran. Sebuah instrumen penelitian dikatakan reliabel apabila nilai crombachs alpha lebih besar dari 0.6 (Gozali, 2001). Dalam penelitian ini semua intrumen baik instumen untuk mengukur independen variabel hingga dependen variabel memiliki nilai yang lebih besar dari 0.6. Table dibawah ini menunjukan nilai crombachs alpha dari seluruh instrument penelitian ini. Tabel 4.1 Reliabilitas Instrumen Penelitian Variabel Karakteristik Online Network Structure Sub Variabel Crombachs Alpha Tie Strength 0.748 Network Density 0.835 Network Centrality 0.757 Homophile 0.888 Variabel Network Involvement Cognitive involvement 0.899 Affective Involvement 0.848 Variabel Purchase Intention

Purchase Intention

0.932

4.1.2. Uji Validitas Konstruk Uji validitas pada penelitian ini, peneliti menggunakan faktor analisis untuk menguji validitas konstruk instrument penelitia ini. Pada penelitian ini, peneliti akan menguji validitas konstruk variabel bebas dalam penelitian ini. Dibawah ini adalah uji validitas konstruk untuk variabel characteristic network structure dan network involvement.
1. Uji validitas konstruk untuk variabel characteristic network structure

Uji validitas konstruk variabel characteristic network structure terjadi sebanyak tiga kali dikarenakan beberapa instumen pertanyaan dalam penelitian yang mengukur characteristic network structure memiliki nilai communalities yang kurang dari 0.5 dan adanya beberapa instrumen yang dapat mengukur dua variabel sekaligus (cross loading) serta nilai component matrix yang kurang dari 0.5.
a. Uji awal variabel konstruk instrumen-instrumen characteristic network

structure

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square .867 2992.120

Df Sig.

210 .000

Communalities Initial tie_strength_1 tie_strength_2 tie_strength_3 tie_strength_4 tie_strength_5 network_density_1 network_density_2 network_density_3 network_density_4 network_density_5 network_density_6 network_centrality_1 network_centrality_2 network_centrality_3 network_centrality_4 network_centrality_5 homophile_1 homophile_2 homophile_3 homophile_4 homophile_5 Extraction Analysis. Method: 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Principal Extraction .579 .666 .552 .601 .413 .626 .685 .731 .634 .437 .695 .692 .496 .581 .619 .516 .585 .746 .678 .728 .711 Component

Pada uji faktor analisis pertama untuk variabel characteristic network involvement, nilai KMO menunjukan nilai yang lebih besar dari 0.5 yaitu 0.867. Nilai tersebut menunjukan bahwa pengujian instrument characteristic network structure

dapat dilanjutkan pada tahap selanjutnya. Namun, apabila kita merujuk pada tabel communalities, nilai tie strength 5, network density 5 dan network centrality 2 memiliki nilai kurang dari 0.5. Nilai ketiga instrument tersebut harus dihapus.

b. Uji kedua variabel konstruk instrumen-instrumen characteristic network

structure

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square Df Sig. Communalities Initial tie_strength_1 tie_strength_2 tie_strength_3 tie_strength_4 network_density_1 network_density_2 network_density_3 network_density_4 network_density_6 network_centrality_1 network_centrality_3 network_centrality_4 network_centrality_5 homophile_1 homophile_2 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .622 .703 .557 .578 .639 .688 .778 .642 .667 .672 .558 .704 .576 .591 .756 .862 2552.378 153 .000

homophile_3 homophile_4 homophile_5 Extraction Analysis. Method:

1.000 1.000 1.000 Principal

.690 .727 .715 Component

Rotated Component Matrixa Component 1 tie_strength_1 tie_strength_2 tie_strength_3 tie_strength_4 network_density_1 network_density_2 network_density_3 network_density_4 network_density_6 network_centrality_1 network_centrality_3 network_centrality_4 network_centrality_5 homophile_1 homophile_2 homophile_3 homophile_4 homophile_5 .000 .088 .667 .256 .766 .803 .815 .766 .738 -.041 .210 .316 -.064 .098 .174 .132 .217 .145 2 .056 .106 .025 .309 .201 .194 .110 .188 .098 .060 .294 .255 .247 .674 .815 .791 .794 .825 3 .768 .815 .327 .643 .096 .065 -.147 .142 -.057 .519 .224 -.026 .190 .269 .194 .140 -.052 .033 4 .173 .137 .070 .059 -.043 -.039 .282 -.010 .330 .630 .614 .733 .689 .233 .150 .168 .213 .109

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.

Pada uji faktor analisis yang kedua untuk variabel characteristic network structure menunjukan bahwa nilai KMO dan nilai communalities lebih besar dari 0.5 namun pada table rotated component matrix, instrumen network centrality 1 terjadi cross loading yang berarti instumen network centrality 1 tidak bisa mengukur validitas konstruk dari variabel network centrality. Agar variabel network centrality bersifat valid maka instrumen network centrality 1 harus dihilangkan dari tabel rotated component matrix.

c. Uji ketiga variabel konstruk instrumen-instrumen characteristic network

structure

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square Df Sig.

.863 2379.192 136 .000

Communalities Initial tie_strength_1 tie_strength_2 tie_strength_3 tie_strength_4 network_density_1 network_density_2 network_density_3 network_density_4 network_density_6 network_centrality_3 network_centrality_4 network_centrality_5 homophile_1 homophile_2 homophile_3 homophile_4 homophile_5 Extraction Analysis. Method: 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Principal Extraction .669 .718 .559 .582 .664 .705 .779 .637 .671 .536 .753 .584 .592 .758 .695 .717 .704 Component

Rotated Component Matrixa Component 1 tie_strength_1 -.019 2 .046 3 .796 4 .181

tie_strength_2 tie_strength_3 tie_strength_4 network_density_1 network_density_2 network_density_3 network_density_4 network_density_6 network_centrality_3 network_centrality_4 network_centrality_5 homophile_1 homophile_2 homophile_3 homophile_4 homophile_5

.078 .660 .253 .778 .811 .803 .763 .724 .192 .281 -.090 .095 .172 .133 .207 .141

.109 .015 .316 .220 .206 .099 .179 .088 .306 .235 .247 .686 .819 .799 .780 .815

.829 .336 .646 .075 .050 -.126 .150 -.033 .248 .029 .225 .266 .193 .130 -.043 .033

.116 .100 .037 -.066 -.045 .330 .028 .372 .586 .786 .681 .204 .145 .149 .252 .134

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.

Pada uji faktor analisis yang ketiga untuk variabel characteristic network involvement, seperti yang ditunjukan oleh ketiga tabel diatas maka dapat disimpulkan bahwa seluruh instrumen variabel characteristic network structure dinyatakan valid karena seluruh instrumennya telah memenuhi syarat untuk validitas konstruk khususnya pada tabel rotated component matrix. Nilai KMO mendekati nilai 1, nilai communalities juga lebih besar dari 0.5 serta pada tabel rotated component matrix nilai menunjukan nilai yang lebih besar dari 0.5 dan satu variabel dapat mengukur satu komponen. Insturmen variabel characteristic network structure yang memenuhi syarat validitas konsturk antara lain adalah.

Tabel 4.2 Insturmen Yang Memenuhi Validitas Konstruk Variabel Characteristic Network Structure Variabel Tie strength Instrumen Tie strength 1
Tie strength 2 Tie strength 4

Network density

Tie strength 3 Network density 1 Network density 2 Network density 3 Network density 4 Network density 6

Network centrality

Network centrality 3 Network centrality 4 Network centrality 5

Homophile

Homophile 1 Homophile 2

 Homophile 3 Homophile 4 Homophile 5

2. Uji validitas konstruk untuk variabel network involvement

Uji validitas konstruk variabel network involvement terjadi sebanyak dua kali dikarenakan beberapa instumen pertanyaan dalam penelitian yang mengukur characteristic network structure memiliki nilai cross loading.
a. Uji awal variabel konstruk instrumen-instrumen characteristic network

structure

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square Df Sig. .896 2121.364 45 .000

Communalities Initial cognitive_involvement_1 cognitive_involvement_2 cognitive_involvement_3 cognitive_involvement_4 cognitive_involvement_5 1.000 1.000 1.000 1.000 1.000 Extraction .783 .735 .843 .834 .645

affective_involvement_1 affective_involvement_2 affective_involvement_3 affective_involvement_4 affective_involvement_5

1.000 1.000 1.000 1.000 1.000

.774 .703 .688 .572 .682

Extraction Method: Principal Component Analysis.

Rotated Component Matrixa Component 1 cognitive_involvement_1 cognitive_involvement_2 cognitive_involvement_3 cognitive_involvement_4 cognitive_involvement_5 affective_involvement_1 affective_involvement_2 affective_involvement_3 affective_involvement_4 affective_involvement_5 .854 .838 .877 .868 .627 .208 .170 .311 .558 .581 2 .231 .182 .274 .284 .503 .855 .821 .769 .510 .587

Extraction Method: Principal Component Analysis. Rotation Normalization. a. Rotation converged in 3 iterations. Method: Varimax with Kaiser

Pada uji faktor analisis yang pertama untuk variabel network involvement. Nilai KMO lebih besar dari 0.5 yang berarti instrument tersebut dapat digunakan untuk pengujian selanjutnya. Nilai communalities menunjukan nilai yang lebih besar dari 0.5 yang berarti seluruh instrument variabel network involvement telah memenuhi uji communalities. Namun, nilai component matrix, terdapat tiga

instrument yang mengalami cross loading yaitu instrument cognitive involvement 5, affective involvement 4 dan affective involvement 5. Ketiga instrument tersebut harus dihilangkan dari component metrix agar instrumen dapat memenuhi validitas konstruk.

b. Uji kedua variabel konstruk instrumen-instrumen network involvement

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square Df Sig. .829 1357.628 21 .000

Communalities Initial cognitive_involvement_1 cognitive_involvement_2 cognitive_involvement_3 cognitive_involvement_4 affective_involvement_1 1.000 1.000 1.000 1.000 1.000 Extraction .778 .780 .854 .840 .819

affective_involvement_2 affective_involvement_3

1.000 1.000

.734 .679

Extraction Method: Principal Component Analysis.

Rotated Component Matrixa Component 1 cognitive_involvement_1 cognitive_involvement_2 cognitive_involvement_3 cognitive_involvement_4 affective_involvement_1 affective_involvement_2 affective_involvement_3 .855 .858 .882 .871 .226 .180 .318 2 .218 .209 .278 .286 .876 .838 .760

Extraction Method: Principal Component Analysis. Rotation Normalization. a. Rotation converged in 3 iterations. Method: Varimax with Kaiser

Pada uji faktor analisis yang kedua, seluruh uji baik KMO, communalities dan component matrix memiliki nilai yang lebih besar dari 0.5. Selain itu, pada tabel component matrix tidak ada instrumen yang mengalami cross loading. Instrumen network involvement yang memenuhi uji validitas konstruk adalah. Tabel 4.3 Insturmen Yang Memenuhi Validitas Konstruk Variabel Network Involvement Variabel Cognitive involvement Instrumen Cognitive involvement 1
Cognitive involvement 2

 Cognitive involvement 3 Cognitive involvement 4

Affective involvement

Affective involvement 1 Affective involvement 2 Affective involvement 3

4.1.3. Deskriptif Analisis Untuk dekriptif analisis, peneliti melakukan perhitungan jumlah sample untuk jenis kelamin, umur dan alat yang paling sering digunakan untuk mengakses internet. penjelasan mengenai jumlah jenis kelamin, umur dari responden yang terlibat dalam penelitian ini serta alat yang paling sering digunakan untuk mengakses internet dijelaskan pada grafik dibawah ini. Tabel 4.4 Jenis Kelamin
Jenis Kelamin Frequency Percent Valid Percent Cumulative Percent Valid Laki-Laki Perempuan Total 102 79 181 56.4 43.6 100.0 56.4 43.6 100.0 56.4 100.0

Gambar 4.1 Grafik Jenis Kelamin

Pada penelitian ini, jumlah laki-laki lebih dominan dibandingkan dengan jumlah perempua. Seperti yang digambarkan diatas, jumlah laki-laki yang terlibat dalam penelitian ini adalah sebesar 102 orang, dalam persentase jumlahnya menduduki 56.4%. Sedangkan untuk perempuan sebesar 79 orang, dalam persentase sebesar 43.4%.

Tabel 4.5 Usia Responden

Usia Responden Frequency Percent Valid Percent Cumulative Percent Valid 15 - 20 Tahun 20 - 25 Tahun 25 - 30 Tahun 30 - 35 Tahun Total 66 101 9 5 181 36.5 55.8 5.0 2.8 100.0 36.5 55.8 5.0 2.8 100.0 36.5 92.3 97.2 100.0

Gambar 4.2 Diagram Bar Usia Responden

Usia responden yang terlibat dalam penelitian ini adalah usia responden antara 20 hingga 25 tahun dan 15 hingga 20 tahun. Sedangkan untuk usia dengan jenjang antara 20 hingga 30 tahun dan 30 hingga 35 tahun menjadi responden minoritas. Alasan responden dengan jejang usia diantara 25 hingga 35 tahun lebih banyak mengakses internet dikarenakan pada usia tersebut responden memiliki cukup banyak kebutuhan untuk informasi di internet dibandingkan dengan usia diantara 15 hingga 20 tahun.

Tabel 4.6 Alat yang Digunakan Responden Dalam Mengakses Internet

Anda Mengakses Internet Melalui Frequency Percent Valid Percent Cumulative Percent Valid Komputer Telepon Pintar (Blackberry, I Phone, Android) Total 181 100.0 100.0 107 74 59.1 40.9 59.1 40.9 59.1 100.0

Gambar 4.3 Diagram Pie Alat Yang Digunakan Untuk Mengakses Internet Responden yang terlibat dalam penelitian ini memiliki intensitas yang lebih tinggi dalam menggunakan internet melalui komputer dibandingkan dengan smart phone. Komputer masih menjadi alat yang utama dalam mengkases internet dengan jumlah responden yang memilih komputer sebagai alat untuk mengakses internet sebesar 107 responden dan sisanya yaitu 74 orang memilih mengakses internet melalui smart phone.

1. Analisis deskriptif variabel characteristic network structure

Tabel 4.7 Deskriptif Analisis Variabel characteristic network structure

Statistics tie_strength network_densit y N Valid Missing Mean 181 0 9.4475 181 0 14.5028 Network_Centr ality 181 0 9.9116 181 0 16.3923 Homophile

Berdasarkan tabel diatas berdasarkan nilai rata-rata, masyarakat Indonesia khususnya kota Bandung cenderung terpengaruh untuk terlibat pada rekomendasi kawan dikarenakan variabel homophile. Variabel homophile sendiri adalah merujuk pada komposisi kelompok yang berhubungan dengan kesamaan dalam satu jaringan (Shin et al, 2011). Seseorang cenderung lebih menyukai untuk berkomunikasi dengan seseorang yang memiliki kesamaan dengan dirinya. Ketika seseorang memiliki rasa suka berkawan dengan seseorang yang memiliki kesamaan baik dalam bentuk aspirasi, pendapat maupun ide akan lebih mudah membentuk kepercayaan satu-sama lain. Ketika rasa percaya ini telah terbentuk maka akan sangat mudah sebuah informasi diterima oleh kelompok jaringan sosial masyarakat tersebut.

2. Analisis deskriptif variabel network involvement

Tabel 4.8

Rata-Rata Variabel Network Involvement

Statistics cognitive_invol vement N Valid Missing Mean 181 0 16.4696 affective_involv ement 181 0 12.9724

Pada tabel 4.8 dari nilai Mean kita dapat simpulkan bahwa masyarakat lebih cenderung melibatkan diri untuk memberikan respon pada sebuah informasi yang disebarkan oleh kawan mereka di twitter dikarenakan oleh variabel cognitive involvement. Cognitive involvement adalah sebuah sikap seseorang dalam melibatkan diri pada suatu objek dikarenakan persepsi mereka terhadap suatu objek. Tidak terbantahkan bahwa seseorang mencari informasi di internet dikarenakan mereka sangat membutuhkan informasi yang berhubungan dengan objek tertentu yang mereka cari. Meskipun banyak informasi di twitter yang dapat merangsang keterlibatan emosi seseorang terhadap suatu objek namun pada penelitian ini menunjukan bahwa, masyarakat aka mengambil sikap terhadap informasi yang disebarka di twitter apabila mereka berpersepsi bahwa informasi tersebut penting bagi mereka.

4.1.4. Uji Hipotesis 4.1.4.1. Uji Asumsi Klasik

Sebelum melakukan uji hipotesis, peneliti melakukan uji asumsi kelasik. Uji asumsi klasik ini terdiri atas uji multikolinearitas, uji normalitas, dan uji heteroskedastisitas. Dibawah ini adalah uji moltikolinearitas, normalitas, dan heteroskedastisitas. 4.1.4.1.1.Uji Multikolinearitas
a. Uji Multikolinearitas variabel characteristic network structure

Uji Multikolinearitas untuk variabel characteristic network structure dan network involvement. Dibawah ini adalah uji multikolinearitas untuk characteristic network structure.

Tabel 4.9 Hasil Pengolahan Data untuk Uji Multikolinearitas Variabel Characteristic Network Structure terhadap Network Involvement

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

Sig.

Collinearity Statistics

B 1 (Constant) tie_strength network_de nsity Network_C entrality Homophile .361 .273 3.123 .042 .057

Std. Error .592 .046 .036

Beta 5.272 .042 .080 .915 1.593 .000 .362 .113

Tolerance

VIF

.841 .713

1.189 1.402

.053

.252

5.117

.000

.735

1.360

.028

.637

12.797

.000

.719

1.391

Uji multikolinearitas dilakukan dengan melihat nilai VIF dan nilai tolerance. Sebuah model regresi dinyatakan tidak memiliki masalah multikolinearitas apabila nilai Tolerance lebih besar dari 0.1 dan nilai VIF lebih kecil dari 10. Tabel 4.9 menunjukan seluruh nilai tolerance variabel characteristic network involvement lebih besar dari 0.1 dan nilai VIF menunjukan nilai yang lebih kecil dari 10. Dengan demikian dapat disimpulkan bahwa, variabel characteristic network structure tidak mengalami masalah multikolinearitas.
b. Uji Multikolinearitas Variabel Network Involvement

Uji Multikolinearitas untuk variabel network involvement. Dibawah ini adalah uji multikolinearitas untuk network involvement

Tabel 4.10

Hasil Pengolahan Data Uji Multikolinearitas Variabel Network Involvement pada purchase intention

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) cognitive_i nvolvemen t affective_i nvolvemen t -.022 .092 -.019 -.238 .812 .373 2.678 2.994 .651 Std. Error .744 .065 .784 Beta 4.023 10.005 .000 .000 .373 2.678 Tolerance VIF t Sig. Collinearity Statistics

Pada tabel 4.10 dapat kita lihat bahwa nilai Tolerance lebih besar dari 0.1 dan nilai VIF lebih kecil dari 10. Karena syarat multikolinearitas adalah nilai tolerance harus lebih besar dari 0.1 dan nilai VIF harus lebih kecil dari 10, maka dapat disimpulkan bahwa model regresi pengaruh network involvement terhadap purchase intention tidak memiliki masalah multikolinearitas. 4.1.4.1.2. Uji Normalitas Ada beberapa cara yang dapat digunakan untuk menguji nilai normalitas sebuah data penelitian. Beberapa cara tersebut antara lain adalah dengan melihat nilai Klomogorof, Chi Square, Kurtosis dan Skewness hingga melihat grafik. Pada penelitian ini peneliti menggunakan uji normalitas dengan melihat nilai kurtosis dan skewness. Nilai residu untuk penelitian dengan N lebih dari 30 adalah 2.58. Nilai

kurtosis dan nilai skewness dinyatakan tidak mengalami masalah normalitas apabila nilai Zkurtosis dan Zskewness lebih kecil dari 2.58. cara mencari nilai Zkurtosis dan Zskewness adalah dengan membagikan nilai skewness dan kurtosis dengan nilai standar errornya masing-masing. Dibawah ini adalah hasil pengolahan data untuk nilai kurtosis dan skewness dalam penelitian ini.
a. Uji Normalitas Untuk Variabel Characteristic Network Structure

Tabel 4.11 Tabel Deskriptif Statistik

Descriptive Statistics N Statistic Minimum Statistic Maximum Statistic Mean Statistic Std. Deviation Statistic Skewness Statistic Std. Error tie_strength network_den sity Network_Ce ntrality Homophile Valid (listwise) N 181 181 10.00 24.00 16.3923 2.83936 .191 .181 .281 .359 181 6.00 13.00 9.9116 1.48807 -.225 .181 -.367 .359 181 181 6.00 9.00 14.00 20.00 9.4475 14.5028 1.61718 2.23513 .075 .161 .181 .181 .154 -.177 Kurtosis Statistic Std. Error .359 .359

Nilai Z untuk skewness dan kurtosis pada tabel di atas didapatkan dengan cara membagikan nilai statistik baik statistik skewness maupun statistik kurtosis. Nilai Zskewness dan Zkurtosis untuk variabel tie strength adalah 0.414 dan 0.428, network density adalah 0.889 dan -0.493, network centrality adalah -1.24 dan -1.022,

homophile adalah 1.055 dan 0.782. Berdasarkan perhitungan nilai residu atau Z untuk skewness dan kurtosis pada setiap variabel characteristic network structure dapat disimpulkan bahwa seluruh nilai residual berada diantara -2.58 dan +2.58 yang berarti data characteristic network structure pada penelitian ini terdistribusi secara normal dan variabel characteristic network structure tidak mengalami masalah normalitas.

b. Uji Normalitas Untuk Variabel Network Involvement

Tabel 4.12 Tabel Deskriptif Statistik

Descriptive Statistics N Statistic Minimum Statistic Maximum Statistic Mean Statistic Std. Deviation Statistic Skewness Statistic Std. Error cognitive_involv ement affective_involv ement Valid (listwise) N 181 181 9.00 17.00 12.9724 1.61049 -.350 .181 .242 .359 181 11.00 21.00 16.4696 2.27191 -.325 .181 -.107 Kurtosis Statistic Std. Error .359

Pada tabel 4.12 nilai Zkurtosis dan Zskewness untuk variabel cognitive involvement adalah 1.79 dan -0.298 serta affective involvement adalah -1.93 dan 0.67. Berdasarkan perhitungan nilai residual untuk variabel cognitive involvement dan

affective involvement berada diantara -2.58 dan +2.58, dengan demikian variabel network involvement tidak terdapat masalah normalitas.

Tabel 4.13 Tabel Deskriptif Statistik

Descriptive Statistics N Statistic Minimum Statistic Maximum Statistic Mean Statistic Std. Deviation Statistic Skewness Statistic Std. Error network_involv ement Valid N (listwise) 181 181 20.00 38.00 29.4420 3.68076 -.441 .181 .175 Kurtosis Statistic Std. Error .359

Pada tabel 4.13 dapat kita lihat bahwa nilai skewness dan kurtosis setelah dibagi dengan nilai standard error adalah 2.43 dan 0.487. Nilai tersebut berada diantara -2.58 dan +2.58. Dengan demikian pada variabel network involvement tidak terdapat masalah normalitas. 4.1.4.1.3. Uji Heteroskedastisitas

Uji heterorkedastisitas pada penelitian ini menggunakan uji Glejser. Uji Glejser adalah sebuah uji heterokedastisitas dengan cara meregresikan nilai absolute residual terhadap variabel independen. Sebuah penelitian dinyatakan tidak memiliki masalah heteroskedastisitas apabila nilai signifika residual pada tabel coefficient lebih besar dari 0.05. Tabel dibawah ini adalah tabel regressi antara variabel independen dengan nilai residualnya masing masing.

Tabel 4.14 Hasil Regressi Residual Variabel Charctersitic Network Structure Terhadap Variabel Cognitive Involvement

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) tie_strength network_density Network_Centrality Homophile a. Dependent Variable: RES1 .814 -.052 .042 -.044 .035 Std. Error .484 .037 .029 .044 .023 -.112 .124 -.086 .131 Beta 1.681 -1.387 1.420 -1.001 1.498 .095 .167 .157 .318 .136 T Sig.

Pada tabel 4.14 dapat disimpulkan bahwa regresi characteristic network structure terhadap cognitive involvement tidak terdapat masalah heterodeskastisitas

dikarenakan nilai regresi residual antara variabel characteristic network structure dan cognitive involvement memiliki nilai signifikan yang lebih besar dari 0.05.

Tabel 4.15 Hasil Regressi Residual Variabel Characteristic Network Structure dan Affective Involvement

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) tie_strength network_density Network_Centrality Homophile a. Dependent Variable: RES2 .700 -.019 .017 .041 -.024 Std. Error .372 .029 .023 .033 .018 -.053 .068 .105 -.120 Beta 1.880 -.651 .767 1.212 -1.362 .062 .516 .444 .227 .175 T Sig.

Tabel 4.15 menunjukan pada kita bahwa seluruh nilai signifikan variabel characteristic network structure terhadap nilai residual affective involvement berada

diatas nilai alpa yaitu 0.05. Dengan demikian dapat disimpulkan bahwa model regresi characteristic network structure terhadap affective involvement tidak terdapat masalah heterodeskastisitas.

Tabel 4.16 Hasil Regressi Residual Variabel Characteristic Network Structure Terhadap Variabel Network Involvement Secara Keseluruhan

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) tie_strength network_density Network_Centrality Homophile a. Dependent Variable: RES4 .952 -.042 .074 -.036 .009 Std. Error .651 .050 .040 .059 .031 -.067 .165 -.054 .026 Beta 1.463 -.830 1.871 -.623 .298 .145 .407 .063 .534 .766 t Sig.

Nilai t untuk regresi residual antara variabel characteristic network structure terhadap nilai keseluruhan variabel network involvement menunjukan nilai yang lebih

besar dari 0.05 yang berarti tidak ada masalah heterodeskastisitas antara variabel characteristic network involvement terhadap network involvement.

Tabel 4.17 Hasil Regresi Residual Variabel Network Involvement Terhadap Purchase Intention

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) cognitive_involvement affective_involvement a. Dependent Variable: RES3 1.741 -.033 -.011 Std. Error .458 .040 .057 -.100 -.024 Beta 3.799 -.820 -.200 .000 .413 .842 t Sig.

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig.

(Constant) network_involvement

1.710 -.023

.444 .015 -.114

3.851 -1.542

.000 .125

a. Dependent Variable: RES5

Berdasarka data pada tabel 4.17 dapat kita lihat bahwa nilai signifikan regresi variabel network involvement terhadap variabel purchase intention berada diatas nilai alpa yaitu 0.05, dengan demikian tidak terdapat masalah heterosdeskastisitas pada model regresi variabel network involvement terhadap purchase intention.

4.1.4.1.4. Uji Linieritas Uji Linearitas betujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear pada uji regresi liner. Syarat sebuah variabel tidak mengalami masalah linearitas adalah nilai signifikan pada linearity pada uji linearitas. Dibawah ini adalah nilai linearity characteristic network structure, network involvement dan purchase intention.
a. Nilai Linearity Vairbel Characteristic Network Structure Terhadap Cognitive

Involement Tabel 4.18 Nilai Linearity Variabel Tie Strength Terhadap Cognitive Involvement

ANOVA Table Sum of Squares df Mean Square cognitive_invo lvement tie_strength Within Groups Total * Between Groups (Combined) Linearity Deviation from Linearity 267.807 162.947 104.860 661.276 929.083 8 1 7 172 180 33.476 162.947 14.980 3.845 8.707 42.383 3.896 .000 .000 .001 F Sig.

Tabel 4.19 Nilai Linearity Variabel Network Density terhadap Cognitive Involvement

ANOVA Table Sum of Squares df Mean Square cognitive_involve ment network_density Within Groups Total * Between Groups (Combined) Linearity Deviation from Linearity 247.261 116.929 130.332 681.822 929.083 11 1 10 169 180 22.478 116.929 13.033 4.034 5.572 28.983 3.230 .000 .000 .001 F Sig.

Tabel 4.20 Nilai Linearity Variabel Network Centrality terhadap Cognitive Involvement

ANOVA Table Sum Squares cognitive_involve ment * Between Groups (Combined) Linearity Deviation Linearity Within Groups Total 572.708 929.083 173 180 3.310 from 356.375 313.539 42.836 7 1 6 of df Mean Square 50.911 313.539 7.139 15.379 94.712 2.157 .000 .000 .049 F Sig.

Network_Central ity

Tabel 4.21 Nilai Linearity Variabel Homophile Terhadap Cognitive Involvement

ANOVA Table Sum Squares cognitive_involve ment Homophile Deviation Linearity Within Groups Total 270.522 929.083 166 180 1.630 from 99.567 13 7.659 * Between Groups (Combined) Linearity 658.561 558.994 14 1 of df Mean Square 47.040 558.994 28.865 343.01 5 4.700 .000 .000 .000 F Sig.

Pada uji linearity, dua variabel dinyatakan memiliki hubungan yang liniear apabila signifikansi linearity lebih kecil dari 0.05. Berdasarkan seluruh tabel diatas

memiliki nilai sigifikansi linearity yang lebih kecil dari 0.05, dengan demikian dapat disimpulkan bahwa terhadap hubungan linear antara variabel characteristic network structure dan cognitive involvement.

b. Nilai Linearity Vairbel Characteristic Network Structure Terhadap Affective

Involvement Tabel 4.22 Nilai Linearity Variabel Tie Strength terhadap Affective Involvement

ANOVA Table Sum Squares affective_involve ment tie_strength * Between Groups (Combined) Linearity Deviation Linearity Within Groups Total 350.613 466.862 172 180 2.038 from 116.248 60.125 56.123 8 1 7 of df Mean Square 14.531 60.125 8.018 7.128 29.495 3.933 .000 .000 .001 F Sig.

Tabel 4.23

Nilai Linearity Variabel Network Density Terhadap Affective Involvement

ANOVA Table Sum Squares affective_involv ement * Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total 160.550 109.303 51.246 306.312 466.862 11 1 10 169 180 of df Mean Square 14.595 109.303 5.125 1.812 8.053 60.305 2.827 .000 .000 .003 F Sig.

network_densit y

Tabel 4.24 Nilai Linearity Variabel Network Centrality Terhadap Affective Involvement

ANOVA Table Sum Squares affective_involv ement Network_Centr ality Within Groups Total * Between Groups (Combined) Linearity Deviation from Linearity 157.884 135.688 22.196 308.978 466.862 7 1 6 173 180 of df Mean Square 22.555 135.688 3.699 1.786 12.629 75.973 2.071 .000 .000 .059 F Sig.

Tabel 4.25 Nilai Linearity Variabel Homophile Terhadap Affective Involvement

ANOVA Table Sum Squares of Df Mean Square F Sig.

affective_involv ement Homophile *

Between Groups

(Combined) Linearity

337.741 284.877

14 1

24.124 284.877

31.015 366.24 4

.000 .000

Deviation from Linearity Within Groups Total

52.864 129.121 466.862

13 166 180

4.066 .778

5.228

.000

Berdasarkan seluruh table diatas nilai signifikansi linearity variabel characteristic network structure terhadap affective involvement berada dibawah nilai alpa yaitu 0.05, dengan demikian dapat disimpulkan bahwa terdapat hubungan yang linear antara variabel characteristic network structure terhadap variabel network involvement.
c. Nilai Linearity

Variabel Characteristic Network Structure Terhadap Nilai

Network Involvement Secara Kesuluruhan Tabel 26 Nilai Linearity Variabel Tie Strength Terhadap Nilai Keseluruhan Variabel Network Involvement

ANOVA Table Sum of Squares df Mean Square network_involv ement * tie_strength Between Groups (Combined) Linearity Deviation from Linearity Within Groups 1710.922 172 9.947 727.719 421.033 306.685 8 1 7 90.965 421.033 43.812 9.145 42.327 4.404 .000 .000 .000 F Sig.

Total

2438.641

180

Tabel 4.27 Nilai Linearity Variabel Network Density Terhadap Nilai Keseluruhan Variabel Network Involvement

ANOVA Table Sum of Squares df Mean Square network_involv ement * network_densit y Within Groups Total Between Groups (Combined) Linearity Deviation from Linearity 1652.938 2438.641 169 180 9.781 785.703 452.335 333.367 11 1 10 71.428 452.335 33.337 7.303 46.248 3.408 .000 .000 .000 F Sig.

Tabel 4.28 Nilai Linearity Variabel Network Centraltity Terhadap Nilai Keseluruhan Variabel Network Involvement

ANOVA Table Sum of Squares df Mean Square network_involv ement * Network_Centr ality Deviation from Linearity Within Groups Total 1471.936 2438.641 173 180 8.508 104.957 6 17.493 Between Groups (Combined) Linearity 966.705 861.748 7 1 138.101 861.748 16.231 101.28 3 2.056 .061 .000 .000 F Sig.

Tabel 4.29 Nilai Linearity Variabel Homophile Terhadap Nilai Keseluruhan Variabel Network Involvement

ANOVA Table Sum of Squares df Mean Square network_involv ement * Homophile Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total 559.166 2438.641 166 180 3.368 1879.475 1641.981 237.494 14 1 13 134.248 1641.981 18.269 39.854 487.456 5.423 .000 .000 .000 F Sig.

Berdasarkan tabel diatas dapat disimpulkan bahwa nilai seluruh variabel characteristic network structure terhadap nilai keseluruhan variabel network involvement bernilai signifikan. Dengan demikian tidak terdapat masalah Linearitas

antara variabel characteristic network structure terhadap nilai keseluruhan variabel network involvement.

d. Nilai Linearity Variabel Network Involvement Terhadap Purchase Intention

Tabel 4.30 Nilai Linearity Variabel Cognitive Involvement Terhadap Purchase Intention

ANOVA Table Sum Squares purchase_inten tion * Between Groups (Combined) Linearity 410.636 378.963 10 1 of df Mean Square 41.064 378.963 30.384 280.40 7 Deviation from Linearity Within Groups Total 31.673 229.751 640.387 9 170 180 3.519 1.351 2.604 .008 .000 .000 F Sig.

cognitive_involv ement

Tabel 4.31 Nilai Linearity Variabel Affective Involvement Terhadap Purchase Intention

ANOVA Table Sum Squares purchase_inten tion * Between Groups (Combined) Linearity 258.920 232.066 8 1 of df Mean Square 32.365 232.066 14.593 104.63 7 Deviation from Linearity Within Groups Total 26.854 381.467 640.387 7 172 180 3.836 2.218 1.730 .105 .000 .000 F Sig.

affective_involv ement

Pada kedua tabel diatas dapat kita lihat bahwa nilai linearitas lebih kecil dari nilai alpa yaitu 0.05. Dengan demikian dapat disimpulkan bahwa variabel network involvement memiliki hubungan yang linear terhadap variabel purchase intention. Tabel 4.32 Nilai Linearity Keseluruhan Variabel Network Involvement Terhadap Purchase Intention

ANOVA Table Sum of Squares purchase_inten tion * network_involv ement Within Groups Total Deviation from Linearity 74.538 216.862 640.387 16 163 180 4.659 1.330 Between Groups (Combined) Linearity 423.524 348.986 17 1 df Mean Square 24.913 348.986 18.725 262.30 8 3.502 .000 .000 .000 F Sig.

Berdasarkan tabel diatas nilai F untuk linearity bersifat signifikan. dengan demikian tidak terjadi masalah linearitas antara variabel network involvement secara keseluruhan terhadap variabel purchase intention. 4.1.4.2. Uji Regressi Liner Berganda Setelah data telah memenuhi uji asumsi klasik, langkah selanjutnya adalah menguji hipotesis dalam penelitian ini. Pengujian hipotesis dalam penelitian ini menggunakan uji regresi. Pengujian regresi dilakukan secara simultan dengan merujuk pada Uji F dan secara parsial dengan merujuk pada uji t. dibawah ini adalah pengujian hipotesis pada penelitian ini.
a. Uji hipotesis pengaruh characteristic network structure dan network involvement

Sebelum menguji pengaruh variabel characteristic network structure terhadap variabel cognitive involvement dan affective involvement. peneliti melakuan uji regresi terhadap variabel characteristic network structure terhadap variabel network involvement secara keseluruhan. Jumlah variabel cognitive involvement digabungkan dengan variabel affective involvement. Tujuan dari penggabungan ini adalah untuk mengetahui variabel characteristic network structure yang mana yang benar-benar berpengaruh dan tidak berpengaruh terhadap variabel network involvement. Dibawah ini adalah hasil perhitungan data menggunakan SPSS.

Tabel 4.33 Model Summary Hasil Perhitungan SPSS Untuk Characteristic Network Structure dan Network Involvement

Model Summaryb Model R R Square Adjusted R Square 1 .881

a

Std. Error of the Estimate 1.76198

.776

.771

a. Predictors: (Constant), Homophile, tie_strength, Network_Centrality, network_density b. Dependent Variable: network_involvement

Berdasarkan tabel diatas, model regresi untuk characteristic network structure dapat mempengaruhi variabel network involvement secara keseluruhan sebesar 71.1 persen sedangkan sisanya dipengaruhi oleh faktor lain. Tabel 4.34 Uji ANOVA Hasil Perhitungan Untuk Characteristic Network Structure dan Network Involvement

ANOVAb Model Sum of Squares 1 Regression Residual Total 1892.235 546.406 2438.641 4 176 180 473.059 3.105 152.374 .000a Df Mean Square F Sig.

a. Predictors: (Constant), Homophile, tie_strength, Network_Centrality, network_density

b. Dependent Variable: network_involvement

Berdasarkan tabel uji ANOVA, model regresi characteristic network structure dapat dijadikan sebuah model yang dapat memprediksi variabel network involvement. Hal ini dapat dilihat dari nilai F signifikan. Nilai F lebih kecil dari nilai alpa yaitu 0.05 dan bersifat signifikan.

Tabel 4.35 Coefficient Regresi Variabel Characteristic Network Structure Terhadap Network Involvement

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) tie_strength network_density Network_Centrality 5.939 .192 -.063 .811 Std. Error 1.145 .089 .070 .103 .085 -.038 .328 Beta 5.186 2.173 -.911 7.875 .000 .031 .364 .000 t Sig.

Homophile

.889

.055

.686

16.290

.000

a. Dependent Variable: network_involvement

Pada tabel diatas dapat dilihat bahwa nilai untuk network density memiliki nilai yang tidak signifikan dikarenaka nilai t untuk variabel network density lebih besar dari nilai alpa yaitu 0.05. Dengan demikian nilai variabel network density tidak memiliki pengaruh sama sekali terhadap variabel network involvement. Namun, nilai diatas menunjukan pengaruh keseluruhan variabel characteristic network structure terhadap variabel network involvement. Dalam penelitian ini, peneliti akan menguji variabel network involvement mana yang lebih dipengaruhi oleh variabel characteristic network structure. Variabel yang lebih mendekati hasil regressi diatas adalah variabel yang lebih terpengaruh oleh variabel characteristic network structure. Dalam hal ini, peneliti menguji variabel characteristic network structure dengan dua variabel network involvement. Variabel network involvement tersebut antara lain adalah cognitive involvement dan affective involvement.

b. Uji Hopotesis Pengaruh Variabel Characteristic Network Structure Terhadap

Cognitive Involvement Tabel 4.36 Model Summary Hasil Perhitungan Data SPSS untuk Characteristic Network Structure dan Cognitive Involvement

Model Summaryb Model R R Square Adjusted Square 1 a. Predictors: .848

a

Std.

Error

of

the Estimate 1.21809 Network_Centrality,

.719 Homophile,

.713 tie_strength,

(Constant),

network_density b. Dependent Variable: cognitive_involvement

Berdasarkan tabel 4.36 diatas variabel-variabel characteristic network structure dapat menjelaskan variabel cognitive involvement sebesar 71.3 persen sedangkan sisanya dipengaruhi oleh faktor-faktor lainnya.

Tabel 4.37 Tabel Uji Anova Characterisit Network Structure dan Cognitive Involvement
ANOVAb Model Sum of Df Mean Square F Sig.

Squares 1 Regression Residual Total 667.945 261.137 929.083 4 176 180 166.986 1.484 112.545 .000a

a. Predictors: (Constant), Homophile, tie_strength, Network_Centrality, network_density b. Dependent Variable: cognitive_involvement

Berdasarkan tabel 4.37 diatas nilai signifikansi F lebih kecil dari nilai alfa. Dengan demikian model regresi characteristic network structure dapat digunakan untuk memprediksi variabel cognitive involvement pada penelitian ini.

Tabel 4.38 Coefficient Regression Hasil Perhitungan Data SPSS untuk Characteristic Network Structure dan Network Involvement

Coefficientsa Model Unstandardized Coefficients Standardized t Sig.

Coefficients B 1 (Constant) tie_strength network_density Network_Centrality Homophile 2.816 .151 -.121 .538 .528 Std. Error .792 .061 .048 .071 .038 .107 -.119 .353 .659 Beta 3.557 2.459 -2.510 7.563 13.988 .000 .015 .013 .000 .000

a. Dependent Variable: cognitive_involvement

Pada tabel 4.38 diatas dapat disimpulkan bahwa seluruh variabel characteristic network structure memiliki hubungan dengan variabel cognitive involvement. Namun, variabel network density memiliki hubungan yang negatif dengan variabel cognitive involvement. Demikian seluruh hipotesis H1a, H1c dan H1d diterima. Namun hipotesis H1b tidak diterima dikarenakan hubungan yang terjadi bersifat negatif.

b. Uji hipotesis pengaruh characteristic network structure dan affective involvement

Tabel 4.39 Tabel Model Summary Untuk Variabel Characteristic Network Involvement terhadap Affective Involvement

Model Summaryb Model R R Square Adjusted Square 1 a. Predictors: .829

a

Std.

Error

of

the Estimate .91153 Network_Centrality,

.687 Homophile,

.680 tie_strength,

(Constant),

network_density b. Dependent Variable: affective_involvement

Pada tabel 4.39 dapat disimpulkan bahwa variabel-variabel characteristic network structure dapat mempengaruhi variabel affective involvement sebesar 68 persen dan sisanya dipengaruhi oleh faktor-faktor lain. Tabel 4.40 Tabel Uji Anova Variabel Characteristic Network Structure dan Affective Involvement
ANOVAb Model Sum Squares 1 Regression Residual Total 320.625 146.237 466.862 4 176 180 80.156 .831 96.470 .000a of Df Mean Square F Sig.

a. Predictors: (Constant), Homophile, tie_strength, Network_Centrality, network_density b. Dependent Variable: affective_involvement

Tabel 4.41 menunjukan bahwa nilai F memiliki nilai signifikansi yang lebih kecil dari nilai alpha yaitu 0.05. Dengan demikin model regresi untuk variabel characteristic network structure dapat memprediksi variabel affective involvement Tabel 4.42

Hasil Perhitungan SPSS untuk Variabel coefficient Characteristic Network Structure dan Affective Involvement
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) tie_strength network_density Network_Centrality Homophile 3.123 .042 .057 .273 .361 Std. Error .592 .046 .036 .053 .028 .042 .080 .252 .637 Beta 5.272 .915 1.593 5.117 12.797 .000 .362 .113 .000 .000 t Sig.

a. Dependent Variable: affective_involvement

Dari tabel 4.42 dapat disimpulkan bahwa model variabel affective involvement hanya dipengaruhi oleh dua variabel characteristic network structure yaitu network centrality dan homophile. Bila merujuk pada hipotesis yang dibentuk di bab dua maka dapat disimpulkan bahwa H1b dan H2b ditolak karena nilai signifikansinya kurang melebihi nilai alpa yaitu 0.05. Berdasarkan tabel diatas, characteristic network structure lebih

mempengaruhi variabel network involvement untuk bagian cognitive involvement. Meskipun variabel network density tidak dipengaruhi secara signifikan oleh variabel affective involvement, Namun apabila merujuk pada keseluruhan pengaruh variabel characteristic network structure terhadap network involvement. Hanya variabel cognitive involvement yang peling dipengaruhi oleh variabel characteristic network

structure dilihat dari jenis sub variabel characteristic network structure yang mempengaruhinya.
c. Uji hipotesis variabel network involvement dan purchase intention

Tabel 4.43 Hasl Perhitungan SPSS Untuk Model Summary Variabel Network Involvement Keseluruhan Terhadap Purchase Intention

Model Summaryb Model R R Square Adjusted R Square 1 .738a .545 .542 Std. Error of the Estimate 1.27591

a. Predictors: (Constant), network_involvement b. Dependent Variable: purchase_intention

Berdasarkan tabel diatas, model regresi network involvement secara keseluruhan dapat mempengaruhui variabel purchase intention sebesar 54.2 persen dan sisanya dipengaruhi oleh faktor-faktor lain diluar variabel network involvement.

Tabel 4.44 Hasl Perhitungan SPSS Untuk Uji ANOVA Variabel Network Involvement Keseluruhan Terhadap Purchase Intention

ANOVAb Model Sum of Squares 1 Regression Residual Total 348.986 291.400 640.387 1 179 180 348.986 1.628 214.373 .000a Df Mean Square F Sig.

a. Predictors: (Constant), network_involvement b. Dependent Variable: purchase_intention

Berdasarkan tabel uji ANOVA diatas, merujuk pada nilai F, Nilai F signifikan memiliki nilai yang lebih kecil dari nilai alpa (0.05). Dengan demikian dapat disimpulkan bahwa model regressi network involvement secara keseluruhan dapat digunakan untuk meramalkan nilai purchase intention.

Tabel 4.45

Hasl Perhitungan SPSS Untuk Coefficient Regresi Variabel Network Involvement Keseluruhan Terhadap Purchase Intention

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) network_involvement a. Dependent Variable: purchase_intention 2.293 .378 Std. Error .767 .026 .738 Beta 2.991 14.641 .003 .000 t Sig.

Tabel

diatas

menunjukan

bahwa

network

involvement

dapat

mempengaruhi purchase intention sebesar 73.8 persen. Namun, tabel diatas menjelskan mengenai pengaruh network involvement secara keseluruhan kepada variabel purchase intention. Pada kerangka pemikiran yang diusulkan dalam penelitian ini, network involvement terdiri dari dua sub variabel yaitu cognitive involvement dan affective involvement. Dibawah ini adalah pengaruh sub variabel network involvement yaitu cognitive and affective involvement.

Tabel 4.46 Hasil Perhitungan SPSS Untuk Model Summary Variabel Network Involvement dan Purchase Intention

Model Summaryb Model R R Square Adjusted Square 1 .769a .592 .587 R Std. Error of

the Estimate 1.21169

a. Predictors: (Constant), affective_involvement, cognitive_involvement b. Dependent Variable: purchase_intention

Tabel 4.46 menyimpulkan bahwa variabel network involvement dapat mempengaruhi variabel purchase intention sebesar 58.7 persen dan sisanya dipengaruhi oleh faktor-faktor lain.

Tabel 4.47 Hasil Perhitungan SPSS Untuk Uji Anova Variabel Network Involvement dan Purchase Intention

ANOVAb Model Sum Squares 1 Regression Residual Total 379.046 261.340 640.387 2 178 180 189.523 1.468 129.085 .000a of Df Mean Square F Sig.

a. Predictors: (Constant), affective_involvement, cognitive_involvement b. Dependent Variable: purchase_intention

Tabel 4.47 menunjukan bahwa nilai F signifikan lebih kecil dari nilai alpa yaitu 0.000 dari 0.05. Dengan demikian model regresi network involvement dapat digunakan untuk memprediksi variabel purchase intention dari responden. Tabel 4.48 Hasil Perhitungan SPSS Untuk Coefficient Variabel Network Involvement dan Purchase Intention

Coefficientsa Model Unstandardized Coefficients Standardized Coefficients B 1 (Constant) cognitive_involvement affective_involvement 2.994 .651 -.022 Std. Error .744 .065 .092 .784 -.019 Beta 4.023 10.005 -.238 .000 .000 .812 T Sig.

a. Dependent Variable: purchase_intention

Tabel 4.48 menyimpulkan bahwa hanya variabel cognitive involvement yang mempengaruhi variabel purchase intention secara signifikan dan positif. Dengan demikian hanya hipotesis Hb2 yang diterima sedangkan Hb1 tidak diterima karena nilai signifikansi Hb1 lebih besar dari nilai alpa yaitu 0.812 dari 0.05.

4.1.4.3. Pembahasan Pada sub bab ini, peneliti akan menjawab beberapa pertanyaan pada indentifikasi masalah di bab satu.
1. Apakah characteristic network structure di media sosial secara positif

mempengaruhi keterlibatan kognitif jaringan? Dalam penelitian ini, seluruh variabel characteristic network structure memiliki pengaruh terhadap variabel cognitive involvement. Namun yang menarik dari penelitian ini adalah variabel network density memiliki pengaruh yang negatif terhadap cognitive involvement. Beberapa penelitian terdahulu menyebutkan bahwa network density memiliki pengaruh yang positif dan dapat meningkatkan keterlibatan kognitif masyarakat terhadap rekomendasi teman dalam jaringan sosial.

Network density merujuk pada tingkat hubungan seluruh masyarakat dalam jaringan sosial mereka. Network density adalah keseluruhan karakteristik dalam jaringan sosial (Shin et al, 2011). Menurut Fredkin (1984) dan Galaskiewicz dan Wasserman (1989), Tingkat network density yang tinggi dalam akses informasi dalam suatu jaringan dapat menimbulkan suatu kepercayaan pada suatu objek (cognitive involvement) dan persetujuan yang disebabkan oleh kedekatan emosi (Affective Involvement) antara anggota dalam sebuah jaringan. Network density pada penelitian ini memiliki pengaruh yang negatif karena responden pada penelitian ini merasa, rekomendasi di twitter lebih banyak bersifat iklan dibandingkan dengan pengalaman pribadi dalam mengkonsumsi sebuah produk. Selain itu penelitian ini mendukung studi yang dilakukan oleh yuswohady (2012) dimana beberapa perusahaan cenderung untuk memanfaatkan hubungannya dengan beberapa pengguna twitter namun mereka memperlakukan media sosial twitter tersebut sebagai media vertikal lainnya. Kepercayaan muncul dikarenakan adanya komunikasi satu sama lain, namun beberapa iklan yang diluncurkan oleh perusahaan cenderung mengacuhkan pertanyaan-pertanyaan atau tweet yang ditujukan kepada pemilik perusahaan atau pihak yang menjadi perwakilan dari perusahaan di twitter. selain itu, jenis produk tertentu juga mempengaruhi kesan negatif terhadap sebuah pesan di twitter, jenis pesan ini diantaranya adalah pesan berupa produk MLM. Ini menyebabkan rekomendasi yang ada di twitter tidak lebih dari iklan biasa yang sifatnya memaksa dan tentunya dapat menggangu privasi dari pengguna twitter dan

semakin banyak rekomendasi berupa iklan ditwitter semakin besar kemungkinan perusahaan atau seseorang yang mengiklankan produk tertentu tersebut untuk di unfollow. Variabel characteristic network structure lainnya hampir mendukung seluruh teori yang ditemukan oleh beberapa penelitian terdahulu seperti apa yang telah dijelaskan di BAB II.
2. Apakah characteristic network structure dapat mempengaruhi secara positif

keterlibatan afektif pengguna twitter terhadap suatu objek. Pada penelitian ini, nilai tie strength dan network density memiliki nilai yang tidak signifikan yang berarti tidak ada hubungan dan pengaruh antara variabel tie strength dan network density dengan affective involvement. Hasil penelitian ini berbeda dengan hasil penelitian yang telah ditemukan oleh shin (2011). Seperti yang dijelaskan di BAB II, tie strength merujuk pada hubungan antara dua orang individu sedangkan network density merujuk pada keseluruhan hubungan anggota dalam sebuah jaringan. Berdasarka penelitian sebelumnya, variabel tie strength khususnya untuk week ties tidak memiliki hubungan dengan variabel network involvement (Shin, 2011). Menutur shin (2011) Tie strength tidak berpengaruh pada network involvement dikarenakan hubungan pertemanan yang sudah tidak lagi dijalin sesering dahulu, tidak adanya hubungan yang intim antara dua orang individu, hubungan yang

lebih fokus pada kehidupan offline dibandingkan dengan online dan beberapa alasan yang membuat seseorang sulit untuk mengunjungi teman dikarenakan ada masalah jarak dan waktu tertentu atau kesibukan tertentu. Seperti yang dijelaskan oleh Yuswohady (2012) komunikasi merupakan faktor terpenting dalam terciptanya keterlibatan antara anggota kelompok di twitter. Dalam twitter, seseorang dinyatakan melibatkan diri dalam pada rekomendasi seseorang di twitter apabila mereka melakukan retweet atau memberikan respon dalam bentuk komen. Responden dalam penelitian ini merasa bahwa hubungan antara kawan dalam twitter tidak membuat mereka tertarik untuk terlibat dalam merespon atau meretweet apa yang direkomendasikan oleh kawan mereka dalam twitter dikarenakan banyak dari kawan dalam twitter yang tidak mereka kenal kecuali apabila tweet tersebut memiliki kesamaan dengan apa yang mereka rasakan atau mereka cintai. Oleh sebab itu dalam penelitian ini nilai pengaruh homophile sebesar 60% yaitu memegang pengaruh yang lebih besar dari variabel characteristic network structure dalam mempengaruhi seseorang dalam melakukan respon terhadap rekomendasi atau tweet dari kawan mereka di twitter. Dengan demikian, characteristic network structure yang mempengaruhi secara positif seseorang ingin terlibat secara emosional pada rekomendasi seseorang di twitter adalah variabel homophile dan network centrality.

3. Apakah pengaruh sturktur jaringan media sosial terhadap keterlibatan kognitif

jaringan berimplikasi terhadap niat beli konsumen? Hasil penelitian ini membuktikan bahwa keterlibatan kognitif pada pengguna twitter berpengaruh positif terhadap niat beli konsumen terhadap produk yang direkomendasikan oleh kawan dikarenakan oleh pengaruh yang positif variabel character network structure kecuali untuk sub variabel network density. Dalam hal ini, network density tidak memberikan implikasi pengaruh secara positif pengaruh cognitive involvement terhadap niat beli. Masalah ini terjadi dikarenakan masalah privasi dan kepercayaan, banyak kawan yang belum pernah ditemui sebelumnya memberikan rekomendasi secara random dengan mengirim rekomendasi tersebut melalui email dan banyak pengguna twitter merasa terganggu dengan hal tersebut. Oleh sebab itu, jumlah kawan yang banyak di twitter namun teman tersebut tidak berkualitas membuat seseorang merasa network density tidak dapat mempengaruhi seseorang untuk melakukan tindakan pembelian terhadap suatu produk.
4. Apakah pengaruh struktur jaringan media sosial terhadap keterlibatan afektif

jaringan berimplikasi terhadap niat beli konsumen? Pengaruh characteristic network structure terhadap affective involvement tidak mempengaruhi seorang pengguna twitter untuk melakukan pembelian. Beberapa penelitian sebelumnya menjelaskan bahwa pengaruh characteristic network structure terhadap network involvement berimplikasi terhadap purchase intention pengguna

twitter (Shin et al, 2011). Penelitian ini menemukan hal yang berlawanan dari penelitian yang dilakukan sebelumnya. Respon yang diberikan oleh responden adalah, pengguna twitter merasa bahwa mereka rekomendasi yang diberikan oleh kawan mereka ditwitter cenderung menggangu pengguna twitter khususnya apabila rekomendasi tersebut diterima dari orang yang belum pernah dikenalnya. Selain itu, pengguna twitter akan tertarik untuk membeli sebuah produk apablia berita tersebut telah menjadi berita yang menjadi trend di dunia nyata. Oleh sebab itu, bagi sebagian banyak masyarakat di kota Bandung, issue-issue yang bersifat offline lebih dapat menggerakan perasaan mereka terhadap suatu objek dan melakukan sebuah tindakan terhadap objek tersebut dibandingkan atas rekomendasi atau isu-isu yang ada di twitter.