BAB III

METODE PENELITIAN

3.1 Objek Penelitian

Objek dalam penelitian ini adalah pengguna Smartphone. Data dalam
penelitian ini bersumber dari data primer melalui penyebaran kuesioner baik
secara langsung maupun online.

3.2 Populasi dan Sampel

3.2.1 Populasi

Populasi adalah semua nilai yang mungkin baik hasil menghitung ataupun
hasil pengukuran kuantitatif maupun kualitatif dan karakteristik tertentu mengenai
sekumpulan objek yang lengkap dan jelas untuk dipelajari sifat-sifatnya, menurut
Sugiyono dalam Haryono dan Wardoyo (2012). Populasi dalam penelitian ini
adalah pengguna Smartphone yang tinggal di Jabodetabek (Jakarta, Bogor, Depok
Tangerang, Bekasi)

3.2.2 Sampel

Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh
populasi menurut Sugiyono dalam Haryono dan Wardoyo (2012). Metode
pengambilan sampel yang digunakan dalam penelitian ini adalah non probability
sampling artinya teknik sampling tidak memberikan peluang atau
kesempatan yang sama bagi setiap anggota populasi untuk dipilih menjadi sampel.
Kriteria yang ditentukan dalam penelitian ini pengguna Smartphone, tinggal di
Jabodetabek, dan ketika membeli Smartphone keputusan sendiri. Jumlah sampel
yang digunakan dalam penelitian ini adalah 200 responden.

Penentuan jumlah sampel berdasarkan pendapat Hair et al. dalam Ghozali

(2008) bahwa analisis data multivariate menggunakan SEM, pada umumnya
menggunakan Maximum Likelihood Estimation (MLE). Metode ini dihitung
dengan cara menentukan jumlah sampel dengan 5-10 sampel per parameter.

22
 23

Dalam penelitian ini terdapat 5 konstruk dengan total 32 parameter. Untuk itu,
jumlah minimum sampel yang akan diambil dalam penelitian ini sebanyak 5 x 32
= 160 (Ghazali, 2008) juga menyebutkan bahwa sampel 100-200 adalah efektif
untuk SEM. Berdasarkan uraian tersebut maka sampel yang digunakan dalam
penelitian ini berjumlah 200 sampel.

3.3 Jenis dan Sumber Data

Data memegang peranan yang penting dalam sebuah penelitian. Data
digunakan sebagai alat pembuktian hipotesis serta pencapaian tujuan penelitian.
Jenis dan sumber data yang digunakan dalam penelitian ini adalah Data Primer.
Data primer adalah sumber data yang diperoleh secara langsung dari sumber asli.
Dalam penelitian ini data primer diperoleh melalui penyebaran kuesioner secara
langsung kepada responden.

3.4 Metode Pengumpulan Data

Metode pengumpulan data merupakan cara ilmiah untuk mendapatkan

data dengan tujuan dan kegunaan tertentu. Dalam penelitian ini metode
pengumpulan data yang digunakan adalah kuesioner. Kuesioner (Angket) adalah
daftar pertanyaan yang diberikan kepada orang lain bersedia memberikan respon
(responden) sesuai dengan permintaan pengguna. Kuesioner disebarkan kepada
pengguna smartphone yang tinggal di JABODETABEK (Jakarta, Bogor, Depok,
Tanggerang, Bekasi) dan memiliki keputusan sendiri untuk menggunakan
smartphone.

3.5 Variabel Penelitian

Variabel penelitian adalah segala sesuatu yang terbentuk apa saja yang
ditettapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal
tersebut, kemudian ditarik kesimpulannya menurut Sudaryono (2017). Dalam
penelitian ini menggunakan tiga variabel, yaitu:

1. Variabel Eksogen
 24

Variabel eksogen adalah variabel yang tidak diprediksi oleh variabel lain
dalam model. Variabel ini dikenal juga sebagi variabel independen. Variabel
idependen adalah variabel bebas. Variabel bebas merupakan variabel yang
mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel
dependen. Variabel idependen (bebas) adalah variabel yang menjelaskan atau
mempengaruhi variabel yang lain menurut Sudaryono (2017). Yang menjadi
variabel idependen dalam penelitian ini adalah:

a. Citra merek (X1)

b. Kualitas produk (X2)
c. Harga (X3)

2. Variabel Endogen

Variabel endogen dikenal juga sebagi variabel dependen. Variabel

dependen (tergantung) adalah variabel yang dijelaskan atau yang dipengaruhi oleh
variabel idependen menurut Sudaryono (2017). Yang menjadi variabel dependen
dalam penelitian ini adalah kepuasan pelanggan (Y1) dan loyalitas pelanggan
(Y2)

3.6 Definisi Operasional

Definisi operasional secara sederhana menurut Sudaryono (2017) adalah

sebagai sebuah petunjuk yang menjelaskan kepada peneliti mengenai bagaimana
mengukur sebuah variabel secara konkret. Melalui definisi operasional, peneliti
akan lebih mudah menentukan metode untuk mengukur sebuah variabel serta
menentukan indikator yang lebih konkret sehingga lebih mudah untuk diukur dan
diuji secara empiris. Menurut WHO Indikator adalah variabel yang bisa
membantu kita dalam kegiatan pengukuran berbagai macam perubahan yang
terjadi baik secara langsung maupun tidak langsung. Definisi operasional dalam
penelitian ini adalah sebagai berikut:
 25

Tabel 3.1 Definisi Operasional dan Indikator

Variabel Definisi Operasional Indikator

Citra merek seperangkat asosiasi 1. Memiliki reputasi yang baik dan
(X1) unik yang ingin ternama sebagai penyedia produk
(Aaker dalam diciptakan atau smartphone.
Sangadji dan dipelihara oleh 2. Memiliki simbol merek
Sopiah,2013) pemasar. Asosiasi- smartphone yang terkenal
asosiasi itu dibenak masyarakat.
menyatakan apa 3. Merek produk mudah diingat
sesungguhnya merek dalam pikiran konsumen.
dan apa yang 4. Merek smartphone yang gunakan
dijanjikan kepada mudah di ucapkan.
konsumen. 5. Merek smartphone yang gunakan
selalu mengikuti perkembangan
zaman.
6. Merek smartphone yang gunakan
memiliki bentuk fisik yang unik.
7. Memberikan rasa percaya diri
saat menggunkan merek tersebut
kemampuan suatu 1. Mudah digunakan oleh berbagai
Kualitas barang untuk kalangan usia.
produk (X2) memberikan hasil atau 2. Memiliki fitur yang sangat sesuai
(Kotler dan kinerja yang sesuai dengan kebutuhan.
Keller,2017) bahkan melebihi dari 3. Daya tahan produk pada saat
apa yang diinginkan digunakan konsumen.
pelanggan 4. Kualitas performa smartphone
yang diberikan sesuai dengan
harapan.
5. Memiliki kualitas produk yang
baik.
6. Memiliki desain smartphone
yang bagus.
7. Keragaman tipe produk dan
warna smartphone yang menarik
sesuai dengan keinginan.
8. Smartphone yang nyaman saat
digunakan.
 26

Tabel 3.1 Definisi Operasional dan Indikator-indikator (lanjutan)

Variabel Definisi Operasional Indikator-indikator

Harga(X3) salah satu elemen 1. Harga yang terjangkau oleh
(Kotler dan bauran pemasaran yang semua kalangan masyarakat.
Keller,2017) menghasilkan 2. Harga Smartphone yang
pendapatan, elemen lain gunakan bervariasi sesuai tipe.
menghasilkan biaya. 3. Kesesuaian harga dengan
kualitas smartphone yang
diberikan.
4. Kesesuaian harga dengan
manfaat produk smartphone
yang diberikan.
5. Daya saing harga smartphone
yang kompetitif dengan
produk lain yang sejenis.
Kepuasan perasaan senang atau 1. Merasa puas menggunakan
pelanggan(Y1) kecewa yang muncul smartphone tersebut.
(Kotler dalam setelah membandingkan 2. Smartphone yang digunakan
Sangadji dan persepsi atau kesan tidak pernah mengecewakan
Sopiah,2013) dengan kinerja suatu 3. Merasa puas menggunakan
produk dan harapan- smartphone karena melebihi
harapannya harapan pengguna smartphone
tersebut.
4. Merasa puas menggunakan
smartphone karena dapat
memenuhi kebutuhan
pengguna smartphone tersebut.
5. Merasa puas menggunakan
smartphone karena dapat
memenuhi keinginan
pengguna smartphone tersebut.
6. Keputusan menggunakan
produk smartphone tersebut
merupakan keputusan yang
sangat tepat.
 27

Tabel 3.1 Definisi Operasional dan Indikator-indikator (lanjutan)

Variabel Definisi Operasional Indikator-indikator

Loyalitas komitmen pelanggan 1. Akan selalu menggunakan
produk smartphone tersebut
pelanggan(Y2) bertahan secara
2. Tidak akan
(Oliver dalam mendalam untuk memepertimbangkan harga
dari smartphone ini
Hurriyati dalam berlangganan kembali
3. Produk tersebut merupakan
Sangadji dan atau melakukan pilihan utama saat ingin
membeli smartphone
Sopiah,2013) pembelian ulang
4. Tetap menggunakan
produk atau jasa smartphone merek ini
walaupun mendengar
terpilih secara
informasi yang negatif tentang
konsisten di masa smartphone yang digunakan
5. menceritakan hal yang positif
yang akan datang,
tentang produk tersebut.
meskipun pengaruh 6. merekomendasikan kepada
orang lain agar membeli atau
situasi dan usaha-
menggunakan produk tersebut
usaha pemasaran
mempunyai potensi
untuk menyebabkan
perubahan perilaku.

3.7 Teknik Pengukuran Variabel

Skala pengukuran biasanya digunakan untuk mengecek dan menetapkan
nilai suatu faktor kualitatif dalam ukuran-ukuran kuantitatif. Skala adalah alat
yang disusun dan digunakan oleh peneliti untuk mengubah respons tentang suatu
variabel yang bersifat kualitatif menjadi data kuantitatif menurut Mahmud (2011).
Teknik skala pengukuran dalam penelitian ini adalah skala Likert yang digunakan
untuk mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok tentang
kejadian atau gejala sosial. Dengan menggunakan skala Likert, indikator menjadi
tolak ukur untuk membuat pertanyaan yang perlu dijawab oleh responden. Setiap
 28

jawaban dihubungkan dengan bentuk pertanyaan atau dukungan sikap yang

diungkapkan dengan kata-kata menurut Sudaryono (2017) sebagai berikut:
a. Sangat setuju atau sangat benar :5
b. Setuju atau benar :4
c. Cukup atau netral :3
d. Kurang setuju atau salah :2
e. Sangat tidak setuju atau sangat salah :1

3.8 Uji Instrumen Penelitian

3.8.1 Uji Validitas

Uji Validitas digunakan untuk mengukur sah atau valid tidaknya suatu
kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner
mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
(Ghozali, 2016) Dalam uji validitas, jumlah sampel yang digunakan dalam
penelitian ini berjumlah 200 responden, namun untuk melihat apakah sebuah
penelitian baik dilanjutkan atau tidak maka perlu dilakukan sampel terkecil lebih
dahulu dengan sampel 40 responden, maka besarnya df dapat dihitung 40-2 =38.
Dengan df = 38 dan alpha = 0,05, didapat nilai r tabel = 0,312. Hasil uji validitas
dihitung menggunakan software SPSS 22.0, hasilnya dapat dilihat dari tabel 3.3
berikut ini:

Tabel 3.2 Hasil Uji Validitas

Variabel Pernyataan r hitung r tabel Keterangan

CM1 577 0,312 Valid
CM2 607 0,312 Valid
Citra Merek
CM3 621 0,312 Valid
CM4 556 0,312 Valid
 29

Tabel 3.2 Hasil Uji Validitas (Lanjutan)

Variabel Pernyataan r hitung r tabel Keterangan

CM5 337 0,312 Valid
Citra Merek CM6 339 0,312 Valid
CM7 322 0,312 Valid
KPR1 665 0,312 Valid
KPR2 648 0,312 Valid
KPR3 531 0,312 Valid
KPR4 806 0,312 Valid
Kualitas Produk
KPR5 764 0,312 Valid
KPR6 653 0,312 Valid
KPR7 558 0,312 Valid
KPR8 660 0,312 Valid
H1 670 0,312 Valid
H2 779 0,312 Valid
Harga H3 586 0,312 Valid
H4 716 0,312 Valid
H5 516 0,312 Valid
KP1 802 0,312 Valid
KP2 773 0,312 Valid
KP3 822 0,312 Valid
Kepuasan
KP4 836 0,312 Valid
KP5 826 0,312 Valid
KP6 769 0,312 Valid
L1 819 0,312 Valid
L2 767 0,312 Valid
L3 781 0,312 Valid
Loyalitas
L4 829 0,312 Valid
L5 612 0,312 Valid
L6 685 0,312 Valid
Sumber : Data primer yang diolah, 2017

Berdasarkan tabel 3.2 di atas, dapat dilihat bahwa semua pernyataan dalam
penelitian ini memiliki nilai r hitung > r tabel. Dengan demikian hal ini
menunjukan bahwa semua pernyataan dapat dinyatakan valid.
 30

3.8.2 Uji Reliabilitas

Uji Reliabilitas adalah alat untuk mengukur suatu kuesioner yang

merupakan indikator dari variabel atau konstruk. Suatu kuesioner dikatakan
reliabel atau handal jika jawaban responden terhadap pernyataan adalah konsisten
atau stabil dari waktu ke waktu (Ghozali, 2016). Uji reliabilitas dilakukan dengan
software SPSS 22.0 dimana kuesioner dikatakan reliabel apabila nilai Cronbach’s
Alpha > 0,70 (Ghozali, 2016). Berikut adalah hasil uji reliabilitas dengan
menggunakan 40 sampel:

Tabel 3.3 Hasil Uji Reliabilitas

Variabel Cronbach's Alpha Keterangan

Citra Merek 0,760 Reliabel
Kualitas produk 0,882 Reliabel
Harga 0,836 Reliabel
Kepuasan 0,932 Reliabel
Loyalitas 0,908 Reliabel
Sumber: Data primer yang diolah, 2017

Berdasarkan tabel 3.4 di atas, dapat dilihat variabel citra merek (X1)
menghasilkan Cronbach’s Alpha sebesar 0,760, kualitas produk (X2)
menghasilkan Cronbach’s Alpha sebesar 0,882, harga (X3) menghasilkan
Cronbach’s Alpha sebesar 0,836, variabel kepuasan (Y1) menghasilkan
Cronbach’s Alpha sebesar 0,932 dan variabel loyalitas menghasilkan Cronbach’s
Alpha (Y2) 0,908. Dapat disimpulkan bahwa seluruh Cronbach’s Alpha> 0,70 .
sehingga seluruh variabel citra merek, kualitas produk, harga, kepuasan dan
loyalitas dinyatakan reliabel.

3.9 Teknik Analisis Data

Teknik analisis yang digunakan dalam penelitian ini adalah analisis

structural equation model (SEM). Menurut Ghozali dalam Haryono dan Wardoyo
(2012) SEM adalah generasi ke dua teknis analisis multivariat yang
memungkinkan peneliti menguji hubungan antar variabel yang kompleks baik
 31

recursive maupun non-recursive untuk memperoleh gambaran yang komprehensif

mengenai keseluruhan model. SEM dapat menguji secara bersama-sama yaitu
model struktur dan model measurement. Konsep pemodelan SEM disebut juga
dengan linear structural relationship (LISREL), analysis of moment structure
(AMOS), model hibrid, model persamaan silmutan, model kausal, analisis
struktur kovarians dan sebagainya. Dalam penelitian ini, sofware atau paket
program yang digunakan adalah AMOS.

Penelitian ini membutuhkan suatu analisis data dan intepretasinya yang

akan digunakan untuk menjawab pertanyaan–pertanyaan penelitian untuk
mengungkap fenomena sosial tertentu. Sehingga analisa data adalah proses
penyederhanaan data ke dalam bentuk yang lebih mudah dibaca dan
diinterpretasikan. Model yang akan digunakan dalam penelitian ini adalah model
kausalitas atau hubungan atau pengaruh dan untuk menguji hipotesis yang
diajukan, maka teknik analisis yang digunakan adalah SEM (Structural Equation
Modelling) dari pakar statistik AMOS.
Alasan penggunaan SEM (Structural Equation Modelling) adalah karena
teknik multivariat ini yang menggabungkan aspek dari regresi berganda (meneliti
hubungan ketergantungan) dan analisis faktor untuk mengestimasi rangkaian
hubungan ketergantungan yang saling berhubungan secara simultan menurut Hair
et al dalam Supranoto (2009). Permodelan penelitian melalui SEM
memungkinkan seseorang peneliti dapat menjawab pertanyaan penelitian yang
bersifat regresif maupun dimensional (yaitu mengukur apa dimensi–dimensi dari
sebuah konsep). Pada saat seorang peneliti menghadapi pertanyaan penelitian
berupa identifikasi dimensi–dimensi sebuah konsep atau konstruk (seperti yang
biasanya dilakukan dalam analisis faktor) dan pada saat yang sama peneliti ingin
mengukur pengaruh atas tingkat hubungan antar faktor yang telah
diidentifikasikan dimensi–dimensinya itu, SEM akan merupakan alternatif
jawaban yang layak dipertimbangkan. Oleh karena itu dapat dikatakan bahwa
pada dasarnya SEM adalah kombinasi antara analisis faktor dan analisis regresi
berganda ( Ferdinand, 2005).
 32

Analisis statistik dalam penelitian ini merupakan analisis multivariat.

Analisis multivariat berkaitan dengan banyaknya jumalh variabel. Analisis
multivariate merupakan alat analisis lebih dari dua variabel. Variabel dalam
analisi multivariate dikategorikan sebagai variabel independen (terikat) dan
variabel independen (bebas). Variabel dependen adalah variabel yang nilainya
dipengaruhi oleh variabel lain yaitu variabel independen. Sedangkan, variabel
independen adalah variabel yang digunakan untuk mengestimasi atau
memprediksi nilai variabel lain yaitu variabel dependen.
a. Pengembangan model berdasar teori

Langkah pertama dalam pengembangan model SEM adalah pencarian atau

pengembangan model yang mempunyai justifikasi teoritis. Setelah pengembangan
model, dilakukan validasi empiric melalui program SEM. SEM hanya dapat
digunakan jika terdapat teoritis yang kuat. SEM tidak digunakan untuk
menghasilkan model, tetapi untuk mengkonfirmasi model melalui data empirik.
Untuk itu, SEM disebut sebagai confirmatory technique, sebagai lawan dari
explaratory analysis. Teknik ini digunakan untuk menguji sebuah teori dengan
pengujian empirik ebagai langkah untuk pembuktiannya (Ferdinand 2002)

b. Menyusun diagram alur (path diagram)

Langkah kedua dalam SEM, model teoritis yang telah dibangun pada
langkah pertama akan digambarkan pada path diagram. Path diagram digunakan
untuk mempermudah dalam melihat hubungan-hubungan kausalitas atau sebab
akibat. Berdasarkan kajian teri dan kerangka teoritis yang ada kemudain dibuat
gambar diagram jalur hubungan kausalitas antar konstruk beserta indikatornya.

c. Menyusun persamaan structural

Setelah teori atau model teoritis dikembangkan dan digambarkan dalam

diagram jalur, selanjutnya dapat dimulai mengkonversi spesifikasi model tersebut
ke dalam rangkaian persamaan. Pada langkah ketiga ini, model yang dinyatakan
dalam diagram jalur termasuk dalam dua kategori dasar yakni :
 33

a. Persamaan-persamaan struktural (structural equations). Setelah diagram

jalur terbentuk dari pengembangan model teoritis, langkah berikutnya
adalah mengkonversi model tersebut ke dalam persamaan
b. Persamaan spesifikasi model pengukuran (measurement model)
Persamaan spesifikasi digunakan untuk menentukan variabel mana yang
mengukur konstruk serta menentukan serangkaian matriks yang
menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.

d. Memilih matrik input dan estimasi model

Model persamaan struktural berbeda dari teknik analisis multivariate

lainnya. SEM hanya menggunakan data input berupa matrik varian/kovarian atau
matrik korelasi (Ghozali, 2008). Teknik estimasi model menggunakan maximum
likelihood estimation (MLE) dengan program AMOS

e. Menilai identifikasi model struktural

Dalam persamaan struktural, salah satu masalah yang harus dijawab

adalah masalah nilai yang unik sehingga model dapat diestimasi. Estimasi
parameter akan abitrer apabila suatu model memiliki beberapa estimasi yang
mungkin fit pada model tersebut. masalah identifikasi atau ketidakmampuan
model untuk menghasilkan estimasi yang unik dapat dilihat dengan melihat hasil
(Ghozali, 2008) :

a. Nilai standar error yang besar untuk satu atau lebih koefisien
b. Program tidak mampu menghasilkan matrik informasi yang seharusnya
disajikan
c. Nilai estimasi yang tidak mungkin, mesalnya error variance yang negative
d. Nilai korelasi yang tinggi (>0,90) antar koefisien estimasi
 34

Asumsi-asumsi SEM yang harus dipenuhi:

a. Ukuran sampel

Ukuran sampel untuk permodelan SEM adalah minimum berjumlah 100

atau menggunakan perbandingan 5 – 10 observasi untuk setiap estimasi
parameter. Misalkan, bila menggunakan model dengan 32 parameter dan
pengali 5 maka minimum sampel yang digunakan adalah 160 sampel.

b. Normalitas dan linearitas

Menurut Wijaya (2009) dalam Haryono dan Wardoyo (2012) analisis

SEM mensyaratkan data terdistribusi normal untuk menghindari bias
dalam analisis data. Data dikatakan normal secara multivariat apabila c.r
multivariat memiliki syarat -2,58 < c.r < 2,58.

c. Outlier

Outlier adalah observasi yang muncul dengan nilai – nilai ekstrim, yang
muncul karena kombinasi karakteristik unik yang dimiliki dan terlihat
sangat jauh berbeda dengan observasi lainnya.

f. Evaluasi kriteria goodness of fit

Menilai kelayakan dari model struktural dapat dilakukan dengan menilai

apakah data yang akan diolah memenuhi asumsi model persamaan structural. Ada
tiga asumsi dasar yang harus dipenuhi pada model persamaan structural yaitu :

1. Observasi data independen

2. Responden diambil secara random (random sampling responden)\
3. Memiliki hubungan linear

Setelah asumsi-asumsi SEM diketahui, maka langkah selanjutnya adalah

menentukan kriteria yang digunakan untuk mengevaluasi model dan pegaruh-
pengaruh yang ditampilkan dalam model. Beberapa indeks kesesuaian dan cut-off
 35

valuenya yang digunakan dalam menguji apakah sebuah model dapat diterima
atau tidak adalah sebagai berikut:

a. Likelihood-Ratio Chi-Square Statistic

Ukuran fundamental dari overall fit adalah likelihodd-ratio Chi-square
(X²). Nilai Chi-square yang kecil akan menghasilkan nilai probabilitas
(p) yang lebih besar dari tingkat signifikansi (α) dan ini menunjukkan
bahwa input matrik kovarian antara prediksi dengan tidak berbeda
secara signifikan. Peneliti harus mencari nilai chi-square yang tidak
signifikan karena mengharapkan bahwa model fit dengan data
observasi. Jika nilai X² hitung ≤ X² tabel, maka kovarian sampel tidak
berbeda dengan matrik kovarian estimasi. Atau, bisa juga dengan
melihat angka probabilitas pada output AMOS dengan p ≥ 0,05 yang
berarti kovarian sampel tidak berbeda dengan kovarians estimasi
b. CMIN/DF
Cmin/df adalah nilai chi-square dibagi dengan degree of freedom.
Nilai ratio 5 atau ≤ 5 merupaka ukuran yang reasonable. Atau, nilai
ratio ini ≤ 2 yang merupakan ukuran fit
c. RMSEA
Root mean square error of approximation merupakan ukuran yang
mencoba memperbaiki kecenderungan statistic chi-square mebolak
model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,o05
sampai 0,08 merupakan ukuran yang dapat diterima
d. GFI
Goodness of Fit Index (GFI) yaitu ukuran non-statistic yang nilainya
berkisar dari 0 (poor fit) sampai 1,0 (perfect fit). Nilai GFI tinggi
menunjukkan fit yang lebih baik dan berapa nilai GFI yang dapat
diterima sebagai nilai yang layak belum ada standarnya, dengan nilai
>0,90 sebagai ukuran good fit.
 36

e. TLI
Tucker-Lewis Index atau dikenal dengan nonnormed fit index (NNFI),
ukuran ini menggabungkan ukuran persimoni ke dalam indeks
komperasi antara proposed model dan null model. Nilai TLI berkisar
dari 0-1,0 dengan nilai yang direkomendasikan adalah sama atau >
0,90
f. AGFI (Adjusted Goodness-of-fit)
AGFI merupakan pengembangan dari GFI yang disesuaikan dengan
degree of freedom untuk proporsi model dengan degree of reedom
untuk null model. Tingkat derajat penerimaan adalah sama dengan atau
lebih besar dari 0,90.
g. NFI
Normed Fit Index merupakan ukuran perbandingan antara proposed
model dengan null model. Nilai NFI yang direkomendasikan adalah >
0,90
g. Interpretasi dan modifikasi model

Langkah ketujuh adalah menginterpretasikan model dan memodifikasikan

model bagi model – model yang tidak memenuhi syarat pengujian yang
dilakukan. Hair et al., dalam Supranoto (2009) memberikan sebuah pedoman
untuk mempertimbangkan perlu tidaknya modifikasi sebuah model yaitu dengan
melihat jumlah residual yang dihasilkan oleh model. Batas keamanan untuk
jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 5% dari semua
residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi mulai
perlu dipertimbangkan. Bila ditemukan bahwa nilai residual yang dihasilkan oleh
model itu cukup besar atau lebih dari 1,96, maka cara lain dalam memodifikasi
adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap
model yang diestimasi itu, cut of value sebesar 1,96 dapat digunakan untuk
menilai signifikan tidaknya residual yang dihasilkan oleh model. Nilai residual
value yang lebih besar atau sama dengan 1,96 diintepretasikan sebagai signifikan
secara statistik pada tingkat 5%.