Ada Pengaruh antara e-WOM dengan Citra destinasi PBB Setu Babakan

Pengaruh antara Electronic Word of Mouth (e-WOM) dengan Citra destinasi Perkampungan Budaya Betawi (PBB) Setu Babakan 

by. Salman Paludi

Berdasarkan penelitian yang dilakukan pada tahun 2015-2016, dari tiga dimensi penyusun e-WOM, satu dimensi, yaitu kualitas e-WOM tidak mempengaruhi e-WOM secara keseluruhan dalam mempengaruhi Citra destinasi. Hal ini terlihat juga dari penilaian responden mengenai foto/komentar/ulasan pengguna internet memberikan informasi terkini mengenai Setu Babakan, dimana sekitar 30% responden menyatakan tidak setuju dan ragu-ragu. Selain itu juga penilaian responden mengenai foto/komentar/ulasan pengguna internet ditulis berdasarkan fakta atau kejadian yang sebenarnya, sekitar 20% responden menyatakan ragu-ragu dan ketidaksetujuannya mengenai hal tersebut. Peryataan bahwa foto/komentar/ulasan informasi mengenai Setu Babakan di internet dapat membantu pembaca dalam menilai Setu Babakan, sekitar 15% responden menyatakan ragu-ragu dan tidak setuju akan hal tersebut.

e-WOM Setu Babakan lebih dipengaruhi oleh bervariasinya informasi/gambar-gambar mengenai Setu Babakan di internet yang dikirim oleh banyak pengguna internet dibandingkan dengan keterkinian dan kelengkapan dari informasi atau gambar-gambar itu sendiri. Hal ini terlihat dari sekitar 80% responden setuju bahwa jumlah foto/komentar/ulasan pengguna internet banyak dan mudah dicari di internet. Selain itu juga ada sekitar 90% responden yang setuju dengan pernyataan bahwa informasi mengenai Setu Babakan di internet berasal dari banyak sumber dan bukan berasal dari satu orang saja.

Informasi yang disampaikan seseorang kepada orang lain mengenai Setu Babakan dari mulut ke mulut akan lebih cepat menyebar dengan adanya internet. Dengan internet seseorang dapat memanfaatkan komuniksi melalui website, email atau situs-situs  jejaring sosial seperti tweeter atau facebook untuk mencari atau memberikan informasi mengenai Setu Babakan. Informasi mengenai Setu Babakan yang awalnya dari satu orang bisa menyebar secara cepat atau menjadi viral ke orang lain  dengan adanya internet.

Lain halnya penyebaran e-WOM di media-media sosial seperti facebook, berita singkat atau foto lebih mudah disebarkan dan dilihat pengguna internet lain karena banyaknya pengguna jejaring sosial tersebut. Seseorang mungkin saja tidak berniat mencari informasi Setu Babakan namun pada saat membuka facebook ada foto-foto atau informasi singkat mengenai Setu Babakan yang diposting oleh pengguna facebook lain yang menarik perhatiannya sehingga orang tersebut tertarik dan berniat mengunjungi Setu Babakan di kemudian hari. Dengan demikian e-WOM Setu Babakan dikarenakan banyaknya penyebaran informasi singkat dan gambar atau foto-foto di media sosial yang diposting oleh penggunanya, dan secara tak sengaja dibaca atau dilihat pengguna media sosial yang lain. 

Maraknya pengunaan kamera digital dan mudahnya pengguna internet meng-upload foto di media sosial, seperti facebook, tweeter, instagram, dll lebih memudahkan seseorang menyebarkan foto dan informasi singkat mengenai Setu Babakan di internet.  Foto dan informasi singkat yang beredar akan lebih cepat dan luas peredarannya jika foto atau informasi singkat tersebut mendapat tanggapan, disukai (like) atau bahkan disebarkan ulang (share) oleh pegguna lain. Pada umumnya penguna facebook atau media sosial lainnya menginginkan sesuatu yang ditulisnya (status) serta foto-foto yang di-upload-nya disukai dan mendapatkan tanggapan positif dari pengguna lain. Ada kebanggaan tersendiri para pengguna media sosial jika foto atau statusnya disukai dan ditanggapi positif oleh banyak orang, sehingga foto-foto Setu babakan yang di-upload adalah foto-foto yang menarik yang diambil dari sudut-sudut terbaik, dengan demikian foto-foto Setu Babakan yang di-upload di media sosial bisa terkesan luar biasa dan tentu saja bisa  meningkatkan reputasi baik Setu Babakan. Semakin banyaknya e-WOM positif mengenai Setu Babakan tentu saja semakin meningkatkan Citra positif Setu Babakan.

Saran

Berpengaruhnya e-WOM terhadap Citra destinasi PBB Setu Babakan akan membawa dampak positif bagi Citra destinasi PBB Setu Babakan itu sendiri. Semakin banyak informasi dari mulut ke mulut di internet mengenai PBB Setu Babakan maka akan semakin populer dan meningkatnya Citra Setu Babakan di masyarakat. 
Agar masyarakat lebih mudah mendapatkan informasi rinci mengenai Setu Babakan, seperti agenda kegiatan dan acara-acara yang akan dilaksanakan, maka hendaknya pengelola PBB Setu Babakan memiliki website resmi yang dikelola secara professional dimana informasi atau berita yang dimuat adalah informasi terkini dan sesuai fakta yang sebenarnya. 
Di samping itu pengelola situs hendaknya adalah orang-orang yang benar-benar mengetahui tentang Setu Babakan sehingga informasi yang beredar dimasyarakat bermanfaat dan dapat dipertanggungjawabkan kebenarannya. 
Informasi mengenai acara-acara di PBB Setu Bababakan dapat berupa foto atau poster-poster kegiatan yang disebarkan di media sosial dengan kreatif. Adapun penyebar foto atau poster tersebut hendaknya melibatkan banyak orang atau semacam tim sehingga selain lebih luas penyebaran informasinya, sumber informasinya juga akan terkesan berasal dari banyak sumber pengirim pesan e-WOM. 
Adanya berbagai komunitas hobi di Setu Babakan, seperti komunitas sepeda tua (OSEBA), fotografi, sanggar tari, mancing, dan lain-lain dapat dirangkul untuk bekerjasama dalam menyebarkan e-WOM ini di internet. 
Selain itu hendaknya disediakannya akses internet gratis pada tempat-tempat tertentu sehingga memudahkan pengunjung berselancar di dunia maya, dengan harapan pengunjung tersebut menyebarkan foto-foto kegiatan atau informasi mengenai Setu Babakan di internet.

baca juga : Electronic Word of Mouth (eWOM)

sumber : 

Paludi, Salman, 2016. Analisis Pengaruh Electronic Word Of Mouth (E-Wom) Terhadap Citra Destinasi, Kepuasan Wisatawan, Dan Loyalitas Destinasi Perkampungan Budaya Betawi (PBB) Setu Babakan Jakarta Selatan. Tesis, MM IBN Jakarta

Pengaruh eWOM terhadap Citra destinasi, Kepuasan wisatawan, dan Loyalitas destinasi di Setu Babakan

by. Salman Paludi

Pendahuluan

Kehadiran internet membawa dampak perubahan yang besar bagi seseorang menyampaikan pesan atau informasi kepada orang lain. Jarak dan waktu bukan halangan lagi bagi seseorang untuk berbagi informasi kepada orang lain. Informasi yang disampaikan seseorang tidak hanya terbatas hanya berita suatu kejadian saja tetapi juga informasi mengenai produk-produk tertentu. Dengan besarnya angka pengguna internet di Indonesia dan diperkirakan akan  naik secara signifikan dari tahun ke tahun maka pengguna internet di Indonesia menjadi pasar yang sangat potensial bagi perusahan untuk memasarkan produk-produknya. Selengkapnya di sini

Cara Menguji Multivariat Outlier

Uji Multivariat Outlier

by. Salman Paludi ~ Pebruari 2017

Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang  muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat jauh berbeda dengan observasi-observasi lainnya. Outliers pada dasarnya dapat muncul dalam empat kategori:

1)   Outliers muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data.

2)   Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil data lain daripada yang lain, tetapi peneliti memiliki penjelasan mengenai apa penyebab munculnya nilai ekstrim tersebut.

3)   Outliers muncul karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim tersebut.

4)   Outliers dapat muncul karena range nilai jawaban responden, bila dikombinasi dengan variabel lainnya kombinasinya menjadi tidak lazim atau sangat ekstrim, yang sering dikenal dengan multivariate outliers.

Outlier menggambarkan data atau skor yang terletak sangat jauh (ekstrim) dari kelompok lainnya. Univariat outlier skor ekstrim dalam variabel sedangkan multivariate outlier adalah skor ekstrim dalam dua atau lebih variabel. Outlier  dapat berpotensial menciptakan heywood case atau improper solution. Selain itu outlier dapat menyebabkan bentuk distribusi data menjadi tidak normal, menciptakan bias dalam taksiran parameter serta berpengaruh terhadap hasil signifikansi pengujian parameter tersebut. Pemeriksaan multivariat outlier dapat dilakukan dengan statistik Mahalanobis Distance (d²) yang berdistribusi chi square (χ²) dengan derajat kebebasan (df) sejumlah variabel pengamatan (p). Nilai Mahalanobis Distance (d²) data pengamatan yang lebih dari nilai chi square (χ²) dengan derajat bebas df variabel pengamatan p dan tarap signifikansi misal <0,001 maka dikatakan sebagai data multivariate outlier.   Cara mengidentifikasikan terjadinya multivariat outliers adalah dengan menggunakan statistik d² (Mahalanobis Distance) dan dibandingkan dengan nilai χ² dengan tingkat kesalahan 0,001, df sebanyak variabel yang dianalisis. Untuk jumlah pertanyaan sebanyak 77 buah dalam Microsoft Excel 2010 dengan  rumus =CHIINV(0.001,77) diperoleh nilai 121,1. Pemeriksaan multivariat outlier diolah dengan bantuan software SPSS 20.

Jika d² > χ², 0,001,df=77 atau d²>121,1 maka terdapat multivariat outlier.

Jika d²< χ², 0,001,df=77 atau d²<121,1 maka tidak terdapat multivariat outlier.

Jumlah awal data observasi adalah sebanyak 300 data observasi. Berikut hasil pengujiannya dengan software SPSS 20 dalam gambar berikut:

Gambar hasil output pengujian multivariate outlier di SPSS :

Dalam pengujian multivariate outlier di atas ditemukan dua puluh  data yang outliers yaitu data observasi nomor 279, 265, 264, 281, 262, 268, 263, 280, 261, 266, 277, 269, 278, 260, 259, 267, 276, 300, 29 dan 158 yang memiliki nilai Mahalanobis Distance d² > χ², 0.001,df=37 (121,1). Sehingga kedua puluh data tersebut dikeluarkan dari total data observasi agar dalam  pengolahan data tidak terdapat multivariate outliers. Setelah itu data observasi diolah kembali dan dihasilkan output:

Mahalanobis Distance (d²) maximum = 109,590, dengan nilai  χ², 0.001,df=37 adalah 121,1 maka data yang diobservasi sebanyak 280 data tidak terdapat multivariate outlier.

baca juga : 

Structural Equation Modeling (SEM)

daftar pustaka : 

Paludi, Salman, 2016. Analisis Pengaruh Electronic Word Of Mouth (E-Wom) Terhadap Citra Destinasi, Kepuasan Wisatawan, Dan Loyalitas Destinasi Perkampungan Budaya Betawi (PBB) Setu Babakan Jakarta Selatan. Tesis, MM IBN Jakarta

Ferdinand, Augusty. 2006. Structural Equation Modeling dalam Penelitian Manajemen : Aplikasi Model-Model Rumit dalam Penelitian untuk Tesis Magister dan Disertasi Doktor. Semarang: Badan Penerbit Universitas Diponegoro. ISBN 979.9156.75.0

Yamin, Sofyan & Kurniawan, Heri, 2009. Structural Equation Modeling Belajar Lebih Mudah Teknik Analisis Data Kuesioner Dengan Lisrel-PLS. Jakarta: Salemba Infotek

Structural Equation Modeling (SEM)

Structural Equation Modeling (SEM)

by. Salman Paludi ~ Pebruari 2017

SEM adalah sebuah evolusi dari model persamaan berganda yang dikembangkan ari prinsip ekonometri dan digabungkan dengan prinsip pengaturan dari psikologi dan sosiologi, SEM telah muncul sebagai bagian integral dari penelitian manajerial dan akademik. SEM merupakan gabungan antar dua metode statistik, yaitu (1) analisa faktor yang dikembangkan dalam psikologi/psokometri atau sosiologi dan (2) model persamaan simultan yang dikembangkan dalam ekonometri.

 Dalam analisis SEM, variabel dibedakan menjadi:

1)        Variabel Laten 

Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes. Variabel laten disebut pula dengan istilah unobserved variabel, konstruk atau konstruk laten. Variabel laten diberi simbol lingkaran atau elips. Variabel laten dapat digolongkan menjadi dua yaitu sebagai berikut.

a)   Variabel laten eksogen, merupakan variabel independen (bebas) yang mempengaruhi variabel dependen (terikat). 

b)  Variabel laten endogen, merupakan variabel dependen yang dipengaruhi oleh variabel independen.   

2)        Variabel manifes

Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau mengukur variabel laten. Variabel manifes dapat disebut juga dengan istilah observed variabel, measured variabel atau indikator. Dalam program LISREL, variabel manifes diberi simbol kotak. 

Tahapan pemodelan dengan analisis SEM

Penelitian ini menggunakan SEM (Structural Equation Model) yang didasarkan pada evaluasi atas adanya hubungan saling ketergantungan. Tahapan pemodelan dan analisis persamaan struktural menjadi tujuh langkah yaitu sebagai berikut:

1)     Pengembangan model berdasar teori

Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model divalidasi secara empirik melalui program SEM. Tanpa dasar teoritis yang kuat, SEM tidak dapat digunakan. SEM tidak digunakan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model melalui data empirik. Pada dasarnya SEM adalah sebuah confirmatory technique, sebagai lawan dari exploratory analysis. 

2)     Menyusun diagram jalur

Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan pada Path diagram. Path diagram tersebut akan mempermudah untuk melihat hubungan-hubungan kausalitas. Berdasarkan dari kajian teori dan kerangka teoritis yang ada, kemudian dibuat gambar diagram jalur hubungan kausalitas antar konstruk beserta indikatornya yang dapat dilihat

3)     Menyusun persamaan struktural

Setelah teori atau model teoritis dikembangkan dan digambarkan dalam sebuah diagram jalur, selanjutnya dapat dimulai dengan mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan. Pada  langkah ketiga ini, model yang dinyatakan dalam diagram jalur dinyatakan dalam dua kategori dasar yaitu sebagai berikut:

a) Persamaan-persamaan struktural (structural equations). 

Setelah model teoritis dikembangkan dan digambarkan dalam sebuah diagram alur, langkah selanjutnya mengkonversi model ke dalam rangkaian persamaan. Persamaan yang dibangun terdiri dari:

Y₁ =  αX + ε₁………………………………………………..……….. (1)

Y₂ =  βX+ σ1Y₁ + ε₂………………………………………….……... (2)

Y₃ =  σ2Y₁ +  σ3Y₂ + ε₃…………………………………...….……... (3)

Keterangan  :       

α (alpha)  = hubungan langsung variabel eksogen terhadap variabel endogen ( X dengan Y₁)

β (beta) = hubungan langsung variabel eksogen terhadap variabel endogen (X dengan Y₂)

σ1 (delta satu) = hubungan langsung variabel endogen terhadap variabel endogen  (Y₁ dengan Y₂)

σ2 (delta dua) = hubungan langsung variabel endogen terhadap variabel endogen  (Y₁ dengan Y₃)

σ3 (delta tiga) = hubungan langsung variabel endogen terhadap variabel endogen  (Y₂ dengan Y₃)

ε (epsilon) =  measurement error

b) Persamaan spesifikasi model pengukuran (measurement model).  Persamaan spesifikasi ini untuk menentukan variabel mana yang mengukur konstruk serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.

4)       Memilih matrik input dan estimasi model 

Teknik estimasi yang akan digunakan  adalah robust maximum  likelihood  estimation  method yang  terdapat  dalam software program LISREL 8.7. Estimation  structural  equation  model  dilakukan  dengan  analisis  model  sebagian (partial) untuk  melihat  kesesuaian  model  dan  hubungan  kausalitas  yang  dibangun dalam model uji.

1.      Second order confirmatory factor analysis (2^ndCFA) adalah model pengukuran yang terdiri dari dua tingkat. Tingkat pertama adalah sebuah CFA yang menunjukan hubungan antara variabel-variabel teramati sebagai indikator-indikator dari variabel terkait. Tingkat kedua adalah sebuah CFA yang menunjukkan hubungan antara variabel-variabel laten pada tingkat pertama sebagai indicator-indikator dari sebuah variabel laten tingkat kedua. .

2.      Latent Variable Score (LVS) untuk menyederhanakan model

Penyederhanaan ini sering dilakukan jika ukuran sampel tidak mencukupi untuk menjalankan model aslinya. (1 variabel teramati memerlukan minimal 5 responden). 

3.      Structur Equation Model

Setelah measurement  model  dianalisis  melalui confirmatory  factor analysis dan dilihat bahwa masing-masing variabel dapat digunakan untuk mendefinisikan sebuah konstruk laten, maka dilakukan analisis  full model untuk  melihat  kesesuaian  model  dan  hubungan  kausalitas  yang  dibangun dalam model yang diuji.

5)      Menilai problem identifikasi

Masalah  identifikasi  pada  prinsipnya  adalah  mengenai  masalah Ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Beberapa  indikasi  masalah  identifikasi  yaitu  :  1.)  standar  eror  yang  besar  untuk  satu  atau  beberapa  koefisien,  2.) adanya  varians  eror  yang  negatif,  3.)  korelasi yang  tinggi  antara  koefisien.  Jika  setiap  kali  estimasi  dilakukan muncul masalah identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.

6)      Evaluasi kriteria goodness of fit

Tindakan selanjutnya adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM. Ada beberapa asumsi SEM yang harus dipenuhi yaitu sebagai berikut:

a)      Ukuran sampel

Ukuran yang harus dipenuhi dalam pemodelan SEM adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan lima observasi untuk setiap estimasi parameter.

Besarnya  ukuran  sampel  memiliki  peran  penting  dalam  interpretasi  hasil SEM.  Dengan  model  estimasi  menggunakan  maximum  likelihood  (ML) minimum  diperlukan  sampel  100.  Ketika  sampel  dinaikkan  di  atas  nilai 100,  metode  ML  meningkat  sensivitasnya  untuk  mendeteksi  perbedaan antar  data.  Begitu  sampel  menjadi  besar  (di  atas  400  sampai  500),  maka metode  ML  menjadi  sangat  sensitif  dan  selalu  menghasilkan  perbedaan secara  signifikan  sehingga  ukuran  Goodness  of  fit  menjadi  tidak  baik.

b). Normalitas 

b)     Outliers

c)      Multicollinearity

Setelah asumsi SEM terpenuhi, langkah berikutnya adalah menguji kesesuaian dan uji statistik. Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Ada beberapa jenis fit index yang mengukur derajat kesesuaian antara model yang dihipotesakan dengan data yang disajikan, antara lain sebagai berikut. 

1.      χ² - Chi-square Statistik

Chi-square bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil (<50) maupun terhadap sampel yang terlalu besar (>200). Oleh karena itu penggunaan Chi-square hanya sesuai bila ukuran sampel adalah antara 100 sampai 200 sampel. Bila ukuran sampel berada di luar rentang tersebut, uji signifikansi akan menjadi kurang reliabel, sehingga pengujian tersebut perlu dilengkapi dengan alat uji yang lainnya. Dasar pengambilan keputusan dalam uji Chi-Square ini  adalah sebagai berikut :

1)  Dengan membandingkan χ² hitung dengan χ² tabel 

Jika χ² hitung ≤ χ² tabel, maka matrik kovarian sampel tidak  berbeda dengan matrik kovarians estimasi. 

Jika χ² hitung >χ² tabel, maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi. 

2)  Dengan melihat angka probabilitas (ρ) pada output LISREL

Jika ρ ≥ 0,05 maka matrik kovarian sampel tidak berbeda dengan matrik kovarians estimasi. 

Jika ρ < 0,05 maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi.

2.      GFI (Goodness of fit Index) 

GFI dapat diklasifikasikan sebagai ukuran kecocokan absolut, karena pada dasarnya GFI membandingkan model yang dihipotesiskan dengan tidak ada model sama sekali (∑(0)). Nilai GFI berkisar antara 0 (poor fit), dan nilai GFI ≥ 0,90 merupakan good fit (kecocokan yang baik), sedangkan 0,80 ≤ GFI < 0,9 0sering disebut marginal fit.

3.      AGFI(Adjusted goodness of fit)

AGFI adalah perluasan dari GFI yang disesuaikan dngan rasio antara degree of freedomdari null/independence/baselane model dengan degree of freedom dari model yang dihipotesakan atau diestimasi. (Joreskog dan Sorbom dalam Wijanto, 2008. Nilai AGFI berkisar antara 0 sampai 1 dan AGFI ≥ 0,90 menunjukkan good fit. Sedangkan 0,80 ≤ AGFI < 0,90 sering disebut marginal fit.

4.      TLI/NNFI (Tucker Lewis Index/Non Normed Fit Index)

TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai TLI berkisar antara 0 sampai 1,0, dengan nilai TLI ≥ 0,90 menunjukan good fit dan 0,80≤ TLI< 0,90 adalah marginal fit

5.      CFI (Comparative Fit Index)  

Besaran indeks ini adalah pada rentang nilai sebesar 0 sampai 1. Nilai CFI ≥ 0,90 menunjukkan good fit, sedangkan 0,80 ≤ CFI < 0,90 sering disebut marginal fit.

6. RMSEA (Root Mean Square Error of Approximation) 

Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan sampel. RMSEA ≤ 0,08 adalah good fit, sedangkan RMSEA < 0,05 adalah close fit.

7.      RMR (Root Mean Square Residual)

Rata-rata antara matrik (korelasi atau kovarian) teramati dan hasil estimasi. Standarized RMR ≤ 0,05 adalah good fit.

8.      NFI (Normed Fix Index)

Nilai berkisar antara 0 sampai 1, dengan nilai lebih tinggi adalah lebih baik. NFI ≥ 0,90 good fit, sedangkan 0,80 ≤ NFI < 0,90 adalah marginal fit.

9.      RFI (Relative Fit Index)

Nilai berkisar antara 0 sampai 1, dengan nilai lebih tinggi adalah lebih baik. RFI ≥ 0,90 good fit, sedangkan 0,80 ≤ RFI < 0,90 adalah marginal fit.

10.  IFI (Incremental Fit Index)

Nilai berkisar antara 0 sampai 1, dengan nilai lebih tinggi adalah lebih baik. IFI ≥ 0,90 good fit, sedangkan 0,80 ≤ IFI < 0,90 adalah marginal fit.

  e)  Evaluasi kecocokan model pengukuran

1.      Evaluasi terhadap validitas (validity) dari model pengukuran

Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Untuk mengukur validitas variabel-variabel dalam Confirmatory Factor Analysis (CFA) Model, sebagai berikut :

-      Pada first-order model pengukuran, standard factor loadings (muatan faktor standard) variabel-variabel teramati (indikator) terhadap variabel laten (konstruk) merupakan estimasi validitas variabel-variabel teramati tersebut.

-      Pada second or higher level pengukuran, standard structural coefficients dari faktor-faktor (variabel-variabel laten) pada konstruk (variabel laten) yang lebih tinggi adalah estimasi validitas dari faktor-faktor tersebut.

Suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika :

-          Nilai t muatan faktornya (loading factors) lebih besar dari nilai kritis (atau ≥ 1,96 atau untuk praktisnya ≥ 2), dan

-          Muatan faktor standarnya (standardized loading factors) ≥ 0,70

Sementara itu, Igbara et.al.(1997) dalam Wijanto (2008) yang menggunakan guidelines dari Hair  et.al. (1995) tentang relative importance and significant of the factor loading of each item, menyatakan bahwa muatan faktor standard ≥ 0,50 adalah very significant.

2.      Evaluasi terhadap reliabilitas (reliability) dari model pengukuran

Reliabilitas adalah konsistensi suatu pengukuran. Untuk mengukur reliabilitas dalam SEM digunakan : composite reliability measure (ukuran reliabilitas komposit) dan variance extracted measure (ukuran ekstrak varian). Reliabilitas kompositsuatu konstruk dihitung sebagai :

 

Dimana std. loading (standardized loadings) dapat diperoleh secara langsung dari program LISREL-8, dan ej adalah error untuk setiap variabel teramati, .

Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator-indikator (variabel-variabel teramati) yang dijelaskan oleh variabel laten. Ukuran ekstrak varian dapat dihitungbahwa konstruk mempunyai reliabilitas yang baik adalah jika :

Atau 

Dimana N adalah banyaknya variabel teramati dari model pengukuran 

Konstruk mempunyai reliabilitas yang baik jika :

- Nilai Construct Reliability (CR-nya ≥ 0,70, dan

- Nilai Variance Extracted (VE)-nya ≥ 0,50

f) Interpretasi dan modifikasi model 

Ketika model telah dinyatakan diterima, maka dapat dipertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness of fit.

daftar pustaka : 

Paludi, Salman, 2016. Analisis Pengaruh Electronic Word Of Mouth (E-Wom) Terhadap Citra Destinasi, Kepuasan Wisatawan, Dan Loyalitas Destinasi Perkampungan Budaya Betawi (PBB) Setu Babakan Jakarta Selatan. Tesis, MM IBN Jakarta

Yamin, Sofyan & Kurniawan, Heri, 2009. Structural Equation Modeling Belajar Lebih Mudah Teknik Analisis Data Kuesioner Dengan Lisrel-PLS. Jakarta: Salemba Infotek

Ferdinand, Augusty. 2006. Structural Equation Modeling dalam Penelitian Manajemen : Aplikasi Model-Model Rumit dalam Penelitian untuk Tesis Magister dan Disertasi Doktor. Semarang: Badan Penerbit Universitas Diponegoro. ISBN 979.9156.75.0

Wijanto, Setyo Hari, 2008. Structural Equation Modeling dengan Lisrel 8.8. Yogyakarta : Graha Ilmu