Langkah 1: Pengembangan Model Berdasarkan Teori Langkah 2: Menyusun Diagram Alur Path Diagram Langkah 3: Persamaan Struktural dan Model Pengukuran Langkah 5: Menilai Problem Identifikasi

82

6.3. Proses dan Hasil Analisis Data

Proses analisis data dan pengujian model penelitian dengan menggunakan Structural Equation Model akan mengikuti 7 langkah proses analisis Ghozali, 2008. Tujuh langkah proses analisis SEM tersebut secara singkat diterangkan sebagai berikut:

6.3.1. Langkah 1: Pengembangan Model Berdasarkan Teori

Model penelitian yang dikembangkan didasarkan pada hasil telaah teori yang telah diterangkan pada Bab IV. Model ini digunakan untuk menjawab permasalahan penelitian dan sebagai cara untuk mencapai tujuan penelitian. Konstruk yang mempengaruhi model penelitian ini juga telah dijelaskan pada bab sebelumnya dimana variabel pembentuk model terdiri dari 3 variabel dan indikator-indikator pembentuk konstruk terdiri dari 18 indikator. Model penelitian yang dibangun juga telah dirancang berdasarkan teknik analisis yang digunakan yaitu analisis SEM, seperti tertuang dalam Bab IV.

6.3.2. Langkah 2: Menyusun Diagram Alur Path Diagram

Diagram alur path diagram dibentuk berdasarkan atas model penelitian yang telah dikembangkan dari hasil telaah teori seperti yang telah diuraikan di Bab IV. Diagram alur yang telah terbentuk seperti tertuang dalam Gambar 4.1 pada Bab IV, digunakan sebagai salah satu proses estimasi dengan menggunakan program AMOS 18.0

6.3.3. Langkah 3: Persamaan Struktural dan Model Pengukuran

Model yang telah dinyatakan dalam diagram alur tersebut dikonversikan dalam persamaan structural Structural Equations dan persamaan-persamaan spesifikasi model pengukuran Measurement Model. Universitas Sumatera Utara 83

6.3.4. Langkah 4: Memilih Matriks Input dan Teknik Estimasi

Matriks input yang digunakan adalah matriks kovarians sebagai input untuk proses operasi SEM. Pemilihan input menggunakan matriks kovarians, karena penelitian ini menguji hubungan kausalitas Ghozali, 2008. Jumlah sampel yang digunakan dalam penelitian ini adalah 108 responden. Teknik estimasi yang digunakan adalah maximum likelihood estimation method dari program AMOS 18. Estimasi dilakukan secara bertahap yakni: a. Estimasi measurement model dengan teknik confirmatory factor analysis yang digunakan untuk menguji unidimensionalitas dari konstruk-konstruk eksogen dan endogen b. Estimasi structural equation model melalui analisis Full Model untuk melihat kesesuaian model dan hubungan kausalitas yang dibangun dalam model.

6.3.4.1. Analisis Faktor Konfirmatori

Model pengukuran untuk analisis faktor konfirmatori yaitu pengukuran terhadap dimensi-dimensi yang mempengaruhi variabel latenkonstruk laten dalam model penelitian, yaitu: kualitas pelayanan dan bauran pemasaran sebagai konstruk eksogen. Sedangkan kepuasan konsumen, dan loyalitas konsumen sebagai konstruk endogen. Unidimensionalitas dari dimensi-dimensi ini diuji melalui analisis faktor konfirmatori.

6.3.4.1.1. Analisis Faktor Konfirmatori Eksogen pada Kepuasan

Model pengukuran untuk analisis faktor konfirmatori eksogen yaitu pengukuran terhadap dimensi-dimensi yang mempengaruhi variabel latenkonstruk laten dalam model penelitian, yaitu kualitas pelayanan dan bauran pemasaran terhadap kepuasan. Unidimensionalitas dari dimensi-dimensi ini diuji melalui analisis faktor konfirmatori eksogen seperti dalam Gambar 6.8 berikut ini. Universitas Sumatera Utara 84 Gambar 6.8 Analisis Faktor Konfirmatori Eksogen Kriteria Cut of value Hasil Evaluasi Chi-Square Kecil dibawah χ2 tabel dengan df : 54 p : 5 = 67.5048 120.591 Tidak baik Probability ≥ 0,05 0.000 Tidak baik CMINDF ≤ 2,00 2.233 Tidak baik GFI ≥ 0,90 0.819 Marginal AGFI ≥ 0,90 0.739 Tidak baik NFI ≥ 0,90 0.905 Baik TLI ≥ 0,90 0.933 Baik CFI ≥ 0,90 0.945 Baik RMSEA ≤ 0,08 0.107 Tidak baik Sumber : Hasil Penelitian, 2012 data diolah Dalam fit model Confirmory Factor Analysis Standardized Estimates pada variabel bauran pemasaran dan kualitas pelayanan terhadap kepuasan diatas, dapat dilahat pada uji hipotesanya dimana Chi-Square adalah sebesar 120.591, Probability sebesar 0.000, CMINDF sebesar 2.233, AGFI sebesar 0.739, dan RMSEA sebesar 0.107. Dari hasil uji hipotesa tersebut ada beberapa yang tidak memenuhi uji fit model dalam SEM. Chi-Square adalah alat uji statistik yang paling fundamental untuk mengukur overall fit, dimana semakin kecil Chi-Square maka semakin fit model SEM tersebut. Pada uji hipotesa diatas terdapat angka Chi-Square sebesar 120.591 lebih besar dari Chi-Square tabel df 54 sebesar 67.5048. Batasan yang digunakan oleh RMSEA adalah ≤ 0.08, tetapi pada uji fit Universitas Sumatera Utara 85 model diatas didapatkan angka sebesar 0.107, sehingga model tersebut tidak fit atau tidak sesuai untuk diolah menggunakan SEM. AGFI adalah modifikasi dari GFI dengan mengakomodasi derajat bebas model denngan model lain yang dibandingkan. AGFI yang diharapkan adalah ≥0.90, sedangkan AGFI pada uji hipotesa tersebut sebesar 0.739, sehingga AGFI tersebut tidak proporsional. CMINDF adalah statistik Chi-Square dibagi dengan Degreess of Freedom. CMINDF yang diharapkan adalah ≤2.00, tetapi dari uji hipotesa diatas terdapat CMINDF sebesar 2.233. Sementara itu, dari tingkat kemungkinan signifikannya Sighnificant Probability pada uji hipotesa adalah sebesar 0.000, sedangkan angka yang diharapkan adalah sebesar ≥0.05, sehingga didapat tingkat kemungkinan signifikan rendah, sehingga hasil tersebut tidak fit dalam model pengolahan SEM. Fit model Confirmory Factor Analysis Standardized Estimates terhadap variabel bauran pemasaran pada gambar 6.8, menghasilkan data pada tabel 6.12 berikut. Pada tabel 6.12 berikut menjelaskan hasil regresi dari suatu estimasi yang telah di Standardized. Tabel 6.12 Fit model Confirmory Factor Analysis Standardized Estimates · Normalitas pada ± 2.58, Signifikan pada 0.05 · Dimana : X11 = Product, X12 = Price, X13 = Promotion, X14 = Place, X15 = People, X16 = Process, X17 = Customer service, X21= Tangible, X22= Reliability, X23= Responsiveness, X24= Assurance, X25 = Empathy Sumber : Hasil Penelitian, 2012 Variable min max skew c.r. kurtosis c.r. X25 1.000 7.000 -.226 -.958 -.856 -1.817 X24 1.000 7.000 -.182 -.774 -1.014 -2.151 X23 1.000 7.000 -.281 -1.192 -.999 -2.120 X22 1.000 7.000 -.209 -.886 -.969 -2.055 X21 1.000 7.000 -.217 -.920 -.955 -2.025 X17 1.000 6.000 1.340 5.683 .839 1.781 X16 1.000 7.000 -.410 -1.739 -.774 -1.642 X15 1.000 7.000 -.373 -1.584 -.842 -1.787 X14 1.000 7.000 -.502 -2.128 -.647 -1.373 X13 1.000 7.000 -.303 -1.284 -.836 -1.773 X12 2.000 7.000 -.376 -1.597 -.973 -2.063 X11 1.000 7.000 -.188 -.800 -1.145 -2.430 Multivariate 15.706 4.452 Universitas Sumatera Utara 86 Dalam tabel 6.12 tersebut, menjelaskan bahwa X17 tidak signifikan mempengaruhi bauran pemasaran karena terdapat angka signifikan yang melebihi standar signifikan 0.05, yaitu sebesar 0.47. Selain itu, untuk uji normalitas data pada kolom c.r. X17 juga melebihi standar uji normalitas ± 2.58 yaitu sebesar 5.683 sehingga X17 harus direvisi. Sementara indikator yang lain telah sesuai dengan model SEM. Setelah data pada variabel eksogen direvisi, terdapat sebelas konstruk yang termasuk dalam Fit model Confirmory Factor Analysis Standardized Estimates pada variabel bauran pemasaran dan kualitas pelayanan terhadap kepuasan. Kesebelas konstruk tersebut dianggap model yang telah memenuhi standar asumsi-asumsi dasar dalam permodelan SEM dan telah memenuhi standar fit model dalam permodelan SEM untuk diolah, dan yang dapat menghasilkan data untuk diinterprestasikan. Sedangkan konstruk lainnya yang tidak terdapat pada hasil revisi fit model, dianggap tidak memenuhi syarat pada asumsi-asumsi dasar dan fit model yang ditentukan dalam SEM untuk diolah datanya. Hasil dari fit model tersebut dapat dilihat pada gambar 6.9 Gambar 6.9 Hasil Revisi Confirmatory Factor Analysis Standardized Estimates Sumber : Hasil Penelitian, 2012 data diolah Universitas Sumatera Utara 87 Tabel 613 Hasil Uji Goodness of Fit Kriteria Cut of value Hasil Evaluasi Chi-Square Kecil dibawah χ2 tabel dengan df : 39 p : 5 = 54.5722 44.980 Baik Probability ≥ 0,05 0.236 Baik CMINDF ≤ 2,00 1.153 Baik GFI ≥ 0,90 0.926 Baik AGFI ≥ 0,90 0.875 Marginal NFI ≥ 0,90 0.964 Baik TLI ≥ 0,90 0.993 Baik CFI ≥ 0,90 0.995 Baik RMSEA ≤ 0,08 0.038 Baik Sumber : Hasil Penelitian, 2012 data diolah Dalam fit model Confirmory Factor Analysis Standardized Estimates diatas, dapat dilihat pada uji hipotesanya dimana Chi-Square adalah sebesar 44.980 lebih kecil dari Chi Square derajat kebebasan 39 signifikansi 5 sebesar 54.5722, Probability sebesar 0.236, CMINDF sebesar 1.153, GFI sebesar 0.926, TLI sebesar 0.993, CFI sebesar 0.995, AGFI sebesar 0.875dan RMSEA sebesar 0.038. Dari hasil uji hipotesa tersebut, data yang dihasilkan telah memenuhi uji fit model dalam SEM. Semakin kecil Chi-Square maka semakin fit model SEM tersebut. Pada uji hipotesa diatas terdapat angka Chi-Square sebesar 44.980 lebih kecil dari nilai Chi-Square table untuk derajat kebebasan 8 pada tingkat signifikan 39 sebesar 54.5722. Batasan yang digunakan oleh RMSEA adalah ≤0.08, pada uji fit model diatas didapatkan angka sebesar 0.038, sehingga model tersebut fit atau sesuai untuk diolah menggunakan SEM. Kesesuaian menghitung proporsi tertimbang dari varians dalam matrik kovarians sampel yang terestimasikan, diuji menggunakan GFI. GFI yang diharapkan adalah sebesar ≥0.90, GFI pada uji hipotesa tersebut sebesar 0.926, sehingga GFI tersebut proporsional. Sedangkan kebalikan dari GFI adalah CFI. CFI adalah suatu indeks untuk mengukur suatu tingkat penerimaan sebuah model, tetapi tidak dipengaruhi oleh besarnya suatu sampel. Universitas Sumatera Utara 88 Tingkat CFI yang diharapkan adalah sebesar ≥0.90, pada uji hipotesa terdapat angka sebesar 0.995, artinya model tersebut diterima dalam model SEM yang diharapkan. Uji hipotesa yang berikutnya adalah pada CMINDF. CMINDF adalah statistic Chi- Square dibagi dengan Degreess of Freedom. CMINDF yang diharapkan adalah sebesar ≤2,00. Pada uji hipotesa diatas, terdapat angka sebesar 1.153, sehingga menghasilkan angka yang fit dalam permodelan SEM. Sedangkan untuk TLI adalah sebuah alternatif Incremental Fit Index yang membandingkan sebuah model yang diuji terhadap sebuah Baseline Model. Nilai yang diharapkan pada TLI adalah sebesar ≥0.90. Angka yang ada pada uji hipotesa untuk uji TLI adalah sebesar 0.993, sehingga angka tersebut fit untuk pengujian SEM. Sementara itu, dari tingkat kemungkinan signifikannya Sighnificant Probability pada uji hipotesa adalah sebesar 0.236, sedangkan angka yang diharapkan adalah sebesar ≥0.05, sehingga didapat tingkat kemungkinan signifikan yang tinggi, jadi hasil tersebut fit dalam model pengolahan SEM. Model fit pada gambar 6.9 tersebut, menghasilkan suatu angka dalam output pada tabel 6.13 berikut. Pada tabel 6.13 berikut, menjelaskan mengenai asumsi-asumsi dasar dan menjelaskan hasil regresi dari suatu estimasi yang telah di Standardized. Universitas Sumatera Utara 89 Tabel 6.13 Fit model Confirmatory Factor Analysis Standardized Estimates · Normalitas pada ± 2.58 · Signifikan pada 0.05 · Dimana : X11 = Product, X12 = Price, X13 = Promotion, X14 = Place, X15 = People, X16 = Process, X17 = Customer service, X21= Tangible, X22= Reliability, X23= Responsiveness, X24= Assurance, X25 = Empathy Sumber : Hasil Penelitian, 2012 Indikator sperti pada tabel 6.13 diatas, menunjukkan bahwa terdapat jawaban paling kecil 1 atau sangat tidak setuju min dan jawaban paling besar 7 atau sangat setuju max.

6.3.4.2. Analisis Structural Equation Modeling dengan Full Model

Analisis selanjutnya adalah analisis Structural Equation Model SEM secara Full Model yang dimaksudkan untuk menguji model dan hipotesis yang dikembangkan dalam penelitian ini. Pengujian model dalam Structural Equation Model dilakukan dengan dua pengujian, yaitu uji kesesuaian model dan uji signifikansi kausalitas melalui uji koefisien regresi. Hasil pengolahan data untuk analisis SEM terlihat pada Gambar 6.12. Variable min max Skew c.r. kurtosis c.r. X25 1.000 7.000 -.226 -.958 -.856 -1.817 X24 1.000 7.000 -.182 -.774 -1.014 -2.151 X23 1.000 7.000 -.281 -1.192 -.999 -2.120 X22 1.000 7.000 -.209 -.886 -.969 -2.055 X21 1.000 7.000 -.217 -.920 -.955 -2.025 X16 1.000 7.000 -.410 -1.739 -.774 -1.642 X15 1.000 7.000 -.373 -1.584 -.842 -1.787 X14 1.000 7.000 -.502 -2.128 -.647 -1.373 X13 1.000 7.000 -.303 -1.284 -.836 -1.773 X12 2.000 7.000 -.376 -1.597 -.973 -2.063 X11 1.000 7.000 -.188 -.800 -1.145 -2.430 Multivariate 11.939 3.668 Universitas Sumatera Utara 90 Gambar 6. 10 Hasil Structural Equation Model Full Model Kriteria Cut of value Hasil Evaluasi Chi-Square Kecil dibawah χ2 tabel dengan df : 71 p : 5 = 124.3421 119.761 Baik Probability ≥ 0,05 0.000 Tidak baik CMINDF ≤ 2,00 1.687 Baik GFI ≥ 0,90 0.865 Marginal AGFI ≥ 0,90 0.800 Marginal NFI ≥ 0,90 0.929 Baik TLI ≥ 0,90 0.961 Baik CFI ≥ 0,90 0.969 Baik RMSEA ≤ 0,08 0.08 Baik Sumber : Hasil Penelitian, 2012 data diolah Berdasarkan hasil pengamatan pada gambar pada grafik analisis full model diatas dapat ditunjukkan bahwa model tidak memenuhi kriteria fit, hal ini ditandai dengan nilai dari hasil perhitungan tidak memenuhi kriteria layak full model. Dimana nilai Probability sebesar 0.000, CMINDF sebesar 1.687, AGFI sebesar 0.800, NFI sebesar 0.929, TLI sebesar 0.961, CFI sebesar 0.969 dan RMSEA sebesar 0.08. Universitas Sumatera Utara 91 Chi-Square adalah alat uji statistik yang paling fundamental untuk mengukur overall fit, dimana semakin kecil Chi-Square maka semakin fit model SEM tersebut. Pada uji hipotesa diatas terdapat angka Chi-Square sebesar 119.761 lebih kecil dari Chi-Square tabel df 71 sebesar 124.3421. Batasan yang digunakan oleh RMSEA adalah ≤ 0.08, pada uji fit model diatas didapatkan angka sebesar 0.08, sehingga model tersebut fit atau sesuai untuk diolah menggunakan SEM. AGFI adalah modifikasi dari GFI dengan mengakomodasi derajat bebas model denngan model lain yang dibandingkan. AGFI yang diharapkan adalah ≥0.90, sedangkan AGFI pada uji hipotesa tersebut sebesar 0.800 sehingga AGFI tersebut tidak proporsional. CMINDF adalah statistik Chi-Square dibagi dengan Degreess of Freedom. CMINDF yang diharapkan adalah ≤2.00 dan dari uji hipotesa diatas terdapat CMINDF sebesar 1.687. Sementara itu, dari tingkat kemungkinan signifikannya Sighnificant Probability pada uji hipotesa adalah sebesar 0.000, sedangkan angka yang diharapkan adalah sebesar ≥0.05 sehingga uji ini masih dianggap tidak proporsional. Agar model ini dapat diterima maka dilakukanlah Model Development Strategy, yakni melakukan modifikasi pada model agar beberapa alat uji dapat baik hasilnya. Hal ini dapat dilakukan dengan menurunkan Chi-Square, peningkatan angka GFI, AGFI, NFI, TLI, CFI, RMSEA dan sebagainya. Dengan demikian data menjadi fit dengan data yang ada. Untuk memodifikasi model dilakukan dengan melihat rekomendasi dari otput Modification Indices. Tabel 6.15 Modification Indices pada Full Model M.I. Par Change e10 -- ZL 5.114 .124 e6 -- e8 4.110 .125 e5 -- ZL 16.347 .201 e5 -- e15 25.282 .330 Sumber : Hasil Penelitian, 2012 data diolah Universitas Sumatera Utara 92 Tabel diatas adalah hasil rekomendasi dari AMOS 18 tentang variabel-variabel atau eror yang harus diolah lebih jauh untuk modifikasi. Modifikasi dilakukan dengan menghubungkan variabel atau eror tersebut. Gambar 6. 11 Hasil Structural Equation Model setelah dilakukan Modifikasi Sumber : Hasil Penelitian, 2012 data diolah Dari gambar diatas terlihat beberapa modifikasi yang dilakukan yakni, e5 dengan e15 sebesar 0.28, e5 dengan ZL sebesar 0.14. Berdasarkan gambar tersebut juga dapat dilihat bahwa tingkat signifikansi sebesar 0.092 P0.05 menunjukkan bahwa hipotesis nol H0 yang menyatakan bahwa tidak ada perbedaan antara matriks kovarians sampel dengan matriks kovarians populasi yang diestimasi tidak dapat ditolak. Hasil tersebut menunjukkan diterimanya hipotesis nol H0 atau model ini dapat diterima, yaitu terdapat dua konstruk yang berbeda dengan indikator-indikatornya. Selain pengujian berdasarkan nilai probability perlu juga diperkuat dengan nilai-nilai yang lain, seperti pada Tabel 6.16 berikut ini. Universitas Sumatera Utara 93 Tabel 6. 15 Hasil Uji Structural Equation Model setelah dilakukan Modifikasi Kriteria Cut of value Hasil Evaluasi Chi-Square Kecil dibawah χ2 tabel dengan df : 69 p : 5 = 124.3421 85.033 Baik Probability ≥ 0,05 0.092 Baik CMINDF ≤ 2,00 1.232 Baik GFI ≥ 0,90 0.900 Baik AGFI ≥ 0,90 0.847 Marginal NFI ≥ 0,90 0.950 Baik TLI ≥ 0,90 0.987 Baik CFI ≥ 0,90 0.990 Baik RMSEA ≤ 0,08 0.047 Baik Sumber : Hasil Penelitian, 2012 data diolah Dalam full model Structural Equation Model setelah dilakukan modifikasi diatas, dapat dilihat pada uji hipotesanya dimana Chi-Square adalah sebesar 85.033, Probability sebesar 0.092, CMINDF sebesar 1.232, GFI sebesar 0.900, TLI sebesar 0.987, CFI sebesar 0.990, AGFI sebesar 0.847 dan RMSEA sebesar 0.047. Dari hasil uji hipotesa tersebut, data yang dihasilkan telah memenuhi uji fit full model dalam SEM. Semakin kecil Chi-Square maka semakin fit model SEM tersebut. Pada uji hipotesa diatas terdapat angka Chi-Square sebesar 85.033 lebih kecil dari nilai Chi-Square tabel untuk derajat kebebasan 69 pada tingkat signifikan 5 sebesar 124.3421. Batasan yang digunakan oleh RMSEA adalah ≤0.08, pada uji fit model diatas didapatkan angka sebesar 0.047, sehingga model tersebut dinyatakan fit. Kesesuaian menghitung proporsi tertimbang dari varians dalam matrik kovarians sampel yang terestimasikan, diuji menggunakan GFI. GFI yang diharapkan adalah sebesar ≥0.90, GFI pada uji hipotesa tersebut sebesar 0.900, sehingga GFI dinyatakan proporsional. Sedangkan kebalikan dari GFI adalah CFI. CFI adalah suatu indeks untuk mengukur suatu tingkat penerimaan sebuah model, tetapi tidak dipengaruhi oleh besarnya suatu sampel. Universitas Sumatera Utara 94 Tingkat CFI yang diharapkan adalah sebesar ≥0.90, pada uji hipotesa terdapat angka sebesar 0.990, artinya model tersebut diterima dalam model SEM yang diharapkan. Uji hipotesa yang berikutnya adalah pada CMINDF. CMINDF adalah statistic Chi- Square dibagi dengan Degreess of Freedom. CMINDF yang diharapkan adalah sebesar ≤2,00. Pada uji hipotesa diatas, terdapat angka sebesar 1.232, sehingga menghasilkan angka yang fit dalam permodelan SEM. Sedangkan untuk TLI adalah sebuah alternatif Incremental Fit Index yang membandingkan sebuah model yang diuji terhadap sebuah Baseline Model. Nilai yang diharapkan pada TLI adalah sebesar ≥0.90. Angka yang ada pada uji hipotesa untuk uji TLI adalah sebesar 0.987, sehingga angka tersebut fit untuk pengujian SEM. Sementara itu, dari tingkat kemungkinan signifikannya Sighnificant Probability pada uji hipotesa adalah sebesar 0.092, sedangkan angka yang diharapkan adalah sebesar ≥0.05, sehingga didapat tingkat kemungkinan signifikan yang tinggi, jadi hasil tersebut fit dalam model pengolahan SEM. Kuat lemahnya dimensi-dimensi untuk mempengaruhi faktor latennya dapat dianalisis dengan menggunakan uji t terhadap Regression Weights sebagaimana tersaji dalam Tabel 6.13 dan dengan melihat faktor loading masing-masing dimensi tersebut. Tabel 6.17 Hasil Regression Weights Full Model Estimate S.E. C.R. P Label VARIABEL Y --- VARIABEL Z .979 .106 9.219 par_18 X11 --- VARIABEL Z 1.000 X12 --- VARIABEL Z .957 .094 10.190 par_1 X13 --- VARIABEL Z 1.022 .099 10.320 par_2 X14 --- VARIABEL Z .981 .102 9.588 par_3 X15 --- VARIABEL Z .943 .101 9.352 par_4 X16 --- VARIABEL Z .955 .100 9.518 par_5 X21 --- VARIABEL Z 1.072 .110 9.786 par_6 X22 --- VARIABEL Z 1.043 .114 9.159 par_7 X23 --- VARIABEL Z .985 .109 9.065 par_8 X24 --- VARIABEL Z 1.040 .104 9.972 par_9 X25 --- VARIABEL Z 1.060 .105 10.062 par_10 Y3 --- VARIABEL Y 1.000 Universitas Sumatera Utara 95 Estimate S.E. C.R. P Label Y2 --- VARIABEL Y .934 .082 11.337 par_16 Y1 --- VARIABEL Y .998 .087 11.497 par_17 · Dimana : X11 = Product, X12 = Price, X13 = Promotion, X14 = Place, X15 = People, X16 = Process X21 = Tangible, X21 = Reliability, X31 = Responsiveness, X41 = Empathy, X51 = assurance Z = Kepuasan dan Y = Loyalitas · P mengindikasikan P 0.05 Sumber : Hasil Penelitian, 2012 data diolah Berdasarkan hasil pada Tabel 6.16 di atas terlihat bahwa setiap indikator atau dimensi pembentuk masing-masing variabel laten menunjukkan hasil yang memenuhi kriteria yaitu nilai Critical Ratio CR 1.96 dengan Probability P lebih kecil dari pada 0,05. Berdasarkan hasil tersebut menunjukkan bahwa indikator-indikator pembentuk variabel laten telah menunjukkan unidimensionalitas atau kumpulan dimensi konfirmatori faktor terjadi unidimensi antara indikator pembentuk suatu serangkaian yang tidak dapat dipisahkan. Apabila hasil olah data menunjukkan nilai yang memenuhi syarat tersebut, maka hipotesis penelitian yang diajukan dapat diterima. Secara rinci pengujian hipotesis penelitian akan dibahas secara bertahap sesuai dengan hipotesis yang telah diajukan. Dari tabel tersebut juga menunjukkan adanya hubungan yang signifikan positif pada masing masing variabel. Dapat dilihat pada standar estimasi t untuk variabel eksogen bauran pemasaran X1, terdapat angka yang signifikan sebesar 1.000 pada X11, 0.957pada X12, 1.022 pada X13, 0.981 pada X14, .943 pada X15 dan 0.955pada X16. Jadi faktor product, price, promotion, place, people dan process berpengaruh signifikan dan positif terhadap bauran pemasaran. Pada standar estimasi t untuk variabel eksogen kualitas pelayanan X2, terdapat angka yang signifikan sebesar 1.072 pada X21, 1.043 pada X22, 0.985 pada X23, 1.040 pada X24 dan 1.060 pada X25. Jadi faktor tangible, reliability, responsiveness, empathy dan assurance berpengaruh signifikan dan positif terhadap kualitas pelayanan. Untuk variabel Universitas Sumatera Utara 96 endogen yaitu kepuasan dan loyalitas konsumen terdapat angka sebesar 0.979. Jadi variabel kepuasan berpengaruh signifikan dan positif terhadap loyalitas konsumen.

6.3.5. Langkah 5: Menilai Problem Identifikasi

Problem identifikasi model pada prinsipnya adalah problem mengenai ketidakmampuan model yang dikembangkan untuk menghasilkan estimasi yang unik. Gejala- gejala problem identifikasi antara lain: Ø Standard error pada satu atau beberapa koefisien sangat besar. Ø Muncul angka-angka yang aneh seperti varians error yang negatif. Ø Muncul korelasi yang sangat tinggi antar koefisien estimasi 0,90. Berdasarkan hasil analisis yang telah dilakukan, diketahui bahwa dalam penelitian ini standard error, varians error, serta korelasi antar koefisien estimasi berada dalam rentang nilai yang tidak menunjukkan adanya problem identifikasi.

6.3.6. Langkah 6: Evaluasi Kriteria Goodness of Fit