Hasil pengujian reliabilitas instrument dengan construct reliability
dan variance extracted menunjukan instrument kurang reliable, yang ditunjukan dengan nilai construct reliability belum seluruhnya
≥ 0,70 . Meskipun demikian angka tersebut bukanlah sebuah ukuran “mati” artinya
bila penelitian yang dilakukan bersifat explatory, maka nilai dibawah 0,70 pun masih dapat diterima sepanjang disertai alasan-alasan empirik yang
terlihat dalam proses eksplorasi, dan variance extracted direkomendasikan pada tingkat 0,50.
4.7 Uji Normalitas
Uji normalitas sebaran dilakukan dengan skewnes value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai
statistik untuk menguji normalitas itu disebut Z-value lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai
kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 1 yaitu sebesar ± 2,58. Hasilnya diperoleh nilai c.r multivariate diantara ± 2,58
dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel
berikut :
Tabel 4.9 Uji Normalitas
Variable min max
kurtosis c.r.
X11 3 7
-0.653 -1.398
X12 3 7
-0.537 -1.149
X13 3 7
-0.697 -1.492
X14 2 7
-0.278 -0.596
X21 3 7
-0.530 -1.134
X22 4 7
-0.877 -1.867
X23 3 7
-0.582 -1.247
X24 2 7
0.286 0.613
Y1 2 7
0.043 0.091
Y2 3 7
-0.612 -1.310
Y3 2 7
0.318 0.681
Multivariate -2.779
-0.862 Batas Normal
± 2,58
Sumber : Lampiran Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data
yang digunakan biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk menguji normalitas itu disebut Z-Value. Bila nilai –Z lebih besar
dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01
[ 1 ] yaitu sebesar ± 2,58.
Hasil uji menunjukan bahwa nilai c.r. Multivariate di antara ± 2,58 itu berarti asumsi normalitas terpenuhi. Fenomena ini tidak menjadi
masalah serius seperti dikatakan oleh Bentler Chou 1987 bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood
estimation MLE walau distribusi datanya tidak normal masih dapat
menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.8 Analisis Model One – Step Approach to SEM
Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar oleh terjadinya interkasi antara measurement model dan structural
model yang diestimasi secara bersama-sama one step approach to SEM.
One step approach to SEM digunakan apabila model diyakini
bahwa dilandasi teori yang kuat serta validitas dan reliabilitas data sangat baik Hair et al,1998.
Hasil estimasi dan fit model one step approach to SEM dengan menggunakan program aplikasi AMOS 4.01 terlihat pada gambar dan
tabel Goodness of Fit dibawah ini :
Gambar 4.1
MODEL PENGUKURAN STRUKTURAL Advertisement, Celebrity Endoser, Purchase Intention
Model Specification : One Step Approach - Base Model
1
Celebrity Endoser
1
Advertisement Purchase
Intention 0,005
d_pi 1
X11 er_1
1 X12
er_2 1
Y1 0,005
er_9 1
1 Y2
er_10 1
X21 er_5
1 X22
er_6 1
X23 er_7
1 X13
er_3 1
X24 er_8
1 X14
er_4 1
Y3 er_11
1
Modifikasi : No
Modification Estimate Prob.
Sumber : Lampiran.
Tabel 4.10 Evaluasi Kriteria Goodness of Fit Indices
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 0.785
≤ 2,00 baik
Probability 0.843
≥ 0,05 baik
RMSEA 0.000
≤ 0,08 baik
GFI 0.949
≥ 0,90 baik
AGFI 0.921
≥ 0,90 baik
TLI 1.138
≥ 0,95 baik
CFI 1.000
≥ 0,94 baik
Sumber : Lampiran
Dari hasil evaluasi terhadap model one step base model ternyata
dari semua criteria goodness of fit yang di gunakan, seluruhnya menunjukkan hasil evaluasi model yang baik,berarti model telah sesuai
dengan data. Artinya, modrel konseptual yang di kembangkan dan di landasi oleh teori telah sepenuhnya di dukung oleh fakta. Dengan
demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variable dalam model sebagaimana terdapat di bawah ini
4.9 Uji Kausalitas
