Gambaran Umum Restoran Sop Sumsum Langsa r. kurtosis r.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Gambaran Umum Restoran Sop Sumsum Langsa

Restoran Sop Sumsum Langsa adalah salah satu restoran di kota Medan yang menerapkan strategi penetapan harga, fasilitas dan kualitas pelayanan. Restoran ini merupakan sebuah usaha dagang yang bergerak pada industri jasa yang didirikan pada tahun 2000. Konsep yang diterapkan oleh perusahaan dalam memasarkan produknya adalah restoran yang menawarkan bermacam-macam sop. Selain itu, restoran ini juga menawarkan jenis makanan lain serta minuman yang dapat dilihat pada daftar menu. Restoran Sop Sumsum Langsa merupakan salah satu restoran yang menghadapi ketatnya persaingan bisnis restoran pada saat ini. Di Medan muncul rumah makan berskala kecil yang lebih berorientasi dekat dengan pelanggan. Konsep ini membuat orang merasa segan berpergian jauh untuk memeuhi kebutuhan sehari-hari, dengan rasa yang sama dan harga yang relatif lebih murah. Saat ini cabang Restoran Sop Sumsum Langsa tersebar di Kota Medan antara lain sekitar K.L Yos Sudarso No. 73 Medan, Setia Budi No. 11 Medan.

4.2 Hasil Analisis Deskriptif Responden Penelitian

Data deskriptif merupakan gambaraan keadaan atau kondisi responden yang perlu diperhatikan sebagai informasi tambahan untuk memahami dan mendukung hasil-hasil penelitian. Responden dalam penelitian ini seluruh pelanggan yang berkunjung pada Restoran Sop Sumsum Langsa cabang Jalan. Kol. Yos Sudarso No. 73 Medan Glugur berjumlah 190 pelanggan. Selanjutnya seluruh responden penelitian yang Universitas Sumatera Utara berjumlah 190 secara rinci akan dijabarkan berdasarkan usia, jenis kelamin, pendidikan terakhir, penghasilan tiap bulan dan frekuensi berkunjung pada Restoran Sop Sumsum Langsa.

4.2.1 Karakteristik Responden Menurut Jenis Kelamin

Komposisi responden berdasarkan aspek jenis kelamin dapat dilihat pada Tabel 4.1. Tabel 4.1. Responden Menurut Keterangan Frekuensi Orang Persentase Laki-laki 127 66,8 Perempuan 63 33,1 Jumlah 190 100 Sumber : Hasil Penelitian, 2013 Tabel 4.1 diketahui bahwa responden dengan jenis kelamin laki-laki memiliki persentase yang dominan yaitu 66,8 atau sebanyak 127 responden dan responden perempuan memiliki persentase 33,1 atau sebanyak 63 responden. Tingginya responden laki-laki yang berkunjung pada Restoran Sop Sumsum Langsa menunjukkan bahwa makanan sop sumsum sapi lebih disukai oleh kaum laki-laki, ini dikarenakan makanan sop sumsum sapi mengandung zat besi yang tinggi bagi sehingga sangat baik bagi tubuh dan vitalitas pria. Sedangkan yg kurang menyukai sop sumsum, dapat menikmati hidangan lainnya seperti sop daging, sop buntut, sop urat, sop babat dan sop paru. Dengan adanya menu yang lainnya setiap pelanggan dapat memesan menu makanan sesuai dengan seleranya masing-masing. Universitas Sumatera Utara

4.2.2 Karakteristik Responden Menurut Usia

Komposisi responden berdasarkan aspek usia dapat dilihat pada Tabel 4.2. Tabel 4.2. Responden Menurut Usia Keterangan Frekuensi Orang Persentase Dibawah 20 Tahun 23 12,1 21 – 30 Tahun 65 34,2 31 – 40 Tahun 52 27,3 41 – 50 Tahun 40 21,1 Lebih dari 51 Tahun 10 5,2 Jumlah 190 100 Sumber : Hasil Penelitian, 2013 Tabel 4.2 diketahui bahwa dari 190 responden pelanggan yang dominan adalah responden yang berusia 21 – 30 tahun sebesar 34,2. Hal ini menunjukkan bahwa pengunjung Restoran Sop Sumsum Langsa yang menjadi responden merupakan pengunjung yang menyukai makanan sop, namun secara keseluruhan Restoran Sop Sumsum Langsa pelanggan dapat dinikmati oleh semua kalangan umur karena sop merupakan makanan yang banyak disukai semua orang.

4.2.3 Karakteristik Responden Menurut Penghasilan Tiap Bulan

Komposisi responden berdasarkan aspek penghasilan tiap bulan dapat dilihat pada Tabel 4.3. Tabel 4.3. Responden Menurut Penghasilan Tiap Bulan Keterangan Frekuensi Orang Persentase Rp 500.000 - - Rp 500.000 – Rp 1.000.000 14 7,3 Rp 1.000.000 – Rp 1.500.000 57 30,0 Rp 1.500.000 – Rp 2.500.000 76 40,0 Rp 2.500.000 43 22,6 Jumlah 190 100 Sumber : Hasil Penelitian, 2013 Universitas Sumatera Utara Tabel 4.3 diketahui bahwa jumlah pengunjung Restoran Sop Sum-sum Langsa yang dominan adalah responden berpendapatan antara Rp. 1.500.000 – Rp. 2.500.000 per bulannya atau 40,0 . Hal ini menunjukkan bahwa pengunjung Restoran Sop Sumsum Langsa yang menjadi responden merupakan pelanggan yang memiliki tingkat pendapatan cukup tinggi.

4.2.4 Karakteristik Responden Menurut Sumber Informasi Mengenai Restoran Sop Sumsum Langsa

Komposisi responden berdasarkan aspek sumber informasi mengenai Restoran Sop Sumsum Langsa dapat dilihat pada Tabel 4.4. Tabel 4.4. Responden Menurut Sumber Informasi Keterangan Frekuensi Orang Persentase Word of Mouth 104 54,7 Spanduk 24 12,6 Internet 37 19,4 Media cetak 25 13,1 Jumlah 190 100 Sumber : Hasil Penelitian, 2013 Tabel 4.4 diketahui bahwa word of mouth menjadi sumber informasi responden yang dominan sebanyak 104 orang atau 54,7 mengetahui dan pernah mengunjungi Restoran Sop Sumsum Langsa, dapat disimpulkan pengunjung yang datang ke Restoran Sop Sumsum Langsa memperoleh rekomendasi dari orang-orang yang pernah berkunjung pada Restoran Sop Sumsum Langsa. Sedangkan responden lain memperoleh informasi dari spanduk terpasang di depan restoran atau ditempat lain, sedangkan lainnya beberapa responden memperoleh informasi melalui internet dan memperoleh informasi melalui media cetak. Universitas Sumatera Utara

4.2.5 Karakteristik Responden Menurut Frekuensi Berkunjung ke Restoran Sop Sumsum Langsa

Komposisi responden berdasarkan frekuensi berkunjung responden ke Restoran Sop Sumsum Langsa dapat dilihat pada Tabel 4.5. Tabel 4.5. Responden Menurut Frekuensi Berkunjung Keterangan Frekuensi Orang Persentase Lebih kurang 2 Kali 39 20,5 3 Kali 20 10,5 4 Kali 34 17,8 Diatas 5 Kali 97 51,0 Jumlah 190 100 Sumber : Hasil Penelitian, 2013 Tabel 4.5 diketahui bahwa frekuensi berkunjung ke Restoran Sop Sumsum Langsa yang dilakukan responden yang dominan ≥ 5 Kali sebesar 51,0. Tingginya tingkat frekuensi berkunjung ke Restoran Sop Sumsum Langsa dari responden sebagai pelanggan mengindikasikan bahwa responden merupakan kelompok pelanggan yang memiliki loyalitas cukup tinggi, sebuah loyalitas yang tinggi dari pelanggan diakibatkan sebelumnya pelanggan merasa puas dengan produk yang diterimanya. Sehingga dapat disimpulkan bahwa secara keseluruhan responden yang menjadi sampel dalam penelitian ini merupakan orang yang tepat karena telah berkunjung ke Restoran Sop Sumsum Langsa lebih dari satu kali.

4.3 Hasil Analisis Desktiptif Variabel Penelitian

Analisis ini dilakukan untuk mendapatkan gambaran deskriptif mengenai responden penelitian ini, khususnya mengenai variabel-variabel penelitian yang digunakan. Selanjutnya analisis menggunakan teknik analisis indeks, untuk Universitas Sumatera Utara menggambarkan persepsi responden atas item-item pertanyaan yang diajukan. Teknik skoring yang dilakukan dalam penelitian ini adalah minimum 1 dan maksimum 5, maka perhitungan indeks jawaban responden dilakukan dengan rumus sebagai berikut: Nilai indeks = {F1x1 + F2x2 + F3x3 + F4x4 + F5x5190} x 100 Keterangan : F1 adalah Frekuensi responden yang menjawab 1 F2 adalah Frekuensi responden yang menjawab 2 F3 adalah Frekuensi responden yang menjawab 3 F4 adalah Frekuensi responden yang menjawab 4 F5 adalah Frekuensi responden yang menjawab 5 Oleh karena itu angka jawaban responden tidak berangkat dari angka 0, tetapi mulai angka 1 hingga 5 dan dengan jumlah sampel sebanyak 190 responden maka indeks terendah yang dihasilkan adalah [190x1950]x100 = 20 dan tertinggi [190x5950]x100 = 100 dengan rentang sebesar 100 - 20 = 80. Dengan menggunakan interval lima tingkat, maka rentang sebesar 80 dibagi lima akan menghasilkan rentang interval sebesar 16 yang akan digunakan sebagai interval interpretasi nilai indeks, yang dalam contoh ini adalah sebagai berikut: Sangat Rendah = 20,0 - 35,9 Rendah = 36,0 - 51,9 Sedang = 52,0 - 67,9 Tinggi = 68,0 - 83,9 Tinggi Sekali = 84,0 - 100,0 Universitas Sumatera Utara 4.3.1 Hasil Jawaban Responden Berdasarkan Variabel Harga Adapun hasil perhitungan nilai indeks variabel harga X1 dapat dilihat dalam Tabel 4.6 di bawah ini. Tabel 4.6. Variabel Harga Indikator Variabel Harga Frekuensi Jawaban Responden Mengenai Variabel Harga Nilai Indeks 1 2 3 4 5 Harga sesuai daya beli pelanggan X 1.1 2 25 57 42 64 74,8 Harga lebih rendah dari pesaing X 1.2 6 13 59 53 59 75,4 Harga sesuai dengan manfaat X 1.3 4 13 63 48 62 75,9 Rata-rata Indeks 75,4 Sumber : Hasil Penelitian, 2013 Tabel 4.6 diketahui hasil perhitungan nilai indeks untuk variabel harga menunjukkan rata-rata indeks adalah 143,2, sehingga dapat disimpulkan bahwa harga dipersepsikan tinggi oleh responden. Dari ketiga indikator yang digunakan untuk mengukur harga diketahui bahwa indikator harga sesuai dengan manfaat X 1.3 memiliki nilai indeks tertinggi, ini menunjukkan adanya kesesuaian dari harga menu makanan Restoran Sop Sumsum Langsa dengan manfaat yang diperoleh pelanggan. Indikator harga lebih rendah dari pesaing X 1.2 memiliki nilai indeks tertinggi kedua, ini menunjukkan bahwa harga menu makanan seperti sop daging yang beredar di Kota Medan memiliki harga yang bervariasi sehingga pelanggan dapat memilih alternatif produk yang akan dikonsumsinya. Sedangkan indikator harga sesuai daya beli pelanggan X 1.1 memiliki nilai indeks terendah, ini menunjukkan responden memiliki kemampuan untuk membeli atau mengkonsumsi sop sumsum langsa meski terjadi kenaikan harga produk. Universitas Sumatera Utara

4.3.2 Hasil Jawaban Responden Berdasarkan Variabel Kualitas Pelayanan

Adapun hasil perhitungan nilai indeks variabel kualitas pelayanan dapat dilihat dalam Tabel 4.7 di bawah ini. Tabel 4.7. Variabel Kualitas Pelayanan Indikator Variabel Kualitas Pelayanan Frekuensi Jawaban Responden Mengenai Variabel Kualitas Pelayanan Nilai Indeks 1 2 3 4 5 Kemampuan yang profesional X 2.1 5 21 47 57 66 78,53 Perilaku karyawan X 2.2 7 20 44 52 67 76,00 Akses yang mudah jam operasional X 2.3 2 25 43 47 73 77,26 Kepercayaan X 2.4 6 15 56 50 63 75,68 Reputasi X 2.5 1 16 45 52 76 79,58 Rata-rata Indeks 77,61 Sumber : Hasil Penelitian, 2013 Tabel 4.7 diketahui hasil perhitungan indeks bahwa untuk variabel kualitas pelayanan adalah 77,61, sehingga dapat disimpulkan bahwa kualitas pelayanan dipersepsikan tinggi oleh responden. Dari kelima indikator yang digunakan untuk mengukur kualitas pelayanan diketahui bahwa indikator reputasi X 2.5 memiliki indeks tertinggi, ini menunjukkan Restoran Sop Sumsum Langsa mempunyai reputasi yang baik di mata para pelanggannya untuk memahami keinginan dan kebutuhan pelanggannya. Indikator kemampuan yang profesional X 2.1 memiliki nilai indeks tertinggi kedua, ini menunjukkan untuk menilai suatu kualitas pelayanan yang baik dengan melihat kemampuan para karyawan tersebut dalam melayani pelanggan. Indikator akses yang mudah jam operasional X 2.3 memiliki nilai indeks tertinggi ketiga, ini mengindikasikan bahwa Restoran Sop Sumsum Langsa memberikan kemudahan bagi pelanggannya untuk menikmati produk mereka dengan membuat jam operasional yang panjang. Indikator perilaku Universitas Sumatera Utara karyawan X 2.2 memiliki nilai indeks tertinggi keempat. Indikator kepercayaan dalam hal pelayanan X 2.4

4.3.3 Hasil Jawaban Responden Berdasarkan Variabel Kepuasan Pelanggan

memiliki nilai indeks yang terendah, dimana hal ini mengindikasikan bahwa pelayanan di Restoran Sop Sumsum Langsa belum sepenuhnya memenuhi harapan pelanggan. Adapun hasil perhitungan nilai indeks variabel kepuasan pelanggan dapat dilihat dalam Tabel 4.8 di bawah ini. Tabel 4.8. Variabel Kepuasan Pelanggan Indikator Variabel Kepuasan Pelanggan Frekuensi Jawaban Responden Mengenai Variabel Kepuasan Pelanggan Nilai Indeks 1 2 3 4 5 Pelayanan sesuai harapan Y 1.1 4 8 42 61 75 80,53 Kemudahan pemesanan Y 1.2 6 14 40 63 67 78,00 Penanganan keluhan Y 1.3 2 25 52 46 65 75,47 Overall satisfaction Y 1.4 2 23 50 39 76 77,26 Rata-rata Indeks 77,81 Sumber : Hasil Penelitian, 2013 Tabel 4.8 diketahui hasil perhitungan indeks bahwa untuk variabel kepuasan pelanggan adalah 77,81. Dapat disimpulkan bahwa kepuasan pelanggan dipersepsikan tinggi oleh responden. Indikator yang digunakan untuk mengukur kepuasan pelanggan diketahui bahwa indikator pelayanan sesuai harapan Y 1.1 memiliki nilai indeks tertinggi, ini menunjukkan bahwa responden pelayanan jasa perusahaan dianggap baik dan memuaskan jika jasa perusahaan yang diterima melampaui harapan pelanggan, jika jasa perusahaan yang diterima lebih rendah dari pada yang diharapkan maka kualitas pelayanan jasa perusahaan dipersepsikan buruk, dan jika kinerja perusahaan sama dengan harapan pelanggan pelayanan tersebut baik dan memuaskan. Kemudahan pemesanan Y 1.2 memiliki nilai Universitas Sumatera Utara indeks tertinggi kedua, ini mengindikasikan bahwa umumnya dalam industri jasa harapan pelanggan merupakan perkiraankeyakinan pelanggan tentang apa yang akan diterimanya dapat diperoleh dalam waktu yang tidak lama. Indikator overall satisfaction Y 1.4 memiliki nilai indeks tertinggi ketiga mengarahkan bahwa secara keseluruhan pelanggan puas dengan pelayanan yang diterima. Indikator penanganan keluhan Y 1.3

4.3.4 Hasil Jawaban Responden Berdasarkan Variabel Loyalitas Pelanggan

memiliki nilai indeks terendah mengindikasikan bahwa kelemahan sebuah industri jasa secara umum adalah keterlambatan dalam penanganan keluhan karena ketika keluhan atau complain dari pelanggan terjadi, biasanya proses pengambilan keputusan harus diputuskan oleh manajemen perusahaan sehingga menyebabkan respon atau tindakan dalam mengatasi masalah tersebut tertunda tanpa waktu yang jelas. Adapun hasil perhitungan nilai indeks variabel loyalitas pelanggan dapat dilihat dalam Tabel 4.9 di bawah ini. Tabel 4.9. Variabel Loyalitas Pelanggan Indikator Variabel Loyalitas Pelanggan Frekuensi Jawaban Responden Mengenai Variabel Loyalitas Pelanggan Nilai Indeks 1 2 3 4 5 Bersedia membeli kembali Y 2.1 11 10 51 62 56 74,95 Bersedia merekomendasikan Y 2.2 4 18 39 57 72 78,42 Tidak berpindah ke tempat lain Y 2.3 1 31 35 48 75 77,37 Rata-rata Indeks 76,91 Sumber : Hasil Penelitian, 2013 Tabel 4.9 diketahui hasil perhitungan indeks bahwa untuk variabel loyalitas pelanggan adalah 76,91 sehingga dapat disimpulkan bahwa loyalitas pelanggan dipersepsikan tinggi oleh responden. Dari ketiga indikator yang digunakan untuk Universitas Sumatera Utara mengukur loyalitas pelanggan diketahui bahwa indikator bersedia merekomendasikan Y 2.2 memiliki indeks tertinggi, ini menunjukkan bahwa menyangkut sumber informasi yang diterima responden mengenai keberadaan Restoran Sop Sum-sum Langsa berasal dari rekomendasi orang yang pernah berkunjung. Sedangkan indikator tidak berpindah ke tempat lain Y 2.3 dan bersedia membeli kembali Y 2.1 Tabel 4.10. memiliki nilai indeks terendah menurut responden, secara keseluruhan loyalitas pelanggan didasarkan pada sikap, artinya loyalitas pelanggan terbangun dan tercipta karena responden dalam memilih produk menggunakan rasionalnya sebelum memutuskan pilihan produk yang diterimanya menyangkut kualitas produk, manfaat, dan kesesuaian produk tersebut. Sample Covariances – Estimates X11 X12 X13 X21 X22 X23 X24 X25 Y11 Y12 Y13 Y14 Y21 Y22 Y23 X11 1.191 X12 0.372 1.125 X13 0.289 0.389 1.079 X21 0.254 0.122 0.301 1.234 X22 0.296 0.254 0.317 0.213 1.297 X23 0.180 0.247 0.340 0.262 0.252 1.213 X24 0.081 0.029 0.287 0.267 0.152 0.328 1.180 X25 0.189 0.179 0.390 0.369 0.264 0.323 0.422 1.021 Y11 0.133 0.043 0.079 0.205 0.184 0.156 0.227 0.153 0.973 Y12 0.222 0.087 0.306 0.348 0.343 0.165 0.242 0.287 0.345 1.132 Y13 0.073 0.121 0.185 0.134 0.365 0.316 0.267 0.279 0.306 0.467 1.186 Y14 0.159 0.037 0.135 0.199 0.146 0.092 0.186 0.144 0.283 0.418 0.364 1.223 Y21 -0.028 0.015 0.196 0.244 0.197 0.250 0.235 0.195 0.180 0.238 0.306 0.239 1.231 Y22 0.148 0.208 0.289 0.374 0.158 0.263 0.241 0.425 0.197 0.345 0.256 0.273 0.306 1.146 Y23 0.019 0.264 0.173 0.247 0.137 0.150 0.061 0.124 0.061 0.097 0.154 -0.007 0.414 0.263 1.262 Sumber: Hasil Penelitian, 2013

4.4 Hasil Analisis Data SEM

Proses analisis data dan pengujian model penelitian dengan menggunakan Structural Equation Model akan mengikuti 7 langkah Ferdinand, 2006. Tujuh langkah proses analisis SEM tersebut telah dijelaskan pada Bab III sebelumnya. Universitas Sumatera Utara Proses atau tahapan analisis ini akan dimulai pada langkah keempat, karena langkah pertama sampai langkah ketiga telah dijelaskan di Bab III.

4.4.1 Memilih Matriks Input dan Teknik Estimasi

Dari hasil olah data yang telah dilakukan, matriks kovarians data yang digunakan dapat dilihat pada Tabel 4.10 Teknik estimasi yang digunakan adalah maximum likelihood estimation method dari program AMOS. Estimasi dilakukan secara bertahap yakni: 1. Estimasi measurement model dengan teknik confirmatory factor analysis yang digunakan untuk menguji unidimensionalitas dari konstruk-konstruk eksogen dan endogen, 2. Estimasi structural equation model melalui analisis Full Model untuk melihat kesesuaian model dan hubungan kausalitas yang dibangun dalam model.

4.4.1.1. Analisis Faktor Konfirmatori Model Pengukuran

Menurut Ferdinand 2002 dalam Kusnendi 2008, tujuan utama analisis faktor konfirmatori adalah mengkonfirmasikan atau menguji model, yaitu model pengukuran yang perumusannya berakar pada teori. Model pengukuran untuk analisis faktor konfirmatori yaitu pengukuran terhadap dimensi–dimensi yang membentuk variabel latenkonstruk laten dalam model penelitian ini yaitu harga, kualitas pelayanan, kepuasan pelanggan dan loyalitas pelanggan. Unidimensionalitas dari dimensi-dimensi ini diuji melalui analisis faktor konfirmatori seperti terlihat pada Gambar 4.1 : Universitas Sumatera Utara Sumber : Hasil Penelitian, 2013 Gambar 4.1. Analisis Faktor Konfirmatori Model Pengukuran Terdapat serangkaian pengujian yang dapat dilakukan berkaitan dengan confirmatory factor analysis CFA. Diantaranya menurut Ghozali 2011 adalah yaitu 1 uji Goodness of Fit model; 2 uji validitas konstruk; 3 uji kesalahan spesifikasi model dan 4 modifikation index.

4.4.1.1.1. Uji Kesesuaian Model – Goodness of Fit Test

Uji Goodness of fit terhadap model pengukuran dapat dilakukan dengan beberapa cara. Pertama untuk menguji sejauhmana model sama fit dengan data empirisnya. Pengujian ini dilakukan dengan membandingkan kriteria Chi-square, RMSEA, CMINDFGFI, AGFI, CFI dan TLI dengan dengan cut of value tertentu yang telah diterangkan di Bab III. Hasil uji goodness of fit pada analisis faktor konfirmatori model pengukuran disajikan dalam tabel 4.11. Universitas Sumatera Utara Tabel 4.11. Hasil Uji Goodness of Fit Faktor Konfirmatori Model Pengukuran Kriteria Cut Of Value Hasil Evaluasi Chi-Square, df =84; α = 0,05 ≤ 106,4 98,888 Model Fit Probabilitas ≥ 0,05 0,128 Model Fit RMSEA ≤ 0,08 0,031 Model Fit CMINDF ≤ 2,00 1,177 Model Fit GFI ≥ 0,90 0,935 Model Fit AGFI ≥ 0,90 0,907 Model Fit CFI ≥ 0,95 0,963 Model Fit TLI ≥ 0,95 0,954 Model Fit Sumber : Hasil Penelitian, 2013 Dari Tabel 4.11 diperoleh nilai chi-square = 98,88 dengan df = 84 dan probabilitas = 0,128. Hasil chi-square ini menunjukkan bahwa hipotesis nol yang menyatakan bahwa model sama dengan data empiris tidak dapat ditolak yang berarti model adalah fit dengan data. Hal didukung oleh ukuran model fit lainnya yaitu RMSEA, CMINDF, GFI, AGFI, CFI dan TLI yang keseluruhannya memenuhi kriteria bahwa model pengukuran adalah fit dengan data. 4.4.1.1.2. Uji Validitas dan Unidimensionalitas Konstruk Laten 4.4.1.1.2.1. Uji signifikansi Loading Factor Sebelum melakukan uji validitas dan unidimensionalitas maka syarat yang harus dipenuhi adalah nilai loading factor masing-masing indikator harus signifikan Ghozali, 2011. Untuk itu masing-masing indikator-indikator secara statistik diuji dengan menggunakan uji-t yang dalam analisis SEM identik dengan nilai Critical RatioCR. Nilai loading factor dikatakan signifikan bila masing- masing indikator memiliki nilai CR 2.0 dan tingkat signifikansi 0,05. Sebagaimana dapat dilihat pada Tabel 4.12, hasil regresi dari variabel indikator ke variabel laten semuanya mempunyai CR 2 dan signifikan secara statistik pada α = 0,01 bintang tiga pada kolom P. Dengan demikian semua nilai loading factor masing- masing indikator signifikan secara statistik pada α = 0,01. Universitas Sumatera Utara Tabel 4.12. Regression Weights: Model Pengukuran Gambar 4.1 Standardize d Estimate λ Estimate S.E. C.R. P X1.1 --- Harga_X1 0.414 1.000 X1.2 --- Harga_X1 0.482 1.133 0.285 3.969 X1.3 --- Harga_X1 0.733 1.686 0.443 3.805 X2.1 --- Kualitas_Pelayanan_X2 0.502 0.871 0.161 5.427 X2.2 --- Kualitas_Pelayanan_X2 0.416 0.741 0.167 4.445 X2.3 --- Kualitas_Pelayanan_X2 0.481 0.828 0.159 5.208 X2.4 --- Kualitas_Pelayanan_X2 0.471 0.799 0.151 5.308 X2.5 --- Kualitas_Pelayanan_X2 0.633 1.000 Y1.1 --- Kepuasan_Pelanggan_Y1 0.480 0.868 0.195 4.451 Y1.2 --- Kepuasan_Pelanggan_Y1 0.690 1.345 0.256 5.247 Y1.3 --- Kepuasan_Pelanggan_Y1 0.605 1.207 0.243 4.967 Y1.4 --- Kepuasan_Pelanggan_Y1 0.493 1.000 Y2.1 --- Loyalitas_Pelanggan_Y2 0.488 1.310 0.360 3.636 Y2.2 --- Loyalitas_Pelanggan_Y2 0.634 1.640 0.463 3.543 Y2.3 --- Loyalitas_Pelanggan_Y2 0.368 1.000 Sumber : Hasil Penelitian, 2013 Sedangkan unidimensionalitas adalah sebuah asumsi yang digunakan dalam menghitung reliabilitas dari model yang menunjukkan bahwa dalam sebuah model satu dimensi, indikator-indikator yang digunakan memiliki derajat kesesuaian yang baik Ferdinand, 2000 4.4.1.1.2.2. Uji Validitas Konstruk Uji valididas konstruk dimaksudkan mengukur seberapa jauh ukuran indikator mampu merefleksikan konstruk laten teoritisnya. Jadi validitas konstruk memberikan kepercayaan bahwa ukuran indikator yang diambil dari sampel menggambarkan skor sesungguhnya di dalam populasi Ghozali, 2011. Untuk menguji validitas konstruk dalam penelitian ini menggunakan nilai convergent validity atau nilai loading factor dari masing-masing indikator yang dibandingkan dengan kriteria nilai tertentu. Ghozali 2011 menyatakan bahwa beberapa peneliti menggunakan kriteria convergent validity 0,7 yang Universitas Sumatera Utara dianggap memiliki validitas baik untuk penelitian yang sudah mapan. Sedangkan convergent validity 0,50 - 0,60 masih dapat diterima untuk penelitian awal. Sementara itu Ferdinand 2005 dalam Wijayanti, 2008 menyatakan bahwa nilai lambda loading factor yang dipersyaratkan adalah harus mencapai ≥ 0,40, bila nilai lambda lebih rendah dari 0,40 dipandang indikator tersebut tidak berdimensi sama dengan indikator lainnya untuk menjelaskan sebuah variabel laten. Dari Tabel 4.12 dengan menggunakan kriteria yang direkomendasikan oleh Ferdinand 2005 maka terdapat satu indikator atau variabel manifest yang mempunyai nilai convergent validity atau nilai loading factor lebih kecil dari 0,4 yaitu indikator Y 2.3 dengan loading factor sebesar 0,368. Dengan demikian maka indikator Y 2.3 akan dikeluarkan dari variabel laten atau konstruk loyalitas pelanggan Y 2

4.4.1.1.2.3. Uji Unidimensionalitas Konstruk

. Sedangkan unidimensionalitas adalah sebuah asumsi yang digunakan dalam menghitung reliabilitas dari model yang menunjukkan bahwa dalam sebuah model satu dimensi, indikator-indikator yang digunakan memiliki derajat kesesuaian yang baik Ferdinand, 2000. Formula Contruct Reliability CR :    ∑ +    ∑    ∑ = = = = n 1 i i 2 n 1 i i 2 n 1 i i δ λ λ CR dimana: λ i δ = loading factor indikator ke i i = 1 - λ i 2 = kesalahan pengukuran measurement error indikator ke i Universitas Sumatera Utara Tabel 4.13. Uji Construct Reliability Keterangan Loading Factor λ i Loading Factor 2 λ i 2 Error 1- λ i 2 Construct Reliability Harga X 0,414 1.1 0,171 0,829 X 0,482 1.2 0,232 0,768 X 0,733 1.3 0,537 0,463 Jumlah Σ 1,629 0,941 2,059 0,563 Kualitas Pelayanan X 0,502 2.1 0,252 0,748 X 0,416 2.2 0,173 0,827 X 0,481 2.3 0,231 0,769 X 0,471 2.4 0,222 0,778 X 0,633 2.5 0,401 0,599 Jumlah Σ 2,503 1,279 3,721 0,627 Kepuasan Pelanggan Y 0,480 1.1 0,230 0,770 Y 0,690 1.2 0,476 0,524 Y 0,605 1.3 0,366 0,634 Y 0,493 1. 0,243 0,757 Jumlah Σ 2,268 1,316 2,684 0,657 Loyalitas Pelanggan Y 0,488 2.1 0,238 0,762 Y 0,634 2.2 0,402 0,598 Y 0,368 2.3 0,135 0,865 Jumlah Σ 1,490 0,776 2,224 0,500 Sumber : Hasil Penelitian, 2013 Menurut Ghozali 2011, contruct reliability 0,70 atau lebih menunjukkan reabilitas yang baik sedangkan contruct reliability 0,60 - 0,70 masih dapat diterima dengan syarat validitas indikator dalam model baik. Hasil perhitungan contruct reliability dari masing-masing kostruk dapat dilihat pada Tabel 4.13 reliabilitas konstruk kualitas pelayanan dan konstruk kepuasan pelanggan masuk dalam kategori dapat diterima karena memiliki nilai contruct reliability antara 0,60-0,70. Konstruk harga dan konstruk loyalitas pelanggan masuk kategori kurang baik karena nilai contruct reliability kurang dari 0,60. Namun menurut hemat peneliti, interval contruct reliability yang Universitas Sumatera Utara dikemukakan oleh Ghozali berkaitan dengan nilai loading factor yang lebih dari 0,70 untuk kategori baik dan antara 0,60 - 0,70 untuk kategori dapat diterima. Karena penelitian ini menggunakan kriteria yang dikemukakan oleh Ferdinand 2005 yaitu disyaratkan nilai loading factor ≥ 0.40 maka nilai contruct reliability konstruk harga dan konstruk loyalitas pelanggan ≥ 0,50 dapat dikategorikan memiliki nilai reliabilitas yang dapat diterima.

4.4.1.2. Analisis Faktor Konfirmatori Model Pengukuran Setelah Revisi

Berdasarkan hasil analisis faktor konfirmatori terhadap model pengukuran maka model pengukuran perlu direvisi dengan mengeluarkan variabel manifest Y2.3 dan kemudian dilakukan analisis faktor konfirmatori kembali terhadap model pengukuran yang telah direvisi, hasilnya dapat dilihat pada Gambar 4.2. Selanjutnya dilakukan kembali uji Goodness of Fit model dan uji signifikansi bobot faktor Loading Factor sebagai berikut: Universitas Sumatera Utara Sumber : Hasil Penelitian, 2013 Gambar 4.2. Analisis Faktor Konfirmatori Model Pengukuran Sesudah Revisi Tabel 4.14. Hasil Uji Goodness of Fit Analisis Faktor Konfirmatori Model Pengukuran Sesudah dan Sebelum Revisi Kriteria Cut Of Value Sesudah Revisi Hasil Sesudah Revisi Hasil Sebelum Revisi Evaluasi Chi-Square df =71; α = 0,05 ≤ 91,7 73,741 98,888 Model Fit Probabilitas ≥ 0,05 0,389 0,128 Model Fit RMSEA ≤ 0,08 0,014 0,031 Model Fit CMINDF ≤ 2,00 1,039 1,177 Model Fit GFI ≥ 0,90 0,947 0,935 Model Fit AGFI ≥ 0,90 0,921 0,907 Model Fit CFI ≥ 0,95 0,993 0,963 Model Fit TLI ≥ 0,95 0,991 0,954 Model Fit Sumber : Hasil Penelitian, 2013 Universitas Sumatera Utara

4.4.1.2.1. Uji Kesesuaian Model Pengukuran Sesudah Revisi

Dari Tabel 4.14, untuk model pengukuran sesudah revisi diperoleh nilai chi-square = 73,741 dengan df = 71 dan probabilitas = 0,389. Hasil chi-square ini menunjukkan bahwa hipotesis nol yang menyatakan bahwa model sama dengan data empiris tidak dapat ditolak yang berarti model pengukuran sesudah revisi adalah fit dengan data. Hasil uji goodness of fit model pengukuran revisi sesudah revisi lebih baik dibandingkan dengan model pengukuran sebelum revisi yang ditunjukkan dengan nilai chi-square yang lebih kecil dan nilai probabilitas yang lebih besar . Hal ini juga didukung oleh ukuran model fit lainnya yaitu RMSEA, CMINDF, GFI, AGFI, CFI dan TLI yang keseluruhannya lebih baik dari dari model pengukuran sebelum revisi.

4.4.1.2.2. Uji Signifikansi Loading Factor

Dari Tabel 4.15, hasil regresi dari variabel indikator ke variabel laten pada model pengukuran sesudah direvisi semuanya signifikan secara statistik pada α = 0,01 bintang tiga pada tabel. Dengan demikian semua variabel manifest indikator pada model pengukuran sesudah revisi dapat menjelaskan masing- masing konstruk atau variabel latennya. Selanjutnya dari Tabel 4.15 dengan menggunakan kriteria yang direkomendasikan oleh Ferdinand 2005 maka tidak terdapat indikator atau variabel manifest yang mempunyai nilai convergent validity atau nilai loading factor lebih kecil dari 0,4. Dengan demikian seluruh variabel manifest yang membentuk konstruk harga, kualitas pelayanan, kepuasan pelanggan dan loyalitas pelanggan yang terdapat pada model pengukuran setelah revisi layak untuk dipergunakan dalam full model persamaan struktural. Universitas Sumatera Utara Tabel 4.15. Regression Weights: Model Pengukuran Setelah Revisi Standardized Estimate Estimate S.E. C.R. P X1.1 --- Harga_X1 0.416 1.000 X1.2 --- Harga_X1 0.479 1.119 0.282 3.965 X1.3 --- Harga_X1 0.734 1.681 0.445 3.776 X2.1 --- Kualitas_Pelayanan_X2 0.498 0.854 0.157 5.441 X2.2 --- Kualitas_Pelayanan_X2 0.410 0.721 0.163 4.421 X2.3 --- Kualitas_Pelayanan_X2 0.480 0.816 0.156 5.227 X2.4 --- Kualitas_Pelayanan_X2 0.475 0.796 0.148 5.375 X2.5 --- Kualitas_Pelayanan_X2 0.641 1.000 Y1.1 --- Kepuasan_Pelanggan_Y1 0.479 0.856 0.191 4.483 Y1.2 --- Kepuasan_Pelanggan_Y1 0.691 1.332 0.252 5.296 Y1.3 --- Kepuasan_Pelanggan_Y1 0.600 1.182 0.236 5.007 Y1.4 --- Kepuasan_Pelanggan_Y1 0.499 1.000 Y2.1 --- Loyalitas_Pelanggan_Y2 0.429 1.000 Y2.2 --- Loyalitas_Pelanggan_Y2 0.602 1.355 0.324 4.185 Sumber : Hasil Penelitian, 2013 4.4.1.2.3. Uji Spesifikasi Model Walaupun secara keseluruhan dapat disimpulkan bahwa hipotesis keempat konstruk CFA yaitu konstruk harga, kualitas pelayanan, kepuasan pelanggan dan loyalitas pelanggan telah sesuai atau fit dengan data empirisnya, tetapi perlu dianalisis kemungkinan adanya mis-fit di dalam model. Dua jenis informasi yang disediakan oleh Amos untuk mendeteksi adanya kesalahan spesifikasi model yaitu nilai standardized residual dan modification index. 4.4.1.2.3.1. Residual Nilai standardized residual adalah nilai fitted residual dibagi dengan standard error, dengan demikian analog dengan nilai Z score dan nilai standardized residual ≥ 2,58 dianggap besar nilainya. Berdasarkan pada output standardized residual dari model pengukuran setelah revisi lihat Tabel 4.16 tidak terdapat satupun residual yang nilainya di atas 2,58. Dengan demikian dari indikator standardized residual tidak mengindikasikan adanya kesalahan spesifikasi model. Universitas Sumatera Utara Tabel 4.16. Standardized Residual Covariances Group number 1 - Default model X2.2 X1.3 Y2.2 Y2.1 Y1.1 Y1.2 Y1.3 Y1.4 X2.1 X2.3 X2.4 X2.5 X1.2 X1.1 X2.2 X1.3 0.577 Y2.2 -1.131 0.371 Y2.1 0.050 0.059 Y1.1 0.469 -0.878 -0.311 0.213 Y1.2 1.302 0.975 0.008 -0.182 -0.040 Y1.3 1.799 -0.183 -0.565 0.903 -0.035 -0.148 Y1.4 -0.256 -0.408 0.171 0.537 0.262 0.128 0.035 X2.1 -0.487 -0.160 0.730 0.183 0.408 0.911 -1.163 -0.026 X2.3 0.051 0.458 -0.360 0.357 -0.106 -1.042 1.003 -1.120 -0.331 X2.4 -0.974 -0.074 -0.536 0.256 0.838 -0.097 0.516 -0.015 -0.199 0.625 X2.5 -0.444 0.266 0.764 -0.858 -0.658 -0.327 0.009 -1.099 0.129 -0.224 1.050 X1.2 0.863 0.025 0.433 -1.297 -0.702 -0.76 -0.143 -0.888 -1.006 0.544 -1.958 -0.828 X1.1 1.510 -0.658 -0.064 -1.601 0.595 1.027 -0.529 0.665 0.744 0.018 -1.072 -0.368 1.649 Sumber : Hasil Penelitian, 2013 4.4.1.2.3.2. Modification Index Tabel 4.17. Covariances: Group number 1 - Default model M.I. Par Change e5 -- Kepuasan_Pelanggan_Y1 5.046 0.101 e4 -- e11 4.823 -0.151 e2 -- e7 4.405 -0.148 e1 -- e2 5.173 0.165 Sumber : Hasil Penelitian, 2013 Indikasi adanya model mis-fit dapat dilihat dari nilai modification index MI yang dapat dikonseptualisasikan sebagai chi- square λ 2 statistik dengan degree of freedom = 1 Joreskog and Sorbom, 1988 dalam Ghozali, 2011. Secara spesifik untuk setiap parameter yang ditetapkan, Amos memberikan nilai MI yaitu λ 2 yang akan turun jika parameter dikovariankan. Berdasarkan output MI pada Tabel 4.17, maka kita akan memodifikasi model pengukuran yang telah direvisi dengan mengkovariankan e1 dengan e2. Respesifikasi model ini diharapkan akan meningkat goodness of fit model karena chi-square akan turun sebesar 5,173. Universitas Sumatera Utara

4.4.1.3. Analisis Faktor Konfirmatori Model Pengukuran Setelah Modifikasi

Setelah melakukan estimasi ulang terhadap model yang telah dimodifikasi maka hasilnya dapat dilihat pada Gambar 4.3. Sumber : Hasil Penelitian, 2013 Gambar 4.3. Analisis Eksploratori Model Pengukuran Sesudah Modifikasi Dari Gambar 4.3 dan Tabel 4.18, hasil Uji Goodness of Fit Model pengukuran sesudah modifikasi diperoleh nilai chi-square = 67,547 dengan df = 70 dan probabilitas = 0,561. Hasil chi-square ini menunjukkan bahwa model fit dengan data empirisnya. Hasil uji goodness of fit ini lebih baik dibandingkan dengan model pengukuran sesudah revisi yang ditunjukkan dengan nilai chi-square yang lebih kecil dan nilai probabilitas yang lebih besar . Hal ini juga didukung oleh ukuran model fit lainnya yaitu RMSEA, CMINDF, GFI, AGFI, CFI dan TLI yang keseluruhannya lebih baik dari dari model pengukuran sesudah revisi. Universitas Sumatera Utara Tabel 4.18. Hasil Uji Goodness of Fit Model Pengukuran Sesudah Modifikasi Kriteria Cut Of Value Sesudah Modifikasi Hasil Sesudah Modifikasi Hasil Sesudah Revisi Evaluasi Chi-Square df =70; α = 0,05 ≤ 90,531 67,547 73,741 Model Fit Probabilitas ≥ 0,05 0,561 0,389 Model Fit RMSEA ≤ 0,08 0,000 0,014 Model Fit CMINDF ≤ 2,00 0,965 1,039 Model Fit GFI ≥ 0,90 0,951 0,947 Model Fit AGFI ≥ 0,90 0,927 0,921 Model Fit CFI ≥ 0,95 1,000 0,993 Model Fit TLI ≥ 0,95 1,009 0,991 Model Fit Sumber : Hasil Penelitian, 2013

4.4.2. Hasil Analisis Structural Equation Model SEM

Analisis selanjutnya adalah analisis Structural Equation Model SEM secara Full Model yang dimaksudkan untuk menguji model dan hipotesis yang dikembangkan dalam penelitian ini. Hasil pengolahan data untuk analisis full model SEM terlihat pada Gambar 4.4 dan Tabel 4.19. Berdasarkan Gambar 4.4 dan Tabel 4.19, dapat ditunjukkan bahwa model full SEM memenuhi kriteria fit. Hal ini ditunjukkan dimana nilai chi– square sebesar 78,351 yang lebih kecil dari chi–square tabel 92,800 untuk df = 72 pada tingkat signifikansi α = 0,05 dan nilai probabilitas sebesar 0,284 C 0,05. Nilai CMINDF sebesar 1,088 2,00. Nilai GFI sebesar 0,943 0,90. Nilai AGFI sebesar 0,917 0,90. Nilai TLI sebesar 0,979 0,95. Nilai CFI sebesar 0,983 0,95 dan nilai RMSEA sebesar 0,022 0,08. Hasil-hasil tersebut di atas menunjukkan bahwa model full SEM telah memenuhi kriteria model fit. Universitas Sumatera Utara Sumber : Hasil Penelitian, 2013 Gambar 4.4. Full Model SEM Tabel 4.19. Hasil Uji Goodness of Fit Full Model SEM Kriteria Cut Of Value Hasil Evaluasi Chi-Square , df =72; α = 0,05 ≤ 92,800 78,351 Model Fit Probabilitas ≥ 0,05 0,284 Model Fit RMSEA ≤ 0,08 0,022 Model Fit CMINDF ≤ 2,00 1,088 Model Fit GFI ≥ 0,90 0,943 Model Fit AGFI ≥ 0,90 0,917 Model Fit CFI ≥ 0,95 0,983 Model Fit TLI ≥ 0,95 0,979 Model Fit Sumber : Hasil Penelitian, 2013 Universitas Sumatera Utara 4.4.3. 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: a. Standard error pada satu atau beberapa koefisien sangat besar. b. Muncul angka-angka yang aneh seperti varians error yang negatif. c. Muncul korelasi yang sangat tinggi antar koefisien estimasi 0,90. Tabel 4.20. Hasil Estimasi Standardized Regression Weights Full Model SEM Std. Estimate λ Estimate S.E. C.R. Kepuasan_Pelanggan_Y1 --- Harga_X1 -0.241 -0.241 0.240 -1.004 Kepuasan_Pelanggan_Y1 --- Kualitas_Pelayanan_X2 0.932 0.932 0.274 3.398 Loyalitas_Pelanggan_Y2 --- Kepuasan_Pelanggan_Y1 0.867 0.867 0.230 3.775 X1.1 --- Harga_X1 0.353 0.386 0.095 4.052 X1.2 --- Harga_X1 0.429 0.457 0.092 4.950 X1.3 --- Harga_X1 0.787 0.820 0.109 7.503 X2.1 --- Kualitas_Pelayanan_X2 0.485 0.540 0.088 6.154 X2.2 --- Kualitas_Pelayanan_X2 0.425 0.485 0.091 5.328 X2.3 --- Kualitas_Pelayanan_X2 0.478 0.528 0.087 6.064 X2.4 --- Kualitas_Pelayanan_X2 0.487 0.531 0.086 6.191 X2.5 --- Kualitas_Pelayanan_X2 0.632 0.640 0.077 8.274 Y1.1 --- Kepuasan_Pelanggan_Y1 0.464 0.459 Y1.2 --- Kepuasan_Pelanggan_Y1 0.658 0.702 0.139 5.093 Y1.3 --- Kepuasan_Pelanggan_Y1 0.587 0.640 0.133 4.829 Y1.4 --- Kepuasan_Pelanggan_Y1 0.478 0.530 0.122 4.343 Y2.1 --- Loyalitas_Pelanggan_Y2 0.449 0.500 Y2.2 --- Loyalitas_Pelanggan_Y2 0.574 0.616 0.150 4.104 Sumber : Hasil Penelitian, 2013 Tabel 4.21. Covariances: Full Model SEM Estimate S.E. C.R. P Harga_X1 -- Kualitas_Pelayanan_X2 0.153 0.057 2.668 0.008 e1 -- e2 0.196 0.084 2.349 0.019 Sumber : Hasil Penelitian, 2013 Universitas Sumatera Utara Tabel 4.22. Correlations: Full Model SEM Estimate Harga_X 1 -- Kualitas_Pelayanan_ X2 0.736 e1 -- e2 0.201 Sumber : Hasil Penelitian, 2013 Tabel 4.23. Variances: Full Model SEM Estimate S.E. C.R. P Harga_X1 0.148 0.078 1.913 0.056 Kualitas_Pelayanan_X2 0.290 0.094 3.071 0.002 Z1 0.084 0.042 2.034 0.042 Z2 0.062 0.064 0.960 0.337 e1 1.043 0.118 8.809 e2 0.918 0.106 8.688 e8 0.613 0.084 7.301 e7 0.899 0.105 8.588 e6 0.935 0.107 8.765 e4 0.944 0.108 8.740 e12 0.944 0.109 8.670 e11 0.778 0.099 7.870 e10 0.643 0.092 6.987 e9 0.764 0.087 8.773 e13 0.982 0.121 8.131 e14 0.769 0.128 6.009 e3 0.411 0.158 2.594 0.009 e5 1.062 0.118 8.974 Sumber : Hasil Penelitian, 2013 Berdasarkan hasil analisis pada Tabel 4.20 dapat kita lihat bahwa standard error tidak ada nilainya yang terlalu ekstrim. Tabel 4.21 dan Tabel 4.22 memperlihatkan tidak ada satupun nilai korelasi maupun kovarian antar variabel yang bernilai 0,90. Dari Tabel 4.23 dapat dilihat bahwa tidak ada nilai varians error yang negatif. Berdasarkan indikator-indikator di atas maka disimpulkan tidak menunjukkan adanya problem identifikasi. Universitas Sumatera Utara

4.4.4. Evaluasi Kriteria Goodness of Fit

Pengujian kesesuaian model dilakukan melalui telaah terhadap kriteria goodness of fit. Berdasarkan hasil analisis pada Tabel 4.19, diketahui bahwa model yang dibangun telah memenuhi kriteria indeks pengujian kelayakan. Jadi pengujian ini menghasilkan konfirmasi yang baik atas dimensi-dimensi faktor serta hubungan-hubungan kausalitas antar faktor.

4.4.4.1. Evaluasi Outlier

Menurut Ghozali 2011, outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi- observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau variabel kombinasi. Untuk mendeteksi multivariate outlier dilakukan dengan melihat dan memperhatikan nilai mahalanobis distance. Jarak mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata- rata semua variabel dalam sebuah ruang multidimensional Hair, et.al, 1995; dalam Ferdinand, 2006. Jarak mahalanobis ini dihitung berdasarkan nilai chi- square tabel pada derajat bebas sebesar 15 jumlah indikator pada tingkat pengujian α = 0,001 atau λ 2 Berdasarkan hasil perhitungan pada Tabel 4.24 menunjukkan bahwa jarak mahalonobis terendah adalah 12,761 dan tertinggi adalah 30,691 sehingga dapat disimpulkan bahwa model tidak terdapat multivariate outlier pada pengolahan data. Output mahalanobis distance dapat dilihat dalam Tabel 4.24. di bawah ini 15 ; 0,001 = 37,697. Jadi data yang memiliki jarak mahalonobis lebih besar dari 37,697 adalah multivariate outliers. Universitas Sumatera Utara Tabel 4.24. Hasil Uji Mahalanobis Distance Observation number Mahalanobis d-squared p1 p2 144 30.691 0.006 0.689 48 30.667 0.006 0.327 50 28.870 0.011 0.342 70 27.988 0.014 0.288 26 27.976 0.014 0.139 73 27.605 0.016 0.087 151 27.515 0.016 0.039 . . . . . . . . . . . . 68 12.870 0.537 0.827 67 12.809 0.542 0.825 125 12.804 0.542 0.788 86 12.765 0.545 0.770 54 12.761 0.545 0.727 Sumber : Hasil Penelitian, 2013 4.4.4.2 Uji Normalitas Data Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness value berada dalam interval ± 2,58. Hasil pengujian normalitas data ditampilkan pada Tabel 4.25. Berdasarkan Tabel 4.25 terlihat bahwa sebagian besar nilai C.R. Critical Ratio nilai skewness yang berada di luar rentang nilai ± 2,58 yang menunjukkan data tidak berdistribusi normal, kecuali indikator X1.1, X1.3, Y1.3 dan Y1.4 yang berdistribusi normal karena memiliki C.R nilai skewness di dalam interval ± 2,58. Sedangkan hasil uji multivariate normalitas data diperoleh koefisien kurtosis multivariate Mardia sebesar 13,864 dengan C.R = 4,514 2,58. Dengan demikian secara multivariate data dalam penelitian ini tidak berdistribusi normal. Universitas Sumatera Utara Tabel 4.25. Hasil Uji Normalitas Data Variable min max skew

c.r. kurtosis

c.r.

X2.2 1.000 5.000 -.630 -3.542 -.505 -1.421 X1.3 1.000 5.000 -.400 -2.250 -.581 -1.636 Y2.2 1.000 5.000 -.717 -4.037 -.349 -.981 Y2.1 1.000 5.000 -.739 -4.157 .036 .101 Y1.1 1.000 5.000 -.842 -4.740 .249 .700 Y1.2 1.000 5.000 -.796 -4.482 .003 .007 Y1.3 1.000 5.000 -.350 -1.970 -1.010 -2.841 Y1.4 1.000 5.000 -.452 -2.541 -1.009 -2.838 X2.1 1.000 5.000 -.545 -3.066 -.635 -1.786 X2.3 1.000 5.000 -.508 -2.858 -.920 -2.587 X2.4 1.000 5.000 -.526 -2.958 -.461 -1.296 X2.5 1.000 5.000 -.570 -3.210 -.736 -2.071 X1.2 1.000 5.000 -.507 -2.856 -.357 -1.003 X1.1 1.000 5.000 -.278 -1.563 -1.068 -3.005 Multivariate 13.864 4.514 Sumber : Hasil Penelitian, 2013 Untuk mengatasi masalah data yang tidak normal sebagaimana telah diidentifikasi pada Tabel 4.25, maka dalam penelitian ini akan digunakan metoda Asymptotic Covariance Matrix ACM. Menurut Ghozali 2005, Asymptotic Covariance Matrix merupakan perhitungan matriks varians dan kovarians yang dihitung berdasarkan pada distribusi data yang tidak normal. Salah satu manfaat penggunaan Asymptotic Covariance Matrix adalah dapat digunakan untuk mengkoreksi biasnya chi-square dan standar error akibat tidak dipenuhinya asumsi normalitas data. Output dengan menggunakan koreksi Asymptotic Covariance Matrix ini menghasilkan nilai loading dan koefisien estimasi regresi yang sama dengan metode sebelumnya tanpa koreksi Asymptotic Covariance Matrix. Akan tetapi standar error dan nilai C.R yang dihasilkan berbeda dengan metoda sebelumnya. Perbedaan tersebut terjadi karena pada metode sebelumnya asumsi normalitas dilanggar. Sebagai perbandingan output estimasi sebelum dan sesudah dikoreksi dengan Asymptotic Covariance Matrix dapat dilihat pada Tabel 4.26. Universitas Sumatera Utara Tabel 4.26. Perbandingan Output Hasil Regression Weights Full Model SEM Sebelum dan Sesudah dikoreksi dengan Asymptotic Covariance Matrix Loading Factor λ UJI NORMALITAS DATA SEBELUM ACM SESUDAH ACM S.E. C.R. S.E. C.R. Kepuasan_Pelanggan_Y 1 --- Harga_X1 -0.241 0.240 -1.004 0.217 -1.111 Kepuasan_Pelanggan_Y 1 --- Kualitas_Pelayanan_X2 0.932 0.274 3.398 0.265 3.516 Loyalitas_Pelanggan_Y2 --- Kepuasan_Pelanggan_Y1 0.867 0.230 3.775 0.248 3.496 X1.1 --- Harga_X1 0.353 0.095 4.052 0.092 4.218 X1.2 --- Harga_X1 0.429 0.092 4.95 0.096 4.778 X1.3 --- Harga_X1 0.787 0.109 7.503 0.110 7.426 X2.1 --- Kualitas_Pelayanan_X2 0.485 0.088 6.154 0.094 5.777 X2.2 --- Kualitas_Pelayanan_X2 0.425 0.091 5.328 0.093 5.226 X2.3 --- Kualitas_Pelayanan_X2 0.478 0.087 6.064 0.074 7.097 X2.4 --- Kualitas_Pelayanan_X2 0.487 0.086 6.191 0.070 7.615 X2.5 --- Kualitas_Pelayanan_X2 0.632 0.077 8.274 0.071 8.997 Y1.1 --- Kepuasan_Pelanggan_Y1 0.464 Y1.2 --- Kepuasan_Pelanggan_Y1 0.658 0.139 5.093 0.016 4,427 Y1.3 --- Kepuasan_Pelanggan_Y1 0.587 0.133 4.829 0.125 5.115 Y1.4 --- Kepuasan_Pelanggan_Y1 0.478 0.122 4.343 0.124 4.258 Y2.1 --- Loyalitas_Pelanggan_Y2 0.449 Y2.2 --- Loyalitas_Pelanggan_Y2 0.574 0.150 4.104 0.181 3.399 Sumber : Hasil Penelitian, 2013 Berdasarkan Tabel 4.26 di atas maka dapat kita lihat bahwa terdapat perbedaan standar error SE sebelum dan sesudah pengujian normalitas data dengan Asymptotic Covariance Matrix. Hal tersebut menyebabkan Critical Ratio CR sesudah dan sebelum pengujian dengan Asymptotic Covariance Matrix juga berbeda. Namun kalau kita perhatikan perbedaan tersebut tidak sampai menyebabkan perubahan signifikasi setiap hubungan yang telah diestimasi sebelum dilakukan uji normalitas data dengan Asymptotic Covariance Matrix. Indikator lain yang perlu diperhatikan adalah hasil goodness of fit sesudah dilakukan uji normalitas data dengan Asymptotic Covariance Matrix yang dapat dilihat pada Tabel 4.27. Dari Tabel 4.27 dapat kita lihat bahwa nilai chi- square sesudah dilakukan Asymptotic Covariance Matrix yaitu sebesar 76,115 yang lebih kecil dibandingkan sebelum Asymptotic Covariance Matrix yaitu Universitas Sumatera Utara 78,349. Probabilitas chi-square sesudah ACM yaitu sebesar 0,348 lebih besar dibandingkan dengan sebelum dilakukan ACM yaitu sebesar 0,285. Indikator lain yang tidak kalah penting adalah RMSEA dimana RMSEA sesudah dilakukan ACM yaitu 0,017 lebih kecil dibandingkan sebelum dilakukan ACM yaitu 0,024. Gambaran indikator-indikator sesudah dilakukan ACM bermakna bahwa model yang normalitas datanya telah dikoreksi dengan Asymptotic Covariance Matrix mempunyai tingkat kesesuaian fit data yang lebih tinggi dibandingkan bila model menggunakan data yang tidak normal. Tabel 4.27. Perbandingan Hasil Uji Goodness of Fit Model Full Model SEM Sebelum dan Sesudah dikoreksi dengan Asymptotic Covariance Matrix Kriteria Cut Of Value Goodness of Fit Evaluasi Sebelum ACM Sesudah ACM Chi-Square df =72; α = 0,05 ≤ 92,800 78,349 76,115 Model Fit Probabilitas ≥ 0,05 0,285 0,348 Model Fit RMSEA ≤ 0,08 0,024 0,017 Model Fit CMINDF ≤ 2,00 1,088 1,057 Model Fit GFI ≥ 0,90 0,943 0,943 Model Fit AGFI ≥ 0,90 0,917 0,917 Model Fit CFI ≥ 0,95 0,983 0,983 Model Fit Sumber : Hasil Penelitian, 2013 4.4.4.3 Evaluasi atas Multikolinearitas dan Singularitas Untuk melihat apakah pada data penelitian terdapat multikolineritas multicollinearity atau singularitas singularity dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah determinan dari matriks kovarians sampelnya. Indikasi adanya multikolinearitas dan singularitas menunjukkan bahwa data tidak dapat digunakan untuk penelitian. Adanya multikolinearitas dan singularitas dapat diketahui melalui nilai determinan matriks kovarians yang benar-benar kecil, atau mendekati nol Tabachnick dan Fidell, 1998; dalam Universitas Sumatera Utara Ferdinand, 2006. Berdasarkan hasil pengolahan data pada penelitian ini, nilai determinan matriks kovarians sampel Determinant of sample covariance matrix adalah sebesar 0,648 ≥ 0 . Hasil tersebut menunjukkan bahwa nilai determinan matriks kovarians sampel adalah jauh dari nol. Sehingga data penelitian yang digunakan tidak terdapat multikolinearitas dan singularitas, sehingga data layak untuk digunakan.

4.5 Pengujian Hipotesis