49
4. Indikator keempat yaitu tindakan pelanggan untuk tetap setia pada
bengkel AHASS Umar Jaya 72,9 responden menjawab positif tentang pernyataan tersebut. Hal ini dapat ditunjukkan dari
tanggapan yang mereka berikan antara lain adalah 62,7 menjawab agak setuju dan 10,2 menjawab sangat setuju.
Sedangkan yang menjawab netral sebanyak 23,7 dan yang menjawab agak tidak setuju sebanyak 3,4.
4.2.2. Analisis Data
4.2.2.1.Evaluasi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan
muncul dalam bentuk nilai pelanggan ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau mutivariat Hair, 1998. Evaluasi terhadap
outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate,
tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan
menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998; Tabachnick Fidel, 1996. Uji
terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel
50
yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut:
Tabel 3. Outlier Data50
Residuals Statistics a Minimum
Maximum Mean
Std. Deviation
N Predicted Value
7.250 45.050
30.500 8.499
60 Std. Predicted Value
-2.735 1.712
0.000 1.000
60 Standard Error of Predicted Value
3.795 14.867
7.584 2.428
60 Adjusted Predicted Value
-22.210 47.110
29.960 11.379
60 Residual
-36.846 34.029
0.000 15.257
60 Std. Residual
-2.156 1.991
0.000 0.893
60 Stud. Residual
-2.265 2.288
0.008 1.009
60 Deleted Residual
-40.683 66.208
0.542 20.512
60 Stud. Deleted Residual
-2.374 2.401
0.009 1.031
60 Mahalanobis Distance [MD]
1.925 43.646
11.800 7.953
60 Cooks Distance
0.000 0.873
0.032 0.114
60 Centered Leverage Value
0.033 0.740
0.200 0.135
60 a Dependent Variable : NO. RESP
Sumber:Lampiran Deteksi terhadap multivariat outliers dilakukan dengan
menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang
mempunyai Jarak Mahalanobis lebih besar dari nilai pelanggan chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
pelanggan
2 0.001
dengan jumlah indikator 12 adalah sebesar 32.909. Hasil
analisis Mahalanobis diperoleh nilai pelanggan 43,646 yang lebih dari
2
tabel 52,620 tersebut. Dengan demikian, Terdapat Outlier Apabila
Mahalanobis Distance : 32.909 =CHIINV0,001.12. Hasil evaluasi : menunjukkan bahwa Terdapat outlier multivariat [antar variabel], karena
MD Maksimum 43,646 ≥ 32,909, yaitu No case :4444.386. 1 case outlier
51
ini harus dieliminasi sehingga N pada analisis selanjutnya tinggal 60-1=59.
4.2.2.2.Evaluasi Reliabilitas
Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala variabel
atau observasi indikator. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-
butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan Purwanto, 2002. Hasil selengkapnya dapat dilihat pada
tabel berikut: Tabel 4.Reliabilitas Data
Pengujian Reliability Consistency Internal Konstrak Indikator
Item to Total Correlation
Koefisien Cronbachs Alpha
X11 0.828
X12 0.472
X13 0.744
X14 0.793
Customer Value X15
0.744 0.761
X21 0.739
X22 0.797
CRM X23
0.627 0.501
Y1 0.818
Y2 0.847
Y3 0.857
Customer Loyalty
Y4 0.400
0.860
: tereliminasi
Sumber:Lampiran Proses eleminasi diperlakukan pada item to total correlation pada
indikator yang nilai pelanggannya 0,5 [Purwanto,2003]. Tidak terjadi eliminasi karena nilai pelanggan item to total correlation indikator
seluruhnya ≥ 0,5. Indikator yang tereliminasi tidak disertakan dalam
52
perhitungan cronbachs alpha. Perhitungan cronbachs dilakukan setelah proses eliminasi. Hasil pengujian reliabilitas konsistensi internal untuk
setiap construct di atas menunjukkan hasil baik dimana koefisien Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of thumb
yang disyaratkan yaitu ≥ 0,7 [Hair et.al.,1998].
4.2.2.3.Evaluasi Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai pelanggan sesuatu atau akuratnya pengukuran atas
apa yang seharusnya diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable construct akan diuji dengan melihat
loading factor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini.
Tabel 5. Validitas Data
Standardize Faktor Loading dan Construct dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4
X11 0.859 X12 0.527
X13 0.752 X14 0.092
Customer Value X15 0.557
X21 0.099
X22 0.885
CRM X23
0.648 Y1
0.738 Y2
0.998 Customer
Loyalty Y3
0.727
Sumber:Lampiran Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor
loadings masing masing butir pertanyaan yang membentuk setiap
53
construct seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap
konstruk tersebut dapat dikatakan validitasnya baik.
4.2.2.4.Evaluasi Construct Reliability dan Variance Extracted Selain melakukan pengujian konsistensi internal Cronbach’s
Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih dalam koridor uji konsistensi
internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang
sama Purwanto, 2002. Dan variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance extracted
dapat dilihat dalam tabel 4.18. Tabel 4.18. Construct Reliability dan Variance Extracted
Construct Reliability Variance Extrated Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[ εj]
Construct Reliability
Variance Extrated
X11 0.859 0.738 0.262
X12 0.527 0.278 0.722
X13 0.752 0.566 0.434
X14 0.092 0.008 0.992
Customer Value
X15 0.557 0.310 0.690
0.715 0.380 X21 0.099 0.010
0.990 X22 0.885 0.783
0.217 CRM
X23 0.648 0.420 0.580
0.598 0.404 Y1 0.738 0.545
0.455 Y2 0.998 0.996
0.004 Customer
Loyalty Y3 0.727 0.529
0.471 0.867 0.690
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber:Lampiran Hasil pengujian reliabilitas instrumen dengan construct reliability
dan variance extracted menunjukkan instrumen cukup reliabel, yang
54
ditunjukkan dengan nilai pelanggan construct reliability belum seluruhnya ≥ 0,7. Meskipun demikian angka tersebut bukanlah sebuah ukuran “mati”
artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai pelanggan di bawah 0,70 pun masih dapat diterima sepanjang disertai
alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.2.2.5.Evaluasi Normalitas
Uji normalitas sebaran dilakukan dengan Skewness Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai
pelanggan statistik untuk menguji normalitas itu disebut z-value. Bila nilai pelanggan-z lebih besar dari nilai pelanggan kritis maka dapat diduga
bahwa distribusi data adalah tidak normal. Nilai pelanggan kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 1 yaitu sebesar
2,58. Hasilnya diperoleh nilai pelanggan c.r. multivariat diantara
2,58 dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam
estimasi selanjutnya. Hasil analisis tampak pada tabel berikut: Tabel 7. Normalitas Data
Assessment of normality Variable min
max kurtosis c.r.
X11 3 7
0.031 0.049
X12 4 7
0.238 0.376
X13 4 7
-0.430 -0.681
X14 3 7
-0.911 -1.440
X15 3 7
0.071 0.112
X21 2 6
0.521 0.824
X22 3 5
-0.651 -1.030
X23 4 6
-0.821 -1.298
Y1 2 7
0.921 1.457
55
Y2 3 7
0.313 0.495
Y3 3 7
1.649 2.607
Multivariate 40.431
9.259 Batas Normal
± 2,58
Sumber:Lampiran Hasil uji menunjukkan bahwa nilai pelanggan c.r. mutivariate berada
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 ditribusi datanya tidak
normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.2.2.6.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 disebabkan oleh terjadinya interaksi 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.
56
Gambar 1
MODEL PENGUKURAN STRUKTURAL Customer Value, CRM, Customer Loyalty
Model Specification : One Step Approach - Base Model
er_1 1
Sumber:Lampiran
Tabel 8 Evaluasi Kriteria Goodness of Fit Indices
Model One- Step Approach – Base Model
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 3.252 ≤ 2,00
kurang baik Probability 0.000
≥ 0,05 kurang baik
RMSEA 0.195 ≤ 0,08
kurang baik GFI 0.676
≥ 0,90 kurang baik
AGFI 0.523 ≥ 0,90
kurang baik TLI 0.566
≥ 0,95 kurang baik
CFI 0.651 ≥ 0,94
kurang baik
Sumber:Lampiran Dari hasil evaluasi terhadap model one step approach base model
ternyata dari semua kriteria goodness of fit yang digunakan, belum seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model
belum sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya didukung oleh fakta. Dengan
demikian model ini masih perlu dimodifikasi sebagaimana terdapat di
Customer Loyalty
Y1 er_9
1 1
Customer Value
Y2 0,005
er_10 1
X11 d_bi
1
CRM X21
er_6 X22
0,005 er_7
X23 er_8
1 1
1 Y3
er_11 1
1 X12
er_2 1
X13 er_3
1 X14
er_4 1
1 d_pi
1 X15
er_5 1
1 Y4
er_12
57
bawah ini. Gambar 2
MODEL PENGUKURAN STRUKTURAL Customer Value, CRM, Customer Loyalty
Model Specification : One Step Approach - Eliminasi
er_1 1
Sumber:Lampiran Tabel 9
Evaluasi Kriteria Goodness of Fit Indices Model One- Step Approach – Modifikasi
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 3.426
≤ 2,00 kurang baik
Probability 0.000
≥ 0,05 kurang baik
RMSEA 0.203
≤ 0,08 kurang baik
GFI 0.692
≥ 0,90 kurang baik
AGFI 0.528
≥ 0,90 kurang baik
TLI 0.594
≥ 0,95 kurang baik
CFI 0.682
≥ 0,94 kurang baik
Sumber:Lampiran Dari hasil evaluasi terhadap model one step eliminasi ternyata dari
semua kriteria goodness of fit yang digunakan, belum seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model belum sesuai
dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya didukung oleh fakta. Dengan demikian
model ini masih perlu dimodifikasi sebagaimana terdapat di bawah ini:
Customer Loyalty
Y1 er_9
1 1
Customer Value
Y2 0,005
er_10 1
X11 d_bi
1
CRM X21
er_6 X22
0,005 er_7
X23 er_8
1 1
1 Y3
er_11 1
1 X12
er_2 1
X13 er_3
1 X14
er_4 1
1 d_pi
1 er_5
1 X15
58
Gambar 3
MODEL PENGUKURAN STRUKTURAL Customer Value, CRM, Customer Loyalty
Model Specification : One Step Approach - Eliminasi - Modifikasi
er_1 1
M od if ik a si :
Est im at e Pr ob. er _9 - - er _6
0.211 0.005
er _2 - - er _5 - 0.267
0.003 er _1 - - er _11
- 0.101 0.029
Cust om er _Loy alt y - - X15 - 0.386
0.000 X14 - - X15
0.877 0.000
X21 - - X15 0.594
0.000 X22 - - X14
0.213 0.000
Tabel 10 Evaluasi Kriteria Goodness of Fit Indices
Model One- Step Approach – Modifikasi
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 1.243
≤ 2,00 baik
Probability 0.150
≥ 0,05 baik
RMSEA 0.064
≤ 0,08 baik
GFI 0.900
≥ 0,90 baik
AGFI 0.900
≥ 0,90 baik
TLI 0.959
≥ 0,95 baik
CFI 0.973
≥ 0,94 baik
Sumber:Lampiran
Dari hasil evaluasi terhadap model one step eliminasi modifikasi
ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai
dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi
Customer Loyalty
Y1 er_9
1 1
Customer Value
Y2 0,005
er_10 1
X11 d_bi
1
CRM X21
er_6 X22
0,005 er_7
X23 er_8
1 1
1 Y3
er_11 1
1 X12
er_2 1
X13 er_3
1 X14
er_4 1
1 d_pi
1 er_5
1 X15
59
oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel
dalam model sebagaimana terdapat di bawah ini
4.3.Uji Kausalitas
Dilihat dari angka determinant of sample covariance matrix : 1.145.482.739 0 mengindikasikan tidak terjadi multicolinierity atau
singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana
terlihat pada uji kausalitas di bawah ini. Tabel 11. Hasil Uji Causalitas
Ustd Std
Faktor Faktor Estimate Estimate
Prob. Customer_Loyalty
CRM 0.126 0.170
0.062 Customer_Loyalty
Customer_Value 0.864 0.987 0.000
Customer_Value CRM 0.153
0.181 0.230
Batas Signifikansi
≤ 0,10 Sumber:Lampirran
Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan bahwa:
a. Faktor CRM berpengaruh positif terhadap Faktor Customer Loyalty, dapat
diterima [Prob. kausalnya 0,062 ≤ 0,10 [signifikan [positif].
b. Faktor Customer Value berpengaruh positif terhadap Faktor Customer
Loyalty, dapat diterima [Prob. kausalnya 0,000 ≤ 0,10 [signifikan [positif].
c. Faktor CRM berpengaruh positif terhadap Faktor Customer Value, tidak
dapat diterima [Prob. kausalnya 0,230 0,10 [tidak signifikan [positif].
60
4.3.1. Analisi Unidimensi First Order