Analisis Data TINJAUAN PUSTAKA

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