Uji Kausalitas Regression Weight

Tabel 4.12 Regression Weight dan Standardize Regression Weight Structural Model Estimate S.E. C.R. P-value Standardize Reg. Weight λ Y1 --- X1 ,308 ,082 3,767 ,393 Y2 --- Y1 ,072 ,068 1,054 ,292 ,129 Y3 --- Y2 ,212 ,168 1,263 ,207 ,177 X --- X1 ,320 ,147 2,186 ,029 ,265 X1.1 --- X ,239 ,087 2,758 ,006 ,368 X1.2 --- X ,211 ,108 1,965 ,049 ,232 X1.3 --- X ,424 ,123 3,437 ,406 X1.4 --- X ,073 ,047 1,545 ,122 ,305 X1.5 --- X ,227 ,091 2,478 ,013 ,304 X1.6 --- X ,541 ,101 5,332 ,992 X1.7 --- X ,427 ,113 3,777 ,405 X1.8 --- X ,216 ,111 1,938 ,053 ,219 Y4 --- Y3 ,780 ,251 3,113 ,002 ,429 X1.1.2 --- X1.1 ,781 ,129 6,054 ,680 X1.1.1 --- X1.1 1,000 ,817 Y4.2 --- Y4 ,742 ,081 9,171 ,682 Y4.1 --- Y4 1,000 ,996 X1.4.2 --- X1.4 2,808 1,283 2,189 ,029 ,760 X1.4.1 --- X1.4 1,000 ,302 X1.2.1 --- X1.2 1,000 ,997 X1.5.1 --- X1.5 1,000 ,996 X1.6.2 --- X1.6 1,189 ,284 4,180 ,721 X1.6.1 --- X1.6 1,000 ,617 X1.7.1 --- X1.7 1,000 ,998 X1.8.2 --- X1.8 ,560 ,108 5,174 ,498 X1.8.1 --- X1.8 1,000 ,998 X1.4.3 --- X1.4 2,387 1,030 2,316 ,021 ,660 X1.7.3 --- X1.7 ,078 ,080 ,983 ,326 ,113 X1.7.4 --- X1.7 ,111 ,081 1,376 ,169 ,157 Y1.1 --- Y1 1,000 ,835 Y1.2 --- Y1 ,823 ,102 8,029 ,783 Y1.3 --- Y1 1,061 ,130 8,172 ,789 Y1.4 --- Y1 ,628 ,130 4,847 ,509 Y2.2 --- Y2 1,000 ,658 Y2.3 --- Y2 1,077 ,213 5,055 ,669 Y2.4 --- Y2 1,442 ,300 4,814 ,606 Y2.5 --- Y2 1,212 ,198 6,110 ,839 Y3.2 --- Y3 ,992 ,298 3,328 ,781 Y3.1 --- Y3 1,000 ,597 Y3.3 --- Y3 1,218 ,320 3,807 ,480 X1.3.2 --- X1.3 ,717 ,094 7,661 ,613 X1.3.1 --- X1.3 1,000 ,998 X1.2.2 --- X1.1 ,864 ,133 6,478 ,781 X.1 --- X1 1,000 ,997 Sumber : Lampiran 6, diolah Untuk melihat hubungan antar variabel apakah positif atau negatif dapat dilihat pada kolom estimate. Apabila tidak terdapat tanda “-“maka hubungan antar variabel tersebut adalah positif. Sedangkan untuk menguji signifikansinya dapat dilihat pada kolom C.R dengan ketentuan apabila signifikan, hasil dari nilai C.R nya  2.040 dilihat dari tabel-t pada level 0,025 dengan df=31. Berdasarkan Tabel 4.11 di atas dapat diketahui bahwa kebijakan perusahaan X memiliki pengaruh positif dan signifikan terhadap produk X1.1, kebijakan perusahaan X memiliki pengaruh positif dan tidak signifikan terhadap harga X1.2, bauran pemasaran X memiliki pengaruh positif dan signifikan terhadap distribusi X1.3, kebijakan perusahaan X memiliki pengaruh positif dan tidak signifikan terhadap promosi X1.4, kebijakan perusahaan X memiliki pengaruh positif dan signifikan terhadap lokasi X1.5, bauran pemasaran X memiliki pengaruh positif dan signifikan terhadap keragaman produk yang dijual X1.6, kebijakan perusahaan X memiliki pengaruh positif dan signifikan terhadap pelayanan X1.7, kebijakan perusahaan X1 memiliki pengaruh positif dan tidak signifikan terhadap kemudahan mendapat produk X1.8. kebijakan perusahaan X berpengaruh positif dan signifikan terhadap bauran pemasaran X1, kebijakan perusahaan X1 berpengaruh positif dan signifikan terhadap perilaku konsumen Y1, perilaku konsumen Y1 berpengaruh positif dan tidak signifikan terhadap keputusan pembelian Y2, keputusan pembelian Y2 berpengaruh positif dan tidak signifikan terhadap kepuasan konsumen Y3 dan kepuasan konsumen Y3 berpengaruh positif dan signifikan terhadap loyalitas konsumen Y4. lihat lampiran 6 pada Standardized Regression Weights Structural Model.

4.5 Menilai Problem Identifikasi

Dalam operasi program AMOS 16.0 problem identifikasi akan diatasi langsung oleh program. Bila estimasi tidak dapat dilakukan, program akan memberikan pesan pada monitor komputer mengenai kemungkinan sebab-sebab mengapa program tidak dapat melakukan estimasi. Selama dilakukan pengolahan data dengan program AMOS 16.0 tidak menemukan adanya problem identifikasi. Dengan demikian tidak ada problem identifikasi.

4.5.1 Evaluasi Model

a. Ukuran Sampel

Analisis SEM menghendaki sampel minimum sebesar 100. Responden yang menjadi sampel dalam penelitian ini berjumlah 100, yang berarti asumsi untuk ukuran sampel telah terpenuhi.

b. Asumsi Normalitas dan Linieritas

Pengujian normalitas data dilakukan dengan mengamati nilai kritis c.r multivariate hasil pengujian assessment of normality dari program AMOS 16.0 Jika c.r multivariate berada dalam selang –2,58 hingga 2,58, maka dapat dikategorikan distribusi data normal. Hasil analisis menunjukkan c.r multivariate sebesar -0,053 yang berada di dalam selang –2,58 hingga 2,58, hal ini menunjukkan data berdistribusi normal sehingga asumsi normalitas terpenuhi di lihat pada lampiran 5. Sedangkan untuk asumsi linieritas, apabila datanya banyak 100 maka asumsi linieritas terpenuhi.

c. Evaluasi atas Outliers

1. Univariate Outliers Evaluasi atas univariate outliers dievaluasi menggunakan program SPSS 15.0 yaitu dengan mengamati nilai z-score. Jika dari hasil pengamatan terdapat indikator yang memiliki nilai z-score di luar range atau selang –3 z-score 3, maka mengindikasikan indikator tersebut mengandung univariate outliers sehingga tidak diikutsertakan dalam analisis selanjutnya. 2. Multivariates Outliers Evaluasi atas multivariate outliers dapat dilihat dari angka-angka jarak mahalonobis mahalonobis distance yang dihasilkan program AMOS 16.0 Bila mahalonobis d-squared ada yang lebih besar dari nilai chi- square pada df = jumlah indikator dan tingkat signifikansi 0,001, maka data tersebut menunjukkan adanya multivariate outliers. Dari hasil perhitungan diperoleh nilai chi-square 31; 0,001 = 61,098, sedangkan nilai mahalonobis d-squared yang tertinggi adalah 45,179, sehingga dapat disimpulkan tidak terdapat multivariate outliers. lihat lampiran 5. d. Multicollinierity dan Singularity Multicollinierity dan singularity dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multicollinierity dan singularity. Pada program AMOS 16.0 telah menyediakan fasilitas “Warning” apabila terdapat indikasi multicollinierity dan singularity. Dalam proses analisis tidak ditemukan adanya “Warning”, sehingga disimpulkan tidak terdapat problem