4.3. Deskripsi Hasil Analisis dan Uji Hipotesis
4.3.1. Uji Normalitas dan Sebaran Linieritas
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang 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 pengujian normalitas pada penelitian ini akan ditampilkan pada tabel
berikut :
Tabel 4.11 Hasil Uji Normalitas
Variable min max
kurtosis c.r.
X11 4 7
-0,298 -0,665
X12 4 7
0,049 0,110
X13 3 7
-0,013 -0,028
X14 4 7
0,078 0,174
X15 4 7
-0,179 -0,400
X16 4 7
-0,729 -1,630
X21 3 7
-0,336 -0,752
X22 3 7
-0,272 -0,608
X31 4 7
-0,604 -1,351
X32 4 7
-0,480 -1,073
X33 3 7
0,602 1,346
Y11 4 7
-0,301 -0,672
Y12 4 7
-0,598 -1,338
Y13 4 7
-0,072 -0,161
Y21 4 7
-0,179 -0,400
Y22 3 7
0,470 1,051
Y23 4 7
-0,565 -1,264
Y31 4 7
-0,404 -0,904
Y32 4 7
-0,444 -0,994
Y33 4 7
-0,249 -0,556
Y34 4 7
-0,239 -0,534
Multivariate 6,110
0,911 Batas Normal
± 2,58 Sumber : Lampiran 3
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di dalam ± 2,58 itu berarti asumsi normalitas terpenuhi, sehingga data layak untuk digunakan
dalam estimasi selanjutnya. 4.3.2.
Evaluasi atas Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair,1998.
Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [
2] pada df sebesar jumlah variabel bebasnya df = 25. Ketentuan : bila Mahalanobis distance maximum dari nilai
2 maka terjadi multivariate outlier. Pada penelitian ini terdapat outlier apabila nilai Mahalanobis distancenya 52, 620
Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate :
Tabel 4.12 Hasil Pengujian Outlier Multivariate
Minimum Maximum
Mean Std.
Deviation N
Predicted Value 9,619
119,121 60,500
24,353 120
Std. Predicted Value -2,089
2,407 0,000
1,000 120
Standard Error of Predicted Value 9,512
17,135 12,903
1,655 120
Adjusted Predicted Value 9,548
122,768 60,954
25,222 120
Residual -42,629
63,806 0,000
24,838 120
Std. Residual -1,525
2,283 0,000
0,889 120
Stud. Residual -1,723
2,540 -0,007
0,999 120
Deleted Residual -54,400
78,981 -0,454
31,443 120
Stud. Deleted Residual -1,742
2,618 -0,005
1,006 120
Mahalanobis Distance [MD] 12,794
43,746 24,792 6,677
120 Cooks Distance
0,000 0,061
0,010 0,012
120 Centered Leverage Value
0,108 0,368
0,208 0,056
120 a Dependent Variable : NO. RESP
Sumber : Lampiran 4
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 43,746 lebih kecil dari 52,620
. Oleh karena itu diputuskan
dalam penelitian tidak terdapat outlier multivariate antar variabel. 4.3.3.
Deteksi Multicollinierity dan Singularity
Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi
multikolinieritas dan singularitas Tabachnick Fidell, 1998. Berdasarkan hasil pengujian dengan menggunakan program AMOS 4.0
diperoleh hasil Determinant of Sample Covariance Matrix adalah 0 yaitu sebesar 12.334.300 mengindikasikan tidak terjadi multikolinieritas dan
singularitas dalam data ini sehingga asumsi terpenuhi. 4.3.4.
Uji Validitas dan Reliabilitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana
masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variabelconstruct akan diuji dengan melihat faktor loading faktor dari hubungan antara setiap observed variabel dan latent variabel. Sedangkan reliabilitas diuji
dengan construct reliability dan variance extracted. Dari hasil pengolahan data didapatkan hasil sebagai berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.13 Faktor Loading dan Konstruk dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X11 0,998
X12 0,046 X13 0,018
X14 0,011 X15 -0,032
Atribut Produk X16 0,043
X21 0,699
Atribut Jasa X22
0,997 X31 0,375
X32 0,607 Atribut
Pembelian X33 0,468
Y11 0,816
Y12 0,545 Kesadaran
Merek Y13
0,563 Y21 0,379
Y22 0,995 Asosiasi Merek
Y23 0,437 Y31
0,257 Y32 0,737
Y33 0,739 Y34 0,303
Kesan Kualitas Y35
0,276 Y41 0,455
Y42 0,724 Kesetiaan
Merek Y43 0,693
Sumber : Lampiran 5 Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor
loadings masing masing butir pertanyaan yang membentuk setiap construct belum seluruhnya
≥ 0,5, sehingga butir-butir instrumen setiap konstruk tersebut dapat dikatakan validitasnya belum cukup baik.
Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala variabel atau indikator observarian. 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.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hasil pengujian reliabilitas Consistency Internal dalam penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.14 Pengujian Reliability Consistency Internal
Konstrak Indikator Item to Total
Correlation Koefisien
Cronbachs Alpha
X11 0,465 X12 0,614
X13 0,575 X14 0,762
X15 0,565 Atribut Produk
X16 0,543 0,611
X21 0,923 Atribut Jasa
X22 0,920 0,821
X31 0,701 X32 0,698
Atribut Pembelian
X33 0,701 0,480
Y11 0,808 Y12 0,792
Kesadaran Merek
Y13 0,753 0,686
Y21 0,705 Y22 0,813
Asosiasi Merek Y23 0,703
0,586 Y31 0,535
Y32 0,725 Y33 0,699
Y34 0,523 Kesan Kualitas
Y35 0,550 0,571
Y41 0,705 Y42 0,779
Kesetiaan Merek Y43 0,811
0,644
Sumber : Lampiran 6
Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di atas menunjukkan belum cukup baik, dengan nilai koefisien Cronbach’s Alpha
belum seluruhnya memenuhi rules of thumb yang disyaratkan yaitu ≥ 0,7 [Hair
et.al.,1998]. Selain itu tidak terjadi eliminasi sebab nilai item to total correlation pada tiap indikator seluruhnya
≥ 0,5.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
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. Construct reliability dan Variance-extracted dihitung dengan rumus sebagai berikut:
j ading
dardize Lo S
Loading Stadardize
liability Construct
2 2
tan Re
j ading
dardize Lo S
Loading Stadardize
xtracted Variance E
2 2
tan Sementara
j
dapat dihitung dengan formula
j
= 1 – [Strespondenrdize loading] secara umum, nilai construct reliability yang dapat diterima adalah
0,5 Hair at, 1998. Strespondenrdize loading dapat diperoleh dari output AMOS
4.01, dengan melihat estimasi setiap construct strespondenrdize regression weight terhadap setiap butir sebagai indikatornya.
2
tan 1
ading dardize Lo
S j
Hasil pengujan Construct Reliability dan Variance Extraced dalam
penelitian ini akan ditampilkan pada tabel berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.15 Construct Reliability Variance Extrated
Konstrak Indikator Standardize
Factor Loading
SFL Kuadrat
Error [ εj]
Construct Reliability
Variance Extrated
X11 0,998 0,996
0,004 X12 0,046
0,002 0,998
X13 0,018 0,000
1,000 X14 0,011
0,000 1,000
X15 -0,032 0,001
0,999 Atribut
Produk X16 0,043
0,002 0,998
0,190 0,167
X21 0,699 0,489
0,511 Atribut
Jasa X22 0,997
0,994 0,006
0,848 0,741 X31 0,375
0,141 0,859
X32 0,607 0,368
0,632 Atribut
Pembelian X33 0,468
0,219 0,781
0,481 0,243 Y11 0,816
0,666 0,334
Y12 0,545 0,297
0,703 Kesadaran
Merek Y13 0,563
0,317 0,683
0,683 0,427 Y21 0,379
0,144 0,856
Y22 0,995 0,990
0,010 Asosiasi
Merek Y23 0,437
0,191 0,809
0,662 0,442 Y31 0,257
0,066 0,934
Y32 0,737 0,543
0,457 Y33 0,739
0,546 0,454
Y34 0,303 0,092
0,908 Kesan
Kualitas Y35 0,276
0,076 0,924
0,592 0,265 Y41 0,455
0,207 0,793
Y42 0,724 0,524
0,476 Kesetiaan
Merek Y43 0,693
0,480 0,520
0,662 0,404
Batas Dapat Diterima
≥ 0,7 ≥ 0,5
Sumber : Lampiran 7 Hasil pengujian reliabilitas instrumen dengan construct reliability dan
variance extracted menunjukkan instrumen cukup reliabel, akan tetapi nilai construct reliability belum seluruhnya
≥ 0,7. Meskipun demikian angka tersebut bukanlah sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat
exploratory, maka nilai 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
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.5. Pengujian Model Dengan One-Step Approach
Kategori