Evaluasi Normalitas Analisis Model SEM

variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance extracted dapat dilihat dalam tabel 4.16. Tabel 4.11. Construct Reliability dan Variance Extracted Construct Reliability Variance Extrated Konstrak Indikator Standardize Factor Loading SFL Kuadrat Error [ εj] Construct Reliability Variance Extrated X11 0.836 0.699 0.301 X12 0.919 0.845 0.155 Pleasure X14 0.794 0.630 0.370 0.630 0.630 X21 0.220 0.048 0.952 X22 0.883 0.780 0.220 Arousal X23 0.970 0.941 0.059 0.777 0.590 X31 0.844 0.712 0.288 Dominance X32 0.708 0.501 0.499 0.754 0.607 X41 0.998 0.996 0.004 X42 0.715 0.511 0.489 Perception X43 0.955 0.912 0.088 0.925 0.806 Y2 0.758 0.575 0.425 Y3 0.872 0.760 0.240 Y4 0.926 0.857 0.143 Shopping Experience Y5 0.815 0.664 0.336 0.909 0.714 Batas Dapat Diterima ≥ 0,7 ≥ 0,5 Sumber : data diolah Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen cukup reliabel, yang ditunjukkan dengan 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.

4.2.5. Evaluasi Normalitas

Uji normalitas sebaran dilakukan dengan Skewness 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. Hasilnya diperoleh nilai 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 4.12. Normalitas Data Assessment of normality Variable min max kurtosis c.r. X11 4 7 -0.715 -1.593 X12 3 7 -0.571 -1.272 X13 3 7 -0.372 -0.829 X14 4 7 -0.759 -1.690 X21 3 7 -1.029 -2.292 X22 3 7 -1.145 -2.550 X23 3 7 -1.030 -2.295 X31 3 7 -0.894 -1.990 X32 3 7 -0.637 -1.419 X41 3 7 -0.515 -1.148 X42 3 7 -0.503 -1.120 X43 3 7 -0.633 -1.411 Y2 3 7 -0.436 -0.970 Y3 3 7 -0.411 -0.915 Y4 3 7 -0.455 -1.013 Y5 3 7 -0.684 -1.522 Multivariate -2.514 -0.571 Batas Normal ± 2,58 Sumber : data diolah Hasil uji menunjukkan bahwa nilai 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.

4.2.6. Analisis Model SEM

Dalam model SEM, model pengukuran dan model struktural parameter- parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan MODEL PENGUKURAN STRUKTURAL Environmental Response, Perception, Shopping Experience Model Specification : One Step Approach - Base Model Pleasure Arousal 1 Enviromental Response d_pl 1 d_ar 1 X11 er_13 1 1 X12 er_14 1 X21 er_1 1 1 X22 er_2 1 Dominance d_do X31 er_17 1 1 1 Perception d_pc X41 er_4 X42 er_5 1 1 1 1 X43 er_6 1 X13 er_15 1 X23 er_3 1 X32 0,005 er_18 1 X14 er_16 1 Shopping Experience d_se Y1 er_7 Y2 er_8 Y3 er_9 1 1 1 1 1 Y4 er_10 1 Y5 er_11 1 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. Gambar. 4.1 Sumber : data diolah Tabel 4.13. 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 1.249 ≤ 2,00 baik Probability 0.036 ≥ 0,05 kurang baik RMSEA 0.046 ≤ 0,08 baik GFI 0.881 ≥ 0,90 kurang baik AGFI 0.842 ≥ 0,90 kurang baik TLI 0.967 ≥ 0,95 baik CFI 0.972 ≥ 0,94 baik Sumber : data diolah MODEL PENGUKURAN STRUKTURAL Environmental Response, Perception, Shopping Experience Model Specification : One Step Approach - Elimination Model Pleasure Arousal 1 Enviromental Response d_pl 1 d_ar 1 X11 er_13 1 1 X12 er_14 1 X21 er_1 1 1 X22 er_2 1 Dominance d_do X31 er_17 1 1 1 Perception d_pc X41 er_4 X42 er_5 1 1 1 1 X43 er_6 1 X13 er_15 1 X23 er_3 1 X32 0,005 er_18 1 X14 er_16 1 Shopping Experience d_se Y2 er_8 Y3 er_9 1 1 1 1 Y4 er_10 1 Y5 er_11 1 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 bawah ini. Gambar. 4.2 Sumber : data diolah Tabel 4.14. Evaluasi Kriteria Goodness of Fit Indices Model One- Step Approach – Modifikasi Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil Nilai Kritis Evaluasi Model CminDF 1.051 ≤ 2,00 baik Probability 0.344 ≥ 0,05 baik RMSEA 0.000 ≤ 0,08 baik GFI 0.902 ≥ 0,90 baik AGFI 0.900 ≥ 0,90 baik TLI 0.994 ≥ 0,95 baik CFI 0.995 ≥ 0,94 baik Sumber : data diolah Dari hasil evaluasi terhadap model one step approach 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 oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model.

4.2.7. Uji Kausalitas