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