Deskripsi Hasil Teknik Analisis Data r. kurtosis r.

77

4.3. Deskripsi Hasil Teknik Analisis Data

4.3.1. Asumsi Model

4.3.1.1. Uji Normalitas Sebaran dan 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 4.10. Hasil Pengujian Normalitas Variable min max skew

c.r. kurtosis

c.r.

x21 4,000 7,000 ,037 ,157 -,507 -1,086 x22 3,000 7,000 ,025 ,109 -,378 -,809 x23 3,000 7,000 -,334 -1,429 ,383 ,819 y4 4,000 7,000 -,131 -,560 -,321 -,688 y3 4,000 7,000 ,399 1,711 -,144 -,308 y2 4,000 7,000 -,136 -,581 -,590 -1,264 y1 4,000 7,000 ,279 1,196 -,441 -,944 x131 3,000 7,000 -,239 -1,022 ,201 ,430 x132 4,000 7,000 ,224 ,960 -,129 -,276 x133 4,000 7,000 ,376 1,608 -,087 -,185 x121 3,000 7,000 -,198 -,847 -,549 -1,176 x122 3,000 7,000 -,154 -,661 -,306 -,655 x123 4,000 7,000 ,077 ,328 -,382 -,818 x111 4,000 7,000 ,152 ,652 -,299 -,641 x112 3,000 7,000 ,253 1,085 ,698 1,495 x113 4,000 7,000 ,335 1,435 -,249 -,534 x114 4,000 7,000 ,036 ,153 -,264 -,566 x115 4,000 7,000 ,090 ,386 -,577 -1,235 Multivariate -7,508 -1,467 Sumber : Lampiran 3 78 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. 4.3.1.2. 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 = 2. Ketentuan : bila Mahalanobis dari nilai 2 adalah multivariate outlier. Pada penelitian ini terdapat outlier apabila nilai Mahalanobis distancenya 42,312. Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate : 79 Tabel 4.11. Hasil Pengujian Outlier Multivariate Residuals Statistics a 21,57 89,81 55,50 16,567 110 -2,048 2,071 ,000 1,000 110 8,431 17,266 12,307 1,511 110 16,06 92,70 55,80 17,416 110 -71,119 71,821 ,000 27,259 110 -2,384 2,407 ,000 ,914 110 -2,662 2,540 -,005 1,002 110 -88,704 79,941 -,300 32,833 110 -2,757 2,620 -,006 1,013 110 7,715 35,521 17,836 4,670 110 ,000 ,092 ,011 ,015 110 ,071 ,326 ,164 ,043 110 Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cooks Distance Centered Leverage Value Minimum Maximum Mean Std. Deviation N Dependent Variable: no a. Sumber : Lampiran 4 Berdasarkan tabel diatas, setelah dilakukan pengujian ditemukan nilai MD maksimum adalah 35,521 lebih kecil dari 42,312. Oleh karena itu diputuskan dalam penelitian tidak terdapat outlier multivariate antar variabel. 4.3.1.3. 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 18,856 mengindikasikan tidak terjadi multikolinieritas dan singularitas dalam data ini sehingga asumsi terpenuhi. 80

4.3.1.4. 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 derajad sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct 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 : Tabel 4.12 Faktor Loading dan Konstruk dengan Confirmatory Factor Analysis Faktor Loading Konstrak Indikator 1 2 3 4 x111 0,770 x112 0,798 x113 0,828 x114 0,758 Brand Characteristic x115 0,743 x121 0,546 x122 0,634 Company Characteristic x123 0,827 x131 0,665 x132 0,733 Consumer Brand Characteristic x133 0,584 x21 0,558 x22 0,630 Switching Cost x23 0,767 y1 0,515 y2 0,581 y3 0,822 Brand Loyalty y4 0,691 Sumber : Hasil Pengolahan Data Lampiran 5 81 Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya baik. Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala [variabel atau indikator observasian]. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi item-item yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan. Hasil pengujian reliabilitas Consistency Internal dalam penelitian ini dapat dilihat pada tabel berikut ini : Tabel 4.13. Pengujian Reliability Consistency Internal Konstrak Indikator Item to Total Correlation Koefisien Cronbachs Alpha x111 0,720 x112 0,736 x113 0,765 x114 0,701 Brand Characteristic x115 0,693 0,884 x121 0,472 x122 0,523 Company Characteristic x123 0,576 0,702 x131 0,535 x132 0,524 Consumer Brand Characteristic x133 0,490 0,696 x21 0,488 x22 0,522 Switching Cost x23 0,525 0,695 y1 0,468 y2 0,524 y3 0,616 Brand Loyalty y4 0,600 0,754 : tereliminasi Sumber : Lampiran 6 82 Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya 0,5 [Purwanto,2003]. Tidak terjadi eliminasi karena nilai item to total correlation indikator seluruhnya ≥ 0,5. Indikator yang tereliminasi tidak disertakan dalam 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]. 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 : [  Standardize Loading]  Construct Reliability = [  Standardize Loading]  +  j ]  [Standardize Loading 2 ] Variance Extracted =  [Standardize Loading 2 ] +   j Sementara  j dapat dihitung dengan formula  j = 1 – [ Strespondenrdize loading ] secara umum, nilai construct reliability yang dapat diterima adalah  83 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.c.  j = 1 - [Strespondenrdize Loading] 2 Hasil pengujan Construct Reliability dan Variance Extraced dalam penelitian ini akan ditampilkan pada tabel berikut : Tabel 4.14. Construct Reliability Variance Extrated Konstrak Indikator Standardize Factor Loading SFL Kuadrat Error [ εj] Construct Reliability Variance Extrated x111 0,770 0,593 0,407 x112 0,798 0,637 0,363 x113 0,828 0,686 0,314 x114 0,758 0,575 0,425 Brand Characteristic x115 0,743 0,552 0,448 1,355 0,779 x121 0,546 0,298 0,702 x122 0,634 0,402 0,598 Company Characteristic x123 0,827 0,684 0,316 1,141 0,669 x131 0,665 0,442 0,558 x132 0,733 0,537 0,463 Consumer Brand Characteristic x133 0,584 0,341 0,659 1,148 0,661 x21 0,558 0,311 0,689 x22 0,630 0,397 0,603 Switching Cost x23 0,767 0,588 0,412 1,129 0,652 y1 0,515 0,265 0,735 y2 0,581 0,338 0,662 y3 0,822 0,676 0,324 Brand Loyalty y4 0,691 0,477 0,523 1,278 0,652 Batas Dapat Diterima ≥ 0,7 ≥ 0,5 Sumber : Hasil Pengolahan Data Lampiran 7 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 84 sepanjang disertai alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.

4.3.2. Pengujian Model Dengan

One-Step Approach 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 aprroach to SEM digunakan apabila model diyakini bahwa dilrespondensi teori yang kuat serta validitas 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 di bawah ini. x11 x115 ,28 er_5 1,00 1 x114 ,19 er_4 ,86 1 x113 ,20 er_3 1,11 1 x112 ,19 er_2 ,98 1 x111 ,23 er_1 ,98 1 x12 x123 ,14 er_8 1,00 1 x122 ,31 er_7 ,82 1 x121 ,47 er_6 ,80 1 x13 x133 ,36 er_11 1,00 1 x132 ,16 er_10 1,01 1 x131 ,26 er_9 1,05 1 y y1 ,25 er_15 1,00 1 y2 ,22 er_16 1,12 1 y3 ,12 er_17 1,67 1 y4 ,24 er_18 1,56 1 ,32 x2 x23 ,22 er_14 1,00 1 x22 ,38 er_13 ,88 1 x21 ,36 er_12 ,71 1 ,09 x1 ,53 ,15 1,03 ,58 1,00 ,05 d_y 1 ,06 ,26 er_x1 1 ,28 er_x2 1 ,10 er_x3 1 Gambar 4.1. Model Pengukuran Kausalitas One Step Approach-Base Model 85 Tabel 4.15. Hasil Pengujian Kriteria Goodness of fit Kriteria Hasil Nilai Kritis Evaluasi Model CminDF 0,610 ≤ 2,00 Baik Probability 1,000 ≥ 0,05 Baik RMSEA 0,000 ≤ 0,08 Baik GFI 0,926 ≥ 0,90 Baik AGFI 0,902 ≥ 0,90 Baik TLI 1,114 ≥ 0,95 Baik CFI 1,000 ≥ 0,94 Baik Sumber : Hasil Pengolahan data Dari hasil evaluasi terhadap model one step model 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 dilrespondensi 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. Dilihat dari angka determinant of sample covariance matrix : 18,856 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.

4.3.3. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstrespondenr, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p [probability] yang sama dengan nilai t hitung . Apabila t hitung lebih besar daripada t tabel berarti signifikan. 86 Tabel 4.16. Hasil Pengujian Kausalitas Regression Weights Faktor  Faktor Ustd Estimate Std Estimate Prob. Brand Loyalty  Trust In Brand 0,531 0,526 0,041 Brand Loyalty  Switching Cost 0,153 0,289 0,071 Batas Signifikansi ≤ 0,10 Sumber : Lampiran 8 Dilihat dari tingkat probabilitas arah hubungan kausal, hipotesis yang menyatakan bahwa : e. Faktor Trust In Brand berpengaruh positif terhadap Faktor Brand Loyalty, dapat diterima [Prob. kausalnya 0,041 ≤ 0,10 [signifikan [positif]. f. Faktor Switching Cost berpengaruh positif terhadap Faktor Brand Loyalty, dapat diterima [Prob. kausalnya 0,071 0,10 [signifikan [positif].

4.4. Pembahasan