4.3. Analisis Dan Pengujian Hipotesis 4.3.1. Uji 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 atau
mutivariat Hair, 1998. Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada
outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi
dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998; Tabachnick
Fidel, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang
digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut: Tabel 4.3. Hasil Uji Outlier
Residuals Statistics a Minimum
Maximum Mean
Std. Deviation N
Predicted Value 28.034
84.676 55.500
12.170 110
Std. Predicted Value -2.257
2.397 0.000
1.000 110
Standard Error of Predicted Value 6.405
14.297 10.132
1.690 110
Adjusted Predicted Value 23.810
84.156 55.374
12.888 110
Residual -69.458
64.340 0.000
29.485 110
Std. Residual -2.234
2.069 0.000
0.948 110
Stud. Residual -2.403
2.275 0.002
1.009 110
Deleted Residual -80.380
77.751 0.126
33.409 110
Stud. Deleted Residual -2.464
2.325 0.002
1.016 110
Mahalanobis Distance [MD] 3.633
22.049 10.900
3.929 110
Cooks Distance 0.000
0.090 0.011
0.016 110
Centered Leverage Value 0.033
0.202 0.100
0.036 110
a Dependent Variable : NO. RESP
Sumber : Data Diolah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu
dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis
lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers
. Nilai
2 0.001
dengan jumlah variabel 11 adalah sebesar 31,264. Hasil analisis Mahalanobis diperoleh nilai 22,049 yang kurang dari
2
tabel 31,264 tersebut. Dengan demikian, tidak terjadi multivariate outliers.
4.3.2. Uji Reliabilitas
Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala variabel atau observasi
indikator. 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 Purwanto, 2002. Hasil selengkapnya dapat dilihat pada tabel berikut:
Tabel 4.4. Uji Reliabilitas
Pengujian Reliability Consistency Internal Konstrak Indikator
Item to Total Correlation
Koefisien Cronbachs Alpha
X11 0.805
X12 0.803
X13 0.863
Threat Emotion X14
0.787 0.831
X21 0.689
X22 0.638
X23 0.593
Brand Trust X24
0.556 0.465
Y1 0.872
Y2 0.919
Purchase Intention Y3
0.868 0.863
Sumber: Data Diolah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya 0,5 [Purwanto,2003]. Terjadi eliminasi karena nilai item to total
correlation indikator seluruhnya ada yang tidak
≥ 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 cukup baik dimana koefisien
Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of thumb yang disyaratkan yaitu
≥ 0,7 Hair et.al.,1998; Sekaran,2003.
4.3.3. Uji Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable
construct akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada
tabel di bawah ini. Tabel 4.5. Uji Validitas
Standardize Faktor Loading dan Construct dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X11
0.544 X12
0.627 X13
0.961 Threat Emotion
X14 0.706
X21 0.755
X22 0.997
X23 -0.106
Brand Trust X24
-0.104 Y1
0.773 Y2
0.949 Purchase
Intention Y3
0.749
Sumber: Data Diolah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings
masing masing butir pertanyaan yang membentuk setiap construct sebagian besar
≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya cukup baik.
4.3.4. Uji Construct Reliability dan Variance Extracted
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 Purwanto, 2002. Dan variance extracted direkomendasikan
pada tingkat 0,50. Hasil perhitungan construct reliability
dan variance extracted dapat dilihat dalam tabel 4.6. Tabel 4.6. Construct Reliability dan Variance Extracted
Construct Reliability Variance Extrated Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[εj] Construct
Reliability Variance
Extrated X11
0.544 0.296 0.704
X12 0.627 0.393
0.607 X13
0.961 0.924 0.076
Threat Emotion X14
0.706 0.498 0.502
0.810 0.528 X21
0.755 0.570 0.430
X22 0.997 0.994
0.006 X23
-0.106 0.011 0.989
Brand Trust X24
-0.104 0.011 0.989
0.496 0.397 Y1
0.773 0.598 0.402
Y2 0.949 0.901
0.099 Purchase Intention
Y3 0.749 0.561
0.439 0.866 0.686
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
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
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.
4.3.5. Uji 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 4.7. Uji Normalitas
Assessment of normality Variable min
max kurtosis
c.r. X11
3 7 -0.817 -1.750
X12 3 8 -0.138
-0.296 X13
3 7 -0.707 -1.515
X14 3 7 -0.842
-1.803 X21
4 7 -0.810 -1.734
X22 3 7 -0.805
-1.724 X23
3 7 -0.523 -1.120
X24 3 7 -0.618
-1.323 Y1
3 7 -0.499 -1.068
Y2 3 7 -0.500
-1.070 Y3
3 7 -0.634 -1.358
Multivariate
-3.843 -1.192
Batas Normal ± 2,58
Sumber: Data Diolah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.4. Structural Equation Modelling 4.4.1. Evaluasi Model One – Step Approach to SEM
