60
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 faktor loading
faktor dari hubungan antara setiap observed variabel dan latent variablel. Dari hasil pengolahan data didapatkan hasil sebagai berikut :
Tabel 4.11. Validitas Data
Faktor Loading Konst r ak I ndik at or
1 2 3 4 X11 0,286
X12 0,682 X13 0,348
Advertisement Effectivity
X14 0,532 X21 0,469
Customer Attitude X22 0,447
X31 0,484
Customer Belief X32
0,394 Y1
0,337 Y2
0,448 Purchase Intention
Y3 0,699
Sumber : Lampiran 3
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings
masing masing butir pertanyaan yang membentuk setiap
construct belum seluruhnya
≥ 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 crobach’s alpha
, perlu juga dilakukan pengujian construct reliability dan variance extracted
. Kedua pengujian tersebut masih termasuk uji konsistensi
61
internal yang akan memberikan penelitian kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran
yang sama.
Tabel 4.12. Construct Reliability Variance Extracted
Konst r ak I ndikat or Standardize
Factor Loading
SFL Kuadrat
Error [εj] Construct
Reliability Variance
Extrated X11 0,286
0,082 0,918
X12 0,682 0,465
0,535 X13 0,348
0,121 0,879
Advertisement Effectivity
X14 0,532 0,283
0,717 0,528 0,238
X21 0,469 0,220
0,780 Customer
Attitude X22 0,447
0,200 0,800
0,347 0,210 X31 0,484
0,234 0,766
Customer Belief
X32 0,394 0,155
0,845 0,324 0,195
Y1 0,337 0,114
0,886 Y2 0,448
0,201 0,799
Purchase Intention
Y3 0,699 0,489
0,511 0,501 0,268
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber : Lampiran 3
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha
, perlu juga dilakukan pengujian construct reliability dan variance extracted
. Kedua pengujian tersebut masih termasuk uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar
bahwa indikator-indikator individual mengukur suatu pengukuran yang sama.
Hasil pengujian reliabilitas instrumen dengan construct reliability
dan variance extracted menunjukkan instrumen kurang 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
62
alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted
direkomendasikan pada tingkat 0,50. Purwanto, 2003
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. multivariate diantara
2,58 dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada
tabel 4.12 berikut ini :
Tabel 4.13. Normalitas Data
Variable min max kurtosis c.r.
X11 1 5
0,825 1,766
X12 1 5
0,646 1,383
X13 2 5
- 0,620 - 1,327
X14 1 5
0,326 0,697
X21 2 5
- 0,317 - 0,679
X22 3 5
- 0,706 - 1,510
X31 2 5
- 0,225 - 0,483
X32 1 4
1,273 2,725
Y1 1 4
1,187 2,542
Y2 1 5
1,034 2,215
Y3 1 5
0,848 1,815
Multivariate
15,499 4,806
Batas Normal ± 2,58
Sumber : Lampiran 3
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
63
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 uji menunjukkan bahwa nilai c.r. mutivariate berada di luar ± 2,58 yaitu 4,806
itu berarti asumsi normalitas tidak 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.
4.3.6. Evaluasi Model One-Step Approach to SEM