76
Dari kedua informasi yaitu nilai √AVE dari masing-masing konstrukdan nilai korelasi antar konstruk dapat disusun tabel sebagai perbandingan untuk
menentukan evaluasi discriminant validity yang disajikan pada tabel 4.7 dibawah ini :
Tabel 4.6 Perbandingan Nilai √AVE dan Nilai Korelasi Antar Konstruk
KONSTRUK
Kredibilitas Perusahaan
Kredibilitas Ebdorser
Citra Merek Sikap Merek
Kredibilitas Perusahaan
0,761173272
Kredibilitas Endorser
0,106 0,775276402
Citra Merek 0,293
0,318 0,719217978
Sikap Merek 0,334
0,175 0,367
0,785384142
Sumber: data diolah oleh peneliti Berdasarkan tabel 4.6 di atas dapat disimpulkan
bahwa nilai √AVE masing-masing konstruk lebih tinggi dibandingkan nilai korelasi antar konstruk
yang menunjukkan adanya discriminant validity yang baik Ghazali, 2008: 139.
C. Evaluasi Asumsi SEM, dan Uji Model Persamaan Struktural.
1. Evaluasi Asumsi SEM.
a. Evaluasi Asumsi Kecukupan Sampel.
Penetapan ukuran sampel dalam penelitian ini mengacu kepada pendapat Ramadiani 2010: 16 yang menyatakan bahwa syarat jumlah sampel minimum
dalam penelitian dengan menggunakan metode Structural Equation Modelling SEM harus sesuai dengan jumlah variabel yang teramati observed variable
dengan rumus sebagai berikut:
77
Jumlah Sampel Minimum
= K K + 1
2
Dalam penelitian ini jumlah observed variable yang digunakan sebanyak 16. Maka, jumlah sampel minimum yang harus diperoleh dalam penelitian ini
adalah sebanyak 136 sampel. Dari kuisioner yang terkumpul dan dapat diolah oleh peneliti menunjukkan bahwa sebanyak 162 sampel dapat diolah. Maka, asumsi
kecukupan sampel dinyatakan telah terpenuhi.
b. Evaluasi Normalitas Data.
Tingkat signifikansi yang digunakan dalam penelitian ini adalah 1 0,01. Maka mengacu pada pendapat Ghazali 2008: 84 bahwa pada tingkat signifikansi
1 0,01 data dikatakan normal secara univariate apabila nilai critical ratio skewness kemencengan semua indikator pada rentang ±2,58, dan data dikatakan
normal secara multivariate apabila nilai critical ratio multivariate memiliki nilai pada rentang ±2,58.
Hasil uji normalitas data univariate dan multivariate dalam penelitian ini dapat dilihat pada tabel 4.8 di bawah ini:
Tabel 4.7 Uji Normalitas Data Univariate dan Multivariate
Variable Min
max skew
c.r. kurtosis
c.r. SM1
3,000 5,000
-,079 -,411
-,399 -1,038
SM2 3,000
5,000 -,204
-1,057 -,703
-1,826 SM3
2,000 5,000
-,258 -1,340
-,709 -1,842
SM4 3,000
5,000 -,056
-,290 -,370
-,962 CM1
2,000 5,000
-,100 -,518
-,539 -1,401
CM2 2,000
5,000 -,308
-1,602 -,256
-,666 CM3
3,000 5,000
-,061 -,317
-,452 -1,175
CM4 2,000
5,000 -,185
-,962 ,232
,604 KE1
2,000 5,000
-,366 -1,903
,451 1,171
78
Variable Min
max skew
c.r. kurtosis
c.r. KE2
2,000 5,000
-,170 -,885
-,660 -1,714
KE3 2,000
5,000 -,356
-1,851 ,148
,384 KE4
2,000 5,000
-,070 -,366
-,380 -,988
KP1 2,000
5,000 -,468
-2,433 -,252
-,654 KP2
3,000 5,000
-,138 -,720
-,509 -1,323
KP3 2,000
5,000 -,258
-1,339 -,390
-1,013 KP4
3,000 5,000
-,045 -,233
-,460 -1,195
Multivariate 3,769
,999 Sumber: output amos 18
Dari tabel 4.7 diatas dapat dilihat bahwa data terdistribusi normal secara univariate dengan nilai critical ratio skewness kemencengan pada masing-
masing indikator masih pada rentang ±2,58. Sedangkan secara critical ratio multivariate memberikan nilai 0,999 juga masih pada rentang ±2,58 yang
menunjukkan data secara multivariate terdistribusi normal.
c. Evaluasi Outlier.
Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi
lainnya Weston dan Gore, 2006: 735 serta Ghazali, 2008: 227. Deteksi terhadap univariate outlier dilakukan dengan mengkonversi data
ke dalam z-score yang memiliki nilai means = 0 dan standar deviasi = 1, nilai z- score antara 3 sampai 4 dinyatakan outlier Ghazali, 2007: 37.
Maka untuk mendeteksi adanya univariate outlier dalam penelitian ini akan dilakukan konversi data terlebih dahulu ke dalam nilai z-score dengan
ketentuan mean = 0 dan standar deviasi = 1. Berikut ini adalah deteksi terhadap univariate outlier dalam penelitian ini: