63
4.2.4. Memilih matriks input dan estimasi model
Matriks input yang digunakan pada penelitian ini adalah matriks kovarian. Matriks kovarian umumnya lebih banyak digunakan dalam penelitian mengenai
hubungan kausalitas Baumgartner dan Homburg 1996, dalam Waluyo 2011. Pada Tabel 4.5 berikut disajikan kovarian sampel penelitian ini.
Tabel 4.5. Sample Covariances
– Estimate
X18 X17
X16 X15
X14 X11
X12 X13
X7 X10
X9 X8
X6 X5
X4 X3
X2 X1
X18 1.004
X17 0.832
0.928 X16
0.816 0.828
1.004 X15
1.025 1.072
1.085 1.887
X14 0.862
0.934 0.909
1.194 1.395
X11 0.565
0.599 0.609
0.777 0.744
0.675 X12
0.583 0.597
0.618 0.789
0.746 0.534
0.656 X13
0.452 0.498
0.496 0.662
0.58 0.404
0.361 0.622
X7 0.288
0.328 0.291
0.388 0.412
0.202 0.239
0.202 0.558
X10 0.664
0.745 0.738
1.011 0.848
0.577 0.553
0.519 0.207
1.256 X9
0.709 0.784
0.824 1.057
0.85 0.56
0.55 0.537
0.23 1.016
1.363 X8
0.555 0.593
0.6 0.816
0.559 0.445
0.434 0.345
0.221 0.795
0.862 1.421
X6 0.163
0.16 0.174
0.202 0.18
0.1 0.158
0.119 0.346
0.082 0.153
0.218 0.77
X5 0.254
0.227 0.274
0.246 0.283
0.142 0.198
0.148 0.366
0.131 0.164
0.209 0.427
0.662 X4
0.38 0.379
0.403 0.398
0.361 0.23
0.29 0.191
0.387 0.207
0.283 0.233
0.29 0.4
0.716 X3
0.299 0.341
0.292 0.499
0.385 0.25
0.22 0.233
0.148 0.252
0.259 0.114
0.07 0.043
0.093 0.624
X2 0.378
0.399 0.353
0.549 0.424
0.266 0.28
0.234 0.162
0.37 0.353
0.216 0.098
0.094 0.134
0.275 0.522
X1 0.25
0.311 0.259
0.431 0.312
0.228 0.21
0.167 0.032
0.304 0.236
0.14 -0.107
-0.046 0.004
0.349 0.331
1.009
Sumber: Hasil olah data AMOS 18, 2013 Teknik estimasi yang digunakan adalah Maximum Likelihood Estimation
ML dengan jumlah sampel minimumnya adalah 100 Waluyo, 2011. Estimasi dilakukan secara bertahap, yaitu:
4.2.4.1. Measurement Model Confirmatory Factor Analysis-CFA
Confirmatory factor analysis atau analisis faktor konfirmatori merupakan tahapan estimasi untuk menguji unidimensionalitas dari konstruk eksogen dan
konstruk endogen:
1. CFA konstruk eksogen
Tahap analisis faktor konfirmatori konstruk eksogen ini bertujuan untuk menguji unidimensionalitas dari dimensi-dimensi pembentuk masing-masing
variabel laten. Konstruk eskogen ini terdiri dari 3 unobserved variables
Universita Sumatera Utara
64
variabel latent dengan 10 observed variables variabel manifestindikator sebagai pembentuknya, seperti terlihat pada Gambar 4.1 berikut ini. Hasil
pengolahan data ditampilkan pada Tabel 4.6 dan Tabel 4.7.
Gambar 4.1. Confirmatory Factor Analysis konstruk eksogen
Tabel 4.6. Hasil uji model Confirmatory Factor Analysis konstruk eksogen
Goodness of Fit Indices Cut-Off Value
Hasil Uji Model Evaluasi Model
χ
2
Chi Square χ
2
dengan df 32, p 0,05 = 46,194
38,216 Baik
Probabilitas 0,05
0,208
Baik
CMIN DF 2,00
1,194 Baik
RMSEA 0,08
0,041 Baik
GFI 0,90
0,937
Baik
AGFI 0,90
0,892 Marjinal
TLI 0,95
0,979 Baik
CFI 0,95
0,985
Baik
Sumber: Hasil olah data AMOS 18, 2013 Berdasarkan hasil pengujian confirmatory factor analysis konstruk eksogen
pada Tabel 4.6 di atas didapatkan nilai Chi-Squares model 38,216 dengan probabilitas 0,208 sudah memenuhi syarat model yang baik fit, yaitu lebih
Universita Sumatera Utara
65
kecil dari nilai Chi-Squares pada signifikansiprobabilitas 0,05 dan degree of freedom df 32. Begitu juga bila dilihat dari kriteria fit lainnya, yaitu
RMSEA, GFI, TLI dan CFI, semua juga telah memenuhi syarat yang direkomendasikan sebagai model yang baik. Untuk nilai AGFI 0,892 masih
dapat diterima walau masih dibawah nilai yang direkomendasikan sebagai good fit yaitu 0,90. Nilai AGFI pada batas 0,8
– 0,9 adalah ukuran kecocokan model sebagai marginal fit Joreskog dan Sorbom 1984, dalam Ghozali 2004.
Tabel 4.7. Hasil Regression Weights Confirmatory Factor Analysis konstruk
eksogen
Estimate S.E.
C.R. P
Label Standardized
Reg. Weights X1 ---
komunikasi 1.171
0.245 4.79
par_1 0.570
X2 --- komunikasi
1.207 0.266
4.543 par_2
0.816
X3 --- komunikasi
1 0.619
X4 --- kepuasan_atas kebijakan_pelayanan
1.059 0.175
6.054 par_3
0.725
X5 --- kepuasan_atas kebijakan_pelayanan
1.112 0.16
6.954 par_4
0.791
X6 --- kepuasan_atas kebijakan_pelayanan
1 0.660
X8 --- keahlian_tenaga_penjualan
0.831 0.105
7.899 par_5
0.684
X9 --- keahlian_tenaga_penjualan
1.061 0.104
10.215 par_6
0.891
X10 --- keahlian_tenaga_penjualan
1 0.875
X7 --- kepuasan_atas kebijakan_pelayanan
1.035 0.158
6.544 par_7
0.802
Sumber: Hasil olah data AMOS 18, 2013 Data diolah Berdasarkan Tabel 4.7 di atas, dapat disimpulkan kalau nilai signifikansi dari
semua indikator sudah memenuhi standar, yaitu pada probabilitas P lebih kecil dari 5; = 0,000 0,05. Begitu juga dengan faktor loading semua
indikator, pada nilai standardized reg. weights sudah diatas 0,50 dan telah memenuhi nilai convergent validity. Dengan demikian dapat disimpulkan
bahwa indikator-indikator tersebut di atas secara signifikan merupakan dimensi-dimensi dari variabel-variabel laten yang dibentuk. Berdasarkan
analisis tersebut maka model CFA konstruk eksogen ini dapat dianalisis lebih lanjut dan semua indikator dapat digunakan.
Universita Sumatera Utara
66
2. CFA konstruk endogen
Analisis faktor konfirmatori konstruk endogen bertujuan untuk menguji unidimensionalitas indikator-indikator pembentuk variabel laten konstruk
endogen. Variabel-variabel laten atau konstruk endogen ini terdiri dari 2 unobserved variables variabel latent dan 8 observed variables
indikatorvariabel manifest sebagai pembentuknya, seperti terlihat pada Gambar 4.2 berikut ini. Hasil pengolahan data ditampilkan pada Tabel 4.8 dan
Tabel 4.9.
Tabel 4.8. Hasil uji model Confirmatory Factor Analysis konstruk endogen
Goodness of Fit Indices Cut-Off Value
Hasil Uji Model Evaluasi Model
χ
2
Chi Square χ
2
dengan df 19, p 0,05 = 30,143
27,108 Baik
Probabilitas 0,05
0,102 Baik
CMIN DF 2,00
1,427 Baik
RMSEA 0,08
0,061 Baik
GFI 0,90
0,943 Baik
AGFI 0,90
0,892 Marjinal
TLI 0,95
0,987 Baik
CFI 0,95
0,991 Baik
Sumber: Hasil olah data AMOS 18, 2013
Gambar 4.2. Confirmatory Factor Analysis konstruk endogen
Universita Sumatera Utara
67
Berdasarkan hasil pengujian confirmatory factor analysis konstruk endogen pada Tabel 4.8 di atas didapatkan nilai Chi-Squares 27,108 dengan
probabilitas 0,102 yang sudah memenuhi syarat model yang baik, yaitu lebih kecil dari nilai Chi Squares pada signifikansi 0,05, maka dapat disimpulkan
bahwa model telah memenuhi syarat fit baik. Bila dilihat dari kriteria fit lainnya, yaitu RMSEA, GFI, TLI dan CFI, semua juga telah memenuhi syarat
yang direkomendasikan. Untuk nilai AGFI 0,892 masih dapat diterima walau masih dibawah nilai yang direkomendasikan sebagai good fit yaitu 0,90. Nilai
AGFI pada batas 0,8 – 0,9 adalah ukuran kecocokan model sebagai marginal
fit Joreskog dan Sorbom 1984, dalam Ghozali 2004.
Tabel 4.9. Hasil Regression Weights Confirmatory Factor Analysis
konstruk endogen
Estimate S.E.
C.R. P
Label Standardized
Reg. Weights X13 ---
kepercayaan_kepada_penyalur 1
0.699
X12 --- kepercayaan_kepada_penyalur
1.305 0.151
8.653 par_1
0.888
X11 --- kepercayaan_kepada_penyalur
1.32 0.151
8.716 par_2
0.885
X16 --- komitmen
1
0.908
X15 --- komitmen
1.29 0.095
13.609 par_3
0.854
X14 --- komitmen
1.123 0.081
13.934 par_4
0.865
X17 --- komitmen
1.005 0.056
18.004 par_5
0.950
X18 --- komitmen
0.974 0.066
14.756 par_6
0.884
Sumber: Hasil olah data AMOS 18, 2013 Berdasarkan Tabel 4.9 di atas, dapat terlihat kalau nilai signifikansi semua
indikator sudah memenuhi standar, yaitu pada probabilitas P lebih kecil dari 0,05; = 0,000 0,05. Begitu juga dengan nilai convergent validity yaitu
semua indikator sudah valid dengan faktor loading diatas yang dianjurkan yaitu
≥ 0,50. Dengan demikian dapat disimpulkan bahwa indikator-indikator tersebut di atas secara signifikan merupakan dimensi-dimensi dari variabel-
variabel laten yang dibentuk. Berdasarkan analisis tersebut maka model penelitian ini dapat dianalisis lebih lanjut.
Universita Sumatera Utara
68
4.2.4.2. Structural Equation Model SEM melalui analisis full model
Structural equation model atau model persamaan struktural merupakan tahapan estimasi untuk melihat kesesuaian model dan hubungan kausalitas yang
dibangun dalam model yang diuji. Pengujian model dilakukan dengan dua
pengujian, yaitu uji kesesuaian model Goodness of Fit Test dan uji signifikansi kausalitas
melalui uji koefisien regresi. Hasil pengolahan data untuk analisis SEM full model tersaji pada Gambar 4.3, Tabel 4.10 dan Tabel 4.11 berikut ini.
Gambar 4.3. Hasil Uji Structural Equation Model SEM
Universita Sumatera Utara
69
Tabel 4.10. Hasil uji full model SEM
Goodness of Fit Indices Cut-Off Value
Hasil Uji Model Evaluasi Model
χ
2
Chi Square χ
2
dengan df 125, p 0,05 = 152,094
133,275
Baik
Probabilitas 0,05
0,290
Baik
CMIN DF 2,00
1,066 Baik
RMSEA 0,08
0,024 Baik
GFI 0,90
0,884
Marjinal
AGFI 0,90
0,841 Marjinal
TLI 0,95
0,993 Baik
CFI 0,95
0,994
Baik
Sumber: Hasil olah data AMOS 18, 2013 Hasil pengujianestimasi terhadap full model seperti terlihat pada Tabel
4.10 di atas, menunjukkan bahwa model SEM pada penelitian ini sudah fit baik terhadap data yang digunakan. Terlihat dari tingkat signifikansi P sebesar 0.290
yang sudah sesuai dengan standar yang direkomendasikan 0,05. Nilai Chi- Square model sebesar 133,275, indeks RMSEA, GFI, AGFI, TLI dan CFI
semuanya juga sudah sesuai dengan standar yang direkomendasikan, walau GFI dan AGFI masih dapat diterima dalam rentang indeks marjinal. Maka dapat
disimpulkan bahwa model persamaan struktural ini adalah fit baik dan dapat dipakai untuk analisis selanjutnya.
Universita Sumatera Utara
70
Tabel 4.11. Hasil Regression Weights full model SEM
Estimate S.E.
C.R. P
Label Standardized
Reg. Weights λ
kepercayaan_kepada_penyalur ---
komunikasi 0.3
0.116 2.594
0.009 par_15
0.276
kepercayaan_kepada_penyalur ---
kepuasan_atas kebijakan_pelayanan 0.204
0.085 2.412
0.016 par_16
0.205
kepercayaan_kepada_penyalur ---
keahlian_tenaga_penjualan 0.32
0.062 5.121
par_17 0.567
komitmen ---
kepuasan_atas kebijakan_pelayanan 0.214
0.104 2.055
0.04 par_18
0.117
komitmen ---
keahlian_tenaga_penjualan 0.241
0.091 2.663
0.008 par_19
0.233
komitmen ---
kepercayaan_kepada_penyalur 1.081
0.224 4.826
par_20 0.588
komitmen ---
komunikasi 0.331
0.146 2.271
0.023 par_21
0.166
X1 ---
komunikasi 1.118
0.226 4.956
par_1
0.57
X2 ---
komunikasi 1.118
0.205 5.467
par_2 0.793
X3 ---
komunikasi 1
0.648
X4 ---
kepuasan_atas kebijakan_pelayanan 1.136
0.189 6
par_3
0.748
X5 ---
kepuasan_atas kebijakan_pelayanan 1.134
0.17 6.666
par_4 0.777
X6 ---
kepuasan_atas kebijakan_pelayanan 1
0.635
X8 ---
keahlian_tenaga_penjualan 0.82
0.101 8.113
par_5
0.678
X9 ---
keahlian_tenaga_penjualan 1.054
0.088 11.974
par_6
0.889
X10 ---
keahlian_tenaga_penjualan 1
0.879
X7 ---
kepuasan_atas kebijakan_pelayanan 1.085
0.167 6.48
par_7
0.809
X13 ---
kepercayaan_kepada_penyalur 1
0.704
X12 ---
kepercayaan_kepada_penyalur 1.291
0.148 8.711
par_8 0.886
X11 ---
kepercayaan_kepada_penyalur 1.306
0.149 8.777
par_9 0.884
X14 ---
komitmen 1
0.864
X15 ---
komitmen 1.156
0.093 12.481
par_10 0.859
X16 ---
komitmen 0.891
0.064 13.925
par_11 0.907
X17 ---
komitmen 0.898
0.058 15.499
par_22
0.951
X18 ---
komitmen 0.863
0.066 13.004
par_23
0.879
Sumber: Hasil olah data AMOS 18, 2013 Data diolah
Tabel 4.11 di atas menunjukkan hubungan kausalitas antar variabel. Hubungan kausalitas yang signifikan dilihat dari nilai C.R.nya, yaitu
≥1,96 t-tabel dari df 125 dan
α 0,05 dan probabilitas P lebih kecil dari 0,05. Berdasarkan syarat tersebut dapat diketahui bahwa semua hubungan kausalitas
antar variabel yang dianalisis secara parsial adalah positif dan signifikan, karena syarat nilai C.R.
≥1,96 dan probabilitas P lebih kecil dari 0,05 terpenuhi.
4.2.5. Menilai masalah identifikasi
Masalah identifikasi pada prinsipnya adalah masalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan suatu
estimasi yang unik. Hasil penilaian masalah identifikasi pada penelitian ini adalah sebagai berikut:
Universita Sumatera Utara
71
5. Tidak ditemukan standard error yang sangat besar, 6. Program mampu menghasilkan matrik informasi yang seharusnya disajikan,
7. Tidak ada muncul varian error yang negatip, 8. Tidak ada muncul korelasi yang sangat tinggi antar koefisien estimasi 0,9.
Jadi, dapat disimpulkan bahwa tidak terdapat masalah identifikasi dalam pengembangan model penelitian.
4.2.6. Evaluasi Kriteria Goodness of Fit