Measurement Model Confirmatory Factor Analysis-CFA

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