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 indikator 12 adalah sebesar 32,909. Hasil analisis Mahalanobis diperoleh nilai 33,076 lebih dari
2
tabel 32,909 tersebut. Dengan demikian, terjadi multivariate outliers.
4.2.2. Evaluasi 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 4.17. Reliabilitas Data
Konstrak Indikator Item to Total
Correlation Koefisien
Cronbachs Alpha X11
0.596 X12
0.510 Advertising
X13 0.516
-0.203 X21
0.579 X22
0.543 Customer Attitude
X23 0.563
-0.087 X31
0.638 X32
0.499 Customer
Confidence X33
0.626 0.064
Y1 0.676
Y2 0.742
Purchase Intention Y3
0.639 0.439
: tereliminasi
Sumber : Lampiran
Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya 0,5 [Purwanto,2003]. Tidak terjadi eliminasi karena
nilai item to total correlation indikator seluruhnya ≥ 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 kurang baik dimana koefisien Cronbach’s Alpha yang diperoleh belum seluruhnya memenuhi
rules of thumb yang disyaratkan yaitu ≥ 0,7 [Hair et.al.,1998].
4.2.3. Evaluasi 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 faktor dari hubungan
antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini.
Tabel 4.18. Validitas Data
Faktor Loading Konstrak Indikator
1 2 3 4 X11
-0.184 X12
0.496 Advertising
X13 0.245
X21 0.126
X22 -0.190
Customer Attitude
X23 0.369
X31 0.233
X32 0.319
Customer Confidence
X33 -0.107
Y1 0.255
Y2 0.997
Purchase Intention
Y3 0.250
Sumber : Lampiran
Berdasarkan hasil confirmatory faktor analysis terlihat bahwa faktor loadings masing masing butir pertanyaan yang membentuk setiap construct belum
seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat
dikatakan validitasnya kurang baik.
4.2.4. Evaluasi Construct Reliability dan Variance Extracted
