46
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 14 adalah sebesar 36,123. Hasil analisis Mahalanobis diperoleh nilai 35,969 yang lebih kecil dari
2
tabel 36,123 tersebut. Dengan demikian tidak terjadi multivariate outliers.
4.2.2. Evaluasi Reliabilitas
Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala [variabel atau indikator observasian]. Sementara itu item to total
correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi item-item yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang
dihasilkan. Hasil selengkapnya dapat dilihat pada tabel berikut :
47
Tabel 4.11. Reliabilitas Data
Konstrak Indikator Item to Total
Correlation Koefisien
Cronbachs Alpha X11
0.892 Produk
X
1
X12 0.882 0.729
X21 0.677
Pelayanan X
2
X22 0.822
0.234 X31
0.779 Pembelian
X
3
X32 0.801
0.398 Y11
0.718 Cognitive
Y
1
Y12 0.781
0.221 Y21
0.752 Affective
Y
2
Y22 0.689
0.076 Y31
0.542 Conative
Y
3
Y32 0.776
-0.235 Y41
0.705 Action
Y
4
Y42 0.807
0.256
: tereliminasi
Sumber : Lampiran 3
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]
48
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 setiap latent variable construct
akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable
dan latent variable. Hasil analisis tampak pada tabel 4.13 berikut ini:
Tabel 4.12. Validitas Data
Faktor Loading Konstrak Indikator
1 2 3 4 X11 0.951
Produk X
1
X12 0.610
X21 0.584
Pelayanan X
2
X22 0.324
X31 0.528 Pembelian
X
3
X32 0.478 Y11
0.142 Cognitive
Y
1
Y12 0.962
Y21 0.195 Affective
Y
2
Y22 0.077 Y31
0.067 Conative
Y
3
Y32 0.999
Y41 0.198
Action Y
4
Y42 0.999
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 kurang baik
49
4.2.4. Evaluasi Construct Reliability dan Variance Extracted
