4.3. Deskripsi Hasil Analisis dan Uji Hipotesis
4.3.1. Asumsi Model
4.3.1.1. Uji Normalitas Sebaran dan Linieritas
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai
statistik untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak
normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58.
Hasil pengujian Normalitas pada penelitian ini akan ditampilkan pada tabel berikut :
Tabel 4.6 : Hasil Pengujian Normalitas
Variable min max
skew c.r.
kurtosis c.r.
y3 4,000 7,000 ,477 2,025
-,035 -,074 y2
4,000 7,000 -,042 -,177 -,565 -1,198
y1 4,000 7,000 ,618 2,623
,088 ,186 x25
4,000 7,000 ,018 ,076 -,239 -,508
x21 4,000 7,000 ,488 2,072
-,196 -,415 x22 4,000
7,000 -,033
-,138 -,258
-,548 x23
4,000 7,000 ,485 2,058 -,103 -,218
x24 4,000 7,000 ,726 3,079
,110 ,233 x11
4,000 7,000 ,617 2,620 ,339 ,719
x12 4,000
7,000 ,187 ,795 -,269 -,571 x13
4,000 7,000 ,488 2,072 -,196 -,415
x14 4,000
7,000 ,044 ,185 -,214 -,454 Multivariate
-7,669 -2,174
Sumber : lampiran 3 Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada pada
nilai -2,174 itu berarti asumsi normalitas terpenuhi.
4.3.1.2.Evaluasi atas Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi -observasi lainnya dan
muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair,1998.
Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada
tingkat p 0,001. Jarak diuji dengan Chi-Square 2 pada df sebesar
jumlah variabel bebasnya df = n-k-1. Ketentuan : bila Mahalanobis dari nilai
2 adalah multivariate outlier. Pada penelitian ini terdapat outlier
apabila nilai Mahalanobis distancenya 32,909. Untuk lebih memperjelas uraian mengenai evaluasi outlier
multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate :
Tabel 4.7. : Hasil Pengujian Outlier Multivariate
Residuals Statistics
a
25,21 93,99
54,50 12,976
108 -2,258
3,043 ,000
1,000 108
6,495 14,148
10,391 1,488
108 24,59
93,83 54,71
13,473 108
-60,809 59,205
,000 28,507
108 -2,010
1,957 ,000
,942 108
-2,113 2,045
-,003 1,001
108 -67,179
65,101 -,212
32,180 108
-2,153 2,081
-,004 1,007
108 3,940
22,410 11,889
3,623 108
,000 ,044
,010 ,011
108 ,037
,209 ,111
,034 108
Predicted Value Std. Predicted Value
Standard Error of Predicted Value
Adjusted Predicted Value Residual
Std. Residual Stud. Residual
Deleted Residual Stud. Deleted Residual
Mahal. Distance Cooks Distance
Centered Leverage Value Minimum
Maximum Mean
Std. Deviation N
Dependent Variable: NO a.
Sumber : lampiran 4
Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 22,410
lebih kecil dari 32,909. Oleh karena itu diputuskan dalam penelitian tidak terdapat outlier multivariate antar
variabel. 4.3.1.3.Deteksi
Multicollinierity dan Singularity
Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil,
maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1998.
Berdasarkan hasil pengujian dengan menggunakan program AMOS 16.0 diperoleh hasil Determinant of Sample Covariance Matrix
adalah 0 yaitu sebesar 18.893 mengindikasikan tidak terjadi multikolinieritas dan singularitas dalam data ini sehingga asumsi
terpenuhi. 4.3.1.4.
Uji Validitas dan Reliabilitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang
seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang
menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum.
Karena indikator multidimensi, maka uji validitas dari setiap latent variabel
construct akan diuji dengan melihat faktor loading faktor dari
hubungan antara setiap observed variabel dan latent variabel. Sedangkan reliabilitas diuji dengan construct reliability dan variance extracted. Dari
hasil pengolahan data didapatkan hasil sebagai berikut : Tabel 4.8. : Faktor Loading dan Konstruk dengan Confirmatory Factor
Analysis
Faktor Loading Konstrak Indikator
1 2 3 4
x11 0,708
x12 0,740
x13 0,816
Harga x14
0,560 x21
0,764 x22
0,751 x23
0,640 x24
0,728 Kualitas Produk
x25 0,724
y1 0,790
y2 0,659
Kepuasan Konsumen
y3 0,826
Sumber : Lampiran 5 Berdasarkan hasil confirmatory factor analysis terlihat bahwa
factor loadings masing masing butir pernyataan yang membentuk setiap
construct sebagian besar 0.5, sehingga butir-butir instrumentasi setiap
konstruk tersebut dapat dikatakan validitasnya cukup baik dan dapat diterima.
Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala variabel atau indikator observarian. 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.
Hasil pengujian reliabilitas Consistency Internal dalam penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 4.9. : Pengujian Reliability Consistency Internal
Konstrak Indikator Item to Total Correlation
Koefisien Cronbachs Alpha
x11 0,615
x12 0,652 x13
0,690 Harga
x14 0,470 0,793
x21 0,700 x22 0,675
x23 0,597 x24 0,639
Kualitas Produk x25 0,644
0,844 y1 0,668
y2 0,627 Kepuasan
Konsumen y3 0,672
0,807 : tereliminasi
Sumber : lampiran 6 Hasil pengujian reliabilitas konsistensi internal untuk setiap
construct di atas menunjukkan hasil yang baik dimana koefisien
koefisien Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of thumb
yang disyaratkan yaitu 0.7 Hair et.al.,1998. Selain melakukan pengujian konsistensi internal Cronbach’s
Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih termasuk uji
konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu
pengukuran yang sama. Construct reliability
dan Variance-extracted dihitung dengan rumus sebagai berikut:
[ Standardize Loading]
Construct Reliability = [
Standardize Loading]
+
j
] [Standardize Loading
2
] Variance Extracted =
[Standardize Loading
2
] +
j
Sementara
j
dapat dihitung dengan formula
j
= 1 – [ Standardize loading ]
secara umum, nilai construct reliability yang dapat diterima adalah
0,5 Hair at, 1998. Standardize loading dapat diperoleh dari output AMOS 4.01, dengan melihat estimasi setiap
construct standardize regression weight terhadap setiap butir sebagai
indikatornya.
j
= 1 – Standardize Loading
2
Hasil pengujan Construct Reliability dan Variance Extraced dalam penelitian ini akan ditampilkan pada tabel berikut:
Tabel 4.10. : Construct Reliability Variance Extrated
Konstrak Indikator Standardize
Factor Loading
SFL Kuadrat
Error [
εj] Construct
Reliability Variance
Extrated
x11 0,708
0,501 0,499 x12
0,740 0,548 0,452
x13 0,816
0,666 0,334 Harga
x14 0,560
0,314 0,686 1,310 0,706
x21 0,764 0,584
0,416 x22
0,751 0,564 0,436
x23 0,640 0,410
0,590 x24
0,728 0,530 0,470
Kualitas Produk
x25 0,724 0,524
0,476 1,413 0,721
y1 0,790 0,624
0,376 y2
0,659 0,434 0,566
Kepuasan Konsumen
y3 0,826 0,682
0,318 1,207 0,758
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber : Lampiran 7
Hasil pengujian reliabilitas instrumen dengan construct reliability
dan variance extracted menunjukkan instrumen cukup reliabel, yang ditunjukkan dengan nilai construct reliability belum
seluruhnya ≥ 0,7. Meskipun demikian angka tersebut bukanlah sebuah
ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory
, maka nilai di bawah 0,70 pun masih dapat diterima sepanjang disertai alasan–alasan empirik yang terlihat dalam proses
eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.3.2. Pengujian Model Dengan
One-Step Approach
Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model
dan structural model yang diestimasi secara bersama-sama One Step Approach to
SEM. One step aprroach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas reliabilitas data
sangat baik Hair et.al.,1998. Hasil estimasi dan fit model one step approach to SEM dengan
menggunakan program aplikasi Amos 13.0 terlihat pada Gambar dan Tabel Goodness of Fit di bawah ini.
Gambar 4.2. : Model Pengukuran Kausalitas One Step Approach
,14
x1 x14
,31
er_4
1,00 1
x13
,15
er_3
1,46 1
x12
,25
er_2
1,47 1
x11
,19
er_1
1,15 1
,20
x2 x24
,17
er_8 x23
,24
er_7 x22
,22
er_6 x21
,19
er_5
1,00 1
,93 1
1,21 1
1,16 1
x25
,23
er_9
1,14 1
y y1
,19
er_10
1,00 1
y2
,32
er_11
,87 1
y3
,18
er_12
1,11 1
,46
,91 ,05
d_y
1 ,10
Tabel 4.11. : Evaluasi Kriteria Goodness of Fit Indices
Kriteria Hasil Nilai Kritis
Evaluasi Model
CminDF 0,573 ≤ 2,00
Baik Probability 0,994
≥ 0,05 Baik
RMSEA 0,000 ≤ 0,08
Baik GFI 0,956
≥ 0,90 Baik
AGFI 0,933 ≥ 0,90
Baik TLI 1,053
≥ 0,95 Baik
CFI 1,000 ≥ 0,94
Baik
Sumber : Hasil Pengolahan data pada lampiran 8 Dari hasil evaluasi terhadap model one step ternyata dari semua
kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya,
model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah
model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model sebagaimana terdapat di bawah ini.
Dilihat dari angka determinant of sample covariance matrix : 18,893 0 mengindikasikan tidak terjadi multicolinierity atau singularity
dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana
terlihat pada uji kausalitas di bawah ini. Tabel 14.12. : Hasil Pengujian Kausalitas
Regression Weights Factor
Factor
Ustd Estimate
Std Estimate
Prob.
Kepuasan Konsumen
Harga 0,460 0,305
0,006 Kepuasan Konsumen
Kualitas Produk
0,906 0,708
0,000 Batas Signifikan
≤ 0,10
Sumber : lampiran 8 Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis
yang menyatakan bahwa : 1.
Harga berpengaruh positif terhadap Kepuasan Konsumen, dapat diterima [Prob. kausalnya 0,006
≤ 0,10 [signifikan [positif]. 2.
Kualitas Produk berpengaruh positif terhadap Kepuasan Konsumen, dapat diterima [Prob. kausalnya 0,000
≤ 0,10 [signifikan [positif].
4.4. Pembahasan