Deskripsi Hasil Analisis dan Uji Hipotesis

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