Tabel 5.2. Observations farthest from the centroid Mahalanobis distance Lanjutan
Observation number Mahalanobis d-squared
p1 p2
127 20.743
.798 .999
10 20.603
.805 .999
69 20.130
.825 1.000
23 19.957
.833 1.000
75 19.549
.849 1.000
92 19.382
.856 1.000
54 19.211
.862 1.000
Dari tabel di atas, dapat diperhatikan nilai p1 dan p2 berada di atas 0,001 sehingga tidak perlu dilakukan penghapusan data outlier lagi, dan data sudah
dianggap berdistribusi normal, dan dapat melangkah ke tahap selanjutnya.
5.2.6. Mengevaluasi Model dengan Kriteria Goodness of Fit
Menilai goodness-of-fit merupakan tujuan utama dalam persamaan structural yaitu ingin mengetahui sampai seberapa jauh model “fit” atau cocok
dengan data. Jika didapat goodness-of-fit yang jelek, langkah selanjutnya mendeteksi sumber penyebab “misfit” dalam model. Hal ini dapat dilihat dari:
a Kelayakan Parameter Estimate Langkah awal dalam menilai fit terhadap parameter individu dalam model
adalah menentukan kelayakan nilai estimasi. Nilai estimasi parameter harus memberikan tanda besaran sign and size yang benar dan konsisten dengan teori
yang ada. Jika ada nilai estimasi yang tidak memenuhi kriteria, ini menunjukkan
Universitas Sumatera Utara
indikasi bahwa model mungkin salah atau matrix input tidak cukup memberikan informasi. Beberapa indikasi ini dapat dilihat jika ada nilai korelasi 1.00 serta
nilai varian negatif. b Kesesuaian Nilai Standard Errors
Selanjutnya yang dilakukan adalah penilaian identifikasi model, semua sampel yang ditampilkan disajikan dalam bentuk matriks antar variabel, nilai ini
juga menyajikan hubungan kovarians antara variabel yang satu dengan yang lain, dengan contoh seperti dibawah ini:
1. Kovarians antara variabel keberadaan SMS Banking dengan variabel perasaan terhadap teknologi SMS Banking adalah 0,756
2. Varians variabel keberadaan SMS Banking 0,962 Untuk keseluruhan nilai dari sampel kovarians dari seluruh variabel
terdapat pada tabel 5.3.
Universitas Sumatera Utara
Tabel 5.3. Sample Covariances
X27 X26
X25 X24
X18 X19
X20 X15
X16 X17
X21 X22
X23 X12
X27 .962
X26 .756
1.044
X25 .752
.746 1.037
X24 .732
.781 .928
.978
X18 .013
-.008 -.052
-.084 1.013
X19 -.056
-.088 -.105
-.163 .817
.897
X20 -.016
-.056 -.050
-.098 .792
.802 .967
X15 .006
.016 .024
-.012 .223
.185 .196
.966
X16 -.074
-.109 -.059
-.100 .223
.212 .279
.723 1.041
X17 .034
.031 .063
.000 .224
.170 .286
.748 .809
1.133
X21 -.001
.064 .032
-.006 .202
.217 .220
.195 .186
.196 1.224
X22 .068
.138 .082
.086 .071
.052 .085
.295 .349
.370 .676
1.099
X23 -.023
.041 -.017
-.001 .214
.250 .236
.226 .319
.159 .614
.604 1.103
X12 .385
.263 .385
.361 .114
.072 .075
-.043 -.015
.058 -.026
.064 .054
.913
X13 .284
.237 .334
.296 .062
.100 .105
-.115 .014
.048 .049
.146 .111
.695
X14 .320
.239 .360
.353 .110
.096 .140
-.062 -.062
-.055 .044
.044 .059
.710
X10 .473
.543 .561
.547 -.031
-.053 -.036
-.048 -.121
-.059 .028
.081 -.024
.324
X11 .267
.326 .311
.357 -.326
-.365 -.384
-.424 -.452
-.425 -.126
-.226 -.177
.124
X8 .408
.421 .425
.411 -.003
-.055 -.055
.043 -.061
.043 .160
.103 .081
.214
X9 .403
.443 .434
.412 .040
-.018 .022
.105 -.009
.156 .088
.074 .063
.241
X4 .496
.483 .485
.481 -.057
-.060 -.059
.042 -.043
.056 .091
.150 .069
.297
X5 .459
.448 .445
.442 .044
.010 .034
-.030 -.120
-.018 -.039
-.040 -.034
.378
X6 .584
.615 .601
.586 .097
.046 .069
-.026 -.066
.007 .099
.095 .028
.375
X7 .404
.447 .424
.482 -.127
-.200 -.192
-.241 -.311
-.207 -.145
-.192 -.090
.163
X1 .526
.631 .567
.577 .006
-.056 -.056
-.019 -.118
-.087 -.062
-.100 -.078
.337
X2 .449
.572 .544
.541 -.039
-.073 -.073
-.098 -.152
-.089 .064
-.040 .071
.280
X3 .557
.679 .662
.672 -.038
-.085 -.082
-.026 -.100
-.012 .003
-.026 -.067
.417
Universitas Sumatera Utara
Tabel 5.3. Sample Covariances Lanjutan
X13 X14 X10 X11 X8 X9 X4 X5 X6 X7
X1 X2 X3 X27
X26 X25
X24 X18
X19 X20
X15 X16
X17 X21
X22 X23
X12 X13 .970
X14 .695 1.000 X10 .378 .360 .894
X11 .170 .121 .488 1.278 X8
.199 .254 .264 .147 .809 X9
.226 .272 .261 .101 .491 .673 X4
.238 .268 .401 .250 .200 .285 .608 X5
.294 .368 .362 .231 .321 .390 .483 .748 X6
.308 .371 .478 .257 .326 .399 .511 .530 .833 X7
.109 .140 .286 .727 .312 .228 .277 .396 .336 1.133 X1
.256 .353 .432 .291 .299 .272 .367 .375 .401 .304 .958 X2
.214 .298 .474 .349 .355 .369 .381 .450 .478 .333 .486 .791 X3
.380 .408 .537 .355 .408 .406 .426 .483 .612 .402 .566 .681 .946
Universitas Sumatera Utara
Implied covarians merupakan kovarians estimasi, nilai ini diperlukan untuk penilaian sebuah model, dengan mendapatkan selisih antara kovarians
sampel dengan kovarians estimasi didapatkan residual covarians, yang merupakan kunci penilaian sebuah model, semakin kecil angka kovarians residual
yang didapat menandakan model semakin fit atau data observasi mendukung keberadaan model. Sebaliknya semakin besar angka kovarians residual yang
didapat menandakan model tidak fit dengan data yang ada. Untuk keseluruhan nilai dari implied kovarians dari seluruh variabel terdapat pada tabel 5.4.
Universitas Sumatera Utara
Tabel 5.4. Implied Covariances
X27 X26
X25 X24
X18 X19
X20 X15
X16 X17
X21 X22
X23 X12
X27 .962
X26 .756
1.044
X25 .715
.778 1.037
X24 .723
.787 .928
.978
X18 -.049
-.053 -.120
-.121 1.013
X19 -.050
-.054 -.121
-.123 .816
.897
X20 -.048
-.053 -.118
-.119 .792
.803 .967
X15 -.019
-.020 -.027
-.028 .197
.199 .193
.966
X16 -.020
-.022 -.030
-.030 .213
.216 .209
.725 1.041
X17 -.021
-.022 -.031
-.031 .219
.222 .216
.747 .809
1.133
X21 .059
.065 .038
.038 .150
.152 .148
.252 .273
.282 1.224
X22 .063
.069 .040
.041 .160
.162 .157
.268 .291
.300 .676
1.099
X23 .055
.060 .035
.035 .138
.140 .136
.232 .251
.259 .584
.622 1.103
X12 .273
.297 .344
.348 .093
.094 .091
-.021 -.022
-.023 .060
.064 .055
.913
X13 .267
.290 .336
.339 .090
.092 .089
-.020 -.022
-.023 .059
.062 .054
.688
X14 .277
.301 .348
.352 .094
.095 .092
-.021 -.023
-.023 .061
.065 .056
.714
X10 .466
.507 .526
.531 -.115
-.116 -.113
-.149 -.161
-.166 -.008
-.009 -.007
.320
X11 .374
.407 .422
.427 -.092
-.093 -.091
-.119 -.129
-.133 -.006
-.007 -.006
.257
X8 .376
.410 .386
.390 -.009
-.010 -.009
.052 .057
.059 .078
.083 .072
.225
X9 .412
.448 .422
.427 -.010
-.010 -.010
.057 .062
.064 .086
.091 .079
.246
X4 .455
.495 .468
.473 -.002
-.002 -.002
-.030 -.032
-.033 .044
.047 .041
.292
X5 .486
.529 .500
.505 -.002
-.002 -.002
-.032 -.034
-.035 .047
.050 .044
.312
X6 .553
.602 .569
.575 -.002
-.002 -.002
-.036 -.039
-.040 .054
.057 .050
.355
X7 .342
.372 .352
.355 -.001
-.001 -.001
-.022 -.024
-.025 .033
.035 .031
.219
X1 .456
.496 .499
.504 -.056
-.056 -.055
-.057 -.062
-.063 -.017
-.018 -.015
.285
X2 .516
.561 .564
.570 -.063
-.064 -.062
-.064 -.070
-.072 -.019
-.020 -.017
.323
X3 .607
.661 .665
.672 -.074
-.075 -.073
-.076 -.082
-.084 -.022
-.024 -.020
.380
Universitas Sumatera Utara
Tabel 5.4. Implied Covariances Lanjutan
X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3 X27
X26 X25
X24 X18
X19 X20
X15 X16
X17 X21
X22 X23
X12 X13 .970
X14 .697 1.000 X10 .312 .324 .894
X11 .251 .260 .488 1.278 X8 .220 .228 .225 .181 .809
X9 .240 .250 .246 .198 .491 .673 X4 .285 .296 .370 .297 .287 .314 .608
X5 .305 .316 .395 .318 .307 .335 .451 .748 X6 .346 .359 .450 .361 .349 .381 .513 .548 .833
X7 .214 .222 .278 .223 .216 .236 .317 .339 .386 1.133 X1 .279 .289 .401 .322 .288 .315 .351 .376 .427 .264 .958
X2 .315 .327 .453 .364 .326 .356 .397 .425 .483 .299 .501 .791 X3 .371 .385 .534 .429 .384 .420 .468 .500 .569 .352 .591 .668 .946
Universitas Sumatera Utara
Contoh penafsiran angka pada nilai-nilai tabel di atas dapat ditunjukkan seperti contoh di bawah ini:
1. Kovarians antara variabel keberadaan SMS Banking dengan variabel perasaan terhadap teknologi SMS Banking adalah 0,756
2. Varians variabel keberadaan SMS Banking 0,962 Sehingga kovarians residual untuk variabel keberadaan SMS Banking
dengan variabel perasaan terhadap teknologi SMS Banking adalah 0.756-0.756= 0, untuk keseluruhan nilai dari kovarians residual dari seluruh variabel terdapat pada
tabel 5.5.
Universitas Sumatera Utara
Tabel 5.5. Residual Covariances
X27 X26
X25 X24
X18 X19
X20 X15
X16 X17
X21 X22
X23 X12
X27 .000
X26 .000
.000
X25 .037
-.032 .000
X24 .009
-.005 .000
.000
X18 .062
.045 .067
.037 .000
X19 -.006
-.034 .016
-.041 .001
.000
X20 .032
-.004 .068
.021 -.001
.000 .000
X15 .024
.036 .051
.015 .026
-.014 .002
.000
X16 -.054
-.087 -.029
-.070 .010
-.003 .069
-.002 .000
X17 .055
.054 .094
.031 .005
-.052 .070
.002 .001
.000
X21 -.061
-.001 -.006
-.044 .051
.065 .072
-.057 -.087
-.086 .000
X22 .005
.070 .042
.045 -.089
-.110 -.072
.027 .058
.071 .000
.000
X23 -.077
-.019 -.052
-.036 .076
.110 .100
-.006 .068
-.100 .030
-.018 .000
X12 .112
-.035 .041
.013 .021
-.022 -.017
-.022 .007
.081 -.086
.000 -.001
.000
X13 .017
-.054 -.002
-.043 -.029
.008 .016
-.094 .036
.070 -.009
.083 .057
.007
X14 .043
-.062 .012
.001 .016
.000 .047
-.042 -.040
-.032 -.017
-.021 .003
-.005
X10 .007
.037 .036
.016 .084
.063 .076
.101 .040
.107 .036
.090 -.017
.004
X11 -.107
-.081 -.111
-.070 -.233
-.271 -.293
-.305 -.323
-.292 -.120
-.219 -.171
-.133
X8 .031
.011 .039
.021 .006
-.046 -.045
-.009 -.118
-.016 .082
.020 .009
-.011
X9 -.009
-.005 .011
-.015 .051
-.008 .032
.047 -.071
.092 .002
-.018 -.016
-.006
X4 .041
-.013 .017
.008 -.055
-.058 -.058
.072 -.011
.089 .046
.103 .028
.005
X5 -.028
-.081 -.055
-.063 .046
.012 .036
.001 -.085
.017 -.087
-.090 -.078
.066
X6 .031
.012 .033
.011 .099
.048 .071
.010 -.027
.047 .045
.037 -.022
.020
X7 .062
.075 .072
.127 -.126
-.199 -.190
-.218 -.287
-.183 -.179
-.227 -.121
-.056
X1 .070
.135 .068
.073 .061
.000 -.002
.038 -.057
-.023 -.045
-.083 -.063
.051
X2 -.067
.011 -.020
-.029 .024
-.009 -.011
-.033 -.082
-.017 .082
-.020 .088
-.043
X3 -.051
.018 -.003
.000 .036
-.010 -.009
.050 -.018
.072 .025
-.003 -.047
.037
Universitas Sumatera Utara
Tabel 5.5. Residual Covariances Lanjutan
X13 X14 X10 X11 X8 X9 X4 X5 X6 X7 X1 X2 X3 X27
X26 X25
X24 X18
X19 X20
X15 X16
X17 X21
X22 X23
X12 X13 .000
X14 -.002 .000 X10 .066 .036 .000
X11 -.081 -.139 .000 .000 X8 -.021 .026 .039 -.034 .000
X9 -.014 .023 .015 -.097 .000 .000 X4 -.047 -.027 .031 -.047 -.087 -.029 .000
X5 -.011 .052 -.034 -.087 .015 .054 .032 .000 X6 -.039 .012 .028 -.104 -.022 .018 -.002 -.018 .000
X7 -.105 -.083 .008 .504 .096 -.008 -.040 .057 -.049 .000 X1 -.022 .064 .031 -.031 .011 -.043 .016 .000 -.026 .039 .000
X2 -.101 -.029 .021 -.015 .030 .013 -.016 .026 -.005 .035 -.016 .000 X3
.009 .023 .004 -.074 .024 -.013 -.042 -.017 .043 .050 -.025 .013 .000
Universitas Sumatera Utara
Pada tahap ini, model dapat dievaluasi dengan menggunakan beberapa uji yaitu, absolute fit indices, incremental fit indices, parsimony fit indices. Nilai-nilai
ini hanya didapatkan dari program AMOS. 1. Absolute fit indices
Ukuran fundamental dari overall fit adalah likelihood-ratio chi-square X
2
. Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi
berbeda secara nyata dan ini menghasilkan probabilitas p lebih kecil dari tingkat signifikansi α. Sebaliknya nilai chi-square yang kecil akan menghasilkan nilai
probabilitas p yang lebih besar dari tingkat signifikansi α dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak
berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok
atau fit dengan data observasi. Dengan membandingkan X
2
hitung dengan X
2
tabel, dimana untuk X
2
hitung dari output AMOS didapat angka 467,401 sedangkan X
2
tabel dengan menggunakan fungsi Excel = chiinv 0.001,279 didapat angka 357,729. Selain itu
dengan melihat angka probabilitas pada output AMOS, terlihat angka probability level p adalah 0,000 yang lebih kecil dari 0,001. Dari seluruh perbandingan
dapat dilihat bahwa X
2
hitung X
2
tabel yaitu 467,401 357,729 dan p 0,001. Sehingga dapat disimpulkan bahwa model tidak fit dengan data yang ada. Untuk
memperbaiki model fit maka loading factor untuk indikator yang nilainya rendah yaitu di bawah 0,5 dikeluarkan dari model yaitu indikator X7 efisiensi.
Universitas Sumatera Utara
Kemudian pada model dilakukan re-estimasi untuk mendapatkan model yang baru. Setelah dilakukan kalkulasi estimasi dari model yang telah di re-estimasi,
namun model tetap belum bisa diuji, karena belum dapat diidentifikasi. Hal ini dapat dilihat pada tampilan AMOS yang menyatakan bahwa “model unidentified”.
Pada model tersebut terjadi identification problem, sehingga model perlu diberi batasan tambahan additional constraint sejumlah parameter agar dapat
diidentifikasi dan dapat diproses lebih jauh. Penambahan parameter diberikan pada variabel Y2 kinerja yang merupakan varians yang unidentified. Setelah
dilakukan perbaikan model, proses akan diulang sekali lagi. Untuk itu dilakukan kalkulasi estimasi ulang. Hasil yang diperoleh adalah nilai chi - square 310,955
dengan probabilitas p=0.005. a. CMINDF
CMINDF adalah nilai chi-square dibagi dengan derajat kebebasan. Nilai ratio 5 atau 5 merupakan ukuran yang reasonable. Dengan program Amos
didapatkan tampilan sebagai berikut:
Tabel 5.6. Hasil CMIN Model
CMIN DF
CMINDF
Default model 310.955
249 1.249
Saturated model .000
Independence model 2844.882
325 8.753
Angka CMIN menunjukkan angka 310.955, nilai default modelnya berada
antara CMIN saturated model 0.000 dan CMIN independence model 2844.882.
Angka ini menunjukkan bahwa model ini adalah model yang bagus karena angka
Universitas Sumatera Utara
CMIN yang dimiliki oleh default model berada di antara saturated model dan independence model.
b. GFI Goodness of Fit Index Alat uji GFI memungkinkan pengaruh jumlah sampel menjadi kurang sensitif
dalam proses pengambilan keputusan. Secara teoritis, angka GFI berkisar antara 0 – 1 dengan pedoman bahwa semakin hasil GFI mendekati angka 1,
akan semakin baik model tersebut dalam menjelaskan data yang ada. Dengan program Amos didapatkan tampilan sebagai berikut:
Tabel 5.7. Hasil GFI Model
GFI
Default model .865
Saturated model 1.000
Independence model .242
Terlihat angka GFI yang besar mendekati 1 yaitu 0.865. Hal ini menunjukkan bahwa model sudah fit.
c. RMR Root Mean Residual Alat uji ini pada dasarnya menghitung residu atau selisih kovarians sampel
dengan kovarian estimate. Secara logika, semakin kecil hasil RMR tentu akan semakin baik, yang menandakan semakin dekatnya angka pada sampel dengan
estimasinya. Dengan demikian, justru jika angka RMR semakin besar, hal ini
Universitas Sumatera Utara
menandakan model tidak fit, karena selisih antara sampel dengan estimasi yang besar pula. Dengan program Amos didapatkan tampilan sebagai berikut:
Tabel 5.8. Hasil RMR Model
RMR
Default model .042
Saturated model .000
Independence model .315
Terlihat angka RMR yang sangat kecil mendekati 0. Hal ini menunjukkan bahwa kovarians sampel mendekati angka kovarians estimasi.
2. Increamental fit measures Increamental fit measures membandingkan proposed model dengan
baseline model yang sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
a. AGFI Adjusted Goodnes-of Fit Index Adjusted Goodnes-of Fit Index merupakan pengembangan dari GFI yang
disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan antara 0 sampai 1.
Dengan program Amos didapatkan tampilan sebagai berikut:
Tabel 5.9. Hasil AGFI Model
AGFI
Default model .810
Saturated model Independence model
.181
Universitas Sumatera Utara
Terlihat angka AGFI yang besar mendekati 1 yaitu 0810. Hal ini menunjukkan bahwa model sudah fit.
b. TLI Tucker-Lewis Index Tucker-Lewis Index atau dikenal dengan nonnormed fit index NNFI.
Ukuran ini menggabungkan ukuran parsimony ke dalam indeks komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1.
c. NFI Normed Fit Index Normed Fit Index merupakan ukuran perbandingan antara proposed model
dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1 perfect fit. Dengan program Amos didapatkan tampilan sebagai berikut:
Tabel 5.10. Hasil Baseline Comparisons Model
NFI Delta1
TLI rho2
Default model .891
.968 Saturated model
1.000 Independence model
.000 .000
Terlihat alat ukur NFI dan CFI semua menunjukkan angka yang tinggi. Dengan demikian dari ukuran incremental fit indices menunjukkan bahwa model
sudah fit.
Universitas Sumatera Utara
3. Parsimonious Fit Measures Kelompok pengujian ini membandingkan model yang komples dengan
model sederhana parsimoni atau ringkas. Karena itu, alat ukur sebenarnya tidak efektif untuk mengukur model tunggal single model, namun akan efektif saat
membandingkan dua model, yang terdiri dari model kompleks dan model yang lebih sederhana.
Tabel 5.11. Parsimony-Adjusted Measures Model
PRATIO PNFI
PCFI
Default model .766
.682 .747
Saturated model .000
.000 .000
Independence model 1.000
.000 .000
Dari angka-angka di atas, terlihat model tetap fit, karena angka berada di antara range values, yakni antara 0 sampai 1.
4. Measurement Model Fit Setelah keseluruhan model fit dievaluasi, maka langkah berikutnya adalah
pengukuran setiap konstruk untuk menilai unidimensionalitas dan reliabilitas dari kontruk. Unidimensionalitas adalah asumsi yang melandasi perhitungan
reliabilitas dan ditunjukkan ketika indikator suatu kontruk memiliki acceptable fit satu single factor one dimensional model.
Pendekatan untuk menilai measurement model adalah mengukur composite reliability dan variance extracted untuk setiap konstruk. Reliability
adalah ukuran internal consistency indikator suatu konstruk. Hasil reliabilitas
Universitas Sumatera Utara
yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas yang diterima secara umum adalah
0.70. Reliabilitas tidak menjamin adanya validitas. Validitas adalah ukuran
sampai sejauh mana suatu indikator secara akurat mengukur apa yang ingin diukur. Ukuran reliabilitas yang lain adalah variance extracted sebagai pelengkap
ukuran construct reliability. Angka yang direkomendasikan untuk nilai variance extracted 0.50.
Untuk perhitungan reliabilitas konstruk dapat dilihat pada perhitungan di bawah, dan untuk nilai standard loadingnya dapat diambil dari nilai standardized
regression weight.
Tabel 5.12. Standardized Regression Weights
Estimate Y9 --- Y1 .413
Y9 --- Y2 .255 Y9 --- Y3 .109
Y9 --- Y8 .041 Y9 --- Y4 .140
Y9 --- Y5 -.018 Y9 --- Y7 -.105
Y9 --- Y6 .035 X19 --- Y7 .960
Y10 --- Y9 .542 Y10 --- Y1 .145
Y10 --- Y2 .295
Universitas Sumatera Utara
Tabel 5.12. Standardized Regression Weights Lanjutan
Estimate Y10 --- Y3
.099 Y10 --- Y4
.039 Y10 --- Y5
-.141 Y10 --- Y6
-.016 Y10 --- Y7
.038 Y10 --- Y8
.042 X3 --- Y1
.912 X2 --- Y1
.850 X1 --- Y1
.680 X6 --- Y2
.872 X5 --- Y2
.796 X4 --- Y2
.837 X9 --- Y3
.895 X8 --- Y3
.744 X11 --- Y4
.428 X10 --- Y4
.958 X14 --- Y5
.855 X13 --- Y5
.828 X12 --- Y5
.871 X23 --- Y8
.696 X22 --- Y8
.828 X21 --- Y8
.683 X17 --- Y6
.863 X16 --- Y6
.871 X15 --- Y6
.834 X20 --- Y7
.898 X18 --- Y7
.892
Universitas Sumatera Utara
Tabel 5.12. Standardized Regression Weights Lanjutan
Estimate X24
- Y9 .979 X25 --- Y9
.942 X26 --- Y10 .888
X27 --- Y10 .850 X11 --- Y6
-.338
pengukuran kesalahan
jumlah loading
standard dari
jumlah loading
standard dari
Jumlah Re
2 2
+ =
konstruk liabitas
Jumlah standard loading: 1. konstruk kemudahan penggunaan = 0,413 + 0,145 + 0,912 + 0,850 +0,680
= 3,000 2. konstruk kinerja = 0,255 + 0,295 +0,872 + 0,796 + 0,837 = 3,055
3. konstruk keceriaan = 0,109 + 0,099 + 0,895 + 0,744 = 1,847 4. konstruk percaya diri = 0,140 + 0,039 + 0,428 + 0,958 = 1,565
5. konstruk keinginan mencari sesuatu yang baru = 0,018 + 0,141 + 0,855 + 0,828 + 0,871 = 2,713
6. konstruk kebutuhan untuk berinteraksi = 0,035 + 0,016 + 0,863 + 0,871 + 0,834 + 0,338 = 2,957
7. konstruk kesadaran diri = 0,105 + 0,960 + 0,038 + 0,898 + 0,892 = 2,893 8. konstruk situasional = 0,041 + 0,042 + 0,696 + 0,828 + 0,683 = 2,29
9. konstruk minat pelanggan = 0,542 + 0,979 + 0,942 = 2,463 10. konstruk sikap pelanggan = 0,888 + 0,850 = 1,738
Universitas Sumatera Utara
Jumlah kesalahan pengukuran = 1 – standard loading
2
Jumlah kesalahan pengukuran measurement error: 1. konstruk kemudahan penggunaan = 0,829 + 0,979 + 0,168 + 0,278 +0,538
= 2,792 2. konstruk kinerja = 0,935 + 0,913 + 0,240 + 0,366 + 0,299 = 2,753
3. konstruk keceriaan = 0,988 + 0,990 + 0,199 + 0,446 = 2,624 4. konstruk percaya diri = 0,980 + 0,998 + 0,817 + 0,082 = 2,878
5. konstruk keinginan mencari sesuatu yang baru = 1,000 + 0,980 + 0,269 + 0,314 + 0,241 = 2,805
6. konstruk kebutuhan untuk berinteraksi = 0,999 + 1,000 + 0,255 + 0,241 + 0,304 + 0,886 = 3,685
7. konstruk kesadaran diri = 0,992 + 0,998 + 0,194 + 0,078 + 0,204 = 2,466 8. konstruk situasional = 0,998 + 0,998 + 0,516 + 0,314 + 0,534 = 3,360
9. konstruk minat pelanggan = 0,708 + 0,039 + 0,114 = 0,860 10. konstruk sikap pelanggan = 0,211 + 0,277 = 0,489
2,792 3,000
3,000 penggunaan
kemudahan konstruk
as Realibilit
2 2
+ =
= 0.763
753 ,
2 3,055
3,055 kinerja
konstruk as
Realibilit
2 2
+ =
= 0.772
624 ,
2 1,847
1,847 keceriaan
konstruk as
Realibilit
2 2
+ =
= 0.565
878 ,
2 1,565
1,565 diri
percaya konstruk
as Realibilit
2 2
+ =
= 0.460
Universitas Sumatera Utara
724 ,
805 ,
2 2,713
2,713 baru
yang sesuatu
mencari keinginan
konstruk as
Realibilit
2 2
= +
=
685 ,
3 2,957
2,957 si
berinterak untuk
kebutuhan konstruk
as Realibilit
2 2
+ =
= 0.703
466 ,
2 2,893
2,893 diri
kesadaran konstruk
as Realibilit
2 2
+ =
= 0.772
360 ,
3 2,29
2,29 l
situasiona konstruk
as Realibilit
2 2
+ =
= 0.609
860 ,
2,463 2,463
pelanggan minat
konstruk as
Realibilit
2 2
+ =
= 0.876
489 ,
1,738 1,738
pelanggan sikap
konstruk as
Realibilit
2 2
+ =
= 0.861
indikator jumlah
loading standard
kuadrat jumlah
= extracted
Variance
736 ,
3 0,462
0,722 0,832
0,021 0,171
= +
+ +
+ =
penggunaan kemudahan
extracted Variance
562 ,
4 0,701
0,634 0,76
0,087 0,065
= +
+ +
+ =
kinerja extracted
Variance
689 ,
2 0,554
0,801 0,01
0,012 =
+ +
+ =
keceriaan extracted
Variance
562 ,
2 0,918
0,183 0,002
0,02 =
+ +
+ =
diri percaya
extracted Variance
732 ,
3 0,759
0,686 0,731
0,02 0,000
= +
+ +
+ =
baru yang
sesuatu mencari
keinginan extracted
Variance
Universitas Sumatera Utara
772 ,
3 0,114
0,696 0,759
0,745 0,001
int =
+ +
+ +
= eraksi
ber untuk
kebutuhan extracted
Variance
843 ,
3 0,796
0,922 0,806
0,002 0,008
= +
+ +
+ =
diri kesadaran
extracted Variance
547 ,
3 0,466
0,686 0,484
0,002 0,002
= +
+ +
+ =
l situasiona
extracted Variance
068 ,
1 2
0,887 0,958
0,292 min
= +
+ =
pelanggan at
extracted Variance
756 ,
2 0,723
0,789 =
+ =
pelanggan sikap
extracted Variance
Berdasarkan perhitungan yang dilakukan di atas, terdapat 3 buah konstruk yang nilainya berada di bawah nilai reliabilitas yang direkomendasikan yaitu 0,7.
Konstruk-konstruk tersebut adalah konstruk keceriaan, percaya diri dan situasional. Sedangkan untuk variance extracted semua nilai berada di atas nilai
yang direkomendasikan yaitu 0,5 yang dapat dijadikan tanda adanya konvergensi yang memadai.
5.2.7. Interpretasi dan Memodifikasi Model
