4.3.5 Deteksi Multicollinerity dan Singularity
Dengan mengamati Determinant matrix covarian, yang memiliki ketentunan apabila determinant matrix mendekati angka 0 [kecil], maka
terjadi Multicollinearity dan Singularity [Tabachin Fidel, 1998]. Berdasarkan hasil pengujian dengan menggunakan program
AMOS 4.0 diperoleh hasil Deternminant of Covariant Matrix adalah 0 yaitu sebesar 16,810 mengidentifikasikan tidak terjadi Multicollinearity
dan Singularity dalam data ini sehingga asumsi terpenuhi.
4.3.6 Evaluasi Construct Reliability dan Variance Extracted
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. Dan varianced extracted direkomendasikan pada tingkat 0,50. Hasil
perhitungan construct reliability dan variance extracted dapat dilihat dalam tabel 4.12
Tabel 4.12 Construct Reliability dan Variance Extracted
Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[εj] Construct
Reliability Variance
Extrated
Serving Size x11
0.794 0.630
0.370 1.283
0.744 x12
0.847 0.717
0.283 x13
0.804 0.646
0.354 x14
0.532 0.283
0.717 Serving Per
Container x21
0.815 0.664
0.336 1.168
0.711 x22
0.797 0.635
0.365 x23
0.521 0.271
0.729 Kandungan Gizi
x31 0.564
0.318 0.682
1.309 0.664
x32 0.658
0.433 0.567
x33 0.697
0.486 0.514
x34 0.735
0.540 0.460
Minat Beli y1
0.720 0.518
0.482 1.196
0.767 y2
0.907 0.823
0.177 y3
0.674 0.454
0.546
Batas Dapat Diterima
≥ 0,7 ≥ 0,5
Sumber: Lampiran
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.
4.3.7 Analisis Model One-Step Approach to SEM
Dalam model SEM, model pengukuran dan model structural parameter-parameternya diestimasi secara bersanma-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 secra bersama-sama one-step approach to SEM
. One-step approach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan reliabilitas
data sangat baik. Hair.et.al, 1998. Hasil estimasi dan fit model one-step approach to SEM
dengan menggunakan program aplikasi AMOS 4.01 terlihat pada gambar dan tabel Goodness of Fit dibawah ini.
Gambar 4.1 MODEL PENGUKURAN STRUKTURAL
Label Nutrisi Minat Beli Model Spesification : One Step Approach – Base Model
x1 x14
,46
er_4
1,00 1
x13
,19
er_3
1,38 1
x12
,15
er_2
1,43 1
x11
,19
er_1
1,34 1
x2 x23
,46
er_7
1,00 1
x22
,17
er_6
1,32 1
x21
,26
er_5
1,74 1
x3 x34
,26
er_11 x33
,29
er_10 x32
,22
er_9 x31
,33
er_8
1,00 1
,96 1
,74 1
,72 1
y y1
,31
er_12 y2
,12
er_13 y3
,32
er_14
1,00 1
1,27 1
,89 1
,27
x
,22 ,21
1,00 ,81
,17
d_x1
1 ,16
d_x2
1
,03
d_x3
1 ,16
d_y
1
Tabel 4.13 Evaluasi Kriteria Goodness Of Fit Indicies Model One-Step Approach-Base Model
Kriteria Hasil
Nilai Kritis Evaluasi Model
CminDF 0,626
≤ 2,00 Baik
Probability 0,995
≥ 0,05 Baik
RMSEA 0,000
≤ 0,08 Baik
GFI 0,956
≥ 0,90 Baik
AGFI 0,937
≥ 0,90 Baik
TLI 1,054
≥ 0,95 Baik
CFI 1,000
≥ 0,94 Baik
Sumber: Lampiran
Dari hasil evaluasi terhadap model one step approach base model ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya
menunjukan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi
oleh teori relah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan antar variabel dalam
model.
4.3.8 Analisis Undimensi First Order Tabel 4.14. Unidimensi First Order
Sumber: Lampiran
4.3.9 Analisis Unidimensi Second Order Tabel 4.15. Unidimensi Second Order
Sumber : Lampiran
Ustd. Estimate
Std. Estimate
P Label
x14 --- x1 1,000
,532 x13 --- x1
1,375 ,804 par_1
x12 --- x1 1,428
,847 par_2 x11 --- x1
1,344 ,794 par_3
x23 --- x2 1,000
,521 x22 --- x2
1,319 ,797 par_4
x21 --- x2 1,738
,815 par_5 x34 --- x3
1,000 ,735
x33 --- x3 ,955
,697 par_6
x32 --- x3 ,741
,658 par_7
x31 --- x3 ,720
,564 par_8
y1 --- y 1,000
,720 y2 --- y
1,270 ,907
par_9 y3 --- y
,893 ,674
par_10
Ustd. Estimate
Std. Estimate
P Label
x1 --- x ,223
,269 ,035 par_11 x2 --- x
,210 ,261 ,045 par_12
x3 --- x 1,000
,940
4.3.10 Uji Kausalitas
Kategori