4.3.3 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 dari setiap latent variable construct akan diuji dengan melihat loading faktor
dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini :
Tabel 5.5 : Validitas Data
Konst r ak I ndik ator
Fak t or Loading 1
2 3
4 Sim ilar it y
X11 0,998
X12 0,582
Reput at ion X21
0,486 X22
0,508 Per ceived Risk
X31 0,703
X32 0,586
I nnov at ion X41
0,571 X42
0,483 Per ceived Value
Y11 0,476
Y12 0,576
Per sonalit y Y21
0,686 Y22
0,699 Organizat ion
Y31 0,661
Y32 0,537
Sumber : Lampiran
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings
masing masing butir pertanyaan yang membentuk setiap construct seluruhnya
≥ 0,5, sehingga butir -butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya baik.
4.3.4 Evaluasi Construct Realibility dan Variance Extracted
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha,
perlu juga dilakukan pengujian construct reliability dan variance extracted.
Kedua pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
bahwa indikator-indikator individual mengukur suatu pengukuran yang sama. Hasil perhitungan construct reliability dan variance extracted dapat
dilihat dalam tabel berikut :
Tabel 5.6 : Construct Realibility dan Variance Extracted
Konst r ak I ndik ator
St andar dize Fact or
Loading SFL
Kuadr at Error [εj]
Const r uct Reliabilit y
Var iance Ex t r at ed
Sim ilar it y X11
0,998 0,996
0,004 0,790
0,667 X12
0,582 0,339
0,661 Reput at ion
X21 0,486
0,236 0,764
0,396 0,247
X22 0,508
0,258 0,742
Per ceived Risk X31
0,703 0,494
0,506 0,588
0,419 X32
0,586 0,343
0,657 I nnov at ion
X41 0,571
0,326 0,674
0,435 0,280
X42 0,483
0,233 0,767
Per ceived Value Y11
0,476 0,227
0,773 0,434
0,279 Y12
0,576 0,332
0,668 Per sonalit y
Y21 0,686
0,471 0,529
0,648 0,480
Y22 0,699
0,489 0,511
Organizat ion Y31
0,661 0,437
0,563 0,530
0,363 Y32
0,537 0,288
0,712
Ba t a s D a pa t D it e r im a ≥ 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.
4.3.5 Evaluasi Normalitas
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
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
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 5.7 : Hasil Pengujian Normalitas
Var iable m in
m ax Kur t osis
c.r . X11
2 5
- 0,325 - 0,701
X12 1
5 - 0,613
- 1,324 X21
2 5
- 0,551 - 1,190
X22 2
5 - 0,861
- 1,860 X31
2 5
- 0,578 - 1,248
X32 2
5 - 0,348
- 0,751 X41
2 5
- 0,517 - 1,117
X42 2
5 - 0,411
- 0,888 Y11
2 5
- 0,204 - 0,442
Y12 2
5 - 0,621
- 1,342 Y21
2 5
- 0,481 - 1,040
Y22 2
5 - 0,654
- 1,412 Y31
2 5
- 0,265 - 0,572
Y32 1
5 - 0,314
- 0,678
M u lt iv a ria t e 12,102
3 ,0 2 5 Ba t a s N orm a l
± 2 ,5 8
Sumber : Lampiran
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara diluar 2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini
tidak menjadi masalah serius seperti dikatakan oleh Bentler Chou [1987] bahwa jika teknik estimasi dalam model SEM menggunakan
maximum likelihood estimation [MLE] walau ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak
untuk digunakan dalam estimasi selanjutnya.
4.3.6 Analisis Model One-Step Approach to SEM