Konstruk eksogen kualitas produk X
2
X
21
=
λ λ
λ λ
21
X
2
+
εεεε
21
X
22
= λ
λ λ
λ
22
X
2
+ εεεε
22
X
23
=
λ λ
λ λ
23
X
2
+
εεεε
23
Konstruk eksogen kualitas pelayanan X
3
X
31
=
λ λ
λ λ
31
X
3
+
εεεε
31
X
32
=
λ λ
λ λ
32
X
3
+
εεεε
32
X
33
= λ
λ λ
λ
33
X
3
+ εεεε
33
X
34
=
λ λ
λ λ
34
X
3
+
εεεε
34
X
35
= λ
λ λ
λ
35
X
3
+ εεεε
35
Konstruk endogen kepuasan konsumen X
4
X
41
= λ
λ λ
λ
41
X
4
+ εεεε
41
X
42
=
λ λ
λ λ
42
X
4
+
εεεε
42
X
43
=
λ λ
λ λ
43
X
4
+
εεεε
43
Konstruk endogen loyalitas konsumen Y
1
Y
11
=
λ λ
λ λ
11
Y
1
+
εεεε
11
Y
12
= λ
λ λ
λ
12
Y
1
+ εεεε
12
Keterangan: λ
= nilai faktor loading dari indikator ke konstruk laten ε
= nilai error
4. Memilih matriks input dan teknik estimasi
Penelitian ini akan menguji hubungan kausalitas, maka matriks kovarian diambil sebagai input untuk operasi SEM. Teknik estimasi yang
akan digunakan adalah Maximum Likelihood Estimation ML karena ukuran sampel berkisar antara 100-200 responden. Estimasi akan
dilakukan secara bertahap yaitu Ferdinand, 2002:165: a.
Teknik Confirmatory Factor Analysis Teknik ini ditujukan untuk menguji unidimensionalitas dari
konstruk eksogen dan konstruk endogen. b.
Teknik Full Structural Equation Model Model ini digunakan untuk menguji model kausalitas yang telah
dinyatakan sebelumnya dalam berbagai hubungan sebab-akibat. Melalui analisis ini akan terlihat ada tidaknya kesesuaian model dan
hubungan kausalitas yang dibangun dalam model yang diuji.
5. Kemungkinan munculnya masalah identifikasi
Problem identifikasi
pada prinsipnya
adalah mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik Ferdinand, 2002:50. Salah satu solusi adalah dengan
memberikan lebih banyak constraint pada model yang dianalisis itu dan hal ini berarti mengeliminasi jumlah estimated coefficients.
K. Uji Kesesuaian dan Uji Statistik
1. Asumsi-asumsi SEM
a. Ukuran sampel
Menurut Ferdinand 2002:48 ukuran sampel tergantung pada jumlah parameter yang diestimasi. Pedomannya adalah 5 – 10 kali
jumlah parameter yang diestimasi. Dalam penelitian ini terdapat 17 indikator, sehingga jumlah sampel yang bisa digunakan antara 85-
170 sampel. Tetapi dengan adanya jumlah sampel minimum yaitu 100, maka penulis mengambil 150 responden sebagai sampel.
b. Normalitas
Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skewness value
sebesar ± 1.96 pada tingkat signifikansi 5. Data dapat disimpulkan memiliki distribusi normal bila nilai
critical ratio skewness value di bawah harga mutlak 1.96.
c. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai
ekstrim baik secara univariat maupun multivariat yaitu muncul karena kombinasi kharakteristik unik yang dimilikinya dan terlihat
jauh berbeda dari observasi lainnya Ferdinand, 2002:52. Uji terhadap outliers dilakukan dengan menggunakan kriteria jarak
mahalanobis pada tingkat p 0.005 dan dievaluasi menggunakan χ
2
pada derajat bebas sebesar jumlah variabel indikator yang digunakan. Dalam penelitian ini terdapat 17 indikator, maka semua kasus yang
memiliki mahalanobis distance yang lebih besar dari χ
2
17, 0.005 = 35.72 adalah outliers. Apabila terdapat data yang outliers, maka
data tersebut dapat dikeluarkan dari permodelan.
d. Multikolinearitas dan Singularitas
Multikolinearitas adalah adanya hubungan linier yang sempurna diantara beberapa atau semua variabel yang menjelaskan
dari model regresi. Ferdinand 2002:54 menjelaskan bahwa multikolinearitas dapat dideteksi dari determinan matriks kovarians.
Nilai determinan matriks kovarians yang sangat kecil sama dengan nol memberi indikasi multikolinearitas atau singularitas. Solusinya
adalah dengan
mengeluarkan variabel
yang menyebabkan
singularitas dan menciptakan composite variables untuk analisis selanjutnya.
2. Uji Kesesuaian
Dalam analisis SEM digunakan beberapa fit index untuk mengukur “kebenaran” model yang diajukannya. Berikut ini beberapa
indeks kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
a. χ2 - Chi-Square Statistic
Menurut Ferdinand 2002:55 alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio Chi-square statistic.
Model yang diuji akan dipandang baik atau memuaskan bila nilai chi
-squarenya rendah. Semakin kecil nilai χ2 semakin baik model
itu dan diterima berdasarkan probabilitas dengan cut-off value lebih dari 0.05.
b. RMSEA – The Root Mean Square Error of Approximation
Menurut Baumgartner Homburg dalam Ferdinand, 2002:56 RMSEA adalah sebuah indeks yang dapat digunakan untuk
mengkompensasi chi-square statistic dalam sampel yang besar. Nilai RMSEA yang kurang dari atau sama dengan 0.08 merupakan indeks
yang dapat diterima untuk menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.
c. GFI – Goodness of Fit Index
GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1.0 perfect fit. Nilai
yang tinggi dalam indeks ini menunjukkan sebuah “better fit” Ferdinand, 2002:57. Nilai GFI yang dapat diterima adalah lebih
dari atau sama dengan 0.90.
d. AGFI – Adjusted Goodness-of-Fit Index
Menurut Ferdinand 2002:58 GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians
dalam sebuah matriks kovarians sampel.
Dimana: + , -,.+
,01,,+ -2 21,, - Nilai AGFI yang dapat diterima adalah lebih dari atau sama dengan
0.90.
e. CMINDF
CMINDF Digunakan sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. CMINDF adalah statistic
chi-square ,
χ2 dibagi DFnya sehingga disebut χ2-relatif Ferdinand, 2002:58. Nilai CMINDF yang dapat diterima adalah kurang dari
atau sama dengan 2.
f. TLI – Tucker Lewis Index
Menurut Baumgartner Homburg dalam Ferdinand, 2002:59 TLI adalah sebuah alternatif incremental fit index yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model.
Indeks ini diperoleh dengan rumus:
34 5
5 5
Dimana: C
= diskrepansi dari model yang dievaluasi d
= degrees of freedomnya C
b
dan d
b
= diskrepansi dan degrees of freedom dari baseline model yang dijadikan pembanding.
Nilai TLI yang dapat diterima adalah lebih dari atau sama dengan 0.95.
g. CFI – Comparative Fit Index
Menurut Tanaka dalam Hullen dalam Ferdinand, 2002:60 keunggulan dari indeks ini adalah besarannya tidak dipengaruhi oleh
ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model.
5 67
5 5
Dimana: C
= diskrepansi dari model yang dievaluasi d
= degrees of freedomnya