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 11. Validitas Data
Standardize Faktor Loading dan Construct dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X1
0.689 X2
0.700 X3
0.602 X4
0.418 X5
0.706 X6
0.700 Customer
Satisfacion X7
0.668 Y1
0.763 Y2
0.707 Customer Loyalty
Y3 0.725
Sumber : Lampiran Berdasarkan hasil confirmatory faktor analysis terlihat bahwa faktor
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. Uji 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 dalam koridor uji konsistensi internal yang
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator- indikator individual mengukur suatu pengukuran yang sama Purwanto, 2002.
Dan variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance extracted dapat dilihat dalam table di bawah
ini.
Tabel 12. Construct Reliability dan Variance Extracted
Const r uct Reliabilit y Var iance Ex t r at ed
Konstrak Indikator Standardize
Factor Loading
SFL Kuadrat
Error [ εj]
Construct Reliability
Variance Extrated
X1 0.689 0.475 0.525
X2 0.700 0.490 0.510
X3 0.602 0.362 0.638
X4 0.418 0.175 0.825
X5 0.706 0.498 0.502
X6 0.700 0.490 0.510
Customer Satisfacion
X7 0.668 0.446 0.554
0.832 0.420
Y1 0.763 0.582 0.418
Y2 0.707 0.500 0.500
Customer Loyalty Y3
0.725 0.526 0.474 0.776 0.536
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber :Lampiran Hasil pengujian reliabilitas instrumen dengan construct reliability dan
variance extracted menunjukkan instrument reliabel, yang ditunjukkan dengan nilai construct reliability 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.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.3.5. Uji 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 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. Hasilnya diperoleh nilai c.r. multivariat diantara 2,58 dan itu berarti
asumsi normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut :
Tabel 13. Uji Normalitas
Assessment of normality Variable Min
max Kurtosis
c.r. X1 1
5 2.338
4.773 X2 1
5 1.296
2.646 X3 1
5 2.417
4.933 X4 1
5 0.296
0.604 X5 1
5 2.498
5.098 X6 1
5 1.880
3.837 X7 2
5 0.256
0.523 Y1 1
5 1.156
2.361 Y2 1
5 1.452
2.964 Y3 1
5 0.348
0.711
Multivariate 15.959
5.151 Batas Normal
± 2,58
Sumber :Lampiran Hasil uji menunjukkan bahwa nilai c.r. multivariate berada di luar ±
2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini tidak menjadi
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
masalah serius seperti dikatakan oleh Bentler dan Chou 1987 bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation
MLE walau distribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.3.6. Uji Multicollinierity dan singularity
