80
4.3. Deskripsi Hasil Pengujian Hipotesis 4.3.1 Asumsi Model
4.3.1.1 Uji Normalitas Sebaran dan Linieritas
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 mak dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifikan 0,01 [1] yaitu sebesar + 2,58. Hasil pengujian Normalitas pada enelitian ini akan ditampilkan sebagai berikut:
Tabel 4.14 Hasil Pengujian Normalitas
Sumber : Lampiran
Assessm ent of norm alit y Variable
m in m ax
kurt osis c.r .
X1 1
5 0.537
1.097 X2
1 5
- 0.209 - 0.427
X3 1
5 - 0.540
- 1.103 X4
1 5
- 0.727 - 1.484
X5 1
5 - 1.128
- 2.302 Y11
1 5
- 0.585 - 1.195
Y12 1
5 - 0.956
- 1.952 Y13
2 5
- 0.841 - 1.717
Y21 1
5 - 0.463
- 0.945 Y22
1 5
- 0.769 - 1.570
Y23 2
5 - 0.014
- 0.028 Z1
1 5
- 0.748 - 1.526
Z2 1
5 - 0.977
- 1.994 Z3
1 5
- 0.786 - 1.605
Z4 1
5 - 1.243
- 2.537
M u lt iv a r ia t e
38.122 8 .4 4 0
Ba t a s N or m a l ± 2 ,5 8
81
Berdasarkan dari hasil pengujian diatas menunjukkan bahwa nilai c.r mutivariate berada didalam + 2,58 itu berarti asumsi normalitas tidak terpenuhi.
4.3.1.2 Evaluasi atas outlier
Outlier adalah observasi atau data yang memilik karasteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainya dari muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi
[Hair,1998]. Multivariate outlier diuji dengan kriteria jarak Mahalaobis pada tingkat
p 0,001. Jarak diuji dengan Chi-Square [X2] pad df sebesar jumlah variabel
bebasnya df =14. Ketentuan bila Mahalabonis dari nilai Mahalabonis distancennya 37,697.
Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate :
Tabel 4.15 Hasil Pengujian Outlier Multivariate
Residuals St at ist ics a
Minim um Max im um
Mean St d.
Dev iat ion N
Pr edict ed Value 20.720
70.540 50.500
9.865 100
St d. Predict ed Value - 3.018
2.032 0.000
1.000 100
St andar d Err or of Predict ed Value 5.243
18.776 11.486
2.918 100
Adj ust ed Predict ed Value 10.600
91.000 50.370
11.844 100
Residual - 54.022
56.945 0.000
27.283 100
St d. Residual - 1.824
1.923 0.000
0.921 100
St ud. Residual - 1.976
2.183 0.002
1.000 100
Delet ed Residual - 69.998
73.397 0.128
32.346 100
St ud. Delet ed Residual - 2.012
2.234 0.002
1.007 100
Mahalanobis Dist ance [ MD] 2.112
3 8 .7 9 5 14.850
7.902 100
Cook s Dist ance 0.000
0.124 0.012
0.019 100
Cent er ed Lev er age Value 0.021
0.392 0.150
0.080 100
a Dependent Var iable : NO. RESP Sumber : Data Diolah
82
Berdasarkan table diatas, setelah dilakukan pengujian ditemukan nilai Mahal Distance maksimum
adalah 38,795 37,697. Oleh karena itu diputuskan dalam penelitian ini terdapat outlier multivariate antar variabel.
4.3.1.3 Deteksi Multicollinierity dan Singularity
Dengan mengamati determinant matriks covarians dengan ketentuan apabila determinant sample matrik mendekati angka 0[kecil], maka terjadi
multikolinieritas dan singularitas Tabacnick fidell, 1998 Dilihat dari angka determinant of sample covariance matrix :
4.293.047.219 0 mengindikasikan tidak terjadi multicollinierity atau singularity dalam data ini, sehingga asumsi terpenuhi.
4.3.1.4 Uji Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana
masing-masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variabel construct aka diuji dengan melihat loading faktor dari hubungan antara
setiap obseverd variable dan latent variable.
83
Tabel 4.16 Faktor loading dan konstruk dengan confirmatory factor analisys
Berdasarkan hasil confirmatory factor analisys terlihat bahwa factor loading
masing-masing butir pernyataan yang membentuk setiap construc belum seluruhnya
4.3.1.5 Uji Reliabilitas
0,5, sehingga butir-butir instrumentasi setiap konstruk dikatakan
Validitasnya cukup baik.
Seperti dijelaskan pada bab sebelumnya bahwa Conbach’s Alpha ini digunakan untuk mengestimasi relibilitas setiap skala variable atau observasi
indicator. sementara itu item total correlation digunakan untuk memperbaiki ukuran- ukuran dan mengeliminasi butir-butir yang kehadirannya akan
memperkecil koefisien Cronbach’s alpha yang dihasilkan .
St andardize Fakt or Loading dan Const ruct dengan Confirm at ory Fact or Analysis
Konst rak I ndikat or
Fakt or Loading 1
2 3
4
Ser vice Qualit y X1
0.438 X2
0.404 X3
0.490 X4
0.458 X5
0.745 Sat isfact ion
Y11 0.513
Y12 0.677
Y13 0.575
Trust Y21
0.565 Y22
0.668 Y23
0.415 Loyalt y
Z1 0.723
Z2 0.539
Z3 0.829
Z4 0.776
84
Tabel 4.17 Pengujian Relibilitty Consistency Internal
Penguj ian Reliabilit y Consist ency I nt ernal Konst rak
I ndikat or I t em t o Tot al
Cor r elat ion Koefisien
Cronbachs Alpha
Ser vice Qualit y
X1 0.598
0.711 X2
0.638 X3
0.768 X4
0.713 X5
0.705 Sat isfact ion
Y11 0.774
0.644 Y12
0.772 Y13
0.755 Trust
Y21 0.765
0.582 Y22
0.787 Y23
0.658 Loyalt y
Z1 0.801
0.792 Z2
0.669 Z3
0.833 Z4
0.842 : t er elim inasi
Sumber : Data Diolah Hasil pengujian reliabilitas konsistensi internal untuk setiap construct
diatas menunjukkan hasil cukup baik dimana koefisien Cronbach’s Alpha yang diperoleh belum seluruhnya memenuhi rules of tumb yang disyaratkan yaitu
4.3.1.6 uji Contruct Reliability dan Variance Extracted
0,7 [Hair et.al.,1998].
Selain melakukan pengujian konsitensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian contruct reliability dan Variance extracted. Kedua
pengujian tersebut masih termasuk uji konsistensi internal yang akan memberikan peneliti kepercayaan diri dari data yang lebih besar bahwa indicator –indikator
individual mengukur suatu pengukuran yang sama.
85
Tabel 4.18 Construct Relibility Variance Extrated
Const ruct Reliabilit y Variance Ext rat ed Konst rak
I ndikat or St andardize
Fact or Loading
SFL Kuadrat
Er ror [εj]
Const ruct Reliabilit y
Variance Ext rat ed
Ser vice Qualit y
X1 0.438
0.192 0.808
0.638 0.272
X2 0.404
0.163 0.837
X3 0.490
0.240 0.760
X4 0.458
0.210 0.790
X5 0.745
0.555 0.445
Sat isfact i on
Y11 0.513
0.263 0.737
0.615 0.351
Y12 0.677
0.458 0.542
Y13 0.575
0.331 0.669
Trust Y21
0.565 0.319
0.681 0.568
0.313 Y22
0.668 0.446
0.554 Y23
0.415 0.172
0.828 Loyalt y
Z1 0.723
0.523 0.477
0.812 0.526
Z2 0.539
0.291 0.709
Z3 0.829
0.687 0.313
Z4 0.776
0.602 0.398
Ba t a s D a p a t
D it e r im a ≥ 0,7
≥ 0,5
Sumber : Data Diolah Hasil Pengujian reliabilitas instrument dengan contruct reliability dan
variance extracted menjukkan instrument cukup reliable, yang ditujukkan dengan nilai construk reliability belum seluruhnya 0,7. Meskipun demikian angka
tersebut bukanlah sebuah ukuran ‘mati’artinya apabila penelitian dilakukan bersifat exploratory, maka nilai dibawah 0,70 pun masih dapat diterima sepanjang
disertai alasan=alasan empiric yang terlihat dalam proses eksploratory. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.3.2 Pengujian Model Dengan One-StepApproach
Dalam model SEM, model pengukuran dan model parameter- parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan
86
dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang
diestimasi secara bersama-sama [One Step Approach to SEM]. One Step Approach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang
kuat serta validitasnya reliabilitas data sangat baik [Hair et.al.,1998] Hasil Estimasi dan fit model One Step Model one step approach dengan
menggunakan progam aplikasi Amos 4.01 terlihat pada gambar dan Tabel Goodness of Fit dibwah ini.
Gambar 4.1 Model Pengukuran Kausalitas One Step Approach
MODEL PENGUKURAN STRUKTURAL Service Quality, Satisfaction, Trust, Loyalty
Model Specification : One Step Approach - Base Model
Loyalty Satisfaction
d_lo 1
1
Service Quality
X1 er_1
X2 er_2
1 1
Trust 0,005
d_st 1
0,005 d_tr
Z1 er_9
1 1
Y11 er_6
1 1
Y21 er_13
1 1
Y22 er_14
1 1
Z2 er_10
1 X3
er_3 1
Z3 er_11
1 Y12
er_7 1
Y23 er_15
1 X4
er_4 1
Y13 er_8
1
Z4 er_12
1 X5
er_5 1
87
Tabel 4.19 Evaluasi Kriteria Goodnessof Fit Indices
Evaluasi Krit eria Goodness of Fit I ndices Krit eria
Hasil Nilai Krit is
Evaluasi Model
Cm in DF 1.775
≤ 2,00 baik
Probabilit y 0.000
≥ 0,05 kurang
baik RMSEA
0.088 ≤ 0,08
kurang baik
GFI 0.839
≥ 0,90 kurang
baik AGFI
0.779 ≥ 0,90
kurang baik
TLI 0.843
≥ 0,95 kurang
baik CFI
0.870 ≥ 0,94
kurang baik
Sumber : Data Diolah Dari hasil evaluasi terhadap model one step base model ternyata dari
semua criteria goodness of fit yang digunakan, seluruhnya belum menunjukkan hasil evaluasi model yang baik , berarti model belum sesuai dengan data. Artinya,
model konseptual yang dikembangkan dan dilandasi oleh teori belum sepenuhnya didukung oleh fakta. Dengan demikian model ii masih perlu dimodifikasi
sebagaimana pada model awal yang digunakan.
88
Gambar 4.2. Model Pengukuran Kausalitas One Step Approach
Tabel 4.20. Evaluasi Kriteria Goodness of Fit Indieces
Evaluasi Krit eria Goodness of Fit I ndices Krit eria
Hasil Nilai Krit is
Evaluasi Model
Cm in DF 1.162
≤ 2,00 baik
Probabilit y 0.150
≥ 0,05 baik
RMSEA 0.041
≤ 0,08 baik
GFI 0.901
≥ 0,90 baik
AGFI 0.900
≥ 0,90 baik
TLI 0.967
≥ 0,95 baik
CFI 0.975
≥ 0,94 baik
Sumber : Data Diolah Dari hasil evaluasi terhadap model one step modifikasi ternyata dari semua
criteria Goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai data Artinya, model konseptial yang
dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan
keterkaitan antar variable dalam model sebagaimana terdapat dibawah ini.
MODEL PENGUKURAN STRUKTURAL Service Quality, Satisfaction, Trust, Loyalty
Model Specification : One Step Approach - Modifikasi
Loyalty Satisfaction
0,005 d_lo
1
1
Service Quality
X1 er_1
X2 er_2
1 1
Trust 0,005
d_st 1
0,005 d_tr
Z1 er_9
1 1
Y11 er_6
1 1
Y21 er_13
1 1
Y22 er_14
1 1
Z2 er_10
1 X3
er_3 1
Z3 er_11
1 Y12
er_7 1
Y23 er_15
1 X4
er_4 1
Y13 er_8
1
Z4 er_12
1 X5
er_5 1
89
Dilihat dari angka determinant of sample covariance matrix : 4.293.047.219 0 mengindikasikan tidak terjadi multicolinierity atau singularity
dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi amsing-masing factor daapt dipercaya sebagaimana terlihat pada uji
kausalitas dibawah ini.
4.3.3. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikan pembanding nilai CR Critical Ratio atau P
Probability yang sama dengan nilai t
hitung.
Apabila t
hitung lebih
Regr ession Weight s
besar dari pada t tabel berarti signifikan.
Tabel 4.21 Uji Kausalitas
Ust d St d
Prob. Fakt or
Fakt or Est im at e
Est im at e Sat isfact ion
Service_Qualit y 0.566
0.992 0.000
Trust Service_Qualit y
0.397 0.699
0.768 Trust
Sat isfact ion 0.294
0.295 0.902
Loyalt y Sat isfact ion
- 2.820 - 2.077
0.469 Loyalt y
Trust 4.082
2.998 0.280
Bat as Signifikansi
≤ 0,10
Sumber : Data Diolah Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan
bahwa : A. Faktor kualitas layanan berpengaruh positif terhadap faktor kepuasan, dapat
diterima [Prob.Kausalnya 0,000 B. Faktor kualitas layanan berpengaruh positif terhadap faktor kepercayaan,
tidak dapat diterima [Prob. kausalnya 0,768 0,10 [Tidak signifikan[positif]. 0,10 [Signifikan [Positif].
90
C. Faktor kepuasan berpengaruh positif terhadap faktor kepercayaan, tidak dapat diterima [Prob. kausalnya 0,902 0,10 [tidak signifikan [positif].
D. Faktor kepuasan berpengaruh positif terhadap faktor loyalitas, tidak dapat diterima[Prob.kausalnya 0,469 0,10 [tidak signifikan [negatif].
E. Faktor kepercayaan berpengaruh positif terhadap faktor loyalitas, tidak dapat diterima [Prob. kausalnya 0,280 0,10 [tidak signifikan [positif].
4.4. Pembahasan
Kategori