Tabel 4.11. Validitas data
Faktor Loading Konstrak Indikator
1 2 3 4 X11
0,216 X12
0,121 Product
X13 0,967
X21 0,128
Price X22
0,193 X31
0,998 X32
-0,201 Distribution
X33 0,010
X41 0,249
Promotion X43
0,314 Y3
0,193 Purchase Decision
Y4 -0,089
Sumber : Lampiran
Berdasarkan hasil
confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct
sebagian besar 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya kurang 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 akan memberikan peneliti kepercayaan diri yang lebih besar
bahwa indikator-indikator individual mengukur suatu pengukuran yang sama Purwanto, 2002. Hasil perhitungan construct reliability dan
variance extracted dapat dilihat dalam tabel dibawah ini :
Tabel 4.12. Construct Reliability Variance Extrated
Konstrak Indikator Standardize
Faktor Loading SFL Kuadrat
Error [ εј]
Construct Realibility
Varience Extrated
X11 0,216 0,047 0,953
X12 0,121 0,015 0,985
Product X13 0,967 0,935
0,065 0,459 0,332
X21 0,128 0,016 0,984
Price X22 0,193 0,037
0,963 0,050 0,027
X31 0,998 0,996 0,004
X32 -0,201 0,040 0,960
Distribution X33 0,010 0,000
1,000 0,249 0,346
X41 0,249 0,062 0,938
Promotion X43 0,314 0,099
0,901 0,147 0,080
Y3 0,193 0,037 0,963
Purchase Decision
Y4 -0,089 0,008 0,992
0,006 0,023
Batas Dapat Diterima ≥0,7
≥0,5
Sumber : Lampiran
Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen kurang 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. 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. multivariate berada diantara
± 2,58 dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan
dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut :
Tabel 4.13. Normalitas Data
Variable min max kurtosis
c.r. X11 3 7
0,032 0,066
X12 3 7 -0,243
-0,508 X13 4 7
-0,565 -1,182
X21 4 7 0,315
0,658 X22 3 7
0,383 0,802
X31 3 7 -0,166
-0,346 X32 4 7
-0,431 -0,901
X33 3 7 0,073
0,152 X41 3 7
-1,004 -2,100
X43 4 7 -0,911
-1,906 Y3 4
7 -0,551
-1,153 Y4 2
7 0,281
0,5587
Multivariate 2,823
0,789 Batas Normal
±2,58
Sumber : Lampiran
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas 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