Validitas dan Reliabilitas Konstruk Model Partial Least Square PLS

55 Tabel 20. Validitas Indikator Reflektif pada Konstruk CUEX CUSAT IMAGE LOYALTY PRQ PRV CUEX1 0.842881 0.518235 0.504279 0.539217 0.546216 0.579676 CUEX2 0.844106 0.497979 0.529749 0.403202 0.540041 0.429658 CUEX3 0.775391 0.426330 0.472929 0.274689 0.439990 0.326661 CUSAT1 0.560130 0.897452 0.574861 0.640657 0.637319 0.584456 CUSAT2 0.502167 0.888004 0.538607 0.584633 0.629095 0.567510 CUSAT3 0.500076 0.863075 0.573905 0.629207 0.588713 0.550293 IMAGE1 0.433532 0.510328 0.738820 0.410808 0.572861 0.474713 IMAGE2 0.519619 0.443572 0.693959 0.330795 0.517749 0.408281 IMAGE3 0.309456 0.367738 0.622079 0.437369 0.335104 0.397943 IMAGE4 0.491679 0.524887 0.809433 0.400390 0.568254 0.445321 IMAGE5 0.445349 0.445109 0.744943 0.448568 0.530629 0.434514 LOYAL1 0.240018 0.466675 0.359934 0.728079 0.395768 0.507907 LOYAL2 0.530466 0.645762 0.530466 0.859918 0.600876 0.642187 LOYAL3 0.291691 0.354961 0.264573 0.541003 0.284077 0.296101 PRQ1 0.487573 0.590586 0.600516 0.482875 0.828132 0.544950 PRQ2 0.432964 0.514971 0.515705 0.483882 0.795239 0.504827 PRQ3 0.528284 0.591142 0.600962 0.585423 0.809866 0.541397 PRQ4 0.552405 0.591239 0.605483 0.497470 0.857363 0.591904 PRQ5 0.559793 0.583705 0.569658 0.496517 0.815426 0.596656 PRV1 0.559673 0.572186 0.563676 0.600554 0.635239 0.881823 PRV2 0.469821 0.576224 0.537316 0.569052 0.621946 0.875383 PRV3 0.294442 0.387739 0.302447 0.545180 0.331370 0.651456 Berdasarkan data pada Tabel 20, tampak bahwa semua loading factor pada indikator reflektif memiliki nilai di atas 0.50. Sehingga dengan demikian dapat disimpulkan bahwa konstruk mempunyai convergent validity yang baik. Nilai cross loading juga menunjukkan adanya discriminat validity yang baik oleh karena nilai korelasi indikator reflektif terhadap konstruk lebih tinggi dibandingkan nilai korelasi indikator reflektif dengan konstruk lainnya. Hasil ini dapat diinterpretasikan bahwa seluruh indikator atau butir-butir pertanyaan reflektif telah valid, dapat digunakan sebagai instrumen pengukuran dalam model. 56 Reliabilitas suatu konstruk dapat dinilai dari composite reliability, Average Variance Extracted AVE dan membandingkan nilai akar AVE dengan nilai korelasi antar konstruk. Hasil luaran dari SmartPLS adalah sebagaimana disajikan dengan lebih sederhana pada Tabel 21 berikut. Tabel 21. Reliabilitas Konstruk dengan Indikator Reflektif Composite Reliability Average Variance Extracted AVE CUEX 0.861374 0.674731 CUSAT 0.913869 0.779623 IMAGE 0.845770 0.524907 LOYALTY 0.759186 0.520747 PRQ 0.912043 0.674816 PRV 0.849020 0.656101 Sebuah konstruk dengan indikator reflektif dikatakan memiliki reliabilitas yang baik jika nilai composite reliability-nya di atas 0.60 dan Nilai AVE-nya di atas 0.50. Berdasarkan tabel ini dapat disimpulkan bahwa semua konstruk telah reliable atau handal, sehingga secara konsisten akan mengukur apa yang seharusnya diukur, dalam hal ini asumsinya adalah selama tidak terjadi perubahan psikologis pelanggan. Selain dari composite reliability dan Average Variance Extracted AVE untuk menggambarkan tingkat kehandalan suatu konstruk, dapat pula dengan membandingkan perolehan nilai akar AVE dengan nilai korelasi antar konstruk. Tabel 22. Korelasi Antar Konstruksi Laten CUEX CUSAT IMAGE LOYALTY PRQ PRV CUEX 1.000000 CUSAT 0.590566 1.000000 IMAGE 0.611094 0.637349 1.000000 LOYALTY 0.515168 0.700674 0.557004 1.000000 PRQ 0.625645 0.700527 0.705717 0.620875 1.000000 PRV 0.562114 0.642867 0.597186 0.696957 0.677882 1.000000 57 Tabel 23. Nilai Average Variance Extracted AVE dan Akar AVE AVE √AVE CUEX 0.674731 0.8214 CUSAT 0.779623 0.8830 IMAGE 0.524907 0.7245 LOYALTY 0.520747 0.7216 PRQ 0.674816 0.8215 PRV 0.656101 0.8100 Nilai akar AVE ternyata lebih tinggi di bandingkan dengan nilai korelasi antar konstruk lainnya dan ini berarti konstruk dengan indikator reflektif, memiliki discriminant validity yang tinggi. Hasil ini semakin mendukung dan memperkuat analisis composite reliability dan Average Variance Extracted yang telah dilakukan, dalam menguji reliabilitas dari konstruk.

4.5 Kausalitas di Antara Peubah-peubah Latent Pembentuk Kepuasan

Kausalitas di antara peubah-peubah latent pembentuk kepuasan pelanggan, dapat diketahui dengan menilai inner model yakni melihat hubungan antar konstruk laten dengan melihat hasil estimasi koefisien parameter path dan tingkat nyatasinya. Pengujian hipotesis dilakukan dengan memperhatikan nilai t Statistics dari hasil Path Coefficients, dan besar keragaman konstruk latent endogen yang mampu dijelaskan oleh konstruk latent eksogen dilihat dari hasil koefisien determinansi R Square. Inner model menghasilkan koefisien jalur yang dapat digunakan untuk pengujian hipotesis alternatif yang telah ditetapkan. Tabel 24. Uji kausalitas peubah-peubah latent pembentuk kepuasan pelanggan Original Sample O Sample Mean M Standard Deviation STDEV Standard Error STERR T Statistics |OSTERR| CUEX - CUSAT 0.150349 0.147609 0.052152 0.052152 2.882876 CUEX - PRV 0.226763 0.227873 0.047969 0.047969 4.727235 IMAGE - CUSAT 0.179691 0.183840 0.051234 0.051234 3.507279 IMAGE - PRQ 0.705717 0.706158 0.028295 0.028295 24.941077 PRQ - CUSAT 0.317202 0.318890 0.059831 0.059831 5.301620 PRQ - PRV 0.536010 0.534961 0.047925 0.047925 11.184281 PRV - CUSAT 0.226987 0.224712 0.054446 0.054446 4.169034 58

a. Pengaruh Perceived Quality Terhadap Kepuasan Pelanggan

Hipotesis alternatif H1a yang diajukan adalah perceived quality berpengaruh positif secara langsung dan nyata terhadap kepuasan pelanggan. Berdasarkan hasil bootstrapping, diketahui kausalitas latent PRQ - CUSAT memiliki nilai koefisien 0,317 dan t Statistics 5,302 t Tabel  = 0,05 pada uji 1 arah 1,645. Dengan demikian dapat diambil kesimpulan untuk menerima hipotesis alternatif H1a yang diajukan, yakni perceived quality memiliki pengaruh langsung yang positif dan nyata terhadap kepuasan pelanggan. Kualitas produk Bimoli yang dirasakan oleh pelanggan, dalam hal kondisi minyak saat digunakan, bebas dari kolesterol, kemampuan memasak secara merata, higienitas, dan warna produk, dapat diinterpretasikan melalui perolehan nilai rataan mean. Analisis deskriptif ukuran nilai pusat dengan pendekatan nilai rataan mean dari skala pengukuran semantic differensial 1 – 5 dapat diketahui hasilnya sebagaimana disajikan pada Tabel 25. Tabel 25. Nilai Rataan Perceived Quality Indikator Perceived Quality Mean Interpretasi Kondisi Bimoli saat digunakan 3.911688 Tidak mudah gosong Kandungan kolesterol 3.833766 Bebas kolesterol Kemampuan memasak masakan 3.823377 Menjadikan masakan masak merata Higienitas 4.090909 Higienis Warna minyak 4.088312 Jernih Berdasarkan data pada Tabel 25 tersebut di atas, maka dapat diketahui bahwa pelanggan menyatakan telah merasakan Bimoli sebagai produk minyak goreng yang berkualitas, sebagaimana diindikasikan dari indikator-indikator yang telah ditetapkan dalam merefleksikan latent perceived quality. Hal inilah yang mendasari terciptanya kepuasan pelanggan, sebagaimana telah dibuktikan melalui pengujian hipotesis alternatif H1a.

b. Pengaruh Perceived Value Terhadap Kepuasan Pelanggan

Hipotesis alternatif H2 yang diajukan adalah perceived value berpengaruh positif secara langsung dan nyata terhadap kepuasan pelanggan. Berdasarkan hasil bootstrapping, diketahui kausalitas latent PRV - CUSAT