53
4.2.4. Uji Construct Reliability Variance Extracted
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua
pengujian tersebut masih termasuk uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual
mengukur suatu pengukuran yang sama. Hasil perhitungan construct reliability dan variance extracted dalam tabel berikut :.
Tabel 4.9. Construct Reliability dan Variance Extracted
Konstrak Indikator Standardize
Factor Loading
SFL Kuadrat
Error [ εj]
Construct Reliability
Variance Extrated
X11 0.744 0.554 0.446
X12 0.760 0.578 0.422
X13 0.768 0.590 0.410
Pelayanan X14 0.095 0.009
0.991 0.712 0.432
X21 0.282 0.080 0.920
X22 0.146 0.021 0.979
X23 0.086 0.007 0.993
X24 0.999 0.998 0.002
Fasilitas X25 0.298 0.089
0.911 0.463 0.239
Y1 0.940 0.884
0.116 Keputusan
Konsumen Y2 0.202
0.041 0.959
0.548 0.462
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber : Lampiran 3
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
54
4.2.5. 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. Hasil analisis tampak pada tabel berikut :
Tabel 4.10. Assessment Of Normality
Variable min max kurtosis
c.r. X11 3 7
-0.259 -0.554
X12 2 7 -0.615
-1.316 X13 2 7
0.054 0.116
X14 1 7 -0.242
-0.518 X21 3 7
-0.601 -1.288
X22 1 7 -0.109
-0.234 X23 2 7
-0.058 -0.124
X24 2 7 -0.521
-1.115 X25 2 7
-0.222 -0.476
Y1 2 7
-0.612 -1.311
Y2 2 7
-0.352 -0.753
Multivariate
46.350
14.372 Batas Normal
± 2,58
Sumber : Lampiran 3 Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di luar ± 2,58
itu berarti asumsi normalitas tidak 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
55
4.2.6. Analisis Model