4.3.3. Evaluasi Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang
seharusnya diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable construct akan diuji dengan melihat loading factor
dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini :
Tabel 4.10. Validitas Data
Konstrak Indikator
Faktor Loading 1
2 3
4 Advertisement
X11 0.586
X12 0.860
X13 0.875
Product Attraction
X21 0.876
X22 0.880
X23 0.822
Purchase Intention
Y1 0.847
Y2 0.721
Y3 0.692
Y4 0.258
Sumber Berdasarkan hasil confirmatory factor analysis terlihat bahwa
factor loadings masing-masing butir pertanyaan yang membentuk setiap
construct seluruhnya
≥ 0,5, sehingga butir -butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya baik.
: Lampiran
4.3.4. Evaluasi 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 termasuk uji konsistensi
internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang
sama Purwanto, 2003. Variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance
extracted dapat dilihat dalam tabel berikut ini :
Tabel 4.11. Construct Reliability Dan Variance Extracted
Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[εj] Construct
Reliability Variance
Extrated Advertisement
X11 0.586
0.343 0.657
0.824 0.616
X12 0.860
0.740 0.260
X13 0.875
0.766 0.234
Product Attraction
X21 0.876
0.767 0.233
0.895 0.739
X22 0.880
0.774 0.226
X23 0.822
0.676 0.324
Purchase Intention
Y1 0.847
0.717 0.283
0.741 0.446
Y2 0.721
0.520 0.480
Y3 0.692
0.479 0.521
Y4 0.258
0.067 0.933
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber Hasil pengujian reliabilitas instrumen dengan construct reliability
dan variance extracted menunjukkan instrumen reliable, 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.
: Lampiran
4.3.5. Evaluasi Normalitas
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan 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 4.12. Normalitas Data
Sumber 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
: Lampiran Variable
Min max
kurtosis c.r.
X11 4
7 -0.213
-0.434 X12
4 7
-0.140 -0.286
X13 4
7 -0.350
-0.714 X21
3 7
-0.472 -0.963
X22 4
7 -0.395
-0.806 X23
4 7
-0.672 -1.371
Y1 3
7 0.109
0.223 Y2
4 7
-0.597 -1.219
Y3 4
7 0.242
0.494 Y4
4 7
-0.286 -0.584
Multivariate -4.725
-1.525 Batas Normal
± 2,58
signifikansi 0,01 [1] yaitu sebesar ± 2,58.
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 distribusi datanya tidak
normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.3.6. Stuctural Equation Modeling SEM