51
Tabel 4.11. Standardize Faktor Loading dan Construct dengan
Confirmatory Factor Analysis Konstrak Indikator
Faktor Loading 1 2 3 4
Berwujud X
1
X11 0.330
X12 0.368
X13 0.407
Keandalan X
2
X22 0.692
X23 0.685
Daya Tanggap X
3
X31 0.865
X32 0.588
X33 0.492
Jaminan X
4
X41 0.065
X42 0.998
X43 0.055
Empati X
5
X51 0.337
X52 0.004
X53 0.201
Kepuasan Pelanggan
Y Y2
0.097
Sumber : Lampiran 3
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct belum
seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat
dikatakan validitasnya kurang baik
4.2.4. Uji Construct Reliability Variance Extrated
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
52
mengukur suatu pengukuran yang sama. Hasil perhitungan construct reliability dan variance extracted dalam tabel berikut ini:
Tabel 4.12. Construct Reliability
dan Variance Extracted Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[ εj]
Construct Reliability
Variance Extrated
Berwujud X
1
X11 0.330 0.109 0.891
0.320 0.137 X12 0.368 0.135
0.865 X13 0.407 0.166
0.834 Keandalan
X
2
X22 0.692 0.479 0.521
0.643 0.474 X23 0.685 0.469
0.531 Daya Tanggap
X
3
X31 0.865 0.748 0.252
0.695 0.445 X32 0.588 0.346
0.654 X33 0.492 0.242
0.758 Jaminan
X
4
X41 0.065 0.004 0.996
0.385 0.334 X42 0.998 0.996
0.004 X43 0.055 0.003
0.997 Empati
X
5
X51 0.337 0.114 0.886
0.094 0.051 X52 0.004 0.000
1.000 X53 0.201 0.040
0.960 Kepuasan
Pelanggan Y
0.009 0.009 Y2 0.097
0.009 0.991
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.
53
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 4.13. Assessment Of Normality
Variable Min max kurtosis
c.r. X11 3 7
-0.728 -1.572
X12 3 7 -1.081
-2.336 X13 3 7
-0.502 -1.084
X22 3 7 -0.031
-0.067 X23 3 7
-0.596 -1.287
X31 3 7 -0.543
-1.173 X32 3 7
-0.528 -1.140
X33 3 7
-0.599 -1.293
X41 3 7 -0.949
-2.049 X42 3 7
-0.984 -2.126
X43 3 7 -0.875
-1.889 X51 3 7
-0.891 -1.926
X52 3 7 -0.563
-1.217 X53 3 7
-0.523 -1.130
Y2 3 7
-0.681 -1.471
Multivariate 5.943
1.393 Batas Normal
± 2,58
Sumber : Lampiran 3
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
54
ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya
4.2.6 Analisis Model One – Step Approach to SEM
