Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak
Mahalanobis itu dievaluasi dengan menggunakan χ
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang
mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
χ
2 0.001
dengan jumlah indikator 10 adalah sebesar 29,588. Hasil analisis Mahalanobis
diperoleh nilai 30,848 lebih dari χ
2
tabel 29,588 tersebut. Dengan demikian, terjadi multivariate outliers.
4.3.2. Evaluasi Reliabilitas
Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s
Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala variabel
atau observasi indikator. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-
butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan Purwanto, 2002. Hasil selengkapnya dapat dilihat pada
tabel berikut :
Tabel 4.8. Reliabilitas Data :
Konstrak Indikator Item to
Total Correlation
Koefisien Cronbachs Alpha
Service Quality X1 0,623
0,717 X2 0,702
X3 0,773 X4 0,807
X5 0,348
Customer Satisfaction
Y1 0,920 0,764
Y2 0,883
Customer Loyalty Z1 0,734
0,833 Z2 0,919
Z3 0,934 Sumber : Lampiran
Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya 0,5 [Purwanto,2003].
Terjadi eliminasi karena nilai item to total correlation indikator
belum seluruhnya
≥ 0,5. Indikator yang tereliminasi tidak disertakan dalam perhitungan cronbachs alpha. Perhitungan cronbachs dilakukan
setelah proses eliminasi. Hasil pengujian reliabilitas konsistensi internal untuk setiap construct
di atas menunjukkan hasil cukup baik dimana koefisien Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of thumb yang disyaratkan
yaitu ≥ 0,7 [Hair et.al.,1998].
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 faktor
dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini.
Tabel 4.9. Validitas Data
Konstrak Indikator Faktor Loading
1 2 3 4 Service
Quality X1 0,469
X2 0,813 X3 0,813
X4 0,490 Customer
Satisfaction Y1
0,772 Y2
0,714 Customer
Loyalty Z1
0,582 Z2 0,900
Z3 0,918
Sumber : Lampiran Berdasarkan hasil confirmatory faktor analysis terlihat bahwa faktor
loadings masing masing butir pertanyaan yang membentuk setiap construct sebagian besar
≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya cukup baik.
4.3.4. Evaluasi Construct
