BAB V ANALISIS DATA DAN PEMBAHASAN
D. Pengujian Model
Structural equation model (SEM) akan digunakan untuk menguji
model dan hubungan-hubungan yang dikembangkan pada bagian
terdahulu. Dalam pengujian model dengan menggunakan SEM, ada
beberapa langkah yang digunakan seperti langkah pengembangan model
berbasis teori dan menyusun path diagram yang telah dilakukan pada
bab sebelumnya. Selanjutnya peneliti akan melakukan langkah-langkah
permodelan SEM untuk menguji empat hipotesis yang telah
dikemukakan pada bagian pendahuluan. Teknik estimasi yang digunakan
dalam penelitian ini adalah maximum likehood estimation method, (∑ Std. Loading)²
Construct – Reliability =
karena sampel yang digunakan sebanyak 151 responden. Sedangkan
program yang digunakan untuk mengestimasi model adalah Amos versi
18.0.
Pada penelitian ini menggunakan komposit atau modifikasi karena
nilai goodness of fit tidak memenuhi persyaratan dan jumlah sampel
yang dapat dikumpulkan lebih kecil dari estimated parameter. Dalam
penelitian ini terdapat 46 estimated parameter, dapat dilihat pada
lampiran 4 halaman 101. Pada pedoman ukuran sampel (Ferdinand,
2002:48) dinyatakan bahwa 5 sampai dengan 10 kali jumlah parameter
yang diestimasi, maka jumlah minimal responden pada penelitian ini
adalah 46 dikalikan 5 yaitu 230 responden, sedangkan penelitian ini
hanya memiliki 151 responden, oleh sebab itu hasil uji SEM tersebut
harus dikomposit, sehingga mendapatkan hasil yang baik.
Pada penelitian ini semua konstruk dapat dikompositkan, yaitu:
kontraktual, psikologis, teknologi, informasi, kemampuan, keramahan,
tarif telepon, tarif sms, tarif internet, nilai produk, kebutuhan, harapan,
brand, word, dan beli. Dalam pengujian model ini, peneliti menunjukkan
hasil model awal yang belum fit.
Sebelum melakukan perhitungan pemodelan SEM, perlu
diperhatikan asumsi-asumsi yang harus dipenuhi dalam prosedur
pengumpulan dan pengolaan data yang dianalisis dengan pemodelan
1. Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan ini adalah
minimum berjumlah 100 dan selanjutnya menggunakan
perbandingan 5 observasi untuk setiap estimated parameter. Karena
itu bila kita mengembangkan model dengan 20 parameter, maka
minimum sampel yang harus digunakan adalah sebanyak 100
sampel. Dalam penelitian ini jumlah sampel sebanyak 151
responden.
2. Normalitas dan linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi
normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk
pemodelan SEM ini. Normalitas dapat diuji dengan melihat gambar
histogram data atau dapat diuji dengan metode-metode statistik yang
ditampilkan pada lampiran bagian assessment of normality lampiran
4 halaman 102. Jika pada kolom C.R tidak ada angka yang lebih
besar dari ±2,58, maka dapat dikatakan tidak terdapat bukti bahwa
distribusi data ini tidak normal (Fredinand, 2002: 96). Pada
penelitian ini pada kolom C.R± -0,302 sampai -7,693 tidak melebihi
±2,58 yang berarti distribusi data ini normal.
3. Goodness of Fit
Permodelan ini harus diuji berulang kali, agar mendapat hasil yang
fit. Permodelan non-fit sebagai pengujian model awal dapat dilihat
Dalam permodelan ini, peneliti menunjukkan hasil model awal yang
non-fit sebagai berikut.
1. Hasil Pengujian Validitas Non-Fit
Tabel V.4
Hasil Uji Validitas Non-Fit
Regression Weight Estimate Keterangan
Produk1<---Produk 0,574 Valid
Produk2<---Produk 0,706 Valid
Produk3<---Produk 0,486 Tidak valid Produk4<---Produk 0,259 Tidak valid
Produk5<---Produk 0,696 Valid
Produk6<---Produk 0,598 Valid
Produk7<---Produk 0,222 Tidak valid Produk8<---Produk 0,084 Tidak valid
Produk9<---Produk 0,699 Valid
Layanan1<---Layanan 0,604 Valid
Layanan2<--- Layanan 0,790 Valid
Layanan3<--- Layanan 0,765 Valid
Layanan4<--- Layanan 0,428 Tidak valid
Layanan5<--- Layanan 0,540 Valid
Layanan6<--- Layanan 0,078 Tidak valid Layanan7<--- Layanan 0,019 Tidak valid Layanan8<--- Layanan 0,321 Tidak valid
Harga1<---Harga 0,724 Valid
Harga2<--- Harga 0,315 Tidak valid
Harga3<---Harga 0,398 Tidak valid
Harga4<---Harga 0,012 Tidak valid
Harga5<---Harga 0,759 Valid
Harga6<---Harga 0,733 Tidak valid
Harga7<---Harga 0,184 Tidak valid
Puas1<---Kepuasan 0,543 Valid Puas2<---Kepuasan 0,696 Valid Puas3<---Kepuasan 0,746 Valid Puas4<---Kepuasan 0,826 Valid Puas5<---Kepuasan 0,661 Valid Puas6<---Kepuasan 0,550 Valid Loyal1<---Loyalitas 0,535 Valid
Loyal2<---Loyalitas 0,337 Tidak valid Loyal3<---Loyalitas 0,285 Tidak valid
Loyal4<---Loyalitas 0,669 Valid
Loyal5<---Loyalitas 0,675 Valid
Loyal6<---Loyalitas 0,530 Valid
Loyal7<---Loyalitas 0,489 Tidak valid Loyal8<---Loyalitas 0,289 Tidak valid Loyal9<---Loyalitas 0,395 Tidak valid
Sumber: Hasil Output Amos 18.0 (Standardized Regression Weights) lampiran 3 halaman 95
2. Hasil Pengujian Reliabilitas Non-Fit
Tabel V.5
Hasil Uji Reliabilitas Non-Fit
Indikator Item Pernyataan Construct Reliability Nilai Table Status Kualitas produk 9 0.725 0,70 Reliabel Kualitas pelayanan 8 0.638 0,70 Non Reliabel
Harga 7 0.658 0,70 Non Reliabel
Kepuasan 6 0.835 0,70 Reliabel
Loyalitas 9 0.720 0,70 Reliabel
Sumber: Data primer yang diolah lampiran 3 halaman 92-94
Pada tabel V.4 uji validitas diatas, terdapat 18 item pernyataan yang
tidak valid pada masing-masing indikator serta pada hasil perhitungan
uji reliabilitas pada tabel V.5 menunjukkan bahwa kualitas pelayanan
dan harga memiliki construct reliability kurang dari 0,70 yang berarti
variabel-variabel tersebut tidak reliabel. Kemudian diuji dan
ditemukan kriteria fit indices yang semua nilainya kurang baik. Dapat
dilihat pada tabel V.6 dibawah ini:
Tabel V.6
Evaluasi Kriteria Goodness of Fit indices (Non-Fit)
Goodness of fit Cut of Value Hasil Keterangan
Chi-square Diharapkan Kecil 2261,668 Kurang Baik
Significance Probability ≥ 0,05 0,000 Kurang Baik RMSEA ≤ 0,08 0,122 Kurang Baik GFI ≥ 0,90 0,577 Kurang Baik AGFI ≥ 0,90 0,527 Kurang Baik CMIN/DF ≤ 2,00 0,240 Marginal TLI ≥ 0,95 0,400 Kurang Baik
Pada pengujian pertama ini ditemukan kendala bahwa hasil dari fit
indices belum semua memenuhi kriteria goodness of fit. Untuk
mengatasi hal tersebut peneliti melakukan beberapa cara yaitu:
1. Pada uji validitas tabel V.4, peneliti menghilangkan beberapa
pernyataan yang nilainya kurang dari 0,50 dan diuji kembali,
sehingga diperoleh uji validitas yang fit.
2. Pada perhitungan uji reliabilitas tabel V.5, peneliti menggunakan
Std.Loading diperoleh langsung dari standardized loading untuk
tiap-tiap indikator Std. Loading yang dinyatakan valid dengan
rumus Construct Reliability. Sehingga diperoleh hasil yang
reliabel. Hasil uji validitas dan reliabilitas fit dapat dilihat pada
Tabel V.7
Hasil Uji Validitas Fit
Regression Weight Estimate Keterangan
Produk1 <--- Produk 0,551 Valid Produk2<--- Produk 0,742 Valid Produk5<--- Produk 0,580 Valid Produk9<--- Produk 0,770 Valid Layanan1<--- Layanan 0,645 Valid Layanan2<--- Layanan 0,826 Valid Layanan3<--- Layanan 0,732 Valid Layanan5<--- Layanan 0,594 Valid Harga1<--- Layanan 0,740 Valid Harga5<--- Layanan 0,767 Valid Harga6<--- Layanan 0,717 Valid Puas1<--- Layanan 0,540 Valid Puas2<--- Layanan 0,694 Valid Puas3<--- Layanan 0,750 Valid Puas4<--- Layanan 0,843 Valid Puas5<--- Layanan 0,662 Valid Puas6<--- Layanan 0,544 Valid Loyal1<--- Layanan 0,598 Valid Loyal4<--- Layanan 0,671 Valid Loyal5<--- Layanan 0,846 Valid Loyal6<--- Layanan 0,545 Valid
Sumber: Hasil Output Amos 18.0 (Standardized Regression Weights) Lampiran 4 halaman 104
Hasil uji validitas diatas menunjukkan bahwa semua instrumen
konstruk pada standardized regression weight kolom estimasi sudah
Tabel V.8
Hasil Uji Reliabilitas Fit
Indikator Item Pernyataan Construct Reliability Nilai Table Status Kualitas produk 4 0.759 0,70 Reliabel Kualitas pelayanan 4 0.795 0,70 Reliabel Harga 3 0.786 0,70 Reliabel Kepuasan 6 0.835 0,70 Reliabel Loyalitas 4 0.765 0,70 Reliabel
Sumber: Data primer yang diolah dapat dilihat dilampiran 4 halaman 106-107
Berdasarkan hasil uji reliabel tersebut menunjukkan bahwa hasil
perhitungan composites reliability dengan nilai hitung lebih besar
dibandingkan nilai 0,70 sehingga semua measured variable
dinyatakan reliabel dan dapat digunakan sebagai angket penelitian.
3. Uji Kesesuaian Model
Setelah menemukan hasil pengujian validitas dan reliabilitas
yang sudah fit serta telah terpenuhi asumsi-asumsi permodelan SEM,
maka selanjutnya menguji kesesuaian model dengan menggunakan
uji goodness of fit indices.
Pada pengujian kedua peneliti menguji angket penelitian yang
semua variable measured dinyatakan reliabel dan dapat digunakan
sebagai angket penelitian. Dari hasil pengujian tersebut peneliti
mendapatkan model yg fit. Data hasil output fit dapat dilihat pada
Tabel V.9
Evaluasi Kriteria Goodness of Fit
Goodness of fit Cut of Value Hasil Keterangan
Chi-square Diharapkan Kecil 86,559 Baik
Significance Probability ≥ 0,05 0,102 Baik RMSEA ≤ 0,08 0,020 Baik GFI ≥ 0,90 0,941 Baik AGFI ≥ 0,90 0,977 Baik CMIN/DF ≤ 2,00 0,468 Baik TLI ≥ 0,95 0,974 Baik CFI ≥ 0,95 0,713 Marginal
Sumber: lampiran 4 halaman 102-104
Dari data tabel diatas dapat dilihat bahwa model tersebut dapat
diterima karena hampir semua perhitungan SEM memiliki nilai yang
sesuai dengan cut of value yang telah ditetapkan. Namun ada satu fit
indices yaitu CFI yang hasilnya kurang baik karena lebih kecil dari
cut of value yang diinginkan yakni sebesar ≥ 0,95. Akan tetapi karena hasil dari CFI mendekati nilai cut of value maka dapat
disimpulkan bahwa model yang diperoleh sudah layak (fit) sebagai
model estimasi. Hasil perhitungan Structural Equation Modeling
Gambar V.I
67
4. Regression Weight
Setelah kriteria goodness of fit dapat dipenuhi atas model
struktural yang diestimasi, maka selanjutnya dapat dianalisis
hubungan kausalitas dalam model tersebut. Hubungan kausalitas
dapat dikatakan signifikan apabila nilai parameter estimasi kedua
konstruk memiliki C.R lebih besar atau sama dengan ± 1,96
dengan taraf signifikan 0,05 atau nilai C.R lebih besar atau sama
dengan ± 2,58 untuk taraf signifikansi sebesar 0,01 atau 1%
sedangkan nilai C.R lebih kecil dari 1,96 maka memiliki
hubungan kuasalitas yang lemah (Ghozali, 2008:160). Dalam
penelitian ini digunakan taraf signifikan sebesar 0,05 atau 5%.
Tabel V.10
Regression Weight
Regression Weight Estimate C.R. t-table Keterangan
Kepuasan Kualitas Produk 0,330 5,023 2,0 Signifikan Kepuasan Kualitas Layanan 0,108 3,279 2,0 Signifikan Kepuasan Harga 0,313 2,395 2,0 Signifikan Loyalitas Kepuasan 0,945 4,443 2,0 Signifikan
Sumber: lampiran 4 halaman 104
Nilai Critical Ratio atau C.R pada tabel V.10 diatas dapat
digunakan sebagai dasar untuk pengujian hipotesis. Dalam
penelitian ini terdapat 4 hipotesis yang menyatakan ada
hubungan kausalitas antara variabel-variabel dalam permodelan,
a. Pengujian hipotesis pertama
H1: Kualitas produk berpengaruh pada kepuasan pelanggan.
Parameter estimasi kualitas produk pada kepuasan pelanggan
pada tabel V.10 menunjukkan nilai C.R = 5,023 lebih besar
dari 2,0. Hal ini berarti bahwa hipotesis pertama terbukti
yaitu kualitas produk berpengaruh pada kepuasan.
b. Pengujian hipotesis kedua
H2: Kualitas pelayanan berpengaruh pada kepuasan
pelanggan.
Parameter estimasi kualitas pelayanan pada kepuasan
pelanggan pada tabel V.10 menunjukkan nilai C.R = 3,279
lebih besar dari 2,0. Hal ini berarti bahwa hipotesis kedua
terbukti, yaitu kualitas pelayanan berpengaruh pada kepuasan
pelanggan.
c. Pengujian hipotesis ketiga
H3: Harga berpengaruh pada kepuasaan pelanggan.
Parameter estimasi harga pada kepuasan pelanggan pada
tabel V.10 menunjukkan nilai C.R = 2,395 lebih besar dari
2,0. Hal ini berarti bahwa hipotesis ketiga terbukti yaitu harga
d. Pengujian hipotesis keempat
H4: Kepuasan berpengaruh pada loyalitas pelanggan
Parameter estimasi kepuasan pada loyalitas pelanggan pada
tabel V.10 menunjukkan nilai C.R = 4,443 lebih besar dari
2,0. Hal ini berarti bahwa hipotesis keempat terbukti yaitu
kepuasan berpengaruh pada loyalitas pelanggan.