BAB IV HASIL DAN PEMBAHASAN
D. Penilaian Model Fit
Untuk menilai fit atau tidaknya model yang digunakan, perlu dilakukan beberapa tahap analisis hingga model dinyatakan fit untuk mengukur model yang diteliti. Tahapan analisis tersebut yaitu :
1. Evaluasi Model Awal
Tahapan ini terdiri dari beberapa tahap pengujian sehingga data dinyatakan siap untuk dianalisis. Tahapan pengujian tersebut yaitu tahapan pemeriksaan data yang meliputi pengujian asumsi normalitas univariat dan normalitas multivariat. Berdasarkan pengujian awal terhadap model, didapat hasil sebagai berikut :
Tabel 4.8 Statistik Skewness dan Kurtosis untuk Pemeriksaan Normalitas
Variable Min max skew c.r. kurtosis c.r. Y1 5.000 15.000 -.446 -2.441 .389 1.064 Y2 9.000 15.000 .094 .516 .631 1.728 Y3 8.000 15.000 .002 .012 .624 1.710 X21 2.000 5.000 -.607 -3.325 1.430 3.916 X22 2.000 5.000 -.344 -1.886 1.811 4.959 X23 2.000 5.000 -.375 -2.052 1.020 2.795 X24 3.000 5.000 .263 1.441 .681 1.866 X25 6.000 10.000 -.023 -.125 1.211 3.317 Z5 5.000 10.000 -.140 -.767 .669 1.833 Z4 3.000 5.000 .265 1.454 1.293 3.540 Z3 3.000 5.000 .238 1.305 .116 .317 Z2 3.000 5.000 .095 .522 .220 .603 Z1 3.000 5.000 .239 1.309 .798 2.185 X15 10.000 20.000 -.154 -.842 2.018 5.527 X14 8.000 15.000 -.193 -1.059 1.257 3.442 X13 14.000 25.000 -.241 -1.322 .910 2.493 X12 10.000 15.000 .400 2.192 -.567 -1.552 X11 6.000 25.000 -1.332 -7.298 9.063 24.821 Multivariate 123.486 30.872
Berdasarkan tabel diatas dapat dilihat bahwa dengan taraf signifikan yang disarankan oleh Dachlan (2014) yaitu taraf signifikan α=1% atau 2,58, tidak ada nilai c.r (critical ratio) yang dihasilkan untuk koefisien skewness tidak ada yang berada diatas 2,58. Demikian juga jika menggunakan rule of thumb dari Curran, dkk (1997), dapat dikatakan bahwa tidak ada koefisien skewness yang harga absolutnya lebih besar dari 3. Namun, jika melihat pada koefisien kurtosis yang dihasilkan, mengacu pada rule of thumb dari Curran, dkk (1997), terdapat 1 variabel yang memiliki nilai absolut yang lebih besar dari 8, yaitu variabel X11 yang memiliki koefisien kurtosis sebesar 9,063. Dengan demikian model yang diuji tidak memenuhi asumsi normalitas multivariat. Sehingga dapat dikatakan bahwa sebaran data tidak normal.
Ketidaknormalan data ini disebabkan oleh adanya sumbangan dari keberadaan outlier dalam data. Berikut tabel pemeriksaan outlier :
Tabel 4.9 Statistik D2 untuk Memeriksa Outlier
Observation number Mahalanobis d-squared p1 p2
22 104.692 .000 .000 30 57.696 .000 .000 23 54.927 .000 .000 143 46.289 .000 .000 32 40.769 .002 .000 129 40.586 .002 .000 139 37.398 .005 .000 142 36.988 .005 .000
Berdasarkan tabel tersebut dapat dilihat bahwa 4 observasi pertama, yakni observasi ke 22, 30, 23, dan 143 memiliki nilai p1 dibawah atau sama dengan 0,001 (taraf signifikan yang disarankan oleh Dachlan (2014) yaitu α = 1%). Selain memiliki nilai p1 dan p2 yang kecil, keenam observasi tersebut juga memiliki nilai statistik D2 yang nilainya jauh berbeda dibandingkan D2 untuk observasi lainnya. Dengan demikian dapat disimpulkan bahwa keeempat observasi tersebut terindikasi sebagai outlier
sehingga data tersebut perlu dihapus satu persatu hingga asumsi normalitas multivariat telah terpenuhi.
Setelah dilakukan penghapusan terhadap empat observasi yang terindikasi awal sebagai outlier, ternyata nilai koefisien kurtosis yang dihasilkan menjadi lebih baik. Hal tersebut dapat dilihat dari tabel berikut :
Tabel 4.10 Statistik Skewness dan Kurtosis Setelah Penghapusan Outlier
Variable Min max Skew c.r. kurtosis c.r. Y1 8.000 15.000 -.188 -1.019 -.369 -1.000 Y2 9.000 15.000 .105 .566 .770 2.086 Y3 8.000 15.000 .003 .015 .713 1.931 X21 2.000 5.000 -.568 -3.075 1.363 3.690 X22 3.000 5.000 .287 1.552 .373 1.010 X23 3.000 5.000 .047 .254 -.060 -.163 X24 3.000 5.000 .352 1.905 .781 2.115 X25 6.000 10.000 -.004 -.024 1.289 3.491 Z5 5.000 10.000 -.140 -.760 .790 2.138 Z4 3.000 5.000 .300 1.627 1.398 3.786 Z3 3.000 5.000 .243 1.317 .174 .472 Z2 3.000 5.000 .141 .765 .301 .814 Z1 3.000 5.000 .272 1.471 .864 2.341 X15 12.000 20.000 .190 1.029 1.519 4.113 X14 8.000 15.000 .066 .359 .879 2.379
Variable Min max Skew c.r. kurtosis c.r. X13 14.000 25.000 -.049 -.264 .513 1.390 X12 10.000 15.000 .390 2.115 -.545 -1.475 X11 14.000 25.000 .209 1.134 .518 1.403
Multivariate 72.669 17.964
Sumber : Output AMOS
Berdasarkan tabel diatas dapat dilihat bahwa tidak ada koefisien kurtosis yang harga absolutnya lebih besar dari 8. Namun nilai c.r yang dihasilkan untuk koefisien multivariat sebesar 17,964. Nilai ini lebih besar dari 2,58 (untuk α=1%), sehingga normalitas multivariat tidak terpenuhi. Akan tetapi dengan mempertimbangkan bahwa semua variabel memenuhi asumsi normalitas univariat, dan juga koefisien kurtosis yang telah memenuhi harga absolut yang disarankan oleh Curran, dkk (1997), maka masih dapat disimpulkan bahwa asumsi normalitas data telah terpenuhi.
Langkah selanjutnya yang perlu dilakukan dalam pemeriksaan data adalah membebaskan data dari outlier. Untuk melihat observasi yang terindikasi sebagai
outlier, kita dapat memperhatikan tabel berikut :
Tabel 4.11 Statistik D2 untuk Memeriksa Outlier
Observation number Mahalanobis d-squared p1 p2
126 45.126 .000 .068
29 43.514 .001 .007
43 39.123 .003 .013
109 38.860 .003 .002
Sumber : Output AMOS
Berdasarkan tabel diatas dapat dilihat bahwa terdapat 2 observasi yang masih terindikasi sebagai outlier, yaitu observasi 126 dan 29. Hal ini dikarenakan
kedua observasi memiliki nilai p1 yang terkecil diantara observasi lainnya. Sehingga hal ini mengharuskan peneliti untuk menghapus observasi tersebut dan melakukan pengujian ulang. Setelah dilakukan penghapusan terhadap observasi yang terindikasi sebagai outlier dan dilakukan pengujian ulang, maka didapat hasil sebagai berikut :
Tabel 4.12 Statistik D2 untuk Memeriksa Outlier Setelah Pengujian Kembali
Observation number Mahalanobis d-squared p1 p2
42 39.272 .003 .366
24 38.908 .003 .093
108 38.741 .003 .017
133 38.660 .003 .002
137 38.128 .004 .001
Sumber : Output AMOS
Berdasarkan tabel diatas dapat dilihat bahwa tidak ada observasi yang memiliki nilai p1 yang lebih kecil dari 0,001 (α=1%) dan juga nilai Statistik D2 yang dihasilkan nilainya tidak jauh beda dibandingkan nilai-nilai D2 untuk observasi lainnya, maka dapat dikatakan bahwa data telah terbebas dari outlier.
2. Penilaian Fit Model Awal
Tahapan selanjutnya dalam menganalisis SEM adalah menilai fit model awal. Dalam hal ini penilaian model fit awal dapat dilihat berdasarkan gambar berikut :
Gambar 4.7 Hasil Pengujian Fit Model Awal
Sumber : Output AMOS
Dari gambar tersebut dapat dilihat bahwa P-value yang dihasilkan untuk Chi-kuadrat sebesar 0,000. Karena nilai ini lebih kecil dari α=0,05 (5%), maka model dinyatakan tidak fit berdasarkan ukuran ini. Selain itu jika dilihat dari indeks CFI yang lebih kecil dari 0,90 dan nilai RMSEA yang lebih besar dari 0,10, maka model tersebut juga dinyatakan tidak fit. Dikarenakan tidak fitnya model pengukuran maka perlu diadakan pengujian terhadap validitas konstruk indikator, perbaikan model, dan penilaian model fit yang akan dilakukan secara iteratif sampai diperoleh model pengukuran yang dapat diterima.
Tahap pertama yaitu pengujian validitas konstruk indikator yang terdiri beberapa pengujian, yaitu :
a. Validitas Konvergen
Tahapan pengujian ini dapat dilihat berdasarkan signifikansi parameter dan nilai loading faktor yang dihasilkan. Berikut tabel yang memperlihatkan signifikansi parameter :
Tabel 4.13 Regression Weights; Hasil Estimasi Tidak Terstandarisir
Estimate S.E. C.R. P Label X11 <--- SERVQUAL 1.000 X12 <--- SERVQUAL .624 .071 8.856 *** X13 <--- SERVQUAL .968 .113 8.550 *** X14 <--- SERVQUAL .699 .074 9.487 *** X15 <--- SERVQUAL .859 .091 9.430 *** Z1 <--- SATISFACTION 1.000 Z2 <--- SATISFACTION 1.026 .166 6.177 *** Z3 <--- SATISFACTION .964 .158 6.103 *** Z4 <--- SATISFACTION .936 .147 6.374 *** Z5 <--- SATISFACTION 2.274 .309 7.355 *** X25 <--- CUSTVAL 1.000 X24 <--- CUSTVAL .500 .049 10.170 *** X23 <--- CUSTVAL .546 .057 9.632 *** X22 <--- CUSTVAL .520 .051 10.135 *** X21 <--- CUSTVAL .325 .057 5.713 *** Y2 <--- LOYALTY .996 .106 9.363 *** Y3 <--- LOYALTY 1.000 Y1 <--- LOYALTY 1.100 .132 8.300 *** Sumber : Output AMOS
Berdasarkan tabel tersebut dapat dilihat bahwa p-value yang dihasilkan sangat kecil yaitu dibawah 0,001, yang ditandai dengan tiga buah asterik (***).
Dengan demikian semua indikator dinyatakan signifikan sebagai pengukur masing-masing konstruk latennya. Langkah selanjutnya yaitu melihat nilai
loading faktor setiap indikator untuk memenuhi validitas konvergen. Nilai tersebut dapat dilihat berdasarkan tabel berikut :
Tabel 4.14 Nilai Loading Faktor
Estimate X11 <--- SERVQUAL .694 X12 <--- SERVQUAL .749 X13 <--- SERVQUAL .720 X14 <--- SERVQUAL .811 X15 <--- SERVQUAL .805 Z1 <--- SATISFACTION .617 Z2 <--- SATISFACTION .572 Z3 <--- SATISFACTION .564 Z4 <--- SATISFACTION .596 Z5 <--- SATISFACTION .725 X25 <--- CUSTVAL .848 X24 <--- CUSTVAL .725 X23 <--- CUSTVAL .694 X22 <--- CUSTVAL .723 X21 <--- CUSTVAL .443 Y2 <--- LOYALTY .760 Y3 <--- LOYALTY .782 Y1 <--- LOYALTY .669 Sumber : Output AMOS
Berdasarkan tabel tersebut dapat dilihat bahwa terdapat 8 indikator yang memiliki nilai loading yang lebih kecil dari 0,7, sehingga indikator-indikator tersebut tidak memenuhi validitas konvergen sebagai pengukur masing-masing konstruk latennya. Mengikuti saran dari Raughnathan, dkk (1999), indikator yang
mempunyai nilai loading yang lebih kecil dari 0,45 dikeluarkan dari analisis. Sehingga X21 harus dikeluarkan dari analisis karena memiliki nilai loading
sebesar 0,443 yang lebih kecil dari 0,45.
Setelah dilakukan analisis kembali terhadap model didapat hasil nilai p-value sebesar 0,000 dengan Chi-Kuadrat sebesar 333,716, serta nilai CFI yang masih dibawah 0,90 dan nilai RMSEA yang masih diatas 0,10. Hal ini membuktikan bahwa model masih tidak fit. Hal yang selanjutnya dilakukan adalah memeriksa saran perbaikan dari AMOS. AMOS memberikan saran untuk membebaskan error berkorelasi satu sama lain. Setelah membebaskan error berkorelasi satu sama lain, didapat hasi p-value sebesar 0,809 dengan Chi-Kuadrat sebesar 78,139 dan df sebesar 90, serta indeks CFI sebesar 1,000 atau lebih besar dari 0,90 dan nilai RMSEA sebesar 0,00 atau lebih kecil dari 0,10. Dengan demikian model dapat dinyatakan telah fit.
Selain itu, hal yang perlu dilakukan adalah memeriksa kembali data sehingga validitas konvergen telah terpenuhi. Berdasarkan output AMOS telah dipastikan bahwa data telah memenuhi asumsi normalitas, terhindar dari outlier, dan tidak ada nilai loading yang berada dibawah 0,45. Dengan demikian model dinyatakan telah memenuhi validitas konvergen.
b. Reliabilitas Indikator
Tahapan ini merupakan tahapan pengujian untuk melihat reliable atau tidaknya sebuah indikator. Hal tersebut dapat diketahui berdasarkan hasil output akhir AMOS Squared Multiple Correlation yang dapat dilihat pada tabel berikut :
4.15Squared Multiple Correlations ( ) Estimate Y1 .532 Y2 .625 Y3 .661 X22 .514 X23 .480 X24 .541 X25 .717 Z5 .667 Z4 .449 Z3 .348 Z2 .324 Z1 .406 X15 .596 X14 .584 X13 .543 X12 .603 X11 .518
Sumber : Output AMOS
Berdasarkan tabel diatas dapat diketahui terdapat 5 indikator yang mempunyi nilai R2 lebih kecil dari 0,50, sehingga dinyatakan sebagai indikator yang tidak reliabel. Namun, mengacu pada saran yang dikemukakan oleh Dachlan (2014) bahwa untuk menjaga kekomprehensifan pengujian, maka indikator ini tidak di drop.
3. Evaluasi Model Akhir
Evaluasi model akhir yang perlu dilakukan setelah model dinyatakan telah bebas dari asumsi normalitas, terbebas dari outlier, dan telah melalu uji validitas konstruk terhadap indikator yaitu menilai fit tidaknya suatu model dengan menggunakan ukuran Goodness of Fit dengan metode estimasi Maximum
Likelihood (ML). Berikut adalah hasil pengujian model fit dan hasil dari pengukuran berdasarkan indeks GoF terhadap model akhir yang telah diuji :
4.8Hasil Pengujian Fit Model Akhir
Sumber : Output AMOS
4.16 Hasil Evaluasi Goodness of Fit Model Akhir
Ukuran Goodness of Fit Hasil Statistik Cut-off Keterangan Absolute Fit
Statistik �2
P-value 0,809 >0,05 Sangat Fit
GFI 0,951 >0,90 Fit
AGFI 0,917 >0,90 Fit
RMSEA 0,000 ≤ 0,05 Fit Sempurna
Incremental Fit
RFI 0,931 >0,90 Fit
TLI 1 >0,90 Fit Sempurna
CFI 1 >0,90 Fit Sempurna
IFI 1 >0,90 Fit Sempurna
Parsimonious Fit
PCFI 0,662 Lebih besar lebih baik Cukup Fit
PNFI 0,632 Lebih besar lebih baik Cukup Fit
Sumber : Data diolah berdasarkan output AMOS
Berdasarkan tabel tersebut dapat dilihat bahwa model akhir yang didapatkan telah memenuhi semua ukuran fit baik diukur dengan ukuran fit absolut, fit incremental, dan fit parsimoni. Dengan demikian maka pengujian tahap akhir yaitu pengujian terhadap pengaruh antar variabel dan pengujian terhadap hipotesis sudah dapat dilakukan.