BAB III METODE PENELITIAN
3.5. Teknik Analisis Dan Uji Hipotesis
3.5.1. Teknik Analisis
Partial Least Square (PLS) merupakan sebuah metode untuk
mengkonstruksi model-model yang dapat diramalkan ketika faktor-faktor terlalu
banyak. PLS dikembangkan pertama kali oleh Wold sebagai metode umum untuk
mengestimasi path model yang menggunakan variabel laten dengan mutiple
indikator. PLS juga merupakan factor indeterminacy metode analisis yang
powerful karena tidak mengasumsikan data harus dengan pengukuran skala
tertentu, jumlah sampel kecil. Awalnya Partial least Square berasal dari ilmu
sosial (khususnya ekonomi, Herman Wold, 1996). Model ini dikembangkan
sebagai alternatif untuk situasi dimana dasar teori pada perancangan model lemah
atau indikator yang tersedia tidak memenuhi model pengukuran refleksif. PLS
membangun hubungan yang belum ada landasan terorinya atau untuk pengujian
proposisi.
PLS adalah dalam penggunaan model persamaan struktural untuk menguji
teori atau pengembangan teori untuk tujuan prediksi oleh Ghozali (2008: 5). Pada
situasi dimana penelitian mempunyai dasar teori yang kuat dan pengujian teori
atau pengembangan teori sebagai tujuan utama riset, maka metode dengan
covariance based (Generalized Least Squares) lebih sesuai. Namun demikian adanya indeterminacy dari estimasi factor score maka akan kehilangan ketepatan
prediksi dari pengujian teori tersebut. Untuk tujuan prediksi, pendekatan PLS
lebih cocok. Karena pendekatan untuk mengestimasi variabel laten dianggap
sebagai kombinasi linier dari indikator maka menghindarkan masalah
indeterminacy dan memberikan definisi yang pasti dari komponen skor.
PLS merupakan pendekatan yang lebih tepat untuk tujuan prediksi, hal ini
terutama pada kondisi dimana indikator bersifat formatif. Dengan variabel laten
berupa kombinasi linier dari indikatornya, maka prediksi nilai dari variabel laten
dapat dengan mudah diperoleh, sehingga prediksi terhadap variabel laten yang
dipengaruhinya juga dapat dengan mudah dilakukan (Ghozali 2008).
3.5.1.1. Cara Kerja PLS
Estimasi parameter yang didapat dengan PLS dapat dikategorikan menjadi
tiga. Kategori pertama yaitu weight estimate yang digunakan untuk menciptakan
skor atau nilai variabel laten. Kedua mencerminkan estimasi jalur (path estimate)
yang menghubungkan variabel laten dan antar variabel laten dan indikatornya
regresi) untuk indikator dan variabel laten. Untuk memperoleh ketiga estimasi ini,
PLS menggunakan proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan
estimasi. Tahap pertama menghasilkan weight estimate, tahap kedua
menghasilkan estimasi untuk inner model dan outer model, tahap ketiga
menghasilkan estimasi means dan lokasi(konstanta).
Selama iterasi berlangsung inner model estimate digunakan untuk
mendapatkan outside approximation weigth, sementara itu outer model estimate
digunakan untuk mendapatkan inside approximation weight. Prosedur iterasi ini
akan berhenti ketika persentase perubahan setiap outside approximation weight
relatif terhadap proses iterasi sebelumnya kurang dari 0,01.
3.5.1.2. Model Spesifikasi PLS
PLS terdiri atas hubungan eksternal ( outer model atau model pengukuran)
dan hubungan internal (inner model atau model struktural). Hubungan tersebut
didefinisikan sebagai dua persamaan linier, yaitu model pengukuran yang
menyatakan hubungan antara peubah laten dengan sekelompok peubah penjelas
dan model struktural yaitu hubungan antar peubah-peubah laten (Gefen,2000).
Model analisis jalur semua variabel laten dalam PLS terdiri dari tiga set
hubungan; (1) inner model yang menspesifikasi hubungan antar variabel laten
(structural model), (2) outer model yang menspesifikasi hubungan antara variabel
laten dengan indikator atau variabel manifestasinya (measurement model), dan (3)
weight relation dalam mana nilai kasus dari variabel laten dapat diestimasi. 3.5.1.3. Langkah-Langkah PLS
Gambar 2 Langkah-langkah Analisis PLS
(1). Langkah Pertama: Merancang Model Str uktural (inner model)
Perancangan model struktural hubungan antar variabel laten pada PLS
didasarkan pada rumusan masalah atau hipotesis penelitian.
(a) Teori, kalau sudah ada
(b) Hasil penelitian empiris
(c) Analogi, hubungan antar variabel pada bidang ilmu yang lain
(d) Normatif, misal peraturan pemerintah, undang-undang, dan lain
sebagainya
Merancang Model Struktural (inner model)
Merancang Model Pengukuran (outer model)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Weight , Koef. Jalur, dan Loading
Evaluasi Goodness of Fit
Pengujian Hipotesis (Resampling Bootstraping)
1
2
3
4
5
6
7
(e) Rasional.
Oleh karena itu, pada PLS dimungkinkan melakukan eksplorasi hubungan
antar variabel laten, sehingga sebagai dasar perancangan model struktural bisa
berupa proposisi. Hal ini tidak direkomendasikan di dalam SEM, yaitu
perancangan model berbasis teori, shingga pemodelan didasarkan pada hubungan
antar variabel laten yang ada di dalam hipotesis.
(2). Langkah Kedua: Merancang Model Pengukuran (outer model)
Pada PLS perancangan model pengukuran (outer model) menjadi sangat
penting, yaitu terkait dengan apakah indikator bersifat refleksif atau formatif.
Merancang model pengukuran yang dimaksud di dalam PLS adalah menentukan
sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif.
Kesalahan dalam menentukan model pengukuran ini akan bersifat fatal, yaitu
memberikan hasil analisis yang salah.
Dasar yang dapat digunakan sebagai rujukan untuk menentukan sifat
indikator apakah refleksif atau formatif adalah: teori, penelitian empiris
sebelumnya, atau kalau belum ada adalah rasional. Pada tahap awal penerapan
PLS, tampaknya rujukan berupa teori atau penelitian empiris sebelumnya masih
jarang, atau bahkan belum ada. Oleh karena itu, dengan merujuk pada definisi
konseptual dan definisi operasional variabel, diharapkan sekaligus dapat
dilakukan identifikasi sifat indikatornya, bersifat refleksif atau formatif.
(3). Langkah Ketiga: Mengkonstruksi diagr am J alur
Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih
selanjutnya dinyatakan dalam bentuk diagram jalur. Contoh bentuk diagram jalur
untuk PLS dapat dilihat pada gambar berikut.
Gambar 3.2 Contoh Diagram Jalur untuk PLS (sama dengan Gambar 1)
(4). Langkah Keempat: Konversi diagr am J alur ke dalam Sistem Per samaan
a) Outer model, yaitu spesifikasi hubungan antara variabel laten dengan
indikatornya, disebut juga dengan outer relation atau measurement model,
mendefinisikan karakteristik variabel laten dengan indikatornya. Model
indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λxξ + εx y = Λyη + εy
Di mana X dan Y adalah indikator untuk variabel laten eksogen (ξ) dan endogen (η). Sedangkan Λx dan Λy merupakan matriks loading yang menggambarkan seperti koefisien regresi sederhana yang menghubungkan
variabel laten dengan indikatornya. Residual yang diukur dengan εx danεy dapat diinterpretasikan sebagai kesalahan pengukuran atau noise.
Model indikator formatif persamaannya dapat ditulis sebagai berikut:
ξ = ΠξXi + δx
η = ΠηYi + δy
Dimana ξ, η, X, dan Y sama dengan persamaan sebelumnya. Πx dan Πy adalah seperti koefisen regresi berganda dari variabel laten terhadap
indikator, sedangkan δx dan δy adalah residual dari regresi. Pada model PLS Gambar 3 terdapat outer model sebagai berikut:
Untuk variabel latent eksogen 1 (reflektif)
x1 = λx1ξ1 + δ1 x2 = λx2ξ1 + δ2 x3 = λx3ξ1 + δ3
Untuk variabel latent eksogen 2 (formatif)
ξ2 = λx4 X4 + λx5 X5 + λx6 X6 + δ4 Untuk variabel latent endogen 1 (reflektif)
y1 = λy1η1 + ε1 y2 = λy2η1 + ε2
Untuk variabel latent endogen 2 (reflektif)
y3 = λy3η2 + ε3 y4 = λy4η2 + ε4
b) Inner model, yaitu spesifikasi hubungan antar variabel laten (structural
model), disebut juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan teori substansif penelitian. Tanpa
kehilangan sifat umumnya, diasumsikan bahwa variabel laten dan
indikator atau variabel manifest diskala zero means dan unit varian sama
dengan satu, sehingga parameter lokasi (parameter konstanta) dapat
dihilangkan dari model.
Model persamaannya dapat ditulis seperti di bawah ini:
η = βη + Γξ + ζ
Dimana η menggambarkan vektor vaariabel endogen (dependen), ξ adalah vektor variabel laten eksogen dan ζ adalah vektor residual (unexplained variance). Oleh karena PLS didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa setiap variabel laten
dependen η, atau sering disebut causal chain system dari variabel laten dapat dispesifikasikan sebagai berikut:
ηj = Σi βji ηi + Σi γjbξb + ζj
Dimana γjb (dalam bentuk matriks dilambangkan dengan Γ) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan eksogen (ξ). Sedangkan βji (dalam bentuk matriks dilambangkan dengan
β) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan endogen (η); untuk range indeks i dan b. Parameter ζj adalah variabel inner residual.
Pada model PLS Gambar 3 inner model dinyatakan dalam sistem
persamaan sebagai berikut:
η1 = γ1ξ1 + γ2ξ2 + ζ1
η2 = β1η1 + γ3ξ1 + γ4ξ2 + ζ2
c) Weight relation, estimasi nilai variabel latent. Inner dan outer model
memberikan spesifikasi yang diikuti dengan estimasi weight relation
dalam algoritma PLS:
ξb = Σkb wkb xkb
ηi = Σki wki xki
Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk
estimasi variabel laten ξb dan ηi. Estimasi data variabel laten adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS.
(5). Langkah Kelima: Estimasi
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode
kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan
cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi konvergen.
Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu :
1) Weight estimate yang digunakan untuk menghitung data variabel laten
2) Estimasi jalur (path estimate) yang menghubungkan antar variabel laten dan
estimasi loading antara variabel laten dengan indikatornya.
3) Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk
Sebagai langkah awal iterasi, algoritmanya adalah menghitung
aproksimasi outside dari variabel latent dengan cara menjumlahkan indikator
dalam setiap kelompok indikator dengan bobot yang sama (equal weight). Bobot
untuk setiap iterasi diskalakan untuk mendapatkan unit varian dari skor variabel
laten untuk N kasus dalam sampel. Dengan menggunakan skor untuk setiap
variabel latent yang telah diestimasi, kemudian digunakan untuk pendugaan
aproksimasi inside variabel laten.
Ada tiga skema bobot aproksimasi inside yang telah dikembangkan untuk
mengkombinasikan variabel laten tetangga (neighboring LV) untuk mendapatkan
estimasi variabel laten tertentu yaitu: centroid, factor dan path weighting. Skema
weighting dengan centroid merupakan prosedur asli yang digunakan oleh Wold. Metode ini hanya mempertimbangkan tanda korelasi antara variabel laten dan
variabel laten tetangganya (neigboring LV). Nilai kekuatan korelasi dan arah
model struktural tidak diperhitungkan. Skema weighting dengan faktor
menggunakan koefisien korelasi antara variabel laten dengan variabel laten
tetangga sebagai pembobot (weight). Variabel laten menjadi principal component
(komponen utama) dari variabel laten tetangganya. Skema weighting dengan
faktor memaksimumkan varian dari komponen utama variabel laten ketika jumlah
variabel laten menjadi tak terhingga jumlahnya. Skema dengan path weighting
membobot variabel laten tetangga dengan cara berbeda tergantung apakah
variabel laten tetangga merupakan anteseden atau konsekuen dari variabel laten
Dengan hasil estimasi variabel laten dari aproksimasi inside, maka
didapatkan satu set pembobot baru dari aproksimasi outside. Jika skor
aproksimasi inside dibuat tetap (fixed), maka dapat dilakukan regresi sederhana
atau regresi berganda bergantung apakah indikator dari variabel laten bersifat
refleksif ataukah model berbentuk formatif. Oleh karena
inside
outside
outer model
convergent discriminant validity composite
realibility outer model
substantive content relative weight
weight
inner model
Stone-Geisser Q Square test
bootstrapping a). Outer Model
Outer model
Discriminant validity
cross loading cross loading
cross loading
square root of average variance extracted
square root of average variance extracted discriminant validity i i i i λ λ ε = +
∑
∑ ∑
Composite reliability composite reliability ≥Goodness of Fit Model Q-Square predictive relevance predictive relevance ≤ predictive relevance m R path analysis
(7). Langkah Ketujuh: Pengujian Hipotesis
inner model distribution free t-test p-value ≤ outter model inner model
inner model
4. Sample Size
resampling Bootestrapping
structural paths inner model.
BAB IV
ANALISIS DAN PEMBAHASAN
4.1. Deskr iptif Hasil Penelitian
4.1.1. Sejar ah PT XL Axiata Tbk
PT XL Axiata Tbk. (selanjutnya disebut “XL” atau “perseroan” telah
beroperasi di industri telekomunikasi selama 14 tahun dan merupakan salah satu
operator telekomunikasi seluler terkemuka di Indonesia. Berdiri pada tanggal 6
Oktober 1989 dengan nama PT Grahametropolitan Lestari. XL pertama kali
menjalankan bisnisnya di bidang perdagangan dan jasa umum. XL mulai
beroperasi sebagai penyedia layanan telepon seluler pada tahun 1996 setelah
mendapatkan izin operasi GSM 900. Selain itu XL juga merupakan perusahaan
swasta pertama di Indonesia yang menyediakan layanan telepon seluler.
Berdasarkan ikatan kerjasama dengan Rajawali Group serta tiga investor asing
(NYNEX, AIF dan Mitsui), nama persero kemudian berubah menjadi PT
Excelcomindo Pratama.
XL pertama kali melaksanakan Penawaran Umum Publik (IPO) pada
September 2005 dan mendaftarkan sahamnya di Bursa Efek Jakarta (sekarang
Bursa Efek Indonesia atau BEI). Pada saat itu XL menjadi anak perusahaan tidak
langsung dari Telekom Malaysia Berhard (TM) Group melalui Indocel Holding
Sdn. Bhd. yang keseluruhannya dimiliki oleh TM International (TMI) Sdn. Bhd.
melalui TM International (L) Limited. Pada tahun 2009, TMI mengganti namanya
menjadi Axiata Group Berhard (Axiata). Di akhir tahun yang sama, nama PT
kepentingan sinergi. Saat ini, sebagian besar saham XL dipegang oleh Axiata
melalui Axiata Investment (Indonesia) Sdn. Bhd. (66,6 persen) dan Emirates
Telecommunications Corporation atau Etisalat International Indonesia Ltd. (13,3
persen), dan sisanya dipegang oleh masyarakat (20,1 persen).
4.2. Analisis Karakteristik Responden
Data mengenai keadaan responden dapat diketahui melalui jawaban
responden dari pertanyaan-pertanyaan yang diajukan dalam kuesioner.
a. Jenis Kelamin
Dari 70 responden yang menjawab kuesioner yang telah diberikan dapat
diketahui jenis kelamin dari responden yakin pada tabel dibawah ini.
Tabel 4.1. Karakteristik responden berdasarkan jenis kelamin
No Jenis Kelamin Jumlah Persentase (%) 1 Laki-laki 33 57.1%
2 Wanita 37 52.9%
70 100%
Sumber: Data kuesioner diolah
Berdasarkan tabel di atas dapat dilihat bahwa konsumen provider XL dan
mengisi kuisioner yang peneliti bagikan sebanyak 70 kuisioner, 33 berjenis
kelamin laki-laki dan perempuan sebanyak 37 responden, hal ini menunjukkan
bahwa mayoritas yang menjadi konsumen dalam berbelanja dan membeli di
Carrefour Rungkut Surabaya adalah perempuan.
b. Usia
Dari 70 responden yang menjawab kuesioner yang telah diberikan dapat
Tabel 4.2. Karakteristik Responden Berdasarkan Usia
No Usia (Tahun) Jumlah Persentase (%)
1 21-30 28 40%
2 31-40 28 40%
3 41-50 14 20%
Total 70 100%
Sumber: Data diolah
Berdasarkan tabel diatas dapat dilihat responden di Carrefour Rungkut
Surabaya lebih didominasi oleh konsumen yang berusia 31-40 tahun sebanyak 28
responden, kemudian pada peringkat kedua adalah responden yang berusia 21-30
tahun sebanyak 28 responden.
4.2.1. Deskr ipsi Variabel
4.2.1.1. Deskr ipsi Variabel Efektivitas Iklan(X1)
Tabel 4.3. Frekuensi Hasil Jawaban Responden Mengenai Efektivitas Iklan
No Pertanyaan Skor Jawaban Skor
1 2 3 4 5 6 7
1
Provider XL memilki
iklan yang menarik
dibanding lainnya
- - - 14 23 25 8 70
- - - 20% 32.9% 35.7% 11.4% 100%
2
Tanggapan anda terhadap iklan Xl yang mudah diingat - - 6 29 22 9 4 70 - - 8.6 41.4% 31.4% 12.9% 5.7% 100% 3 Tanggapan anda tenrhadap XL mudah
diingat oeh penggunany
- 3 25 22 12 8 70
- 4.3% 35.7% 31.4% 17.1% 11.4% 100%
4
Ketepatan efektivitas pesan iklan sudah sesuai dengan harapan
- - - 22 26 20 2 70
- - - 31.4% 37.1% 28.6% 2.9% 100%
Sumber: Data diolah
Berdasarkan tabel di atas dapat dijelaskan sebagai berikut :
a. Indikator pertama dari atribut supermarket, yaitu Provider XL memilki iklan
yang menarik dibanding lainnya, mendapat respon terbanyak pada skor 5
pada skor 6 dengan jumlah resonden 25 Artinya, sebagian besar responden
yang menjawab setuju.
b Indikator kedua dari atribut spermarket, yaitu Tanggapan anda terhadap iklan
Xl yang mudah diingat, mendapat respon terbanyak pada skor 4 dengan
jumlah responden sebanyak 29 kemudian terbanyak kedua pada skor 5 dengan
jumlah responden 25. Artinya, sebagian besar responden yang menjawab
setuju.
c. Indikator ketiga dari atribut supermarket, yaitu Tanggapan anda tenrhadap XL
mudah diingat oeh penggunanya, mendapat respon terbanyak pada skor 4
dengan jumlah responden sebanyak 25, kemudian terbanyak kedua pada skor
5 dengan jumlah responden 22 Artinya, sebagian besar responden yang
menjawab bagus.
d. Indikator keempat dari atribut supermarket, yaitu Ketepatan efektivitas pesan
iklan sudah sesuai dengan harapan, mendapat respon terbanyak pada skor 4
dengan jumlah responden sebanyak 25, kemudian terbanyak kedua pada skor
5 dengan jumlah responden 26 Artinya, sebagian besar responden yang
4.2.1.2. Deskr ipsi Variabel Citra Merek (Y)
Tabel 4.4. Frekuensi Hasil Jawaban Responden Mengenai Citra merek
No Pertanyaan Skor Jawaban Skor
1 2 3 4 5 6 7
1
Merek yang sangat
familier sesuai dengan manfaatnya - - - 15 30 21 4 70 - - - 21.4% 42.9% 30% 5.7% 100% 2 Kemudahan dalam memperoleh provider XL - - - 18 32 16 4 70 - - - 25.7% 45.7% 22.9% 5.7% 100% 3
Merek yang mudah
dikenali, dapat diingat
dan kemasan yang
menarik
- - 14 34 18 4 70
- - - 20% 48.6% 25.7% 5.7% 100%
Sumber : Data diolah
Berdasarkan tabel di atas dijelaskan sebagai berikut :
a. Indikator pertama dari citra merek, yaitu Merek yang sangat familier sesuai
dengan manfaatnya, mendapat respon terbanyak pada skor 5 dengan jumlah
responden sebanyak 30 responden, kemudian terbanyak kedua terdapat pada
skor 6 dengan jumlah 21 resonden. Artinya, sebagian besar responden yang
menjawab setuju secara keseluruhan
b. Indikator kedua dari citra merek, yaitu Kemudahan dalam memperoleh
provider XL, mendapat respon terbanyak pada skor 4 dengan jumlah
responden sebanyak 18 responden, kemudian terbanyak kedua terdapat pada
skor 5 dengan jumlah 32 resonden. Artinya, sebagian besar responden yang
menjawab bagus secara keseluruhan.
c. Indikator ketiga dari citra merek, yaitu Merek yang mudah dikenali, dapat
diingat dan kemasan yang menarik, mendapat respon terbanyak pada skor 5
terdapat pada skor 6 dengan jumlah 18 resonden. Artinya, sebagian besar
responden yang menjawab bagus secara keseluruhan.
4.3. Analisis Data
4.3.1. Evaluasi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam
bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau
multivariat (Hair, 1998). Evaluasi terhadap outlier multivariate (antar variabel)
perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada
outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila
sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi
dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua
variabel dalam sebuah ruang multidimensional (Hair.dkk, 1998; Tabachnick &
Fidel, 1996). Uji terhadap outliers multivariate dilakukan dengan menggunakan
jarak Mahalanobis pada tingkat p < 1%. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² (chi kuadrat) pada derajat bebas sebesar jumlah variabel yang
Tabel 4.5. : Outlier Data
Res i d u a l s St a t i s t i csa
Minim um Maxim um Mean St d. Deviat ion N
Pr edict ed Value 15.8988 63.8155 35.5000 10.79633 70
St d. Pr edict ed Value - 1.816 2.623 .000 1.000 70
St andard Er ror of Pr edict ed
Value 3.884 9.105 6.028 1.239 70
Adj ust ed Pr edict ed Value 13.2496 66.7730 35.5261 11.13260 70
Residual - 36.23613 35.32107 .00000 17.25126 70
St d. Residual - 1.991 1.941 .000 .948 70
St ud. Residual - 2.138 2.104 - .001 1.010 70
Deleted Residual - 41.76700 41.50755 - .02607 19.60444 70
St ud. Delet ed Residual - 2.203 2.166 - .001 1.021 70
Mahal. Distance 2.158 1 6 .2 8 5 6.900 3.333 70
Cook's Dist ance .000 .097 .017 .022 70
Center ed Leverage Value .031 .236 .100 .048 70
a. Dependent Var iable: RESP
Sumber : data diolah
Deteksi terhadap multivariat outliers’ dilakukan dengan menggunakan
kriteria Jarak Mahalanobis pada tingkat p < 0,001. Jarak Mahalanobis itu
dievaluasi dengan menggunakan χ2
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 Mahal. Distance Maximum = 16.285 yang lebih kecil dari 27.877, berarti tidak terdapat outlier pada data tersebut, oleh karena itu data
ini mempunyai kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut.
4.3.2. Intrepretasi Hasil PLS
4.3.2.1. Pengujian Model Pengukur an (Outter Model).
Langkah selanjutnya adalah menilai outer model (Measurement Model)
dengan melihat outer loading factor discriminan validity dan composite reliability
1. Outer Loading, Hasil pengujian pertama dengan PLS ini menghasilkan outer
loading sebagai berikut
Tabel 4.6. Outer loading
Factor Loading (O) Sample Mean (M) Standard Deviation (STDEV) Standard Error (STERR) T Statistics (|O/STERR|) X11 <- EFEKTIFITAS IKLAN (X) 0.702474 0.698249 0.092233 0.092233 7.616326 X12 <- EFEKTIFITAS IKLAN (X) 0.722578 0.718028 0.074262 0.074262 9.730066 X13 <- EFEKTIFITAS IKLAN (X) 0.829491 0.825055 0.054554 0.054554 15.204820 X14 <- EFEKTIFITAS IKLAN (X) 0.785790 0.783156 0.052584 0.052584 14.943637
Y1 <- CITRA MEREK (Y) 0.843859 0.838692 0.045136 0.045136 18.695958
Y2 <- CITRA MEREK (Y) 0.842720 0.832547 0.054678 0.054678
Y3 <- CITRA MEREK (Y) 0.859753 0.858510 0.039571 0.039571
Sumber: data diolah
Berdasarkan hasil outer loading di atas Indikator Validitas : Nilai Factor
Loading lebih besar dari 0,5 dan atau nilai T-Statistic lebih besar dari 1,645 (nilai Z pada α = 0,10). Factor Loading merupakan korelasi antara indikator dengan
variabel, jika lebih besar dari 0,5 maka korelasi disebut valid dan jika nilai
T-Statistic lebih besar dari 1,645 maka korelasinya disebut signifikan.
Variabel dengan indikator reflektif Yaitu Efektifitas Iklan dan Citra
Merek untuk model pengukuran/validitas indikator dapat dilihat pada tabel outer
loading. Berdasarkan tabel outer loading di atas menunjukkan bahawa seluruh
estimate) lebih besar dari 0,50 dan atau signifikan (Nilai T-Statistic lebih dari
nilai Z α = 0,10 (10%) = 1,645 ), sehingga indikator –indikator kedua variabel
tersebut adalah menjadi pengukur/indikator variabelnya. Secara keseluruahn hasil
estimasi telah memenuhi Convergen vailidity dan validitas baik.
2. Discriminant validity
Discriminant validity pada indikator refleksif dapat dilihat pada
cross-loading. Cara lain untuk menilai discriminat validity dilakukan dengan cara
membandingkan square root of average variance extracted (AVE) untuk setiap
variabel dengan nilai korelasi antara variabel. Model mempunyai discriminant
validity yang tinggi jika akar AVE untuk setiap variabel lebih besar dari korelasi
antara konstruk (Ghozali, 2008). Jika nilai akar AVE lebih tinggi daripada
korelasi antar variabel yang lain, maka dapat dikatakan hasil ini menunjukkan
bahwa discriminant validity yang tinggi.
Tabel 4.7. Average Variance Extract (AVE)
AVE
CITRA M EREK (Y) 0.720483
EFEKTIFITAS IKLAN (X) 0.580277
Sumber: Data diolah
Berdasarkan tabel di atas bahwa Model Pengukuran berikutnya adalah
nilai Avarage Variance Extracted (AVE) , yaitu nilai menunjukkan besarnya
varian indikator yang dikandung oleh variabel latennya. Konvergen Nilai AVE
lebih besar 0,5 juga menunjukkan kecukupan validitas yang baik bagi variabel
laten. Pada variabel indikator reflektif dapat dilihat dari nilain Avarage variance
apabila nilai AVE masing-masing konstruk lebih besar dari 0,5. Hasil pengujian
menunjukkan bahwa nilai AVE untuk konstruk (variabel) Efektifitas Iklan dan
Citra Merek memiliki nilai lebih besar dari 0,5, sehingga valid.
3. Composite Reliability
Composite reliability adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya untuk diandalkan. Bila suatu alat dipakai dua kali
untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif
konsisten maka alat tersebut reliabel. Dengan kata lain, reliabilitas menunjukkan
suatu konsistensi alat pengukur dalam gejala yang sama.. Hasil selengkapnya