Bab IV Hasil dan Pembahasan
4.3 Pengujian Model Pengukuran (Outer Model)
4.3.1 Uji Validitas Konstruk
Pengukuran validitas konstruk menggunakan software SmartPLS 3.0 terdiri dari validitas konvergen dan validitas diskriminan. Validitas konvergen dinilai dari nilai loading factor indikator-indikator yang mengukur konstruk tersebut lebih besar dari 0,70 dan average variance extracted (AVE) di atas 0,50. Validitas diskriminan berhubungan dengan prinsip bahwa pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi dengan tinggi. Uji validitas diskriminan dinilai dari cross loading pengukuran dengan konstruknya lebih besar dari 0,70. Metode lainnya, validitas diskriminan dinilai dari akar kuadrat AVE dari setiap konstruk harus lebih besar daripada korelasi antar konstruk (Jogiyanto, 2011).
Hasil pengujian validitas konstruk menunjukkan ada beberapa indikator yang tidak memenuhi syarat nilai loading factor sebesar 0,7. Berdasarkan hasil pengujian tersebut maka indikator yang memiliki loading factor < 0,7 dikeluarkan dari konstruk dan tidak digunakan pada analisis selanjutnya. Output korelasi antar indikator dengan varibel konstruknya dapat dilihat pada lampiran 2. Ouput korelasi indikator dengan konstruknya setelah dilakukan revisi dapat dilihat pada tabel 4.7 berikut ini.
35
Tabel 4.7 Output Loading Indikator konstruk
Konstruk Item Indikator Loading
factor
Promosi Harga
(PH) PH.1
Hotel memberikan diskon/promosi harga
untuk paket liburan 0,760
PH.2 Hotel memberikan diskon/promosi harga
saat hari-hari tertentu 0,843
PH.3 Hotel memberikan penawaran menu khusus 0,791
PH.4 Hotel memberikan promosi pembelian
makanan "beli satu gratis satu" 0,825 PH.5 Hotel memberikan kartu member yang
berisikan poin untuk setiap transaksi 0,865 PH.6
Saya akan berusaha semaksimal mungkin untuk menemukan harga kamar di harga yang lebih murah
0,764
PH.7
Ketika saya membeli suatu promosi makanan atau menyewa kamar hotel saya sangat mengutamakan harga yang murah, tapi saya juga mengutamakan kualitas produk dan pelayanan
0,783
PH.8
Saya membandingkan harga-harga untuk setiap brand hotel yang berbeda dari setiap promosi yang dibuat untuk meyakinkan bahwa saya telah mendapatkan harga yang terbaik
0,837
PH.9
Saat melakukan pembelian promosi makanan atau kamar hotel, saya selalu mencoba untuk memaksimalkan kualitas yang saya dapatkan atas uang yang saya keluarkan
0,781
Kualitas
Makanan (KM) KM.1
Makanan dan minuman hotel yang
disediakan bervariasi 0,863
KM.2 Makanan dan minuman hotel berkualitas
tinggi 0,839
KM.3 Makanan dan minuman yang disediakan
bersih 0,886
KM.4 Rasa dari minuman yang disajikan enak 0,914
KM.5 Rasa dari minuman yang disajikan memiliki
Tabel 4.7 Output Loading Indikator konstruk (lanjutan)
Konstruk Item Indikator Loading
factor
KM.6 Rasa dari makanan yang disajikan enak 0,897
KM.7 Rasa dari makanan yang disajikan memiliki
kualitas konsisten 0,847
Kualitas Pelayanan (KP)
KP.1 Karyawan hotel memberikan pelayanan dengan
ramah 0,820
KP.2
Karyawan hotel memahami dan melakukan pekerjaannya dengan baik dan tidak membuat kesalahan
0,880
KP.3 Karyawan hotel melayani dengan sopan 0,830
KP.4 Karyawan hotel selalu bisa membantu saat
dibutuhkan 0,874
KP.5
Karyawan hotel memberikan pelayanan dan perhatian khusus dan membuat saya merasa spesial
0,835
KP.6 karyawan hotel berpenampilan rapi 0,850
KP.7 Karyawan hotel sangat resposible dalam
menangani setiap masalah/keluhan 0,886 KP.8
Karyawan hotel memiliki pengetahuan tentang hotel sehingga dapat menjawab semua
pertanyaan dengan baik
0,866
KP.9 Hotel memberikan pelayanan yang fleksibel
dan sangat memadai 0,758
KP.10 Untuk mendapatkan informasi tentang fasilitas
dan pelayanan hotel sangat mudah 0,784 KP.11
Hotel akan menyelesaikan keluhan yang diberikan dan akan memberikan kompensasi atas ketidaknyamanan yang diterima
0,740
Kepuasan
(K) K.1
Saya merasa puas dengan keputusan saya untuk
menginap di Hotel ini 0,858
K.2 Keputusan saya untuk menginap di hotel ini
adalah keputusan yang bijak 0,729
K.3
Saya rasa saya telah membuat keputusan yang benar saat saya memilih untuk menginap di hotel ini
37
Tabel 4.7 Output Loading Indikator konstruk (lanjutan)
Konstruk Item Indikator Loading
factor
K.4
Saya merasa bahwa saya telah mengalami pengalaman yang menyenangkan saat tinggal di hotel ini
0,777
K.5 Saya merasa puas dengan makanan dan
minuman yang disediakan 0,787
K.6 Saya merasa puas dengan pelayanan yang
diberikan 0,744
Sumber : Pengolahan data dengan SmartPLS
Pada tabel 4.7 dapat dilihat bahwa semua indikator ditampilkan karena memiliki loading factor > 0,70 dan dinyatakan valid. Berdasarkan hasil perhitungan sebelum dilakukan revisi bahwa kepuasan diukur menggunakan 7 pernyataan, namun ada satu pernyataan yakni pernyataan nomor 7 yang berbunyi “ saya merasa puas secara keseluruhan “ tidak valid dengan hasil loading factor yaitu 0,694. Penulis memutuskan untuk menghapus indikator tersebut karna masih bisa diwakili dengan menggunakan 6 indikator pernyataan.
4.3.1.1. Uji Validitas Konvergen
Uji validitas konvergen dapat dilihat dari nilai AVE masing-masing konstruk. Setiap konstruk harus bernilai lebih besar dari 0,5 untuk dapat dinyatakan memiliki validitas konvergen yang baik. Tabel 4.8. menyatakan nilai AVE setiap konstruk penelitian ini, nilai AVE variabel Promosi Harga sebesar 0,650, variabel Kualitas Makanan sebesar 0,772, variabel Kualitas Pelayanan sebesar 0,690,
variabel Kepuasan sebesar 0,623. Berdasarkan data tersebut nilai AVE setiap konstruk lebih besar dari 0,50 dan dinyatakan validitas konvergennya baik.
Tabel 4.8 Nilai AVE masing-masing konstruk
Konstruk Average Variance Extracted
(AVE)
Promosi Harga (PH) 0,650
Kualitas Makanan (KM) 0,772
Kualitas Pelayanan (KP) 0,690
Kepuasan Pelanggan (K) 0,623
Sumber : Pengolahan data dengan SmartPLS
Tampak pada tabel 4.8 bahwa skor nilai AVE memiliki nilai diatas 0,5. Dengan demikian dapat disimpulkan bahwa konstruk mempunyai validitas konvergen yang baik.
4.3.1.2. Uji Validitas Diskriminan
Uji validitas diskriminan dinilai berdasarkan cross loading pengukuran dengan konstruknya lebih besar dari 0,70. Jika nilai loading factor masing-masing indikator terhadap konstruknya lebih besar dari konstruk lainnya maka dapat dikatakan bahwa konstruk tersebut memiliki validitas diskriminan yang baik. Hasil pengujian cross loading dapat dilihat pada lampiran 3 penelitian ini.
Uji validitas diskriminan dapat dilakukan dengan metoda lainnya yaitu dengan membandingkan nilai akar kuadrat AVE setiap konstruk dengan nilai korelasi antar konstruk. Nilai akar kuadrat AVE harus lebih besar dari nilai korelasi antar konstruk. Tabel 4.9 memberikan informasi mengenai perbandingan nilai tersebut.
39
Tabel 4.9 Perbandingan Akar AVE dengan Korelasi Antar Variabel Konstruk
Variabel Akar AVE Promosi Harga Kualitas Makanan Kualitas Pelayanan Kepuasan Promosi Harga 0,806 1,000 Kualitas Makanan 0,879 0,423 1,000 Kualitas Pelayanan 0,831 0,446 0,583 1,000 Kepuasan 0,789 0,635 0,454 0,476 1,000
Sumber : Pengolahan data dengan SmartPLS
Berdasarkan tabel 4.9 dapat diketahui bahwa nilai akar AVE setiap variabel konstruk lebih besar dibandingkan nilai korelasi antar konstruknya. Nilai akar variabel Promosi Harga (PH) sebesar 0,806 lebih besar dibandingkan dengan nilai korelasi konstruknya sebesar 0,423 dengan variabel Kualitas Makanan (KM), sebesar 0,446 dengan variabel Kualitas Pelayanan (KP), sebesar 0,635 dengan variabel Kepuasan (K), dan begitu seterusnya untuk variabel konstruk lainnya. Kondisi ini dapat diartikan bahwa model pengukuran konstruk penelitian ini adalah baik dan tidak memiliki masalah validitas diskriminan.
Setelah dilakukan pengujian validitas konstruk yaitu validitas konvergen dan validitas diskriminan, hasil pengujian menyatakan bahwa konstruk penelitian ini valid. Hal ini dibuktikan dengan pengujian validitas yang telah memenuhi syarat loading factor lebih besar dari 0,70, nilai AVE lebih besar dari 0,50, nilai akar kuadrat AVE setiap konstruk lebih besar dari nilai korelasi antar konstruknya. Hasil pengujian validitas dengan menggunakan PLS Algorithm
setelah dilakukan perhitungan ulang karena mengeluarkan indikator yang tidak valid dapat dilihat pada Gambar 4.1
Sumber : Pengolahan data dengan SmartPLS
Gambar 4.1 Tampilan Hasil PLS Algorithm