3.6 Metode Pengolahan Data
3.6.4 Uji Kecocokan
Dalam tahap ini, kita akan memeriksa tingkat kecocokan antara data dengan model, validitas dan reliabilitas model pengukuran dan signifikansi koefiesien-koefisien dari model struktural. Menurut Hair et.al dalam Wijanto (2008) evaluasi terhadap tingkat kecocokan data dengan model dilakukan melalui beberapa tahapan, yaitu :
1. Kecocokan keseluruhan model (overall model fit) 2. Kecocokan model pengukuran (measurement model fit) 3. Kecocokan model struktural (structural model fit) 3.6.4.1Kecocokan Model Pengukuran (Measurement Model Fit)
Uji kecocokan model pengukuran akan dilakukan terhadap setiap konstruk atau model pengukuran (hubungan antara sebuah variabel laten dengan beberapa variabel teramati/indikator) secara terpisah melalui:
1.Evaluasi terhadap validitas (validity) dari model pengukuran
Uji validitas digunakan untuk mengetahui dan mengukur seberapa baik instrumen yang akan diukur (Hair et.al, 2010).
Tabel 3.2 Uji Validitas
No. Ukuran Validitas Nilai Disyaratkan
1. Kaiser meyer-olkin measure of sampling adequacy adalah statistik yang mengindikasikan proporsi variasi dalam
variabel yang merupakan variasi umum (common variance), yakni variasi dalam
penelitian
Nilai KMO MSA > 0,5 menunjukkan bahwa faktor
analisis dapat digunakan
2. Bartlett’s test of sphericity mengindikasikan bahwa matriks korelasi adalah matriks identitas yang mengindikasikan bahwa variabel-variabel dalam faktor bersifat
related atau unrelated
Nilai signifikansi adalah hasil uji, jika nilai hasil uji < 0,05 menunjukkan hubungan yang signifikan antara variabel dan
merupakan nilai yang diharapkan 3. Anti image matrices, setiap nilai pada kolom
diagonal anti-image correlation matrix menunjukkan measure of sampling adequacy
dari masing-masing indikator
Nilai diagonal anti-image correlation matrix> 0,5 menunjukkan variabel cocok
atau sesuai dengan struktur variabel lainnya di dalam faktor
tersebut
No. Ukuran Validitas Nilai Disyaratkan 4. Total variance explained, nilai pada kolom
“cummulative %” menunjukkan persentase variansi yang disebabkan oleh keseluruhan
faktor
Nilai “cumulative %” harus >
60%
5. Component matrix, nilai factor loading dari variable-variabel komponen faktor
Nilai factor loading ≥ 0,5
2.Evaluasi terhadap reliabilitas (reliability) dari model pengukuran
Reliabilitas adalah konsistensi suatu pengukuran. Reliabilitas tinggi menunjukkan bahwa indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latennya (Hair et.al, 2010). Untuk mengukur reliabilitas dalam SEM akan digunakan composite reliability measure (ukuran reliabilitas komposit) dan variance extracted measure (ukuran ekstrak varian) (Hair et.al, 2010).
a. Reliabilitas komposit suatu konstruk dihitung dengan rumus seperti berikut
Dimana standardized loading (std. loading) dapat diperoleh secara langsung hasil perhitungan AMOS, dan ej adalah measurement error untuk setiap indicator atau variable teramati (Hair et.al, 2010).
b. Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator- indikator atau variabel teramati yang dijelaskan oleh variabel laten. Ukuran ekstrak varian dapat dihitung sebagai berikut (Fornel & Laker, 1981 dalam Wijanto, 2008):
Tabel 3.2 Uji Validitas (Lanjutan)
atau (Hair et.al, 2010):
Dimana N adalah banyaknya indiator atau variabel teramati dari model pengukuran.
Hair et.al. (2010) menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik, jika nilai konstruk reliabilitasnya (construct reliability) ≥ 0,70, dan nilai ekstrak variannya (variance extracted) ≥ 0,50.
3.6.4.2 Kecocokan Model Keseluruhan (Overall Model Fit)
Tahap pertama dari uji kecocokan ini ditujukan untuk mengevaluasi secara umum derajat kecocokan atau Goodness Of Fit (GOF) antara data dengan model. Menilai GOF suatu SEM secara menyeluruh (overall) tidak dapat dilakukan secara langsung seperti pada teknik multivariate yang lain.
1. Ukuran Kecocokan Absolut
Ukuran kecocokan absolut menentukan derajat prediksi model keseluruhan terhadap matriks korelasi dan kovarian. Dari berbagai ukuran kecocokan absolut, ukuran-ukuran yang biasanya digunakan untuk mengevaluasi SEM adalah sebagai berikut.
a. Root Mean Square Error of Approximation (RMSEA)
Indeks merupakan salah satu indeks informative dalam SEM. Rumus perhitungan RMSEA adalah sebagai berikut.
√̂
Nilai RMSEA ≤ 0,05 menandakan close fit, sedangkan 0,05 < RMSEA ≤ 0,08 menunjukkan good fit.
b. CMIN/DF
CMIN/DF adalah nilai CMIN dibagi dengan DF. Rumus perhitungan CMIN/DF adalah sebagai berikut.
2. Ukuran Kecocokan Inkremental
Ukuran kecocokan inkremental membandingkan model yang diusulkan dengan model dasar (baseline model) yang disering disebut null model atau independence model.
a. Comparative Fit Index (CFI)
Adapun rumus CFI adalah sebagai beriut.
Nilai CFI akan berkisar dari 0 sampai 1. Nilai CFI ≥ 0,90 menunjukkan good fit, sedangkan 0,80 ≤ CFI < 0,90 sering disebut sebagai marginal fit.
Pembahasan tentang uji kecocokan serta batas-batas nilai yang menunjukkan tingkat kecocokan yang baik (good fit) untuk setiap GOF (Goodness of Fit) dapat diringkas ke dalam table sebagai berikut
Tabel 3.3 Perbandingan Ukuran-Ukuran GOF
Ukuran GOF Tingkat kecocokan yang bisa diterima Absolute-Fit Measures
Root Mean Square Error of Approximation (RMSEA)
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan sampel. RMSEA ≤ 0,80 adalah good fit, sedangkan RMSEA < 0,05 adalah close fit.
CMIN/DF Nilai CMIN/DF ≤ 3 adalah good fit.
Incremental Fit Measures
Comparative Fit Index (CFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0,90 adalah good fit, sedangkan 0,80 ≤ CFI ≤ 0,90 adalah marginal fit.
Sumber : Wijanto (2008)
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Gambaran Umum Objek Penelitian 4.1.1 Olx.co.id
Olx.co.id yang sebelumnya Tokobagus.com adalah suatu perusahaan yang kegiatan usahanya menyelenggarakan sebuah situs yang bertindak sebagai media perantara periklanan yang meneruskan informasi iklan dari penjual kepada calon pembeli melalui situs www.Olx.co.id dan merupakan situs online classified terbesar di Indonesia.
Olx.co.id didirikan pada tahun 2005 di Denpasar Bali oleh dua orang pemuda asal Belanda, Arnold Sebastian Egg dan Remco Lupker yang ingin membuat situs dimana perusahaan dan perorangan dapat menjual dan membeli produk maupun jasa secara online
Olx.co.id dikelola oleh PT. Tokobagus, yang dikunjungi oleh lebih dari 100.000 pengunjung setiap harinya.Olx.co.id menyediakan media yang mudah, cepat dan gratis bagi para penjual untuk memasang iklan dan sekaligus bagi pembeli untuk mencari beragam produk barang bekas dan barang baru untuk kebutuhan sehari-hari. Barang yang dapat dicari mulai dari handphone, komputer, perangkat rumah tangga, hingga mobil dan sepeda motor, rumah dan properti, bahkan lowongan kerja dan layanan lainnya.(www.Olx.co.id)
Pada bulan Mei 2014, Tokobagus.com mengganti nama, logo, dan url menjadi Olx.co.id yang merupakan sebuah merek e-commerce global yang dimiliki oleh Naspers.
Perusahaan Olx telah berinvestasi di Tokobagus.com sejak tahun 2010, perubahan nama dati Tokobagus.com merupakan langkah besar yang menunjukkan betapa besar
keinginan membantu masyarakat Indonesia untuk bisa menjual barang bekas secara mudah.
4.2 Uji Validitas dan Reliabilitas (Pre-Test) 4.2.1 Hasil Uji Validitas (Pre-Test)
Pengukuran validitas dilakukan dengan melakukan analisis faktor pada hasil pre-test sejumlah 35 responden untu melihat Kaiser-Meyer-Olkin measure of sampling (KMO), Bartlett’s test of sphericity (Signifikansi/Sig), Anti-image matrices (MSA), total variance explained (cummulative), dan factor loading of component matrix (factor loading).
Tabel 4. 1 Hasil Uji Validitas Data Pre-Test Variabel Laten Indikator KMO
>0,5
SIG
<0,05
MSA
>0,5
Cummulative (%)
> 60%
Factor Loading
≥0,5
Kesimpul an
Website Usability
US1
0,816 0,000
0,869
79,100%
0,810 Valid
US2 0,833 0,908 Valid
US3 0,778 0,910 Valid
US4 0,804 0,924 Valid
Information Quality
IQ1
0,897 0,000
0,847
84,844%
0,921 Valid
IQ2 0,943 0,917 Valid
IQ3 0,914 0,954 Valid
IQ4 0,871 0,916 Valid
IQ5 0,875 0,929 Valid
IQ6 0,943 0,889 Valid
Variabel Laten Indikator KMO
>0,5
SIG
<0,05
MSA
>0,5
Cummulative (%)
> 60%
Factor Loading
≥0,5
Kesimpul an
Reliability
REL1
0,863 0,000
0,836
87,477%
0,948 Valid
REL2 0,884 0,930 Valid
REL3 0,868 0,930 Valid
REL4 0,868 0,934 Valid
Responsiveness
RES1
0,857 0,000
0,900
74,220%
0,883 Valid
RES2 0,818 0,932 Valid
RES3 0,875 0,959 Valid
RES4 0,909 0,906 Valid
RES5 0,900 0,925 Valid
RES6 0,874 0,947 Valid
RES7 0,308 -0,232 Tidak
Valid
Assurance
ASS1
0,800 0,000
0,811
84,261%
0,896 Valid
ASS2 0,777 0,916 Valid
ASS3 0,832 0,922 Valid
ASS4 0,784 0,937 Valid
Personalization
PERS1
0,756 0,000
0,729
87,145%
0,941 Valid
PERS2 0,826 0,916 Valid
PERS3 0,726 0,942 Valid
Attitudinal Loyalty
ATL1
0,836 0,000
0,781
82,783%
0,877 Valid
ATL2 0,877 0,918 Valid
ATL3 0,811 0,960 Valid
Tabel 4. 2 Hasil Uji Validitas Data Pre-Test (Lanjutan)
Variabel Laten Indikator KMO
>0,5
SIG
<0,05
MSA
>0,5
Cummulative (%)
> 60%
Factor Loading
≥0,5
Kesimpul an
ATL4 0,857 0,917 Valid
ATL5 0,860 0,875 Valid
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan SPSS 20
Sehingga dapat disimpulkan bahwa item-item indikator (pertanyaan) dalam kuesioner dari 7 variabel tersebut benar-benar mengukur apa yang ingin diukur dalam penelitian ini, dan terdapat satu indikator yang tidak dihilangkan walaupun tidak valid dikarenakan data yang terhimpun hanya 35 dari 165 responden.
4.2.2 Hasil Uji Reliabilitas (Pre-Test)
Uji reliabilitas dilakukan untuk mengukur konsistensi dan reliabilitas indikator pertanyaan-pertanyaan dalam kuesioner terhadap variabelnya. Menurut Malhotra (2010) dengan melihat batas nilai cronbach’s alpha ≥0,60 maka indikator pernyataan dalam kuesioner dinyatakan reliable, konsisten, dan relevan terhadap variabel. Berikut ini adalah hasil analisis reliabilitas indikator penelitian.
Tabel 4. 4 Hasil Uji Reliabilitas Data Pre-Test
Variabel Cronbach’s Alpha Kriteria
Website Usability 0,910 Reliabel
Personalization 0,925 Reliabel
Information Quality 0,963 Reliabel
Reliability 0,951 Reliabel
Responsiveness 0,869 Reliabel
Assurance 0,937 Reliabel
Attitudinal Loyalty 0,947 Reliabel
Sumber : Hasil pengolahan data dilakukan oleh peneliti dengan SPSS 20 Tabel 4. 3 Hasil Uji Validitas Data Pre-Test (Lanjutan) (Lanjutan)
Berdasarkan hasil pada tabel 4.2 diatas menunjukkan bahwa semua variabel penelitian, yaitu website usability, personalization, information quality, reliability, responsiveness, assurance ,dan attitudinal loyalty memiliki cronbach’s alpha ≥ 0,60.
Hasil tersebut menyatakan jika item indikator pernyataan dalam kuesioner ditanyakan ke responden yang sama dan berbeda, hasilnya akan cenderung tetap dan konsisten, sehingga seluruh item indikator dari semua variabel yang diuji akan digunakan dalam tahap penelitian lebih lanjut dalam penelitian ini.
4.3 Profil Responden
Profil responden dilakukan untuk menjelaskan dan menggambarkan demografi dan karakteristik responden secara keseluruhan berdasarkan jenis kelamin, usia, tingkat pendidikan terakhir, pekerjaan, dan pengeluaran perbulan.
4.3.1 Jenis Kelamin Responden
Gambar 4. 1 Jenis Kelamin Responden
Sumber:Hasil pengolahan data dilakukan oleh peneliti dengan Microsoft Excel Gambar 4.1 menggambarkan bahwa dari seluruh responden yang berjumlah 165 orang, dapat dilihat bahwa responden berjenis kelamin pria berjumlah 108 orang sedangkan responden yang berjenis kelamin wanita berjumlah 57 orang. Jika total keseluruhan responden sebanyak 165 orang maka prosentase pria adalah 65,45%
108
57 0
50 100 150
Pria Wanita
Jenis Kelamin
Jenis Kelamin
sedangkan untuk wanita 35%. Hal ini menunjukkan bahwa jumlah responden pria lebih besar daripada jumlah responden wanita.
4.3.2 Usia Responden
Gambar 4. 2 Usia Responden
Sumber:Hasil pengolahan data dilakukan oleh peneliti dengan Microsoft Excel
Peneliti mengelompokkan skala usia responden menjadi 4 kelompok, yaitu skala usia ≤20 tahun, 21-30 tahun, 31-40 tahun,dan ≥40 tahun. Pada gambar 4.2 diatas dapat dilihat bahwa mayoritas responden dalam penelitian ini adalah responden yang berusia antara 21-30 tahun yang berjumlah 119 orang atau sebesar 72,12% dari total responden, kemudian diikuti oleh responden yang berusia ≤20 tahun dengan jumlah responden 25 orang atau sebesar 15,15%, selanjutnya adalah responden yang berusia 31-40 tahun yang berjumlah 18 orang atau sebesar 10,91%, dan sisanya adalah responden yang berusia ≥40 tahun dengan berjumlah 3 orang atau sebesar 1,82%.
25
119
18 3
0 50 100 150
< 20 Tahun 21-30 Tahun 31-40 Tahun > 40 Tahun
Usia Responden
Usia Responden
4.3.3 Pendidikan Terakhir
Gambar 4. 3 Pendidikan Terakhir Responden
Sumber:Hasil pengolahan data dilakukan oleh peneliti dengan Microsoft Excel Pada grafik 4.3 diatas dapat dilihat, bahwa mayoritas responden dalam penelitian ini adalah responden dengan tingkat pendidikan terakhir SMA dengan jumlah prosentase 54%, lalu responden dengan tingkat pendidikan terakhir S1 dengan jumlah prosentase sebesar 34% urutan selanjutnya ialah responden dengan tingkat pendidikan terakhir D3 memiliki prosentase sebesar 9% dan kemudian untuk responden dengan tingkat pendidikan terakhir S2 sebesar 3% dan untuk pendidikan terakhir S3 0 responden.
4.3.4 Pekerjaan Responden
Gambar 4. 4 Pekerjaan Responden
Sumber:Hasil pengolahan data dilakukan oleh peneliti dengan Microsoft Excel
89
15
56
5 0
0 20 40 60 80 100
SMA D3 S1 S2 S3
Pendidikan terakhir
Pendidikan terakhir
87
41 21 16
0 20 40 60 80 100
Pekerjaan Responden
Pekerjaan Responden
Responden dalam penelitian ini sebagian besar ialah orang yang masih berstatus Pelajar/Mahasiswa dengan jumlah 87 orang atau sebesar 53% dari total responden, lalu responden yang bekerja sebagai Pegawai Swasta berjumlah 41 orang atau sebesar 23% , peringkat selanjutnya yaitu responden dengan pekerjaan sebagai Wiraswasta dengan jumlah 21 orang atau sebesar 13% dan sebanyak 16 orang atau sebesar 9% ialah pekerjaan lainnya.
4.3.5 Pengeluaran (Per bulan)
Pada sub bab ini dijelaskan pengeluaran per bulan responden, hasilnya akan disajikan dalam bentuk gambar dengan nilai hasil berupa prosentase seperti pada profil responden sebelumnya.
Gambar 4. 5 Pengeluaran (Per Bulan) Responden
Sumber:Hasil pengolahan data dilakukan oleh peneliti dengan Microsoft Excel
Pada gambar 4.5 diatas dapat dilihat, bahwa mayoritas pengeluaran per bulan responden sebesar 1-5 juta dengan jumlah 93 orang atau 56% dari jumlah responden, lalu pengeluaran per bulan aebesar kurang dari 1 juta sebanyak 51 orang atau 31%,
51
93
16 3 2
0 20 40 60 80 100
< 1 Juta 1-5 Juta 6-10 Juta 11-15 Juta > 15 Juta
Pengeluaran
Pengeluaran
selanjutnya responden dengan pengeluaran per bulan sebesar 6-10 juta sebanyak 16 orang atau 10%, selanjutnya pengeluaran sebesar 11-15 juta dengan prosentase 2% dan 1% untuk responden yang pengeluaran per bulannya diatas 15 juta.
4.4 Hasil Analisis Data
Berdasarkan metode penelitian yang telah dijelaskan pada bab tiga, metode analisis data yang akan digunakan dalam penelitian ini adalah Structural Equation Model dengan software AMOS 21 sebagai upaya pengujian hipotesis. AMOS dipilih karena penggunaannya yang cukup mudah dan cukup sering digunakan untuk analisis data SEM. Analisis data SEM bertujuan untuk mendapatkan dan mengevaluasi kecocokan model yang diajukan. Kemudian, setelah diketahui semua hasil pengolahan data, selanjutnya akan diinterpretasikan dan akan ditarik kesimpulan berdasrkan pada hasil analisis data SEM. Alat bantu atau software tambahan yang digunakan dalam penelitian ini adalah Microsoft Office Excel 2010 dan SPSS 20.
4.4.1 Spesifikasi Model
Sebagaimana yang telah dijelaskan sebelumnya bahwa penelitian ini menerapkan analisis dengan SEM sebagai upaya pengujian hipotesis. Spesifikasi model dalam penelitian ini telah dijelaskan pada bab III di gambar 3.1, dimana model penelitian terdiri dri 7 variabel, 6 hipotesis, dan 33 indikator untuk menguji adanya hubungan kausalitas antara variabel-variabel yang dihipotesiskan.
4.4.2 Identifikasi Model
Analisis SEM hanya dapat dilanjutkan apabila hasil identifikasi model menunjukkan bahwa model termasuk dalam kategori over-identified. Identifikasi ini dilakukan dengan melihat nilai degree of freedom (df) dari model penelitian. Tabel
dibawah ini merupakan hasil ouput AMOS ynag menunjukkan nilai df sebesar 458. Hasil tersebut mengindikasikan bahwa model termasuk kategori over-identified karena memiliki nilai df positif. Oleh karena itu, analisis data SEM bisa dilanjutkan ke tahap selanjutnya.
Tabel 4.3 Computation of Degree of Freedom
Number of distrint sample moments 528
Number of distrint parameters to be estimated 70
Degree of freedom 458
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan AMOS 21
4.4.3 Estimasi Model
Sebelum melakukan analisis kelayakan model penelitian ini, hasil estimasi model perlu dievaluasi terlebih dahulu agar memenuhi asumsi-asumsi dan persyaratan yang harus dipenuhi untuk menganalisis data SEM.
4.4.3.1 Sample Size
Jumlah sampel data pada penelitian sudah memenuhi asumsi SEM, yaitu 165 data dimana data tersebut diperoleh dari jumlah indikator dikali 5 menurut Hair, Black, Babin & Anderson (2010). Jumlah sampel data tersebut sesuai dengan jumlah data yang direkomendasikan antara 100-200 data sampel.
4.4.3.2 Uji Normalitas Data
SEM mensyaratkan data berdistribusi normal atau dapat dianggap berdistribusi normal. Jika data berdistribusi sangat tidak normal, maka hasil analisis dikhawatirkan menjadi bias.
Namun demikian, uji normalitas yang dilakukan pada SEM mempunya dua tahapa, pertama menguji normalitas untuk setiap variabel, sedangkan tahap kedua adalah pengujian normalitas untuk semua variabel secara bersama-sama, yang disebut dengan multivariate normality. Hal ini disebabkan jika setiap variabel normal secara individu, tidak berarti jika diuji secara bersama-sama (multivariat) juga pasti terdistribusi normal.
Hasil analisis data yang telah diolah menggunakan AMOS 21 akan dijelaskan pada tabel 4.4 berikut.
Tabel 4.4 Hasil Uji Normalitas Data
Variable min max skew c.r. kurtosis c.r.
US1 1 7 -1,066 -5,590 0,923 2,421
US2 1 7 -0,800 -4,196 -,040 -0,106
US3 1 7 -0,582 -3,054 -0,358 -0,938
US4 1 7 -0,633 -3,321 -0,551 -1,445
IQ1 1 7 -,0744 -3,900 -0,225 -0,591
IQ2 1 7 -0,518 -2,716 -0,329 -0,863
IQ3 1 7 -0,544 -2,854 -0,498 -1,306
IQ4 1 7 -0,542 -2,844 -0,379 -0,995
IQ5 1 7 -0,629 -3,300 -0,018 -0,048
IQ6 1 7 -0,636 -3,336 0,117 0,308
REL1 1 7 -0,642 -3,365 -0,106 -0,278
REL2 1 7 -0,498 -2,614 -0,516 -1,353
REL3 1 7 -0,437 -2,291 -0,648 -1,698
REL4 1 7 -0,494 -2,591 -0,195 -0,511
RES1 1 7 -0,642 -3,365 -0,106 -0,278
RES2 1 7 -0,287 -1,503 -0,600 -1,573
RES3 1 7 -0,345 -1,808 -0,523 -1,371
RES4 1 7 -0,595 -3,122 -0,310 -0,812
RES5 1 7 -0,356 -1,867 -0,438 -1,147
RES6 1 7 -0,568 -2,978 -0,292 -0,766
RES7 1 7 -0,406 -2,131 -0,884 -2,318
ASS1 1 7 -0,603 -3,165 -0,353 -0,925
ASS2 1 7 -0,715 -3,750 -0,127 -0,333
ASS3 1 7 -0,775 -4,065 -0,106 -0,277
ASS4 1 7 -0,647 -3,393 -0,254 -0,665
PERS1 1 7 -0,461 -2,416 -0,683 -1,790
PERS2 1 7 -0,704 -3,694 -0,132 -0,345
PERS3 1 7 -0,608 -3,188 -0,286 -0,749
ATL1 1 7 -0,596 -3,126 -0,249 -0,652
ATL2 1 7 -0,888 -4,655 0,318 0,835
ATL3 1 7 -0,525 -2,754 -0,416 -1,091
ATL4 1 7 -0,449 -2,353 -0,624 -1,635
ATL5 1 7 -0,469 -2,460 -0,538 -1,411
Multivariate 418,190 57,578
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan AMOS 21
4.4.4 Hasil Uji Pengukuran Model (Measurement Model Fit) 4.4.4.1 Uji Validitas dan Reliabilitas
Construct validity atau validitas konstruk adalah validitas yang berkaitan dengan kemampuan suatu alat ukur atau indikiator dalam mengukur variabel laten yang diukurnya. Menurut Hair et al (2010), suatu variabel dapat dikatakan mempunyai validitas yang baik jika muatan faktor standarnya (standardized loading factors) )≥ 0,50 dan idealnya ≥ 0,70.
Reliabilitas adalah konsistensi suatu pengukuran. Reliabilitas tinggi menunjukkan bahwa indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latennya (Hair et al., 2010). Mengukur reliabilitas dalam SEM akan digunakan composite reliability measure dan variance extracted measure, sebuah konstruk mempunyai reliabilitas yang baik jika nilai construct reliability (CR) ≥ 0,70 dan variance extracted (VE) ≥ 0,50.
Pada model penelitian ini, terdapat indikator yang dibuang karena nilai factor loading dibawah batas yakni dibawah 0,5 (Hair et,al, 2010). Adapun indikator yang dibuang adalah RES7 dengan nilai -0.005. Pada tahapan ini variabel manifes (indikator) akan diuji apakah idikator tersebut dapat menjelaskan sebuah konstruk (variabel laten), yang dilakukan lewat uji validitas dan reabilitas sebagai berikut :
Tabel 4.4 Hasil Uji Normalitas Data (Lanjutan)
Tabel 4. 5 Hasil Uji Validitas dan Reliabilitas
Variabel
Laten Indikator
Uji Validitas Uji Reliabilitas Factor
Loading Kriteria Construct Reliability
Variance
Extract Kesimpulan
Website Usability
US1 0,790 Valid
0,883 0,654 Reliabel
US2 0,886 Valid
US3 0,822 Valid
US4 0,730 Valid
Information Quality
IQ1 0,863 Valid
0,957 0,788 Reliabel
IQ2 0,899 Valid
IQ3 0,919 Valid
IQ4 0.912 Valid
IQ5 0,898 Valid
IQ6 0,833 Valid
Reliability
REL1 0,905 Valid
0,935 0,781 Reliabel
REL2 0,865 Valid
REL3 0,863 Valid
REL4 0,902 Valid
Responsiveness
RES1 0,869 Valid
0,925 0,675 Reliabel
RES2 0,867 Valid
RES3 0,897 Valid
RES4 0,905 Valid
RES5 0,898 Valid
RES6 0,916 Valid
Res 7 -0,005 Tidak Valid
Assurance
ASS1 0,830 Valid
0,939 0,794 Reliabel
ASS2 0,899 Valid
ASS3 0,887 Valid
Tabel 4. 5 Hasil Uji Validitas dan Reliabilitas
Variabel
Laten Indikator
Uji Validitas Uji Reliabilitas Factor
Loading Kriteria Construct Reliability
Variance
Extract Kesimpulan
ASS4 0,945 Valid
Personalization
PERS1 0,807 Valid
0,889 0,728 Reliabel
PERS2 0,851 Valid
PERS3 0,899 Valid
Attitudinal Loyalty
ATL1 0,878 Valid
0,928 0,721 Reliabel
ATL2 0,865 Valid
ATL3 0,919 Valid
ATL4 0,772 Valid
ATL5 0,802 Valid
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan AMOS 21 dan Mic. Excel 2010
Berdasarkan 4.5 diatas, indikator RES7 yang memiliki factor loading dibawah 0,05 sehingga harus dilakukan penghapusan untuk indikator RES7, berikut hasil setelah dilakukan penghapusan.
Tabel 4. 6 Hasil Uji Validitas dan Reliabilitas Setelah Penghapusan Variabel
Laten Indikator
Uji Validitas Uji Reliabilitas Factor
Loading Kriteria Construct Reliability
Variance
Extract Kesimpulan Website
Usability
US1 0,790 Valid
0,883 0,654 Reliabel
US2 0,886 Valid
US3 0,822 Valid
US4 0,730 Valid
Information Quality
IQ1 0,863 Valid
0,957 0,788 Reliabel
IQ2 0,899 Valid
IQ3 0,919 Valid
IQ4 0.912 Valid
IQ5 0,898 Valid
IQ6 0,833 Valid
Reliability
REL1 0,905 Valid
0,935 0,781 Reliabel
REL2 0,865 Valid
REL3 0,863 Valid
(Lanjutan)
Tabel 4. 6 Hasil Uji Validitas dan Reliabilitas Setelah Penghapusan Variabel
Laten Indikator
Uji Validitas Uji Reliabilitas Factor
Loading Kriteria Construct Reliability
Variance
Extract Kesimpulan
REL4 0,902 Valid
Responsiveness
RES1 0,869 Valid
0,959 0,796 Reliabel
RES2 0,866 Valid
RES3 0,897 Valid
RES4 0,905 Valid
RES5 0,898 Valid
RES6 0,916 Valid
Assurance
ASS1 0,830 Valid
0,939 0,794 Reliabel
ASS2 0,899 Valid
ASS3 0,887 Valid
ASS4 0,945 Valid
Personalization
PERS1 0,807 Valid
0,889 0,728 Reliabel
PERS2 0,851 Valid
PERS3 0,899 Valid
Attitudinal Loyalty
ATL1 0,877 Valid
0,928 0,721 Reliabel
ATL2 0,867 Valid
ATL3 0,919 Valid
ATL4 0,772 Valid
ATL5 0,801 Valid
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan AMOS 21 dan Mic. Excel 2010
Dari hasil tabel 4.6 di atas, menunujukkan bahwa variabel teramati dalam penelitian ini memiliki nilai factor loading mencapai ≥ 0,70 setelah satu variabel RES7 dibuang, sehingga dapat disimpulkan bahwa validitas variabel teramati terhadap variabel latennya adalah valid karena memenuhi kriteria dari validitas.
Selain itu, tabel 4.6 juga menunujukkan bahwa semua nilai construct reliability (CR) ≥ 0,70, dan semua nilai variance extracted (VE) ≥ 0,50. Secara keseluruhan dapat dikatakan bahwa nilai reliabilitas model pengukuran (measurement model) ini adalah baik dan dapat disimpulkan bahwa indikator-indikator yang digunakan sebagai observed variable mampu menjelaskan variabel laten yang dibentuknya.
(Lanjutan)
4.4.5 Hasil Uji Model Keseluruhan(Overall Model Fit) 4.4.5.1 Hasil Uji Kecocokan (Goodness of Fit)
Tahap uji model keseluruhan bertujuan untuk mengevaluasi secara umum derajat kecocokan atau Goodness of Fit (GOF) antara data dengan model. Menilai GOF suatu SEM secara menyeluruh tidak dapt dilakukan secara langsung seperti teknik multivariat yang lainnya. SEM tidak mempunyai satu uji statistik terbaik yang dapat menjelaskan kekuatan prediksi model.
Sebagai gantinya, para peneliti telah mengembangkan beberapa ukuran GOF yang dapat digunakan secara bersama-sama atau kombinasi. Berikut ini merupakan hasil dari Goodness Of Fit yang telah diolah menggunakan SEM dengan menggunakan perangkat AMOS 21.
Tabel 4. 7 Hasil Penelitian Indeks Goodness of Fit
GOF Tingkat Kecocokan Hasil Perhitungan Kesimpulan
Absolute –Fit Measures
CMIN/DF CMIN/DF ≤ 3,00 (good fit) 5,229 Poor
Fit
RMSEA
RMSEA ≤ 0,08 (good fit) 0,08 ≤ RMSEA ≤ 0,10 (marginal fit)
RMSEA ≥ 0,10 (poor fit)
0,161 Poor
Fit Incremental Fit Measure
CFI
CFI≥ 0,90 (good fit) 0,80 ≤ CFI ≤ 0,90 (marginal fit)
CFI ≤ 0,80 (poor fit)
0,708 Poor Fit
Sumber: Hasil pengolahan data dilakukan oleh peneliti dengan AMOS 21
Tabel 4.7 memberikan gambaran bahwa 3 ukuran GOF yang terdiri dari CMIN/DF, RMSEA dan CFI menunjukkan model keseluruhan mengindikasikan kriteria poor fit dengan model SEM.
Mengingat adanya kompleksitas permodelan persamaan keseluruhan, tidak jarang ditemukan model yang telah diusulkan adalah poor fit, salah satunya adalah dalam penelitian ini. Hal itu dikarenakan model yang diajukan oleh peneliti dengan yang disarankan SEM adalah berbeda. Namun demikian, tidak semata-mata harus melakukan respesifikasi model untuk meningkatkan hasil agar menghasilkan model yang good fit (Hooper, Coughlan & Mullen, 2008).
4.4.5.2 Hasil Analisis Model Keseluruhan(Overall Model Fit)
Model keseluruhan adalah seluruh hubungan antar konstruk yang mempunyai hubungan antar konstruk yang mempunyai hubungan kausal (sebab akibat) maka dari itu akan ada variabel laten eksogen dan variabel endogen. Analisis model keseluruhan berhubungan terhadap koefisien-koefisien atau parameter-parameter yang menunjukkan hubungan kausal atau pengaruh variabel laten terhadap variabel laten lainnya, sesuai dengan rerangka konseptual penelitian. Kemudian, pada analisis model keseluruhan akan diketahui tingkat signifikansi dengan cara melihat nilai p.