BAB VII

ANALISIS JALUR (PATH ANALYSIS) DAN PENGENALAN SEM

(STRUCTURAL EQUATION MODELLING)

A. Landasan Teori
David Garson (2003), mendefinisikan analisis jalur sebagai model
perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi
dengan sua atau lebih model hubungan sebab akibat yang dibandingkan oleh
peneliti. Lebih lanjut, David mengemukakan bahwa modelnya digambarnya
dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal
menunjukan sebagai penyebab. Regresi dikenakan pada masing-masing
variabel dalam suatu model sebagai variabel tergantung (pemberi respon)
sedangkan yang lainnya sebagai penyebab. Pembobotan regresi dipresiksi
dalam suatu model yang dibandingkan dengan matriks korelasi yang
diobservasi untuk semua variabel dan dilakukan juga perhitungan uji
keselarasan statistik.
Asumsi atau prinsip dasar yang harus dipenuhi dalam analisis jalur
diantaranya, yaitu (1) Terdapatnya hubungan anata variabel bersifat linearitas
(linearity) dan normal. (2) Adanya adivity, yaitu ada efek-efek interaksi. Semua
variabel residual tidak berinteraksi dengan salah satu variabel dalam model
yang diteliti, (3) Data semua variabel yang diobeservasi mempunyai data
berskala interval. (4) Sistim alıran kausal hanya satu arah (rekursif) artinya
tidak ada arah kausalitas terbalik non-rekusif (reciprocal). (5) Semua variabel
residual (yang tidak diukur) tidak berkorelasi dengan salah satu variabel-
variabel dalam model. (6) Sampling bersifat probability sehingga
memungkinkan anggota populasi memiliki peluang yang sama untuk dipilih
menjadi anggota sampel. (7) Observed variabel diukur tanpa kesalahan
(instrument valid dan reliabel). (8) Sebaiknya hanya terdapat multikolinearitas
yang rendah. Sebab multikolenaritas adalah dua atau lebih variabel bebas
(eksogen) masing-masing mempunyai hubungan yang sangat tinggi. Jika
memiliki hubungan antar variabel bebas yang tinggi, akan didapat standar error
yang besar dari koefisien beta (b) yang digunakan untuk menghilangkan

81
 82

varians biasa dalam melakukan analisis korelasi secara parsial. (9) Model yang
dianalisis dispesifikasi berdasarkan teori atau konsep yang relevan, artinya
model yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu
yang mampu menjelaskan hubungan kausalitas antar variabel.(10) Spesifikasi
model benar diperlukan untuk menginterprestasi koefisien -koefisien jalur.
Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan
dikeluarkan dari model. Semua koefisien jalur akan merefleksikan kovarians
bersama dengan semua variabel yang tidak diukur dan tidak akan dapat
diinterprestasi secara tepat dalam kaitannya dengan pengaruh langsung dan
pengaruh tidak langsung. (11) Terdapat masukkan korelasi yang sesuai, artinya
jika menggunakan matriks korelasi sebagai masukan, maka korelasi Pearson
digunakan untuk dua variabel berskala interval; korelasi Pearson digunakan
untuk dua variabel berskala ordinal; tetrachoric untuk dua variabel dikotomi
(berskala nominal); polyserial untuk satu variabel interval dan lainnya ordinal;
dan biserial untuk satu variabel bersakala interval dan lainnya nominal
(Hironymus, 2020).
Dalam analisis jalur dikenal beberapa konsep dan istilah dasar, yaitu: (a)
Model jalur adalah suatu diagram yang menghubungkan antara variabel bebas,
perantara, dan terikat. Pola hubungan ditujukan dengan menggunakan anak
panah. Anak panah tunggal menunjukkan hubungan sebab akibat antara
variabel exogenous atau perantara dengan satu variabel terikat atau lebih. Anak
panah juga menghubungkan kesalahan (variabel residu) dengan semua variabel
endogenous masing-masing. Anak panah ganda menunjukan korelasi antara
pasangan variabel-variabel exogenus. (b) Jalur penyebab untuk suatu variabel
yang diberikan, meliputi pertama jalur-jalur dari anak-anak panah menuju ke
variabel tersebut dan kedua jalur-jalur korelasi dari semua variabel endogenous
yang dikorelasikan dengan variabel- variabel lain yang mempunyai anak panah
menuju ke variabel yang sudah ada tersebut. (c) Variabel exogenous dalam,
suatu model jalur adalah semua variabel yang tidak ada penyebab eksplisitnya
atau dalam diagram tidak ada anak panah yang menuju kearahnya, selain pada
bagian kesalahan pengukuran. Jika antar variabel exogenous dikorelasikan,
 83

maka korelasi tersebut ditunjukkan dengan anak panah kepala d ua yang

menghubungkan variabel tersebut. (d) Variabel endogenous adalah variabel
yang memiliki anak panah menuju ke arah variabel tersebut. Variabel yang
termasuk didalamnya terikat. Variabel perantara endogenous mempunyai anak
panah yang menuju kearahnya dari arah variabel tersebut dalam suatu model
diagram jalur. Sedangkan variabel terikat hanya memiliki anak panah yang
menuju kearahnya. (e) Koefisien jalur/pembobotan adalah koefisien regresi
standar atau disebut "beta' yang menunjukkan pengaruh langsung dari suatu
variabel bebas terhadap variabel terikat dalam suatu model jalur tertentu. Oleh
karena itu jika suatu model mempunyai dua atau lebih variabel penyebab, maka
koefisien jalurnya koefisien regresi parsial yang mengukur besarnya pengaruh
satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang
mengontrol dua variabel lain sebelumnya dengan menggunakan data yang
sudah distandarkan atau matriks korelasi sebagai masukan. (f) Variabel
exogenous jika semua dikorelasikan, maka penanda hubungannya ialah anak
panah dengan kepala dua yang dihubungkan diantara variabel dengan koefisien
korelasinya. (g) Istilah gangguan Istilah kesalahan residual yang secara teknis
disebut 'gangguan' atau 'residue' mencerminkan adanya varian yang tidak dapat
diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah
dengan kesalahan pengukuran (Fery & Dedy, 2021).

Ada beberapa model jalur mulai dari yang paling sederhana sampai dengan
yang lebih rumit, diantaranya diterangkan dibawah ini:
1. Analisis Jalur Model Trimming
Model Trimming adalah model yang digunakan untuk memperbaiki suatu
model struktur analisis jalur dengan cara mengeluarkan dari model
variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila
ternyata ada variabel yang tidak signifikansi, perlu memperbaiki model
struktur analisis jalur yang telah dihipotesiskan.
2. Analisis Jalur Model Dekomposisi
Model dekomposisi adalah model yang menekankan pada pengaruh yang
bersifat kausalitas antar variabel, baik pengaruh langsung maupun tidak
 84

langsung dalam kerangka path analysis, sedangkan hubungan yang

sifatnya nonkausalitas atau hubungan korelasional yang terjadi antar
variabel eksogen tidak termasuk dalam perhitungan ini.
3. Model Regresi Berganda
Model ini merupakan pengembangan regresi berganda dengan
menggunakan dua variabel eksogen, yaitu X1 dan X2 dengan satu variabel
endogen Y.

4. Model mediasi atau perantara dimana variabel Y memodifikasi pengaruh

variabel X terhadap variabel Z.

5. Model Kombinasi Regresi Berganda dan Mediasi

Model ini merupakan kombinasi antara model regresi berganda mediasi,
yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan
tidak langsung mempengaruhi variabel Z melalui variabel Y.

6. Model Kompleks
Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara
langsung mempengaruhi Y2 dan X2 melalui variabel secara tidak langsung
mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel
Y1.
 85

7. Model Rekursif dan Model Non Rekursif

Dari sisi pandang arah sebab dan akibat, ada dua tipe model jalur, yaitu
jalur rekursif dan non rekursif. Model rekursif ialah jika semua anak panah
menuju satu arah

(Harun, 2005).

SEM (Structural Equation Modelling) adalah alat analisis statistik yang

semakin populer dewasa ini. Jika dilihat dari penyusunan model serta cara
kerjanya, sebenarnya SEM adalah gabungan dari analisis faktor dan analisis
regresi. Pada tahun 1950-an SEM sudah mulai dikemukakan oleh para ahli
statistik yang mencari metode untuk membuat model yang dapat menjelaskan
hubungan di ạntara variabel-variabel. Dalam kenyataan, khususnya ilmu-ilmu
sosial, banyak variabel yang bersifat laten, seperti motivasi seseorang,
komitmen, kesetiaan pelanggan dan lainnya. Variabel-variabel tersebut baru
bisa diukur dengan sejumlah indikator (variabel manifes), dan hubungan di
antara keduanya, serta antar variabel laten memunculkan model yang
membutuhkan alat analisis lanjutan untuk menyelesaikannya.Alat analisis
SEM saat ini sudah menjadi prosedur multivariat yang dominan (Singgih,
2007).
Beberapa keunggulan SEM, di antaranya ialah (1) Memungkinkan adanya
asumsi-asumsi yang lebih fleksibel; (2) Penggunaan analisis faktor penegasan
(confirmatory factor analysis) untuk mengurangi kesalahan pengukuran
 86

dengan memiliki banyak indikator dalam satu variabel laten; (3) Daya tarik
interface pemodelan grafis untuk memudahkan pengguna membaca keluaran
hasil analisis; (4) Kemungkinan adanya pengujian model secara keseluruhan
daripada koefisien- koefisien secara sendiri-sendiri; (5) Kemampuan untuk
menguji model-model dengan menggunakan beberapa variabel tergantung;
(6)Kemampuan untuk membuat model terhadap variabel-variabel perantara;
(7) Kemampuan untuk membuat model gangguan kesalahan (error term); (8)
Kemampuan untuk menguji koefisien-koefisien di luar antara beberapa
kelompok subjek; (9) Kemampuan untuk mengatasi data yang sulit, seperti data
time series dengan kesalahan autokorelasi, data yang tidak normal, dan
datagang tidak lengkap (Umi Narimawati dkk, 2020).
Dalam statistik terdapat generalisasi yang menyatakan bahwa beberapa
variabel saling berhubungan satu dengan yang lain dalam suatu kelompok
persamaan linear. Hubungan tersebut menjadil semakin kompleks, tetapi inti
pesannya tetap sama, yaitu kita dapat menguji apakah beberapa variabel saling
berhubungan melalui seperangkat hubungan linear dengan cara memeriksa
varian dan kovarian variabel tersebut. Diktum ini dapat diilustrasikan secara
sederhana. Ada sekelompok angka (diberi simbol X): 1, 2, dan 3. Sekelompok
angka tersebut mempunyai rata-rata sebesar 2 dan standard deviasi 1.
Kemudian sekelompok angka ini (X) kita kalikan 4 maka akan menjadi
sekelompok angka, 4, 8, dan 12 (diberi simbol Y). Sekelompok angka tersebut
mempunyai rata-rata sebesar 8, standard deviasi 4, dan varian sebesar 16
(varian adalah standard deviasi yang dikuadratkan). Seperangkat angka X
dapat hubungkan dengan seperangkat angka Y dengan menggunakan
persamaan Y = 4 X sehingga varian Y ialah 16 kali X. Dari persamaan tersebut
kita dapat melakukan pengujian hipotesis, yaitu Y dan X dihubungkan dengan
menggunakan persamaan Y = 4 X secara tidak langsung dengan cara
membandingkan varian-varian variabel X dan Y (Umi Narimawati dkk, 2020).
Untuk menggunakan prosedur SEM sebaiknya:
(1) Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu
dengan yang lainnya dengan menggunakan diagram jalur.
 87

(2) Teliti melalui beberapa aturan internal yang kompleks implikasi-

implikasi apa saja dalam kaitannya dengan varian-varian dan kovarian-
kovariannya beberapa variabel tersebut.
(3) Ujilah apakah semua varian dan kovarian cocok dengan modelnya.
(4) Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi
parameter serta kesalahan-kesalahan standard untuk semua koefisien
numerik yang ada dalam persamaan linear
(5) Berdasarkan semua informasi tersebut, peneliti memutuskan apakah
model tampak sesuai dengan data yang dipunyai atau tidak (Umi
Narimawati dkk, 2020).
B. Soal Latihan
Perusahaan Agro Mulya Mandiri sedang melakukan penelitian tentang
perusahaannya. Mereka ingin mengetahui besarnya pengaruh variabel produk,
variabel harga, variabel dan variabel promosi terhadap variabel loyalitas
pelanggan secara langsung mauun tidak langsung melalui variabel kepuasan
pelanggan.
 88

Tabel 7.1 Data variabel produk, harga, promosi, kepuasan dan loyalitas
No Produk Harga Promosi Kepuasan Loyalitas
1 28 28 26 25 24
2 25 28 26 22 21
3 26 29 25 24 22
4 24 25 25 23 21
5 24 24 22 22 21
6 25 26 23 23 22
7 26 27 24 24 23
8 25 26 22 22 22
9 26 26 24 24 24
10 29 29 25 25 25
11 15 13 13 13 12
12 13 12 11 11 10
13 15 14 15 12 11
14 14 12 18 12 10
15 11 18 13 13 11
16 13 19 16 14 13
17 15 19 18 15 12
18 15 13 14 14 12
19 16 14 15 15 12
20 16 13 16 14 12
21 12 13 14 14 11
22 18 14 15 14 13
23 14 12 12 11 12
24 13 15 13 12 11
25 14 13 18 12 10
26 11 11 13 10 8
27 14 17 11 10 9
28 15 13 11 10 10
29 14 14 12 9 10
30 9 15 8 8 9
Keterangan:
X1 : produk merupakan variabel bebas pertama
X2 : harga merupakan variabel bebas kedua
X3 : promosi merupakan variabel bebas ketiga
Y1 : kepuasan merupakan variabel terikat pertama
 89

Y2 : loyalitas merupakan variabel terikat kedua

Pertanyaan :
1. Berapa besar pengaruh variabel produk, harga, dan promosi terhadap
variabel kepuasan pelanggan secara parsial atau sendiri-sendiri dan
variabel mana yang pengaruhnya lebih besar?
2. Berapa besar pengaruh variabel produk, harga, dan promosi terhadap
variabel kepuasan pelanggan secara gabungan?
3. Berapa besar pengaruh variabel produk, harga, promosi dan kepuasan
pelanggan terhadap variabel loyalitas pelanggan?
4. Berapa besar pengaruh variabel produk, harga, dan promosi terhadap
loyalitas pelanggan melalui variabel kepuasan pelanggan?
C. Langkah Kerja
1. Model 1
a. Mengisi nama pada kolom 1 sebagai X1 dan melabelinya dengan
produk, kolom 2 sebagai X2 dan melabelinya dengan harga, kolom 3
sebagai X3 dan melabelinya dengan promosi, kolom 4 sebagai Y1 dan
melabelinya dengan kepuasan pelanggan ,kolom 5 sebagai Y2 dan
melabelinya dengan loyalitas pelanggan.
 90

b. Memasukkan data pada Data View.

c. Mengklik menu Analyze dan memilih Regression: Linear. Setelah itu

memindakan variabel produk (X1), variabel harga (X2), dan variabel
promosi (X3) ke kolom independent dan variabel kepuasan pelanggan
(Y1) ke kolom dependent dengan cara mengklik panah biru
 91

d. Mengklik statistics, lalu mengklik model fit, R squared, descriptives,

part and partial correlations, collinearity diagnostics lalu continue

e. Mengklik plots, kemudian menindahkan *SRESID ke dalam kolom

Y dan *ZPRED ke dalam kolom X lalu continue.
 92

f. Mengklik OK
2. Model 2
a. Mengisi nama pada kolom 1 sebagai X1 dan melabelinya dengan
produk, kolom 2 sebagai X2 dan melabelinya dengan harga, kolom 3
sebagai X3 dan melabelinya dengan promosi, kolom 4 sebagai Y1 dan
melabelinya dengan kepuasan pelanggan ,kolom 5 sebagai Y2 dan
melabelinya dengan loyalitas pelanggan.

b. Memasukkan data pada Data View.

 93

c. Mengklik menu Analyze dan memilih Regression: Linear. Setelah itu

memindakan variabel produk (X1), variabel harga (X2), variabel
promosi (X3), dan variabel kepuasan pelanggan (Y2) ke kolom
independent dan variabel loyalitas pelanggan (Y2) ke kolom
dependent dengan cara mengklik panah biru

d. Mengklik OK
D. Hasil atau Output
1. Model 1
Descriptive Statistics
Mean Std. Deviation N
Kepuasan Pelanggan 15.90 5.677 30
Produk 17.83 6.029 30
Harga 18.40 6.398 30
Promosi 17.27 5.489 30

Correlations
Kepuasan
Pelanggan Produk Harga Promosi
Pearson Correlation Kepuasan Pelanggan 1.000 .959 .930 .952
Produk .959 1.000 .906 .925
Harga .930 .906 1.000 .886
Promosi .952 .925 .886 1.000
Sig. (1-tailed) Kepuasan Pelanggan . .000 .000 .000
Produk .000 . .000 .000
Harga .000 .000 . .000
Promosi .000 .000 .000 .
N Kepuasan Pelanggan 30 30 30 30
Produk 30 30 30 30
Harga 30 30 30 30
Promosi 30 30 30 30
 94

Variables Entered/Removed a
Variables Variables
Model Entered Removed Method
1 Promosi, Harga,
. Enter
Produk b
a. Dependent Variable: Kepuasan Pelanggan
b. All requested variables entered.

Model Summaryb
Std. Error Change Statistics
R Adjusted of the R Square F Sig. F
Model R Square R Square Estimate Change Change df1 df2 Change
1 .979a .958 .954 1.223 .958 199.776 3 26 .000
a. Predictors: (Constant), Promosi, Harga, Produk
b. Dependent Variable: Kepuasan Pelanggan

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 895.837 3 298.612 199.776 .000b
Residual 38.863 26 1.495
Total 934.700 29
a. Dependent Variable: Kepuasan Pelanggan
b. Predictors: (Constant), Promosi, Harga, Produk

Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Correlations Statistics
Std. Zero-
Model B Error Beta t Sig. order Partial Part Tolerance VIF
1 (Constant) -
-1.340 .749 .086
1.787
Produk .372 .113 .395 3.287 .003 .959 .542 .131 .111 9.031
Harga .212 .088 .239 2.421 .023 .930 .429 .097 .163 6.120
Promosi .388 .114 .375 3.405 .002 .952 .555 .136 .132 7.585
a. Dependent Variable: Kepuasan Pelanggan

Collinearity Diagnosticsa
Condition Variance Proportions
Model Dimension Eigenvalue Index (Constant) Produk Harga Promosi
1 1 3.911 1.000 .01 .00 .00 .00
2 .071 7.446 .95 .01 .03 .01
3 .012 18.419 .02 .09 .92 .29
4 .007 23.778 .02 .90 .06 .70
a. Dependent Variable: Kepuasan Pelanggan
 95

Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 8.30 25.31 15.90 5.558 30
Std. Predicted Value -1.368 1.692 .000 1.000 30
Standard Error of Predicted
.290 .678 .435 .101 30
Value
Adjusted Predicted Value 8.43 25.37 15.93 5.557 30
Residual -2.497 2.684 .000 1.158 30
Std. Residual -2.042 2.196 .000 .947 30
Stud. Residual -2.129 2.299 -.012 1.017 30
Deleted Residual -2.714 2.943 -.033 1.341 30
Stud. Deleted Residual -2.298 2.525 -.016 1.060 30
Mahal. Distance .668 7.961 2.900 1.873 30
Cook's Distance .000 .164 .041 .058 30
Centered Leverage Value .023 .275 .100 .065 30
a. Dependent Variable: Kepuasan Pelanggan

2. Model 2

Descriptive Statistics
Mean Std. Deviation N
Loyalitas Pelanggan 14.77 5.728 30
Produk 17.83 6.029 30
Harga 18.40 6.398 30
Promosi 17.27 5.489 30
Kepuasan Pelanggan 15.90 5.677 30
 96

Correlations
Loyalitas Kepuasan
Pelanggan Produk Harga Promosi Pelanggan
Pearson Loyalitas
1.000 .973 .944 .921 .981
Correlation Pelanggan
Produk .973 1.000 .906 .925 .959
Harga .944 .906 1.000 .886 .930
Promosi .921 .925 .886 1.000 .952
Kepuasan
.981 .959 .930 .952 1.000
Pelanggan
Sig. (1-tailed) Loyalitas
. .000 .000 .000 .000
Pelanggan
Produk .000 . .000 .000 .000
Harga .000 .000 . .000 .000
Promosi .000 .000 .000 . .000
Kepuasan
.000 .000 .000 .000 .
Pelanggan
N Loyalitas
30 30 30 30 30
Pelanggan
Produk 30 30 30 30 30
Harga 30 30 30 30 30
Promosi 30 30 30 30 30
Kepuasan
30 30 30 30 30
Pelanggan

Variables Entered/Removed a
Variables Variables
Model Entered Removed Method
1 Kepuasan
Pelanggan,
. Enter
Harga, Promosi,
b
Produk
a. Dependent Variable: Loyalitas Pelanggan
b. All requested variables entered.

Model Summaryb
Std. Error Change Statistics
R Adjusted of the R Square F Sig. F
Model R Square R Square Estimate Change Change df1 df2 Change
1 .992a .985 .982 .767 .985 398.570 4 25 .000
a. Predictors: (Constant), Kepuasan Pelanggan, Harga, Promosi, Produk
b. Dependent Variable: Loyalitas Pelanggan

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 936.679 4 234.170 398.570 .000b
Residual 14.688 25 .588
Total 951.367 29
a. Dependent Variable: Loyalitas Pelanggan
b. Predictors: (Constant), Kepuasan Pelanggan, Harga, Promosi, Produk
 97

Coefficientsa
Unstandardized Standardized Collinearity
Coefficients Coefficients Correlations Statistics
Std. Zero-
Model B Error Beta t Sig. order Partial Part Tolerance VIF
1 (Constant) -
-1.357 .498 .012
2.724
Produk .379 .084 .399 4.487 .000 .973 .668 .112 .078 12.784
Harga .171 .061 .190 2.799 .010 .944 .488 .070 .133 7.500
Promosi - -
-.205 .086 -.197 .025 .921 -.431 .091 10.966
2.389 .059
Kepuasan
.615 .123 .609 4.999 .000 .981 .707 .124 .042 24.051
Pelanggan
a. Dependent Variable: Loyalitas Pelanggan

Collinearity Diagnosticsa
Variance Proportions
Condition Kepuasan
Model Dimension Eigenvalue Index (Constant) Produk Harga Promosi Pelanggan
1 1 4.900 1.000 .00 .00 .00 .00 .00
2 .078 7.902 .80 .00 .01 .00 .00
3 .012 20.363 .01 .04 .82 .15 .01
4 .007 26.614 .02 .63 .05 .49 .00
5 .003 39.166 .16 .33 .12 .36 .99
a. Dependent Variable: Loyalitas Pelanggan

Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 7.89 24.81 14.77 5.683 30
Std. Predicted Value -1.211 1.767 .000 1.000 30
Standard Error of Predicted
.198 .431 .305 .071 30
Value
Adjusted Predicted Value 7.39 24.77 14.77 5.697 30
Residual -1.735 1.708 .000 .712 30
Std. Residual -2.264 2.228 .000 .928 30
Stud. Residual -2.633 2.348 .000 1.027 30
Deleted Residual -2.348 1.896 .001 .875 30
Stud. Deleted Residual -3.035 2.605 -.004 1.102 30
Mahal. Distance .970 8.184 3.867 2.267 30
Cook's Distance .000 .490 .048 .101 30
Centered Leverage Value .033 .282 .133 .078 30
a. Dependent Variable: Loyalitas Pelanggan
 98

E. Interpretasi
1. Model 1
a. Uji Ketetapan Model (Koefisien Determinasi)
Berdasarkan dari data output regresi diperoleh nilai adjusted R square
sebesar 0,954. Jika dalam bentuk persentase yaitu 95,4%. Artinya,
bahwa nilai variabel kepuasan (Y1) dipengaruhi oleh variabel produk
(X1), variabel harga (X2), dan variabel promosi (X3) sebesar 95,4%
sedangkan sebesar 4,6% dipengaruhi oleh faktor lain diluar model.
b. Uji F dan Signifikan
Ho: b1 = b2 = b3 = 0. Artinya, variabel produk (X1), variabel harga
(X2), dan variabel promosi (X3) secara bersama-
sama tidak mempengaruhi variabel kepuasan
(Y1).
Ha: b1 ≠ b2 ≠ b3 ≠ 0. Artinya, variabel produk (X1), variabel harga
(X2), dan variabel promosi (X3) secara bersama-
sama mempengaruhi variabel kepuasan (Y1).
Berdasarkan hasil output diperoleh nilai F hitung sebesar 1 99,776.
Nilai signifikan yang diperoleh sebesar 0,000 sedangkan nilai alpha
sebesar 0,05. Berarti diperoleh nilai signifikan lebih kecil dari nilai
alpha (sig < α). Artinya, Ho ditolak yang berarti variabel produk (X1),
 99

variabel harga (X2), dan variabel promosi (X3) secara bersama-sama

mempengaruhi variabel kepuasan (Y1).
c. Uji t dan Signifikan
1) Variabel Produk (X1)
Ho: b1 = 0. Artinya, variabel produk (X1) secara individu tidak
mempengaruhi variabel kepuasan (Y1).
Ha: b1 ≠ 0. Artinya, variabel produk (X1) secara individu
mempengaruhi variabel kepuasan (Y1).
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
produk (X1) sebesar 3,287. Nilai signifikan yang diperoleh
sebesar 0,003 sedangkan nilai alpha sebesar 0,05. Berarti
diperoleh nilai signifikan lebih kecil dari nilai alpha (sig < α).
Artinya, Ho ditolak yang berarti variabel produk (X1) secara
individu mempengaruhi variabel kepuasan (Y1).
2) Variabel Harga (X2)
Ho: b2 = 0. Artinya, variabel harga (X2) secara individu tidak
mempengaruhi variabel kepuasan (Y1).
Ha: b2 ≠ 0. Artinya, variabel harga (X2) secara individu
mempengaruhi variabel kepuasan (Y1).
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
harga (X2) sebesar 2,421. Nilai signifikan yang diperoleh sebesar
0,023 sedangkan nilai alpha sebesar 0,05. Berarti diperoleh nilai
signifikan lebih kecil dari nilai alpha (sig < α). Artinya, Ho ditolak
yang berarti variabel harga (X2) secara individu mempengaruhi
variabel kepuasan (Y1).
3) Variabel Promosi (X3)
Ho: b3 = 0. Artinya, variabel promosi (X3) secara individu tidak
mempengaruhi variabel kepuasan (Y1).
Ha: b3 ≠ 0. Artinya, variabel promosi (X3) secara individu
mempengaruhi variabel kepuasan (Y1).
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
promosi (X3) sebesar 3,405. Nilai signifikan yang diperoleh
 100

sebesar 0,002 sedangkan nilai alpha sebesar 0,05. Berarti

diperoleh nilai signifikan lebih kecil dari nilai alpha (sig < α).
Artinya, Ho ditolak yang berarti variabel promosi (X3) secara
individu mempengaruhi variabel kepuasan (Y1).
d. Korelasi
1) Koefisien korelasi antara variabel produk (X1) dan variabel harga
(X2) adalah sebesar 0,906 yang berarti tingkat hubungan antara
variabel produk (X1) dan variabel harga (X2) adalah positif
sangat kuat.
2) Koefisien korelasi antara variabel produk (X1) dan variabel
promosi (X3) adalah sebesar 0,925 yang berarti tingkat hubungan
antara variabel produk (X1) dan variabel promosi (X3) adalah
positif saangat kuat.
3) Koefisien korelasi antara variabel harga (X2) dan variabel
promosi (X3) adalah sebesar 0,886 yang berarti tingkat hubungan
antara variabel harga (X2) dan variabel promosi (X3) adalah
positif sangat kuat.
e. Persamaan Struktural
Perhitungan dilakukan dengan melihat nilai Beta pada tabel
Coefficients.

Y = PyX1 + PyX2 + PyX3 + e

Y = 0,395 + 0,239 + 0,375 + e

Dimana nilai e dihitung dengan rumus berikut:

e = √1 − 𝑅 2

= √1 − 0,958

= √0,042

= 0,204
 101

Sehingga persamaan struktural dapat ditulis sebagai berikut:

Y = 0,395 + 0,239 + 0,375 + 0,204

= 1,213

Berdasarkan perhitungan persamaan struktural diperoleh hasil 1,213.

f. Total Pengaruh

Tabel 7.2 Data matriks kausal

Mempengaruhi Total
X1 X2 X3 Y

X1 0 0 1 0 1
Dipengaruhi

X2 1 0 1 0 2

X3 0 0 0 0 0

Y 1 1 1 0 3

Total 2 1 3 0 6
 102

= √1 – 0,958

= √0,042

= 0,204

Py1X1 Kepuasan
Produk
(X1) (Y1)

rX1X2 Py1X2
rX3X1 Harga
(X2)
rX3X2 Py1X3

Promosi
(X3)

1) Pengaruh Langsung
Y1 X1 = (Py 1X1)2

= (0,395)2

= 0,156 (A)

Y1 X2 = (Py 1X2)2

= (0,239)2

= 0,057 (B)

Y1 X3 = (Py 1X3)2

= (0,375)2

= 0,140 (C)
 103

2) Pengaruh Tidak Langsung

Y1 X1 X2 = (Py 1X1)(rX1X2)(Py 1X2)

= (0,395)( 0,906)(0,239)

= 0,085 (D)

Y1 X3 X1 = (Py 1X3)(rX3X1)(Py 1X1)

= (0,375)( 0,925)(0,395)

= 0,137 (E)

Y1 X3 X2 = (Py 1X3)(rX3X2)(Py 1X2)

= (0,375)( 0,886)(0,239)

= 0,079 (F)

3) Total Pengaruh

Y =A+ B+ C+ D+E+F

= 0,156+ 0,057 + 0,140 + 0,085+ 0,137+ 0,079

= 0,654

Nilai besarnya pengaruh kombinasi variabel harga, produk, dan

promosi terhadap variabel kepuasan pelanggan secara langsung
dan tidak langsung variabel harga, produk, dan promosi terhadap
variabel kepuasan pelanggan adalah sebesar 0,654 yang jika
diubah kebentuk persen menjadi 65,4%.

2. Model 2
a. Uji Ketetapan Model (Koefisien Determinasi)
Berdasarkan dari data output regresi diperoleh nilai adjusted R
square sebesar 0,982. Jika dalam bentuk persentase yaitu 98,2%.
Artinya, bahwa nilai variabel loyalitas pelanggan (Y2) dipengaruhi
oleh variabel produk (X1), variabel harga (X2),variabel promosi
 104

(X3), dan variabel kepuasan pelanggan (Y2) sebesar 98,2%

sedangkan sebesar 1,8% dipengaruhi oleh faktor lain diluar model.
b. Uji F dan Signifikan
Ho: b1 = b2 = b3 = b4 = 0. Artinya, variabel produk (X1), variabel
harga (X2), variabel promosi (X3), dan
variabel kepuasan pelanggan (Y1) secara
bersama-sama tidak mempengaruhi
variabel loyalitas pelanggan (Y2).
Ha: b1 ≠ b2 ≠ b3 ≠b 3 ≠ 0. Artinya, variabel produk (X1), variabel
harga (X2), variabel promosi (X3), dan
variabel kepuasan pelanggan (Y1) secara
bersama-sama mempengaruhi variabel
loyalitas pelanggan (Y2).
Berdasarkan hasil output diperoleh nilai F hitung sebesar 398,570.
Nilai signifikan yang diperoleh sebesar 0,000 sedangkan nilai
alpha sebesar 0,05. Berarti diperoleh nilai signifikan lebih kecil
dari nilai alpha (sig < α). Artinya, Ho ditolak yang berarti variabel
produk (X1), variabel harga (X2), variabel promosi (X3), dan
variabel kepuasan pelanggan (Y1) secara bersama-sama
mempengaruhi variabel loyalitas pelanggan (Y2).
c. Uji t dan Signifikan
1) Variabel Produk (X1)
Ho: b1 = 0. Artinya, variabel produk (X1) secara individu tidak
mempengaruhi variabel loyalitas pelanggan (Y2).
Ha: b1 ≠ 0. Artinya, variabel produk (X1) secara individu
mempengaruhi variabel loyalitas pelanggan (Y2).
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
produk (X1) sebesar 4,487. Nilai signifikan yang diperoleh
sebesar 0,000 sedangkan nilai alpha sebesar 0,05. Berarti
diperoleh nilai signifikan lebih kecil dari nilai alpha (sig < α).
Artinya, Ho ditolak yang berarti variabel produk (X1) secara
individu mempengaruhi variabel loyalitas pelanggan (Y2).
 105

2) Variabel Harga (X2)

Ho: b2 = 0. Artinya, variabel harga (X2) secara individu tidak
mempengaruhi variabel loyalitas pelanggan (Y2).
Ha: b2 ≠ 0. Artinya, variabel harga (X2) secara individu
mempengaruhi variabel loyalitas pelanggan (Y2).
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
harga (X2) sebesar 2,799. Nilai signifikan yang diperoleh
sebesar 0,010 sedangkan nilai alpha sebesar 0,05. Berarti
diperoleh nilai signifikan lebih kecil dari nilai alpha (sig < α).
Artinya, Ho ditolak yang berarti variabel harga (X2) secara
individu mempengaruhi variabel loyalitas pelanggan (Y2).
3) Variabel Promosi (X3)
Ho: b3 = 0. Artinya, variabel promosi (X3) secara individu tidak
mempengaruhi variabel loyalitas pelanggan (Y2).
Ha: b3 ≠ 0. Artinya, variabel promosi (X3) secara individu
mempengaruhi variabel loyalitas pelanggan (Y2)..
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
promosi (X3) sebesar 2,389. Nilai signifikan yang diperoleh
sebesar 0,025 sedangkan nilai alpha sebesar 0,05. Berarti
diperoleh nilai signifikan lebih kecil dari nilai alpha (sig < α).
Artinya, Ho ditolak yang berarti variabel promosi (X3) secara
individu mempengaruhi variabel loyalitas pelanggan (Y2).
4) Variabel Kepuasan Pelanggan (Y1)
Ho: b3 = 0. Artinya, variabel kepuasan pelanggan (Y1) secara
individu tidak mempengaruhi variabel loyalitas
pelanggan (Y2).
Ha: b3 ≠ 0. Artinya, variabel kepuasan pelanggan (Y1) secara
individu mempengaruhi variabel loyalitas
pelanggan (Y2)..
Berdasarkan hasil output diperoleh nilai t hitung pada variabel
kepuasan pelanggan (Y1) sebesar 4,999. Nilai signifikan yang
diperoleh sebesar 0,025 sedangkan nilai alpha sebesar 0,00.
 106

Berarti diperoleh nilai signifikan lebih kecil dari nilai alpha (sig
< α). Artinya, Ho ditolak yang berarti variabel kepuasan
pelanggan (Y1) secara individu mempengaruhi variabel
loyalitas pelanggan (Y2).

d. Korelasi
1) Koefisien korelasi antara variabel produk (X1) dan variabel
harga (X2) adalah sebesar 0,906 yang berarti tingkat hubungan
antara variabel produk (X1) dan variabel harga (X2) adalah
positif sangat kuat.
2) Koefisien korelasi antara variabel produk (X1) dan variabel
promosi (X3) adalah sebesar 0,925 yang berarti tingkat
hubungan antara variabel produk (X1) dan variabel promosi
(X3) adalah positif sangat kuat.
3) Koefisien korelasi antara variabel harga (X2) dan variabel
promosi (X3) adalah sebesar 0,959 yang berarti tingkat
hubungan antara variabel harga (X2) dan variabel promosi
(X3) adalah positif sangat kuat.
4) Koefisien antara variable harga (X2) dan variabel promosi
(X3) adalah sebesar 0,886 yang berarti tingkat hubungan
variable harga (X2) dan variable promosi (X3) adalah positif
sangat kuat.
5) Koefisien antara variable harga (X2) dan variabel kepuasan
pelanggan (Y1) adalah sebesar 0,930 yang berarti tingkat
hubungan variable harga (X2) dan variabel kepuasan
pelanggan (Y1) adalah positif sangat kuat
6) Koefisien antara variable promosi (X3) dan variabel kepuasan
pelanggan (Y1) adalah sebesar 0,952 yang berarti tingkat
hubungan variable promosi (X3) dan kepuasan pelanggan
(Y1) adalah positif sangat kuat.
 107

g. Persamaan Struktural
Perhitungan dilakukan dengan melihat nilai Beta pada tabel
Coefficients.

Y = PyX1 + PyX2 + PyX3 + PyY1 + e

Y = 0,399+ 0,190 +(-0,197) + 0,609 + e

Dimana nilai e dihitung dengan rumus berikut:

e = √1 − 𝑅 2

= √1 − 0,985

= √0,015

= 0,122

Sehingga persamaan struktural dapat ditulis sebagai berikut:

Y = 0,399+ 0,190 +(-0,197) + 0,609 + 0,122

= 1,123

Berdasarkan perhitungan persamaan struktural diperoleh hasil

1,123.
 108

h. Total Pengaruh

Tabel 7.3 Data matriks kausal

Mempengaruhi Total
X1 X2 X3 Y1 Y2

X1 0 0 1 0 0 1

X2 1 0 1 0 0 2
Dipengaruhi

X3 0 0 0 0 0 0

Y1 1 1 1 0 0 3

Y2 1 1 1 1 0 4

Total 3 2 4 1 0 10

= √1 – 0,985

= √0,015

= 0,122

Py1X1 Kepuasan
Produk
(X1) Py2X1 (Y1)
Py1X2
rX1X2 Py1X2 Py2Y1
rX3X1 Harga
(X2) Loyalitas
rX3X2 Py2X2
(Y2)

Py2X3
Promosi
(X3)
 109

1) Pengaruh Langsung
Y2 X1 = (Py 2X1)2

= (0,399)2

= 0,159 (A)

Y2 X2 = (Py 2X2)2

= (0,190)2

= 0,036 (B)

Y2 X3 = (Py 2X3)2

= (-0,197)2

= 0,038 (C)

Y2 Y1 = (Py 2Y1)2

= (0,609)2

= 0,370 (D)

2) Pengaruh Tidak Langsung

Y2 X1 Y1 = (Py 2X1)(rX1Y1)(Py 2Y1)

= (0,399)( 0,959)( 0,609)

= 0,233 (E)

Y2 X1 X2 = (Py 2X1)(rX1X2)(Py 2X2)

= (0,399)( 0,906)( 0,190)

= 0,068 (F)

Y2 X2 Y1 = (Py 2X2)(rX2Y1)(Py 2Y1)

= (0,190)( 0,930)( 0,609)

= 0,107 (G)
 110

Y2 X3 Y1 = (Py 2X3)(rX3Y1)(Py 2Y1)

= (-0,197)( 0,952)( 0,609)

= -0,114 (H)

Y2 X3 X1 = (Py 2X3)(rX3X1)(Py 2X2)

= (-0,197)( 0,925)( 0,399)

= -0,072 (I)

Y2 X3 X2 = (Py 2X3)(rX3Y2)(Py 2X2)

= (-0,197)( 0,886)( 0,190)

= -0,033 (J)

3) Total Pengaruh

Y =A+ B+C +D +E+F+ G+H +I +J

= 0,159+ 0,036 + 0,038 + 0,370+ 0,233 +0,068 + 0,107 +

(-0,114) + (-0,072) + (-0,033)

= 0,792

Nilai besarnya pengaruh kombinasi variabel harga, produk,

dan promosi terhadap variabel kepuasan pelanggan secara
langsung dan tidak langsung variabel harga, produk, dan
promosi terhadap variabel kepuasan pelanggan adalah
sebesar 0,792 yang jika diubah kebentuk persen menjadi
79,2%.