BAB 1

ANALISIS JALUR

Analisis jalur adalah salah satuteknik analisis statistik yang digunakan di

dalampenelitian kuantitatif. Analisis jalur (path analysis), biasanya menggunakan

istilah pengaruh langsung danpengaruh tidak langsung, dikarenakan ada

variabelperantara / interverning /variabel mediasi. Menurut Kuncoro dan Riduan,

analisis jalur (path analysis), merupakan bentuk terapan dari analisis multiregresi

yang membantu memudahkan pengujian hipotesis dari hubungan-hubungan antar

variabel yang cukup rumit. Dalam analisis jalur, korelasi antar variabel dihubungkan

dengan parameter dari model yang dinyatakan dengan diagram jalur atau path

diagram.

Analisis Jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat

variabel bebas terhadap variabel terikat. Analisis Jalur yang ditemukan oleh Sewall

Wright adalah suatu metodologi untuk menganalisa sistem persamaan struktural.

Analisis jalur adalah sebuah metode yang dikembangkan untuk mengkaji hubungan

langsung dan tidak langsung dari beberapa variabel, dimana beberapa variabel

dipandang sebagai variabel independen dari variabel lain yang dipandang sebagai

variabel dependen. Analisis jalur ditujukan untuk mengkombinasikan informasi

kuantitatif dari hasil analisis korelasi denganinformasi kualitatif sebagai hubungan

sebab-akibat yang mungkin telah ada sebelumnya untuk memberikan interpretasi

kuantitatif.

Analisis jalur dapat dikatakan kepanjangan dari analisis regresi berganda,

meski pada dasarnya terdapat perbedaan dasar anatar analisis jalur yang bersifat

independen terhadap prosedur statistik dalam menentukan hubungan sebab akibat

sedangkan regresi linear memang merupakan prosedur statistic yang digunakan untuk

menganalisis hubungan sebab akibat antar variabel yang dikaji.

A. Tujuan Analisis Jalur

Tujuan analisis jalur antara lain adalah:

1. Melihat hubungan antar variabel dengan didasarkan pada model apriori

2. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan

suatu model yang berurutan secara temporer

3. Menggambar dan meguji suatu model matematis dengan menggunakan

persamaan yang mendasarinya

4. Mengidentifikasi jalur penyebab suatu variabel terhadap variabel lain yang

dipengaruhinya.

5. Menghitung besarnya pengaruh satu variabel independen exogenous atau

lebih terhadap varaibel dependen endogenous lainnya.

B. Asumsi

Asumsi dalam analisis jalur antara lain adalah:

1. Hubungan antar variabel dependen dengan variabel independen di dalam

model bersifat linier, artinya jika digambarkan membentuk garis lurus dari

kiri ke kanan atas, seperti gambar di bawah ini:

1.2

0.8

0.6
Y

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1 1.2
X

Gambar 1.1. Linearitas

2. Ko-linear, menunjukan suatu garis yang sama, maksudnya jika ada beberapa

variabel exogen mempengaruhi satu varaibel endogen atau sebaliknya satu

variabel exogen mempengaruhi beberapa variabel endogen jika ditarik garis

lurus akan membentuk garis-garis yang sama.

3. Model menunjukan sebab akibat dimana urutan kejadian akhirnya menuju

pada variasi dalam variabel dependen/endogen, seperti gambar dibawah ini.

Dalam gambar di bawah semua urutan kejadian X1, X2 dan X3 menuju ke Y

 X1

X3 Y

X2
. Gambar 1.2. Model Rantai Sebab Akibat

4. Adiktif, artinya tidak ada efek interaksi

5. Hubungan sebab akibat yang tertutup, artinya semua pengaruh langsung satu

variabel terhadap variabel lainya harus disertakan dalam diagram jalur.

6. Merupakan koefisien regresi yang sudah distandarisasi, yang menunjukan

jumlah perubahan dalam variabel dependen, yang dihubungkan dengan

perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel

bebas exogen saat dilakuka pengendalian pengaruh terhadap variabel-variabel

independen lainya. Koefisien beta disebut sebagai bobot beta ( , namun nilai

yang digunakan dalam koefisien jalur ( atau jumalh pengaruh setiap

variabel exsogen terhadap endogen secara sendiri-sendiri atau secara parsial.

7. Merupakan nilai yag menunjukan berapa besar varian dalam satu variabel

yang ditentukan atau diterangkan oleh satu atau lebih variabel lain dan berapa
 besar varian dalam satu variabel tersebut berhubungan dengan varian dalam

variabel lainnya. Dalam statistik bivariate disingkat r2 sedangkan dalam dalam

multivariate disingkat sebagai R2 adalah besaran nilai untuk mengekspresikan

besarnya jumlah pengaruh semua variabel exogen terhadap variabel endogen

secara gabungan.

8. Variabel yang diobservasi beskala interval. Jika data yang digunakan bukan

metric maka akan mengecilkan nilai koefisien korelasi yang menyebakan nilai

R2 menjadi kecil dan akan membuat model tidak valid, karena salah satu

indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat R2

yang mendekati 1. Jika nilai R2 mendekati 1, maka model dianggap baik.

9. Variabel-variabel residual tidak berkorelasi dengan salah satu variabel-

variabel dalam model

10. Istilah gangguan atau variabel residual tidak boleh berkorelasi dengan semua

variabel endogen dalam model, jika dilanggar akan megakibatkan hasil regresi

menjadi tidak tepat untuk mengestimasi parameter-parameter jalur.

11. Multikolonearitas yang rendah, artinya dua atau lebih varaibel bebas

mempunyai hubungan yang sangat tinggi, akan mendapatkan standard error

yang besar dari koefisien beta yang digunakan untuk menghilangkan varians

biasa dalam melakukan analisis korelasi secara parsial.

12. Recursivitas, artinya anak apanah hanya satu arah, tidak boleh terjadi

pemutaran kembali atau tidak menunjukan adanya hubungan timbal balik.

13. Spesifikasi model harus menginterpretasikan koefisien jalur dengan benar.

14. Input korelasi yang sesuai, artinya jika kita menggunakan korelasi matrik

korelasi sebagai masukan, maka korelais pearson yang digunakan jika dua

varaibel berskala interval, korelasi polychoric untuk dua varaibel berskala

ordinal, tetrachoric untuk dua varaibel berskala nominal, polyserial untuk satu

variabel interval dan lainnya ordinal dan biserial untuk satu variabel beskala

interval lainnya nominal.

15. Menggunakan sampel minimal 100 dengan tingkat kesalahan 10% dan

idealnya 400 sampai 1000 sampel untuk tingkat kesalahan 5% untuk

memperoleh hasil analisis signifikan dan lebih akurat.

16. Tidak terjadi Multikolonearitas

17. Sampel sama dibutuhkan untuk perhitungan regresi dalam model jalur

18. Karena perhitugan analisis jalur menggunakan teknik regresi linear, maka

asumsi umum regresi linear sebaiknya diikuti sebagai berikut:

a. Model regresi harus layak, yaitu angka signifikan pada ANOVA sebesar

<0,05

b. Prediktor yang digunakan sebagai variabel bebas hatus layak, yaitu jika

angka standard Error of Estimate<Standard Deviation

c. Koefisin regresi harus signifikan, yaitu dengan uji T dengan melihat

thitung>ttabel.

Dengan memenuhi asumsi-asumsi di atas maka parameter dari model analysis

jalur dapat diduga dengan metode kuadrat terkecil (ordinary least square). Salah
 satu keuntungan dari pendekatan OLS adalah error dari pendugaan parameter dari

satu persamaan tidak berpengaruh pada pendugaan parameter yang ada di

persamaaan lainnya.

C. Tahapan Analisis Jalur

Tahapan dalam analisis jalur antara lain adalah sebagai berikut:

1. Merancang model

Merancang model harus berdasarkan teori, contohnya untuk melihat pengaruh

tingkat pendidikan, disiplin kerja dan kepuasan kerja terhadap kinerja

karyawan, kemudain membuat model yang dihipotesiskan.

Tingkat
Pendidikan

Disiplin Kerja Kinerja

Karyawan

Kepuasan

Gambar 1.3. Model didasarkan Teori

2. Membuat Hipotesis

Model yang dihipotesiskan, misalkan sebagai berikut:

H0: Variabel tingkat pendidikan, disiplin kerja dan kepuasan kerja tidak

berpengaruh signifikan terhadap kinerja karyawan baik secara bersama

mapun secara masing-masing.

 H1: Variabel tingkat pendidikan, disiplin kerja dan kepuasan kerja

berpengaruh signifikan terhadap kinerja karyawan baik secara bersama

mapun secara masing-masing.

3. Menentukan model diagram

Menentukan model diagram jalur berdasarkan pada varaibel-varaibel yang

dikaji.

Tingkat e1
Pendidikan

Disiplin Kerja Kinerja

Karyawan

Kepuasan

Gambar 1.4. Model diagram Jalur

 4. Membuat Diagram Jalur

Setelah menentukan model diagram jalur kemudian membuat diagram jalur,

seperti di bawah ini

Tingkat e1
Pendidikan PYX1
rX1X2

rX1X3 Disiplin Kerja PYX2 Kinerja

Karyawan
rX2X3
PYX3
Kepuasan

Gambar 1.5. Diagram Jalur

Dimana:

a. X1 sebagai variabel exogen Tingkat pendidikan

b. X2 sebagai variabel exogen Disiplin kerja

c. X3 sebagai variabel exogen Kepuasan

d. Y sebagai variabel endogen Kinerja karyawan

5. Persamaan Struktural

Dari diagram jalur di atas persamaan strukturalnya yaitu: Y=PYX1+ PYX2+

PYX3+ e1
6. Melakukan prosedur analisis jalur dengan langkah sebagai berikut:

a. Menghitug matriks korelasi antar variabel

b. Menghitung matriks invers

c. Menghitung koefisien jalur

ρyxi = ∑

d. Menghitung koefisien determniasi, dengan menggunakan rumus:

e. Hitung koefisien jalur di luar variabel X1 sampai dengan X3 terhadap Y,

yaitu:

ρyƐ = √

f. Menguji signifikansi koefisien jalur dengan cara sebagai berikut:

1) Uji Simultan (Uji F), dengan langkah sebagai berikut:

Hipotesis

H0: PYXi=….PYXk= 0

H1: Sekurang-kurangnya ada satu PYXi 0, i=1,2,3

Pada pengujian simultan akan diuji pengaruh variabel independen

secara bersama-sama terhadap variabel dependen. Uji statistik yang

digunakan pada pengujian simultan adalah Uji F atau yang biasa

disebut dengan Analysis of varian (ANOVA). Menurut Sugiyono uji F

dapat menggunakan rumus signifikan korelasi ganda sebagai berikut:

 n  k  1RYX X ......X
F
 
1 2 k

k 1  RYX1 X 2 .......X k

Uji F menggunakan beberapa dasar analisis untuk menentukan

pengaruh dan hubungan variabel dalam penelitian. Berikut dasar

analisis yang digunakan pada uji F:

a) Perbandingan Fhitung dengan Ftabel

i. Jika Fhitung ≤ Ftabel, maka H0 diterima dan Hα ditolak.

ii. Jika Fhitung> Ftabel, maka H0 ditolak dan Hα diterima.

b) Perbandingan nilai signifikansi dengan taraf nyata

i. Jika nilai signifikansi ≥ taraf nyata (0,05), maka H0 diterima

dan Hα ditolak.

ii. Jika nilai signifikansi < taraf nyata (0,05), maka H0 ditolak

dan Hα diterima.

Gambar 1.6 Daerah Penolakan Hipotesis Uji F

 Menurut Ghozali, Uji F pada dasarnya menunjukkan apakah semua

variabel independen yang dimasukan dalam model mempunyai

pengaruh secara simultan terhadap variabel dependen. Menentukan

tingkat signifikan (α), yaitu sebesar 5%. Artinya kemungkinan

besarnya hasil penarikan kesimpulan memiliki profitabilitas 95% atau

toleransi 5%.

2) Uji Parsial (Uji T), dengan langkah sebagai berikut:

Hipotesis

H0: PYXi= 0

H1: PYXi 0

Uji ini menunjukkan seberapa jauh pengaruh variabel independen

secara parsial terhadap variabel dependen. Pada akhirnya akan diambil

suatu kesimpulan H0 ditolak atau Ha diterima dari hipotesis yang telah

dirumuskan. Uji signifikan terhadap hipotesis yang telah ditentukan

dengan menggunakan uji t dengan rumus sebagai berikut:

r n  k 1
t
1 r2

Keterangan:

t : Nilai Uji t

r : Koefisien korelasi

r2 : Koefisien korelasi di kuadratkan

Berikut dasar analisis yang digunakan pada uji t:

a) Perbandingan thitung dengan ttabel

i. Jika |thitung| ≤ ttabel, maka H0 diterima dan Hα ditolak.

ii. Jika |thitung| > ttabel, maka H0 ditolak dan Hα diterima.

b) Perbandingan thitung dengan ttabel

i. Jika nilai signifikansi ≥ taraf nyata (0,05), maka H0 diterima

dan Hα ditolak.

ii. Jika nilai signifikansi < taraf nyata (0,05), maka H0 ditolak dan

Hα diterima.

Gambar 1.7 Daerah Penerimaan dan Penolakan Hipotesis Uji t

D. Analisis Jalur Menggunakan Lisrel

1. Instal SPSS
2. Instal Lisrel
3. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file:
path.sav. Kemudian buka software Lisrel
4. Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi “SPSS
Data File(*.sav)” seperti pada gambar di bawah ini. kemudian carilah file
dengan nama “PATH, kemudian klik open
5. Setelah diklik Open maka akan muncul tampilan kotak Save As. Simpan data
dalam bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang
anda inginkan pada bagian File name lalu klik Save.

6. Maka akan muncul data sebagai berikut

7. Lalu klik menu File, kemudian pilih File, klik New lalu pilih Path Diagram,

kemudia klik oke, setelah itu beri nama “Latihan Path” kemudian Save As.

8. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label
9. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,

klik Browse, pilih data dengan ekstensi.psf yang telah disimpan

sebelumnya,lalu klik OK. Kemudian akan kembali ke kotak Label lalu klik

OK

10. Klik Setup, pilih Data, Kemudian masukkan Number of Observation dengan

angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
11. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan
Path”

12. Lengkapi kotak kotak “Latihan Path” dengan variabel, seperti di bawah,
kemudian Klik tombol Run seperti pada gambar dibawah ini

Klik RUN
13. Dengan hasil sebagai berikut

14. Untuk melihat output lebih detail, maka klik Windows kemudian pilih file
dengan ekstensi .OUT seperti pada gambar di bawah ini.
E. Analisis Jalur Menggunakan Amos
1. Instal SPSS
2. Instal AMOS
3. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file: path.sav
4. Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu akan
muncul kotak seperti berikut,
5. Klik file name, pilih data yang telah disimpan dalam SPSS/excel (.sav), lalu
klik open, setelah itu klik OK.

6. Membuat diagram jalur. Berikut ini adalah simbol-simbol dalam membuat

diagram jalur
 7. Langkah pertama dalam analisis Path yaitu menggambar diagram path

Klik symbol yang

akan digunakan
sampai berwarna
biru untuk
membuat gambar
variabel teramati
pada
analisis PATH, lalu
Arahkan kursor
pada lembar kerja
untuk
menggambar, lalu
klik 1 kali.

8. Gambar diagram jalur masih kosong belum ada nama variabel

9. Untuk memberi nama variabel, klik pada kotak, lalu akan muncul Object
Properties
Variable name: menunjukkan nama variabel
Variable label: menunjukkan label variabel pada diagram

10. Simpan pada File-Save As, program tidak bisa dijalankan sebelum disimpan.
Kemudian Pilih View-Analysis Properties
11. Kemudian akan muncul kotak dialog sebagai berikut lalu pilih Output dan
centang seerti pada gambar. Lalu tutup

12. Untuk menjalankan program, pilih Analyze-calculate estimate, setelah itu

untuk menampilkan hasil pada diagram jalur pilih

Hasil Estimate
13. Jika hasilUntuk melihat hasil estimate loading faktor, klik View-Text Ouput

Nilai p-value

Nilai p-value X1, X2 terhadap X3 <0.05 artinya terdapat pengaruh signifikan

masing-masing variabel X1 dan X2 terhadap X3. Begitupun nilai p-value X1, X2
dan X3 terhadap Y <0.05 artinya terdapat pengaruh signifikan masing-masing
variabel X1, X2 dan X3 terhadap Y
 BAB 1I

MODEL ANALISIS JALUR

Menurut pendapat Land, Ching, Heise, Maruyama, Schumaker dan Lomax,

Joreskog, karakteristik analisis jalur adalah metode analisis data multivariat yang

digunakan untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar

kajian teori tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak

langsung seperangkat variabel penyebab terhadap variabel akibat. Berikut model

analisis jalur menurut Sarwono, sebagai berikut:

A. Model Regresi

Model regresi merupakan pengembangan dari regresi linear berganda dengan

menggunakan lebih dari satu varaibel exogen dengan saru varaibel endogen.

Model regresi mempunyai diagram jalur seperti di bawah ini:

X1

X2

Dimana:

a. X1 sebagai variabel exogen

b. X2 sebagai variabel exogen

c. Y sebagai variabel endogen

B. Model Mediasi (Variabel Intervening)

Model mediasi (intervening), dimana kehadiran varaibel Y sebagai variabel Y

sebagai varaiabel perantara akan mengubah pengaruh varaiebl X terhadap Z.

Model mediasi mempunyai diagram jalur seperti di bawah ini:

X Z

Dimana:

a. X sebagai variabel exogen

b. Y sebagai variabel endogen perantara

c. Z sebagai variabel endogen

d.

C. Model Gabungan antara Model Regresi dan Model Mediasi

Model gabungan antara model regresi dengan model mediasi, yaitu varaibel X

berpengaruh terhadap Z secara langsung dan secara tidak langsung melaui

variabel perantara Y. Dengan ketetapan sebagai berikut:

 Variabel X berfungsi sebagai variabel exogen terhadap varaibel Y dan Z

 Variabel Y mempunyai dua fungsi, yaitu

 Sebagai varaibel endogen terhadap variabel exogen X

  Sebagai variabel endogen perantara untuk melihat pengaruh X terhadap Z

melalui Y

 Variabel Z meruapakan veraiabel endogen

Model gabungan antara model regresi dan model mediasi mempunyai diagram

jalur seperti di bawah ini:

X Z

Dimana:

a. X sebagai variabel exogen

b. Y sebagai variabel endogen perantara

c. Z sebagai variabel endogen

D. Model Kompleks

Model kompleks yaitu variabel X1 secara langsung mempengaruhi Y2 dan

melalui variabel X2 secara tidak langsung mempengaruhi Y2, sematara Y2 juga

dipengaruhi variabel Y1. Dengan ketetapan sebagai berikut:

 Variabel X1 berfungsi sebagai variabel exogen

 Variabel X2 mempunyai fungsi sebagai berikut:

 Sebagai variabel endogen terhadap variabel exogen X1

  Sebagai varaibel endogen perantara untuk melihat pengaruh X1 terhadap

Y2 melalui X2

 Variabel Y2 merupakan varaibel endogen

 Variabel Y1 merupakan varaibel exogen

Model kompleks mempunyai diagram jalur seperti di bawah ini:

X1 X2

Y1 Y2

Dimana:
a. X1 sebagai variabel exogen
b. X2 sebagai variabel endogen perantara
c. Y1 sebagai variabel exogen
d. Y2 sebagai variabel endoge
 BAB 1II
CONFIRMATORY FACTOR ANALYSIS

Analisis faktor konfirmatori merupakan metode analisis multivariate yang

dapat digunakan untuk mengkonfirmasikan apakah model pengukuran yang dibangun

sesuai dengan yang dihipotesiskan. Dalam analisis faktor konfirmatori, terdapat

variabel laten dan variabel indikator. Variabel laten adalah variabel yang tidak dapat

diukur secara langsung sedangkan variabel indikator adalah variabel yang dapat

diamati dan diukur secara langsung. Model umum analisis factor konfirmator adalah

𝑋=𝜆 𝜉+𝛿
Dimana:

X = variabel indikator

𝜆 = faktor loading antar indikator

𝜉 = variabel laten

𝛿 = eror pengukuran yang berhubungan dengan X

A. Model First Order CFA

Pada Analisis Faktor Konfirmatori Tingkat Pertama suatu variabel laten yang

diukur berdasarkan beberapa indikator yang dapat diukur secara langsung.

𝛿1 X1

𝜆1

𝛿2 X2 𝜉
𝜆2

𝜆3
𝛿3 X3

Gambar 3.1. contoh model first order CFA

Berdasarkan Gambar 2.1. yang menunjukkan model first order CFA maka dapat

dibentuk persamaan sebagai berikut :

𝑋1 = 𝜆1 𝜉 + 𝛿1

𝑋2 = 𝜆2 𝜉 + 𝛿2

𝑋3 = 𝜆3 𝜉 + 𝛿3

Persamaan ini akan diestimasi dengan tujuannya untuk melihat seberapa dalam

kemampuan variabel indikator dalam menggambarkan variabel latennya.

B. Model Second Order CFA

Analisis second order CFA merupakan model pengukuran yang terdiri dari dua

tingkat. Tingkat pertama adalah sebuah Analisis Faktor Konfirmatori yang

menunjukkan hubungan antara variabel-variabel observasi sebagai indikator-

indikator dari variabel laten terkait. Tingkat kedua adalah sebuah Analisis Faktor

Konfirmatori yang menunjukkan hubungan antara variabel-variabel laten pada

tingkat pertama sebagai indikator- indikator dari sebuah variabel laten pada

tingkat kedua. Variabel laten tingkat kedua disimbolkan dengan 𝜼 sedangkan

variabel tingkat pertama disimbolkan dengan . lebih detailnya dapat dilihat pada

ilustrasi berikut :
𝛿1 X1
1 𝜆1

𝛿2 X2 𝜆2 𝜉1
2
𝜆3
𝛿3 X3
3 η

𝛿4 X4
1 𝜆4

𝛿5 X5 𝜆5 𝜉2
2
𝜆6
𝛿6 X6
3

Gambar 3.2. second order CFA

C. Studi Kasus CFA First Order

Seorang peneliti ingin mengukur tingkat kepuasan pelanggan terhadap produk

tertentu dengan menggunakan indikator persepsi pelanggan terhadap kualitas

produk, harga, dan kemudahan memperoleh produk. Dengan menggunakan CFA

maka peneliti mampu melihat indikator apa saja yang berkontribusi besar dalam

menggambarkan kepuasan pelanggan.

Variabel dalam Penelitian

Variabel laten Indikator

Kualitas (X1)
Kepuasan pelanggan Kebermanfaatan (X2)
Kemudahan (X3)

1. CFA First Order Menggunakan Lisrel

a) Siapkan data dalam worksheet SPSS/ excel (.sav), pada folder datasem

b) nama file: CFA.sav

c) Buka Lisrel

d) Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi

“SPSS Data File(*.sav)” seperti pada gambar di bawah ini. kemudian

carilah file dengan nama “CFA, kemudian klik open

e) Setelah diklik Open maka akan muncul tampilan kotak seperti berikut.

Pada bagian ini Lisrel meminta Anda untuk menyimpan datanya dalam

bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang

anda ingin pada bagian File name lalu klik Save.

15. Lalu klik menu File, kemudian pilih File, klik New lalu pilih Path Diagram,

kemudia klik oke, setelah itu beri nama “Latihan CFA” kemudian Save AS.

16. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label
17. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,
klik Browse, pilih data dengan ekstensi .psf yang telah disimpan
sebelumnya,lalu klik OK. Kemudian klik Add Latent Variables untuk
memberi nama laten variabel, kemudian setelah selesai maka klik OK

1. Klik Setup, pilih Data, Kemudian masukkan Number of Observation dengan

angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
2. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan

CFA”

3. Lengkapi kotak kotak “Latihan CFA” dengan variabel, seperti di bawah,

kemudian Klik tombol Run seperti pada gambar dibawah ini

Klik RUN
2. CFA First Order Menggunakan Amos

a) Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu
akan muncul kotak seperti berikut,
 b) Klik file name, pilih data yang telah disimpan dalam SPSS/excel
(.csv), lalu klik open, setelah itu klik OK. Carilah file yang sudah
disiapkan untuk CFA kemudian klik Open lalu akan muncul tampilan
seperti gambar berikut. Setelah itu klik OK

4. Untuk membuat variabel laten, klik gambar elips

Gambar Arahkan kursor ke area kerja seperti pada gambar

elips berikut, double Click pada elips yang telah
digambarkan di layar putih
 5. setelah di double clik pada elips, mak akan muncul tampilan seperti
berikut, beri nama variabel name/label

6. Untuk membuat variabel indikator, klik gambar seperti dibawah

Lalu klik pada Variabel Laten, lakukan klik sebanyak jumlah

indikator yang ada, misalkan variabel Laten kepuasan
memiliki 3 indikator maka lakukan klik 3 kali seperti pada
Indikator gambar berikut ini.

Variables
in Data Set

Untul memberi nama indikator klik Variables in Data Set, arahkan ke

pada kotak indikator di gambar, lepaskan persis setelah kursor ada di
tengah kotak sampai muncul warna merah, lakukan pada indikator
selanjutnya. untuk memberi nama e1,e2 dan e3 double klik pada gambar
lalu beri nama
7. Simpan gambar model, klik File-Save As. Pilih View-Analys Properties.
Akan muncul kotak dialog sebagai berikut lalu pilih Output dan centang
seperti pada gambar. Lalu close

8. Untuk menjalankan program pilih Analyze-calculate estimate

Jika muncul simbol berwarna merah

seperti pada gambar , maka estimasi
berhasil dan anda akan mendapatkan
hasilnya. Untuk melihat hasilnya, klik
yang berwarna merah tersebut.
9. Setelah diklik gambar berwarna merah, maka akan muncul gambar dibawah
ini, untuk melihat hasil estimate loading faktor, klik View-Text Ouput

Standardized Regression Weights: (Group number 1 - Default model)

Estimate

Kemudahan <--- Kepuasan .514

Kebermanfaatan <--- Kepuasan .916

Kualitas <--- Kepuasan .921

Tabel di atas mengunjukkan bahwa nilai loading factor (Estimate) untuk

masing-masing indikator konstruk Kepuasan adalah lebih besar dari 0,5. Ini
berarti bahwa masing-masing indikator dinyatakan valid dalam membentuk
konstruk Kepuasan
 BAB 1V

STRUCTURAL EQUATION MODELING

Structural equation modeling (SEM) merupakan teknik statistik yang

digunakan untuk membangun dan menguji model statistik yang biasanya dalam

bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang

meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan

regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Structural equation modeling (SEM) mempunyai karakteristik yang bersifat

sebagai teknik analisis untuk lebih menegaskan dari pada untuk menerangkan.

Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan

apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk

menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula

mencakup elemen-elemen yang digunakan untuk menerangkan.

A. Asumsi Structural Equation Modeling (SEM)

1. Dalam SEM terdapat asumsi-asumsi yang lebih fleksibel, antara lain:

a) Spesifikasi model

• Semua hubungan : linier

• Model aditif

b) Pendugaan parameter & Uji hipotesis

• Antar unit pengamatan independen

• Data tidak mengandung pencilan (outliers)

 • Data yang akan dianalisis (variabel latent) menyebar normal ganda

(multinormal)

B. Kesalahan Structural Equation Modeling (SEM)

1. Kesalahan model pengukuran adalah kesalahan yang ada pada model

pengukuran.

2. Kesalahan model struktural adalah kesalahan yang ada pada model structural,

jika pada diagram jalur kesalahan structural ada pada variabel endogen.

C. Ukuran Sampel Structural Equation Modeling (SEM)

1. Bila pendugaan parameter menggunakan MLE : 100 – 200

2. Sebanyak 5 – 10 kali jumlah parameter

3. Sama dengan 5 – 10 kali, indikator keseluruhan variabel laten

D. Notasi dalam Structural Equation Modeling (SEM)

Gambar 4.1 Diagram Jalur dan Notasi SEM

 Katerangan
 = Ksi, variabel laten X
 = Eta, variabel laten Y
 = Lamnda (kecil), loading faktor
 = Beta (kecil), koefisien pengaruh variabel endogen terhadap variabel
endogen
 = Gama (kecil), koefisien pengaruh variabel exogen terhadap variabel
endogen
 = Zeta (kecil), galat model
 = Epsilon (kecil), galat pengukuran pada variabel manifest untuk
variabel laten Y
 = Delta (kecil), galat pengukuran pada variabel manifest untuk variabel
laten X

E. Variabel dalam Structural Equation Modeling (SEM)

1. Variabel laten

Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan endogen.

Variabel eksogen setara dengan variabel bebas, sedangkan variabel endogen

setara dengan variabel terikat. Notasi matematik dari variabel laten eksogen

adalah ξ (”ksi”) dan variabel laten endogen ditandai dengan η (“eta”).

2. Variabel Terukur

Variabel teramati adalah variabel yang dapat diukur secara empiris dan sering

disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari

variabel laten. Variabel teramati yang berkaitan atau merupakan efek dari
 variabel laten eksogen diberi notasi matematik dengan label X, sedangkan

yang berkaitan dengan variabel laten endogen diberi label Y. Simbol diagram

jaluran dari variabel teramati adalah bujur sangkar atau empat persegi

panjang.

F. Model dalam Structural Equation Modeling (SEM)

1. Model Struktural

Menggambarkan hubungan yang ada di antara variabel laten. Hubungan ini

umumnya linier. Sebuah hubungan di antara variabel laten serupa dengan

sebuah persamaan regresi linier di antara variabel laten tersebut. Beberapa

persamaan regresi linier tersebut membentuk persamaan simultan di antara

variabel laten. Selain itu model structural bisa berupa model analisis jalur

dimana terdapat pengaruh variabel mediasi/ intervening.

2. Model Pengukuran

Mengambarkan hubungan antara sebuah variabel laten dengan variabel

teramati dimodelkan dalam bentuk analisis factor. Muatan-muatan faktor atau

loading factors yang menghubungkan variabel laten dan variabel teramati

diberi notasi (“lambda”), dimana pada sisi X adalah x (lambda x) dan sisi

Y adalah y (lambda y).

G. Tahapan dalam Structural Equation Modeling (SEM)

1. Pengembangan model berdasarkan teori

Tujuannya adalah untuk mengembangkan sebuah model yang mempunyai

justifikasi secara teoritis yang kuat guna mendukung upaya analisis terhadap

suatu masalah yang sedang dikaji.

2. Pengembangan diagram jalur

Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada

langkah pertama kedalam sebuah diagram jalur agar peneliti dengan mudah

dapat mencermati hubungan kausalitas yang ingin diujinya. Kontruksi

diagram jalur padal model SEM seperti pada Gambar 4.1. Diagram jalur

dalam SEM digunakan untuk menggambarkan model SEM dengan lebih jelas

dan mudah, jika dibandingkan dengan model persamaan matematik. Untuk

dapat menggambarkan diagram jalur sebuah persamaan secara tepat, perlu

diketahui tentang variabel dalam SEM beserta notasi dan simbol yang

berkaitan. Kemudian hubungan diantara model-model tersebut dituangkan

dalam model persamaan struktural dan model pengukuran.

3. Mengkonversi diagram jalur kedalam persamaan struktural

Model struktural

1 = 12+ 1 1 + 1
2 = 21+ 2 1 + 2

Model pengukuran

4. Pemilihan data input dan teknik Pendugdaan

Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan

dan teknik estimasi model. Sedangkan menurut Bollen metode pendugaan

parameter secara matematis adalah:

a) Maximum Likelihood (ML):

Maximum Likelihood (ML) merupakan metode estimasi yang paling

sering digunakan dalam SEM. Metode ini pun merupakan metode

penaksiran yang cukup berat karena metode ML diasumsikan data

mengikuti distribusi multinormal, tapi karena bersifat asimtotis bagi

asumsi ini akan terpenuhi jika ukuran sampel cukup besar (Bollen,1989) .
 ML digunakan pada data yang berskala minimal interval dengan matriks

input korelasi atau matriks varianskovarians.

b) Generalized Least Squares (GLS):

GLS dan ML asalkan ukuran sampel cukup besar ( ≥ 100), dan asumsi

terpenuhi maka penaksir kedua metode ini adalah relatif sama (Saris

&Stronkhorst, 1984).

c) Unweighted Least Squares (ULS):

ULS tidak perlu asumsi multinormal. ULS tidak memilki scale invariant

sehingga jika data ditransformasikan, maka hasil penaksirannya akan

berbeda. Seandainya matriks kovarians atau korelasi dalam situasi not

positive definite, ML dan GLS tidak bisa digunakan, pilihannya adalah

ULS.

d) Weighted Least Squares (WLS):

Berbeda dengan ML, WLS adalah asymtotic distribution free (ADF).

Metode estimasi Weighted Least Square (WLS) digunakan untuk

mengestimasi parameter dari data berskala ukur ordinal tanpa perlu

mengkuantifikasikannya terlebih dahulu dan juga data yang diobservari

tidak perlu berdistribusi normal. (Bollen,1989)

5. Evaluasi masalah identifikasi model

Tujuannya adalah untuk mendeteksi ada atau tidaknya masalah identifikasi

berdasarkan evaluasi terhadap hasil estimasi yang dilakukan oleh program

komputer. Pada saat estimasi, seringkali nilai yang dihasilkan tidak

bermakna, atau tidak masuk akal. Hal ini disebabkan karena program tidak

dapat menghaslkan sebuah solusi yang unik. Satu hal yang harus dipenuhi

adalah bahwa persamaan yang ada harus lebih banyak dari parameter yang

akan ditaksir. Semakin kompleks model yang akan diestimasi, tidak ada

jaminan bahwa solusi yang unik akan diperoleh.

Bila sebuah model diidentifikasi, ada tiga macam kesimpulan yang dapat

diambil, yaitu :

a) Just – Identified

Model just-identified merupakan model yang cocok sempurna. Model ini

memiliki degree of freedom (df) = 0.

b) Underidentified

Model ini tidak dapat diestimasi sebelum dilakukan perubahan pada

model dengan memfix-kan beberapa parameternya. Model ini memiliki

df<0.

c) Overidentified

Model disebut overidentified adalah model yang diharapkan, yaitu dimana

nilai derajat kebebasan positif, yang dimana informasi yang dimiliki lebih

banyak dari informasi yang dibutuhkan. Model ini memiliki df>0.

H. Indeks Kecocokan Model

Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi

sesuai dengan model teori atau tidak diperlukan acuan indeks kecocokan model.

Berikut ini nilai-nilai indeks kecocokan model yang sering digunakan dalam

SEM, diantaranya:

1. Nilai Chi Square: semakin kecil maka model semakin sesuai antara model

teori dan data sampel. Nilai ideal sebesar 1,96 maka kovarian

2. kovarian faktor mempunyai hubungan signifikan – Jika koefesien struktural

dibuat standar, misalnya 2; maka var laten tergantung akan meningkat sebesar

2 – Kesalahan pengukuran sebaiknya sebesar 0 – Pembobotan regresi

(regression weight): sebesar 1, tidak boleh sama dengan 0, bersifat random

jika ada tanda „$‟

3. Spesifikasi model dengan nilai konstan 1

4. Maximum Likehood Estimation akan bekerja dengan baik pada sampel

sebesar >2500 – Significance level (probabilitas) sebaiknya 0,9.

5. Root mean square error of approximation, (RMSEA): berfungsi sebagai

kriteria untuk pemodelan struktur kovarian dengan mempertimbangkan

kesalahan yg mendekati populasi. Kecocokan model yg cocok dengan matriks

kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0,05

; cukup baik sebesar atau lebih kecil dari 0,08

6. Uji Reliabilitas: untuk menghitung reliabilitas model yang menunjukkan

adanya indikator-indikator yang mempunyai derajat kesesuaian yang baik

 dalam satu model satu dimensi. Reliabilitas merupakan ukuran konsistensi

internal indikatorindikator suatu konstruk yang menunjukkan derajat sejauh

mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang

umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau

sama dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan

bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang

dikembangkan

7. Parameter dengan nilai 0 mempunyai arti tidak ada hubungan antar variabel

yang diobservasi. Parameter dapat secara bebas diestimasi dengan nilai tidak

sama dengan 0. Fixed parameter diestimasi tidak berasal dari data, misalnya 1;

free parameter diestimasi dari data sampel yang diasumsikan oleh peneliti

tidak sama dengan 0.

8. Root Mean Square Residual (RMR): nilai rata-rata semua residual yang

ditandarisasi. Nilai RMR berkisar mulai 0 – 1, suatu model yang cocok

mempunyai nilai RMR < 0.05.

9. Parsimony Based Indexes of Fit (PGFI): Parsimony model yang berfungsi

untuk mempertimbangkan kekompleksitasan model yang dihipotesiskan

dalam kaitannya dengan kecocokan model secara menyeluruh. Nilai

kecocokan ideal adalah 0.9

10. Normed Fit Index (NFI): Nilai NFI mulai 0 – 1 diturunkan dari perbandingan

antara model yang dihipotesiskan dengan suatu model independen tertentu.

Model mempunyai kecocokan tinggi jika nilai mendekati 1

11. Relative Fit Index (RFI): merupakan turunan dari NFI dengan nilai 0 -1.

Model mempunyai kecocokan yang ideal dengan nilai 0.95 – First Fit Index

(PRATIO): berkaitan dengan model parsimony

12. Noncentrality Parameter (NCP): parameter tetap yang berhubungan dengan

DF yang berfungsi untuk mengukur perbedaan antara matriks kovarian

populasi dengan matriks kovarian observasi. Dengan Confidence Interval

90% maka NCP berkisar antara 29,983 – 98,953

13. The Expected Cross Validation Index (ECVI): mengukur perbedaan antara

matriks kovarian yang dicocokkan dalam sampel yg dianalisis dengan matriks

kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan

ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya.

Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat

direplikasi.

14. Hoelter‟s Critical N (CN): berfungsi untuk melihat kecukupan ukuran sampel

yang digunakan dalam riset. CN mempunyai ketentuan suatu model

mempunyai ukuran sampel yang cukup jika nilai CN > 200.

15. Residual: perbedaan antara matriks kovarian model dengan matriks kovarian

sampel, semakin kecil perbedaan maka model semakin baik.

I. Pengujian Hipotesis

Nilai koefisien jalur menunjukkan signifikasi antar variabel dalam model

struktural atau dalam pengujian hipotesis.

a) Hipotesis statistik untuk model pengkuran:

H0 : λi = 0 lawan

H1 : λi ≠ 0

b) Hipotesis statistik untuk model struktural variabel laten eksogen terhadap

endogen:

H0 : γi = 0 lawan

H1 : γi ≠ 0

c) Hipotesis statistik untuk model struktural variabel laten endogen terhadap

endogen:

H0 : βi = 0 lawan

H1 : βi ≠ 0

d) Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan

e) Model penukuran signifikan: indikator bersifat valid

f) model struktural signifikan: terdapat pengaruh signifikan

J. Studi Kasus Structural Equation Modeling (SEM)

Pengaruh kepuasan pelanggan terhadap Loyalitas pelanggan pengguna kartu

perdana Telkomsel (Studi kasus pelanggan Telkomsel Indonesia)

Rumusan Masalah

1. Bagaimana pengaruh Kualitas, manfaat dan kemudahan terhadap kepuasan

pelanggan kartu perdana Telkomsel di Indonesia?

2. Bagaimana pengaruh Kualitas, manfaat dan kemudahan terhadap Loyalitas

pelanggan pengguna kartu perdana Telkomsel di Indonesia?

3. Bagaimana pengaruh kepuasan pelanggan terhadap Loyalitas pelanggan

pengguna kartu perdana Telkomsel di Indonesia?

Model Konseptual dan Hipotesis

Berdasarkan perumusan masalah maka model konseptual adalah:

Kualitas

Kepuasan Loyalitas

Manfaat

Kemudahan

Kerangka konseptual
K. SEM First Order Menggunakan Lisrel

1. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file:
SEM.sav. Kemudian buka software Lisrel
2. Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi “SPSS
Data File(*.sav)” seperti pada gambar di bawah ini. kemudian carilah file
dengan nama “SEM, kemudian klik open

3. Setelah diklik Open maka akan muncul tampilan kotak Save As. Simpan data
dalam bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang
anda inginkan pada bagian File name lalu klik Save.
4. Maka akan muncul data sebagai berikut

5. Lalu klik menu File, kemudian pilih File, klik New lalu pilih Path Diagram,

kemudia klik oke, setelah itu beri nama “Latihan SEM” kemudian Save As.
6. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label

7. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,

klik Browse, pilih data dengan ekstensi.psf yang telah disimpan sebelumnya,

lalu klik Add Latent Variables untuk memberi nama varaibel laten, lalu klik

OK. Kemudian akan kembali ke kotak Label lalu klik OK

8. Lalu klik Add Latent Variables tuliskan variabel laten yang akan dibentuk
yakni seperti pada gambar di bawah ini. lalu klik OK

9. Klik Setup, pilih Data, Kemudian masukkan Number of Observation dengan

angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
10. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan
SEM”

11. Lengkapi sintax dengan variabel, seperti di bawah, kemudian Klik tombol
Run seperti pada gambar dibawah ini

Klik RUN
12. Dengan hasil sebagai berikut
L. SEM First Order Menggunakan Amos

1. Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu akan

muncul kotak seperti berikut,

 2. Klik file name, pilih data yang telah disimpan dalam SPSS/excel (.sav), lalu
klik open, setelah itu klik OK. Carilah file yang sudah disiapkan untuk SEM
kemudian klik Open lalu akan muncul tampilan seperti gambar berikut.
Setelah itu klik OK

3. Untuk membuat variabel laten, klik gambar elips

Gambar Arahkan kursor ke area kerja seperti pada gambar

elips berikut, double Click pada elips yang telah
digambarkan di layar putih
 4. setelah di double clik pada elips, maka akan muncul tampilan seperti berikut,
beri nama variabel name/label

5. Untuk membuat indikator, klik gambar seperti dibawah

Klik
untuk
indikator Arahkan kursor ke area kerja seperti pada
gambar berikut, double Click pada varaibel
laten, jika jumlah indikator ada 4 klik 4 kali
6. Putar posisinya untuk gambar model yang diinginkan dengan menggunakan
simbol rotasi kemudian klik pada variabel laten beberapa kali sampai sesuai
dengan rotasi yang anda inginkan misalnya seperti pada gambar berikut :

7. Set data ke dalam model dengan cara memilih List Variables in Data Set
(lihat pada gambar di bawah), kemudian akan muncul kotak Variables in
Data Set

Kemudian klik kiri dan tahan (drag) nama Indikator pada Variables in
Data Set, arahkan ke Indikator (kotak) di gambar, lepaskan persis setelah
kursor ada di tengah kotak (sampai muncul warna merah). Lakukan
seterusnya untuk seluruh indikator yang ada. Setelah itu berikan input
pada Variable Label untuk seluruh indikator yang baru dimasukkan tadi,
dengan cara melakukan double click pada kotak indikator. Lakukan untuk
masing-masing ketiga indikator tersebut
8. Double click untuk seluruh error (bulatan kecil) yang ada dan kemudian
isikan Variable name dan Variable labelnya, seperti pada gambar di bawah
ini

9. Untuk variabel laten yang lain, lakukan hal yang sama seperti pada langkah di
atas, agar menghasilkan tampilan sebagai berikut
10. Hubungkan antara variabel laten dengan menggunakan tanda dan tanda
sesuai dengan gambar di bawah ini

11. Masukkan Error pada variabel laten endogen. Pilih symbol . Kemudian
arahkan kursor ke arah Variabel Laten (endogen) sampai muncul warna merah
pada line-nya, kemudian klik kiri. Hasilnya akan seperti pada gambar di
bawah ini
12. Simpan gambar model, klik File-Save As. Pilih View-Analys Properties.
Akan muncul kotak dialog sebagai berikut lalu pilih Output dan centang
seperti pada gambar. Lalu close

13. Untuk menjalankan program pilih Analyze-calculate estimate

Jika muncul simbol berwarna merah

seperti pada gambar , maka estimasi
berhasil dan anda akan mendapatkan
hasilnya. Untuk melihat hasilnya, klik
yang berwarna merah tersebut.
14. Setelah diklik gambar berwarna merah, maka akan muncul gambar dibawah
ini, untuk melihat hasil estimate loading faktor, klik View-Text Ouput

15. Jika ingin melihat standardized estimates maka plih

M. Interpretasi SEM

1. Uji Normlitas

Variable min max skew c.r. kurtosis c.r.

Y6 1.000 5.000 -1.412 -5.765 5.032 10.271
Y5 1.000 5.000 -1.332 -5.437 2.574 5.255
Y4 1.000 5.000 -.858 -3.504 .994 2.030
Y3 1.000 5.000 -.491 -2.003 .014 .028
Y2 1.000 5.000 -.933 -3.809 .614 1.253
Y1 2.000 5.000 -1.055 -4.306 1.151 2.349
X8 1.000 5.000 -.821 -3.350 .694 1.416
X9 1.000 5.000 -.942 -3.847 .707 1.444
X10 1.000 5.000 .077 .313 -.508 -1.037
X5 1.000 5.000 -1.013 -4.134 .849 1.734
X6 1.000 5.000 -.522 -2.129 .497 1.015
X7 1.000 5.000 -1.493 -6.096 3.049 6.223
X1 1.000 5.000 -1.747 -7.132 2.794 5.704
X2 1.000 5.000 .480 1.960 -.975 -1.990
X3 1.000 5.000 -.957 -3.906 .516 1.053
X4 1.000 5.000 -2.022 -8.256 4.979 10.164
Multivariate 78.349 16.323

Pengujian normalitas data dilakukan dengan menggunakan kriteria critical

ratio skewness value sebesar ± 2,58 pada signifikasi 10%. Data dikatakan

berdistribusi normal jika nilai critical ratio skewness value kurtosis value di

bawah harga mutlak 2,58 dapat dibulatkan menjadi 3. Secara umum nila c.r.

skew dan c.r. kurtosis berada lebih dari -3 sampai lebih 3 sehingga dapat

dinyatakan bahwa data tidak berdistribusi normal

 2. Indeks Kriteria Goodness Of Fit

Hasil perhitungan model SEM menghasilkan indeks goodness of fit

sebagaimana ditunjukkan Tabel di bawah

Kreiteria Hasil Nilai kritis Kesimpulan

p-value 0.000 ≥0.05 Tidak Baik
RMSEA 0.07 ≤0.08 Baik
GFI 0.934 ≥0.90 Baik
AGFI 0.902 ≥0.90 Baik
CMIN/DF 1,063 ≤2.00 Baik
TLI 0.992 ≥0.95 Baik
CFI 0.994 ≥0.95 Baik

3. Uji Hipotesis

Estimate S.E. C.R. P Label

Kepuasan <--- Kualitas -.025 .140 -.177 .860 Tidak Signifikan
Kepuasan <--- Manfaat .145 .136 1.064 .287 Tidak Signifikan
Kepuasan <--- Kemudahan -.066 .098 -.679 .497 Tidak Signifikan
Loyalitas <--- Kualitas 1.096 .721 1.521 .128 Tidak Signifikan
Loyalitas <--- Manfaat .687 .462 1.488 .137 Tidak Signifikan
Loyalitas <--- Kemudahan -.601 .474 -1.268 .205 Tidak Signifikan
Loyalitas <--- Kepuasan -.449 .784 -.572 .567 Tidak Signifikan
Keterangan: Signifikan jika nilai P kurang dari alpha 0.05