Outer Model
Outer Model
Loading faktor adalah nilai yang dihasilkan dari masing-masing indikator untuk mengukur variabelnya. Loading faktor
Average Variance Extracted (AVE) Fornell Larcker Iterasi 0
Adalah nilai korelasi antara variabel dengan variabel itu sendiri dan
Variabel Nilai AVE Evaluasi
X1 0.652 Valid Atmosfer Restoran (X4)
X2 0.652 Valid Harga (X3)
X3 0.707 Valid Kepuasaan Pelanggan (Y1)
X4 0.681 Valid Kualitas Layanan (X2)
Y1 0.797 Valid Kualitas Makanan (X1)
Y2 0.752 Valid Rekomendasi (Y3)
Y3 0.683 Valid Revisit Intention (Y2)
AVE adalah nilai yang dimiliki atau dihasilkan Dikarenakan nilai harga (x3) terhadap kualitas makanan (x1) lebih
dari masing2 variabel. AVE dapat dikatakan valid penghapusan indikator dengan nilai terkecil dari variabel harga (x3
jika >0.5. indikator terkecil, yaitu x3.1 dan x1.2
Dari tabel diatas dapat dilihat bahwa semua nilai AVE Berikut tabel dibawah ini nilai dari fornell lacker setelah dilakukan
valid karena sudah memenuhi syarat >0.5. Fornell Larcker Iterasi 1
harga (x3) terhadap kualitas makanan (x1) lebih besar daripada nilai variabelnya itu sendiri maka dilakukan
ator dengan nilai terkecil dari variabel harga (x3) dan kualtias makanan (x1) di loading factor dengan nilai
yaitu x3.1 dan x1.2
Atmosfer Restoran (X4) Harga (X3) Kepuasaan Pelanggan (Y1) Kualitas Layanan (X2)
0.825
0.755 0.902
0.654 0.770 0.893
0.677 0.658 0.735 0.807
0.698 0.792 0.761 0.765
0.595 0.633 0.658 0.501
0.676 0.735 0.749 0.615
ekalkulasi didapatkan semua nilai memenuhi syarat yaitu nilai korelasi variabel dengan variabel itu sendiri sudah lebih besar daripada v
ctor semuanya memenuhi kriteria >0.7.
Cross Loading
si variabel dengan variabel itu sendiri harus lebih besar daripada variabel satu dengan variabel yang lainnya dengan analisis diagonal.
Kualitas Makanan (X1) Rekomendasi (Y3) Revisit Intention (Y2)
X1.1
X1.3
X1.4
x2.1
0.807 x2.2
0.565 0.827 x2.3
0.669 0.816 0.867 x2.4
x2.5
x2.6
x3.2
x3.4
x4.2
x4.3
x4.4
y1.1
Kualitas Makanan (X1) Rekomendasi (Y3) Revisit Intention (Y2) y1.2
y1.3
y2.1
y2.2
y2.3
0.831 y2.4
0.566 0.827 y3.1
0.676 0.816 0.867 y3.2
y3.3
sendiri sudah lebih besar daripada variabel itu dengan variabel yang lain y3.4
y3.5
Kua
Cross Loading Adalah korelasi antara indikator dengan variabel. Nilai cross loading valid dan da
yang lainnya dengan analisis diagonal.
Atmosfer Restoran (X4) Harga (X3) Kepuasaan Pelanggan (Y1) Kualitas Layanan (X2)
0.617 0.659 0.686 0.777
0.508 0.608 0.660 0.566
0.632 0.729 0.540 0.551
0.539 0.498 0.642 0.802
0.557 0.440 0.498 0.845
0.440 0.449 0.583 0.852
0.550 0.579 0.656 0.824
0.539 0.565 0.546 0.753
0.650 0.634 0.599 0.762
0.618 0.906 0.708 0.510
0.746 0.897 0.679 0.680
0.892 0.676 0.593 0.677
0.833 0.570 0.512 0.525
0.743 0.617 0.508 0.459
0.642 0.699 0.907 0.703
0.519 0.680 0.871 0.558
0.585 0.683 0.901 0.699
0.687 0.732 0.742 0.723
0.548 0.583 0.621 0.420
0.559 0.591 0.574 0.433
0.519 0.612 0.625 0.505
0.308 0.423 0.334 0.124
0.541 0.621 0.662 0.530
0.523 0.556 0.645 0.521
0.443 0.418 0.425 0.342
0.572 0.537 0.531 0.401
Dari tabel diatas dapat dilihat bahwa indikator yang mengukur variabelnya itu sendiri sudah lebih besar daripada indikator d
bel. Nilai cross loading valid dan dapat diterima jika indikator yang mengukur variabelnya itu sendiri harus lebih besar daripada indikat
Composite reability dan cronbach alpha adalah merupakan ukuran konsistensi dakam item skala, data dikatakan kon
jika nilai nya >0.7.
dari tabel diatas dapat dilihat bahwa data konsisten serta reliabel dengan ditunjukkan semua nilai
memenuhi syarat >0.7
an semua nilai
X4 X3 Y1 X2 X1 Y3
X4 0.825
X3 0.756 0.841
Y1 0.654 0.777 0.893
X2 0.677 0.711 0.735 0.807
X1 0.718 0.846 0.754 0.807 0.807
Y3 0.595 0.627 0.659 0.501 0.565 0.827
Y2 0.676 0.715 0.749 0.615 0.669 0.816
X4 X3 Y1 X2 X1 Y3
X4 0.825
X3 0.755 0.902
Y1 0.654 0.770 0.893
X2 0.677 0.658 0.735 0.807
X1 0.698 0.792 0.761 0.765 0.831
Y3 0.595 0.633 0.658 0.501 0.566 0.827
Y2 0.676 0.735 0.749 0.615 0.676 0.816
Y2
0.867
Y2
0.867
X4 X3 Y1 X2 X1 Y3 Y2 X1.1
X1.1 0.617 0.659 0.686 0.777 0.875 0.485 0.590 X1.3
X1.3 0.508 0.608 0.660 0.566 0.856 0.435 0.565 X1.4
X1.4 0.632 0.729 0.540 0.551 0.759 0.503 0.529 x2.1
X2.1 0.539 0.498 0.642 0.802 0.654 0.358 0.481 x2.2
X2.2 0.557 0.440 0.498 0.845 0.580 0.317 0.402 x2.3
X2.3 0.440 0.449 0.583 0.852 0.618 0.408 0.451 x2.4
X2.4 0.550 0.579 0.656 0.824 0.653 0.477 0.579 x2.5
X2.5 0.539 0.565 0.546 0.753 0.607 0.474 0.553 x2.6
X2.6 0.650 0.634 0.599 0.762 0.573 0.376 0.490 x3.2
X3.2 0.618 0.906 0.708 0.510 0.739 0.569 0.698 x3.4
X3.4 0.746 0.897 0.679 0.680 0.688 0.573 0.626 x4.2
X4.2 0.892 0.676 0.593 0.677 0.647 0.466 0.600 x4.3
X4.3 0.833 0.570 0.512 0.525 0.620 0.451 0.590 x4.4
X4.4 0.743 0.617 0.508 0.459 0.451 0.563 0.478 y1.1
Y1.1 0.642 0.699 0.907 0.703 0.735 0.611 0.706 y1.2
Y1.2 0.519 0.680 0.871 0.558 0.705 0.539 0.611 y1.3
Y1.3 0.585 0.683 0.901 0.699 0.600 0.611 0.684 y2.1
Y2.1 0.687 0.732 0.742 0.723 0.764 0.681 0.838 y2.2
Y2.2 0.548 0.583 0.621 0.420 0.563 0.685 0.892 y2.3
Y2.3 0.559 0.591 0.574 0.433 0.499 0.703 0.922 y2.4
Y2.4 0.519 0.612 0.625 0.505 0.469 0.754 0.813 y3.1
Y3.1 0.308 0.423 0.334 0.124 0.324 0.762 0.616 y3.2
Y3.2 0.541 0.621 0.662 0.530 0.535 0.886 0.750 y3.3
Y3.3 0.523 0.556 0.645 0.521 0.499 0.855 0.744 y3.4
Y3.4 0.443 0.418 0.425 0.342 0.377 0.811 0.616 y3.5
Y3.5 0.572 0.537 0.531 0.401 0.534 0.814 0.613