Ukuran Sampel Asumsi Normalitas dan Linieritas Evaluasi atas Outliers

97 | P a g e Y4. lihat l ampiran 6 pada Standardized Regression Weights Structural Model .

4.5 Menilai Problem Identifikasi

Dalam operasi program AMOS 16.0 problem identifikasi akan diatasi l angsung ol eh prog ram. Bila estimasi tidak da pat di lakukan, program a kan m emberikan pe san pa da m onitor k omputer m engenai kemungkinan s ebab-sebab mengapa prog ram t idak da pat m elakukan estimasi. Selama dilakukan pengolahan data dengan program AMOS 16.0 tidak m enemukan pe san p ada m onitor komputer y ang menunjukkan adanya problem identifikasi. Dengan demikian tidak ada problem identifikasi.

4.5.1 Evaluasi Model

a. Ukuran Sampel

Analisis S EM m enghendaki s ampel m inimum s ebesar 100. Responden yang menjadi sampel da lam pe nelitian i ni be rjumlah 100, yang berarti asumsi untuk ukuran sampel telah terpenuhi.

b. Asumsi Normalitas dan Linieritas

Pengujian nor malitas da ta di lakukan de ngan mengamati ni lai kritis c.r multivariate hasil pe ngujian assessment of normality dari p rogram A MOS 16. 0 Jika c.r multivariate berada d alam selang –2,58 h ingga 2,58, m aka da pat d ikategorikan di stribusi data normal. Hasil analisis menunjukkan c.r multivariate sebesar - 0,343 yang be rada di da lam sel ang –2,58 hi ngga 2,58, ha l ini menunjukkan da ta be rdistribusi no rmal s ehingga a sumsi normalitas terpenuhi di lihat pada lampiran 5. Sedangkan untuk asumsi l inieritas, apabila da tanya ba nyak 100 maka asum si linieritas terpenuhi.

c. Evaluasi atas Outliers

1. Univariate Outliers Evaluasi a tas univariate outliers dievaluasi m enggunakan program S PSS 15.0 y aitu de ngan m engamati ni lai z-score. Jika da ri ha sil pe ngamatan t erdapat i ndikator y ang memiliki nilai z-score di luar range atau selang –3 z-score 3, m aka mengindikasikan i ndikator tersebut m engandung 98 | P a g e univariate outliers sehingga t idak di ikutsertakan dalam analisis selanjutnya. Pada lampiran 4, hasil deskriptif nilai z- score , diketahui te rdapat univariate outliers pada i ndikator x1.7.2 da n y 2.1. S etelah diperiksa, t erdapat 1 sampel y ang merupakan univariate outliers yaitu responden no mor 10 . Untuk m emperbaiki m odel, s atu responden t ersebut ha rus dihilangkan. 2. Multivariates Outliers Evaluasi at as multivariate outliers dapat d ilihat da ri angka- angka j arak m ahalonobis mahalonobis distance yang dihasilkan program AMOS 16.0 Bila mahalonobis d-squared ada yang l ebih besar da ri nilai chi-square pada df = j umlah indikator da n t ingkat s ignifikansi 0, 001, m aka da ta t ersebut menunjukkan a danya multivariate outliers. Dari ha sil perhitungan di peroleh ni lai chi-square 32; 0,001 = 50,756, sedangkan nilai mahalonobis d-squared yang tertinggi adalah 45,276, s ehingga da pat di simpulkan tidak t erdapat multivariate outliers . lihat lampiran 5. d. Multicollinierity dan Singularity Multicollinierity dan singularity dapat di deteksi da ri determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multicollinierity dan singularity. Pada program AMOS 16.0 telah menyediakan fasilitas “Warning” apabila t erdapat i ndikasi multicollinierity dan singularity. Dalam pros es an alisis t idak ditemukan a danya “Warning”, s ehingga di simpulkan t idak terdapat problem multikolinierity dan singularity, de ngan demikian asumsi non multicollinierity dan non singularity terpenuhi.

e. Evaluasi Atas Kriteria Goodness of Fit