Evaluasi atas Outlier Deteksi Deteksi Multicollinierity dan Singularity Uji validitas dan Reliabilitas

46 1. Normaitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik 2. Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standard errornya dan Skewness value yang biasanya disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas itu disebut sebagai Z-value.pada tingkat signifikan 1, jika nilai Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3. Normal Probability Plot SPSS 10.1. 4. Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.

b. Evaluasi atas Outlier

1. Mengamati nilai Z-score : ketentuannya diantara ± 3,0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat P 0,001. Jarak diuji dengan Chi-Square X 2 pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai X 2 adalah multivariate outlier. 3. Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai sktrim untuk sebuah variabel tunggal atau variabel kombinasi Hair, 1998. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 47 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 48

c. Deteksi Deteksi Multicollinierity dan Singularity

Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi Multikolinieritas dan reliabilitas

d. Uji validitas dan Reliabilitas

Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap observerd variable dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan Variance-extracted. Construct reliability dan Variance-ectracted dihitung dengan rumus berikut :     Ej 2 Loading e Standardiz 2 Loading e Standardiz y Reliabilit Construct        Ej Loading2 e Standardiz Loading2 e Standardiz y Reliabilit Construct    Sementara dapat dihitung dengan formula Eyr j = 1 – [Standardize Loading] secara umum, nilai construct reliability yang dapat diterima adalah 0,7 dan variance extracted 0,5 Hair et.al.,1998. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 49 construct standardize regression weights terhadap setiap butir sebagai indikatornya. 3.6.1. Pengujian Hipotesis dan Hubungan Kausal Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p [probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t tabel berarti signifikan. 3.6.2. Pengujian model dengan Two-Step Approach Two-Step Approach to sturctural equation modelling SEM digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan dan keakuratan reliabilitas indikator- indikator terbaik dapat dicapai dalam two-step approach ini. Two-step approach bertujuan untuk menghindari interaksi antara model pengukuran dan model struktural pada One Step Approach Hair et.al., 1998. Yang dilakukan dalam two step approach to SEM adalah : estimasi terhadap measurement model dan estimasi terhadap structural model Anderson dan Gerbing, 1988. Cara yang dilakukan dalam menganalisis SEM dengan two step approach adalah sebagai berikut: a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator summed-scale bagi setiap kontrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandadisasi Z-score dengan mean = 0, deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut Hair et.al., 1998. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 50 b. Menetapkan error [c] dan lambda R] terms, error terms dapat dihiitung dengan rumus 0,1 kali dan lamda terms dengan rumus 0,95 kali [Anderson dan Gerbing, 1988]. Perhitungan construk reliability a telah dijelaskan pada bagian sebelumnya dan deviasi standar a dapat dihitung dengan bantuan program aplikasi statistik SPSS. Setelah error c dan lambda X terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM. Keterangan akan symbol-simbol didalam SEM adalah sebagai berikut : : Faktorconstructlatent variableunobserved variable yaitu sebuah variabel bentukan, yang dibentuk melalui indikator-indikator yang diamati dalam dunia maya. : Variabel terukurobserved variableindicators variables yaitu variabel yang ditanya harus dicari melalui observasi, misalnya melalui instrumen-instrumen survei. Garis dengan anak panah satu arah → = garis yang menunjukkan hubungan yang dihipotesiskan antara dua variable dimana variable yang dituju anak panah merupakan variable dependen. Garis dengan anak panah dua arah ↔ = garis yang menunjukkan hubungan yang tidak dihipotesiskan antara dua variable dimana kedua variabel berkorelasi. 3.6.3. Evaluasi Model Hair et.al., 1998 menjelaskan bahwa pola confirmatory menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 51 pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan god fit dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tesebut mempunyai suatu poor fit dengan data. Amos dapat menguj i apakah model good fit atau poor fit. Jadi, good fit model yang diuji sangat penting dalam penggunaan structural equation modelling. Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of fit, yakni Chi-square, Probality, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendektan two step approach to SEM. Goodness to Fit Indices Goodness Of Fit Index Keterangan Cut off Value X2-Chi Square Menguji apakah covariance populasi yang destimasi sama covariance sample apakah model sesuai dengan data Diharapkan kecil, a-5 atau paling baik antara 1 dan 2 Probability Uji signifikansi terhadap perbedaan mariks yang diestimasi Minimum 0,1 atau 0,2 atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi- Square pada sample besar. ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi analaog dengan R2 dalma regresi berganda ≥ 0,90 AGFI GFI yang disesuaikan terhadap DF ≥ 0,90 CMINDDF Kesesuaian antara data dan model ≤ 2,00 TLI Pembandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sampel dan kerumitan model ≥ 0,94 Sumber : Hair et.al., 1998 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 52

1. X2 CHI SQUARE STATISTIK

Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio chi-square ini bersifat sangat sensitif terhadap besarnya sample yang digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik chi-square ini harus didampingi oleh alat uji lain. Model yang diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X 2 semakin baik model itu. Karena tujuan analisis adalah yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang kecil dan signifikan. X2 bersifat sangat sensitif terhadap besarnya sample yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan chi-square hanya sesuai bila ukuran sampel antara 100-200. Bila ukuran luar tentang itu, uji signifikan akan menjadi kurang reliable. Oleh karena itu pengujian ini perlu dilengkapi dengan uji yang lain. 2. RMSEA-THE ROOT MEAN SQUARE ERROR OF APPROXIMATION RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA menunjukkan goodness-of-fit yang dapat diharapkan bila model dietimasi dalam populasi. Nilai RMSEA yang kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya degress of freedom. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 53 3. GFI-GOODNES OF FIT INDEKS DFI adalah analog dari R dalam regresi berganda. Indeks keseusian ini akan menghitung proporsi tertimbang dari varians dalam matriks kiovarians sampel yang dijelaskan oleh kovarians matriks populasi yang terestimasi. GFI adalah sebuah ukuran non-statistika yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. GFI yang diharapkan sebesar 0,90. 4. AGFI – ADJUST GOODNES OF FIT INDEX Adalah analog dari R dalam regresi berganda, fit index ini dapat diadjust terhadap degress of freedom yang tersedia untuk mengaji diterima tidaknya model AGFI –1 – 1 – GFI dbD Dimana : moment - sampel - jumlah Pg db G 1     g d=degress-of-freedom 5. CMINDF Sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMNIDF tidak lain adalah statistik chi-square, X 2 dibagi Dfnya sehingga disebut X 2 reltif. Nilai X 2 relatif kurang dari 2,0 atau bahkan kurang dari 3,0 dalah indikasi dari acceptable fit antara model dan data. Nilai X 2 relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan disestimasi. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 54 6. TLI – TUCKER LEWIS INDEKS TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0,95 dan nilai yang mendekati 1 menunjukkan avery good fit. Index ini diperoleh dengan rumus : 1 db db d c db cb TLI    Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebeasnya. Sementara Cb dan db adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. 7. CFI-COMPERATIF FIT INDEX Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mendidentifikasikan tingkat fit yang paling tinggi avery good fit. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Non centrality Indeks RNI. Indekx ini diperoleh dengan rumus : db - Cb d - C - 1 RNI CFI   Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Smeentara cb dan db adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 54

BAB IV HASIL DAN PEMBAHASAN