Asumsi Kecukupan Sampel Asumsi Normalitas Asumsi Outliers Estimasi dan Pengujian M odel

 st andarized loading 2 Const ruct Reliabilit y =  st andarized loading 2 +  j St andardized loading diperoleh dari out put AM OS 4.01, dengan melihat nilai st andardized regression w eight masing- masing konst ruk t erhadap indikat ornya. Sedangkan  j dihit ung dengan formula:  j = 1 – st andardized loading 2 . 3.3.2. Estimasi Lambda dan Error Term Dalam penelit ian ini masing- masing konst ruk diukur dengan lebih dari sat u it em at au indikat or, dikombinasikan ke dalam sat u indikat or t unggal skor komposit . Ini dit empuh dengan pert im- bangan ukuran sampel yang relat if kecil sementara it em yang digunakan relat if besar. Dengan demikian akan mengha- silkan rasio jumlah sampel dan paramet er yang diest imasi pada bat asan yang dapat dit erima, karena jumlah paramet er yang diest imasi menjadi berkurang Purw ant o, 2002. Indikat or t unggal t ersebut diperoleh dari skor rat a-rat a masing-masing konst ruk. Indikat or t unggal yang merepre- sent asikan konst ruk lat en t ersebut berasal dari skala mult iple-it em. Jadi dengan indikat or t unggal t ersebut diasumsikan t idak mungkin mengukur secara sempurna suat u konst ruk dan past i mengandung unsur kesalahan. Oleh karena it u, relia- bilit as error t erm dan lambda pengukuran perlu diest imasi. Dalam penelit ian ini error t erm pengukuran diest imasi dari 1-  x  2 , sedangkan lambda =  ½ x  How ell, 1987 dalam Purw ant o, 2002. Dimana  2 dan  bert urut -t urut adalah varians dan st andar deviasi dari indikat or t unggal t ersebut .

3.3.3. Estimasi dan Pengujian M odel

Struktural Ada beberapa hal yang harus dilakukan sebelum melakukan pengujian model st rukt ural dengan pendekat an t w o st ep approach t o SEM yait u:

3.3.3.1. Asumsi Kecukupan Sampel

Teknik analisis dengan pendekat an st ruct ural equat ion modeling mensya- rat kan jumlah sampel minimum sebesar 100 sampel at au 5 kali jumlah paramet er yang diest imasi Hair et .al. 1998.

3.3.3.2. Asumsi Normalitas

Dalam SEM t erut ama bila diest i- masi dengan t eknik maximum likelihood mensyarat kan sebaiknya asumsi nor malit as pada dat a dipenuhi Hair et .al., 1998. Nilai st at ist ik unt uk menguji normalit as disebut z value Crit ical Rat io at au C.R pada out put AM OS 4.01 dari ukuran kurt osis sebaran dat a. Bila nilai C.R lebih besar dari nilai krit is maka dapat diduga bahw a dist ribusi dat a t idak normal. Nilai krit is dapat dit en- t ukan berdasarkan t ingkat signifikansi 1 yait u sebesar  2.58 Hair et .al., 1998.

3.3.3.3. Asumsi Outliers

Out lier adalah dat a yang memiliki karakt erist ik unik yang t erlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bent uk nilai ekst rim baik unt uk variabel t unggal maupun variabel kombinasi Hair et .al., 1998. Dalam analisis mult ivariate adanya out lier dapat diuji dengan st at st ik chi square  2 t erhadap nilai mahalanobis dist ance squared pada t ingkat signifikansi 0.001 dengan degree of freedom sejumlah konst ruk yang digunakan dalam penelit ian Hair et al., 1998. Bila t erdapat observasi yang mempunyai nilai mahalanobis dist ance squared yang lebih besar dari chi square  2 maka observasi t ersebut dikeluarkan dari analisis.

3.3.3.4. Estimasi dan Pengujian M odel

Struktural Set elah persyaratan asumsi jumlah minimum sampel, normalit as dat a dan uji out liers t erpenuhi, berikut nya dapat dila- kukan est imasi t erhadap st ruct ural model unt uk menganalisis hubungan antar konst ruk dalam model yang diajukan dalam hal ini menguji hipot esis yang t elah disusun dan diajukan.

3.3.3.5. Goodness of Fit Test