lxviii tidak terlalu terpengaruh robust terhadap data yang tidak normal Ghozali
dan Fuad, 2005 sehingga analisis selanjutnya masih dapat dilakukan.
2. Evaluasi Outliers
Outliers adalah observasi atas data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan
muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau variabel kombinasi Hair et al., dalam Ferdinand, 2002. Umumnya
perlakuan terhadap outliers adalah dengan mengeluarkannya dari data dan tidak diikutsertakan dalam perhitungan berikutnya. Menurut Ferdinand
2002, apabila tidak terdapat alasan khusus untuk mengeluarkan outliers, maka observasi dapat diikutsertakan dalam analisis selanjutnya.
Uji terhadap multivariate outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu
dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel indikator yang digunakan dalam penelitian Ferdinand, 2002. Jika
dalam penelitian ini digunakan 14 variabel indikator, semua kasus yang mempunyai Jarak Mahalanobis lebih besar dari
2
14, 0.001 = 36,12327 adalah multivariate outlier. Tabel IV.12 berikut menyajikan hasil evaluasi
Jarak Mahalanobis.
Tabel IV.12 Hasil Uji Asumsi
Outliers Nomor
Observasi Jarak Mahalanobis
Jarak Mahalanobis Kritis 14, 0.001
117 114
113 .
. 32,971
28,983 .
. 28,081
. Mahalanobis 36,12327
lxix .
17 8,756
Sumber: Data primer yang diolah.
Dari Tabel IV.12 terlihat bahwa tidak terdapat kasus yang dikategorikan sebagai outliers, karena semua observasi memiliki jarak mahalanobis
36,12327.
F. Uji Hipotesis
Teknik pengujian hipotesis digunakan untuk menguji hipotesis dan
menghasilkan suatu model yang baik. Untuk mengujinya digunakan Structural
Equation Modeling SEM dengan bantuan program AMOS 6.0.
1. Analisis Kesesuaian Model Goodness-of-Fit.
Sebelum melakukan teknik pengujian hipotesis, langkah yang pertama adalah menilai kesesuaian goodness of fit. Untuk mengujinya akan digunakan
Structural Equation Modeling SEM dengan bantuan program AMOS versi 6.0. Hasil dari nilai-nilai goodness of fit dapat dilihat pada tabel IV.13:
Tabel IV.13 Kriteria
Goodness of Fit Goodness of Fit
indeks Nilai yang Diharapkan
Hasil Evaluasi
x
2
- Chi Square Probabilitas
CMINdf GFI
AGFI TLI
CFI RMSEA
Diharapkan rendah 0,05
2 3 ≥ 0,90
≥ 0,90 ≥ 0,90
≥ 0,90 ≤ 0,08
90,501
0,081 1,240
0,900 0,856
0,968 0,974
0.045 -
Baik Baik
Baik Marginal
Baik Baik
Baik
Sumber: Data primer yang diolah
Tujuan analisis Chi-Square
2
adalah mengembangkan dan menguji model yang sesuai dengan data. Dalam pengujian ini nilai
2
yang rendah dan
lxx menghasilkan tingkat signifikansi lebih besar dari 0,05 akan mengindikasikan
tidak ada perbedaan yang signifikan antara matriks kovarian data dan matriks kovarian yang diestimasi. Chi-Square sangat sensitif terhadap ukuran sampel.
Nilai
2
pada penelitian ini sebesar 90,501 dengan probabilitas 0,081 menunjukkan bahwa model penelitian yang diajukan dapat diterima.
Normed Chi-Square CMINDF adalah ukuran yang diperoleh dari nilai Chi-Square dibagi dengan degree of freedom. Indeks ini merupakan indeks
kesesuaian parsimonious yang mengukur hubungan goodness-of-fit model dengan jumlah koefisien-koefisien estimasi yang diharapkan untuk mencapai
tingkat kesesuaian. Nilai CMINDF pada model ini adalah 1,240 menunjukkan bahwa model penelitian ini fit.
Goodness of Fit Index GFI mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang
diprediksi dibandingkan data yang sebenarnya. Nilai yang mendekati 1 mengisyaratkan model yang diuji memiliki kesesuaian yang baik. Dengan
tingkat penerimaan yang direkomendasikan 0,9, dapat disimpulkan bahwa
model memiliki tingkat kesesuaian yang baik dengan nilai GFI sebesar 0,900 Adjusted Goodness of Fit Index AGFI adalah GFI yang disesuaikan
dengan rasio antara degree of freedom dari model yang diusulkan dan degree of freedom dari null model. Nilai AGFI dalam model ini adalah 0,856
menunjukkan tingkat kesesuaian yang marginal. Tucker Lewis Index TLI merupakan alternatif incremental fit index yang
membandingkan model yang diuji dengan baseline model. TLI merupakan indeks kesesuaian model yang kurang dipengaruhi oleh ukuran sampel. Nilai
lxxi yang direkomendasikan
0,9, dapat disimpulkan bahwa model menunjukkan tingkat kesesuaian yang baik dengan nilai TLI sebesar 0,968.
Comparative Fit Index CFI adalah indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. Besaran indeks ini adalah
dalam rentang 0 sampai 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan untuk
dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Dengan memperhatikan nilai yang
direkomendasikan 0,9, maka nilai CFI sebesar 0,974 menunjukkan bahwa
model ini memiliki kesesuaian yang baik. The Root Mean Square Error of Approximation RMSEA adalah indeks
yang digunakan untuk mengkompensasi nilai Chi-Square dalam sampel yang besar. Nilai penerimaan yang direkomendasikan
0,08, maka nilai RMSEA sebesar 0,045 menunjukkan tingkat kesesuaian yang baik.
Berdasarkan keseluruhan pengukuran goodness-of-fit tersebut di atas mengindikasikan bahwa model yang diajukan dalam penelitian dapat diterima.
2. Analisis Koefisisen Jalur
