Jarak Mahalanobis The Mahalanobis Distance untuk tiap observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua
variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat dilakukan dengan me
nggunakan kriteria Jarak Mahalanobis pada tingkat ρ 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai χ²
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih besar dari
nilai χ²
Tabel
adalah Outlier Multivariat.
3.4.3 Uji Normalitas Data
Adapun metode yang bisa digunakan untuk dapat mengetahui apakah data tersebut berdistribusi normal atau berlawanan, artinya tidak berdistribusi
normal adalah menggunakan uji critical ratio dari Skewness dan Kurtosis dengan ketentuan sebagai berikut :
a. Jika nilai critical yang diperoleh melebihi rentang ± 2,58 maka distribusi
adalah tidak normal. b. Jika nilai critical yang diperoleh berada pada rentang ± 2,58 maka
distribusi adalah normal.
3.4.4. Analisi Path Dengan Menggunakan Pemodelan SEM Strutural Equation Modelling
Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari Measurement
Model dan Structural Model. Measurement Model
atau Model Pengukuran ditujukan untuk
mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator- indikator empirisnya.
Structural model adalah model mengenai struktur hubungan yang
membentuk atau menjelaskan kausalitas antara faktor. Ferdinand, 2002 : 34. Untuk membuat pemodelan yang lengkap beberapa langkah berikut ini
yang perlu dilakukan : a.
Pengembangan model berbasis teori. Langkah pertama dalam pengembangan model SEM adalah pencarian atau
pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui
program SEM. b.
Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah
pertama akan digambarkan ke dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan
kausalitas yang ingin diujinya. c.
Konversi diagram alur ke dalam persamaan. Setelah teori atau model dikembangkan dan digambarkan dalam sebuah
diagram alur, spesifikasi model dikonversikan ke dalam rangkaian persamaan.
d. Memilih Matriks Input dan Estimasi Model.
Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data yang akan digunakan dalam pemodelan atau estimasinya.
SEM hanya menggunakan matriks Varians atau Kovarians atau matriks korelasi sebagai input untuk keseluruhan estimasi yang dilakukannya.
e. Menilai Problem Identifikasi.
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan
estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
1. Standard error untuk satu atau beberapa koefisien sangat besar.
2. Program tidak mampu menghasilkan matrik informasi yang
seharusnya disajikan. 3.
Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang
didapat misalnya lebih dari 0,9. f.
Evaluasi Model. Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap
berbagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah : 1.
Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan dengan perbandingan 5 observasi untuk setiap astimated parameter.
2. Normalitas dan Linieritas.
3. Outliers.
4. Multicolinierity and Singularity.
3.4.5. Uji Hipotesis
