58
statistik untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak
normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58.
Hasil pengujian Normalitas pada penelitian ini akan ditampilkan pada tabel berikut :
Tabel 4.11 Hasil Pengujian Normalitas
Variable min
max kurtosis
c.r. y22
4,000 7,000
-,862 -1,862
y21 4,000
7,000 ,200
,432 y12
4,000 7,000
-,422 -,911
y11 4,000
7,000 -1,061
-2,292 x51
4,000 7,000
-,378 -,816
x52 4,000
7,000 -,090
-,194 x43
4,000 7,000
-,408 -,882
x41 4,000
7,000 -,262
-,566 x42
4,000 7,000
-,856 -1,850
x31 4,000
7,000 -,321
-,694 x32
5,000 7,000
-1,085 -2,345
x21 4,000
7,000 -1,141
-2,464 x22
4,000 7,000
-1,005 -2,172
x11 4,000
7,000 -,282
-,608 x12
3,000 7,000
,909 1,964
x13 4,000
6,000 -,786
-1,698 x14
4,000 7,000
-1,113 -2,404
x15 3,000
7,000 ,529
1,143 Multivariate
-8,786 -1,733
Sumber : lampiran 3
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas terpenuhi.
59
4.3.2 Evaluasi atas Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik
yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau
variabel kombinasi Hair,1998. Multivariate outlier
diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [
χ2] pada df sebesar jumlah variabel bebasnya df = 20. Ketentuan : bila Mahalanobis dari
nilai χ2 adalah multivariate outlier. Pada penelitian ini terdapat outlier
apabila nilai Mahalanobis distancenya 42,312. Untuk lebih memperjelas uraian mengenai evaluasi outlier
multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate :
Tabel 4.12 Hasil Pengujian Outlier Multivariate
Re sidu als Sta tistics
a
20,33 101,90
56,50 16,749
112 -2, 159
2,711 ,000
1,000 112
9,094 16,611
12,432 1,486
112 18,28
102,86 56,73
17,716 112
-58,405 60,923
,000 27,823
112 -1, 921
2,004 ,000
,915 112
-2, 111 2,163
-,003 1,008
112 -71,730
71,278 -,234
33,809 112
-2, 152 2,207
-,003 1,016
112 8,945
32,158 17,839
4,545 112
,000 ,066
,012 ,015
112 ,081
,290 ,161
,041 112
Predic ted V alue St d. P redic ted Value
St andard E rror of Predic ted V alue
Adjust ed P redicted Value Residual
St d. Residual St ud. Residual
Deleted Residual St ud. Deleted Residual
Mahal. Dis tanc e Cooks Dis tanc e
Centered Leverage Value Minimum
Maximum Mean
St d. Deviat ion N
Dependent Variable: no a.
Sumber : lampiran 4
60
Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 32,158 lebih kecil dari 42,312. Oleh karena itu
diputuskan dalam penelitian tidak terdapat outlier multivariate antar
variabel. 4.3.3 Deteksi
Multicollinierity dan Singularity
Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil,
maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1998.
Berdasarkan hasil pengujian dengan menggunakan program AMOS 4.0 diperoleh hasil Determinant of Sample Covariance Matrix adalah 0
yaitu sebesar 15,152 mengindikasikan tidak terjadi multikolinieritas dan
singularitas dalam data ini sehingga asumsi terpenuhi. 4.3.4 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.
