Variabel Perceived Usefulness PU

2. Asumsi Outliers

Analisis terhadap outliers dapat dievaluasi dengan dua cara yaitu pada Univariate Outliers dan Multivariate Outliers. Penelitian ini menggunakan Multivariate Outlier dengan menghilangkan sejumlah data multivariate yang menggunakan kriteria Jarak Mahalanobis Mahalanobis Distance Squared yang dapat meningkatkan normalitas data, khususnya nilai kurtosis. Jarak Mahalanobis dievalusi pada tingkat signifikansi P 0,001 dengan menggunakan chi-square � 2 pada derajat bebas sebesar jumlah variabel indikator yang digunakan dalam penelitian. Jumlah variabel manives yang digunakan dalam penelitian ini adalah sebanyak 81, dengan melihat angka tabel � 2 81, 0.05 maka didapatkan Jarak Kritis Mahalanobis yaitu sebesar 103.010. Tabel 25. Uji Outlier Mahalanobis Distance Observations farthest from the centroid Mahalanobis distance Group number 1 Observation number d-squared p1 p2 118 97,031 ,000 ,002 32 92,149 ,000 ,000 1 91,259 ,000 ,000 - - - - - - - - - - - - 25 34,636 ,868 1,000 Sumber : Output Amos 18,0 tahun 2016. Lampiran 14 hal. 205 Suatu data dikatakan outliers apabila memiliki jarak Mahalanobis 103.010. Dari output AMOS 18,0 dengan metode SEM diperoleh tabel di atas nilai d-squared menunjukkan tidak lebih dari batas kritis Mahalanobis yaitu keseluruhan nilai d-squared 103.010. Dapat disimpulkan bahwa tidak terjadi outliers multivariate pada data penelitian ini.

3. Asumsi Normalitas

Pengujian normalitas dilakukan dengan mengamati nilai data yang digunakan, apabila nilai CR pada skewness dan CR kurtosis data berada pada rentang antara ± 2,58 pada tingkat signifikansi 0,05. Hasil analisis SEM pengujian normalitas data diperoleh output AMOS 18,0 sebagai berikut: Tabel 26. Normalitas Data Assessment of normality Group number 1 Variable min max skew

c.r. kurtosis

c.r.

ISU6 2,000 4,000 ,228 1,117 -,715 -1,752 ISU5 2,000 4,000 ,126 ,618 -,662 -1,621 ISU4 2,000 4,000 ,186 ,911 -,995 -2,438 ISU3 2,000 4,000 ,266 1,302 -,907 -2,222 ISU2 2,000 4,000 ,254 1,242 -,677 -1,659 ISU1 2,000 4,000 ,152 ,744 -,813 -1,991 PU1 2,000 4,000 ,293 1,433 -,872 -2,137 PU2 2,000 4,000 ,094 ,460 -,423 -1,037 PU3 1,000 4,000 -,074 -,362 1,266 -3,100 PU7 2,000 4,000 ,401 1,963 ,217 ,532 PU8 2,000 4,000 ,344 1,686 -,252 -,617 PU9 2,000 4,000 ,382 1,874 -,439 -1,075 PU10 2,000 4,000 ,054 ,263 -,746 -1,827 PU11 2,000 4,000 ,515 2,522 -,859 -2,104 PU12 2,000 4,000 ,374 1,831 -,751 -1,840 PEOU12 2,000 4,000 ,541 -2,651 -,417 -1,021 PEOU10 1,000 4,000 -,178 -,873 1,122 -2,748 PEOU6 2,000 4,000 ,364 1,785 ,392 ,961 PEOU4 2,000 4,000 ,636 -3,113 -,626 -1,532 PEOU3 2,000 4,000 ,239 1,171 -,939 -2,300 PEOU2 2,000 4,000 ,084 ,413 -,568 -1,392 PEOU1 2,000 4,000 -,106 -,517 -,670 -1,642 SQ7 2,000 4,000 ,081 ,396 -1,079 -2,642 Variable min max skew

c.r. kurtosis

c.r.

SQ8 2,000 4,000 ,006 ,030 -,558 -1,367 SQ5 2,000 4,000 -,020 -,097 -,505 -1,238 SQ6 2,000 4,000 ,102 ,500 -,692 -1,696 SQ3 2,000 4,000 ,123 ,602 ,279 ,683 SQ4 2,000 4,000 ,465 2,279 ,502 1,229 SN8 2,000 4,000 ,025 ,125 -,925 -2,265 SN9 2,000 4,000 -,019 -,094 -,808 -1,978 SN10 2,000 4,000 ,344 1,686 -,252 -,617 SN5 1,000 4,000 -,133 -,649 1,083 -2,652 SN6 2,000 4,000 ,555 -2,720 -1,213 -2,972 SN7 2,000 4,000 ,081 ,396 -1,079 -2,642 SN1 2,000 4,000 ,285 1,394 ,065 ,160 SN2 1,000 4,000 -,271 -1,328 ,783 1,919 SN3 2,000 4,000 -,060 -,296 -,495 -1,213 SN4 2,000 4,000 ,038 ,187 -,628 -1,539 CSE1 2,000 4,000 -,050 -,246 -,965 -2,363 CSE3 2,000 4,000 -,201 -,986 -,589 -1,442 CSE4 2,000 4,000 -,143 -,700 -,589 -1,442 CSE5 1,000 4,000 -,605 -2,961 ,660 1,615 CSE6 2,000 4,000 -,040 -,196 -,466 -1,141 CSE7 2,000 4,000 ,039 ,193 -,323 -,792 CSE9 2,000 4,000 -,130 -,637 -,494 -1,209 Multivariate 407,042 37,551 Sumber : Output Amos 18,0 tahun 2016. Nilai CR merupakan nilai kritis atau nilai batas sebuah data dinyatakan normal. Data yang memiliki distribusi normal apabila nilai CR skewness maupun CR kurtosis secara absolut bernilai lebih kecil dari 2,58. Berdasarkan analisis data pengujian normalitas di atas dapat disimpulkan bahwa nilai CR skewness dan CR kurtosis memenuhi nilai 2,58. Maka, terbukti bahwa data berdistribusi normal.

4. Evaluasi Kriteria Goodness of Fit GOF

Untuk melihat apakah model pada setiap konstruk variabel yang dikembangkan dalam penelitian ini baik atau buruk dalam menjawab hipotesis, perlu dilakukan uji kelayakan dengan hasil yang ditampilkan di bawah ini: Tabel 27. Hasil Uji Kelayakan SEM Konstruk Computer Self Efficacy terhadap Perceived Ease of Use dan Perceived Usefulness Goodness of Fit Index Cut of Value Hasil Sebelum Modifikasi Hasil Setelah Modifikasi Evaluasi � 2 Chi Square Probability GFI AGFI RMSEA TLI CFI CMINDF Diharapkan kecil ≥ 0,05 ≥ 0,90 ≥ 0,90 ≤ 0,08 ≥ 0,90 ≥ 0,90 ≤ 2,00 480,373 0,000 0,798 0,747 0,091 0,849 0,869 2,184 220,221 0,133 0,885 0,840 0,028 0,986 0,989 1,112 Good Fit Marginal Marginal Good Fit Good Fit Good Fit Good Fit Sumber : Data diolah 2016. Tabel 28. Hasil Uji Kelayakan SEM Konstruk Subjective Norm terhadap Perceived Ease of Use dan Perceived Usefulness Goodness of Fit Index Cut of Value Hasil Sebelum Modifikasi Hasil Setelah Modifikasi Evaluasi � 2 Chi Square Probability GFI AGFI RMSEA TLI CFI CMINDF Diharapkan kecil ≥ 0,05 ≥ 0,90 ≥ 0,90 ≤ 0,08 ≥ 0,90 ≥ 0,90 ≤ 2,00 626,365 0,000 0,779 0,731 0,090 0,817 0,837 2,167 303,769 0,055 0,866 0,824 0,032 0,978 0,982 1,142 Good Fit Marginal Marginal Good Fit Good Fit Good Fit Good Fit Sumber : Data diolah 2016.