4.5 Menilai Problem Identifikasi
Dalam operasi program AMOS 16.0 problem identifikasi akan diatasi langsung oleh program. Bila estimasi tidak dapat dilakukan, program akan
memberikan pesan pada monitor komputer mengenai kemungkinan sebab-sebab mengapa program tidak dapat melakukan estimasi. Selama dilakukan pengolahan
data dengan program AMOS 16.0 tidak menemukan pesan pada monitor komputer yang menunjukkan adanya problem identifikasi. Dengan demikian tidak
ada problem identifikasi.
4.5.1 Evaluasi Model
a. Ukuran Sampel
Analisis SEM menghendaki sampel minimum sebesar 100. Responden yang menjadi sampel dalam penelitian ini berjumlah 100, yang berarti asumsi untuk
ukuran sampel telah terpenuhi.
b. Asumsi Normalitas dan Linieritas
Pengujian normalitas data dilakukan dengan mengamati nilai kritis c.r multivariate hasil pengujian assessment of normality dari program AMOS
16.0 Jika c.r multivariate berada dalam selang –2,58 hingga 2,58, maka dapat dikategorikan distribusi data normal. Hasil analisis menunjukkan c.r
multivariate sebesar -0,343 yang berada di dalam selang –2,58 hingga 2,58, hal ini menunjukkan data berdistribusi normal sehingga asumsi normalitas
terpenuhi di lihat pada lampiran 5. Sedangkan untuk asumsi linieritas, apabila datanya banyak 100 maka asumsi linieritas terpenuhi.
c. Evaluasi atas Outliers
1. Univariate Outliers
Evaluasi atas univariate outliers dievaluasi menggunakan program SPSS 15.0 yaitu dengan mengamati nilai z-score. Jika dari hasil pengamatan
terdapat indikator yang memiliki nilai z-score di luar range atau selang –3 z-score 3, maka mengindikasikan indikator tersebut mengandung
univariate outliers sehingga tidak diikutsertakan dalam analisis selanjutnya. Pada lampiran 4, hasil deskriptif nilai z-score, diketahui
terdapat univariate outliers pada indikator x1.7.2 dan y2.1. Setelah diperiksa, terdapat 1 sampel yang merupakan univariate outliers yaitu
responden nomor 10. Untuk memperbaiki model, satu responden tersebut harus dihilangkan.
2. Multivariates Outliers
Evaluasi atas multivariate outliers dapat dilihat dari angka-angka jarak mahalonobis mahalonobis distance yang dihasilkan program AMOS
16.0 Bila mahalonobis d-squared ada yang lebih besar dari nilai chi- square pada df = jumlah indikator dan tingkat signifikansi 0,001, maka
data tersebut menunjukkan adanya multivariate outliers. Dari hasil perhitungan diperoleh nilai chi-square 32; 0,001 = 50,756, sedangkan
nilai mahalonobis d-squared yang tertinggi adalah 45,276, sehingga dapat
disimpulkan tidak terdapat multivariate outliers. lihat lampiran 5. d. Multicollinierity dan Singularity
Multicollinierity dan singularity dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely
small memberi indikasi adanya problem multicollinierity dan singularity.
Pada program AMOS 16.0 telah menyediakan fasilitas “Warning” apabila
terdapat indikasi multicollinierity dan singularity. Dalam proses analisis tidak
ditemukan adanya “Warning”, sehingga disimpulkan tidak terdapat problem
multikolinierity dan singularity, dengan demikian asumsi non multicollinierity dan non singularity terpenuhi.
e. Evaluasi Atas Kriteria Goodness of Fit