UJI ASUMSI MODEL

C. UJI ASUMSI MODEL

1. Asumsi Kecukupan Sampel

Jumlah responden dalam penelitian ini adalah sebanyak 200 responden. Jumlah sampel tersebut merupakan responden yang memenuhi syarat dalam menjawab kuesioner yang diberikan. Jumlah tersebut juga dinilai memenuhi, karena jumlah sampel minimal bagi penelitian yang menggunakan alat statistik Structural Equation Modelling (SEM) dengan prosedur Maximum Likehood Estimation (MLE) yaitu sebesar 5-10 observasi untuk setiap parameter yang diestimasi atau 100-200 responden.

Syarat yang harus dipenuhi selain kecukupan sampel dalam mengunakan analisis SEM yaitu normalitas data. Nilai statistik untuk menguji normalitas menggunakan z-value (Critical Ratio atau C.R pada output Amos 16.0) dari nilai skewness dan kurtosis sebaran data. Bila nilai C.R lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data tidak normal. Nilai kritis untuk C.R dari skewness dan nilai C.R kurtosis di bawah ± 2,58.

Normalitas univariate dan multivariate terhadap data yang digunakan dalam analisis ini diuji dengan menggunakan AMOS 16.0. Hasilnya adalah seperti yang ditampilkan pada tabel 16 berikut ini:

Tabel 16. Hasil Uji Normalitas

Variable

min

max skew

c.r. kurtosis c.r. KP6

1,000 4,000 -0,195 -1,129

-0,054 -0,155 KP5

1,000 4,000 -0,455 -2,627

0,029 0,083 KP4

1,000 4,000 -0,490 -2,828

0,239 0,690 KP3

1,000 4,000 -0,507 -2,925

0,601 1,736 KP2

1,000 4,000 -0,425 -2,455

0,337 0,973 KP1

1,000 4,000 -0,425 -2,454

0,315 0,909 KK1

1,000 4,000 -0,731 -4,221

0,891 2,571 KK2

1,000 4,000 -0,787 -4,546

1,656 4,780 KK3

1,000 4,000 -0,550 -3,175

0,617 1,781 KK4

1,000 4,000 -0,730 -4,215

0,796 2,299 KK5

1,000 4,000 -0,164 -0,949

0,470 1,357 KK6

1,000 4,000 -0,589 -3,400

0,451 1,301 KL6

1,000 4,000 -0,535 -3,088

0,220 0,636 KL5

1,000 4,000 -0,357 -2,062

-0,075 -0,218 KL4

1,000 4,000 -0,743 -4,293

0,248 0,716 KL3

1,000 4,000 -0,665 -3,839

0,936 2,701 KL2

1,000 4,000 -0,731 -4,221

0,236 0,682 KL1

1,000 4,000 -0,503 -2,905

0,792 2,287 PP1

1,000 4,000 -0,264 -1,524

-0,600 -1,732 PP2

1,000 4,000 -0,299 -1,726

-0,301 -0,868 PP3

1,000 4,000 -0,573 -3,306

0,374 1,080 PP4

1,000 4,000 -0,480 -2,770

KH1

1,000 4,000 -0,057 -0,332

-0,994 -2,871 KR1

1,000 4,000 -0,441 -2,544

0,435 1,256 KR2

1,000 4,000 -0,561 -3,240

0,727 2,098 KR3

1,000 4,000 -0,172 -0,995

-0,177 -0,511 KR4

1,000 4,000 -0,473 -2,728

0,094 0,272 KR5

1,000 4,000 -0,711 -4,103

-0,016 -0,047 KR6

1,000 4,000 -0,305 -1,764

0,523 1,511 KR7

1,000 4,000 -0,626 -3,614

0,194 0,561 PH7

1,000 4,000 -0,332 -1,919

0,055 0,158 PH6

1,000 4,000 -.0209 -1,208

-0,067 -0,193 PH5

1,000 4,000 -.248 -1,434

0,062 0,178 PH4

1,000 4,000 -.0228 -1,317

0,075 0,217 PH3

1,000 4,000 -0,160 -0,924

-0,219 -0,631 PH2

1,000 4,000 -0,199 -1,151

-0,040 -0,114 PH1

1,000 4,000 -0,417 -2,410

0,374 1,078 Multivariate

Sumber : Data primer yang diolah, 2011.

Berdasarkan tabel 17 terlihat hasil pengujian normalitas data dalam

penelitian ini. Evaluasi normalitas diidentifikasi baik secara univariate maupun multivariate . Secara univariate untuk nilai-nilai dalam C.R kurtosis, sebagian item memiliki nilai diantara ± 2,58 dan sebagian tidak yang berarti bahwa secara univariate sebaran data dapat dianggap normal, sehingga dapat digunakan untuk estimasi pada analisis selanjutnya.

Data dalam penelitian ini terdistribusi moderat atau normalitas sedang secara multivariate dengan nilai C.R kurtosis 5,003 < 7 menurut Curran et al. Dikarenakan data secara univariate dapat dikatakan sudah normal, begitupun secara multivariate, sehingga pengujian outlier dalam penelitian ini tidak diperlukan, akan tetapi agar memberikan gambaran yang jelas mengenai sebaran data observasi maka dalam penelitian ini tetap dilakukan pengujian outlier. Adapun hasil pengujian outlier akan dibahas selanjutnya.

Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakteristik unik yang sangat berbeda dari observasi lainnya dan muncul dalam bentuk ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair et al, 1998 dalam Ferdinand, 2006:54). Dalam analisis

multivariate, adanya outlier dapat diuji dengan statisic chi square ( 2 ) terhadap

nilai mahalanobis distance squared pada tingkat signifikansi 0,001 dengan degree of freedom sejumlah variabel yang digunakan dalam penelitian.

Tabel 17. Hasil Pengujian Outlier

Observation number Mahalanobis d-squared

Sumber : Data primer yang diolah, 2011.

Berdasarkan tabel 17 dapat diketahui terdapat indikasi 13 nilai observasi yang mengalami outlier karena nilai p1 < 0,05, sedangkan dari 12 nilai observasi tersebut memiliki nilai p2 > 0,05. Sehingga dapat disimpulkan bahwa 1 nilai observasi tersebut mengalami outlier karena nilai p1 < 0,05 adan p2 < 0,5 yaitu pada Observation number 182 yang memiliki nilai p1 dan p2 < 0,05.