Evaluasi Asumsi Kecukupan Sampel.

79 Tabel 4.8 Evaluasi Univariate Outlier N Minimum Maximum Mean Std. Deviation ZscoreKP1 162 -3,35469 1,11210 ,0000000 1,00000000 ZscoreKP2 162 -1,93441 1,31299 ,0000000 1,00000000 ZscoreKP3 162 -3,11393 1,31113 ,0000000 1,00000000 ZscoreKP4 162 -1,69216 1,49540 ,0000000 1,00000000 ZscoreKE1 162 -2,99782 1,55512 ,0000000 1,00000000 ZscoreKE2 162 -2,37312 1,39595 ,0000000 1,00000000 ZscoreKE3 162 -2,65808 1,57742 ,0000000 1,00000000 ZscoreKE4 162 -2,59272 1,64992 ,0000000 1,00000000 ZscoreCM1 162 -2,89346 1,47369 ,0000000 1,00000000 ZscoreCM2 162 -3,24086 1,27220 ,0000000 1,00000000 ZscoreCM3 162 -1,73966 1,46290 ,0000000 1,00000000 ZscoreCM4 162 -3,32767 1,55828 ,0000000 1,00000000 ZscoreSM1 162 -2,07233 1,33597 ,0000000 1,00000000 ZscoreSM2 162 -1,81773 1,24969 ,0000000 1,00000000 ZscoreSM3 162 -2,92785 1,24498 ,0000000 1,00000000 ZscoreSM4 162 -1,79361 1,47116 ,0000000 1,00000000 Valid N listwise 162 Sumber: Output PASW Statistics 18 Deteksi terhadap multivariate outlier dapat dilakukan dengan memperhatikan nilai Mahalanobis Distance, dengan kriteria yang digunakan adalah berdasarkan nilai Chi-Suares pada derajat kebebasan degree of freedom yaitu jumlah indikator pada tingkat signifikansi P 0,001 Ghazali, 2008: 228. 80 Maka kriteria yang dipakai untuk deteksi multivariate outlier pada penelitian ini adalah nilai Chi-Squares dengan 16 indikator pada tingkat signifikansi P 0,001 yaitu 16, 0.001 = 39,252. Hal ini berarti nilai mahalonobis distance lebih besar dari nilai 39,252 adalah multivariate outlier. Berikut Tabel 4.9 yang digunakan untuk mendeteksi multivariate outlier dalam penelitian ini: Tabel 4.9 Mahalanobis Distance Observation number Mahalanobis d-squared p1 p2 119 34,332 ,005 ,549 161 31,982 ,010 ,485 136 30,801 ,014 ,408 112 30,747 ,014 ,209 57 29,987 ,018 ,171 37 29,827 ,019 ,089 117 27,416 ,037 ,395 80 25,947 ,055 ,668 87 25,021 ,069 ,799 147 24,221 ,085 ,888 60 24,068 ,088 ,853 35 23,955 ,090 ,804 31 23,779 ,094 ,769 20 22,926 ,116 ,906 22 22,922 ,116 ,854