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