Berdasarkan tabel 4.21. Goodness of Fit Index dengan melakukan penambahan garis hubung menunjukkan bahwa model dapat dikatakan
relative fit. Hal ini dapat dilihat berdasarkan hasil goodness of fit indeks yang telah memenuhi syarat. Nilai GFI yang marginal yaitu sebesar 0,835.
Indeks lain TLI, CFI yang sudah lebih tinggi daripada yang disyaratkan yaitu nilai TLI sebesar 0,928 lebih tinggi dari nilai yang disyaratkan sebesar
0,9 dan CFI sebesar 0,945.
Tabel 4.22.
Output Loading Factor Menambah Garis Hubung
Keterangan Estimate
PKG1
PKG .874
PKG2
PKG .863
PKG3
PKG .787
PKG4
PKG .797
PKM6
PKM .725
PKM5
PKM .832
PKM4
PKM .843
PKM3
PKM .876
PKM2
PKM .863
PKM1
PKM .835
PR5
PR .832
PR4
PR .837
PR3
PR .789
PR2
PR .785
PR1
PR .687
KT2
KT .784
KT3
KT .988
MM2
MM .885
MM3
MM .836
Sumber: Data primer yang diolah dengan AMOS 22.0 Loading factor merupakan salah satu cara lain untuk mengetahui
apakah suatu dimensi-dimensi dapat membentuk variabel laten. Syarat
untuk memenuhi nilai loading factor adalah nilai masing-masing indikator harus lebih tinggi dari 0,50. Hasil uji output loading factor dengan
menambahkan garis hubung pada Tabel 4.22. menunjukkan bahwa untuk masing-masing indikator sudah mempunyai nilai loading factor lebih
tinggi dari yang disyaratkan yaitu 0,5. Untuk dapat melihat reliabel atau tidak suatu indikator pada konstruknya, maka uji reliabilitas selanjutnya
dilakukan dengan menghitung construc reliability.
c. Pengujian Evaluasi Asumsi Model Struktural
1 Uji Normalitas Data
Uji normalitas
data pada
penelitian ini
dilakukan menggunakan kriteria critical ratio value atau nilai c.r sebesar
±2,58 pada tingkat signifikan 0,01. Data dapat dikatakan berdistribusi normal jika mempunyai nilai critical ratio skewnees
value ±2,58 Ghozali 2014. Berdasarkan nilai critical ratio skewness value menunjukkan semua indikator menunjukkan
distribusi normal karena nilainya ±2,58. Hasil uji normalitas multivariate pada penelitian ini
memberikan nilai critical ratio sebesar 32,231. Oleh karena itu jika dilihat dari nilai critical ratio multivariate maka data dapat
dikatakan belum berdistribusi normal.
Tabel 4.23.
Output Assesement of Normality Menambah Garis Hubung
Variable min
max skew
c.r. kurtosis
c.r.
KT3 2.000
5.000 -.434
-1.98 .684
1.56 KT2
3.000 5.000
.020 .092
-.394 -.899
MM3 2.000
5.000 -.496
-2.26 -.109
-.249 MM2
2.000 5.000
-.501 -2.28
-.090 -.205
PR1 3.000
5.000 -.029
-.132 .374
.854 PR2
3.000 5.000
-.031 -.140
.031 .072
PR3 3.000
5.000 .018
.082 -.155
-.353 PR4
3.000 5.000
.042 .190
-.269 -.614
PR5 2.000
5.000 -.188
-.857 .047
.107 PKM1
2.000 5.000
-.232 -1.05
-.311 -.709
PKM2 2.000
5.000 -.119
-.542 -.322
-.734 PKM3
2.000 5.000
-.283 -1.29
.188 .430
PKM4 2.000
5.000 -.221
-1.01 .154
.351 PKM5
2.000 5.000
-.192 -.877
-.001 -.003
PKM6 2.000
5.000 -.416
-1.90 .387
.884 PKG4
3.000 5.000
.008 .036
-.092 -.209
PKG3 3.000
5.000 -.022
-.099 -.338
-.770 PKG2
3.000 5.000
-.024 -.108
-.217 -.495
PKG1 2.000
5.000 -.229
-1.04 -.038
-.088 Multivariate
162.874 32.231
Sumber: Data Primer yang diolah dengan AMOS 22.0
2 Evaluasi Outlier
Outlier merupakan kondisi observasi dari suatu data yang mempunyai karakteristik unik dan adanya nilai ekstrim yaitu yang
terlihat berbeda jauh dari observasi lainnya baik untuk sebuah variabel tunggal maupun variabel kombinasi Hair et.al 1998
dalam Ghozali 2014. Mendeteksi terhadap multivariate outliers dilakukan dengan cara melihat nilai mahalonibis distance. Kriteria
yang digunakan yaitu berdasarkan nilai chi-square pada drajat
kebebasan 130 yaitu jumlah indikator pada tingkat signifikan p0,005.
Nilai mahalonibis 130,0,005 = 155,405, hal ini
menunjukkan bahwa semua kasus yang mempunyai nilai mahalanobis distance 155,405 adalah multivariate outlier. Hasil
uji pada Tabel 4.24. menunjukkan bahwa tidak adanya nilai mahalobis distance yang melebihi 155,405 untuk masing-masing
indikator penelitian, maka dapat disimpulkan bahwa tidak ada outlier pada data secara multivariate.
Tabel 4.24.
Output Mahalonobis
Observation Number
Mahalonobis d-square p1
P2
97 20.609
.359 .016
95 20.571
.361 .011
80 20.071
.390 .039
73 19.429
.430 .148
111 18.059
.518 .780
59 17.852
.532 .817
124 17.458
.559 .907
Sumber: Data Primer yang diolah dengan AMOS 22.0 Pengujian univariate outliers dalam penelitian ini dilakukan
kembali dengan menggunakan alat bantu program SPSS 22.0. Berdasarkan hasil komputasi, pada Tabel 4.25. menunjukkan
bahwa nilai zscore data penelitian berkisar antara -2,84333 sampai dengan 1,99198, yang menunjukkan tidak ada nilai yang melebihi
nilai ≤ -3 atau ≥ 3. Hal ini mengindikasikan bahwa tidak terdapat
univariate outliers dalam data penelitian. Uji zscore pada penelitian dilakukan tiga kali tahap penyeleksian data. Pada uji ke-1 data yang
dikeluarkan adalah nomor 9, 70, 72, 82, 83, 101 dan 102 pada uji ke-2 data yang dikeluarkan nomor 1, 4, 7, 18 dan 19 sedangkan uji
ke-3 data yang dikeluarkan nomor 8 dan 48. Hasil uji zscore selengkapnya dapat dilihat pada lampiran ke-4.
Tabel 4.25.
Hasil Uji Outlier Univariate
Keterangan N
Minimum Maximum
ZscorePKG1 125
-2.84333 1.56266
ZscorePKG2 125
-1.79246 1.55168
ZscorePKG3 125
-1.69286 1.56264
ZscorePKG4 125
-1.58790 1.83429
ZscorePKM1 125
-2.23049 1.60636
ZscorePKM2 125
-2.53637 1.63529
ZscorePKM3 125
-2.73905 1.74629
ZscorePKM4 125
-2.86264 1.97290
ZscorePKM5 125
-2.64921 1.82581
ZscorePKM6 125
-2.70946 1.65126
ZscorePR1 125
-1.76221 1.90906
ZscorePR2 125
-1.56513 1.99198
ZscorePR3 125
-1.53785 1.86447
ZscorePR4 125
-1.48346 1.85767
ZscorePR5 125
-2.82804 1.74315
ZscoreKT1 125
-2.28802 1.34760
ZscoreKT2 125
-2.25172 1.41956
ZscoreKT3 125
-2.37265 1.33462
ZscoreMM1 125
-2.61916 1.54264
ZscoreMM2 125
-1.55792 1.66092
ZscoreMM3 125
-2.91544 1.77679
Valid N listwise 125
Sumber: Data Primer yang diolah dengan AMOS 22.0
3 Multikolinearitas atau Singularitas
Evaluasi asumsi multikolinearitas mempunyai tujuan untuk menguji apakah ditemukan adanya regresi korelasi antar variabel
bebas independen. Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi dapat dilakukan langkah
berikut Ghozali, 2014 : a Menganalisis matrik korelasi variabel-variabel bebas. Jika
antar variabel bebas ada korelasi yang cukup tinggi umumnya diatas 0,90, maka hal ini merupakan indikasi
adanya multikolinearitas. Namun Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih
variabel bebas.
b Multikolinearitas dapat juga dilihat dari 1 nilai tolerance dan kebalikannya 2 variance inflaction factor VIF.
Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya.
Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dijelaskan oleh variabel bebas lainnya.
Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi.
Nilai cut-off
yang umum
dipakai untuk
menunjukkan adanya
multikolinearitas adalah
nilai
tolerance 0,10 atau sama dengan nilai VIF 10.
Dari hasil analisis terlihat bahwa hasil perhitungan nilai tolerance menunjukkan tidak ada variabel yang memiliki nilai
tolerance 0,10 yang berarti tidak ada korelasi antar variabel bebas yang nilainya lebih dari 95. Hasil perhitungan nilai
