3.6.2. Asumsi Structural Equation Modeling 3.6.2.1. Uji Outlier Multivariate
Outliers adalah observasi atau data yang memiliki karakteristik untuk yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan
muncul dalam bentuk nilai-nilai ekstrim baik untuk variabel tunggal atau variabel kombinasi Hair dkk, 1995 dalam Ferdinand.
Jarak Mahalanobis The Mahalanobis distance untuk tiap-tiap observasi dari rata-rata semua variabel dalam sebuah ruang
multidimensional Hair dkk, 1995, Norusis, 1994, Tabanic Fidel, 1996 dalam Ferdinand, 2005. Uji terhadap outliers multivariate dilakukan
dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0.001. Jarak Mahalanobis itu dievaluasi dengan menggunakan
X
2 tabel
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian
itu. Dan apabila jarak Mahalanobis lebih besar dari nilai
X
2 tabel
adalah Outliers Multivariate.
3.6.2.2. Uji Normalitas Data
Untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah dengan menggunakan uji critical ratio dari swekness dan
kurtosis dengan ketentuan sebagai berikut :
Kriteria pengujian Pedoman dalam mengambil keputusan apakah sebuah distribusi data
mengikuti distribusi normal adalah :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
a. Jika nilai critical yang diperoleh melebihi rentang ± 2,58 maka distribusi adalah tidak normal.
b. Jika nilai critical yang diperoleh berada pada rentang ± 2,58 maka
distribusi adalah normal.
3.6.3. Uji Model Struktural
Model SEM Struktural Equation Modeling pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau
model pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural Model
adalah model mengenai struktur hubungan yang membentuk atau
menjelaskan kausalitas antara faktor Ferdinand, 2005. Untuk membuat model yang lengkap perlu melakukan beberapa
langkah berikut ini : a. Pengembangan model berbasis teori
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai
justifikasi teoritis yang kuat, setelah itu model tersebut divalidasi secara empirik melalui program SEM.
b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada
langkah pertama akan digambarkan dalam sebuah path diagram. Path
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
diagram tersebut akan memudahkan peneliti melihat hubungan- hubungan kausalitas yang ingin diujinya.
c. Konservasi diagram alur ke dalam persamaan Setelah teori atau model dikembangkan dan digambarkan dalam
sebuah diagram alur, spesifikasi model dikonversikan ke dalam rangkaian persamaan.
d. Memilih matriks input dan estimasi model Perbedaaan SEM dengan multivariate lainnya adalah dalam input
data yang akan digunakan dalam permodelan dan estimasinya. SEM hanya menggunakan matriks variankovarian atau matriks korelasi
sebagai data input untuk keseluruhan estimasi yang dilakukannya. e. Menilai Problem Identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan
estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
- Standard error untuk satu atau beberapa koefisien adalah sangat besar.
- Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
- Muncul angka-angka yang aneh seperti adanya varian error yang negatif.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
- Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9.
f. Evaluasi model Pada langkah ini kesesuaian model dievaluasi , melalui telaah
terhadap berbagai kriteria Goodness of Fit. Kriteria-kriteria tersebut adalah :
- Ukuran sampel yang digunakan adalah minimal 100 dengan perbandingan 5 observasi untuk setiap estimated parameter.
- Normalitas dan linearitas. - Outliers
- Multicolinierity dan singularity
3.6.4. Uji Hipotesis
