Pengujian Normalitas Data Analisis Structural Equation Model

83 Tabel 4.8 Hasil Uji Normalitas Data Variable Min Max Skew C.R. Kurtosis C.R. KK4 1,000 5,000 -0,169 -0,772 -0,914 -2,086 KK3 1,000 5,000 0,213 0,974 -1,194 -2,424 KK2 2,000 5,000 0,069 0,316 -0,874 -1,995 KK1 2,000 5,000 -0,536 -2,447 0,379 0,864 LO4 1,000 5,000 -0,173 -0,790 0,117 0,267 LO3 1,000 5,000 0,098 0,446 -0,947 -2,162 LO2 1,000 5,000 0,248 1,133 -0,760 -1,735 LO1 1,000 5,000 0,148 0,676 -0,312 -0,712 VS1 1,000 5,000 -0,045 -0,205 -0,431 -0,983 VS2 1,000 5,000 -0,286 -1,304 -0,229 -0,523 VS3 1,000 5,000 -0,252 -1,148 -0,628 -1,434 VS4 1,000 5,000 -0,119 -0,545 -0,841 -1,919 VS5 1,000 5,000 -0,029 -0,133 -0,630 -1,438 HR1 1,000 5,000 -0,204 -0,930 -0,136 -0,310 HR2 1,000 5,000 0,355 1,618 -0,346 -0,790 HR3 2,000 5,000 0,452 2,061 -0,696 -1,589 HR4 1,000 5,000 0,340 1,554 -0,314 -0,717 HR5 1,000 5,000 -0,219 -1,001 -0,663 -1,512 AL1 2,000 5,000 -0,105 -0,481 -0,837 -1,909 AL2 2,000 5,000 -0,199 -0,909 -0,679 -1,549 AL3 1,000 5,000 -0,230 -1,048 0,035 0,081 AL4 2,000 5,000 -0,472 -2,155 -0,148 -0,338 AL5 1,000 5,000 -0,349 -1,591 -0,354 -0,807 AL6 1,000 5,000 -0,107 -0,489 -0,876 -2,000 AL7 2,000 5,000 -0,201 -0,916 -0,933 -2,129 Sumber: data diolah 2015 Berdasarkan tabel di atas, dapat dilihat bahwa tidak ada nilai pada kolom C.R. yang lebih besar dari 2,58 atau lebih kecil dari -2,58. Angka-angka yang tersaji dari hasil uji normalitas data memberi makna bahwa semua item pertanyaan pada penelitian ini memenuhi asumsi sebaran normal sehingga analisis statistik dapat memakai pendekatan parametrik. 84

5. Pengujian Outliers

Pengujian outliers pencilan bertujuan untuk menilai kewajaran data. Dikatakan sebagai wajar apabila tidak ada data yang menyimpang sangat jauh dari yang lainnya. Outliers dapat dideteksi dengan melihat jarak mahalanobis untuk tiap-tiap observasi. Jarak mahalanobis ini akan dibandingkan dengan nilai Chi-Square table di mana derajat bebasnya adalah jumlah variabelnya. Data yang memiliki jarak mahalanobis lebih besar dari nilai Chi-Square table menjadi outliers. Hasil pengujian outliers model dapat dilihat pada tabel 4.9 berikut: Tabel 4.9 Hasil Pengujian Outliers Observation number Mahalanobis d-squared p1 p2 26 51.784 .001 .148 119 48.575 .003 .061 116 46.830 .005 .027 123 45.390 .008 .015 98 44.634 .009 .006 43 43.404 .013 .005 94 38.954 .037 .186 50 38.588 .040 .136 80 38.139 .045 .110 90 37.596 .051 .103 83 36.358 .066 .208 79 35.824 .074 .219 49 35.740 .076 .151 115 35.399 .081 .138 59 34.441 .099 .252 5 33.958 .109 .284 24 33.514 .119 .313 60 33.366 .122 .264 70 33.284 .124 .206 105 33.166 .127 .164 42 32.942 .133 .150 97 32.912 .133 .104 11 32.556 .143 .118 85 Tabel 4.9 Hasil Pengujian Outliers