39
3.3.2. Pengumpulan Data
a. Kuesioner
Metode survey merupakan pengumpulan data primer melalui komunikasi tertulis dengan responden sebagai sampel indifidual yang representatif.
Melalui kuesioner akan diperoleh informasi yang relefen dengan penelitian dan sesuai dengan tujuan penelitian ini.
b. Wawancara
Data yang diperoleh dengan melakukan tanya jawab langsung dengan pihak-pihak yang berkepentingan yang dapat memberikan keterangan dan
data-data yang diperlukan.
3.4 Teknik Analisis Data dan Hipotesis
Teknik analisis data yang dipergunakan didalam penelitian ini adalah teknik Structural Equation Modeling SEM. SEM merupakan
sekumpulan teknik-teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. Ferdinand, 2002 ;
6. Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model
dan Structural Model. Measurement Model atau model pengukuran ditujukan untuk mengkonfirmasi sebuah dimensi atau faktor
berdasarkan indikator empirisnya.
3.4.1. Asumsi Model
3.4.1.1. Uji Normalitas dan Linearitas
40
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk
permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data dapat diuji dengan metode-metode statistik. Uji
normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel
digunakan sekaligus dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan
data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52.
3.4.1.2. Evaluasi atas Outlier
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena
kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat
muncul dalam 4 kategori : 1.
Outliers muncul karena kesalahan prosedur. 2.
Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain.
3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak
dapat mengetahui apa penyebabnya.
41
4. Outliers dapat muncul dalam mengenali yang ada, tetapi bila
dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier.
Perlakuan terhadap outliers dilakukan bergantung pada bagaimana outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua
cara yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers
. 1.
Univariate Outlier Deteksi terhadap adanya outlier univariate dapat dilakukan dengan
menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam
standart score atau yang biasa disebut Z-score yang mempunyai rata- rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau
observasi yang mempunyai Z-score 30 akan dikategorikan sebagai outliers.
2. Multivariate Outlier
Evaluasi terhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada
tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis
distance untuk tiap observasi dapat dihitung dan akan menunjukkan
jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair dkk, 1995 : Nomusis, 1994 : Tabuerick
42
Fidell 1996 Uji terhadap outliers multivariate dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak
Mahalanobis itu dievaluasi dengan menggunakan X
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu.
Ferdinand, 2002 : 102.
3.4.1.3. Deteksi Multicolinearity dan Singularity
Kategori