Sumber: Hasil pengolahan data 2014 Pada Tabel 4.21. terlihat perolehan nilai secara keseluruhan secara
univariate dan multivariate asumsi normalitas masih dapat dipenuhi.
2. Evaluasi Outlier
Outlier merupakan observasi yang muncul dengan nilai-nilai ekstrim baik secara univariate maupun multivariate yaitu muncul
karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Pada dasarnya
outlier dapat muncul dalam empat kategori, yaitu: a.
Outlier muncul karena kesalahan prosedur seperti salah dalam memasukkan data atau kesalahan dalam mengkoding data.
b. Outlier dapat saja muncul karena keadaan yang benar-benar khusus
yang memungkinkan profil datanya lain daripada yang lain, tetapi peneliti nantinya mempunyai penjelasan mengenai apa penyebab
munculnya nilai ekstrim ini.
Tabel 4.21. Tabel Assesment of Normality sambungan
Variable min
max skew
c.r. kurtosis
c.r. X1
4 5
0,12 0,491
-1,986 -
4,053 X2
3 5
0,643 2,627
-0,868 -
1,771 X3
3 5
0,051 0,207
-0,331 -
0,676 X4
3 5
0,152 0,622
-0,277 -
0,566 Multivariate
18,968 3,952
Universitas Sumatera Utara
c. Outlier dapat muncul karena adanya sesuatu alasan yang tidak dapat
diketahui oleh peneliti penyebabnya atau tidak dapat ditemukan penjelasan mengenai sebab-sebab munculnya nilai ekstrim ini.
d. Outlier dapat muncul dalam range nilai yang ada, tetapi bila
dikombinasikan dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim.
Uji outlier data dilakukan secara univariate dan secara multivariate, Suliyanto, 2011, yaitu :
1 Univariate Outliers
Uji univariate outlier ini dilakukan dengan menentukan nilai ambang batas yang dikategorikan sebagai nilai outliers dengan cara
mengkonversikan nilai data penelitian ke dalam standard score atau Z-score. Penelitian ini digunakan kriteria Z-score 3 atau Z-score
-3 berarti variabel tersebut mengandung nilai outlier Suliyanto, 2011. Peneliti melakukan uji univariate outliers ini menggunakan
alat bantu SPSS. Pengujian ini dapat dilakukan melalui SPSS. Hasil perolehannya
terlihat pada Tabel 4.22.
Universitas Sumatera Utara
Sumber: Hasil pengolahan data 2014
Pada hasil ouput di atas terlihat tidak ada nilai Z-score yang menunjukkan lebih tinggi dari 3 Z-score 3 sehingga
Tabel 4.22. Descriptive Statistics
N Minimum
Maximum Mean
Std. Deviation
Zscorex1 100
-,93698 1,05659
,0000000 1,00000000
Zscorex2 100
-2,70053 1,48634
,0000000 1,00000000
Zscorex3 100
-2,24362 1,37512
,0000000 1,00000000
Zscorex4 100
-2,32170 1,42298
,0000000 1,00000000
Zscorex5 100
-2,10783 1,32885
,0000000 1,00000000
Zscorex6 100
-2,02788 1,35192
,0000000 1,00000000
Zscorex7 100
-1,95391 1,21459
,0000000 1,00000000
Zscorex8 100
-2,19067 1,19696
,0000000 1,00000000
Zscorex9 100
-1,12250 ,88196
,0000000 1,00000000
Zscorex10 100
-1,29834 ,76251
,0000000 1,00000000
Zscorex11 100
-1,48444 ,66692
,0000000 1,00000000
Zscorex12 100
-1,10000 ,90000
,0000000 1,00000000
Zscorex13 100
-,93698 1,05659
,0000000 1,00000000
Zscorex14 100
-1,95222 1,14654
,0000000 1,00000000
Zscorex15 100
-2,60227 1,22460
,0000000 1,00000000
Zscorex16 100
-1,94496 1,19207
,0000000 1,00000000
Valid N listwise
100
Universitas Sumatera Utara
disimpulkan secara univariate data yang digunakan dalam model penelitian ini tidak mengandung nilai outlier.
2 Multivariate Outliers
Uji multivariate outliers perlu dilakukan karena meskipun pada saat dilakukan uji univariate outlier tidak ada data yang outlier, namun
pada saat data-data tersebut saling dikombinasikan maka bisa menjadi outlier.
Secara multivariate data dinyatakan normal jika nilai tertinggi mahalanobisdistance jarak mahalanobis lebih kecil dari nilai Chi-
square Suliyanto, 2011. Hasil yang diperoleh adalah nilai mahalanobis distance 32,155 Chi-square 130,364 maka data
secara multivariate dinyatakan normal.
3. Evaluasi atas Multikolinearitas dan Singularitas
