82
Hasil ouput tersebut kemudian akan diuji adanya kemungkinan munculnya masalah identifikasi dan akan dianalisis untuk menguji hipotesis hubungan kausalitas
dalam penelitian ini. Pengujian ini kemungkinan muncul masalah identifikasi dan interprestasi model akan dilakukan pada sub bab berikut.
4.2.1.4 Kemungkinan Munculnya Masalah Identifikasi
Masalah identifikasi pada SEM adalah ketidakmampuan model yang dikembangkan dalam menghasilkan estimasi yang unik. Jika terjadi masalah
identifikasi maka dapat dilakukan pertimbangan ulang dengan menambahkan jumlah konstruk indikator.
4.2.1.4.1 Uji Normalitas Data
Evaluasi normalitas dilakukan dengan menggunakan criteria critical ratio cr skewness
dan kurtosis. Nilai yang diisyaratkan adalah sebesar 2 untuk signifikansi 0,05 5 dan 2,58 untuk signifikansi 0.01 1 Ghozali, 2005:47. Hasil
perhitungan uji normalitas dengan program AMOS versi 6.00 pada tabel 34 di bawah ini memberikan nilai critical ratio skewness antara -1,984 X13 sampai dengan -
2,531 X11, nilai tersebut masih di bawah nilai yang disyaratkan yaitu sebesar 2,58. Untuk critical ratio kurtosis nilainya berkisar antara 0,547 X1 sampai dengan
1,92 X11, nilai tersebut juga masih berada di bawah 2,58. Dengan demikian asumsi normalitas data dipengaruhi atau tidak terbukti adanya gejala normalitas data
dalam penelitian ini.
83
Evaluasi multivariate
juga memberikan nilai critical ratio sebesar 0,627 yang juga dibawah 2,58 sehingga tinjauan secara multivariate juga tidak menunjukkan
adanya gejala normalitas pada data. Berikut adalah tabel nilai critical ratio hasil estimasi dengan program AMOS versi 6.00.
Tabel 4.24. Uji Normalitas Produk Kendaraan Bermotor YAMAHA Variabel Skewness c.r
kurtosis c.r.
X17 -0,459 -2,051
0,511 1,144 X18 -0,560
-2,506 0,482 1,078
X19 -0,540 -2,413
0,458 1,023 X20 -0,480
-2,148 0,506 1,132
X13 -0,444 -1,984
0,893 1,996 X14 -0,512
-2,289 0,621 1,389
X15 -0,470 -2,101
0,677 1,514 X16 -0,552
-2,470 0,757 1,692
X12 -0,523 -2,341
0,527 1,178 X11 -0,566
-2,531 0,882 1,972
X10 -0,540 -2,415
0,554 1,239 X9 -0,535
-2,392 0,565
1,263 X5 -0,534
-2,390 0,245
0,549 X6 -0,518
-2,316 0,302
0,676 X7 -0,542
-2,426 0,450
1,007 X8 -0,542
-2,426 0,450
1,007 X4 -0,539
-2,412 0,300
0,672 X3 -0,496
-2,219 0,306
0,685 X2 -0,563
-2,520 0,445
0,995 X1 -0,534
-2,390 0,245
0,547 Multivariate 3,394
0,627 Sumber : Data primer diolah, 2011
4.2.1.4.2 Evaluasi Outliers
Evaluasi outliers
dilakukan terhadap univariate outliers dan multivariate outliers
. Evaluasi atas univariate outliers dilakukan dengan menstransformasikan data ke dalam bentuk z-score yang mempunyai rata-rata nol dengan standar devisiasi
84
sebesar satu. Ukuran sampel sebesar 100 pedoman evaluasi adalah bahwa nilai ambang batas dari z-score berada pada rentang -3 sampai 3 Hair dkk 1995 dalam
Waluyo, 2011. Jika terdapat nilai z-score yang di atas 3 dan di bawah -3, berarti asumsi univariate outliers tidak terpenuhi. Berikut adalah nilai maksimal dan nilai
minimal z-score hasil perhitungan dengan SPSS versi 15.0.
Tabel 4.25. Nilai Z-score Produk Kendaraan Bermotor YAMAHA
Indikator N Minimum
Maximum Mean
Std. Deviation
ZscoreX1 100 -2,68685
1,98593 ,0000000
1,00000000 ZscoreX2 100
-2,75793 2,00397
,0000000 1,00000000
ZscoreX3 100 -2,69450
1,95787 ,0000000
1,00000000 ZscoreX4 100
-2,70315 1,93082
,0000000 1,00000000
ZscoreX5 100 -2,68685
1,98593 ,0000000
1,00000000 ZscoreX6 100
-2,69870 1,94422
,0000000 1,00000000
ZscoreX7 100 -2,75417
2,01840 ,0000000
1,00000000 ZscoreX8 100
-2,75417 2,01840
,0000000 1,00000000
ZscoreX9 100 -2,78772
2,04299 ,0000000
1,00000000 ZscoreX10 100
-2,94191 2,11944
,0000000 1,00000000
ZscoreX11 100 -2,89067
2,15486 ,0000000
1,00000000 ZscoreX12 100
-2,77376 2,12111
,0000000 1,00000000
ZscoreX13 100 -2,86209
2,07964 ,0000000
1,00000000 ZscoreX14 100
-2,79953 1,99966
,0000000 1,00000000
ZscoreX15 100 -2,80879
1,97213 ,0000000
1,00000000 ZscoreX16 100
-2,85030 2,14293
,0000000 1,00000000
ZscoreX17 100 -2,63959
1,90164 ,0000000
1,00000000 ZscoreX18 100
-2,76815 1,79787
,0000000 1,00000000
ZscoreX19 100 -2,75422
1,90080 ,0000000
1,00000000 ZscoreX20 100
-2,64416 1,88869
,0000000 1,00000000
Valid N listwise 100
Sumber: Data primer diolah, 2011 Tabel di atas menunjukkan bahwa setelah ditransformasikan ke dalam bentuk
z-score, data memiliki nilai rata-rata mean sama dengan 0 dan nilai standar deviasi sama dengan 1. Pada kolom maksimal dan minimal tidak terdapat variabel yang
mempunyai -3 ≤ z-score ≤ 3. Nilai tertinggi adalah -2,94 X10 dan 2,15486 X11,
85
dengan demikian asumsi univariate outliers dalam penelitian ini diterima dan pengujian dapat dilanjutkan dengan pengujian multivariate outliers.
Multivariate outliers diuji dengan menggunakan uji mahalanobis dengan
tingkat signifikansi sebesar 0,001 Ferdinand, 2000:135. Jika nilai mahalanobis output
di atas nilai yang diisyaratkan maka terjadi penyimpangan outliers dan pengujian tidak dapat dilanjutkan. Nilai batas untuk jumlah respoden N=100 pada
tingkat signifikansi sebesar 0,001 dicari dengan menggunakan bantuan program Excel 2007.
Uji multivariate outliers
dilakukan pada tingkat p0,001 bila mahalanobis d- squared
lebih besar dari nilai chi-square maka data tersebut menunjukkan adanya multivariate outliers
Waluyo, 2011:89. Nilai chi-square dari perhitungan menggunakan AMOS 6.00 sebesar 174,314, hasil output program AMOS versi 6.00
memberikan jarak mahalanobis d-square yang tertinggi 53,277 untuk observasi ke 60. Tampak bahwa nilai maksimal yang diisyaratkan yaitu sebesar 174,314, dengan
demikian asumsi multivariate outliers terpenuhi dan pengujian dapat dilanjutkan.
4.2.1.4.3 Evaluasi Multikolinearitas
Multikolinearitas dapat dilihat melalui determinant matriks kovarians. Jika
nilai determinant matriks kovarians yang dihasilkan dari perhitungan mempunyai nilai yang sangat kecil mendekati 0 maka dapat diindikasikan bahwa terjadi
masalah multikolinearitas atau singularis, sehingga data tidak dapat dipergunakan untuk penelitian Ghozali, 2005:109. Output hasil perhitungan dengan menggunakan
86
program AMOS versi 6.00 memberikan hasil determinant of sample covarians sebesar 1,7717e + 009.
Nilai tersebut jauh diatas 0, sehingga dapat disimpulkan bahwa tidak terjadi masalah multikolinearitas dalam data penelitian pada kedua model dan pengujian
dapat dilanjutkan.
4.2.1.4.4 Evaluasi Kriteria Goodness-of-fit
Uji kelayakan model Goodness of fit model adalah langkah untuk melihat apakah variabel-variabel eksogen dalam penelitian mampu menjelaskan variabel
endogen. Berikut adalah hasil perhitungan dengan program AMOS versi 6.00
Tabel 4.26 Hasil Uji Kelayakan Model YAMAHA Goodnes of fit
index Cut of value
Hasil Perhitungan Kesimpulan
X
2
Chi Square Kecil
174,314 Tidak baik
Sig. ≥ 0,05
0,258 Baik
RMSEA ≤ 0,08
0,024 Baik
GFI ≥ 0,90
0,879 Marjinal
AGFI ≥ 0,90
0,844 Marjinal
CMINDF ≤ 2,00
1,069 Baik
TLI ≥ 0,95
0,992 Baik
CFI ≥ 0,95
0,990 Baik
Sumber: data primer diolah, 2011 Dalam tabel 4.51 tersebut tampak bahwa nilai significancy probability adalah
sebesar 0,258 0,05 sehingga model adalah tidak berbeda dengan data empiris atau dengan kata lain bahwa model adalah fit. Indeks yang lain CMINDF, TLI dan CFI
juga memberikan hasil yang memenuhi syarat fit. Untuk indeks GFI dan AGFI nilai hasil hitung memberikan nilai 0.9 akan tetapi mendekati nilai tersebut, maka
87
berdasarkan kedua indeks tersebut GFI dan AGFI dapat dikatakan bahwa model adalah fit secara marjinal. Berdasarkan hasil hitung secara keseluruhan, maka dapat
disimpulkan bahwa model adalah fit atau dengan kata lain bahwa variabel eksogen mampu menjelaskan variabel endogen.
4.2.1.5 Interpretasi dan Modifikasi Model
