commit to user
76
yakni KP4, KA1, KA3, DSB3, IKM1, IKM3, IKM6, dan IKM12. Dengan demikian, dapat dikatakan bahwa data tidak terdistribusi normal secara univariate. Sementara nilai yang
tertera di pojok kanan bawah pada tabel IV.8 menandakan bahwa data dalam penelitian ini juga tidak terdistribusi normal secara multivariate, karena nilai 18.234 lebih besar dari harga
mutlak 2,58. Data yang tidak normal dapat mengakibatkan pembiasan intrepretasi karena nilai chi-
square hasil analisis cenderung meningkat sehingga nilai probability level akan mengecil. Untuk data yang tidak normal secara multivariate, Ghozali 2004 menyarankan dengan
menggunakan prosedur yang dikenal dengan “bootstrap”. Namun, hal tersebut tidak perlu dilakukan karena nilai C.r. kurtosis multivariate masih kurang dari 21.00. Disamping itu,
teknik Maximum Likelihood Estimates MLE yang digunakan dalam penelitian ini tidak terlalu terpengaruh robust terhadap data yang tidak normal Ghozali, 2005 sehingga
analisis selanjutnya masih dapat dilakukan.
b. Evaluasi Outliers
Outliers adalah data atau observasi yang memiliki karakteristik unik yang terlihat sangat jauh dari obserasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim. Uji outliers
dalam penelitian ini menggunakan multivariate outliers. Dimana dapat ditunjukkan dengan jarak mahalanobis untuk tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah
observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Identifikasi adanya multivariate outliers pada penelitian ini dilakukan dengan memperhatikan nilai
mahalanobis distance Ghozali, 2004. Kriteria yang digunakan adalah berdasarkan nilai chi- square pada derajat bebas degree of freedom 31 yaitu jumlah variabel indikator pada
tingkat signifikansi p 0.001. Dalam penelitian ini setelah menggunakan uji validitas maka
commit to user
77
indikator yang awalnya 31 item telah disederhanakan sehingga menjadi 25 item saja. Kriteria yang digunakan adalah berdasarkan nilai Chi Squares pada derajat kebebasan degree of
freedom 25. Oleh karena itu, nilai mahalanobis distance 25, 0.001 = 52,61966. Hal ini berarti semua kasus yang mempunyai mahalanobis distance yang lebih besar dari 52,61966
akan dikategorikan sebagai multivariate outliers. Mahalanobis distance dapat dilihat pada tabel IV.11
Tabel IV.10 Mahalanobis Distance Square
Data Mahalanobis
Distance Square Mahalanobis Distance
Square yang diharapkan
Mahalanobis distance square df = 25,p0,001
Mahalanobis 52,61966
112 64.902
43 63.656
89 61.961
12 55.991
55 53.954
46 52.842
108 49.123
- -
- -
15 16.927
21 16.674
111 16.457
Sumber : data primer yang diolah 2010
Dari tabel IV.11 terlihat adanya outliers pada data observasi ke-112, 43 ,89, 12, 55, dan 46 yang memiliki nilai mahalanobis distance yang lebih besar dari 52,61966 yakni memiliki
nilai mahalanobis distance square sebesar 64.902, 63.656, 61.961, 55.991, 53.954, dan
commit to user
78
52.842 sehingga dapat disimpulkan bahwa terdapat multivariate outliers. Jika terjadi multivariate outliers, maka sebaiknya data observasi yang mengalami outliers dikeluarkan
dari analisis selanjutnya Ghozali, 2005. Oleh karena itu, peneliti tidak mengikutsertakan lagi observasi ke-112, 43 ,89 , 12, 55,
dan 46 dalam analisis selanjutnya sehingga hanya 117 data responden yang bisa diolah pada analisis selanjutnya.
Setelah keenam observasi tersebut dikeluarkan, pada tabel IV.12 terlihat evaluasi normalitas pada responden yang diidentifikasi baik secara univariate maupun multivariate.
commit to user
79
Tabel IV.11 Revisi Uji Normalitas
Variable Min
Max Skew
c.r. Kurtosis
c.r. IKM12
1.000 4.000
-.170 -.750
2.932 6.473
IKM11 2.000
4.000 .143
.634 .250
.553 IKM10
2.000 4.000
-.045 -.200
.538 1.188
IKM9 2.000
4.000 .266
1.174 .086
.191 IKM8
2.000 4.000
.019 .082
-.096 -.212
IKM7 2.000
4.000 .048
.212 -.446
-.985 IKM6
2.000 4.000
.028 .124
.154 .339
IKM5 2.000
4.000 .009
.039 -.086
-.189 IKM4
2.000 4.000
-.036 -.159
-.333 -.735
IKM3 2.000
4.000 .142
.625 .480
1.059 IKM2
2.000 4.000
.231 1.020
1.431 3.159
IKM1 2.000
4.000 .169
.745 1.463
3.229 DSB1
2.000 4.000
.341 1.506
-.964 -2.128
DSB3 3.000
4.000 .512
2.260 -1.738
-3.838 DSB6
3.000 4.000
.154 .681
-1.976 -4.363
KA7 2.000
4.000 .246
1.088 .635
1.403 KA4
1.000 3.000
-.488 -2.156
-.773 -1.707
KA3 1.000
4.000 -.555
-2.452 2.515
5.554 KA2
1.000 4.000
-.063 -.277
-.257 -.567
KA1 1.000
4.000 -.393
-1.735 3.362
7.423 KP1
2.000 4.000
.662 2.923
.993 2.193
KP2 2.000
4.000 .858
3.787 .242
.534 KP3
2.000 4.000
.068 .300
.028 .062
KP4 1.000
4.000 -.599
-2.646 3.406
7.521 KP5
2.000 4.000
.431 1.903
.400 .884
Multivariate 75.796
11.157 Sumber : Data Primer Diolah, 2010
Terlihat secara univariate untuk nilai-nilai dalam C.r. skewness, terdapat 3 instrumen pertanyaan yang memliki nilai C.r. skewness lebih dari 2.58 yakni KP1, KP2, dan KP4.
Kemudian, secara univariate untuk nilai-nilai dalam C.r kurtosis terdapat 8 instrumen pertanyaan yang memiliki nilai C.r. kurtosis lebih dari 2.58 yakni KP4, KA1, KA3, DSB6,
DSB3, IKM1, IKM2,dan IKM12. bahwa nilai C.r. multivariate kurtosis pada uji normalitas
commit to user
80
mengalami penurunan dari nilai 18.234 menjadi 11.157. Selain itu, tidak terlihat lagi adanya outliers pada hasil revisi mahalanobis distance square. Dengan demikian, langkah yang
diambil adalah tepat karena mampu membuat data menjadi lebih baik. Adapun hasil revisi uji revisi outliers dapat dilihat pada tabel IV.13.
Tabel IV.12 Revisi Mahalanobis Distance Square
Data Mahalanobis
Distance Square
Mahalanobis Distance Square yang
diharapkan
Mahalanobis distance square
df = 25,p0,001 Mahalanobis
52,61966 103
48.653 52
48.524 110
44.985 -
- -
- -
- -
- -
- -
- 29
16.342 87
14.278 50
12.686 Sumber : data primer yang diolah 2010
c. Evaluasi Multikolinearitas
