dievaluasi dengan menggunakan nilai χ² pada derajat kebebasan sebesar jumlah
item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih besar dari nilai
χ²
Tabel
adalah Outlier Multivariat.
3.6.4. Uji Normalitas Data
Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical ratio dari
Skewness dan Kurtosis dengan ketentuan sebagai berikut :
a Jika nilai critical yang diperoleh melebihi rentang ± 2,58 maka distribusi
adalah tidak normal. b
Jika nilai critical yang diperoleh berada pada rentang ± 2,58 maka distribusi adalah normal.
3.6.5. Analisis Menggunakan Permodelan SEM
Structural Equation Modeling
Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari Measurement
Model dan Structural Model. Measurement model atau model pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor
berdasarkan indikator-indikator empirisnya. Structural model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara
faktor. Ferdinand, 2005 : 34 Untuk membuat permodelan yang lengkap beberapa langkah berikut ini
yang perlu dilakukan :
a. Pengembangan model berbasis teori.
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat.
Setelah itu, model tersebut divalidasi secara empirik melalui program SEM. b.
Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah
pertama akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas
yang ingin diujinya. c.
Konversi diagram alur kedalam persamaan. Setelah teori model teoritis dikembangkan dan digambarkan dalam sebuah
diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. Persamaan yang dibangun terdiri dari :
1. Persamaan-persamaan struktural structural equation. Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai
konstruk. 2. Persamaan spesifikasi model pengukuran measurement model. Pada
spesifikasi itu peneliti menentukan variabel mana mengukur konstruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi
yang dihipotesiskan antar atau variabel. d. Memilih Matriks Input dan Estimasi Model
Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data yang akan digunakan dalam permodelan dan estimasinya. SEM hanya
menggunakan matriks varians kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
d. Kemungkinan munculnya Problem Identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan
estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
1. Standard eror untuk satu atau beberapa koefisien terlalu besar.
2. Program tidak mampu menghasilkan matrik informasi yang seharusnya
disajikan. 3.
Muncul angka-angka yang aneh seperti adanya varians eror yang negatif. 4.
Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat misalnya lebih dari 0,9.
e. Evaluasi Model
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah :
1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan
dengan perbandingan 5 observasi untuk setiap estimated parameter. 2.
Normalitas dan Linieritas Normalitas dapat diuji dengan melihat gambar histogram data atau dapat
diuji dengan metode-metode statistik. Uji Linieritas dapat dilakukan dengan engamati scatterplots dari data yaitu dengan memilih pasangan
data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.
3. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena
kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya.
4. Multicolinierity
dan Singularity Multikolinieritas dapat dideteksi dari determinan matriks kovarians.
Nilai determinan matriks kovarians yang sangat kecil memberi indikasi adanya problem multikolinieritas atau singularitas.
3.6.6. Pengujian dengan Two-step approach
