44
3.4.2. Asumsi Model
3.4.2.1. Uji Normalitas dan Linearitas
Keterangan : 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 scatterplot dari data yaitu dengan memilih pasangan data dan dilihat
pola penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52
3.4.3. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim 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
katagori : 1.
Outliers muncul karena kesalahan prosedur 2.
Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
45
3. Outliers muncul karena adanya sesuatu alasan tetapi peniliti tidak dapat
mengetahui apa penyebabnya 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 outliers Perlakuan terhadap outliers dilakukan bergantung pada bagaimana
outliers itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap
multivariate outliers.
Univariate Outliers Deteksi terhadap adanya outliers univariate dapat dilakuakan
dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian
kedalam standart score atau yang biasa disebut Z-score yang mempunyai rata-rata nol dengan standart deviasi sebesar satu. Oleh
karena itu kasus atau observasi yang mempunyai Z-score ≥ 30 akan
dikategorikan sebagai outliers.
Multivariate Outliers Evaluasi terhadap multivariate outliers perlu dilakukan sebab
walaupun data yang dianalisis menunjukan 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 menunjukan jarak sebuah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
46
observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap outliers multivariate dilakukan dengan
menggunakan kriteria jarak Mahalanobis pada tingkat ρ 0,001, jarak
Mahalanobis itu dievaluasi dengan menggunakan χ
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu,
Ferdinand, 2002 : 102.
3.4.4. Multicolinearity dan Singularity
Kategori