Evaluasi Oulier Analisis Data

setuju sebanyak 76 responden atau 54,3, kemudian yang menjawab sangat setuju 37 responden atau 26,4 dan menjawab agak setuju sebanyak 27 responden atau sebanyak 19,3.

4.3 Analisis Data

4.3.1 Evaluasi Oulier

Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau mutivariat Hair et.al, 1998. Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.et.al, 1998; Tabachnick Fidel, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Tabel 4.14. Oulier Data Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 20.745 111.530 70.500 19.068 140 Std. Predicted Value -2.609 2.152 0.000 1.000 140 Standard Error of Predicted Value 13.056 23.801 18.122 2.006 140 Adjusted Predicted Value 12.221 112.117 70.297 21.445 140 Residual -76.192 95.891 0.000 35.797 140 Std. Residual -1.902 2.394 0.000 0.894 140 Stud. Residual -2.116 2.683 0.002 1.007 140 Deleted Residual -94.334 120.442 0.203 45.482 140 Stud. Deleted Residual -2.151 2.762 0.003 1.014 140 Mahalanobis Distance [MD] 13.772 48.079 27.800 6.388 140 Cooks Distance 0.000 0.064 0.009 0.013 140 Centered Leverage Value 0.099 0.346 0.200 0.046 140 a Dependent Variable : NO. RESP Sumber : Lampiran Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan  2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai  2 0.001 dengan jumlah indikator 28 adalah sebesar 48,079. Hasil analisis Mahalanobis diperoleh nilai 48,079 yang lebih kecil dari  2 tabel 56,892 tersebut. Dengan demikian tidak terdapat multivariate outliers.

4.3.2 Evaluasi Reliabilitas