29
menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat dilakukan dengan menggunakan
kriteria Jarak Mahalanobis pada tingkat ρ
0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai
χ
2
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih
besar dari nilai χ
2 Tabel
adalah Outlier Multivariat.
3.4.3. 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 : Kriteria Pengujian :
Pedoman dalam mengambil keputusan apakah sebuah distribusi data mengikuti distribusi normal adalah :
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.
3.4.4. Pemodelan SEM Structural Equation Modeling
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau Model
Pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor
30
berdasarkan indikator-indikator empirisnya. Structural Model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara
faktor. Augusty, 2002 : 34 Untuk membuat pemodelan 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 path diagram. Path diagram tersebut memudahkan
peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya. c. Konversi diagram alur kedalam persamaan.
Setelah teori model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan.
d. Memilih Matriks Input dan Estimasi Model. Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data
yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya menggunakan matriks varians kovarians atau matriks korelasi sebagai data
input untuk keseluruhan estimasi yang dilakukannya.
31
e. Menilai 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 error untuk satu atau beberapa koefisien sangat besar.
2. Program tidak mampu menghasilkan matrik informasi yang disajikan. 3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9.
f. Evaluasi Model. Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap bebagai
kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah : 1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan dengan
perbandingan 5 observasi untuk setiap astimated parameter. 2. Normalitas dan Linieritas.
3. Outliers. 4. Multicolinierity and Singularity.
3.4.5. Uji Hipotesis
