109
Dari tabel IV.15 tersebut, terlihat hasil pengujian normalitas data dalam penelitian ini. Evaluasi normalitas diidentifikasi baik secara univariate
maupun multivariate. Secara univariate dan multivariate data dalam penelitian ini termasuk moderately non-normal karena memiliki nilai
C.R. skewness 2 dan nilai C.R. kurtosis 7. Nilai yang tertera pada pojok kanan bawah menandakan bahwa secara multivariate data dalam
penelitian ini termasuk normal dengan nilai C.R. kurtosis 5.356. Analisis terhadap data yang tidak normal dapat mengakibatkan pembiasan
intrepretasi karena nilai chi-square hasil analisis cenderung meningkat sehingga nilai probability level akan mengecil. Namun demikian, teknik
Maximum Likelihood Estimates MLE yang digunakan dalam penelitian ini tidak terlalu terpengaruh robust terhadap penyimpangan multivariate
normality Ghozali, 2005. Data yang digunakan dalam penelitian ini adalah data yang disajikan apa adanya dari penelitian yang berasal dari
data primer berdasarkan jawaban responden yang sangat beragam sehingga sulit untuk memperoleh data yang mengikuti distribusi normal
secara sempurna.
c. Asumsi Outliers
Outliers adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul
dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau
commit to user
110
variabel kombinasi Hair et al., dalam Ferdinand, 2002. Uji terhadap multivariate outliers dilakukan dengan menggunakan kriteria Jarak
Mahalanobis pada tingkat p0,001. Jarak Mahalanobis itu dievaluasi dengan dengan menggunakan c
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian Ferdinand, 2002.
Dalam penelitian ini, digunakan 28 variabel indikator. Oleh karena itu, semua kasus yang mempunyai Mahalanobis Distance lebih besar dari c
2
28, 0,001 = 49.728 adalah multivariate outliers. Mahalanobis Distance dapat
dilihat pada tabel IV.16
Tabel IV.16 Jarak Mahalanobis Data Penelitian
Nomor Observasi
Jarak Mahalanobis Jarak Mahalanobis Kritis
28, 0.001 80
41.703 49,728
3 41.286
103 41.023
49 36.141
101 35.962
- -
Sumber: Data primer yang diolah: 2011 Dari tabel IV.16, menunjukan bahwa tidak ada kasus yang dapat
dikategorikan sebagai outliers, karena tidak ada nilai Mahalanobis Distance yang melebihi nilai c
2
28, 0,001 = 49,728
commit to user
111
d. Analisis Kesesuaian Model Goodness-of-Fit
Sebelum melakukan pengujian hipotesis, langkah pertama adalah menilai kesesuaian goodness of fit. Hasil evaluasi nilai goodness of fit dari model
penelitian yang dilakukan dapat dilihat pada tabel IV.17
Tabel IV.17 Hasil
Goodness-of-Fit Model Goodness of Fit
indeks Nilai yang
Diharapkan Hasil
Evaluasi
x
2
- Chi Square Probabilitas
CMINdf RMR
GFI AGFI
TLI CFI
RMSEA Diharapkan kecil
0,05 2
0,03 ≥ 0,90
≥ 0,90 ≥ 0,90
≥ 0,90 ≤ 0,08
275.687 0,013
1.220 0.029
0.827
0.78 0.944
0.950 0,045
- Buruk
Baik Baik
Marginal Buruk
Baik Baik
Baik
Sumber: Data primer yang diolah: 2011 Pada tabel IV.17 dapat dilihat bahwa chi-square yang bernilai 275.687
dengan degree of freedom 226 adalah signifikan secara statistik pada level signifikansi 0,000. Probalitas sebesar 0,000 lebih kecil dari 0,05, hal ini
merupakan indikasi yang buruk. Dengan demikian, terdapat perbedaan antara matrik kovarian sampel dengan matrik kovarian populasi yang
diamati. Nilai RMR sebesar 0,029 merupakan indikasi yang baik. Nilai GFI sebesar 0, 827 merupakan indikasi yang marginal. Nilai RMSEA
sebesar 0,045 merupakan indikasi yang baik. Sementara dari indeks
commit to user
112
incremental fit measures didapat nilai AGFI sebesar 0,78 merupakan indikasi yang buruk. Nilai TLI sebesar 0,944 merupakan indikasi buruk.
Nilai CFI sebesar 0,950 merupakan indikasi marginal. Sebagai tambahan dari indeks parsimony fit measures didapat nilai CMINdf sebesar 1.220
merupakan indikasi yang buruk karena mempunyai nilai yang lebih dari 2. Dari keseluruhan pengukuran goodness of fit tersebut di atas
mengindikasikan bahwa model yang diajukan dalam penelitian ini belum dapat diterima. Karena model yang diajukan dalam penelitian ini belum
dapat diterima, maka peneliti mempertimbangkan untuk melakukan modifikasi model untuk membentuk model alternatif yang mempunyai
goodness of fit yang lebih baik.
1. Modifikasi Model
