Tabel 4.11.Rekapitulasi Hasil Uji Reliabilitas No.
Variabel Koefisien Alpha
Keterangan 1
Tahap Perencanaan X
1
0,794 Reliabel
2 Tahap Pelaksanaan X
2
0,788 Reliabel
3 Kinerja Fasilitator Z
0,887 Reliabel
4 Efektivitas PNPM-MP Y
0,815 Reliabel
Sumber: Lampiran 6
Dengan demikian indikator-indikator telah reliabel membentuk variabel laten yang diwakilinya dengan cukup baik. Berdasarkan hasil uji instrumen data
tersebut dapat disimpulkan bahwa skor variabel-variabel penelitian yang bersifat laten telah dapat diestimasi dengan valid dan reliabel oleh indikatornya masing-
masing, dan telah bersifat interval, sehingga dengan demikian dapat digunakan sebagai input untuk analisis persamaan struktural.
4.4 Evaluasi Asumsi Structural Equation Modelling SEM
Evaluasi asumsi SEM ini dibedakan atas tiga macam, yaitu:, uji normalitas, uji multikolinearitas, dan uji outliers.
4.4.1 Uji normalitas
Uji normalitas perlu dilakukan baik untuk normalitas terhadap data univariat maupun normalitas multivariate dimana beberapa variabel yang digunakan
sekaligus dalam analisis akhir. Untuk menguji dilanggartidaknya asumsi normalitas, maka dapat dilakukan dengan menggunakan nilai statistic z untuk
skewnes dan kurtosisnya dan secara empirik dapat dilihat pada critical ratio CR. Jika digunakan tingkat signifikan 1, maka nilaii CR yang berada diantara -2,58
sampai dengan 2,58 - 2,58 ≤ CR ≤ 2,58 dikatakan data berdistribusi normal, baik
secara univariat maupun multivariate Ghozali, 2008:128. Hasil pengujian normalitas atau assessment of normality CR lampiran 8 memberikan nilai CR
sebesar -2,436 terletak diantara - 2,58 ≤ CR ≤ -2,58 α =0,01, sehingga dapat
dikatakan bahwa data multivariate normal. Selain itu juga data univariat normal ditunjukan oleh semua nilai critical ratio semua indikator diantara -
2,58 ≤ CR ≤ 2,58.
4.4.2 Multikolinieritas
Dapat dilihat melalui determinan matriks kovarians. Nilai determinan yang sangat kecil atau mendekati nol, menunjukan indikasi terdapatnya masalah
multikoliniaritas atau singularitas, sehingga data itu tidak dapat digunakan untuk penelitian Tabachnick and Fidell, 1998 dalam Ghozali, 2008: 131.
Hasil pengujian Lampiran 8 memberikan nilai determinant of sample covariance matrix sebesar 1,090 nilai ini jauh dari angka nol sehingga dapat
disimpulkan bahwa data tidak terdapat masalah multikolinieritas dan singularitas pada data yang dianalisis. Sehingga data dapat dilanjutkan sebagai data dalam
penelitian ini.
4.4.3 Uji Outlier
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun secara multivariate yaitu muncul karena kombinasi
karakteristik unik yang dimiliki dan terlihat sangat jauh berbeda dari observasi- observasi lainnya. Apabila terjadi outliers dapat dilakukan perlakuan khusus pada
outliernya asal diketahui bagaimana munculnya outlier. Deteksi terhadap multivariate outlier dilakukan dengan memperhatikan nilai Mahalanobis distance.
Kreteria yang digunakan adalah berdasarkan nilai Chi Square pada derajat kebebesan degree of freedom sebesar jumlah variabel indikator pada tingkat
signifikan p 0.01 Ghozali, 2008:130. Hasil uji outliers pada penelitian nampak pada mahalnobis distance atau
mahalnobis d-squared. Untuk menghitung nilai mahalnobis distance berdasarkan nilai Chi Squares pada derajat bebas jumlah variabel indikator pada tingkat
p0,01 adalah sebesar 36 ,191 berdasarkan Tabel distribusi χ2 df 19. Jadi data
yang memiliki jarak mahalnobis distance lebih besar dari 36,191 adalah multivariate outlier. Hasil uji outlier pada lampiran 8 menunjukan bahwa tidak
ada satu pun kasus yang memiliki nilai mahalnobis distance lebih besar dari 36,191 maka dapat disimpulkan tidak ada multivariate outlier dalam data
penelitian.
4.5 Hasil Analisis Structural Equation Modelling SEM