oleh ukuran sampel karena itu sangat baik untuk m engukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan
Relatif Non Certrality Indeks RNI
3.4.2.2 Evaluasi Normalitas
Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diperoleh lebih
lanjut pada path diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji
statistic. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan
dalam statistic. Ferdinand,2005:139 Nilai statistic untuk normalitas itu disebut sebagai z-value yang dihasilkan melali
rumus berikut ini :
Bila nilai z lebih besar dari nilai kritis atau ctitical ratio, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai
kritis dapat ditentukan berdasarkan tingkat signifikasi yang dikehendaki. Misalnya bila nilai yang dihitung lebih besar dari ±
Nilai - z =
Skewness
6 ―
N Dimana N adalah ukuran
sampel
2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi tingkat 0,01
3.4.2.3 Evaluasi
Outliers
Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi yang lain dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel maupun variable-variabel kombinasi.hair
dkk,1995. Adapun outliers dapat dievaluasi dengan dua cara, yaitu analisis terhadap univariate outliers dan analisis multivariate
outliers hair,et.al:1995 a. Univariate
Outliers Deteksi terhadap adanya univariate outliers dapat
dilakukan dengan menentukan nilai imbang yang akan dikategorikan sebagai outliers dengan cara
mengkonversikan nilai data penelitian kedalam standar score atau yang biasa disebut z-score, yang mempunyai
rata-rata nol dengan standar deviasi sebesar 1,00 hair dkk,1995
Pengujian univariate outliers dilakukan per konstruk variabel dengan program SPSS 9,00, Pada menu
Descriptive Statistic Summarise. Observasi data yang memiliki nilai z-score
≥ 3,0 akan dikategorikan sebagai outliers.
b. Multivariate
Outliers Evaluasi terhadap multivariate outliers perlu
dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate,
tetapi observasi itu dapat menjadi outliers bila sudah saling kombinasikan.
Jarak Mahalanobis
The Mahalanobis Distance untuk tiap observasi dapat dihitung dan menunjukkan jara
sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate
dilakukan dengan menggunakan criteria Mahalanobis pada tingkat p
≤ 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai
χ
2
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Dan
apabila nilai jarak Mahalanobisnya lebih dari nilai χ
2 table
adalah Outliers Multivariate.
3.4.2.4. Evaluasi
Multicollincary dan
Singularity
Untuk melihat apakah pada data penelitian terhadap multikolinearitas Multicollicarity atau singularitas Singularity
dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah determinan dari matruiks kovarians sampelnya. Determinan
yang kecil atau mendekati nol akan mengindikaskan adanya
multikolinearitas atau singularitas sehingga data itu tidak dapat digunakan untuk penelitian Ferdinand,2005:153.
3.4.2.5 Uji
