Evaluasi dan Outlier Uji validitas dan Reliabilitas Uji Normalitas

3.4.3. Evaluasi dan Outlier

1. Mengamati nilai Z-acore : ketentuannya di antara ±3,0 non outlier. 2. Multivariate outlier di uji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. jarak di uji dengan Chi-Square [ χ²] pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis › dari nilai χ² adalah Multivariate outlier.

3.4.4. Uji validitas dan Reliabilitas

Validitas menyangkut tingkat akurasi yang di capai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya di ukur. Sedangkan yang di maksud dengan reliabilitas ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai di mana masing-masing indikator itu menghasilkan sebuah konstruk faktor laten yang umum. Construct reliability dan Variance-extracted di hitung dengan rumus berikut : Construct Reliability = [ Σ Standardize Loading]² [ Σ Standardize Loading]²+Σεj] Variance Extrated = Σ[Standardize Loading2] Σ[Standardize Loading²]+Σεj] Ferdinand, 2002: 62-64. Dimana :  Std. Loading di peroleh langsung dari standardized loading untuk tiap-tiap indikator di ambil dari computer, AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya. Sementara εj dapat di hitung dengan formula εj = 1–[ Standardize Loading] secara umum, nilai construct reliability yang dapat di terima adalah ≥ 0,7 dan variance extracted ≥ 0,5 Hair et al., 1995.

3.4.5. Uji Normalitas

Untuk menguji normalitas distribusi data-data yang di gunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang di gunakan, yang biasanya di sajikan dalam statistik deskriptif dari hampir semua program statistik. Nilai statistik untuk menguji normalitas itu disebut z-value yang di hasilkan melalui rumus berikut ini : Nilai Z – Score = Skewness 6 N Bila nilai –z lebih besar dari nilai kritis, maka dapat di duga bahwa distribusi data adalah tidak normal. Nilai kritis dapat di tentukan berdasarkan tingkat signifikansi yang di kehendaki. Misalnya, bila nilai yang di hitung lebih besar dari ± 2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0,01 1. Nilai kritis lainnya yang umum di gunakan adalah nilai kritis sebesar ± 1,96 yang berarti bahwa asumsi normalitas di tolak pada tingkat signifikansi 0,05 5, sumber Ferdinand, 2002 :95.

3.4.6. Multicollinierity dan