4.3 Uji Kualitas Data 4.3.1 Uji Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik
yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau
variabel kombinasi atau multivariate Hair, 1998. Evaluasi terhadap outlier multivariate
antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi
observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan
menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair, et, al, 1998; Tabachnick Fidel, 1996, uji
terhadap outliers multi variate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini 9. Pada penelitian ini terdapat outlier
apabila nilai mahalanoubis distance 27,877
Tabel 4.11: Hasil Uji Outliers
Keterangan Minimum
Maximum Mean
Std. Deviation
N Predicted Value
18,296 75,331
50,500 12,658
100 Std. Predicted Value
-2,544 1,962
0,000 1,000
100 Standard Error of Predicted Value
5,368 13,981
8,490 1,704
100 Adjusted Predicted Value
13,188 80,443
50,834 13,253
100 Residual
-53,982 46,861
0,000 26,105
100 Std. Residual
-1,972 1,712
0,000 0,953
100 Stud. Residual
-2,053 1,765
-0,006 1,006
100 Deleted Residual
-58,515 49,809
-0,334 29,094
100 Stud. Deleted Residual
-2,091 1,786
-0,007 1,012
100 Mahalanobis Distance [MD]
2,816 24,826
8,910 4,121
100 Cooks Distance
0,000 0,118
0,012 0,015
100 Centered Leverage Value
0,028 0,251
0,090 0,042
100 a Dependent Variable : NO. RESP
Sumber: Pengolahan data P4M Manajemen
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
Berdasarakan tabel diatas, setelah dilakukan pengujian ditemukan nilai Mahal distance maximum adalah 24,826 leih kecil dari 27,877.
4.3.2 Uji Reliabilitas
Seperti telah dijelaskan pada bab sebelumnya, bahwa Cronbach’s Alpha
ini digunakan untuk mengestrimasi reliabilitas setiap skala variabel atau observasi indikator. Sementara itu item to total correlation digunakan
untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang
dihasilkan Purwanto, 2002. Proses eliminasi diperlukan pada item to total correlation
pada indicator yang nilainya 0,5 Purwanto, 2003.
Tabel 4.12: Hasil Uji Reliabilitas
Konst r ak I ndik ator
I t em t o Tot al Cor r elat ion
Koefisien Cronbachs Alpha
Psy chological Fact or
X1 0,561
0,222 X2
0,366 X3
0,542 X4
0,516 Pur chase Decision
Y1 0,461
0,057 Y2
0,438 Y3
0,390 Y4
0,495 Y5
0,516
Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di atas menunjukkan hasil kurang baik dimana koefisien
Cronbach’s Alpha yang diperoleh belum seluruhnya memenuhi rules of thumb yang disyaratkan yaitu
≥ 0,7 [Hair et.al.,1998]. Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
0,5 [Purwanto,2003]. Terjadi eliminasi karena nilai item to total correlation indikator belum seluruhnya
≥ 0,5 pada kolom yang diber warna. Indikator yang tereliminasi tidak disertakan dalam perhitungan cronbachs alpha.
Perhitungan cronbachs dilakukan setelah proses eliminasi.
4.3.3 Uji Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang
seharusnya diukur. Hasil analisis tampak pada tabel dibawah ini.
Tabel 4.13: Hasil Uji Validitas
Konst r ak I ndik ator
Fak t or Loading 1
2 3
4 Psy chological
Fact or X1
0,999 X3
0,090 X4
0,175 Pur chase Decision
Y1 0,061
Y4 0,164
Y5 - 0,148
Sumber: Pengolahan Data P4M Manajemen Berdasarkan hasil confirmatory factor analysis terlihat bahwa
factor loadings masing masing butir pertanyaan yang membentuk setiap
construct belum seluruhnya ≥ 0,5, sehingga butir -butir instrumentasi setiap
konstruk tersebut dapat dikatakan validitasnya kurang baik.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
4.3.4 Uji Normalitas
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai
statistik untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak
normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58.
Hasil pengujian normalitas pada penelitian ini akan ditampilkan pada tabel berikut:
Tabel 4.14: Hasil Uji Normalitas
Var iable m in
m ax k ur t osis
c.r . X1
2 7
0,126 0,258
X3 2
7 0,384
0,784 X4
2 7
0,600 1,224
Y1 2
7 - 0,659
- 1,346 Y4
1 7
- 0,104 - 0,212
Y5 1
7 - 0,315
- 0,644
M u lt iv a ria t e - 0,546
- 0 ,2 7 8 Ba t a s N orm a l
± 2 ,5 8
Sumber: Pengolahan data P4M Manajemen Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di luar ±
2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bentler Chou [1987]
bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation [MLE] walau ditribusi datanya tidak normal masih
dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
4.4 Uji Hipotesis 4.4.1 Eveluasi Model One-step Approach to SEM
