Evaluasi Outlier Analisis Data

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.dkk, 1998; Tabachnick Fidel, 1996. Uji terhadap outliers multivariate 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. Hasil uji outlier tampak pada tabel berikut: Tabel 4.8. : Outlier Data Re sidu a ls St a t ist ics a Minim um Maxim um Mean St d. Deviat ion N Pr edict ed Value .8051 97.0523 53.0000 22.07107 105 St d. Pr edict ed Value - 2.365 1.996 .000 1.000 105 St andar d Er r or of Pr edict ed Value 6.171 13.615 8.731 1.482 105 Adj ust ed Pr edict ed Value - 5.1257 102.5452 52.9330 22.45720 105 Residual - 62.68797 49.70727 .00000 20.98494 105 St d. Residual - 2.763 2.191 .000 .925 105 St ud. Residual - 2.976 2.384 .002 1.004 105 Delet ed Residual - 72.68095 58.81825 .06703 24.78805 105 St ud. Delet ed Residual - 3.118 2.450 .002 1.017 105 Mahal. Dist ance 6.707 3 6 .4 7 3 14.857 5.660 105 Cooks Dist ance .000 .105 .012 .019 105 Cent er ed Lever age Value .064 .351 .143 .054 105 a. Dependent Var iable: RESP Sumber : data diolah Deteksi terhadap multivariat outliers’ dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ 2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai Mahal. Distance Maximum = 36.473 yang lebih kecil dari 37,697, berarti tidak terdapat outlier pada data tersebut, oleh karena itu data ini mempunyai kualitas yang baik dan dapat dilanjutkan untuk diolah lebih lanjut. 4.3.2. Intrepretasi Hasil PLS 4.3.2.1. Pengujian Model Pengukuran Outter Model. Langkah selanjutnya adalah menilai outer model Measurement Model dengan melihat outer loading factor discriminan validity dan composite reliability dari konstruk. 1. Outer Loading, Hasil pengujian pertama dengan PLS ini menghasilkan outer loading sebagai berikut: Tabel 4.9. Outer loading Factor Loading O Sample Mean M Standard Deviation STDEV Standard Error STERR T Statistics |OSTERR| X11 - PRODUK X1 0.824194 0.783243 0.126412 0.126412 6.519894 X12 - PRODUK X1 0.769309 0.729770 0.140043 0.140043 5.493386 X13 - PRODUK X1 0.914864 0.874726 0.106773 0.106773 8.568277 X21 - HARGA X2 0.852743 0.780509 0.248616 0.248616 3.429956 X22 - HARGA X2 0.900944 0.831569 0.225751 0.225751 3.990871 X31 - PROMOSI X3 0.867096 0.862313 0.039014 0.039014 22.225183 X32 - PROMOSI X3 0.915017 0.917097 0.014383 0.014383 63.617477 X41 - TEMPAT X4 0.833019 0.746910 0.235237 0.235237 3.541192 X42 - TEMPAT X4 0.854002 0.779765 0.191545 0.191545 4.458499 X43 - TEMPAT X4 0.945089 0.872187 0.203432 0.203432 4.645732 Y1 - MINAT BELI Y 0.857924 0.857469 0.024478 0.024478 35.049091 Y2 - MINAT BELI Y 0.891557 0.891064 0.016748 0.016748 53.235080 Y3 - MINAT BELI Y 0.806631 0.806360 0.038155 0.038155 21.141030 Sumber: data diolah Berdasarkan hasil outer loading di atas bahwa validitas Indikator : Nilai Factor Loading lebih besar dari 0,5 dan atau nilai T-Statistic lebih besar dari 1,645 nilai Z pada α = 0,10. Factor Loading merupakan korelasi antara indikator dengan variabel, jika lebih besar dari 0,5 maka korelasi disebut valid dan jika nilai T-Statistic lebih besar dari 1,645 maka korelasinya disebut signifikan. Berdasarkan pada tabel outer loading di atas, maka pada variabel dengan indikator reflektif Yaitu Harga, Promosi, Tempat dan Minat Beli, dimana seluruh indikator keempat variabel tersebut memiliki factor loading original sample estimate lebih besar dari 0,50 dan atau signifikan Nilai T-Statistic lebih dari nilai Z α = 0,10 10 = 1,645 , sehingga indikator-indikator tersebut adalah menjadi pengukurindikator variabelnya. Secara keseluruahn hasil estimasi telah memenuhi Convergen vailidity dan validitas baik. 2. Discriminant validity Discriminant validity pada indikator refleksif dapat dilihat pada cross- loading. Cara lain untuk menilai discriminat validity dilakukan dengan cara membandingkan square root of average variance extracted AVE untuk setiap variabel dengan nilai korelasi antara variabel. Model mempunyai discriminant validity yang tinggi jika akar AVE untuk setiap variabel lebih besar dari korelasi antara konstruk Ghozali, 2008. Jika nilai akar AVE lebih tinggi daripada korelasi antar variabel yang lain, maka dapat dikatakan hasil ini menunjukkan bahwa discriminant validity yang tinggi. Tabel 4.10. Average Variance Extract AVE AVE HARGA X2 0.769435 MINAT BELI Y 0.727187 PRODUK X1 PROMOSI X3 0.794556 TEMPAT X4 0.772144 Sumber: Data diolah