4.4.4. Evaluasi Kriteria Goodness of Fit
Pengujian kesesuaian model dilakukan melalui telaah terhadap kriteria goodness of fit. Berdasarkan hasil analisis pada Tabel 4.19, diketahui bahwa
model yang dibangun telah memenuhi kriteria indeks pengujian kelayakan. Jadi pengujian ini menghasilkan konfirmasi yang baik atas dimensi-dimensi faktor
serta hubungan-hubungan kausalitas antar faktor.
4.4.4.1. Evaluasi Outlier
Menurut Ghozali 2011, outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-
observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau variabel kombinasi.
Untuk mendeteksi multivariate outlier dilakukan dengan melihat dan memperhatikan nilai mahalanobis distance. Jarak mahalanobis untuk tiap-tiap
observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata- rata semua variabel dalam sebuah ruang multidimensional Hair, et.al, 1995;
dalam Ferdinand, 2006. Jarak mahalanobis ini dihitung berdasarkan nilai chi- square tabel pada derajat bebas sebesar 15 jumlah indikator pada tingkat
pengujian α = 0,001 atau λ
2
Berdasarkan hasil perhitungan pada Tabel 4.24 menunjukkan bahwa jarak mahalonobis terendah adalah 12,761 dan tertinggi adalah 30,691 sehingga dapat
disimpulkan bahwa model tidak terdapat multivariate outlier pada pengolahan data. Output mahalanobis distance dapat dilihat dalam Tabel 4.24. di bawah ini
15 ; 0,001 = 37,697. Jadi data yang memiliki jarak mahalonobis lebih besar dari 37,697 adalah multivariate outliers.
Universitas Sumatera Utara
Tabel 4.24. Hasil Uji
Mahalanobis Distance Observation
number Mahalanobis d-squared
p1 p2
144 30.691
0.006 0.689
48 30.667
0.006 0.327
50 28.870
0.011 0.342
70 27.988
0.014 0.288
26 27.976
0.014 0.139
73 27.605
0.016 0.087
151 27.515
0.016 0.039
. .
. .
. .
. .
. .
. .
68 12.870
0.537 0.827
67 12.809
0.542 0.825
125 12.804
0.542 0.788
86 12.765
0.545 0.770
54 12.761
0.545 0.727
Sumber : Hasil Penelitian, 2013 4.4.4.2 Uji Normalitas Data
Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness value berada dalam interval ± 2,58. Hasil pengujian normalitas
data ditampilkan pada Tabel 4.25. Berdasarkan Tabel 4.25 terlihat bahwa sebagian besar nilai C.R. Critical Ratio nilai skewness yang berada di luar rentang nilai ±
2,58 yang menunjukkan data tidak berdistribusi normal, kecuali indikator X1.1, X1.3, Y1.3 dan Y1.4 yang berdistribusi normal karena memiliki C.R nilai
skewness di dalam interval ± 2,58. Sedangkan hasil uji multivariate normalitas data diperoleh koefisien kurtosis multivariate Mardia sebesar 13,864 dengan C.R
= 4,514 2,58. Dengan demikian secara multivariate data dalam penelitian ini tidak berdistribusi normal.
Universitas Sumatera Utara
Tabel 4.25. Hasil Uji Normalitas Data
Variable min
max skew
c.r. kurtosis
c.r.
X2.2 1.000
5.000 -.630
-3.542 -.505
-1.421 X1.3
1.000 5.000
-.400 -2.250
-.581 -1.636
Y2.2 1.000
5.000 -.717
-4.037 -.349
-.981 Y2.1
1.000 5.000
-.739 -4.157
.036 .101
Y1.1 1.000
5.000 -.842
-4.740 .249
.700 Y1.2
1.000 5.000
-.796 -4.482
.003 .007
Y1.3 1.000
5.000 -.350
-1.970 -1.010
-2.841 Y1.4
1.000 5.000
-.452 -2.541
-1.009 -2.838
X2.1 1.000
5.000 -.545
-3.066 -.635
-1.786 X2.3
1.000 5.000
-.508 -2.858
-.920 -2.587
X2.4 1.000
5.000 -.526
-2.958 -.461
-1.296 X2.5
1.000 5.000
-.570 -3.210
-.736 -2.071
X1.2 1.000
5.000 -.507
-2.856 -.357
-1.003 X1.1
1.000 5.000
-.278 -1.563
-1.068 -3.005
Multivariate 13.864
4.514
Sumber : Hasil Penelitian, 2013
Untuk mengatasi masalah data yang tidak normal sebagaimana telah diidentifikasi pada Tabel 4.25, maka dalam penelitian ini akan digunakan metoda
Asymptotic Covariance Matrix ACM. Menurut Ghozali 2005, Asymptotic Covariance Matrix merupakan perhitungan matriks varians dan kovarians yang
dihitung berdasarkan pada distribusi data yang tidak normal. Salah satu manfaat penggunaan Asymptotic Covariance Matrix adalah dapat digunakan untuk
mengkoreksi biasnya chi-square dan standar error akibat tidak dipenuhinya asumsi normalitas data.
Output dengan menggunakan koreksi Asymptotic Covariance Matrix ini menghasilkan nilai loading dan koefisien estimasi regresi yang sama dengan
metode sebelumnya tanpa koreksi Asymptotic Covariance Matrix. Akan tetapi standar error dan nilai C.R yang dihasilkan berbeda dengan metoda sebelumnya.
Perbedaan tersebut terjadi karena pada metode sebelumnya asumsi normalitas dilanggar. Sebagai perbandingan output estimasi sebelum dan sesudah dikoreksi
dengan Asymptotic Covariance Matrix dapat dilihat pada Tabel 4.26.
Universitas Sumatera Utara
Kategori