commit to user
58 Berdasarkan tabel 11 terlihat hasil pengujian normalitas data dalam
penelitian ini. Evaluasi normalitas diidentifikasi baik secara univariate maupun multivariate. Secara univariate untuk nilai-nilai dalam C.R kurtosis, semua item
memiliki nilai diantara ± 2,58 yang berarti bahwa secara univariate sebaran data dapat dianggap normal, sehingga dapat digunakan untuk estimasi pada analisis
selanjutnya. Data dalam penelitian ini terdistribusi moderat atau normalitas sedang
secara multivariate dengan nilai C.R kurtosis 4,400 7 menurut Curran et al. Dikarenakan data secara univariate dapat dikatakan sudah normal, begitupun
secara multivariate, sehingga pengujian outlier dalam penelitian ini tidak diperlukan, akan tetapi agar memberikan gambaran yang jelas mengenai sebaran
data observasi maka dalam penelitian ini tetap dilakukan pengujian outlier. Adapun hasil pengujian outlier akan dibahas selanjutnya
c. Evaluasi Outlier
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakteristik unik yang sangat berbeda dari observasi lainnya dan
muncul dalam bentuk ekstrim baik untuk variabel tunggal maupun variabel kombinasi Hair et al, 1998 dalam Ferdinand, 2006:54. Dalam analisis
multivariate, adanya outlier dapat diuji dengan statisic chi square
2
terhadap nilai mahalanobis distance squared pada tingkat signifikansi 0,001 dengan degree
of freedom sejumlah variabel yang digunakan dalam penelitian. Tabel 12. Hasil Pengujian Outlier
Observation number Mahalanobis d-squared
p1 p2
144 81.232
.000 .001
118 71.405
.000 .000
Sumber : Data primer yang diolah, 2011.
Berdasarkan tabel 12 dapat diketahui terdapat indikasi 2 nilai observasi yang mengalami outlier karena nilai p1 0,05 adan p2 0,05.
commit to user
59
C. Pengujian Hipotesis
1. Analisis Kesesuaian Model Goodness-of-fit
Untuk mengetahui kriteria model yang baik Goodness of Fit digunakan: Absolute Fit Measured pengukuran indeks mutlak, Incremental Fit Measured
pengukuran tambahan indeks dan Parsimonious Fit Measured pengukuran kesederhanaan indeks. Gambar 11 berikut ini, merupakan model struktural Path
Diagram.
Gambar 11. Model e-learning
NB P
KP
.2 2
KI
.1 1
KL
.1 6
KS
NB1
.2 4
e29
1.0 1
NB2
.2 6
e28
.9 1
NB3
.2 1
e27
1.0 7
1
NB4
.3
e26
.9 1
1
NB5
.3
e25
.9 1
NB6
.3 1
e24
.8 8
1
NB7
.3 3
e23
.9 9
1
NB8
.4 3
e22
.6 5
1
P1
.2 3
e32
1.0 1
P2
.2 5
e31
1.1 1
1
P3
.2 4
e30
.8 9
1
KP3
.2 5
e21
1.0 1
KP2
.1 7
e20
1.0 1
1
KP1
.2 3
e19
1.1 7
1
KS7
.3 5
e7
1.0 1
KS6
.2 3
e6
1.0 4
1
KS4
.2 3
e4
1.0 6
1
KS3
.2 6
e3
1.2 2
1
KS2
.2 6
e2
1.5 3
1
KS1
.2 7
e1
.6 5
1
KL5
.2 4
e18
1.0 1
KL4
.2 3
e17
1.5 2
1
KL3
.2 4
e16
1.5 6
1
KL2
.2 2
e15
- .02
1
KL1
.2 9
e14
1.3 9
1
KI6
.2 7
e13
1.0 1
KI5
.3
e12
1.1 9
1
KI4
.2 6
e11
1.2 1
KI3
.2 9
e10
1.0 6
1
KI2
.3
e9
.9 7
1
KI1
.2 2
e8
1.3 8
1 -
1.92 .3
.9 6
1.9 6
.6 3
1.6 8
.4 1
1.3 7
.4 8
.0 5
Z2
- .01
Z3
.0
Z1
1
1 1
KS5
.2 2
e5
1 1.0
4
goodness of fit chi square= 1124,705
probality= 000 CMINDF= 2.472
RMSEA= .094 GFI= .748
AGFI= .704 NFI= .742
TLI= .811 CFI= .826
PNFI= .680
Model e-learning setelah outlier di hapus
