44
a. Standard error untuk satu atau beberapa koefisien adalah sangat besar.
b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
c. Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat.
6. Evaluasi Model Pada langkah ini kesuksesan model dievaluasi melalui telaah terhadap
berbagai kriteria goodness of fit. 7. Interpretasi dan Modifikasi Model
Menginterpretasikan model dan memodifikasikan model bagi model- model yang tidak memenuhi syarat pengujian yang dilakukan.
3.5.1. Confimatory Factor Analysis
Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confimatory Factor Analysis. Pada Confimatory Factor
Analysis atau CFA peneliti menggunakan variabel-variabel yang diteliti
untuk mendefinisikan sebuah faktor yang tidak dapat diukur secara langsung. Analisis atas indikator-indikator yang digunakan itu memberi
makna atas label yang diberikan pada variabel laten atau faktor laten yang dikonfirmasi itu.
45
3.6.Asumsi Model
a. Uji Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi
normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar
histogram data dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun
normalitas multivariant dimana beberapa variabel digunakan sekaligus dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati
scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 :
52. b. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena
kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat
muncul dalam 4 kategori : 1. Outliers muncul karena kesalahan prosedur.
2. Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain.
3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya.
46
4. Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak
lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier. Perlakuan terhadap outliers dilakukan bergantung pada bagaimana
outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap
multivariate outliers .
1. Univariate Outlier Deteksi terhadap adanya outlier univariate dapat dilakukan dengan
menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam
standart score atau yang biasa disebut Z-score yang mempunyai rata- rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau
observasi yang mempunyai Z-score 30 akan dikategorikan sebagai outliers.
2. Multivariate Outlier Evaluasi terhadap multivariate outliers 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 Mahalanobis the Mahalanobis distance
untuk tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah
ruang multidimensional. Uji terhadap outliers multivariate dilakukan
47
dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak Mahalanobis itu dievaluasi dengan menggunakan X
2
c. Multicolinearity dan Singularity pada
derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. Ferdinand, 2002 : 102.
Multikolinearitas dapat dideteksi dan determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil
extremely small memberi indikasi adanya problem multikolinearitas atau singularitas.
d. Uji Validitas dan Reliabilitas Validitas berhubungan dengan apakah suatu variabel mengukur apa
yang seharusnya diukur. Seperti yang dikutip dari Wijanto 2008:65 yaitu bagaimana mendefinisikan cara untuk menguji validitas adalah dengan
melihat standard factor loadings muatan factor standar variabel-variabel teramati indikator terhadap variabel laten faktor merupakan estimasi
validitas variabel-variabel teramati tersebut . Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal
dari indikator-indikator suatu konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah
konstrukfaktor laten yang umum Ferdinand, 2002 : 62. Reliabilitas diuji dengan construct reliability dan variance extracted. construct reliability
dan variance extracted dapat dihitung dengan rumus sebagai berikut :
48
Construct reliability =
j l o
a d
i n s t d
l o a
d i
s t d ε
Σ +
Σ Σ
2 2
Variance extracted =
j l o
a d
i n s t d
l o a
d i
s t d ε
Σ +
Σ Σ
2 2
Hair et.al 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika :
• Nilai Construct Reliability CR nya 0,70 • Nilai Variance Extracted VE nya 0,50
3.7.Pengujian Model dengan One Step Approach
Salah satu keunggulan dan SEM dibandingkan metode regresi akan metode multivariate yang lain adalah penerapan prosedur SEM secara
sekaligus terhadap sebuah model hybrid full SEM kombinasi antara model pengukuran dan model struktural. Penerapan prosedur SEM ini dikenal
sebagai One Step Approach Wijanto, 2008 : 68.
3.7.1. Pengujian Model dengan Two – Step Approach