Uji Normalitas Sebaran dan Linieritas Evaluasi atas

4.3. Deskripsi Hasil Analisis dan Uji Hipotesis

4.3.1. Asumsi Model

4.3.1.1. Uji Normalitas Sebaran dan Linieritas

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 4.22 Hasil Pengujian normalitas data Variable min max Kurtosis c.r. X11 4 7 0.211 0.447 X12 4 7 -0.454 -0.963 X13 4 7 -0.295 -0.625 X21 4 7 -0.136 -0.289 X22 4 7 -0.640 -1.358 X23 4 7 0.061 0.130 X31 4 7 -0.495 -1.051 X32 4 7 -0.380 -0.806 X41 4 7 -0.254 -0.539 X42 4 7 0.012 0.026 X43 4 7 -0.276 -0.586 Y11 4 7 -0.486 -1.032 Y12 4 7 0.017 0.035 Y13 4 7 -0.115 -0.245 Y21 4 7 -0.304 -0.645 Y22 4 7 -0.568 -1.205 Y23 4 7 -0.534 -1.133 Y24 4 7 -0.078 -0.166 Multivariate -8.386 -1.624 Batas Normal ± 2,58 Sumber : lampiran 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 uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas 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.

4.3.1.2. Evaluasi atas

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 Hair,1998. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square 2 pada df sebesar jumlah variabel bebasnya df = 18. Ketentuan : bila Mahalanobis dari nilai 2 adalah multivariate outlier . Pada penelitian ini terdapat outlier apabila nilai Mahalanobis distancenya 42,312. Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate : Tabel 4.23 Hasil pengujian Outlier Multivariate Minimum Maximum Mean Std. Deviation N Predicted Value 21.150 85.950 54.500 15.222 108 Std. Predicted Value -2.191 2.066 0.000 1.000 108 Standard Error of Predicted Value 9.187 16.330 12.496 1.537 108 Adjusted Predicted Value 21.580 91.060 54.380 16.355 108 Residual -50.917 59.699 0.000 27.373 108 Std. Residual -1.696 1.989 0.000 0.912 108 Stud. Residual -1.794 2.284 0.002 1.007 108 Deleted Residual -57.380 78.714 0.115 33.383 108 Stud. Deleted Residual -1.817 2.341 0.004 1.015 108 Mahalanobis Distance [MD] 9.034 30.682 17.833 4.562 108 Cooks Distance 0.000 0.087 0.012 0.015 108 Centered Leverage Value 0.084 0.287 0.167 0.043 108 a Dependent Variable : NO. RESP Sumber : lampiran Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 30,682 lebih kecil dari 42,312. Oleh karena itu diputuskan dalam penelitian tidak terdapat outlier multivariate antar variabel.

4.3.1.3. Deteksi