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