Evaluasi terhadap outlier multivariate perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat
univariate, tetapi observasi itu dapat menjadi outlier bila sudah saling dikombinasikan. Mahalanobis untuk tiap observasi dapat dihitung dan
menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate dilakukan
dengan cara kriteria jarak Mahalanobis pada tingkat p0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai X2 pada
derjat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai jarak Mahalanobisnya lebih besar dari nilai X2 tabel adalah
outlier multivariate.
3.4.4. Uji Normalitas Data
Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical
ratio dari Swekness dan Kurtosis dengan ketentuan sebagai berikut : a.
Jika nilai critical yang diperoleh melebihi rentang +- 2,58, maka distribusi adalah titik normal.
b. Jika nilai critical yang diperoleh berada pada +- 2,58, maka distribusi
adalah normal.
3.4.5. Uji Hipotesis
Analisis yang digunakan untuk menjawab hipotesis dalam penelitian ini menggunakan model persamaan struktur atau SEM dengan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
menggunakan paket program Amos 4,0 dan SPSS versi 13.0. SEM adalah teknik multivariat yang mengkombinasikan aspek multiple regression dan
factor analysis untuk mengestimasikan hubungan saling ketergantungan secara simultan Hair et al, 2006:88.
Hair et al 2006:88 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas
hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data maka model
dianggap sebagai yang diperkuat. Sebaliknya suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data.
Amos dapat menguji apakah model “good fit” atau “poor fit”, jadi “good fit” model yang diuji sangat penting dalam penggunaan SEM.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria goodness of fit, yakni Chi-square, Probability, RMSEA, GFI,
AGFI, CMINDDF, TLI, CFI. Apabila model awal tidak good fit dengan data, maka model dikembangkan dengan pendekatan two step approach to
SEM. Tabel 1.1 Goodness Of Fit Indices
Goodness Of Fit Index
Keterangan Cut-Off Value
X2-Chi-Square Menguji apakah
covariance populasi yang destimasi sama dengan
covariance sample Diharapkan
kecil, 1 sampai dengan 5 atau
paling baik diantara 1 dan 2
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Probability Uji signifikan terhadap
perbedaan matrics covariance data dan
matrics covariance yang destimasi
Minimum 0,1 atau 0,2 atau -
0,05
RMSEA Mengkompensasi
kelemahan chi-square pada sampel besar
-0,08
GFI Menghitung proporsi
tertimbang varians dalam matrics sample yang
dijelaskan oleh matrics covariance
populasi yang diestimasi -0,90
AGFI GFI yang disesuaikan
terhadap DF -0,90
CMINDDF Kesesuaian antara data
dan model -2,00
TLI Perbandingan antara
model yang diuji terhadap baseline model
-0,95
CFI Uji kelayakan model yang
tidak sensitive terhadap besarnya sampel dan
kerumitan model -0,94
Sumber : Hair et al 1998
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV HASIL DAN PEMBAHASAN
4.1. Gambaran Umum PT. Duta Cipta Pakarperkasa
