Evaluasi Atas Asumsi – asumsi SEM

4.5 Evaluasi Atas Asumsi – asumsi SEM

Sebelum mengolah data lebih lanjut, perlu dilakukan evaluasi lebih dahulu atas asumsi-asumsi SEM. Hal ini karena pada proses pengumpulan data maupun pengolahan data dalam permodelan SEM dituntut untuk memenuhi asumsi-asumsi tertentu. Berikut ini dijelaskan mengenai asumsi yang digunakan dalam penelitian ini meliputi ukuran sampel, normalitas data dan evaluasi Outlier.

4.5.1 Ukuran Sampel

Besarnya ukuran sampel memiliki peran penting dalam interpretasi hasil SEM. Model yang akan diestimasi dengan Maximum Likelihood (ML) dalam SEM dapat diestimasikan dengan sample yang mencukupi antara 100-150. Ukuran sampel yang digunakan dalam penelitian ini berjumlah 120 responden sehingga dapat disimpulkan bahwa ukuran sample yang digunakan telah memenuhi syarat untuk melakukan pengujian model dengan estimasi menggunakan ML dalam SEM.

4.5.2 Normalitas Data

Estimasi dengan Maximum Likelihood menghendaki variabel observed harus memenuhi asumsi normalitas multivariate. Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skewness value sebesar nilai + 2.58 pada tingkat signifikansi 1%. Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness dibawah harga mutlak 2,58. (Imam Ghozali, 2008, p.226). Hasil pengujian normalitas data pada penelitian ini disajikan pada tabel berikut ini.

Tabel 4.5 Hasil Uji Normalitas Data (Assessment of normality) Variable min Max Skew c.r. kurtosis c.r.

X6 2,000 7,000 -,314 -1,405 ,228 ,509 X8 2,000 7,000 -,014 -,061 -,865 -1,935 X3 2,000 7,000 -,024 -,108 -,684 -1,529 X4 2,000 7,000 -,226 -1,012 -,425 -,951 X5 2,000 7,000 -,101 -,450 -,111 -,248

X15 1,000 7,000 -,284 -1,270 ,274 ,613 X16 2,000 7,000 -,205 -,918 -,270 -,604 X17 2,000 7,000 -,353 -1,580 -,299 -,670 X20 1,000 7,000 -,335 -1,500 -,236 -,527 X19 2,000 7,000 ,349 1,560 -,703 -1,573 X18 1,000 7,000 ,236 1,056 -,610 -1,365 X14 1,000 7,000 -,177 -,790 -,006 -,014 X13 2,000 7,000 -,119 -,533 -,341 -,762 X12 1,000 7,000 -,413 -1,845 ,026 ,057

X9 3,000 7,000 -,244 -1,091 -,513 -1,147 X10 3,000 7,000 ,249 1,114 -,295 -,660 X11 3,000 7,000 -,195 -,873 -,667 -1,493

X7 2,000 7,000 -,335 -1,498 -,172 -,384

X1 2,000 7,000 -,196 -,878 -,751 -1,680 X2 1,000 7,000 -,231 -1,033 -,643 -1,438

Multivariate 9,177 1,694 Sumber : Data primer yang diolah, 2010.

Berdasarkan angka-angka pada kolom CR dari tabel 4.5 menunjukkan tidak ada angka yang lebih besar dari + 2.58, sehingga dapat dibuktikan bahwa data yang digunakan mempunyai sebaran yang normal.

4.5.3 Evaluasi Outliers

Evaluasi Outlier terdiri atas oulier univariat dan outlier multivariate. Outliers adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda dengan data lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk variabel tunggal maupun kombinasi (Hair, et al, 1995, p.57). Evaluasi outlier univariate dan outlier multivariate akan dijelaskan sebagai berikut :

1. Evaluasi Outliers Univariate

Pengujian ada tidaknya univariat outliers dilakukan dengan menganalisis nilai standardized (Z-score) dari data penelitian yang digunakan. Apabila terdapat nilai Z-score berada pada rentang + 3,00 maka akan dikategorikan sebagai univariat outliers. Hasil pengolahan data untuk pengujian ada tidaknya univariat outliers disajikan pada tabel berikut ini.

Tabel 4.6 Hasil Analisis Univariate Outliers

Descriptive Statistics

Std. Deviation Zscore: RelEffort1

,0000000 1,00000000 Zscore: RelEffort2

,0000000 1,00000000 Zscore: RelEffort3

,0000000 1,00000000 Zscore: RelEffort4

Zscore: Kualayanan1

Zscore: Kualayanan2

,0000000 1,00000000 Zscore: Kualayanan3

,0000000 1,00000000 Zscore: Kualayanan4

,0000000 1,00000000 Zscore: Reputasi1

,0000000 1,00000000 Zscore: Reputasi2

,0000000 1,00000000 Zscore: Reputasi3

Zscore: Delight1

,0000000 1,00000000 Zscore: Delight3

Zscore: Delight2

Zscore: Percaya1

Zscore: Percaya2

,0000000 1,00000000 Zscore: Percaya3

,0000000 1,00000000 Zscore: WOM1

,0000000 1,00000000 Zscore: WOM2

,0000000 1,00000000 Zscore: WOM3

,0000000 1,00000000 Valid N (listwise)

Sumber: Data primer yang diolah, 2010

Hasil pengujian menunjukkan bahwa ada indikator yang memiliki rentang >3, namun demikian tidak ada alasan untuk menghilangkan data tesebut karena data tersebut menggambarkan keadaan yang sesungguhnya pada diri responden penelitian.

2. Multivariat Outliers

Multivariate outliers dapat dilihat dari jarak Mahalanobis (Mahalanobis Distance). Mahalanobis Distance berdasarkan nilai Chi-Square pada derajat bebas

20 (jumlah indikator) pada tingkat p < 0.001 adalah 2 χ (20, 0.001) = 45,3147

(berdasarkan Tabel distribusi 2 χ ). Hasil dari nilai jarak mahalonobis data penelitian ini tertera pada tabel berikut.

Tabel 4.7

Hasil Analisis Outlier Multivariat

Observation number

p2 107 34,763 ,021 ,730

Mahalanobis d-squared

3 13,427 ,858 ,822 Sumber : Data primer yang diolah, 2010.

Berdasarkan tabel 4.7 dapat diketahui bahwa jarak Mahalanobis tertinggi adalah 35,167 dan terendah 13,427. Hal ini menunjukkan bahwa tidak terdapat multivariate outliers, karena tidak ada nilai yang melampaui 45,3147.