89
4.4. Analisis Data
4.4.1. Evaluasi 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 atau mutivariat Hair, 1998. Evaluasi terhadap outlier multivariate antar variabel 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 antara
Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang
multidimensional Hair.dkk, 1998; Tabachnick Fidel, 1996. Uji terhadap outliers multivariate
dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan menggunakan
χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang digunakan dalam
penelitian ini. Hasil uji outlier tampak pada tabel berikut :
90
Tabel 4.9. Outlier Data
Minimum Maximum
Mean Std.
Deviation N
Predicted Value 12,920
86,510 54,500
16,324 108
Std. Predicted Value -2,547
1,961 0,000
1,000 108
Standard Error of Predicted Value 5,822
14,586 9,647
1,962 108
Adjusted Predicted Value 2,760
90,640 55,010
17,187 108
Residual -57,352
57,493 0,000
26,730 108
Std. Residual -2,022
2,027 0,000
0,942 108
Stud. Residual -2,242
2,121 -0,008
1,002 108
Deleted Residual -70,549
62,961 -0,510
30,271 108
Stud. Deleted Residual -2,292
2,161 -0,009
1,009 108
Mahal. Distance 3,515
27,295 11,889
5,195 108
Cooks Distance 0,000
0,089 0,010
0,015 108
Centered Leverage Value 0,033
0,255 0,111
0,049 108
a Dependent Variable: RESP
Sumber: Lampiran 2 Deteksi terhadap multivariat outliers dilakukan dengan menggunakan
kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan
χ
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak
Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
χ
2 0.001
dengan jumlah indikator 12 adalah sebesar 32,909. Hasil analisis Mahalanobis diperoleh nilai 27,295
yang kurang dari
χ
2
tabel 32,909 tersebut. Dengan demikian, tidak terjadi multivariate outliers.