47
3.4.2.2. Uji Outlier Multivariat
Evaluasi terhadap multivariat ouliers perlu dilakukan walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat,
tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis distance untuk tiap
observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji
terhadap multivariat dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat
ρ 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai
χ
2
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Dan apabila nilai Jarak
Mahalanobisnya lebih besar dari nilai χ
2 Tabel
3.4.3. Uji Normalitas Data
adalah Outlier Multivariat.
Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical
ratio dari Skewness dan Kurtosis dengan ketentuan sebagai berikut : -
Kriteria Pengujian Pedoman dalam mengambil keputusan apakah sebuah distribusi data
mengikuti distribusi normal adalah : a
Jika nilai critical yang diperoleh melebihi rentang + 2,58 maka distribusi adalah tidak normal.
b Jika nilai critical yang diperoleh berada pada rentang + 2,58 maka
distribusi adalah normal.
48
3.4.4. Analisis Menggunakan Pemodelan SEM Structural Equation
Modeling
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau
Model Pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural Model
adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor. Ferdinand, 2002 : 34
Untuk membuat pemodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan :
a. Pengembangan model berbasis teori.
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis
yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui program SEM.
b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.
Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram
tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya.
49
c. Konversi diagram alur kedalam persamaan.
Setelah teori model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian
persamaan. d.
Memilih Matriks Input dan Estimasi Model. Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input
data yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya menggunakan matriks VariansKovarians atau matriks korelasi
sebagai data input untuk keseluruhan estimasi yang dilakukannya. e.
Menilai Problem Identifikasi. Problem identifikasi pada prinsipnya adalah problem mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik.
Problem identifikasi dapat muncul melalui gejala-gejala berikut ini : 1.
Standard error untuk satu atau beberapa koefisien sangat besar. 2.
Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
3. Muncul angka-angka yang aneh seperti adanya varians error yang
negatif. 4.
Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9.
50
f. Evaluasi Model.
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap bebagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah :
1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan
dengan perbandingan 5 observasi untuk setiap astimated parameter. 2.
Normalitas dan Linieritas. 3.
Outliers. 4.
Multicolinierity and Singularity.
3.4.5. Uji Hipotesis