2.3. Kerangka Konseptual Kepuasan
3.4.1. Uji Reliabilitas dan Validitas
3.4.2.2. Uji Outlier Multivariat
Evaluasi terhadap multivariat ouliers perlu dilakukan sebab 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 χ2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih besar dari nilai χ2Tabel
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 :
1. Jika nilai critical yang diperoleh melebihi rentang + 2,58 maka distribusi adalah tidak normal.
2. Jika nilai critical yang diperoleh berada pada rentang + 2,58 maka distribusi adalah normal.
3.4.4. 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. (Augusty, 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 path diagram. Path diagram tersebut memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya.
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 varians kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
e. Menilai Problem Identifikasi.
Problem identifikasi 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 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). 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
Dalam analisis SEM umumnya berbagai jenis fit index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesakan dengan data
yang disajikan. Berikut ini adalah index kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
a. χ2
Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood ratio Chi-Square Statistic. Model yang diuji akan dipandang baik atau memuaskan apabila nilai chi-squarenya rendah. Semakin kecil nilai χ
(Chi Square Statistic).
2
b. RMSEA (The Root Mean Square Error of Approximation)
semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar ρ > 0,05 atau ρ > 0,10.
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi
chi-squre statistic dalam yang besar. Nilai RMSEA menunjukkan goodness- of-fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degree of freedom.
c. GFI (Goodness of Fit Index).
Indeks keseusaian (fit index) ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks populasi yang terestimasikan. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit.
d. AGFI (Adjusted Goodness-of-Fit Index).
GFI adalah analog dari R2
e. CMIN/DF.
dalam regresi linier berganda yaitu suatu koefisien yang mengukur ketepatan sebuah model yang digunakan. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
The Minimum Sample Discrepancy Function (CMIN) dibagi dengan degree of freedomnya akan menghasilkan indeks CMIN/DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Nilai χ2
f. TLI (Tucker Lewis Indeks)
relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data.
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan > 0.95 dan nilai yang sangat mendekati 1 menunjukkan a very good fit.
g. CFI (Comparative Fit Index).
Merupakan besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi (a very good fit). Nilai yang direkomendasikan adalah CFI > 0,95.
37