BAB III BAB III
G. Analisis Model Persamaan Struktural
1. Analisis asumsi SEM
a. Evaluasi normalitas data
Asumsi normalitas data diuji dengan melihat nilai skewness dan kurtosis dari data yang digunakan. Apabila nilai CR pada skewness maupun kurtosisdata berada pada rentang antara ±2.58, maka data masih dapat dinyatakan berdistribusi normal pada tingkat signifikansi 0.01. Hasil pengujian normalitas data ditampilkan pada tabel berikut:
Tabel 4.16 Assessment of Normality
No Variable MIN MAX SKEW C.R. KURTOSIS C.R.
1. X12 25.000 50.000 -.019 -.109 -.243 -.689
2. X11 22.000 48.000 -.897 -5.098 .301 .855
3. X10 26.000 50.000 -.232 -1.320 .547 1.556
4. Y4 11.000 38.000 -.569 -3.238 -.468 -1.331
5. Y3 16.000 42.000 -.145 -.824 -.785 -2.233
6. Y2 10.000 44.000 -.981 -5.578 .231 .657
7. Y1 19.000 43.000 -.170 -.966 -.115 -.327
8. Z3 26.000 46.000 .052 .295 .018 .053
9. Z2 30.000 50.000 .271 1.542 .076 .216
10. Z1 20.000 40.000 .074 .422 -.254 -.721
11. X7 29.000 40.000 .428 2.433 -1.095 -3.112
12. X8 30.000 40.000 1.141 6.489 .763 2.170
13. X9 14.000 40.000 -.535 -3.043 -.716 -2.037
14. X4 22.000 49.000 -.854 -4.853 .195 .555
15. X5 23.000 47.000 -.515 -2.928 -.331 -.942
16. X6 23.000 45.000 -.183 -1.042 .229 .651
17. X3 31.000 40.000 -.226 -1.283 -.190 -.541
18. X2 32.000 40.000 -.582 -3.310 -.290 -.824
19. X1 34.000 40.000 -.795 -4.519 -.645 -1.834
Multivariate 7.832 1.931
Sumber : Hasil Pengolahan Data, 2015
Tabel di atas menunjukkan bahwa terdapat nilai pada kolom critical ratio (c.r.) yang lebih besar dari ± 2,58, yaitu untuk variabel X7 dengan nilai critical ratio masing-masing sebesar -3.112. Oleh karena itu dapat dikatakan bahwa secara univariate data dari variabel tersebut ini tidak berdistribusi normal. Namun hasil pengujian normalitas multivariate pada kolom critical ratio
(c.r.) menunjukkan hasil perhitungan sebesar 1.931 yang berarti jauh lebih kecil dari nilai batas ±2,58. Dengan demikian, dapat ditarik kesimpulan bahwa hasil penilaian normalitas terhadap data penelitian yang digunakan dalam model penelitian empiris ini adalah normal secara multivariate yang berarti sangat layak untuk digunakan dalam estimasi selanjutnya.
b. Evaluasi univariate dan multivariate outliers
Outliers adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk sebuah variabel tunggal atau kombinasi (Hair et al.,2006). Outliers dapat dievaluasi dengan dua cara, yaitu dengan melakukan analisis terhadap univariate outliers dan multivariate outliers.
Univariate outliers dapat dideteksi dengan menentukan nilai ambang batas yang dikategorikan sebagai outliers dengan cara mengkonversi nilai data ke dalam standard scoreatau Z-score yang mempunyai rata rata nol dengan standar deviasi sebesar satu. Bila nilai-nilai itu dinyatakan dalam format standar (z-score), maka perbandingan antara besaran nilai dengan mudah dapat dilakukan. Untuk sampel besar (di atas 80 observasi), pedoman evaluasi adalah nilai ambang batas dari z-score itu berada pada rentang ±3 sampai dengan ±4 (Hair et.al, 2006). Karena itu, nilai observasi yang mempunyai z-score diatas ambang batas dikategorikan sebagai outliers. Hasil penilaian dengan z-score dapat dilihat pada tabel berikut:
Tabel 4.17 Pengujian Univarite Outliers dengan Z-score
N Minimum Maximum Mean Std. Deviation Zscore(X1) 194 -2.64975 .85913 0.000000 1.00000000 Zscore(X2) 194 -2.98565 1.30882 0.000000 1.00000000 Zscore(X3) 194 -3.18385 1.57965 0.000000 1.00000000 Zscore(X4) 194 -2.76161 1.74612 0.000000 1.00000000
Zscore(X5) 194 -2.55228 1.94220 0.000000 1.00000000 Zscore(X6) 194 -3.31810 2.15606 0.000000 1.00000000 Zscore(X7) 194 -1.67979 1.87644 0.000000 1.00000000 Zscore(X8) 194 -.98591 2.67119 0.000000 1.00000000 Zscore(X9) 194 -2.36613 1.51635 0.000000 1.00000000 Zscore(X10) 194 -3.52808 2.27847 0.000000 1.00000000 Zscore(X11) 194 -2.61125 1.62248 0.000000 1.00000000 Zscore(X12) 194 -2.70608 2.05780 0.000000 1.00000000 Zscore(Z1) 194 -2.88451 1.81402 0.000000 1.00000000 Zscore(Z2) 194 -2.65710 2.94896 0.000000 1.00000000 Zscore(Z3) 194 -2.59079 2.08904 0.000000 1.00000000 Zscore(Y1) 194 -2.32934 2.81311 0.000000 1.00000000 Zscore(Y2) 194 -2.65579 1.63879 0.000000 1.00000000 Zscore(Y3) 194 -1.96924 2.74051 0.000000 1.00000000 Zscore(Y4) 194 -2.08239 1.70101 0.000000 1.00000000 Valid N (listwise) 194
Sumber : Hasil Pengolahan Data, 2015
Tabel diatas menunjukkan bahwa semua nilai yang telah distandarisasi dalam bentuk z-score mempunyai rata-rata sama dengan nol (0,000) dengan standar deviasi sebesar 1,000.
Kesimpulannya adalah bahwa data observasi yang digunakan dalam model penelitian empiris terbebas dari univariate outliers, karena tidak ada variabel yang mempunyai nilai z-score maksimum di atas ambang batas yang ditentukan.
Evaluasi multivariate outliers perlu dilakukan karena meskipun data yang dianalisis menunjukkan adanya outliers pada tingkat univariate, tetapi observasi-observasi itu dapat menjadi bukan outliers bila sudah dikombinasikan.
Evaluasi multivariate outliers dilakukan dengan menggunakan perhitungan jarak mahalanobis (the mahalonobis distance) untuk tiap-tiap variabel. The mahalonobis distance menunjukkan jarak sebuah variabel dari rata-rata semua
variabel dalam sebuah ruang multidimensional.Uji outliers dilakukan untuk menghilangkan nilai-nilai ekstrim pada hasil observasi. Outliers terjadi karena kombinasi unik yang terjadi dan nilai-nilai yang dihasilkan dari observasi tersebut sangat berbeda dari observasi-observasi lainnya. Apabila ditemukan outliers, maka data yang bersangkutan harus dikeluarkan dari perhitungan lebih lanjut. Dalam analisis multivariat, outliers dapat diuji dengan membandingkan nilai mahalanobis distancesquared dengan nilai χ2–tabel pada jumlah tertentu dan tingkat (p) < 0,01 (Hair et al.,2006 dalam Ghozali 2013). Dengan menggunakan Program Aplikasi AMOS 22 pengujian mahalanobis distance squared menghasilkan nilai sebagai berikut :
Tabel 4.18 Pengujian Multivariat Outliers dengan Mahalanobis Distance Squared
No. Observation
number Mahalanobis
d-squared p1 p2
1. 163 35.505 .012 .906
2. 150 34.395 .017 .831
3. 129 33.790 .019 .730
4. 5 33.262 .022 .634
5. 54 32.435 .028 .632
6. 10 31.790 .033 .620
7. 80 30.643 .044 .757
8. 191 30.257 .049 .731
9. 168 30.151 .050 .635
10. 123 29.800 .054 .614
11. 23 29.619 .057 .547
12. 149 29.588 .057 .434
13. ... ... .... ....
14. 26 17.940 .526 .648
Sumber : Hasil Pengolahan Data, 2015
Perhitungan jarak mahalanobis didasarkan pada nilai chi-square dalam tabel distribusi χ2 pada derajat bebas sebesar jumlah indikator yang digunakan dalam penelitian.
Dalam penelitian ini digunakan 17 indikator pada tingkat (p) <
0,001 yaitu χ2 (19; 0.001) = 43.820. Oleh karena itu data yang memiliki jarak mahalanobis lebih besar dari 43.820 dianggap multivariate outliers. Perhitungan jarak mahalanobis dari data dapat dilihat pada lampiran hasil perhitungan SEM bagian Observations farthest from the centroid (mahalanobis distance) yaitu data yang paling besar adalah 35.505 dan yang paling kecil adalah 17,940. Kesimpulannya adalah bahwa tidak ada jarak mahalanobis yang lebih besar dari 43.820 sehingga data penelitian ini tidak terdeteksi adanya outlier multivariate.
c. Multicollinearity dan singularity
Untuk melihat apakah terdapat multicollinearity atau singularity dalam sebuah kombinasi variabel, perlu mengamati determinan matriks covarians. Determinan matriks kovarians yang benar-benar kecil atau sama dengan 0 mengindikasikan adanya multikolinearitas atau singularitas (Tabachnick dan Fidell, 1988 dalam Ghozali 2013) sehingga data tidak dapat digunakan untuk analisis yang sedang dilakukan.
Berdasarkan dari output SEM yang dianalisis dengan menggunakan Program AMOS 22, Hasil analisis determinant of sample covariance matrix pada penelitian ini adalah 33.66 yang berarti nilainya jauh dari nilai 0. Nilai tersebut menunjukkan bahwa nilai determinan sangat besar dan positif. Hasil tersebut menunjukan bahwa nilai determinan matriks kovarians bernilai positif. Dengan demikian dapat dikatakan bahwa tidak terdapat multikolinearitas dan singularitas serta data ini layak dipergunakan.
d. Interpretasi dan modifikasi model
Interpretasi dan modifikasi dimaksudkan untuk melihat apakah model yang dikembangkan dalam penelitian ini, perlu dimodifikasi atau dirubah sehingga mendapatkan model yang lebih baik lagi. Sebuah model penelitian dikatakan baik jika memiliki nilai standardized residual covariance yang diluar
standar yang ditetapkan (≤ ±2,58). Hasil standardized residual covariance model penelitian ini ditampilkan pada tabel di bawah ini
Tabel 4.19 Standardized Residual Covariances (Group number 1 - Default model)
X9Y4Z3X12Y3Y2Y1X7X3X1X11X10Z2Z1X8X4X5X6X2 X9-0.015 Y40.292-0.093 Z3-0.4150.005-0.282 X120.325-0.1330.0110.033 Y3-0.590-0.359-0.046-0.284-0.503 Y2-0.754-0.2130.261-0.512-0.661-0.299 Y1-0.385-0.221-1.0480.5700.9401.201-0.153 X7-0.2480.0170.8590.263-3.251-0.0771.277-0.213 X30.4930.3700.719-0.3541.4940.808-0.5470.2940.001 X10.2271.2810.806-1.0781.5262.062-0.203-0.262-0.329-0.146 X110.248-0.0050.714-0.142-0.819-0.9721.3470.1890.3310.938-0.769 X100.513-0.475-0.4410.0020.101-0.2901.0831.083-0.041-1.362-0.3870.142 Z21.0800.1680.541-0.279-0.1210.6110.343-0.600-0.592-0.595-0.436-0.655-0.334 Z10.0290.227-0.4930.6130.4990.688-1.0520.432-2.957-1.1941.0140.085-0.599-0.746 X8-1.226-0.7103.242-0.608-0.739-1.5600.8950.1010.7730.732-1.6080.9161.0341.258-0.393 X41.033-0.6070.2650.288-0.622-1.766-0.125-1.7931.596-1.031-0.255-0.3921.4121.869-0.1450.000 X51.403-0.0160.5400.315-0.369-1.2110.284-0.3420.6240.454-0.249-0.6821.1211.542-0.582-0.505-0.593 X60.6060.3391.8730.2540.190-1.2550.289-0.9161.269-0.379-0.425-0.5401.0231.2680.311-0.101-0.208-0.087 X2-0.1560.2690.4340.5060.6861.0860.2020.968-0.143-0.1650.468-0.689-0.782-0.8220.5510.9130.5840.559-0.146
Sumber : Hasil Pengolahan Data, 2015
Dari hasil analisis penelitian seperti terlihat pada tabel diatas menunjukkan adanya nilai standardized residual covariance yang melebihi ± 2,58. Nilai standardized residual covariance tersebut 3.242, -3.251 dan -2.957. Dengan melihat pada hasil tersebut maka perlu dilakukan modifikasi model penelitian ini
Berdasarkan hasil yang telah diuraikan di atas dengan menggunakan Program AMOS 22, maka didapatkan model Structural Equation Model (SEM) setelah dilakukan modifikasi dapat dilihat pada gambar model dibawah ini:
Gambar 4.24 Hasil Modifikasi Analisis Structural Equation Model (SEM)