Nisfi Hemas D Asmara

06211640000126
An. Multivariat - A

A. Uji Validitas dan Reliabilitas

Pengujian validitas dilakukan untuk melihat valid tidaknya suatu sub indikator
menggambarkan indikator. Berikut merupakan hasil output uji validitas menggunakan SPSS
AMOS.
Tabel 1. Uji Validitas
Estimate
E <--- D ,508
C <--- D ,386
C <--- E ,430
B <--- D ,345
B <--- C ,295
A <--- D ,493
A <--- E ,222
A <--- B ,199

Berdasarkan Tabel 1 dapat dilihat bahwa terdapat nilai estimate yang lebih dari 0,5 dan
kurang dari 0,5 maka dapat disimpulkan bahwa terdapat indikator valid dan tidak valid.
Sedangkan untuk pengujian reliabilitas dapat dilihat dari nilai p-value di mana jika nilai P
kurang dari 0,05 maka indikator dikatakan reliabel.

Tabel 2. Uji Reliabilitas

 Nisfi Hemas D Asmara
06211640000126
An. Multivariat - A
Estimate S.E. C.R. P Label
D ,365 ,074 4,899 ***
r3 ,317 ,065 4,899 ***
r4 ,171 ,035 4,899 ***
r1 ,211 ,043 4,899 ***
r2 ,097 ,020 4,899 ***

Pada Tabel 2 dapat diketahui bahwa semua nilai P kurang dari 0,05 maka dapat
disimpulkan bahwa semua indikator sudah reliabel.

B. Uji Asumsi SEM

1. Normal Multivariat
Asumsi normalitas multivariat harus terpenuhi agar data dapat digunakan dalam
pemodelan dan analisis SEM. Uji normalitas multivariat melibatkan seluruh indikator
penelitian. Pengujian normalitas multivariat dalam penelitian ini dilakukan dengan
bantuan software.
Hipotesis :
H0 : Data berdistribusi normal multivariat
H1 : Data tidak berdistribusi normal multivariat
Statistik uji
Tabel 3. Assessment of Normality

Variable min max skew c.r. kurtosis c.r.

D 1,750 5,000 -1,155 -3,300 2,354 3,364
E 1,333 5,000 -1,279 -3,654 3,800 5,429
C 2,667 4,667 -,450 -1,287 -,416 -,595
B 2,333 4,667 -,982 -2,807 ,778 1,111
A 2,000 4,667 -1,056 -3,019 3,161 4,516
Multivariate 7,064 2,955

Nilai c. r. = 2,955
Nilai kritis
Tolak H0 jika nilai c. r. tidak berada di antara -1,96 hingga 1,96.

Keputusan
Tolak H0
Kesimpulan
Data tidak memenuhi asumsi berdistribusi normal multivariat

2. Outlier
 Nisfi Hemas D Asmara
06211640000126
An. Multivariat - A
Data outlier dapat dideteksi melalui jarak Mahalanobis (nilai p1). Jika nilai p1 <
0,01 maka data dikatakan outlier. Berikut merupakan hasil output dari jarak
Mahalanobis.
Tabel 4. Observations Farthest From The Centroid
Observation number Mahalanobis d-squared p1 p2
22 23,391 ,000 ,014
24 14,480 ,013 ,131
25 12,861 ,025 ,121
13 9,426 ,093 ,682
40 9,268 ,099 ,540
4 9,093 ,105 ,415
6 9,002 ,109 ,283
27 8,071 ,152 ,476
2 7,675 ,175 ,495
45 6,818 ,235 ,744
43 6,502 ,260 ,765
31 6,370 ,272 ,715
47 6,171 ,290 ,699
21 5,754 ,331 ,793
36 5,729 ,333 ,707
20 5,612 ,346 ,663
32 5,223 ,389 ,773
35 5,009 ,415 ,792
8 4,924 ,425 ,749
49 4,674 ,457 ,796
19 4,610 ,465 ,744
44 4,235 ,516 ,861
9 4,008 ,548 ,895
7 3,984 ,552 ,845
42 3,984 ,552 ,767
38 3,697 ,594 ,852
15 3,451 ,631 ,903
3 3,381 ,641 ,878
33 3,275 ,658 ,868
29 3,248 ,662 ,813
37 3,248 ,662 ,723
16 3,114 ,682 ,728
17 3,109 ,683 ,625
10 2,957 ,707 ,645
41 2,821 ,728 ,651
5 2,769 ,736 ,579
23 2,512 ,775 ,700
28 2,512 ,775 ,575
14 2,275 ,810 ,678
 Nisfi Hemas D Asmara
06211640000126
An. Multivariat - A
Observation number Mahalanobis d-squared p1 p2
39 2,275 ,810 ,542
18 2,124 ,832 ,556
48 2,041 ,843 ,492
1 1,867 ,867 ,519
46 1,543 ,908 ,706
26 1,529 ,910 ,543
12 1,503 ,913 ,371
30 1,223 ,943 ,461
11 ,928 ,968 ,535
34 ,725 ,982 ,402

Berdasarkan nilai p1 pada Tabel 4 dapat diketahui bahwa terdapat nilai p1 < 0,01
yaitu pada observasi ke-22 maka dapat dikatakan bahwa terdapat data outlier.
3. Multikolinieritas
Multikolinieritas dapat dilihat dari detereminan matriks kovarian sampelnya.
Determinan yang mendekati nol mengindikasikan adanya multikolinieritas, sehingga
data tidak dapat digunakan untuk penelitian.
Tabel 5. Sample Correlation
D E C B A
D 1,000
E ,508 1,000
C ,604 ,626 1,000
B ,523 ,437 ,503 1,000
A ,708 ,558 ,450 ,552 1,000

Berdasarkan Tabel 5 diketahui bahwa nilai korelasi antar indikator tidak mendekati 1
sehingga dapat disimpulkan bahwa tidak terdapat multikolinieritas.

C. Uji Kelayakan Model

Uji kelayakan model dilihat dari kriteria goodness of fit antara lain yaitu chi-square,
probabilitas, CMIN/DF, RMSEA, GFI, AGFI, TLI, dan CFL. Jika salah satu nilai goodnees of
fit maka model dikatakan fit atau layak.
Tabel 6. Kelayakan Model
Goodness of Fit Cut-off value Hasil Analisis Kesimpulan
Chi-square < 23,685 2,512 Terpenuhi
Probability ≥ 0,05 0,285 Terpenuhi
 Nisfi Hemas D Asmara
06211640000126
An. Multivariat - A
RMSEA ≤ 0,08 0,073 Terpenuhi
GFI ≥ 0,90 0,979 Terpenuhi
AGFI ≥ 0,90 0,846 Tidak Terpenuhi
CMIN/DF ≤ 2,00 1,256 Terpenuhi
TLI ≥ 0,95 0,975 Terpenuhi
CFI ≤ 0,95 0,995 Tidak Terpenuhi

Berdasarkan Tabel 6 diketahui bahwa hanya salah satu kriteria yang tidak terpenuhi
yaitu AGFI maka dapat disimpulkan bahwa model sudah layak atau fit.