Mengatasi Data Tidak Normal pada Analisis SEM

Salah satu uji asumsi yang harus dipenuhi dalam analisis SEM adalah uji normalitas. Uji Normalitas data ini dimaksudkan untuk mengetahui normal tidaknya distribusi penelitian masing-masing variabel (Ghozali, 2011). Normalitas data dapat dilihat dari nilai critical ratio (CR) pada skewness maupun kurtosis, data dikatakan normal secara multivariat jika nilai c.r kurtosis multivariat < 3 pada taraf signifikan 5%, sedangkan jika nilai c.r kurtosis melebihi 3 maka dikatakan data tidak berdistribusi normal. Berikut ini adalah contoh ketidaknormalan data pada analisis SEM dengan menggunakan program AMOS :

Keluaran AMOS - Hasil Uji Normalitas

Dari gambar di atas, dapat dilihat bahwa nilai c.r multivariate yang diperoleh dari hasil uji normalitas adalah sebesar 11,690, nilai ini lebih dari 3 yang berarti data penelitian tidak memenuhi asumsi normalitas. 

Dalam sebuah penelitian yang menggunakan teknik analisis SEM, jika asumsi normalitas terpenuhi, peneliti cenderung akan menggunakan metode estimasi Maximum Likelihood biasa, namun demikian Estimasi model dengan metode Maximum Likelihood (ML) sangat sensitif kepada taburan data yang tidak normal (Hair, Anderson, Tatham & Black 1998), sehingga jika asumsi normalitas tidak terpenuhi maka peneliti akan cenderung akan menggunakan metode estimasi lain yang lebih tahan (robust) terhadap ketidaknormalan data.

Beberapa alternatif yang dapat dilakukan untuk mengatasi ketidaknormalan data adalah sebagai berikut :

1. Eliminasi OutlierOutlier adalah hasil observasi yang muncul dengan nilai-nilai ekstrim, baik secara univariat maupun multivariat. Hair, dalam (Gozhali; 2008) menyatakan bahwa outliers adalah kondisi observasi suatu data yang memiliki karakteristik unik sangat berbeda jauh dari observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk variabel tunggal maupun kombinasi.
   
   

   Eliminasi outlier adalah suatu cara mengatasi ketidaknormalan data dalam analisis SEM dengan menghilangkan data-data yang terdeteksi sebagai outlier. Hal ini karena salah satu sebab ketidaknormalan data adalah karena data memuat banyak outlier. Eliminasi outlier diawali dengan deteksi outlier yang selanjutnya dilanjutkan dengan menghilangkan data-data outlier tersebut.
   
   Deteksi outlier dapat dilakukan dengan melihat jarak mahalonobis data tersebut, yaitu dengan meluhat keluaran AMOS bagian Observation Further of The Centroid (Mahalonobis distance). Data dikatakan sebagai outlier jika nilai p2 < 0,05. Berikut ini adalah contoh tampilan dari kelaran AMOS tersebut :
   
   
   

   
   
   Dari hasil tersebut dapat dilihat cukup banyak outlier yang ada dalam data penelitian, sehingga seluruh data tersebut perlu dieliminasi (dihapus) dari data penelitian. Selanjutnya, setelah data outlier dihapus anda dapat melakukan uji normalitas kembali untuk meihat apakah data telah memenuhi asumsi normalitas atau belum, apbila data sudah memenuhi asumsi normalitas maka analisa dilanjutkan dengan uji kelayakan model namun jika data penelitian belum memenuhi asumsi normalitas maka dilakukan deteksi outlier dan eliminasi lagi hingga diperoleh data yang memenuhi asumsi normalitas.
   
   Langkah ini cocok digunakan untuk penelitian yang menggunakan data dengan ukuran besar, untuk penelitian dengan sampel cukup (100-150) eliminasi outlier dapat menghilangkan data cukup banyak sehingga jika data outlier yang dibuang terlalu banyak, maka jumlah data penelitian justru menjadi tidak memenuhi ukuran data yang disyaratkan yaitu antara 100-150. Penelitian dengan sampel cukup disarankan menggunakan alternatif lain dalam mengatasi ketidaknormalan dalam analisis SEM.
2. Penggunaan Metode GLS
   
   

   Selain dengan menggunakan cara eliminasi outlier, peneliti juga dapat menggunakan metode estimasi yang lebih tahan (robust) terhadap ketidaknormalan data, yaitu dengan menggunakan teknik GLS, ULS atau ADF. Namun demikian, tidak semua data penelitian dapat dianalisis dengan metode ini karena masalah jumlah sampel.

   
   

   Dalam Ferdinand (2006), ukuran sampel yang direkomendasikan untuk masing-masing metode analisa adalah sebagai berikut :

   Metode Maximum Likelihood (ML) : 100 - 200

   Metode ML atau GLS : 200 - 500

   Metode ULS : 500 - 2500

   Metode ADF : di atas 2500
   
   
   Untuk memilih metode estimasi ML, GLS< ULS maupun ADF, anda dapat memlih menu view - analisys properties  selanjutnya cehklist metode estimasi yang anda pilih

   
   

   
3. Koreksi nilai Khi Kuadrat 

   
   

   Dalam statistik dikenal istilah robust yang artinya kuat atau tahan. Parameter yang robust terhadap ketidaknormalan artinya parameter tersebut tahan terhadap data yang tidak normal sehingga hasil estimasinya tetap memiliki ketepatan yang tinggi dalam menjelaskan data. Teknik kita maksud di sini adalah varian dari pendekatan estimasi ML yang dapat dipakai untuk memperbaiki uji ketepatan model dengan menggunakan statistik kai kuadrat dan estimasi parameter.

   
   

   
   

   
   

   Pendekatan ini diperkenalkan oleh Page 3 of 12 Satorra dan Bentler (1988). Statistik ini juga dikenal sebagai statistik skala T yang dipakai untuk menguji ketepatan model secara keseluruhan. Curran, Barat, dan Finch (1996) menemukan bahwa statistik kaikuadrat skala mengungguli penggunaan estimator ML standar ketika diterapkan pada data nonnormal. Selain EQS, teknik ini digunakan oleh program LISREL dan MPLUS. Teknik ini belum tersedia pada program AMOS. MPLUS juga menawarkan statistik uji serupa yang disebut statistik mean and variance adjusted kai-kuadrat yang diestimasi melalui menu MLMV.

   
   

   
   

   
   

   Prosedur penyesuaian (adjusted) terhadap skala kai kuadrat disajikan di Bentler dan Dudgeon (1996). Sebuah studi simulasi menemukan bahwa statistik kai kuadrat yang menggunakan penyesuaian mengungguli penggunaan teknik estimasi ML yang juga menghasilkan nilai kai kuadrat, terutama dalam sampel dengan ukuran kecil (Fouladi, 1998).

   
   

   
   

   
   

   Pendekatan statistik kuat bekerja dengan cara menyesuaikan nilai kai kuadrat dari pemodelan yang dilakukan berdasarkan data sampel yang tidak normal. Biasanya bentuk penyesuaian tersebut adalah menurunkan nilai kai kuadrat. Semakin besar nilai ketidaknormalan multivariat di dalam data maka semakin besar penyesuaian yang dilakukan. Di sisi lain, nilai eror standar disesuaikan dengan cara ditingkatkan. Tujuannya adalah untuk mengurangi eror tipe 1 pada proses estimasi parameter individu. Meskipun demikian, nilai hasil estimasi parameter melalui penyesuaian sama dengan hasil dari estimasi ML standar.

   
   
4. Metode bootstrapping
   Cara selanjutnya untuk mengatasi ketidaknormalan data adalah dengan menggunakan metode bootstrapping. Estimasi model dengan metode Maximum Likelihood (ML) sangat sensitif kepada taburan data yang tidak normal (Hair, Anderson, Tatham & Black 1998). Sebagai alternatif jika taburan data tidak normal maka teknik Bootstrapping boleh digunakan dalam metode Maximum Likelihood (Arbuckel & Wothke, 1999; Boomsma, 2000). Dari sumber tersebut, maka data penelitian ini selanjutnya akan dianalisis SEM dengan menggunakan metode Maximum Likelihood (ML) teknik  bootstrapping.
   
   
   Untuk menggunakan metode bootstrapping, anda dapat melakukan pengaturan pada menu view - analisys properties - bootstrap kemudian anda dapat memilih menu sesuai tanda checklist berikut :
   
   
   
   
   Demkian artikel kami mengenai cara mengatasi ketidaknormalan dalam analisis SEM dengan AMOS, semoga bermanfaat.

Baca Juga : Jasa Olah Data SPSS, Jasa Olah Data PLS, Jasa OLah Data AMOS, Jasa Olah Data EVIEWS, Jasa Olah Data STATA, Jasa Olah Data LISREL, Jasa OLah Data Jogja, Jasa Olah Data Jakarta, Jasa Olah Data Semarang, Jasa Olah Data Makasar, Jasa Olah Data Bali, Jasa Olah Data Depok, Jasa Olah Data Bandung, Jasa Olah Data Surabaya, Training Statistik Online, Konsultasi Metode Penelitian