Identifikasi Outliers dan Missing Value Pada SEM (skripsi, tesis, disertasi)

Outliers adalah hasil-hasil observasi yang menunjukkan nilai-nilai esktrim dalam distribusinya. Outlier terjadi karena adanya kombinasi unik dan nilai-nilai yang dihasilkan dari observasi tersebut sangat berbeda dari observasi-observasi lainnya (Hair dkk, 2014). Menurut Hair dkk, (2014) untuk sampel besar (≥80 observasi), pedoman evaluasi Outliers adalah bahwa nilai ambang batas dari Z-score berada pada rentang ± 3 – 4 dan jika sampel ≤ 80 observasi pedoman evaluasi Outliers adalah nilai ambang batas dari Z-score berada pada rentang ± 2,5 atau lebih besar. Akan tetapi Kock (2018) dalam alat analisisnya (WARP PLS 6.0) menggunakan ambang batas Z-score pada rentang ± 4 atau lebih dianggap sebagai Outliers. Bagaimana pun juga apabila terdapat Outliers baik univariat maupun multivariat, maka observasi-observasi yang bersangkutan harus dikeluarkan dari analisis selanjutnya. Setelah melakukan evaluasi Outliers maka asumsi selanjutnya adalah identifikasi data yang missing value. Menurut (Hair dkk, 2014) pada SEM-PLS aturan baku yang diberikan untuk batas toleransi data Missing Value adalah maksimum 5% dari jumlah per indikator.