Model Pengukuran atau Outer Model (skripsi tesis dan disertasi)

Dalam PLS model pengukuran atau outer model dengan indikator refleksif dievaluasi dengan convergent validity dan discriminat validity dari indikatornya serta composite reliability untuk blok indikator. Sedangkan indikator formatif dievaluasi berdasarkan pada substantive content-nya yaitu membandingkan besarnya relative weight dan melihat siginifikansi dari ukuran weight tersebut (Ghozali, 2014). Variabel laten yaitu variabel yang tidak dapat diukur langsung (harus dengan indikator atau kuesioner). Sedangkan indikator refleksif adalah variabel yang dipengaruhi oleh variabel laten. Jadi model indikator refleksif adalah 17 konstruk atau variabel laten diijelaskan oleh indikator atau arah hubungan dari konstruk ke indikator. Indikator-indikator mengukur hal yang sama tentang konstruk, sehingga antar indikator harus memiliki korelasi yang tinggi. Jika salah satu indikator dibuang, maka konstruk akan terpengaruh. Dalam model indikator formatif dipandang sebagai variabel yang mempengaruhi variabel laten. Jadi model indikator formatif yaitu indikator mempengaruhi konstruk atau hubungannya dari indikator ke konstruk, antar indikator diasumsikan tidak saling berkorelasi sehinga satu indikator dibuang tidak akan mempengaruhi konstruk (Ghozali, 2014). Pengujian outer model dilakukan dalam 4 tahap yaitu: 1. Convergent Validity Convergent validity dari model pengukuran dengan indikator refleksif dinilai berdasarkan korelasi antara item score atau component score dengan construct score yang dihitung dengan PLS. Ukuran refleksif individual dikatakan tinggi jika berkorelasi lebih dari 0.70 dengan konstruk yang ingin diukur. Namun demikian untuk penelitian awal dari pengembangan skala pengukuran nilai loading 0.50 sampai dengan 0.60 dianggap cukup (Ghozali, 2014). 2. Discriminant Validity Discriminat validity dari model pengukuran dengan indikator refleksif dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, maka hal itu menunjukkan bahwa konstruk laten memprediksi ukuran pada blok mereka lebih baik daripada ukuran pada blok lainnya (Ghozali, 2014). 3. Square root of Average Variance Extracted (AVE) Setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Jika nilai akar AVE setiap konstruk lebih besar daripada nilai korelasi antara konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik (Ghozali, 2014). 18 4. Compositre Reliability Penilaian yang biasa digunakan untuk menilai reliabilitas konstruk dan dinyatakan reliable jika nilai composite reliability dan cronbach alpha di atas 0.70 untuk penelitian bersifat konfirmasi dan 0.60-0.70 masih dapat diterima untuk penelitian yang bersifat exploratory atau penyelidikan (Ghozali, 2014).