Spesifikasi dan EValuasi Model (skripsi, tesis, disertasi)

Model Analisis jalur semua variabael laten dalam PLS terdiri dari tiga set hubungan
yaitu Outer Model yang menspesifikasi hubungan variabel laten dengan indikator
lainnya yang merupakan nilai kasus dari variabel laten yang dapat diestimasi, Inner
Model yang menspesfikasi hubungan antar variabel laten.
a. Evaluasi Goodness-of-fit Outer Model
Goodness of fit Outer model refleksif meliputi convergent validity, discriminant
validity, dan composite reliability. Sedangkan untuk Outer model formatif dievaluasi
dengan signifikansi dari pembobotan (weight). Goodness of fit Outer model refleksif
adalah sebagai berikut:
1. Convergent Validity
Convergent Validity mengukur besarnya korelasi antara konstrak dengan
variabel laten. Dalam evaluasi Convergent Validity dari pemeriksaan individual
item Realibility dapat dilihat dari nilai Standardized loading factor.
Standardized loading factor menggambarkan besarnya korelasi antara setiap
item pengukuran (indicator) dengan konstraknya. Nilai loading factor diatas 0,7
dapat dikatakan ideal artinya bahwa indicator tersebut dikatakan valid sebagai
indicator yang mengukur konstak. Meskipun demikian, nilai Standardized
loading factor diatas 0,5 dapat diterima, sedangkan nilai Standardized loading
factor dibawah 0,5 dapat dikeluarkan dari model. (Chin & Marcolin, 1996).
2. Discriminant Validity
Discriminant validity dari model reflektif dievaluasi melalui cross loading,
kemudian membandingkan nilai AVE dengan kuadrat nilai kolerasi antar
konstrak (atau membandingkan square root average variance extracted (akar
AVE) dengan korelasi antar kontrak). Ukuran cross loading adalah
membandingkan korelasi indicator dengan kontraknya dan kontrak dari blok
lainnya. Bila kolerasi antara indikator dengan kontraknya lebih tinggi dari
kolerasi dengan kontrak blok lainnya, hal ini menunjukkan kontrak tersebut
memprediksi ukuran pada blok mereka dengan lebih baik dari blok lainnya.
Ukuran discriminant validity lainnya adalah bahwa nilai akar AVE harus lebih
tinggi daripada kolerasi antara kontrak dengan kontrak lainnya atau nilai AVE
lebih tinggi dari kuadrat kolerasi antar kontrak merupakan pengukuran indikator
dengan variabel latennya. Fornell dan Lacrker (1981) menyatakan ukuran AVE
ini dapat juga digunakan untuk mengukur reliabitilas component score variable laten dan hasilnya lebih konservatif dibandingkan dengan composite reliability.
(Sofyan & Kurniawan, 2011).
Varians rata-rata yang diekstraksi harus lebih tinggi dari 0,5
3. Composite Reliability
Composite reliability lebih baik dalam mengukur internal consistency
dibandingkan cornbach’s alpha dalam model SEM dikarenakan composite
reliability tidak mengasumsikan kesamaan boot dari setiap indikator.
Cronbach’s alpha cenderung menaksir lebih rendah contruct reliability
dibandingkan composite reliability. Interpretasi composite reliability sama
dengan cronbach’s alpha. Nilai batas 0,7 keatas berarti dapat diterima dan diatas
0,8 dan 0,9 berarti sangat memuaskan. (Sofyan & Kurniawan, 2011). Adapun
. Composite Reliability adalah ukuran dari konsisensi
internal dan tidak boleh lebih rendah dari 0.6
b. Evaluasi Goodness-of-fit Inner model
Goodness of Fit inner model diukur menggunakan R-square variabel laten dependen
dengan interpretasi yang sama dengan regresi. Hasil R-square 0.67 dapat diindikasikan
baik, 0,33 dapat diindikasikan sebagai moderat, dan 0.19 sebagai hasil yang lemah. Q-21
Square predictive relevance untuk model struktural, megukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Nilai Q-square > 0
menunjukkan model memiliki predictive relevance; sebaliknya jika nilai Q-Square ≤ 0
menunjukkan model kurang memiliki predictive relevance
Perhitungan Q-square dapat dilakukan dengan rumus :
?
2 – 1 – ( 1 – ?1² )(1 – ?2² )….( 1 – ??² ) …………………………………………………………..2.3
Di mana ?1², ?2² … ??² adalah R-square variabel endogen dalam model persamaan.
Besaran ?
2 memiliki nilai dengan rentang 0 < ?
2 < 1, dimana semakin mendekati 1
berarti model semakin baik. Besaran ?
2
ini setara dengan koefisien determinasi total
pada analisis jalur (path analysis).
2.2.2.3 Estimasi
Langkah selanjutnya untuk mengestimasi setelah mengembangkan model adalah
dengan menguji kriteria pada setiap indikator yang ada. Model jalur yang telah
dikembangkan kemudian diuji dnega perhitungan algoritma yang telah tersedia di
dalam program. Apabila ada indikator dengan loading factor dibawah 0.70 maka
indikator tersebut perlu dikeluarkan atau dibuang dari model dan dilakukan estimasi
ulang. Setelah semua indikator sudah memenuhi syarat maka langkah selanjutnya
adalah melakukan uji hubungan dengan menu Bootstrapping pada program di software
Smart-PLS.Hasil output hubungan dan signifikansi setiap variabel akan muncul dan
kemudian diidentifikasi. (Ghozali, 2006)