PLS SEM: Pengukuran Kecocokan Model (Inner dan Outer)

Pengukuran Kecocokan Model PLS SEM

Dalam bahasan kali ini kita akan melanjutkan artikel sebelumnya yaitu tentang partial least square. Sebelumnya telah dibahas tentang apa itu partial least square, tujuan dan fungsi, algoritma dan sepintas tentang pengukuran kecocokan model PLS SEM yang terdiri dari outer model dan inner model.

Di bawah ini kita akan fokus membahas tentang pengukuran kecocokan model dalam PLS SEM.

Outer Model Atau Pengukuran Bagian Luar

Outer Model Atau Pengukuran Bagian Luar disebut juga sebagai model pengukuran. Pengukuran bagian luar PLS SEM ini ada 2 yaitu pengukuran model reflektif dan formatif.

Pengukuran Model Reflektif

Pengukuran model PLS SEM pertama dalam outer model adalah pengukuran reflektif. Model pengukuran dinilai dengan menggunakan reliabilitas dan validitas. Untuk reliabilitas dapat digunakan Cronbach’s Alpha. Nilai ini mencerminkan reliabilitas semua indikator dalam model. Besaran nilai minimal ialah 0,7 sedang idealnya ialah 0,8 atau 0,9. Selain Cronbach’s Alpha digunakan juga nilai ρc (composite reliability) yang diinterpretasikan sama dengan nilai Cronbach’s Alpha.

Setiap variabel laten harus dapat menjelaskan varian indikator masing-masing setidak-tidaknya sebesar 50%. Oleh karena itu korelasi absolut antara variabel laten dan indikatornya harus > 0,7 (nilai absolut loadings baku bagian luar atau disebut outer loadings).

Indikator reflektif sebaiknya dihilangkan dari model pengukuran jika mempunyai nilai loadings baku bagian luar dibawah 0,4.

Terdapat dua jenis validitas dalam PLS SEM, yaitu validitas konvergen dan validitas diskriminan. Validitas konvergen mempunyai makna bahwa seperangkat indikator mewakili satu variabel laten dan yang mendasari variabel laten tersebut. Perwakilian tersebut dapat didemonstrasikan melalui unidimensionalitas yang dapat diekspresikan dengan menggunakan nilai rata-rata varian yang diekstraksi (Average Variance Extracted / AVE).

Nilai AVE setidak-tidaknya sebesar 0,5. Nilai ini menggambarkan validitas konvergen yang memadai yang mempunyai arti bahwa satu variabel laten mampu menjelaskan lebih dari setengah varian dari indikator-indikatornya dalam rata-rata.

Sedangkan validitas diskriminan merupakan konsep tambahan yang mempunyai makna bahwa dua konsep berbeda secara konspetual harus menunjukkan keterbedaan yang memadai. Maksudnya ialah seperangkat indikator yang digabung diharapkan tidak bersifat unidimensional.

Pengukuran validitas diskriminan menggunakan kriteria yang disampaikan Fornell-Larcker dan “crossloadings”. Postulat Fornell-Larcker menyebutkan bahwa suatu variabel laten berbagi varian lebih dengan indikator yang mendasarinya daripada dengan variabel-variabel laten lainnya. Hal ini jika diartikan secara statistik, maka nilai AVE setiap variabel laten harus lebih besar dari pada nilai r² tertinggi dengan nilai variabel laten lainnya.

Kriteria kedua untuk validitas diskriminan ialah ‘loading’ untuk masing-masing indikator diharapkan lebih tinggi dari ‘cross-loading’ nya masing-masing. Jika kriteria Fornell-Larcker menilai validitas diskriminan pada tataran konstruk (variabel laten), maka ‘cross-loading’ memungkinkan pada tataran indikator.

Jika disimpulkan penilaian model pengukuran tampak seperti di bawah ini:

Sedangkan besaran nilai atau indikator yang dapat digunakan sebagai alat pengukuran dapat disimpulkan antara lain sebagai berikut:

Reliabilitas komposit (ρc)

Pengukuran konsistensi internal dengan nilai ≥ 0,6. Jadi jika < 0,6 maka tidak reliabel.

Reliabilitas indikator

Loading baku absolut bagian luar dengan nilai > 0,7. Jadi jika < 0,7 maka tidak reliabel.

AVE (Average Variance Extracted)

Rata-rata varian ekstrak dengan nilai > 0,5 Digunakan sebagai penentu validitas konvergen. Jadi jika < 0,5 maka tidak valid secara konvergen.

Kriteria Fornell-Larcker

Digunakan untuk meyakinkan validitas diskriminan, maka AVE untuk setiap variabel laten harus lebih tinggi dari pada R² dengan semua variabel laten lainnya. Maka dengan demikian, masing-masing variabel laten berbagi varian lebih dengan masing-masing blok indikatornya daripada dengan variabel laten lainnya yang mewakili satu blok indikator yang berbeda.

Cross-loadings

Digunakan untuk pengecekan validitas diskriminan selain kriteria di atas. Jika suatu indikator mempunyai korelasi yang lebih tinggi dengan variabel laten lainnya daripada dengan variabel latennya sendiri maka kecocokan model harus dipertimbangkan ulang.

Pengukuran Model Formatif

Pengukuran model PLS SEM berikutnya adalah pengukuran formatif. Penilaian dengan menggunakan validitas tradisional tidak dapat diaplikasikan untuk indikator-indikator yang digunakan dalam model pengukuran formatif dan konsep reliabilitas (konsistensi internal) dan validitas konstruk (validitas konvergen dan diskriminan) menjadi tidak bermakna saat diaplikasikan dalam model formatif. Oleh karena itu pengukuran pada model formatif memerlukan dua lapisan, yaitu:

1. 1. Pengukuran pada tataran konstruk (variabel laten),
   2. Pengukuran pada tataran indikator (variabel manifest).

Terdapat beberapa masalah pada tataran variabel laten, diantaranya:

1. 1. Apakah indeks formatif mencerminkan tujuan yang sesuai
   2. Hubungan antara indeks formatif dengan variabel – variabel laten lainnya dalam suatu model jalur tertentu harus sudah didukung oleh riset sebelumnya.
   3. Adanya kesalahan v pada variabel laten (construct’s error term v) yang mencerminkan variabel laten yang tidak dapat dijelaskan dengan indikator-indikator yang ada. Dengan demikian validitas eksternal dapat dihitung dengan menggunakan ketentuan 1 – v yang diharapkan nilainya tidak boleh kurang dari 0,8. Nilai ini mempunyai makna sebesar 80% indeks formatif sesuai dengan tujuan yang dimaksudkan.
   4. Beberapa indikator dalam satu blok yang berfungsi formatif terhadap suatu variabel laten tertentu dapat berkorelasi sangat tinggi. Jika ini terjadi maka indikator – indikator tersebut mengalamin apa yang disebut dengan multikolinieritas. Kapan terjadi multikolinieritas antara indikator? Terjadi multikolinieritas antar indikator jika nilai VIF > 10.

Penilaian model pada pengukuran formatif dapat disimpulkan sebagai berikut:

Validitas nomologi

Hubungan antara indeks formatif dan variabel-variabel laten lainnya dalam suatu model jalur tertentu, yang harus sudah terbukti dalam riset sebelumnya, harus signifikan dan kuat.

Validitas eksternal

Indeks formatif harus menjelaskan sebagian besar varian dari pengukuran reflektif alternatif variabel laten yang terkait.

Signfikansi bobot

Bobot estimasi model pengukuran formatif harus signifikan.

Multikolinieritas

Variabel manifest/indikator-indikator dalam suatu blok formatif harus diuji multikolinieritasnya. Pengujian terjadi atau tidaknya multikolinieritas antar indikator dalam blok formatif menggunakan nilai VIF. Jika nilai VIF > 10 terjadi kolinieritas antar indikator dalam satu blok formatif tersebut.

Inner Model Atau Pengukuran Bagian Dalam

Inner Model Atau Pengukuran Bagian Dalam disebut juga sebagai model struktural. Model struktural adalah model yang menghubungkan antar variabel laten. Pengukuran model struktural PLS SEM dapat disimpulan sebagai berikut:

R² variabel laten endogenous

1. 1. Nilai R² sebesar 0,67 dikategorikan sebagai substansial,
   2. Nilai R² sebesar 0,33 dikategorikan sebagai moderate,
   3. Nilai R² sebesar 0,19 dikategorikan sebagai lemah (Chin, 1988),
   4. Nilai R² sebesar > 0,7 dikategorikan sebagai kuat (Sarwono).

Estimasi untuk koefisien jalur

Nilai-nilai yang diestimasi untuk hubungan jalur dalam model struktural harus dievaluasi dalam perspektif kekuatan dan signifikansi hubungan.

Ukuran pengaruh f²

1. 1. Nilai f² sebesar 0,02 dikategorikan sebagai pengaruh lemah variabel laten prediktor (variabel laten eksogenous) pada tataran struktural,
   2. Nilai f² sebesar 0,15 dikategorikan sebagai pengaruh cukup variabel laten prediktor (variabel laten eksogenous) pada tataran struktural,
   3. Nilai f² sebesar 0,35 dikategorikan sebagai pengaruh kuat variabel laten prediktor (variabel laten eksogenous) pada tataran struktural.

Relevansi prediksi (Q² dan q²)

Nilai Q² > 0 menunjukkan bukti bahwa nilai-nilai yang diobservasi sudah direkonstruksi dengan baik dengan demikian model mempunyai relevansi prediktif. Sedang nilai Q² < 0 menunjukkan tidak adanya relevansi prediktif.

Nilai q² digunakan untuk melihat pengaruh relatif model struktural terhadap pengukuran observasi untuk variabel tergantung laten (variabel laten endogenous).

Nilai Beta untuk koefisien jalur pada PLS SEM

Koefesien jalur individual pada model struktural diinterpretasikan sebagai koefisien beta baku dari regresi OLS (ordinary least square).

Demikian diatas telah kami jelaskan tentang penilaian kecocokan model di dalam PLS SEM. Selanjutnya sebelum masuk kepada tutorial PLS menggunakan software SmartPLS, maka akan kami jelaskan lebih dulu tentang variabel dalam PLS SEM serta asumsi PLS SEM. Semoga bermanfaat.

Baca juga: Tutorial PLS SEM Menggunakan SMARTPLS dan SEM LISREL: Tutorial dan Panduan CB SEM dengan Lisrel!

Referensi tulisan: http://www.jonathansarwono.info/teori_spss/PLSSEM.pdf.