13 Juli 2013

Uji Outer Model Pada PLS-Path Modeling

Dalam model SEM yang berbasis varian atau PLS-Path Modeling, model ini terdiri dari Outer model  (model pengukuran) dan Inner model (model structural ). Dengan demikian evaluasi  model pada PLS-PM juga terdiri 2 tahap yaitu evaluasi outer model dan Inner Model. Hal yang perlu diperhatikan dalam menggunakan PLS-PM adalah tidak adanya suatu kriteria statistik yang mampu menilai secara keseluruhan suatu model sehingga peneliti tidak mampu melakukan analisa inferensi untuk menguji kelayakan model. Sebagai alternatif, uji nonparametrik melalui metode re-sampling seperti Jackknifing dan Bootstrapping bisa digunakan pada estimasi suatu model yang dihasilkan.
 


OUTER MODEL
Pada outer model kita kenal 2 tipe/jenis hubungan indikator pada konstruknya, maka pengujian dilakukan sesuai dengan bentuk indikatornya yaitu indikator reflektif dan indikator formatif.
      • INDIKATOR REFLEKTIF
          Loading Faktor
          Nilai ini menunjukan korelasi antara indikator dengan konstruknya. Indikator dengan nilai loading yang rendah menunjukan bahwa indikator tersebut tidak bekerja pada model pengukurannya. nilai loading yang diharapkan > 0.7.

          Cross Loading
          Nilai ini merupakan  ukuran lain dari validitas diskrimanan. Nilai yang diharapkan bahwa setiap indikator memiliki loading lebih tinggi untuk konstruk yang diukur dibandingkan dengan nilai loading ke konstruk yang lain.
            Composite Reliability
            Nilai ini menunjukan internal consistency yaitu nilai composite reliability yang tinggi menunjukan nilai konsistensi dari masing-masing indikator dalam mengukur konstruknya. Nilai CR diharapkan > 0.7.
            Formula Composite Reliability :

            Rumus Composite Reliability

            Dimana  adalah component loading ke indikator dan  .

            Average Variance Extracted (AVE)
            Nilai AVE digunakan untuk mengukur banyaknya varians yang dapat ditangkap oleh konstruknya dibandingkan dengan variansi yang ditimbulkan oleh kesalahn pengukuran. Nilai AVE harus lebih besar (> 0.5). Formula AVE :

            Rumus AVE




                    Dimana  adalah component loading ke indikator dan  
                    • INDIKATOR FORMATIF
                    Pada model hubungan formatif, outer weight (penimbang) setiap indikator dbandingkan satu dengan yang lain untuk menentukan indikator yang memberikan kontribusi terbesar dalam satu konstruk. Pada alpha 5 % indikator dengan penimbang terkecil (t-statistik > 1.96). Selain signifikansi nilai weight, evaluasi dilakukan apakah terdapat multikolinieritas pada indikatornya. Untuk mengujinya dengan mengetahui nilai Variance Inflation factor (VIF). Nilai VIF < 10 mengindikasikan tidak terdapat multikolinieritas.
                    Dalam pengujian nilai weight akan sering didapatkan nilai weight yang tidak signifikan, dengan menghilangkan indikator satu indikator formatif tersebut akan menjadi masalah yang sangat serius karena akan mengubah makna dari konstruk formatif tersebut. Sebagai solusinya, jika nilai weight tidak signifikan dan nilai loading faktor > 0.5 maka indikator tersebut masih bisa dipertahankan. tetapi jika nilai weight tidak signifikan dan nilai loading faktor < 0.5, maka indikator tersebut dapat dikeluarkan dari model dengan persyaratan dukungan teori yang ada. 
                    Ketidaksignifikansi weight ini dapat disebabkan dari problem multikolinieritas, banyaknya indikator dan adanya nilai weight positif dan negatif (suppresor effect).

                    Baca juga :

                    Referensi :

                    Ghozali, I. (2011). Structural Equation Modeling Metode Alternatif dengan Partial Least Square PLS edisi 3. Semarang : Badan Penerbit Universitas Diponegoro

                    Henseller, J.,Ringle,C.M and Sinkovics.R.R. (2009). The Use of Partial Least Squares Path Modeling in International Marketing : Advances in International Marketing (20).pp.277-319.

                    Lohmoller,J.B. (1989). Latent Variables path Modeling with partial Least Squares. Berlin, Heidelberger : Springer

                    Michael, H., and Andreas, M.K. (2004). A Beginner's Guide to Partial Least Square Analysis. Lawrence Erlbaum Association, Inc.

                    Vincenzo, et al. (2010). Handbook of Partial Least Square. Berlin, Heidelberg : Springer-Verlag.