(10)
Proses iterasi, akan selesai ketika sudah konvergen, yaitu dengan batas:
Pada tipe indikator formatif, bobot merupakan koefisien regresi berganda dari . Proses estimasi koefisien vektor sama dengan proses pada regresi berganda.
Tahap 2 estimasi rata-rata dan lokasi parameter (konstanta).
Lokasi parameter adalah konstanta untuk peubah laten endogen sedangkan rata-rata ̂ untuk peubah laten eksogen.
e. Evaluasi model (Goodness of fit).
Proses pendugaan yang dilakukan pada penelitian ini menggunakan pendekatan untuk data kontinu, yaitu Ordinary Least Square (OLS) sehingga kriteria kebaikan model yang digunakan mengikuti proses pendugaan parameter pada data kontinu. Pendekatan ini mengandung kelemahan, yaitu kriteria kebaikan model yang meliputi nilai Khi-Kuadrat, RMSEA, dan SRMR tidak dapat digunakan karena asumsi yang digunakan untuk membangun kriteria kebaikan model tersebut tidak terpenuhi. Namun demikian, dalam penelitian ini tetap menggunakan pendekatan tersebut, karena dalam beberapa kasus skala likert dan biner bisa juga diperlakukan sebagai data numerik, dimana jika kategori yang satu lebih tinggi dibanding kategori lainnya. Skala likert pada penelitian ini terdapat lima titik pilihan jawaban, dimana kategori 5 lebih tinggi dibanding 4, 3, 2, dan 1. Skala biner juga demikian bahwa kategori 1 lebih tinggi daripada kategori 0.
Model Pengukuran
Model pengukuran menggambarkan bagaimana indikator merepresentasikan peubah latennya. Hal ini dapat diukur dengan menguji validitas dan reliabilitasnya.
Validitas Konvergen
Merupakan korelasi antara indikator dengan peubah latennya. Validitas Konvergen memiliki prinsip bahwa indikator dari suatu
15 peubah laten seharusnya berkorelasi tinggi. Validitas Konvergen dapat ditentukan melalui nilai loading factor. Nilai loading factor
0.5 dianggap cukup pada jumlah indikator per peubah laten tidak besar antara 3 sampai 7 indikator (Jaya dan Sumertajaya 2008). Validitas Konvergen juga dapat dilihat dari nilai Average Variance Extracted (AVE). Nilai AVE diatas 0.5 menandakan indikator memiliki nilai Validitas Konvergen yang baik.
Validitas Diskriminan
Latan (2013) mengungkapkan Validitas Diskriminan berhubungan dengan prinsip bahwa indikator dari peubah laten yang berbeda tidak memiliki korelasi yang tinggi. Validitas Diskriminan digunakan untuk mengukur keragaman peubah laten yang dapat dijelaskan oleh model. Nilai Validitas Diskriminan yang tinggi mengindikasikan bahwa suatu peubah laten itu unik. Cara mengukur Validitas Diskriminan adalah dengan membandingkan akar kuadrat AVE untuk setiap peubah laten dengan korelasi antar peubah laten dalam model. Latan (2013), Ghozali (2008), serta Jaya dan Sumertajaya (2008) nilai akar kuadrat AVE yang lebih besar dari korelasi antar peubah laten dalam model, mengindikasikan bahwa indikator memiliki Validitas Diskriminan yang baik. Formula AVE adalah
∑
∑ ∑ (11)
Reliabilitas
Ukuran reliabilitas dapat dilihat berdasarkan nilai Composite Reliability. Composite Reliability merupakan reliability
gabungan untuk mengukur reliabilitas setiap peubah laten dan menunjukkan stabilitas serta kekonsistenan dari suatu pengukuran. Nilai sudah dianggap cukup baik. Latan (2013), Ghozali (2008), serta Jaya dan Sumertajaya (2008) menuliskan formula
adalah
∑
∑ ∑ (12)
Pengujian reliabilitas juga dapat dilakukan dengan melihat nilai Cronbach’s Alpha . Nilai dianggap bahwa indikator memiliki reliabilitas yang baik. Cronbach (1951) menuliskan rumus Cronbach’s Alpha sebagai berikut:
∑ ( )
∑ ( ) (13)
dengan adalah jumlah indikator dan adalah blok indikator. Model Struktural
R-Square
R-Square atau koefisien determinasi digunakan untuk mengukur kebaikan model struktural pada peubah laten endogen. Interpretasinya sama dengan koefisien determinasi pada regresi linier berganda, yaitu merupakan nilai kuadrat dari koefisien korelasi. Nilai koefisien determinasi berkisar antara 0 sampai 1.
16
Nilai koefisien determinasi yang mendekati 1 mengindikasikan semakin banyaknya keragaman yang dapat dijelaskan oleh peubah endogen untuk menjelaskan peubah eksogen. Bollen (1989) merumuskan nilai sebagai berikut:
̂ (14)
̂ merupakan nilai varian yang dapat diprediksi oleh model. f-Square
Berdasarkan Ghozali (2008) f-Square merupakan effect size
yang digunakan untuk menilai pengaruh peubah laten eksogen tertentu terhadap peubah laten endogen apakah mempunyai pengaruh yang substantif. Formula f-square dituliskan sebagai berikut:
(15)
dan adalah dari peubah laten endogen ketika indikator dari peubah laten tersebut digunakan atau dikeluarkan dari persamaan struktural.
Cohen (1988) yang disitasi oleh Akter et al. (2011) dan Götz
et al. (2010) memberikan tiga kategori nilai koefisien determinasi dan f-square yang dapat dilihat pada Tabel 2.
Tabel 2 Kriteria R-square dan f-square
R-square f-square Keterangan
0.26 0.35 Kuat
0.13 0.15 Medium
0.02 0.02 Lemah
Q-Square Predictive Relevance
Uji kabaikan pada model struktural diukur menggunakan nilai R-square yang interpretasinya sama dengan regresi. Kemudian untuk menguji kebaikan model struktural secara keseluruhan diukur menggunakan nilai Q-square predictive relevance.
( ) (16)
dengan merupakan nilai R-square pada peubah endogen. Nilai berkisar antara 0 sampai 1. Nilai yang semakin mendekati 1 berarti model semakin prediktif (Jaya dan Sumertajaya 2008). Chin (2010) menerangkan bahwa nilai
sudah dapat dikatakan model memiliki tingkat predictive relevance yang baik.
Khi-kuadrat
Nilai Khi-Kuadrat menunjukkan adanya penyimpangan antara matriks peragam contoh dengan matriks peragam model,
. Nilai Khi-Kuadrat akan bernilai besar jika ukuran contoh yang digunakan besar dan data memiliki sebaran normal ganda. Model dikatakan fit jika memiliki nilai Khi-Kuadrat lebih kecil dari nilai Khi-Kuadrat pada tingkat signifikansi 0.05 dan derajat bebas tertentu. Hal ini berarti tidak ada perbedaan antara
17 matriks peragam yang diobservasi dengan model yang diprediksi. Nilai Khi-Kuadrat diharapkan tidak signifikan agar model yang diperoleh sesuai. Nilai Khi-Kuadrat dapat dihitung melalui rumus
, dimana adalah jumlah contoh dan adalah
minimum of the fit function. Hal ini seperti yang dikemukaan oleh Latan (2013), Hooper et al. (2008) dan Bollen (1989). Nilai F akan berbeda-beda tergantung pada metode pendugaannya.
| | ( ) | | (17)
Rumus 16 diatas adalah nilai F untuk metode pendugaan
Maximum Likelihood (ML). adalah jumlah indikator peubah laten endogen dan adalah jumlah indikator peubah laten eksogen . Σ(θ) adalah matrik peragam model yang merupakan fungsi
dari parameter model bebas dalam θ.
Root Mean Square Error of Approximation (RMSEA)
Latan (2013) dan Hooper et al. (2008) mengemukakan bahwa RMSEA merupakan ukuran fit model yang sering digunakan pada penelitian SEM. Hal ini disebabkan karena RMSEA tidak tergantung dari besarnya jumlah contoh dan tidak overestimate atau
underestimate. RMSEA dapat mengukur penyimpangan nilai parameter suatu model dengan matriks peragam populasinya. Nilai RMSEA mengindikasikan model cukup baik. Engel et al. (2003) menuliskan RMSEA secara matematis sebagai berikut:
{( ) } (18)
(derajat bebas), diperoleh dari
dengan adalah jumlah parameter yang diestimasi. Standardise Root Mean square Residual (SRMR)
SRMR merupakan akar kuadrat dari selisih residual matriks peragam contoh dengan matriks peragam model. Nilai SRMR berkisar antara 0 sampai 1. Nilai SRMR sama dengan 0 mengindikasikan model sempurna. Model dianggap cukup baik jika nilai SRMR . Nilai SRMR cenderung kecil apabila model dibangun berdasarkan sejumlah contoh yang besar (Hooper et. al. 2008).
Goodness of Fit Index
Tenenhaus et. al. (2004), Akter et. al. (2011), Henseler and Sarstedt (2013), serta Hussein (2015) menyarankan menggunakan
Goodness of Fit Index (GoF). Berbeda dengan CB-SEM, nilai GoF
pada PLS-SEM harus dihitung manual berdasarkan rumus berikut.
√ ̅̅̅̅̅̅ ̅̅̅̅ (19)
Nilai kecil, medium dan besar. Di dalam CB-SEM Goodness of Fit Index ini sering disingkat sebagai GFI.
f. Pengujian Hipotesis.
Hipotesis statistik untuk model pengukuran. : lawan :
18
Hipotesis statistik untuk model struktural, pengaruh peubah eksogen terhadap peubah endogen.
: lawan :
Hipotesis statistik untuk model struktural, pengaruh peubah endogen terhadap peubah endogen lainnya.
: lawan :
5. Membandingkan model terbaik dari data likert dan biner berdasarkan kriteria kebaikan model pengukuran dan model struktural yaitu: Validitas Konvergen, Validitas Diskriminan, reliabilitas, R-square, f-square, Q-square, RMSEA, Khi-Kuadrat, SRMR, dan Goodness of Fit index .
Gambar 6 adalah diagram alir untuk tahapan analisis yang telah dilakukan.
19
4 HASIL DAN PEMBAHASAN
Koperasi Susu Indonesia
Koperasi susu di Indonesia merupakan jenis koperasi produksi yang anggotanya adalah para peternak sapi perah di suatu wilayah tertentu. Penelitian ini melibatkan beberapa koperasi diantaranya Koperasi Peternak Sapi Bandung Utara (KPSBU), KUD Jatinom Klaten, KUD Cepogo Boyolali, KUD Warga Mulya Sleman, KUD Musuk Boyolali dan Koperasi SAE Pujon Malang. Koperasi-koperasi tersebut tergabung dalam Gabunagn Koperasi Susu Indonesia (GKSI). Koperasi Susu Indonesia berperan sebagai penampung hasil susu perah dari peternak, pemberi layanan input produksi, dan langsung mendistribusikan susu tersebut ke Industri pengolahan Susu (IPS). Sistem kerjasama seperti ini di Indonesia disebut dengan sistem cluster. Daerah penghasil sapi perah dan susu murni di Indonesia terpusat di Pulau Jawa. Ada 25 Koperasi dan KUD Persusuan yang menjadi anggota GKSI Wilayah Jawa Barat yang tersebar di beberapa Kabupaten/Kota, diantaranya (GKSI Jawa Barat 2007).
Daerah penghasil susu lainnya di pulau Jawa yang tidak kalah besarnya adalah Kabupaten Boyolali, Jawa Tengah. Boyolali yang dikenal sebagai kota susu merupakan sentra susu di Provinsi Jawa Tengah. Sentra peternak sapi di Boyolali berpusat di Kecamatan Cepogo dan mampu menghasilkan total produksi susu sapi sebanyak 30500 juta liter per tahun (Berita Daerah Jawa 2014). Badan Pusat Statistik Jawa Tengah (2015) menyatakan banyaknya koperasi susu di Jawa Tengah sampai Maret 2016 adalah sebanyak 22 koperasi dengan populasi ternak sebanyak 140410 ekor.
Profil Beberapa Koperasi Susu Indonesia Koperasi Peternak Sapi Bandung Utara (KPSBU)
Koperasi Peternak Sapi Bandung Utara (KPSBU) berdiri pada tahun 1971. Pada tahun 2013, KPSBU memiliki jumlah anggota sebanyak 7264 (7015 peternak dan 249 karyawan koperasi). Peternak laki-laki berjumlah 5993 orang dan peternak perempuan sebanyak 1022 orang serta memiliki jumlah sapi sampai pada tahun 2015 adalah sebanyak 18583 ekor dengan total produksi susu 48821568 ton liter (GKSI Jawa Barat 2016). Koperasi Peternak Sapi Bandung Utara terletak di Komplek Pasar panorama Lembang, Kecamatan Lembang, Kabupaten Bandung Barat, Jawa Barat 40391.
Koperasi Unit Desa (KUD) Musuk Boyolali
Inpres No:4 Tahun 1973 menjadi dasar berdirinya KUD Musuk Boyolali yang terletak di desa Kembangsari, kecamatan Musuk, kabupaten Boyolali, Jawa Tengah. Pada tahun 2008, anggota di KUD Musuk sebanyak 10373 orang. Susu yang berhasil diproduksi oleh KUD Musuk pada tahun 2008 mencapai 7194645 liter.
20
Koperasi Unit Desa (KUD) Cepogo Boyolali
Pada tahun 2007 dan 2008 anggota KUD Cepogo ada sebanyak 4074 orang. Produksi susu KUD Cepogo dari tahun ke tahun mengalami kemunduran. Hal ini terlihat dari tahun 2004, KUD ini mampu menghasilkan susu sebanyak 3201318 liter, tahun 2005 sebanyak 2645536 liter, tahun 2006 ada sebanyak 2345953 liter, pada tahun 2007 menghasilkan susu sebanyak 2204000 liter. Namun pada tahun 2008 mengalami sedikit peningkatan produksi susu dengan susu yang dihasilkan pada tahun ini ada sebanyak 3076560 liter.
Koperasi Unit Desa (KUD) Warga Mulya Sleman
Koperasi Warga Mulya berdiri pada tanggal 30 Januari 1979 dan bergerak dibidang Agroindustri, salah satunya adalah usaha pembuatan produk susu. Koperasi Warga Mulya beralamat di Jalan Palagan Tentara Pelajar, Bunder, Purwobinangun, Pakem, Sleman, Yogyakarta. Anggota koperasi pada tahun 2006 ada sebanyak 1285 orang dan 1275 pada tahun 2007.
Koperasi SAE (Sinau Andandani Ekonomi) Pujon Malang
Koperasi SAE berdiri pada tanggal 30 Oktober 1962 dengan 22 anggota, 35 sapi perah dan produksi susu 50 liter pada awal berdirinya. Pada saat ini Koperasi SAE memiliki jumlah anggota 7967 dengan 24218 sapi perah dan mampu memproduksi 36284145 liter susu. Alamat koperasi SAE Pujon adalah di Jalan Brigjen Abdul Manan Wijaya No. 16, Ngroto, Pujon, Malang, Jawa Timur.
Koperasi Unit Desa (KUD) Jatinom Klaten
Koperasi Unit Desa (KUD) Jatinom berdiri pada tanggal 1974 di Desa Krajan, kecamatan tulung, Kabupaten Klaten, Jawa Tengah. Tahun 2007 jumlah anggota KUD Jatinom Klaten ada sebanyak 6594 orang dan pada tahun 2008 jumlah anggotanya berkurang sebanyak 34 orang. Pada tahun 2008 KUD Jatinom mampu memproduksi susu sebanyak 2281321 liter.
Analisis Deskriptif
Analisis deskriptif yang dilakukan meliputi deskripsi responden berdasarkan jenis kelamin dan sebaran jawaban responden.
Tabel 3 Responden berdasarkan jenis kelamin
Frekuensi Persentasi (%) Presentase Komulatif (%)
Laki-laki 63 62.76 62.76
Perempuan 39 38.24 100
Total 102 100
Responden keseluruhan berjumlah 102 yang terdiri dari responden laki-laki dan responden perempuan. Responden laki-laki hampir dua kali lebih banyak daripada responden perempuan, hal ini dikarenakan anggota koperasi yang diantaranya peternak sapi kebanyakan adalah laki-laki.
21 Tabel 4 Sebaran jawaban responden
Peubah Indikator Modus Persentase (%)1
Visi Bersama (VB) x1 4 67 x2 4 69 x3 4 64 x4 4 69 Penyebaran Pengetahuan Internal (PPI) y1 4 40 y2 4 59 y3 4 69 Proses Penciptaan Pengetahuan (PPP) y4 4 67 y5 4 81 y6 4 67 y7 4 74 y8 4 74 y9 4 55 y10 4 61 y11 4 76 y12 4 69 y13 4 68 y14 4 65 Pengetahuan Koperasi (PK) y15 4 47 y16 4 58 y17 4 82 y18 4 55 y19 4 52 y20 4 68 1
persentase responden yang menjawab penting (4)
Berdasarkan Tabel 4 dapat disimpulkan bahwa hampir seluruh responden menjawab penting (4) untuk semua indikator pada tiap peubah. Hal ini dilihat dari nilai persentase responden yang menjawab 4. Hampir semua persentase responden yang menjawab 4 diatas 50%.
Pendugaan Data Hilang
Secara keseluruhan, responden yang mengisi kuesioner dibawah ada sebanyak 4 responden. Responden yang mengisi kurang dari akan dihapus dari penelitian karena akan mengganggu proses pendugaan data tidak lengkap. Jumlah responden pada awalnya adalah 102, setelah dikurangi 4 menjadi 98 responden. Ke-98 responden ini akan digunakan sebagai analisis PLS-SEM dengan terlebih dahulu menduga data yang tidak lengkap.
Pendugaan data hilang dilakukan dengan metode imputasi regresi sederhana dengan terlebih dahulu melihat korelasi tertinggi pada setiap indikator pada masing-masing peubah laten. Korelasi tertinggi antar indikator, akan digunakan
22
untuk menduga data hilang dengan meregresikan kedua indikator tersebut. Indikator yang lengkap akan dijadikan peubah bebas pada analisis regresi sederhana. Berdasarkan korelasi tertinggi dan indikator yang lengkap pendugaan data hilang diterapkan pada indikator-indikator yang dapat dilihat pada Tabel 5. Tabel 5 Penerapan analisis regresi sederhana antar indikator untuk menduga data
tidak lengkap
Peubah Analisis Regresi Sederhana Korelasi
Visi bersama X1 vs X3 X1 vs X4 0.715 0.501 Penyebaran pengetahuan internal Y1 vs Y3 Y1 vs Y3 0.526 0.525
Pengetahuan koperasi Y15 vs Y19
Y16 vs Y19 Y17 vs Y18
0.453 0.470 0.399
Proses penciptaan pengetahuan Y4 vs Y5
Y4 vs Y6 Y7 vs Y11 Y8 vs Y11 Y9 vs Y10 Y11 vs Y12 Y13 vs Y14 0.414 0.519 0.366 0.415 0.407 0.605 0.393 Indikator Y19 diduga dengan menggunkan indikator Y16 karena korelasi Y19 lebih tinggi terhadap Y16 daripada terhadap Y15. Indikator Y4 diduga menggunakan indikator Y6 dan indikator Y11 diduga dengan indikator Y12. Nilai korelasi antar indikator selengkapnya dapat dilihat pada Lampiran 1.
Analisis PLS-SEM
Analisis PLS-SEM dilakukan dengan menggunakan perangkat lunak
SmartPLS 3. Hasil analisis yang disajikan adalah berupa diagram jalur dengan nilai loading factor, persamaan model pengukuran dan model struktural, dan perbandingan model skala likert dan biner.
Gambar 7 dan 8 memberikan informasi berupa nilai loading factor. Nilai
loading factor yang tinggi mengindikasikan bahwa tiap indikator dalam sebuah peubah laten konvergen pada satu titik. Nilai loading factor diatas 0.6 dianggap bahwa indikator cukup baik digunakan untuk mengukur peubah latennya. Berdasarkan Gambar 7, terdapat 4 indikator pada peubah proses penciptaan pengetahuan yang tidak valid, yaitu Y5, Y7, Y8, dan Y9. Terdapat 2 indikator yang tidak valid pada peubah pengetahuan koperasi, yaitu Y18 dan Y19. Peubah visi bersama dan penyebaran pengetahuan internal semua indikatornya valid.
Pada data biner terdapat 2 indikator yang tidak valid pada peubah visi bersama, yaitu X2 dan X3. Terdapat 7 indikator yang tidak valid pada peubah proses penciptaan pengetahuan, yaitu Y4, Y5, Y7, Y8, Y9, Y12, dan Y14. Terdapat 1 indikator yang tidak valid pada peubah pengetahuan koperasi, yaitu Y18. Peubah penyebaran pengetahuan internal semua indikatornya valid.
23
Gambar 7 Diagram jalur model lengkap untuk skala likert
24
Model pengukuran dan model struktural untuk Gambar 7 dapat dibentuk dengan memanfaatkan nilai loading factor. Berikut ini akan dituliskan persamaan model pengukuran dan model struktural untuk Gambar 7.
Model pengukuran ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ Model struktural ̂ ̂ ̂
Model pengukuran dan model struktural untuk Gambar 8 dapat dituliskan sebagai berikut. Model pengukuran ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ Model struktural ̂ ̂ ̂
Perbandingan PLS-SEM Skala Likert dan PLS-SEM data Biner
PLS-SEM skala Likert dan biner dibandingkan berdasarkan uji kesesuaian model pengukuran, yaitu validitas konvergen (loading factor dan AVE), validitas diskriminan (cross loading dan akar kuadrat AVE), ukuran reliabilitas (Composite Reliability dan Cronbach’s Alpha), dan signifikansi loading factor berdasarkan statistik uji t yang diperoleh melalui prosedur bootstrapping. Model struktural diukur berdasarkan nilai R-square, f-square, , Khi-Kuadrat, RMSEA, SRMR, NFI, GoF, dan signifikansi diagram jalur berdasarkan statistik uji t yang juga diperoleh melalui prosedur bootstrapping.
25
Model Pengukuran
1. Validitas Konvergen
Validitas konvergen berprinsip bahwa indikator-indikator dalam satu peubah laten haruslah memiliki korelasi yang lebih tinggi. Pada penelitian ini akan dinilai validitas konvergen melalui nilai loading factor dan AVE. Loading factor
Nilai loading factor skala likert dan biner disajikan dalam Gambar 7 dan Gambar 8. Pada skala likert terdapat 6 indikator yang tidak valid (nilai loading factor kurang dari 0.6). Indikator yang tidak valid ini adalah sebanyak 4 dari peubah PPP dan 2 dari peubah PK. Data biner memiliki 11 indikator yang tidak valid (2 indikator dari peubah VB, 7 indikator dari peubah PPP, dan 2 dari peubah PK). Skala likert memberikan ukuran validitas yang lebih baik daripada data biner berdasarkan nilai loading factor. Hal ini terlihat dari banyaknya indikator pada skala likert yang valid daripada indikator pada data biner. Nilai AVE
Nilai AVE menggambarkan seberapa besar keragaman peubah laten yang dapat dijelaskan oleh model pengukuran. Nilai AVE sebesar 0.5 menerangkan bahwa model cukup baik. Skala Likert memberikan nilai AVE pada masing-masing peubah laten yang lebih baik daripada data biner. Hal ini ditunjukkan dari nilai AVE yang berada dibawah standar data biner lebih banyak daripada skala likert. Besarnya nilai AVE dapat dilihat pada Tabel 7 berikut:
Tabel 6 Nilai AVE untuk Skala Likert dan Skala Biner
Peubah AVE Likert Biner VB 0.655 0.413 PPI 0.650 0.597 PK 0.385 0.414 PPP 0.371 0.307
Berdasarkan Tabel 6, terlihat bahwa untuk skala likert, nilai AVE dibawah 0.5 terdapat pada peubah PK dan PPP. Hal ini berarti peubah PK dan PPP hanya mampu menjelaskan kurang dari setengah (<50%) keragaman dari indikator-indikatornya. Peubah VB dan PPI memiliki nilai AVE berturut-turut sebesar 0.655 dan 0.650. Nilai AVE ini dapat diinterpretasikan bahwa peubah laten VB mampu menjelaskan 65.50% keragaman dari indikator-indikatornya dan peubah laten PPI mampu menjelaskan 65% keragaman dari indikator-indikatornya. Pada data biner, nilai AVE yang kurang dari 0.5 terdapat pada peubah VB, PK, dan PPP. Dengan demikian peubah-peubah laten ini hanya menerangkan keragaman dari indikator-indikatornya kurang dari 50%, VB (41.30%), PPP (41.40%), dan PK (30.70%). Peubah laten PPI untuk data biner, mampu menjelaskan 59.70% keragaman dari indikator-indikatornya. Berdasarkan nilai AVE untuk pengukuran validitas konvergen, dapat disimpulkan bahwa skala likert lebih baik digunakan daripada data biner.
26
Berdasarkan kedua kriteria (loading factor dan nilai AVE) dalam mengukur validitas konvergen diperoleh kesimpulan yang berbanding lurus. Indikator yang tidak valid berdasarkan kriteria loading factor
terdapat pada peubah-peubah yang nilai AVE-nya kurang dari 0.5 baik untuk skala likert maupun biner.
2. Validitas Diskriminan
Validitas diskriminan berprinsip bahwa korelasi antara indikator-indikator yang berada pada peubah laten yang berbeda tidak boleh tinggi. Pada penelitian ini pengukuran validitas diskriminan dilakukan berdasarkan nilai cross loading dan akar kuadrat AVE.
Nilai cross loading
Menilai validitas diskriminan menggunakan cross loading
dilakukan dengan cara membandingkan loading factor tiap indikator dengan nilai cross loading-nya. Indikator memiliki nilai validitas konvergen yang baik jika loading factor lebih besar nilainya dibanding
cross loading-nya. Tabel 7 dan 8 adalah nilai maksimum dan minimum
cross loading dan loading factor pada data skala likert dan biner. Tabel 7 Nilai cross loading skala likert
Peubah Loading Factor Cross Loading
Maksimum Minimum Maksimum Minimum
VB 0.854 0.773 0.625 0.000
PPI 0.85 0.726 0.545 0.032
PPP 0.773 0.333 0.511 0.135
PK 0.71 0.532 0.506 0.047
Tabel 7 menerangkan bahwa pada peubah VB, PPI, dan PK memiliki nilai loading factor yang kesemuanya lebih besar dari nilai
cross loading-nya. Hal ini dilihat dari nilai minimum loading factor yang masih lebih besar dibandingkan nilai maksimum cross
loading-nya. Peubah laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok yang lain.
Terdapat tiga indikator pada peubah PPP yang nilai loading factor-nya lebih kecil dari nilai cross loading-nya yaitu; Y13, Y14, dan Y15 (nilai cross loading skala likert selengkapnya dapat dilihat pada Lampiran 2). Hal ini berarti bahwa peubah laten tidak baik untuk memprediksi indikator-indikator tersebut. Indikator-indikator ini juga merupakan indikator yang tidak valid berdasarkan kriteria validitas konvergen.
Tabel 8 Nilai cross loading skala biner
Peubah Loading Factor Cross Loading
Maksimum Minimum Maksimum Minimum
VB 0.733 0.519 0.532 -0.084
PPI 0.842 0.723 0.403 0.013
PPP 0.676 0.295 0.401 0.090
27 Tabel 8 memperlihatkan bahwa nilai loading factor peubah PPI dan PK semuanya lebih besar daripada nilai cross loading-nya. Nilai minimum loading factor kedua peubah ini lebih besar daripada nilai maksimum cross loading-nya. Peubah VB memiliki 1 indikator yang nilai loading factor-nya lebih kecil daripada cross loading-nya, yaitu Y12. Peubah PPP memiliki dua indikator yang nilai loading factor-nya lebih kecil daripada cross loading-nya, yaitu Y7 dan Y8. Nilai cross loading untuk skala biner selengkapnya dapat dilihat pada Lampiran 3. Nilai akar kuadrat AVE
Membandingkan nilai akar kuadrat AVE dengan korelasi antar peubah laten juga dapat digunakan dalam penilaian validitas diskriminan. Kriterianya adalah, apabila nilai akar kuadrat dari AVE lebih besar daripada korelasi antar peubah laten, berarti indikator-indikator tersebut memiliki validitas konvergen yang baik. Nilai akar AVE pada Tabel 9 dan Tabel 10 adalah angka yang dicetak tebal pada tiap diagonalnya. Selain angka yang dicetak tebal adalah nilai korelasi antar peubah laten.
Tabel 9 Nilai akar kuadrat AVE Skala Likert
PK PPI PPP VB
PK 0.620
PPI 0.501 0.806
PPP 0.531 0.528 0.609
VB 0.279 0.154 0.591 0.809
Berdasarkan Tabel 9 dapat disimpulkan bahwa indikator-indikator pada skala likert semuanya memiliki ukuran validitas diskriminan yang baik. Hal ini dapat dilihat berdasarkan nilai akar kuadrat AVE yang semuanya lebih besar nilainya daripada korelasi antar peubah laten. Tabel 10 Nilai akar kuadrat AVE Skala Biner
PK PPI PPP VB
PK 0.643
PPI 0.406 0.773
PPP 0.359 0.460 0.554
VB 0.131 0.114 0.433 0.643
Tabel 10 menjelaskan bahwa indikator-indikator pada data biner