METODE PENELITIAN 3.1 Jenis dan Sifat Penelitian
3.6 Metode Analisis Data
3.6.2 Analisis Statistik Inferensial
3.6.2.2 Model Persamaan Pengukuran dan Struktural Penelitian
Model persamaan pengukuran dalam penelitian ini menggunakan dua model karena ada dua variabel independen yang akan diperiksa secara individual, dua model dalam penelitian ini adalah sebagai berikut:
TQ = γ1L + γ2P+ γ3EVA+ ζ1
TVA = γ4L+ γ5P + γ6EVA + γ7TQ + ζ2
Dimana:
TVA : Tranding Volume Activity TQ : Nilai Perusahaan(Tobin’s Q) L : Leverange
P : Profitabilitas
EVA : Economic value Added 3.6.2.3 Evaluasi Model SEM-PLS
Karena PLS tidak mensyaratkan adanya asumsi distribusi tertentu untuk estimasi parameter, maka teknik parametrik untuk menguji atau mengevaluasi signifikansi tidak diperlukan (Ghozali dan Latan, 2015). Hal ini konsisten dengan yang dinyatakan Wold (1980, 1982b) dalam Ghozali dan Latan (2014), bahwa PLS bersifat distribution-free. Evaluasi model PLS berdasarkan pada orientasi prediksi yang mempunyai sifat non-parametrik. Model evaluasi PLS dilakukan dengan menilai outer-model dan inner model.
Evaluasi model pengukuran atau outer model dilakukan untuk menilai validitas dan reliabilitas model. Outer model dengan indikator reflektif dievaluasi melalui convergent validity dan discriminant validity dari indikator pembentuk konstruk laten dan composite reliability serta cronbach’s alpha untuk blok indikatornya (Ghozali dan Latan, 2015).
Evaluasi model struktural atau inner model bertujuan untuk memprediksi hubungan antar variabel laten. Inner model dievaluasi dengan melihat besar
presentase variance yang dijelaskan yaitu dengan melihat nilai Rsquare untuk konstruk laten endogen, Stone-Geisser (Geisser, 1975; Stone, 1974) test untuk menguji predictive relevance, dan Average Variance Extracted (AVE) (Ghozali dan Latan, 2015) untuk predicteveness dengan menggunakan prosedur resampling seperti jackknifing dan bootstrapping untuk memperoleh stabilitas dari estimasi.
3.6.2.3.1 Evaluasi Model Pengukuran (Outer Model)
Cara yang sering digunakan oleh peneliti di bidang SEM untuk melakukan pengukuran model melalui analisis faktor konfirmatori adalah dengan menggunakan pendekatan MTMM (Multi Trait Multi Method) dengan menguji validitas convergent dan discriminat (Ghozali dan Latan, 2015). Validitas convergent berhubungan dengan prinsip bahwa pengukur-pengukur (manifest variable) dari suatu konstruk seharusnya berkorelasi tinggi. Uji validitas convergent indikator refleksif dengan program Smart PLS 3.0 dapat dilihat dari nilai loading factor untuk setiap indikator konstruk. Rule of thumb yang biasanya digunakan untuk menilai validitas convergent yaitu nilai factor loading harus lebih dari 0,7 untuk penelitian yang bersifat confirmatory dan nilai loading factor antara 0,6-0,7 untuk penelitian yang bersifat exploratory masih dapat diterima serta nilai AVE harus lebih besar dari 0,5. Namun, demikian untuk penelitian tahap awal dari pengembangan skala pengukuran, nilai loading factor 0,5-0,6 masih dianggap cukup (Ghozali dan Latan, 2015).
Lebih lanjut validitas discriminat berhubungan dengan prinsip bahwa pengukur-pengukur (manifest variable) konstruk yang berbeda seharusnya tidak berkorelasi tinggi. Cara untuk menguji validitas discriminant dengan indikator
refleksif yaitu melihat nilai cross loading untuk setiap variable harus > 0,70. Cara lain yang dapat digunakan untuk menguji validitas discriminat adalah dengan membandingkan akar kuadrat dari AVE untuk setiap konstruk dengan nilai korelasi antar konstruk model. Validitas discriminant yang baik ditunjukkan dari akar kuadrat AVE untuk setiap konstruk lebih besar (tinggi) dari korelasi antar konstruk dalam model (Ghozali dan Latan, 2015).
Berikut rumus untuk menghitung AVE:
𝐴𝑉𝐸 = (∑ 𝜆𝑖2)𝑣𝑎𝑟 𝐹 (∑ 𝜆𝑖2)𝑣𝑎𝑟 𝐹 + ∑ Θii
Dimana: 𝜆𝑖2 adalah factor loading, F adalah factor variance, dan Θii adalah error variance.
Selain uji validitas, pengukuran model juga dilakukan untuk menguji reliabilitas konstruk. Uji reliabilitas dilakukan untuk membuktikan akurasi, konsistensi dan ketepatan instrumen dalam mengukur konstruk. Dalam PLS-SEM dengan menggunakan program Smart PLS 3.0, untuk mengukur reliabilitas suatu konstruk dengan indikator refleksif dapat dilakukan dengan dua cara yaitu dengan Cronbach’s Alpha dan Composite Reliability sering disebut Dillon-Goldstein’s. Lebih disarankan untuk menggunakan Composite Reliability dalam menguji reliabilitas konstruk. Rule of thumb yang biasanya digunakan untuk menilai reliabilitas konstruk yaitu dengan Composite Reliability harus lebih besar dari 0,7 untuk penelitian confirmatory dan nilai 0,6-0,7 masih dapat diterima untuk penelitian exploratory. Composite reliability disebut juga dengan Dillon-Goldstein’s dapat dihitung dengan menggunakan rumus yang dikembangkan oleh Ghozali dan Latan, 2015 untuk mengukurinternalconsistency sebagai berikut.
𝜌𝑐 = (∑ 𝜆𝑖2)𝑣𝑎𝑟 𝐹 (∑ 𝜆𝑖2)𝑣𝑎𝑟 𝐹 + ∑ Θii
Jadi, AVE dan composite reliability sebagai ukuran internal konsistensi hanya dapat digunakan untuk konstruk dengan indikator refleksif. Ringkasan rule of thumb uji reliabilitas konstruk dengan indikator refleksif dapat dilihat pada Tabel di bawah ini.
Tabel 3.4 Rule of thumb Evaluasi Model Pengukuran dengan Indikator Refleksif
Validitas dan Reliabilitas
Parameter Rule of Thumb
Validitas Convergent
Loading Factor ➢ > 0,70 untuk confirmatory research
➢ > 0,60 untuk confirmatory maupun exploratory
Communality ➢ > 0,50 untuk confirmatory maupun exploratory research
Validitas Discriminant
Cross Loading ➢ > 0,70 untuk setiap variable Akar kuadrat
AVE dan Korelasi konstruk Laten
Akar Kuadrat AVE > Korelasi antar konstruk Laten
Reliabilitas Cronbach’s Alpha ➢ > 0,70 untuk confirmatory research
➢ > 0,60 masih masih dapat diterima untuk exploratory research
Composite Reliability
➢ > 0,70 untuk confirmatory research
➢ 0,60 – 0,70 masih dapat diterima untuk exploratory research
Sumber: diadopsi dari Ghozali dan Latan, 2015.
3.6.2.3.2 Evaluasi model struktural (Inner Model)
Dalam menilai model struktural dengan PLS, kita mulai dengan melihat nilai Rsquare untuk setiap variabel laten endogen sebagai kekuatan prediksi dari model struktural. Interpretasinya sama dengan interpretasi pada OLS regresi.
Perubahan nilai Rsquare dapat digunakan untuk menjelaskan pengaruh variabel laten endogen apakah mempunyai pengaruh yang substantive. Nilai Rsquare 0,75, 0,50, dan 0,25 dapat disimpulkan bahwa model kuat, moderate, dan lemah. Hasil
dari PLS Rsquare merepresentasikan jumlah variance dari konstruk yang dijelaskan oleh model. Pengaruh besarnya 𝑓2 dapat dihitung dengan rumus sebagai berikut:
𝑓2 =𝑅2𝑖𝑛𝑐𝑙𝑢𝑑𝑒𝑑 − 𝑅2𝑒𝑥𝑐𝑙𝑢𝑑𝑒𝑑 1 − 𝑅2𝑖𝑛𝑐𝑙𝑢𝑑𝑒𝑑
Dimana 𝑅2𝑖𝑛𝑐𝑙𝑢𝑑𝑒𝑑dan 𝑅2𝑒𝑥𝑐𝑙𝑢𝑑𝑒𝑑 adalah Rsquare dari variabel laten endogen ketika prediktor variabel laten digunakan atau dikeluarkan di dalam persamaan struktural.
Jika ingin mengetahui prediktor dari konstruk endogen dapat digunakan baseline model dalam membandingkan antara dua atau lebih tambahan variabel laten. Kita dapat menggunakan uji F dengan rumus sebagai berikut:
𝐹 =
𝑅22−𝑅12 𝑘2−𝑘1 1−𝑅22 𝑁−𝑘2−1
Dimana 𝑘2− 𝑘1, 𝑁 − 𝑘2 − 1 adalah derajat kebebasan, 𝑅12 adalah baseline model, 𝑅22 adalah superset model sebagai tambahan dari variabel laten, 𝑘1 adalah jumlah prediktor untuk baseline model, 𝑘2 adalah jumlah prediktor untuk superset model dan N adalah jumlah sampel.
Disamping melihat besarnya nilai Rsquare, evaluasi model PLS dapat dilakukan dengan 𝑄2predictive relevance atau sering disebut predictive sample use yang dikembangkan oleh Ghozali dan Latan, 2015. Pendekatan ini diadaptasi PLS dengan menggunakan prosedur blindfolding dengan rumus:
𝑄2 = 1 −∑ 𝐸𝐷 𝐷
∑ 𝑂𝐷 𝐷
Dimana, D adalah omission distance, E adalah the sum of squares of prediction error, O adalah the sum of squares errors using the mean for prediction.
Perubahan dari 𝑄2 memberikan dampak relatif terhadap model struktural yang dapat diukur dengan rumus:
𝑞2 = 𝑄2𝑖𝑛𝑐𝑙𝑢𝑑𝑒𝑑− 𝑄2𝑒𝑥𝑐𝑙𝑢𝑑𝑒𝑑 1 − 𝑄2𝑖𝑛𝑐𝑙𝑢𝑑𝑒𝑑
Hair et al. (2011) dan Henseler et al. (2009) memberikan rekomendasi untuk number of bootstrap samples sebesar 5000 dengan catatan jumlah sampel tersebut harus lebih besar dari original sampel. Namun demikian, beberapa literatur (Ghozali dan Latan, 2015) menyarankan number of bootstrap samples sebesar 200-1000 sudah cukup untuk mengoreksi standar error estimates PLS.
Tabel 3.5 Ringkasan Rule of Thumb Evaluasi Model Struktural
Kriteria Rule of Thumb
Rsquare 0,67 , 0,33 dan 0,19 menunjukkan model kuat, moderate, dan
lemah (Chin, 1998)
0,75 , 0,50 dan 0,25 menunjukkan model kuat, moderate, dan lemah (Hair, et al., 2011)
Effect size𝑓2 0,02 , 0,15 dan 0,35 (kecil, menengah, dan besar)
𝑄2predictive relevance 𝑄2> 0 menunjukkan model mempunyai predictive relevance dan 𝑄2< 0 menunjukkan model kurang mempunyai predictive relevance
𝑞2predictive relevance 0,02 , 0,15 dan 0,35 (lemah, moderate dan kuat) Signifikansi (one-tailed) tvalue 1,67 (𝛼 = 5%),
Sumber: diadopsi dari Ghozali dan Latan, 2015.