Setelah membaca bab ini, pembaca harus
2.1. Karakteristik Utama Metode PLS-SEM
2.1.3. Cara menggunakan PLS-SEM
45
Selain itu, variabel formatif dapat memiliki gangguan, tetapi kendala tambahan harus ditambahkan ke model. Untuk pembahasan lebih lanjut, lihat Bollen dan Bauldry (2011, Psychological Methods).
46
dilanggar jika kita membalikkan hubungan Y 2 Y 5 pada Gambar 2.2.
Dalam situasi ini, Y 2 akan memprediksi Y 4 , Y 4 akan memprediksi Y 5 , dan Y 5 akan memprediksi Y 2 lagi, menghasilkan lingkaran lingkaran (yaitu Y 2 Y 4 Y 5 Y 2 ). Setelah model dalam dirancang, peneliti harus menentukan model luar.
Gambar 2.2. Model Jalur Sederhana (2) Evaluasi model luar
Model outer measurement bertujuan untuk menghitung reliabilitas, konsistensi internal, dan validitas variabel teramati (diukur melalui kuesioner) bersama dengan variabel tak teramati.
Dalam metode partial least square, ketika mengevaluasi reliabilitas model luar, peneliti harus menentukan model luar tersebut reflektif atau informatif. Dalam model reflektif, perubahan konstruk tercermin dalam pergeseran semua indikatornya, dan arah kausalitasnya dari konstruk ke indikatornya. Dalam model Formatif,
47
arah kausalitas adalah dari indikator ke konstruk, dan bobot indikator formatif mewakili pentingnya masing-masing indikator dalam menjelaskan varian dari konstruk. Dalam diagram di bawah ini saya telah menunjukkan bagaimana model pengukuran reflektif akan terlihat untuk pengujian hipotesis. Untuk menguji kesesuaian model luar Reflective, kita dapat menggunakan reliabilitas konsistensi internal, reliabilitas indikator, validitas konvergen, dan validitas diskriminan.
(3) Indikator reflektif
Dalam model reflektif, konstruk laten ada (dalam arti absolut) terlepas dari ukuran. Karena indikator digunakan secara bergantian, bahkan dengan penghapusan salah satu indikator, variabel laten akan tetap ada. Sementara secara tradisional dinilai menggunakan Cronbach'sa (Cronbach dan Meehl, 1955), reliabilitas komposit memberikan ukuran reliabilitas konsistensi internal yang lebih tepat untuk setidaknya dua alasan.
Pertama-tama, berbeda dengan Cronbach's a, keandalan komposit tidak mengasumsikan bahwa semua indikator memiliki bobot yang sama dalam populasi. Ini sesuai dengan prinsip PLS-SEM yang memprioritaskan indikator berdasarkan keandalannya masing- masing selama estimasi model. Selain itu, Cronbach cenderung merendahkan keandalan konsistensi internal dan rentan terhadap jumlah item dalam skala. Dengan menggunakan keandalan gabungan, PLS-SEM dapat mengakomodasi indikator dengan keandalan yang berbeda (yaitu, muatan indikator yang berbeda).
Langkah kedua adalah menilai validitas. Validitas diperiksa melalui validitas konvergen dan validitas diskriminan. Validitas konvergen dan validitas diskriminan keduanya merupakan subtipe validitas
48
konstruk. Bersama-sama, mereka membantu mengevaluasi apakah suatu tes mengukur konsep yang dirancang untuk diukur.
Validitas diskriminan mengacu pada sejauh mana suatu tes tidak terkait dengan tes lain yang mengukur konstruk yang berbeda. Di sini, konstruk adalah perilaku, sikap, atau konsep, terutama yang tidak dapat diamati secara langsung.
Harapannya adalah bahwa dua pengujian yang mencerminkan konstruk yang berbeda tidak boleh terlalu terkait satu sama lain. Jika ya, maka tidak dapat mengatakan dengan pasti bahwa mereka tidak mengukur konstruk yang sama. Dengan demikian, validitas diskriminan merupakan indikasi sejauh mana perbedaan antar konstruk.
Validitas diskriminan dinilai dalam kombinasi dengan validitas konvergen. Di beberapa bidang, validitas diskriminan juga dikenal sebagai validitas divergen.
Indikator formatif. Kemampuan PLS-SEM untuk menguji model menggunakan indikator formatif telah menarik perhatian lintas disiplin ilmu, banyak peneliti yang menerapkan metode ini mengabaikan langkah-langkah spesifik yang perlu diikuti saat mengevaluasi model luar formatif (Hair et al., 2012a, b).
Validitas konten mengevaluasi sejauh mana indikator menangkap aspek utama dari konstruk. Sederhananya, jika item penting dihilangkan, sifat konstruk dapat diubah (Diamantopoulos et al., 2008), dengan tujuan menghasilkan distribusi probabilitas untuk setiap parameter model. Dari distribusi probabilitas ini, peneliti dapat menghitung interval kepercayaan dan tingkat signifikansi untuk setiap bobot indikator. Selain itu, peneliti juga mempertimbangkan relevansi dari setiap indikator formatif dalam
49
konteks penelitian mereka dan mempertimbangkan untuk menghapus indikator yang tidak mempunyai kontribusi yang signifikan terhadap konstruk yang diukur. Dengan cara ini, peneliti memperoleh estimasi model dalam jumlah besar (biasanya 5.000 atau lebih), yang dapat digunakan untuk menghitung kesalahan standar dari setiap parameter model. Menggambar pada kesalahan standar, signifikansi dari setiap parameter dapat ditentukan, dengan menggunakan nilai-t. Penilaian relevansi indikator melibatkan pembandingan bobot indikator untuk menentukan kontribusi relatifnya terhadap pembentukan konstruk (Hair et al., 2014).
Dalam kasus tertentu (yaitu ketika bobot indicator tidak signifikan), peneliti juga perlu mengevaluasi korelasi bivariat (pemuatan) antara indikator (tidak signifikan) dan konstruk untuk memutuskan apakah akan mengecualikan indikator dari model luar (Hair). et al., 2014).
Untuk menghilangkan indikator formatif dari model umumnya harus menjadi pengecualian, karena teori pengukuran formatif mensyaratkan bahwa langkah-langkah tersebut sepenuhnya menangkap seluruh domain dari sebuah konstruk. Singkatnya, menghilangkan indikator sama dengan menghilangkan bagian dari konstruksi.
Evaluasi model internal. Bahwa model pengukuran itu valid dan reliabel. Langkah selanjutnya adalah mengukur hasil Inner Structural Model. Ini termasuk mengamati relevansi prediksi model dan hubungan antara konstruksi. Sementara kriteria Fornell-Larcker biasanya mengungkapkan masalah kolinearitas dalam model bagian dalam lebih awal dalam proses evaluasi model, ini tidak terjadi ketika konstruk yang diukur secara formatif terlibat. Alasannya adalah AVE yang menjadi dasar penilaian Fornell-Larcker – bukanlah ukuran yang berarti untuk indikator formatif. Oleh karena itu, penilaian
50
kolinearitas dalam model bagian dalam sangat penting ketika model menyertakan konstruk yang diukur secara formatif.
Koefisien determinasi (R²). Koefisien jalur adalah ukuran hubungan yang diharapkan antara variabel dalam model PLS. Selain itu, koefisien jalur juga dapat memberikan informasi mengenai kekuatan hubungan antar variabel. Koefisien determinasi (R²) mengukur seberapa baik model statistik memprediksi hasil. Hasilnya diwakili oleh variabel dependen model.
Nilai R² terendah yang mungkin adalah 0 dan nilai tertinggi yang mungkin adalah 1. Sederhananya, semakin baik suatu model dalam membuat prediksi, semakin dekat R²-nya dengan 1.
Contoh: Koefisien determinasi
Bayangkan Anda melakukan regresi linier sederhana yang memprediksi nilai ujian siswa (variabel dependen) dari waktu yang mereka habiskan untuk belajar (variabel independen).
1) Jika R² adalah 0, model regresi linier tidak memungkinkan memprediksi nilai ujian lebih baik daripada sekadar memperkirakan bahwa setiap orang memiliki nilai ujian rata- rata.
2) Jika R² antara 0 dan 1, model ini memungkinkan memprediksi sebagian nilai ujian. Estimasi model tidak sempurna, tetapi lebih baik daripada hanya menggunakan skor ujian rata-rata.
3) Jika R² adalah 1, model ini memungkinkan memprediksi skor ujian siapa pun dengan sempurna.
Secara lebih teknis, R² adalah ukuran kecocokan. Ini adalah proporsi varians dalam variabel dependen yang dijelaskan oleh
51
modelMeskipun koefisien jalur adalah alat yang berguna dalam menilai hubungan antar variabel, peneliti harus berhati-hati untuk tidak terlalu mengandalkan nilai koefisien jalur dan mempertimbangkan relevansi dan signifikansi hubungan antar variabel secara keseluruhan.Singkatnya, apakah ukuran koefisien struktural bermakna? Seperti yang dikemukakan oleh Hair et al.
(2014), banyak penelitian mengabaikan langkah ini dan hanya mengandalkan pentingnya efek. Jika langkah penting ini dihilangkan, peneliti dapat fokus pada hubungan yang, meskipun signifikan, mungkin terlalu kecil untuk mendapat perhatian manajerial