Interpretasi Hasil Pengukuran (Outer Model) Partial Least Square (PLS)

Interpretasi Hasil Pengukuran (Outer Model)

Metode analisis data dengan menggunakan Partial least square (PlS) adalah model persamaan struktural (SEM) yang berbasis varian (variance). Evaluasi terhadap model Partial Least Squares(PLS) dalam contoh penelitian ini didasari oleh 2 (dua) evaluasi mendasar yaitu evaluasi model hasil pengukuran outer model dan evaluasi model strukural (inner model). Pada bagian ini fokus menjelaskan hasil analisis evaluasi outer model. sedangkan untuk Interpretasi hasil inner model silahkan baca Artikel Inner Model

Contoh hasil Calculate Partial Least Square (PLS) Algorithm (Outer model)

Contoh Hasil Calcuate PLS Algorithm (Outer Model)

Contoh Hasil Calcuate PLS Algorithm (Outer Model)

Evaluasi pengukuran outer model Partial Least Square (PLS) adalah untuk mengetahui validitas dan reliabilitas indikator–indikator yang mengukur variabel laten. Kriteria uji validitas pada sebuah penelitian mengacu pada besaran outer loading setiap indikator terhadap variabel latennya.

Convergent validity

Outer Loadings
Outer Loadings
Dari contoh tabel diatas dapat dilihat bahwa pada cross loading antara indikator dengan konstruknya pengukur variabel bernilai di atas 0,70. Kecuali Indikator X21 Di drop dari model karena nilai Indikator dibawah dari 0,70. Namun menurut Ghozali, 2015 bahwa nilai outer loading 0,5 masih dapat ditoleransi untuk diikutkan dalam model yang masih dalam pengembangan.

Discriminant validity
Kriteria pertama untuk Pengukuran discriminant valdity indikator refeleksif dapat dilihat pada cross loading antara indikator dan konstruknya.

Discriminan Validity - Cross Loading
Discriminan Validity - Cross Loading
Dari tabel di atas terlihat bawha korelasi konstruk antara kepemimpinan dengan indikatornya lebih tinggi dibandingkan korelasi indikator kinerja pegawai dengan konstruk lainnya. Hal ini berlaku sebaliknya. Hal ini menunjukkan bahwa konstruk laten mempredksi indikator pada blog mereka lebih baik dibandingkan dengan indikator blog lainnya.

Kriteria  kedua  untuk  discriminan validity  ialah  dengan membandingkan akar  dari Average Variance Extracted (Akar AVE) untuk setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Model mempunyai discriminan validity yang cukup jika Akar AVE untuk setiap konstruk lebih besar dari pada korelasi antara konstruk konstruk lainnya. Untuk mendapatkan nilai AVE pada PLS Algorithm‘loading’  Anda tinggal memilih Tab AVE pada bagian bawah layar PLS (Lihat Video tutorialnya).

Contoh output AVE Sebagai berikut :
Average Variance Extraced
Average Variance Extraced
  


Selain uji validitas konstruk juga dilakukan Uji Reliabilitas konstruk yang diukur dengan 2 kriteria yaitu : Cronbach’s Alpha dan Composite Reliability.  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 composite reliability yang diinterpretasikan sama dengan nilai Cronbach’s Alpha.

Croanbach's Alpha
Croanbach's Alpha

Composite Reliabilty
Composite Reliabilty
Pada grafik diatas nampak bahwa semua indikator variabel  berada diatas  0,7 penjelasan lengkap interpretasi hasil pengukuran (outer model) Partial Least Square (PLS) lengkapnya dapat anda tonton Video Tutorial 4 disini.dan untuk kelanjutan Structural Model (inner model) Tutorial 5 disini

Referensi : Jonathan Sarwono (2013), Ghozali, (2015)

Belajar Menulis Skripsi & Tesis

New Post

Sensasi Belanja Ala Mall

funika