Langkah pertama, data ini diinput ke
microsoft excel
kemudian di simpan dengan ekstensi
csv
. Data-data ini tidak boleh ada yang kosong. Selanjutnya data diolah dengan Smart PLS 2.0 M3.
5.3.1 Uji Validitas
Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item dengan skor konstruknya. Suatu indikator dianggap valid jika memiliki nilai korelasi di atas 0,70.
Namun untuk loading 0,50 sampai 0,60 masih dapat diterima dengan melihat output korelasi antara indikator dengan konstruknya.
Gambar 5.1. Hasil Input SmartPLS
Pada penelitian ini, peneliti mengambil nilai loading 0,60 karena berpedoman pada penelitian-penelitian sebelumnya yang juga menggunakan nilai 0,60 sebagai standar validitas
datanya. Namun, jika penelitian ini baru pertama kali dilakukan 0,50 dijadikan sebagai standar nilai uji validitas. Hasil konstruk ini telah memenuhi
convergent validity
dengan
loading factor
berada di atas 0,60. Pengukuran
discriminant validity
dapat dilihat pada
cross loading
antara indikator dengan konstruknya, berikut ini output Smart PLS :
Tabel 5.14
Cross Loading
Sumber : Output SmartPLS 2012
Cross loadings
berguna untuk menilai apakah konstruk memiliki
discriminant validity
yang memadai, yaitu dengan cara membandingkan korelasi indikator suatu konstruk tersebut dengan
konstruk lainnya. Jika korelasi indikator konstruk memiliki nilai lebih tinggi dibandingkan dengan korelasi indikator tersebut terhadap konstruk lain, maka dikatakan konstruk memiliki
diskriminan validitas
yang tinggi. Dari tabel dapat disimpulkan bahwa indikator masing-masing konstruk memberikan nilai
convergent validity
yang tinggi semua di atas 0.60. Begitu juga dengan nilai
cross loading
menunjukkan
discriminant validity
yang baik.
Tabel 5.15
Loading and Average Variance Extract
Sumber : Output SmartPLS 2012
Metode lain untuk menilai
discriminant validity
adalah dengan membandingkan
Square Root of Average
AVE untuk setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Model mempunyai
discriminant validity
yang cukup jika akar AVE untuk setiap konstruk lebih besar dari pada korelasi antara konstruk dengan konstruk lainnya dalam
model seperti tabel berikut ini :
Tabel 5.16
Latent Variable Correlations
Sumber : Output SmartPLS 2012
Jika nilai akar AVE lebih tinggi dari korelasi antar konstruk yang lain, maka dapat disimpulkan bahwa konstruk memiliki tingkat validitas yang baik. Jadi, masing-masing konstruk
memiliki validitas yang tinggi. Hal ini dapat dilihat dari nilai akar AVE yang lebih tinggi dibandingkan nilai korelasi antar konstruk lain.
5.3.2 Uji Reliabilitas
