64
Berdasarkan gambar 4.3, terlihat bahwa masing-masing indikator individu dari Pengendalian Mutu Produk dalam Produksi X
2
telah memenuhi convergent validity. Hal tersebut karena semua loading faktor
telah berada diatas 0,50. Dengan nilai validitas konvergen terkecil pada indikator X
2.3
mengenai tata letak layout yaitu sebesar 0,507 dan nilai tertinggi pada indikator X
2.8
mengenai standar upah sebesar 0,834.
c. Variabel Pengendalian Mutu Produk Akhir X
3
Gambar 4.4 Output PLS Algorithm
Berdasarkan gambar 4.4, terlihat bahwa masing-masing indikator individu dari Pengendalian Mutu Produk Akhir X
3
telah memenuhi convergent validity. Hal tersebut karena semua loading faktor telah
berada diatas 0,50. Dengan nilai validitas konvergen terkecil pada indikator X
3.7
mengenai administrasi produk yaitu sebesar 0,554 dan nilai tertinggi pada indikator X
3.3
mengenai daya guna produk sebesar 0,838.
Sumber: Pengolahan data dengan SMART PLS 2013
65
d. Varibel Kualitas Pengendalian Mutu Y
1
Gambar 4.5 Output PLS Algorithm
Sumber: Pengolahan data dengan SMART PLS 2013
Berdasarkan gambar 4.5, terlihat bahwa masing-masing indikator individu dari Kualitas Pengendalian Mutu Y
1
telah memenuhi convergent validity. Hal tersebut karena semua loading faktor telah
berada diatas 0,50. Dengan nilai validitas konvergen terkecil pada indikator Y
1.6
mengenai produk cacat yaitu sebesar 0,653 dan nilai tertinggi pada indikator Y
1.1
mengenai standar proses produksi sebesar 0,952.
4.2.2 Composite Reliability
Relibialitas sebenarnya adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari variabel. Suatu kuesioner dikatakan reliable
atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu Imam Ghozali, 2009: 45.
Data yang memiliki composite reliability lebih besar dari 0,8 mempunyai reliabilitas yang tinggi. Nilai composite reliability yang
dihasilkan terlihat pada tabel 4.3. Nilai reliabilitas tertinggi yaitu pada variabel Y
1
sebesar 0,902 dan nilai reliabilitas terendah pada variabel X
1
sebesar 0,850.
66
Tabel 4.3 Nilai
Composite Reliability
Composite Reliability 0,8 X1
0.850
X2 0.876
X3 0.893
Y1 0.902
Sumber: Pengolahan data dengan SMART PLS 2013
4.2.3 Average Variance Extracted AVE
Average Variance Extracted digunakan untuk menilai validitas diskriminan yang menggambarkan interkorelasi internal yaitu korelasi antar
indikator di dalam model. Nilai AVE yang diharapkan adalah lebih besar dari 0,5 yang berarti indikator-indikator dalam model terbukti benar-benar
mengukur variabel yang ditargetkan dan tidak mengukur variabel lain. Nilai AVE dibawah 0,5 menunjukkan bahwa indikator memiliki rata-rata tingkat
error yang lebih tinggi. Pada tabel 4.4 nilai AVE pada variabel X
1
, X
2
dan X
3
tidak lebih besar dari 0,5 namun mendekati 0,5 yang artinya indikator-indikator dalam model
mengukur variabel X
1
, X
2
dan X
3
yang ditargetkan namun memiliki sedikit rata-rata tingkat error. Sedangkan yang tertinggi pada variabel Y
1
yaitu 0,611 berarti indikator dalam model benar-benar mengukur variabel Y
1.
Tabel 4.4 Nilai
Average Variance Extracted
Original Sample O
Sample Mean M
Standard Deviation
STDEV
T Statistics |OSTDEV|
P Values X1
0.494 0.500
0.072 6.846
0.000
X2 0.448
0.457 0.063
7.062 0.000
X3
0.486 0.488
0.055 8.891
0.000
Y1 0.611
0.607 0.069
8.801 0.000
Sumber: Pengolahan data dengan SMART PLS 2013
67
4.2.4 Outer Weights
Hasil outer weight menunjukkan bahwa tiap indikator signifikan terhadap variabelnya, karena t-statistiknya lebih besar dari 1,96. T-statistik
terendah yaitu pada indikator X
1.5
mengenai biaya pemesanan ordering cost pada variabel Pengendalian Bahan Baku X
1
yaitu sebesar 1,455. Sedangkan t-statistik tertinggi yaitu pada indikator X
3.3
mengenai daya guna produk pada variabel Pengendaliann Mutu Produk Akhir X
3
yaitu sebesar 9,623.
Tabel 4.5 Nilai
Outer Weights
Original Sample O
Sample Mean M
Standard Deviation
STDEV
T Statistics |OSTDEV|
P Values X1.1 - X1
0.338 0.329
0.057 5.953
0.000
X1.2 - X1 0.319
