Validasi Model Formatif Validasi Model

55 komputer secara intensif yang dapat memberikan jawaban terhadap masalah statistik dengan kelompok yang besar dengan menggunakan seluruh sampel asli untuk membuat rangkaian data dimana nilai R-Square diukur dari dari masing- masing variabel laten endogen. Indikator tetap digunakan apabila nilai uji-t pada outer loading atau outer weight menunjukkan hasil yang signifikan pada tingkat kepercayaan sebesar 90 persen 1,65 . Indikator tidak digunakan jika nilai t- statistic atau nilai t-hitung pada outer loading atau outer weight menunjukkan hasil yang tidak signifikan 1,65. Hasil validasi model formatif tersaji pada lampiran 5. Hasil validasi model menyatakan bahwa satu indikator tidak digunakan yaitu indikator pada subvariabel manfaat produk karena nilai uji-t pada outer loading maupun outer weight tidak signifkan. Validasi model formatif juga melihat ada atau tidaknya kolinearitas antara indikator pembentuk variabel eksogen dengan variabel endogen. Kolinearitas merupakan suatu keadaan jika semua variabel bebas dimasukkan dalam model persamaan regresi menghasilkan koefisien korelasi dan koefisien determinasi yang rendah, namun jika variabel bebas dimasukkan satu per satu, menghasilkan koefisien korelasi dan koefisien determinasi yang besar atau signifikan. Untuk mengetahui ada tidaknya kolinearitas pada indikator maka perlu pengecekan kolinearitas melalui VIF variance inflation factor atau faktor inflasi penyimpangan baku kuadrat. Nilai dari VIF maksimum 10 menunjukkan bahwa validitas konstruk terdapat pada indikator yang bersifat formatif, jika memiliki nilai lebih dari 10 maka indikator tidak digunakan Gaskin dan Lowry, 2014:137. Hasil penilaian terhadap ada atau tidaknya masalah kolinearitas yang disajikan pada lampiran 5 menyatakan tidak ada masalah kolinearitas pada model. 56

3.9.2 Validasi Model Reflektif

Validasi model reflektif validasi yang dilakukan untuk mengukur validitas dan reliabilitas model yang bersifat reflektif yaitu pada variabel endogen variabel dependen yang terdiri dari subvariabel Motivasi, variabel Persepsi, dan variabel Sikap. Kriteria tersebut seperti yang telah disebutkan pada Bab 3 yaitu mengukur reliabilitas indikator indicator reliability, reliabilitas komposit composite reliability validitas konvergen convergent validity, dan validitas diskriminan discriminant validity. Berikut merupakan hasil dari outer loading untuk mengukur reliabilitas indikator yang disajikan pada tabel 9. Tabel 9. Hasil Awal Outer Loading Sumber : Data Primer diolah Keterangan MOTn : Indikator subvariabel motivasi ke-n PERSn : Indikator subvariabel persepsi ke-n SIKPn : Indikator subvariabel sikap ke-n Tabel 9 memperlihatkan hasil outer loading yang memiliki nilai bervariasi dari indikator terhadap subvariabelnya. Model dikatakan memiliki reliabilitas indikator apabila memiliki nilai outer loading lebih dari 0,7. Indikator yang Kode Indikator Subvariabel Motivasi Persepsi Sikap MOT1 0,588 MOT2 0,337 MOT3 0,699 MOT4 0,737 PERS1 0,740 PERS2 0,878 PERS3 0,592 SIKP1 0,760 SIKP2 0,838 SIKP3 0,496 57 memiliki nilai indikator kurang dari 0,7 dikeluarkan dari perhitungan secara bertahap dimulai dari yang terkecil sehingga didapatkan model yang memiliki reliabilitas indikator yang baik. Hasil tersebut disajikan pada tabel 10. Tabel 10. Hasil Akhir Outer Loading Sumber : Data Primer diolah Keterangan MOTn : Indikator subvariabel motivasi ke-n PERSn : Indikator subvariabel persepsi ke-n SIKPn : Indikator subvariabel sikap ke-n Indikator dikeluarkan secara bertahap dikarenakan setiap indikator yang tidak memenuhi syarat apabila dikeluarkan dapat menyebabkan nilai outer loading atau nilai korelasi indikator lainnya bertambah. Tabel 10 menyatakan bahwa dari total sepuluh indikator dengan tiga subvariabel tersisa enam indikator. Indikator tersebut yang akan digunakan pada model akhir. Model dapat dikatakan memiliki reliabilitas komposit apabila nilai reliabilitas kompositnya 0,7 Latan dan Ghazali, 2012:81. Perhitungan reliabilitas komposit digunakan untuk mengetahui seberapa baik sebuah konstruk dapat diukur oleh indikator yang menyusunnya. Reliabilitas komposit dari suatu Kode Indikator Subvariabel Motivasi Persepsi Sikap MOT1 Drop MOT2 Drop MOT3 0,783 MOT4 0,847 PERS1 0,864 PERS2 0,907 PERS3 Drop SIKP1 0,851 SIKP2 0,866 SIKP3 Drop