Kategori ketiga, adalah berkaitan dengan means dan lokasi parameter nilai konstanta regresi untuk indikator dan variabel laten. Untuk
memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama
menghasilkan weight estimasi, tahap kedua menghasilkan estimasi untuk inner model dan outer model, dan tahap ketiga menghasilkan
estimasi means dari lokasi konstanta. Pada dua tahap pertama proses iterasi indikator dan variabel
laten diperlakukan sebagai deviasi penyimpangan dari nilai means rata-rata. Pada tahap ketiga untuk hasil estimasi dapat diperoleh
berdasarkan pada data metric original, hasil weight estimase dan path estimate pada tahap kedua digunakan untuk menghitung means dan
lokasi parameter. Tahap pertama merupakan jantung dari algoritma PLS yang berisi prosedur iterasi yang selalu akan menghasilkan weight
estimate yang stabil. Komponen skor estimasi untuk setiap variabel laten didapat dengan dua cara. Melalui outside aproksimasi yang
menggambarkan weighted agregat dari indikator konstruk dan melalui inside aproksimasi yang merupakan weight agregat component score
lainnya yang berhubungan dengan konstruk dalam model teoritis. Selama iterasi berlangsung inner model estimate digunakan untuk
mendapatkan outside approximation weight, sementara itu outer model estimate digunakan untuk mendapatkan inside approximation weight.
Prosedur iterasi ini akan berhenti ketika presentase perubahan setiap outside approximation weight relative terhadap proses iterasi
sebelumnya kurang dari 0,001.
2.4.6 Model Spesifikasi dengan PLS
Model analisis jalur semua variabel laten dalm PLS terdiri dari tiga set hubungan: 1 inner model yang menspesifikasi hubungan antar
variabel laten structural model, 2 outer model yang menspesifikasi hubungan variabel laten dengan indikator atau dengan variabel
manifestnya meansurement model, 3 weight relation dimana nilai kasus dari variabel laten dapat diestimasi. Tanpa kehilangan
generalisasi, dapat diasumsikan bahwa variabel laten dan indikator atau manifest variabel di skala zero means dan unit variance nilai
standarized sehingga parameter lokasi parameter konstanta dapat dihilangkan dalam model.
1. Inner model
Inner model yang kadang disebut juga dengan inner relation, structural model dan substantive theory menggambarkan
hubungan antar variabel laten berdasarkan pada substantive theory. Model persamaannya dapat ditulis seperti di bawah ini:
= o + + Γξ + …………… 5 Dimana menggambarkan vektor endogen dependen
variabel laten, ξ adalah vektor variabel laten exogen, dan adalah vektor variabel residual unexplained variance. Oleh karena PLS
didesain untuk model recursive, maka hubungan antar variabel laten, setiap variabel laten dependen atau sering disebut causal
chain system dari variabel laten dapat dispesifikan sebagai berikut: = Σ
i ji i
+ Σ
i jb
ξ
b
+
j
…....... 6 Dimana
ji
dan
jb
adalah koefisien jalur yang menghubungkan predik
tor endogen dan variabel laten exogen ξ dan
sepanjang range indeks i dan b, dan
j
adalah inner residual variabel.
2. Outer model
Outer model sering juga disebut outer relation atau meansurement model yang mendefinisikan bagaimana setiap blok
indikator berhubungan dengan variabel latennya. Blok dengan indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λ
x
ξ +
x
…….………..…….. 7 y = Λ
y
+
y
………………….… 8 Dimana x dan y adalah indikator atau manifest variabel
untuk variabel laten ek sogen dan endogen ξ dan . Sedangkan Λ
x
dan Λ
y
merupakan matrik loading yang menggambarkan koefisien regresi sederhana yang menghubungkan variabel laten dengan
indikatornya. Residual yang diukur dengan
x
dan
y
dapat diinterpretasikan sebagai kesalahan pengukuran dan noise.
Blok dengan indikator formatif dapat ditulis persamaannya sebagai berikut:
ξ =
ξ
x +
ξ
………………...….. 9 = y +
………………….… 10 Dimana ξ, , x dan y merupakan variabel laten eksogen dan
endogen. Ϊ
x
dan Ϊ
y
adalah koefisien regresi berganda dari variabel laten dan blok indicator dan
x
dan
y
adalah residual dari regresi. 3.
Weight relation Inner dan outer model memberikan spesifikasi yang diikuti
dalam estimasi algoritma PLS, definisi weight relation sangat diperlukan. Nilai kasus untuk setiap variabel laten diestimasi dalam
PLS sebagai berikut: ξ
b
= Σ
kb
w
kb
x
kb
………………… 11
i
= Σ
ki
w
ki
y
ki
………...…….….. 12 Dimana w
kb
dan w
ki
adalah k weight yang digunakan untuk membentuk estimasi variabel laten ξ
b
dan
i
. Estimasi variabel laten adalah linear agregat dari indikator yang nilai weightnya didapat
dengan prosedur estimasi PLS seperti dispesifikan oleh inner dan outer model
dimana adalah vaktor variabel endogen dependen
dan ξ adalah vaktor variabel eksogen independen, merupakan va
ktor residual dan serta Γ adalah koefisien jalur. 4.
Evaluasi model Oleh karena PLS tidak mengasumsikan adanya distribusi
tertentu untuk estimasi parameter, maka teknik metrik untuk menguji signifikansi parameter tidak diperlukan Chin, dalam
Ghozali, 2008. Model evaluasi PLS berdasarkan pada pengukuran prediksi yang mempunyai sifat non-parametric. Model pengukuran
atau outer model dengan indikator refleksif dievaluasi dengan convergent dan discriminant validity dari indikatornya dan
composite realibility untuk blok indikator. Sedangkan outer model
yang indikator formatif dievaluasi berdasarkan pada substantif kontennya yaitu dengan membandingkan besarnya relative weight
dan melihat signifikansi dari ukuran weight tersebut. Model struktural atau inner model dievaluasi dengan melihat presentase
variansi yang dijelaskan yaitu dengan melihat nilai R
2
untuk konstruk laten dependen dengan menggunakan Stone-Geisser Q-
squares test dan juga melihat besarnya koesfisien jalur strukturalnya. Stabilitas dari estimasi ini dievaluasi dengan
menggunakan uji t-statistik yang didapat lewat prosedur bootstrapping.
5. Model pengukuran atau outer model
Convergent validity dari model pengukuran dengan refleksif indikator dinilai berdasarkan korelasi antar item scorecomponent
score yang dihitung dengan PLS. Ukuran refleksif individual dikatakan tinggi jika korelasi lebih dari 0,70 dengan konstruk yang
ingin diukur. Namun demikian, untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50 hingga 0,60
sudah dianggap cukup Chin, dalam Ghozali, 2008. Discriminant validity dari model pengukuran dengan
refleksif indikator dinilai berdasarkan crossloading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran
lebih besar daripada ukuran konstruk lainnya, maka hal menunjukkan bahwa konstruk laten memprediksi ukuran pada blok
mereka lebih baik daripada ukuran pada blok lainnya. Metode lain untuk menilai discriminant validity adalah membandingkan nilai
square root of everage variance extracted AVE setiap konstruk korelasi antara konstruk dengan konstruk lainnya dalam model.
Jika nilai akar kuadrat AVE setiap konstruk lebih besar daripad nilai korelasi antara konstruk dengan konstruk lainnya dalam
model, maka dikatakan memiliki nilai discriminant validity yang baik. Berikut ini adalah rumus untuk menghitung AVE:
�� =
⅀�
� 2
Σ�
� 2
+ Σ
�
� �
�
………….. 13
Dimana λ
i
adalah komponen loading ke indikator dan var
i
= 1 - �
� 2
. Jika semua indikator distandarisasi, maka ukuran ini sama dengan average communalities dalam blok. Fornnel dan
Lecker dalam Ghozali, 2008 menyatakan bahwa pengukuran ini dapat digunakan untuk mengukur reliabilitas component score
variabel laten dan hasilnya lebih konservatif dibandingkan dengan composite reliability
ρc. Direkomendasikan nilai AVE harus lebih besar dari 0,5.
Composite reliability blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan dua macam ukuran yaitu internal
consistency dan Cronbach’s alpha. Dengan menggunakan output
yang dihasilkan PLS maka composite reliability dapat dihitung dengan rumus sebagai berikut:
� =
⅀�
� 2
Σλ
i 2
+ Σ
�
� �
�
…………… 14 Dimana λ
i
adalah komponen loading ke indikator dan var
i
= 1 - λ
i 2
. Dibandingkan dengan Cronbach alpha, ukuran ini tidak mengasumsikan tau equivalence antar pengukuran dengan
asumsi semua indikator diberi bobot sama, sehingga Cronbach alpha cenderung low bound estimate reliability. Sedangkan
� merupakan closer approximation dengan asumsi parameter adalah
akurat dan � adalah ukuran internal consistence yang hanya dapat
digunakan untuk konstruk dengan refleksif indikator. 6.
Model struktural atau inner model Model struktural dievaluasi dengan menggunakan R-square
untuk konstruk dependen, Stone-Geisser Q-square test untuk predictive relevance dan uji t serta signifikansi dari koefisien jalur
struktural. R-square pada tiap variabel laten dependen digunakan untuk menilai model pada PLS. Interpretasinya sama dengan
interpretasi pada regresi. Perubahan nilai R-squares dapat digunakan untuk menilai adatidaknya pengaruh substantif variabel
laten independen terhadap variabel laten dependen. Pengaruh besarnya f
2
dapat dihitung dengan rumus sebagai berikut:
2
=
�� � 2
−
� � 2
1 −
�� � 2
………... 15 Dimana
�� � 2
dan
� � 2
adalah R-square dari variabel laten independen ketika prediktor variabel laten digunakan
atau dikeluarkan di dalam persamaan struktural. Nilai f
2
sama dengan 0.02, 0.15, dan 0.35 dapat diinterpretasikan bahwa
prediktor variabel laten memiliki pengaruh kecil, menengah dan besar pada level struktural. Disamping nilai R-square, model PLS
juga dievaluasi dengan melihat Q-square predictive relevance untuk model konstruk. Q-square mengukur seberapa baik nilai
observasi dihasilkan oleh model dan estimasi parameternya. Nilai Q-square lebih besar dari 0 nol menunjukkan bahwa model
mempunyai nilai predictive relevance, sedangkan nilai Q-square kurang dari 0 nol menunjukkan bahwa model kurang memiliki
predictive relevance.
Tabel 4. Kriteria penilaian PLS
Kritteria Penjelasan
Evaluasi model struktural
R
2
untuk variabel laten endogen
Hasil R
2
sebesar 0.67, 0.33 dan 0.19 untuk variabel laten endogen dalam model struktural mengindikasikan bahwa model “baik”, ”moderat”, dan “lemah”
Estimasi koefisien jalur
Nilai estimasi untuk hubungan jalur dalam model struktural harus signifikan. Nilai signifikansi ini dapat diperoleh dengan prosedur bootstrapping.
f
2
untuk effect size
Nilai f
2
sebesar 0.02, 0.15, dan 0.35 dapat diinterpretasikan apakah prediktor variabel laten mempunyai pengaruh yang lemah, medium atau besar pada tingkat
struktural. Relevansi
prediksi Q
2
dan q
2
Prosedur blindfolding digunakan untuk menghitung: 2
= 1 −
Σ Ε Σ
D adalah omission distance, E adalah sum of square of prediction errors, dan O adalah sum of squares of observation. Nilai Q
2
di atas nol memberikan bukti bahwa model memiliki prediktive relevance Q
2
di bawah nol mengindikasikan model kurang memiliki prediktive relevance. Dalam kaitannya dengan f
2
, dampak relatif model struktural terhadap pengukuran variabel dependen laten
dapat dinilai dengan: 2
=
�� � 2
−
� � 2
1 −
�� � 2
Evaluasi model pengukuran refleksif
Loading factor Nilai loading factor harus di atas 0.7
Composite realibility
Composite realibility mengukur internal consistency dan nilainya harus di atas 0.6
Validitas diskriminan
Nilai akar kuadrat dari AVE harus lebih besar daripada nilai korelasi antar variabel laten
Cross loading Merupakan ukuran lain dari validitas diskriminan. Diharapkan setiap blok
indikator memiliki loading lebih tinggi untuk setiap variabel laten yang diukur dibandingkan dengan indikator untuk laten variabel lainnya
Evaluasi model pengukuran formatif
Signifikasi nilai weight
Nilai estimasi untuk model pengukuran formatif harus signifikan. Tingkat signifikansi ini dinilai dengan prosedur bootstrpping
Multikolonieritas Variabel manifest dalam blok harus diuji apakah dapat multikol. Nilai variance
inflation factor VIF dapat digunakan untuk menguji hal ini. Nilai VIF di atas 10 mengindikasikan terdapat multikol.
2.5. Hipotesis