Langkah Kelima: Estimasi Langkah-Langkah PLS

53 2 Estimasi jalur path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya. 3 Means dan parameter lokasi nilai konstanta regresi, intersep untuk indikator dan variabel laten. Sebagai langkah awal iterasi, algoritmanya adalah menghitung aproksimasi outside dari variabel latent dengan cara menjumlahkan indikator dalam setiap kelompok indikator dengan bobot yang sama equal weight. Bobot untuk setiap iterasi diskalakan untuk mendapatkan unit varian dari skor variabel laten untuk N kasus dalam sampel. Dengan menggunakan skor untuk setiap variabel latent yang telah diestimasi, kemudian digunakan untuk pendugaan aproksimasi inside variabel laten. Ada tiga skema bobot aproksimasi inside yang telah dikembangkan untuk mengkombinasikan variabel laten tetangga neighboring LV untuk mendapatkan estimasi variabel laten tertentu yaitu: centroid, factor dan path weighting. Skema weighting dengan centroid merupakan prosedur asli yang digunakan oleh Wold. Metode ini hanya mempertimbangkan tanda korelasi antara variabel laten dan variabel laten tetangganya neigboring LV. Nilai kekuatan korelasi dan arah model struktural tidak diperhitungkan. Skema weighting dengan faktor menggunakan koefisien korelasi antara variabel laten dengan variabel laten tetangga sebagai pembobot weight. Skema dengan path weighting membobot variabel laten tetangga dengan cara berbeda tergantung apakah variabel laten tetangga merupakan anteseden atau konsekuen dari variabel laten yang ingin kita estimasi. 54 Dengan hasil estimasi variabel laten dari aproksimasi inside, maka didapatkan satu set pembobot baru dari aproksimasi outside. Jika skor aproksimasi inside dibuat tetap fixed, maka dapat dilakukan regresi sederhana atau regresi berganda bergantung apakah indikator dari variabel laten bersifat refleksif ataukah model berbentuk formatif. Oleh karena ฀ 1 , ฀ 1 , dan ฀ 2 berbentuk refleksif dengan arah hubungan kausalitas seolah-olah dari variabel latent ke indikator maka setiap indikator dalam setiap kelompok indikator dari variabel laten secara individu diregresikan terhadap estimasi variabel latennya skor aproksimasi inside. Dalam kasus ฀ 2 yang berbentuk model formatif dimana arah hubungan kausalitas seolah-olah dari indikator ke variabel laten, maka dilakukan regresi berganda untuk mengestimasi ฀ 2 terhadap indikatornya. Koefisien regresi sederhana dan regresi berganda kemudian digunakan sebagai pembobot baru untuk aproksimasi outside setiap variabel laten. Setelah skor variabel latent diestimasi pada tahap satu, maka hubungan jalur path relation kemudian diestimasi dengan OLS Ordinary Least Square pada tahap dua. Setiap variabel dependen dalam model baik variabel laten endogen maupun indikator dalam model refleksif diregresikan terhadap variabel indenpenden variabel laten lainnya atau indikator dalam bentuk formatif. Jika hasil estimasi pada tahap dua menghasilkan nilai yang berarti perbedaan nilai means, skala dan varian memberikan hasil yang berarti, maka parameter mean dan lokasi untuk indikator dan variabel laten diestimasi pada tahap ketiga. 55

6. Langkah Keenam: Goodness of Fit

Model pengukuran atau outer model dengan indikator refleksif dievaluasi dengan convergent dan discriminant validity dari indikatornya dan composite realibility untuk keseluruhan indikator. Sedangkan outer model dengan indikator formatif dievaluasi berdasarkan pada substantive content-nya yaitu dengan membandingkan besarnya relative weight dan melihat signifikansi dari ukuran weight tersebut. Model struktural atau inner model dievaluasi dengan melihat persentase varian yang dijelaskan yaitu dengan melihat R 2 untuk variabel laten dependen dengan menggunakan ukuran Stone-Geisser Q Square test dan juga melihat besarnya koefisien jalur strukturalnya. Stabilitas dari estimasi ini dievaluasi dengan menggunakan uji t-statistik yang didapat lewat prosedur bootstrapping.

a. Outer Model

Outer model, bilamana indikator refleksif, maka diperlukan evaluasi berupa kalibrasi instrumen, yaitu dengan pemeriksaan validitas dan reliabilitas instrumen. Olah karena itu, penerapan PLS pada data hasil uji coba try out pada prinsipnya adalah suatu kegiatan kalibrasi instrumen penelitian, yaitu pelaksanaan uji validitas dan reliabilitas. Dengan kata lain, PLS dapat digunakan untuk uji validitas dan reliabilitas instrumen penelitian, seperti halnya SEM. Convergent validity Korelasi antara skor indikator refleksif dengan skor variabel latennya. Untuk hal ini loading 0.5 sampai 0.6 dianggap cukup, pada jumlah indikator per variabel laten tidak besar, berkisar antara 3 sampai 7 indikator. 56 Discriminant validity Pengukuran indikator refleksif berdasarkan cross loading dengan variabel latennya. Bilamana nilai cross loading setiap indikator pada variabel bersangkutan terbesar dibandingkan dengan cross loading pada variabel laten lainnya maka dikatakan valid. Metode lain dengan membandingkan nilai square root of average variance extracted AVE setiap variabel laten dengan korelasi antar variabel laten lainnya dalam model, jika square root of average variance extracted AVE variabel laten lebih besar dari korelasi dengan seluruh variabel laten lainnya maka dikatakan memiliki discriminant validity yang baik. Direkomendasikan nilai pengukuran harus lebih besar dari 0.50. 2 2 AVE var i i i i λ λ ε = + ∑ ∑ ∑ Composite reliability ρc Kelompok Indikator yang mengukur sebuah variabel memiliki reliabilitas komposit yang baik jika memiliki composite reliability ≥ 0.7, walaupun bukan merupakan standar absolut. 2 2 var i i i c i λ ρ λ ε = + ∑ ∑ ∑

b. Inner model

Goodness of Fit Model diukur menggunakan R-square variabel laten dependen dengan interpretasi yang sama dengan regresi; Q-Square predictive relevance untuk model struktural, megukur seberapa baik nilai onservasi dihasilkan oleh model dan juga estimasi parameternya. Nilai Q-square 0