Model Pengukuran atau Outer Model (skripsi, tesis, disertasi)

Dalam PLS model pengukuran atau outer model dengan indikator refleksif
dievaluasi dengan convergent validity dan discriminat validity dari indikatornya
serta composite reliability untuk blok indikator. Sedangkan indikator formatif
dievaluasi berdasarkan pada substantive content-nya yaitu membandingkan
besarnya relative weight dan melihat siginifikansi dari ukuran weight tersebut
(Ghozali, 2014).
Variabel laten yaitu variabel yang tidak dapat diukur langsung (harus
dengan indikator atau kuesioner). Sedangkan indikator refleksif adalah variabel
yang dipengaruhi oleh variabel laten. Jadi model indikator refleksif adalah
konstruk atau variabel laten diijelaskan oleh indikator atau arah hubungan dari
konstruk ke indikator. Indikator-indikator mengukur hal yang sama tentang
konstruk, sehingga antar indikator harus memiliki korelasi yang tinggi. Jika salah
satu indikator dibuang, maka konstruk akan terpengaruh. Dalam model indikator
formatif dipandang sebagai variabel yang mempengaruhi variabel laten. Jadi
model indikator formatif yaitu indikator mempengaruhi konstruk atau
hubungannya dari indikator ke konstruk, antar indikator diasumsikan tidak saling
berkorelasi sehinga satu indikator dibuang tidak akan mempengaruhi konstruk
(Ghozali, 2014). Pengujian outer model dilakukan dalam 4 tahap yaitu:
1. Convergent Validity
Convergent validity dari model pengukuran dengan indikator refleksif
dinilai berdasarkan korelasi antara item score atau component score
dengan construct score yang dihitung dengan PLS. Ukuran refleksif
individual dikatakan tinggi jika berkorelasi lebih dari 0.70 dengan
konstruk yang ingin diukur. Namun demikian untuk penelitian awal dari
pengembangan skala pengukuran nilai loading 0.50 sampai dengan 0.60
dianggap cukup (Ghozali, 2014).
2. Discriminant Validity
Discriminat validity dari model pengukuran dengan indikator refleksif
dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika
korelasi konstruk dengan item pengukuran lebih besar daripada ukuran
konstruk lainnya, maka hal itu menunjukkan bahwa konstruk laten
memprediksi ukuran pada blok mereka lebih baik daripada ukuran pada
blok lainnya (Ghozali, 2014).
3. Square root of Average Variance Extracted (AVE)
Setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya
dalam model. Jika nilai akar AVE setiap konstruk lebih besar daripada
nilai korelasi antara konstruk dengan konstruk lainnya dalam model,
maka dikatakan memiliki nilai discriminant validity yang baik (Ghozali,
2014).
4. Compositre Reliability
Penilaian yang biasa digunakan untuk menilai reliabilitas konstruk dan
dinyatakan reliable jika nilai composite reliability dan cronbach alpha di
atas 0.70 untuk penelitian bersifat konfirmasi dan 0.60-0.70 masih dapat
diterima untuk penelitian yang bersifat exploratory atau penyelidikan
(Ghozali, 2014).