Goodness of Fit Model SEM PLS

Goodness of Fit Model SEM PLS

Banyak pertanyaan yang masuk kepada kita terkait dengan uji kebaikan model dari model SEM PLS dan output yang dihasilkan oleh software SmartPLS. Pada prinsipnya secara umum ada kesamaan ketika mengevaluasi model SEM antara SEM-PLS dengan SEM. Secara kasat mata peneliti atau data master dapat melihat langsung nilai loading faktor dan nilai statistik t yang muncul langsung pada diagram model untuk menentukan apakah terdapat pengaruh variabel manifest terhadap latenya serta variabel endogen terhadap eksogen berarti ataukah tidak (signifikansi).

Karena memang basis pengolahannya yang berbeda (Baca Artikel : SmartPLS) dimana SEM menggunakan matriks kovarians atau korelasi sebagai basis pengolahannya sedangkan SEM PLS menggunakan matriks varians sebagai basis pengolahannya sehingga memungkinkan menghasilkan evaluasi yang berbeda terhadap output hasilnya. Selain itu, pada SEM PLS dapat digunakan jumlah sampel yang kecil dibandingkan pada SEM, sehingga SEM PLS sering disebut juga non parametrik pada analisis struktural dan SEM merupakan parametrik pada analisis struktural sehingga memungkinkan menghasilkan evaluasi yang berbeda terhadap output hasilnya pula.

Yang sedikit mencolok yang membedakan pengujian kebaikan model antara SEM dengan SEM PLS adalah terletak dari jumlah pengujian. Dimana pengujian pada SEM PLS lebih sedikit dibandingkan dengan pengujian pada SEM. (Baca Artikel : Uji Kebaikan Model SEM).

Pada kesempatan kali ini kita akan coba uraikan secara singkat penujian kebaikan model SEM PLS berdasarkan teori dan output yang dihasilkan oleh software SmartPLS, sebagai berikut.

Model hubungan variable laten dalam SEM PLS terdiri dari tiga jenis ukuran, yaitu : (1). Inner model yang menspesifikasikan hubungan antar variable laten berdasarkan substantive theory, (2). Outer model yang menspesifikasi hubungan antar variable laten dengan indikator atau variable manifest-ntya (disebut measurement model). Outer model sering disebut outer relation yang mendefinisikan bagaimana setiap blok indicator berhubungan dengan variable laten yang dibentuknya. (3). Weight relation, yaitu estimasi nilai dari variable latent.

Smart PLS, SEM-PLS

Evaluasi Outer Model (Model Pengukuran)

1. Model Pengukuran Reflektif

>Convergent Validity : convergent validity mengukur besarnya korelasi antar konstruk dengan variable laten.

  • Individual Item Reliability : pemeriksaan individual item reliability, dapat dilihat dari nilai standardized loading factor. Standardized loading factor menggambarkan besarnya korelasi antara setiap item pengukuran (indikator) dengan konstruknya. Nilai loading factor > 0.7 dikatakan ideal, artinya indicator tersebut dikatakan valid mengukur konstruknya. Dalam pengalaman empiris penelitian, nilai loading factor > 0.5 masih dapat diterima. Dengan demikian, nilai loading factor < 0.5 harus dikeluarkan dari model (di-drop). Nilai kuadrat dari nilai loading factor disebut communalities. Nilai ini menunjukkan persentasi konstruk mampu menerangkan variasi yang ada dalam indikator.
  • Internal Consistency atau Construct Reliability : kita melihat internal consistency reliability dari nilai Cronbach’s Alpha dan Composite Reliability (CR). Composite Reliability (CR) lebih baik dalam mengukur internal consistency dibandingkan Cronbach’s Alpha dalam SEM karena CR tidak mengasumsikan kesamaan bobot dari setiap indikator. Cronbach’s Alpha cenderung menaksir lebih rendah construct reliability dibandingkan Composite Reliability (CR). Interpretasi Composite Reliability (CR) sama dengan Cronbach’s Alpha. Nilai batas > 0.7 dapat diterima, dan nilai > 0.8 sangat memuaskan.
  • Average Variance Extracted (AVE) : Ukuran lainnya dari covergent validity adalah nilai Average Variance Extracted (AVE). Nilai AVE menggambarkan besarnya varian atau keragaman variable manifest yang dapat dimiliki oleh konstruk laten. Dengan demikian, semakin besar varian atau keragaman variable manifest yang dapat dikandung oleh konstruk laten, maka semakin besar representasi variable manifest terhadap konstruk latennya. Fornell dan Larcker (1981) dalam Ghozali (2014:45) dan Yamin dan Kurniawan (2011:18) merokemndasikan penggunaan AVE untuk suatu criteria dalam menilai convergent validity. Nilai AVE minimal 0.5 menunjukkan ukuran convergent validity yang baik. Artinya, variable laten dapat menjelaskan rata-rata lebih dari setengah varian dari indikator-indikatornya. Nilai AVE diperoleh dari penjumlahan kuadrat loading factor dibagi dengan error. Ukuran AVE juga dapat digunakan untuk mengukur reliabilitas component score variable latent dan hasilnya lebih konservatif dibandingkan dengan composite reliability (CR). Jika semua indicator distandarkan, maka nilai AVE akan sama dengan rata-rata nilai block communalities.

> Discriminant Validity : discriminant validity dari model reflektif dievaluasi melalui cross loading, kemudian dibandingkan nilai AVE dengan kuadrat dari nilai korelasi antar konstruk (atau membandingkan akar kuadrat AVE dengan korelasi antar konstruknya). Ukuran cross loading adalah membandingkan korelasi indikator dengan konstruknya dan konstruk dari blok lainnya. Bila korelasi antara indicator dengan konstruknya lebih tinggi dari korelasi dengan konstruk blok lainnya, hal ini menunjukkan konstruk tersebut memprediksi ukuran pada blok mereka dengan lebih baik dari blok lainnya. Ukuran discriminant validity lainnya adalah bahwa nilai akar AVE harus lebih tinggi daripada korelasi antara konstruk dengan konstruk lainnya atau nilai AVE lebih tinggi dari kuadrat korelasi antara konstruk.

2. Evaluasi Model Pengukuran Formatif

Sedikitnya ada lima isu kritis untuk menentukan kualitas model formatif, yaitu :

  • Content specification, berhubungan dengan cakupan konstruk laten yang akan diukur. Artinya kalau mau meneliti, peneliti harus seringkali mendiskusikan dan menjamin dengan benar spesifikasi isi dari konstruk tersebut.
  • Specification indicator, harus jelas mengidentifikasi dan mendefinisikan indikator tersebut. Pendefinisian indicator harus melalui literature yang jelas serta telah mendiskusikan dengan para ahli dan divalidasi dengan beberapa pre-test.
  • Reliability indicator, berhubngan dengan skala kepentingan indicator yang membentuk konstruk. Dua rekomendasi untuk menilai reliability indicator adalah melihat tanda indikatornya sesuai dengan hipotesis dan weight indicator-nya minimal 0.2 atau signifikan.
  • Collinearity indicator, menyatakan antara indikator yang dibentuk tidak saling berhubungan (sangat tinggi) atau tidak terdapat masalah multikolinearitas dapat diukur dengan Variance Inflated Factor (VIF). Nilai VIF > 10 terindikasi ada masalah dengan multikolinearitas, dan
  • External validity, menjamin bahwa semua indikator yang dibentuk dimasukkan ke dalam model.

Evaluasi Inner Model (Model Struktural)

Setelah mengevaluasi model pengukuran konstruk/variabel, tahap selanjutnya adalah menevaluasi model struktural atau inner model.

  • Langkah pertama adalah mengevaluasi model struktural adalah melihat signifikansi hubungan antar konstruk/variabel. Hal ini dapat dilihat dari koeisien jalur (path coeficient) yang menggambarkan kekuatan kekuatan hubungan antar konstruk. Tanda atau arah dalam jalur (path coefficient) harus sesuai dengan teori yang dihipotesiskan, signifikansinya dapat dilihat pada t test atau CR (critical ratio) yang diperoleh dari proses bootstrapping (resampling method).
  • Langkah kedua adalah mengevaluasi nilai R2. Interpretasi nilai R2 sama dengan interpretasi R2 regresi linear, yaitu besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen. Menurut Chin (1998) dalam Yamin dan Kurniawan (2011:21) kriteria R2 terdiri dari tiga klasifikasi, yaitu : nilai R2 0.67, 0.33 dan 0.19 sebagai substansial, sedang (moderate) dan lemah (weak). Perubahan nilai R2 dapat digunakan untuk melihat apakah pengaruh variabel laten eksogen terhadap variabel laten endogen memiliki pengaruh yang substantif. Hal ini dapat diukur dengan effect size f2. Menurut Cohen (1988) dalam Yamin dan Kurniawan (2011:21) Effect Size f2 yang disarankan adalah 0.02, 0.15 dan 0.35 dengan variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural
  • Untuk memvalidasi model struktural secara keseluruhan digunakan Goodness of Fit (GoF). GoF indeks merupakan ukuran tunggal untuk memvalidasi performa gabungan antara model pengukuran dan model struktural. Nilai GoF ini diperoleh dari akar kuadrat dari  average communalities index dikalikan dengan nilai rata-rata R2 model. Nilai GoF terbentang antara 0 sd 1 dengan interpretasi nilai-nilai : 0.1 (Gof kecil), 0,25 (GoF moderate), dan 0.36 (GoF besar).
  • Pengujian lain dalam pengukuran struktural adalah Q2 predictive relevance yang berfungsi untuk memvalidasi model. Pengukuran ini cocok jika variabel latin endogen memiliki model pengukuran reflektif. Hasil Q2 predictive relevance dikatakan baik jika nilainya > yang menunjukkan variabel laten eksogen baik (sesuai) sebagai variabel penjelas yang mampu memprediksi variabel endogennya.

Seperti analisis menggunakan CB-SEM, analisis dengan PLS-SEM juga menggunakan dua tahapan penting, yaitu measurement model dan structural model. Data dalam measurement model dievaluasi untuk menentukan validitas dan reliabilitasnya. Bagian dari measurement model terdiri dari : (1). Individual loading dari setiap item pertanyaan. (2). Internal Composite Reliability (ICR). (3). Average Variance Extracted (AVE), dan (4). Discriminant Validity.

Apabila data memenuhi syarat dalam measurement model, maka tahap selanjutnya adalah mengevaluasi structural model. Dalam structural model hipotesis diuji melalui signifikansi dari : (1). Path coefficient, (2). T-statistic, dan (3). r-squared value.  SEMANGAT MEMAHAMI!!!

Sumber : Petunjuk Praktikum Smart-PLS

——————————————————————————————————————————————————————————-

Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :

Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

——————————————————————————————————————————————————————————-

One thought on “Goodness of Fit Model SEM PLS

Leave a Reply to Soegeng Wahyoedi Cancel reply

Your email address will not be published. Required fields are marked *