CARA MEMBACA HASIL PLS SEM

Membaca Hasil Pengujian Program SmartPLS:

1. Uji Validitas
2. Uji Reliabilitas
3. Uji Hipotesis
4. Evaluasi Model

Uji validitas ada dua, iaitu validitas konvergen dan Validitas diskriminan.
Hasil pengujian validitas konvergen berupa faktor loading dan AVE. Faktor loading dapat dilihat
Kriteria: Faktor Loading > 0.70

Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Calculation Result >>> Outer Loading.

– AVE

Kriteria: AVE > 0.50

Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Overview >>> AVE

Atau lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> AVE

1. Validitas Diskriminan

– √AVE dibandingkan dengan korelasi antar konstruk.

– Kriteria: √AVE > korelasi antar konstruk

– Korelasi antara konstruk dapat dilihat dari hasil PLS Algorithm Report seperti berikut:

Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Latent Variable Correlations.

1. Reliabilitas

1. Cronbachs Alpha

– Kriteria: Cronbachs Alpha > 0.60

– Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Overview >>> Cronbachs Alpha.

– Atau lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Cronbachs Alpha.

1. Composite Reliability

– Kriteria: Composite Reliability > 0.60

– Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Overview >>> Composite Reliability.

– Atau lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Composite Reliability.

1. Pengujian Hipotesis

1. T-Statistics

– Menguji signifikansi konstruk.

– Apabila α=5%, t=1.96

– Kriteria: T-Statistics>1.96 dianggap signifikan.

– Nilai T-statistics dapat dilihat dari hasil pengolahan SmartPLS sebagai berikut:

Lihat hasil SmartPLS Bootstrapping Report >>> Bootstrapping >>> Inner Model T-Statistics.

b. Path Coefficient

– Menunjukkan sifat korelasi antar konstruk (positif/negative).

– Lihat SmartPLS Algorithm Report >>> PLS >>> Calculation >>> Path Coefficient.

1. Evaluasi Model

1. R-Square

– Menunjukkan koefisien determinasi. Sejauh mana suatu konstruk mampu menjelaskan model.

– Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Overview >>> R-Square.

– Atau lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> R-Square.

b. Q-Square

– Menunjukkan nilai predictive relevance

– Q-Square > 0, menunjukkan bahwa model mempunyai nilai predictive relevance.

– Lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Overview >>> Redundancy.

– Atau lihat hasil SmartPLS Algorithm Report >>> PLS >>> Quality Criteria >>> Redundancy.

SEMOGA BERMANFAAT

SUMBER: OM FARHAN BLOGSPOT