Pengujian Validitas Konvergen

Validitas konvergen adalah ukuran yang menunjukkan sejauh mana indikator-indikator yang
digunakan untuk mengukur suatu variabel laten saling berkorelasi tinggi. Validitas konvergen
bertujuan untuk memastikan bahwa indikator-indikator tersebut benar-benar mengukur
konstruk yang sama secara konsisten. Pengujian validitas konvergen penting dalam analisis
Structural Equation Modeling (SEM) untuk membuktikan bahwa indikator-indikator suatu
konstruk secara bersama-sama menjelaskan konstruk tersebut dengan baik (Hair et al., 2017).
Metode Pengujian Validitas Konvergen
1. Loading Factor
o Validitas konvergen dapat diuji melalui nilai loading factor (koefisien
pengaruh) dari setiap indikator terhadap variabel laten yang diukur. Indikator
dianggap valid jika memiliki nilai loading factor lebih besar dari 0.70. Namun,
pada tahap awal pengembangan model, nilai 0.50–0.70 masih dapat diterima
asalkan indikator tersebut dianggap penting secara teori (Hair et al., 2017).
Contoh: Jika nilai loading factor suatu indikator terhadap variabel laten adalah 0.85, maka
indikator tersebut menunjukkan hubungan yang kuat dengan variabel laten yang diukur.
2. Average Variance Extracted (AVE)
o AVE mengukur rata-rata varian yang dapat dijelaskan oleh indikator-indikator
suatu variabel laten. Nilai AVE yang direkomendasikan adalah minimal 0.50,
yang menunjukkan bahwa lebih dari 50% varians indikator dapat dijelaskan
oleh konstruk tersebut (Fornell & Larcker, 1981).
Rumus AVE:
AVE=∑(Loading Factor2)Jumlah IndikatorAVE = \frac{\sum (\text{Loading Factor}^2)}{\
text{Jumlah Indikator}}
Jika nilai AVE kurang dari 0.50, maka hal ini menunjukkan bahwa konstruk tidak memiliki
validitas konvergen yang memadai.
3. Composite Reliability (CR)
o Composite reliability adalah ukuran reliabilitas internal yang juga digunakan
untuk mendukung validitas konvergen. Nilai CR harus lebih besar dari 0.70
untuk menunjukkan bahwa indikator-indikator secara konsisten mengukur
variabel laten (Hair et al., 2017).
Rumus CR:
CR=(∑Loading Factor)2(∑Loading Factor)2+∑(Error Variance)CR = \frac{(\sum \
text{Loading Factor})^2}{(\sum \text{Loading Factor})^2 + \sum (\text{Error Variance})}
Pentingnya Validitas Konvergen
Validitas konvergen memastikan bahwa semua indikator yang digunakan untuk mengukur
suatu konstruk memang relevan dan saling mendukung. Jika validitas konvergen tidak
terpenuhi, maka konstruk tersebut dianggap tidak cukup baik untuk merepresentasikan
konsep yang ingin diukur, yang dapat menghasilkan hasil penelitian yang tidak akurat.
Referensi
 Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with
unobservable variables and measurement error. Journal of Marketing Research, 18(1),
39–50.
 Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2017). Multivariate Data
Analysis (7th ed.). Pearson.
 Chin, W. W. (1998). The Partial Least Squares Approach to Structural Equation
Modeling. In G. A. Marcoulides (Ed.), Modern Methods for Business Research (pp.
295–336). Lawrence Erlbaum Associates.
Pengujian Validitas Diskriminan
Validitas diskriminan adalah suatu ukuran yang menunjukkan sejauh mana suatu konstruk
dalam model pengukuran benar-benar berbeda dari konstruk lain. Dengan kata lain, validitas
diskriminan memastikan bahwa indikator yang dimiliki oleh suatu variabel laten tidak
memiliki hubungan yang signifikan dengan variabel laten lainnya. Pengujian validitas
diskriminan penting dalam Structural Equation Modeling (SEM) untuk membuktikan bahwa
setiap variabel laten memiliki indikator yang unik dan spesifik dalam mengukur konstruknya
(Hair et al., 2017).
Metode Pengujian Validitas Diskriminan
1. Fornell-Larcker Criterion
o Dalam metode ini, validitas diskriminan dikatakan terpenuhi jika nilai akar
kuadrat dari Average Variance Extracted (AVE) untuk setiap konstruk lebih
besar daripada korelasi antar konstruk lainnya. Nilai ini menunjukkan bahwa
konstruk memiliki kemampuan lebih baik untuk menjelaskan indikatornya
dibandingkan dengan konstruk lain (Fornell & Larcker, 1981).
Contoh perhitungan:
Jika nilai AVE suatu variabel laten adalah 0.64, maka akar kuadrat AVE = √0.64 = 0.80. Nilai
ini harus lebih besar daripada korelasi konstruk tersebut dengan konstruk lainnya.
2. Cross Loading
o Validitas diskriminan juga dapat diuji melalui analisis cross loading, di mana
indikator harus memiliki nilai loading yang lebih tinggi pada konstruk yang
diukur dibandingkan dengan konstruk lainnya. Sebagai contoh, jika indikator
X1 dimaksudkan untuk mengukur variabel laten A, maka nilai loading X1
pada variabel laten A harus lebih besar daripada nilai loading X1 pada variabel
laten lainnya seperti B atau C (Chin, 1998).
3. Heterotrait-Monotrait Ratio (HTMT)
o HTMT adalah metode baru untuk menguji validitas diskriminan. Nilai HTMT
yang lebih kecil dari 0.85 (atau 0.90 pada beberapa penelitian) menunjukkan
bahwa validitas diskriminan telah terpenuhi (Henseler et al., 2015). HTMT
dihitung dengan membandingkan rata-rata korelasi antara indikator-indikator
dari konstruk yang berbeda (heterotrait) dengan rata-rata korelasi antara
indikator-indikator dalam satu konstruk (monotrait).
Pentingnya Validitas Diskriminan
Validitas diskriminan sangat penting karena memastikan bahwa konstruk-konstruk dalam
model memiliki batasan yang jelas dan tidak saling tumpang tindih. Jika validitas diskriminan
tidak terpenuhi, maka kesimpulan yang diambil dari analisis SEM dapat menjadi bias karena
indikator tidak secara eksklusif merepresentasikan konstruk yang seharusnya diukur.
Referensi
 Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with
unobservable variables and measurement error. Journal of Marketing Research, 18(1),
39–50.
 Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2017). Multivariate Data
Analysis (7th ed.). Pearson.
 Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing
discriminant validity in variance-based structural equation modeling. Journal of the
Academy of Marketing Science, 43(1), 115–135.
 Chin, W. W. (1998). The Partial Least Squares Approach to Structural Equation
Modeling. In G. A. Marcoulides (Ed.), Modern Methods for Business Research (pp.
295–336). Lawrence Erlbaum Associates.