Title | STRUCTURAL EQUATION MODELING SEM WITH Smart PLS |
---|---|
Author | Arr Bara |
Pages | 12 |
File Size | 620.7 KB |
File Type | |
Total Downloads | 201 |
Total Views | 266 |
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com STRUCTURAL EQUATION MODELING With SmartPLS Software SmartPLS bisa didapatkan di http://Smart.de/ . Sebelum melakukan analisis SEM dengan SmartPLS, pada bagian ini kita h...
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
STRUCTURAL EQUATION MODELING With SmartPLS Software SmartPLS bisa didapatkan di http://Smart.de/ . Sebelum melakukan analisis SEM dengan SmartPLS, pada bagian ini kita harus mengenalnya terlebih dulu. Contoh ini menggunakan SmartPLS 2.0. Setelah mendownload dan instal, bagaimana cara memulainya :
1. Tampilan pertama pada SmartPLS . Klik OK
2. Klik Close seperti pada gambar di atas.
1 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
Sekarang sudah terlihat menu utama pada SmartPLS Langkah-langkah analisis dengan SmartPLS :
1. Klik File >New>Create New Project
2 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
2. Ketik nama pada Project name, kemudian klik next, contoh: Latihan SmartPLS. Kemudian Klik Next.
3. Pada file name, cari folder dan nama file yang akan dianalisis. Dalam hal ini penulis menyimpan di Folder E, nama file Latihan SmartPLS. Seperti terlihat pada gambar di bawah ini. Kemudian Klik Next.
Ingat : data yang akan dianalisis disimpan dalam tipe CSV atau txt.
3 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
4. Langkah selanjutnya adalah melakukan setting data. Caranya : •
Beri tanda centang (v) pada menu The Indicator data contains missing values
•
Pada menu Missing Values, angka -1,0 ganti menjadi -999.
•
Hilangkan tanda centang pada menu The Indicator data contains missing values
•
Klik Finish.
5. Tampilan berikutnya seperti gambar di bawah ini. Nama project yang semula dibuat sekarang sudah terlihat.
4 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
Selanjutnya kita akan menggambar path diagram (diagram alur) seperti gambar di bawah ini. BI1
BI2
BI3
UB1 UB2 UB3 PE1
H7 H1
H4
US2 US
H5 H6
PE2 PE3
US1
BI
H3
UB
PE
H2
US3 US4
AT
US5
PE4 PE5 AT1
AT2
AT3
AT4
AT5
Hipotesis : 1) PE
UB : Pengaruh PE terhadap UB
2) PE
AT : Pengaruh PE terhadap AT
3) UB
BI : Pengaruh UB terhadap BI
4) UB
AT : Pengaruh UB terhadap AT
5) AT
BI : Pengaruh AT terhadap BI
6) AT
US : Pengaruh AT terhadap US
7) BI
US : Pengaruh BI terhadap US
Mengenai konversi diagram jalur ke persamaan dibahas dalam materi tersendiri.
5 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
Caranya double klik pada Latihan SmartPLS.splsm (Menu Project). Beberapa menu pada SmartPLS. 5
1 2
4
indikator variabel
3
Eksogen variabel laten
Endogen variabel laten
Keterangan : 1. Switch to insertion Mode : berfungsi untuk membuat gambar variabel laten. 2. Switch to connection Mode : berfungsi untuk membuat hubungan antar variabel laten 3. Area menggambar path diagram. 4. Indikator variabel. 5. Switch to selection Mode : berfungsi untuk merubah/mengganti perintah. Langkah-langkah menggambar : 1. Klik Switch insertion mode, buat gambar variabel laten pada area gambar sebanyak 6. Karena disini ada 6 variabel laten/konstruk. 2. Beri nama tiap variabel laten. Caranya klik pada tiap gambar atau variabel laten, klik
6 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
kanan, rename object. Masing-masing diberi nama UB, PE, BI, AT dan US 3. Sekarang cara menghubungkan indikator dengan variabel laten. Perhatikan menu indikator di bagian bawah kiri. Lakukan langkah klik, drag drop untuk tiap-tiap indikator ke variabel latennya. Indikator variabel UB1,UB2, UB3 ke variabel laten UB. Demikian untuk yang lain. 4. Menghubungkan antarvariabel laten/kontruk. Klik menu Switch to connection Mode. Hubungkan variabel laten seperti pada gambar. Variabel UB ke BI dan AT, PE ke UB dan AT dan seterusnya seperti pada gambar di atas. Setelah menggambar selesai seperti pada gambar di atas. Bagaimana caranya melakukan analisisnya agar kita tahu hasil outputnya. Langkah-langkahnya :
1. Klik pada menu pilihan Run seperti yang ditunjukan arah panah. Pilih PLS algoritm. Kemudian Finish. Atau pada menu Calculate, klik PLS algoritm, kemudian Finish. 2. Output terlihat seperi pada gambar di bawah.
7 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
Nah, sekarang saatnya membaca outputnya. 1. Model Measurement (outer model) Outer model merupakan model yang menspesifikasi hubungan antara variabel laten dengan indikatornya-indikatornya atau bisa dikatakan bahwa outer model mendefinisikan bagaimana setiap indikator berhubungan dengan variabel latennya. a. Validitas konvergen (convergent validity) Nilai convergent validity adalah nilai loading faktor pada variabel laten dengan indikatorindikatornya. Nilai loading faktor di harapkan > 0.70, tetapi nilai antara 0,50-0,60 masih bisa ditolerir selama model masih dalam tahap pengembangan. Dari hasil output terlihat nilai validitas konvergen paling kecil pada indikator UB3 (0,7564), sedangkan yang tertinggi pada indikator AT2 (0,9049).
8 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
AT1 AT2 AT3 AT4 AT5 BI1 BI2 BI3 PE1 PE2 PE3 PE4 PE5 UB1 UB2 UB3 US1 US2 US3 US4 US5
AT 0.9003 0.9049 0.8965 0.8800 0.8779
Validitas Konvergen BI PE
UB
US
0.8562 0.8336 0.8871 0.7591 0.8261 0.8707 0.8029 0.7935 0.8570 0.8072 0.7564 0.8045 0.8480 0.8817 0.8671 0.8599
b. Validitas diskriminan (discriminant validity) yaitu dengan cara melihat nilai cross loading faktor. Cross loading berguna untuk apakah konstruk memillki discriminant yang memadai yaitu dengan cara membandingkan korelasi indikator dengan konstruknya harus lebih besar dibandingkan
korelasi antara indikator
dengan konstruk yang lain. Jika korelasi indikator konstruk memiliki nilai lebih tinggi dibandingkan dengan korelasi indikator tersebut terhadap konstruk lain, maka dikatakan konstruk tersebut memiliki discriminant validity yang tinggi. Nilai cross loading dapat dilihat pada tabel di bawah ini.
9 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
AT1 AT2 AT3 AT4 AT5 BI1 BI2 BI3 PE1 PE2 PE3 PE4 PE5 UB1 UB2 UB3 US1 US2 US3 US4 US5
AT 0.9003 0.9049 0.8965 0.8800 0.8779 0.3258 0.2443 0.2574 0.2808 0.3209 0.3301 0.2957 0.2770 0.2320 0.2314 0.2591 0.3151 0.3410 0.3253 0.3226 0.3155
CROSS LOADING BI PE 0.3164 0.3477 0.3195 0.3641 0.3148 0.3455 0.2565 0.3111 0.2307 0.2809 0.8562 0.5063 0.8336 0.4437 0.8871 0.4652 0.4334 0.7591 0.4247 0.8261 0.4788 0.8707 0.4646 0.8029 0.4375 0.7935 0.2271 0.2707 0.1681 0.2206 0.1381 0.2859 0.3836 0.4002 0.3767 0.3659 0.4124 0.3690 0.4069 0.3832 0.4063 0.3772
UB 0.2756 0.2655 0.2690 0.2726 0.2474 0.1944 0.1172 0.2405 0.1969 0.2442 0.3452 0.2487 0.2537 0.8570 0.8072 0.7564 0.1650 0.2138 0.1836 0.2125 0.1599
US 0.3525 0.3485 0.3329 0.3478 0.3087 0.4439 0.2986 0.4315 0.3280 0.3623 0.3952 0.3930 0.3185 0.1796 0.1666 0.1839 0.8045 0.8480 0.8817 0.8671 0.8599
c. Composite reliability Data yang memiliki compasite reliability >0,8 mempunyai nilai reliabilitas yang tinggi. Nilai composite reliability yang dihasilkan terlihat pada tabel di bawah ini.
AT BI PE UB US
AVE Composite Reliability 0.7957 0.9511 0.7383 0.8943 0.6582 0.9057 0.6527 0.8490 0.7270 0.9301
R Square Cronbachs Alpha 0.1739 0.9359 0.1226 0.8252 0.0000 0.8700 0.1042 0.7327 0.2755 0.9058
d. Average Variance Extracted (AVE) Nilai AVE yang diharapkan >0,5. Pada tabel di atas nilai AVE pada semua konstruk di atas >0,5. Nilai AVE terendah 0,6527 pada kontruk UB sedangkan yang tertinggi pada kontruk AT (0,7957). Cara lain untuk mengetahui validitas diskriminan dengan cara uji FornellLarcker criterion. Uji ini membandingkan square root of average variance extracted (AVE) dengan latent variabel correlations. Hasilnya dapat dilihat pada tabel di bawah ini. Misalnya konstruk AT lebih besar dibandingkan kontruk yang lain, yaitu dengan cara membandingkan masing-masing konstruk antara kolom dan barisnya.
10 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
LATENT VARIABLE CORRELATIONS AT BI PE UB 0.8920 0.0000 0.0000 0.0000 0.3251 0.8592 0.0000 0.0000 0.3719 0.5517 0.8112 0.0000 0.2986 0.2213 0.3228 0.8078 0.3798 0.4661 0.4444 0.2194
AT BI PE UB US
US 0.0000 0.0000 0.0000 0.0000 0.8526
Square root AVE e. Cronbach's alpha Uji reliabilitas diperkuat dengan nilai cronbach's alpha. Nilai yang disarankan adalah >0,6. Nilai cronbach's alpha untuk semua kontruk di atas 0,6. Nilai cronbach's alpha kontruk AT (0,9359), BI (0,8252), PE (0,8700), UB (0,7327), US (0,9058).
AT -> BI AT -> US BI -> US PE -> AT PE -> UB UB -> AT UB -> BI
OUTPUT BOOTSTRAPPING Original Sample Sample Mean Standard Deviation Standard Error T Statistics (O) (M) (STDEV) (STERR) (|O/STERR|) 0.2843 0.2837 0.0416 0.0416 6.8367 0.2553 0.2595 0.0358 0.0358 7.1348 0.3831 0.3829 0.0372 0.0372 10.2900 0.3076 0.3048 0.0426 0.0426 7.2164 0.3228 0.3224 0.0319 0.0319 10.1250 0.1993 0.2020 0.0364 0.0364 5.4751 0.1364 0.1374 0.0402 0.0402 3.3922
t tabel
Ket.
1,96 1,96 1,96 1,96 1,96 1,96 1,96
signifikan signifikan signifikan signifikan signifikan signifikan signifikan
2. Model structural (Inner Model) •
Nilai R2 untuk variabel endogen. Hasil R2 sebesar 0,67, 0,33 dan 0,19 mengindikasikan bahwa model “baik”, “moderat”, dan “lemah” Nilai R2 yang didapatkan masing masing konstruk : AT 0,1739 (17,4%), BI 0,1226 (12,3%), UB 0,1042 (10,4%), US 0,2755 (27,55%).
•
Effect size (f2). Nilai f2 sebesar 0,02, 0,15 serta 0,35 dapat diintrepretasikan apakah prediktor variabel laten memiliki pengaruh yang “lemah”, “sedang” atau “besar”. (1) AT
BI = 0,2843
(6) UB
AT = 0,1993
(2) AT
US = 0,2553
(7) UB
BI = 0,1364
(3) BI
US = 0,3831
(4) PE
AT = 0,3076
(5) PE
UB = 0,3228
11 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected] www.statistikolahdata.com
MODEL STRUCTURAL RESULT BI2
BI1 0,86
UB1 0,86
UB2
0,81
UB3
0,76
UB R =10,4% 2
0,83
0,76
PE2
0,83
PE3
0,87
PE4
0,80
PE5
0,80
0,89
BI R2=12,3%
0,14
US1 0,38
0,32
PE1
BI3
0,20
0,88
AT 2 R =17,4%
0,31
0,90
AT1
US2
US 0,85 US3 R2=27,6%
0,28
PE
0,81
0,90
AT2
0,26
0,86
0,90 0,88
AT3
R Square
0,87
US4 US5
0,88
AT4
AT5 Effect size (Path coeffients)
12 Jasa Olah Data, Hub : 08816637417 / 087737940271, email : [email protected]/[email protected]...