STRUCTURAL EQUATION MODELING SEM WITH Smart PLS PDF

Preview

Summary

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...

Description

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]...