TUTORIAL ANALISIS PARTIAL LEAST SQUARE DENGAN SMART-PLS Edisi 2 PDF

Preview

Summary

CLASSIFICATION: C0 - NON-CONFIDENTIAL ANALISA ANALISA PARSIAL PARSIAL MODEL MODEL PERSAMAAN PERSAMAAN STRUKTURAL STRUKTURAL Dengan Software SMART-PLS DenganSoftware SMART-PLS Versi Versi33 Edisi Kedua Penyusun Sobur Setiaman, SKep, Ns, MM (K3L) 0 CLASSIFICATION: C0 - NON-CONFIDENTIAL Tutorial ANALIS...

Description

CLASSIFICATION: C0 - NON-CONFIDENTIAL

ANALISA ANALISA PARSIAL PARSIAL MODEL MODEL PERSAMAAN PERSAMAAN STRUKTURAL STRUKTURAL Dengan DenganSoftware Software SMART-PLS SMART-PLS Versi Versi33 Edisi Kedua

Penyusun Sobur Setiaman, SKep, Ns, MM (K3L)

0

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Tutorial ANALISA PARSIAL MODEL PERSAMAAN STRUKTURAL Dengan Software SMART-PLS Versi 3

Penyusun Sobur Setiaman, SKep, Ns, MM (K3L)

Edisi kedua September 2021

1

CLASSIFICATION: C0 - NON-CONFIDENTIAL

TUTORIAL ANALISA PARTIAL MODEL PERSAMAAN STRUKTURAL DENGAN SOFTWARE SMART-PLS Oleh: Sobur Setiaman, Skep, Ns, MM (K3L) Email: [email protected] ABSTRAK Software SMART-PLS digunakan untuk menganalisis faktor-faktor yang berkontribusi terhadap suatu kejadian, tanpa memerlukan data terdistribusi normal dan secara multivariate tanpa memerlukan multikolonieritas antara variabel eksogen. PLS merupakan salah satu metoda analisis regresi, dan menguji korelasi kanonikal, yang meniadakan asumsi-asumsi OLS (Ordinary Least Squares) yang memerlukan distribusi data normal. Keyword : Variable latent, Variable indicatior, Structural Equation Modeling (SEM), Partial Least Square (PLS), Variable konstruct, outer model, inner model, convergent validity, discriminant validity, loading faktor, weight, Cronbach Alpha, AVE, composite reliability, collinearity, T-statistic, Rsquare.

Doha, September 2021 i

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Daftar Isi ABSTRAK .................................................................. i Daftar Isi..................................................................... i Daftar Tabel ............................................................. iii Daftar Gambar ........................................................ iv Bab 1 Pendahuluan ..................................................... 5 1.2 Varian SmartPLS ............................................... 8 1.2 Kemampuan Smart-PLS .................................... 9 1.3 Cara Kerja Smart-PLS....................................... 10 Bab 2 Teori Model Pengukuran ................................ 15 2.1 Loading factor ............................................ 15 2.2 Cronbach Alpha.......................................... 17 Bab 3 Teori Model Struktural ................................... 18 3.1 Exogent variabel ........................................ 18 3.2 Endogent variable ...................................... 18 Bab 4 Evaluasi Model Jalur ....................................... 21 4.1 Mediating Effect......................................... 21 4.2 Moderation Effect ...................................... 25 4.3 Model hirarki.............................................. 28 Bab 5 Evaluasi Model Pengukuran ........................... 30 Bab 6 Evaluasi Pengumpulan Data ........................... 34 Bab 7 Menentukan Estimasi Model ......................... 35 Bab 8 Evaluasi Hasil Pengukuran .............................. 37 8.1 Loading factor ............................................ 39 8.2 Composite Reliability ................................. 40 8.3 Average Variance Extracted ....................... 40 Bab 9 Evaluasi Hasil Struktural ................................. 44 9.1 Evaluasi Collinearity (VIF kinerja DIRECT EFFECT

PValue 0,000 0,011 0,000 PValue 0,000

Note Sig. Sig. Sig. Note Sig.

Hasil uji hipotesis variabel mediasi pada tabel 1: 1. Pengawasan berkorelasi positif secara signifikan terhadap kinerja, maka ho di tolak. 2. Motivasi berkorelasi positif signifikan terhadap kinerja, maka ho di tolak.

24

CLASSIFICATION: C0 - NON-CONFIDENTIAL

3. Motivasi secara signifikan merupakan variabel perantara, antara pengawasan terhadap kinerja, maka ho di tolak.

4.2 Moderation Effect “In other words, the nature of the relationship differs depending on the values of the third variable. As an example, the relationship between two constructs is not the same for all customers, but differs depending on their income. As such, moderation can (and should) be seen as a means to account for heterogeneity in the data”. Ketika

variabel

moderator

hadir,

maka

akan

mempengaruhi kekuatan korelasi dua konstruk. Korelasi dua konstruk akan tergantung terhadap variabel ketiga sebagai variabel moderator. Dengan kata lain variabel moderator akan memberikan effect terhadap korelasi dua variabel laten, dimana variabel moderasi dibentuk dari variable independent. Gambar 9

menggambarkan Moderation

effect:

Variabel moderator akan mempengaruhi korelasi variabel X1 dan X2 terhadap Y. Variabel X1 dan X2 25

CLASSIFICATION: C0 - NON-CONFIDENTIAL

sebagai varibel independent, sedangkan variabel Y sebagai varaibel dependen. X1 akan mempengaruhi Y1 secara signifikan bila X2 juga dalam kondisi mempengaruhi Y1, atau dengan kata lain pengaruh X1 terhadap Y1 tergantung korelasi X2 terhadap Y1. X1

Y1

X2

X1, X2 Variabel moderator

Gambar 9 Teori Moderasi

Contoh hasil uji Moderating effect Variabel pengawasan sebagai variabel independen, dan motivasi sebagai variabel moderator, sedangkan kinerja sebagai variabel dependen. Pertanyaan peneliti: Apakah variabel moderator akan memberikan dampak terhadap korelasi pengawasan terhadap kinerja? Hipotesis nul: Variabel moderator tidak berkontribusi terhadap korelasi pengawasan dan kinerja. 26

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Lakukan

procedure

creating

moderating

effect

variable.

Gambar 10 Betuk Efek Moderasi

27

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Tabel 2 Moderating effect Estimation T Value Moderating effect 1-0,117 2,522 kinerja Motivasi - kinerja 0,701 11,135 Pengawasan- kinerja 0,136 2,149 TOTAL EFFECT

PValue 0,012

Note

0,000 0,032

Sig. Sig.

Sig.

Hasil uji hipotesis: Variabel moderator mendukung korelasi pengawasan secara signifikan terhadap kinerja (P 0,012) , maka ho di tolak. Keterangan hasil interpretasi total effect: 1. Bila signifikan, berjenis Quasi mediating. 2. Bila tidak signifikan, berjenis Fully mediating.

4.3 Model hirarki Pada umumnya hirarki model structural terbentuk dalam dua bagian. Interaksi antara variabel indikatorindikator dengan variabel eksogent disebut hirarki model structural pertama, sedangkan interaksi antara variabel exogent dengan variabel endogent disebut hirarki struktrual model kedua.

28

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Gambar 11 menggambarkan bentuk model hirarki model struktural. Bentuk model struktural dalam bentuk hirarki component, yaitu dengan komponen model hirarki pertama dan komponen hirarki kedua.

X11 Y11

XX1 X12

YY

Y12

X13

XX2

Y13

X14

Hirarki pertama

Hirarki kedua

Gambar 11 Hirarki Model

29

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Bab 5 Evaluasi Model Pengukuran Terdapat dua bentuk model pengukuran yaitu: Reflektif model pengukuran yang digambarkan oleh arah panah pada diagram jalur dari variabel faktor ke indikator;

dan

formatif

model

pengukuran

digambarkan oleh arah panah pada diagram jalur dari arah indikator ke menuju variabel faktor. Pada gambar 12 mengambarkan reflektif model pengukuran dimana X11, X12, X13 dan X14 sebagai variabel indikator yang akan membentuk/mengukur konstruk pengawasan. Variabel indikator Y1, Y2, Y3 dan Y4 akan membentuk/mengukur konstruk kinerja. Variabel

indikator X21,

X22 dan X23 akan

membentuk/mengukur konstruk motivasi kinerja. Konstruk lingkungan dan motivasi mempengaruhi besarnya formatif konstruk kinerja.

30

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Reflektif

Gambar 12 Konstruk formatif dan Indikator

Evaluasi jumlah item/indikator Penentuan jumlah item yang akan dijadikan indikator tergantung jumlah sampel (>50), hasil uji koefisiensi (>0.30) dan hasil uji reliabilitas.

31

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Jalur penentuan jumlah item No Sample Size < 50

Use multiple items scale

Yes No Path coefficient < 0.3

Weak Effect

Yes No Item correl. > 0.80 and C Alpha > 0.90

Homogeinity

Yes Using single item

No

Yes Semantically Redudant

Gambar 13 Penentuan Item Penelitian

Kenapa jumlah sampel yang di dapat kurang ( 80%, maka bisa dipertimbangkan menggunakan single items.

32

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Bilamana daftar pertanyaan hampir mirip di beberapa item, maka single item bisa digunakan sebagai uji refleksi variable konstruk.

33

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Bab 6 Evaluasi Pengumpulan Data Data yang dikumpulkan dinyatakan kurang, bilamana ditemukan

indikator

yang

di

drop

>

15%,

penyebabnya data di isi oleh responder seadanya dan pola jawaban atas kuesioner yang ganjil, misalnya nilainya sama semua. Sebaiknya outlier data di identifikasi terlebih dahulu dengan box plot atau stem-and-leaf plot. Distribusi data yang digunakan tidak diwajibkan dalam keadaan normal distribusi dengan kata lain bahwa uji normalitas tidak diperlukan.

34

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Bab 7 Menentukan Estimasi Model SmartPLS bekerja berdasarkan PLS-algoritma yang akan

mengukur

outer

model,

seberapa

besar

hubungan indikator dengan variabel faktor (latent), hasilnya dinyatakan dalam bentuk : (1) Standardized loading factor dan weight coeficiency. (2) Dimensi bentuk format variabel laten dilihat dari convergent validity dan discriminant validity. Secara statistik, proses PLS-algoritma dimana hasil PLS-algoritma mirip dengan uji regresi Ordinary Least Square yang menghasilkan koefisiensi korelasi (r) dan koefisiensi determinan (r2). Secara alami merupakan pengujian non-paramterik. Estimasi inner model akan menjelaskan konstruk dependen variabel sebagai

endogen,

dan

menjelaskan

variabel

independent sebagai variabel eksogen.

35

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Pada

gambar

14

menggambarkan

variabel

lingkungan, motivasi dan pengawasan berkontribusi atau tidak terhadap dimensi variabel Kinerja sebagai endogen kedua. 1. “Apakah

variabel

pengawasan

berkontribusi

terhadap dimensi variabel lingkungan kerja sebagai variabel endogen pertama?” 2. “Apakah variabel pengawasan dan lingkungan kerja berkontribusi terhadap dimensi variabel motivasi sebagai variabel endogen kedua?” 3. “Apakah variabel lingkungan, pengawasan dan motivasi kerja

berkontribusi terhadap dimensi

variabel kinerja sebagai variabel endogen ketiga?” 4. Akan di estimasi melalui uji t-statistik.

36

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Lingkungan (X1)

Motivasi

(X2)

Kinerja (Y)

Pengawasan (X3)

Gambar 14 Estimasi Struktural

Bab 8 Evaluasi Hasil Pengukuran Gambar 15 menjelaskan pengukuran model reflektif dilihat dari: 1. Loading factor dan AVE; 2. internal consistency (CA dan CR), convergent validity (AVE) dan 3. discriminant validity (Cross loading, Fornell Larker

Criterion

Analysis

dan

HTMT

correlation).

37

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Pengukuran model formatif dilihat dari: 1. Convergent validity (AVE) 2. Collinearity indikator (VIF < 5 3. Signifikansi outer weight.

Evaluasi Outter Model Model Formatif

Model Refektif

Loading factor

Internal Consisten cy

Discriminant Validity

Collinearity

AVE

Significancy Test

Gambar 15 Cara Evaluasi Outer Model

Evaluasi

model

mengukur discriminant.

Pengukuran

validitas Validitas

dilakukan

convergent convergent

dan

dengan validitas

berhubungan

dengan prinsip bahwa pengukur-pengukur (manifest variabel) dari suatu konstruk seharusnya berkorelasi tinggi. Uji validitas convergent indikator refleksif dapat dilihat dari: (1). Ukuran loading faktor untuk mengetahui besarnya korelasi setiap indikator dengan 38

CLASSIFICATION: C0 - NON-CONFIDENTIAL

konstruk. (2). Internal konsistensi dimensi format konstruk

diukur

dengan

melihat

Composite

Reliability, Cronbach Alpha, dan average variance extracted (AVE).

8.1 Loading factor Loading faktor merupakan standar estimasi bobot (estimate weight) yang menghubungkan antara faktor dengan indikator. Standar loading faktor adalah antara 0 sampai dengan nilai 1. Loading faktor signifikan valid bila mendekati nilai 1, maka dapat dikatakan bahwa nilai bobot (estimate weight) model pengukuran semakin kuat. Nilai bobot (estimate weight)

didapat dari hasil

loading faktor di kuadratkan. Misalnya nilai loading faktor indikator X11 adalah 0,708 maka kita kuadratkan, akan menjadi nilai bobot sebesar 0,50 (Hair et al., 2014:103). Secara konvensional nilai loading faktor harus diatas 0,70 yang mengindikasikan bahwa nilai tersebut di atas nilai error variance, maka nilai loading faktor 0,70 adalah nilai minimal setara nilai bobot 0.50 (Hair 39

CLASSIFICATION: C0 - NON-CONFIDENTIAL

et al., 2014:103). Bilamana nilai loading faktor di bawah 0,70 maka indikator tersebut harus di drop atau tidak digunakan karena error variance nya di lebih dari 50% dilihat dari nilai bobot.

8.2 Composite Reliability Uji Composite Reliability sebagai alternatif dari uji Cronbach Alpha, untuk mengukur convergent validity sebuah model reflektif. Menurut para peneliti bahwa composite reliability nilainya lebih tinggi daripada nilai hasil uji Cronbach Alpha. Nilai composite reliability bervariasi dari nol sampai dengan angka 1. Untuk penelitian eksplorasi, nilai composite reliability minimal adalah 0,60 (Chin, 1998: Hock & ringle, 2006:15) atau lebih dari 0,70 pada penelitian konfirmasi (Henseler, Ringle and Sarstedt, 2012:269). Nilai composite reliability > 0,90 mengindikasikan nilai varian error yang kecil (minor).

8.3 Average Variance Extracted Uji AVE dapat digunakan untuk melihat convergent and

divergent

validity.

Hasil

uji

AVE

akan 40

CLASSIFICATION: C0 - NON-CONFIDENTIAL

merefleksikan masing-masing faktor latent di dalam model reflektif. Model reflektif dianggap adekwat bila nilai AVE lebih besar dari 0,50 (Chin, 1998: Hock & ringle, 2006:15). Nilai AVE harus lebih tinggi dari nilai cross loading correlation. Bila nilai AVE dibawah 0,50 dianggap memiliki error tinggi. Validitas discriminant berhubungan dengan prinsip bahwa

pengukur-pengukur

(manifest

variabel)

konstruk yang berbeda seharusnya tidak berkorelasi. Cara untuk menguji validitas discriminant dengan indikator refleksif yaitu dengan melihat

dari: (1)

Nilai cross loading correlation untuk setiap variabel konstruk harus > 0,70; (2) Membandingkan nilai Fornell-Larker Criterion

untuk setiap konstruk

dengan nilai korelasi antar konstruk dalam model; (3) Validatas discriminant yang baik ditunjukkan dari nilai Fornell-Larker Criterion untuk setiap konstruk harus lebih besar dari korelasi antar konstruk lainnya. Ringkasan uji validitas convergent dan discriminant dapat dilihat pada Tabel 3 di bawah ini.

41

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Tabel 3 Ringkadsan Uji Validitas Dan Reliabilitas Validitas Parameter Rule of Thumb Loading • >0,70 untuk confirmatory Faktor research • >0,60 untuk exploratory research Validitas Composite • >0,70 untuk confirmatory Convergent Reliability research • >0,50 exploratory research AVE • >0,50 untuk confirmatory dan exploratory research Cross Loading • > 0,70 untuk setiap variabel Validitas Fornell-Larker • Korelasi antar konstruk Discriminant Criterion laten > 0,70

Ringkasan Uji Validitas dan Reliabilitas konstruk dengan indikator refleksif dapat dilihat pada Tabel 4 dan table 5 di bawah ini. Tabel 4 Ringkasan Uji Reliabilitas Konstruk Parameter Rule of Thumb Composite • > 0,70 untuk confirmatory research Reliability • 0,60 – 0,70 masih dapat diterima untuk exploratory research Cronbach’s Alpha • > 0,70 untuk confirmatory research • > 0,60 masih dapat diterima untuk exploratory research

42

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Tabel 5 Hasil Uji Validitas dan Reliabilitas CA Rho_A CR Kinerja 0,860 0,873 0,905 Motivasi 0,843 0,850 0,905 Pengawasan 0,931 0,938 0,950 Lingkungan 0,876 0,879 0,915

AVE 0,705 0,761 0,827 0,728

Flowchart Formative Indicator Decision Yes

Outer weight Significant ?

Continue with interpretation outer weight absolutes and relative.

No No Outer loading < 0.5

Yes Removed the formative indicator

Yes

Yes Singificant test

43

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Bab 9 Evaluasi Hasil Struktural 9.1 Evaluasi Collinearity (VIF 5 maka variabel tersebut harus di keluarkan dari model pengukuran. 44

CLASSIFICATION: C0 - NON-CONFIDENTIAL

Tabel 6 Hasil Uji Kolineritas Kinerja Motivasi Pengawasan

Lingkungan

Kinerja

-

-

-

-

Motivasi

1,416

-

-

-

Pengawasan

1,356

1,163

-

1,000

Lingkungan

1,275

1,163

-

9.2 Estimasi Signifikansi (T-statistic). Path Coefficient akan menggambarkan kontribusi atau pengaruh antar variabel konstruk, dilakukan melalui melalui prosedur bootstrapping. Pendekatan

bootstrapping

merepresentasi

non-

parametric analysis precision estimation baik pada outer model maupun pada inner model. Nilai signifikansi dinyatakan dalam nilai uji tstatistik, yang digunakan (two-tailed) t-value 1,65 (signifikan level 10%); 1,96 (signifikan level 5%); dan 2,58 (signifikan level 1%).

45

CLASSIFICATION: C0 - NON-CONFIDENTIAL

9.3 Coeficient Determinant (R2) Nilai R2 merupakan nilai koefisiensi determinan dimana nilai tersebut akan menggambarkan kekuatan prediksi variable endogen dari model struktural. Nilai R-Squares merupakan hasil uji regresi linier yaitu besarnya variability endogen yang mampu dijelaskan oleh variabel eksogen. Nilai R2 0,67 menunjukkan kekuatan model kuat; 0,33 menunjukkan

kekuatan

moderat

dan

0,19

menunjukkan kekuatan lemah kurang dari 0,19 dianggap tidak ada kekuatan model struktural (Chin, 1998). Pada tabel 7 menunjukan besarnya kekuatan model st...