Title | TUTORIAL ANALISIS PARTIAL LEAST SQUARE DENGAN SMART-PLS Edisi 2 |
---|---|
Author | Sobur Setiaman |
Pages | 88 |
File Size | 755.8 KB |
File Type | |
Total Downloads | 266 |
Total Views | 480 |
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...
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...