Jasa Pengolahan SEM dengan SmartPLS

Jasa pengolahan SEM (Structural Equation Modelling) sangat sering digunakan peneliti terutama yang menggunakan instrumen kuisioner dalam untuk memperoleh tujuan penelitiannya. SEM merupakan suatu metode analisis statistik multivariat. dimana pengolah dilakukan dengan data regresi atau analisis jalur. Olah data SEM lebih rumit, karena sem dibangun oleh model pengukuran dan model struktural. Berbeda dengan pengolahan data hasil kuisioner yang menguji tujuan penelitiannya dengan validitas, reliabilitas dan kekuatan hubungan. Pada analisis SEM dengan SmartPLS setiap variabel akan dihubungkan (analisis jalur) dan akan di uji validitas, reliabilitas dan kekuatan hubungannya secara analisis jalur sehingga akan lebih rumit dan parameternya lebih tinggi. Ada dua jenis analisis SEM dengan SmartPLS akan diuraikan pada penjelasan berikut ini.

1.    Analisa outer model (Model Pengukuran)

a.    Convergent validity

Convergent validity dari model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item score/component score dengan construct score yang dihitung dengan PLS. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur. Namun demikian untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,5 sampai 0,60 dianggap cukup (Ghozali, 2012). Menggambarkan besarnya korelasi antar setiap item pengukuran (indikator) dengan konstraknya.

b.    Discriminant validity

Discriminant validity dari model pengukuran dengan reflektif indikator dinilai berdasarkan cross loading pengukuran dengan konstruk dengan cara membandingkan nilai loading pada konstruk yang dituju harus lebih besar dibandingkan dengan nilai loading dengan konstruk yang lain. Semua variabel laten menunjukkan konstruk yang paling besar dari setiap indikatornya dibandingkan konstruk indikator yang lainnya.

c.    Average Variance Extracted (AVE)

Nilai AVE yang diharapkan >0.5. Ukuran AVE juga dapat digunakan untuk mengukur reliabilitas component score variable latent dan hasilnya lebih konservatif dibandingkan dengan composite reliability (CR). Jika semua indicator distandarkan, maka nilai AVE akan sama dengan rata-rata nilai block communalities. Bertujuan untuk mengukur tingkat variansi suatu komponen konstruk yang dihimpun dari indikatornya dengan menyesuaikan pada tingkat kesalahan

d.    Unidimensionality

Composite Reliability

Data yang memiliki composite reliability >0.8 mempunyai reliabilitas tinggi atau sebut sebagai Uji keandalan data

Cronbach Alpha

Uji Reliabilitas diperkuat dengan Cronbach Alpha. Nilai diharapkan >0.6 untuk semua konstruk. Uji tingkat konsistensi jawaban responden dalam satu variabel laten.

Output Koefisien Jalur (Outer Model)

Merancang Model Pengukuran

2. Analisa inner model (Model Struktural)

a.  R-Square pada konstruk endogen. Nilai R-Square adalah koefesien determinasi pada konstruk endogen. Dalam menilai model dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Nilai R-Square sebesar 0.75 (kuat), 0.50 (moderat), dan 0.25 (lemah).

b.  Estimate for Path Coefficients, merupakan nilai koefesien jalur atau besarnya hubungan/pengaruh konstruk laten. Dilakukan dengan prosedur Bootrapping.

Output T Statistik (Inner Model)

Merancang model Struktural (Inner Model)

c. Effect size (f-square). Dilakukan untuk mengetahui kebaikan model. Apakah prediktor variabel laten mempunyai pengaruh yang lemah, medium atau besar pada tingkat struktural, 0,02 (kecil); 0,15 (moderat); 0,35 (besar). variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural. Menurut Cohen (1988) dalam Yamin dan Kurniawan (2011:21) Effect Size f² yang disarankan adalah 0.02, 0.15 dan 0.35 dengan variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural.

d.  Prediction Relevance (Q-Square) atau dikenal dengan Stone Geisser’s. Uji ini dilakukan untuk kostruks endogen dengan indikator reflektif. Nilai Q-Square memiliki arti yang sama dengan coefficient determination (R-Square) pada analisis regresi, dimana semakin tinggi Q-Square, maka model dapat dikatakan semakin baik atau semakin fit dengan data.

e.    Pengujian Hipotesis.

Berdasarkan olah data yang telah dilakukan, hasilnya dapat digunakan untuk menjawab hipotesis pada penelitian ini. Uji hipotesis pada penelitian ini dilakukan dengan melihat nilai T-Statistics dan nilai P-Values. Hipotesis penelitian dapat dinyatakan diterima apabila nilai P-Values < 0,05.

Jasa Lainnya

Jasa Studi Kelayakan

Konsultan Studi Kelayakan