Langkah Analisis SEM dengan SmartPLS

 Pengolaha data dengan SmartPLS, Berikut ini langkah Pengolahan SmartPLS yang harus dipenuhi

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. Hasil tersebut dapat dilihat di SmartPLS pada bagian Outer Loadings (Loading Fector)

 

b. Discriminant validity

Discriminant validity Merupakan nilai cross loading factor yang berguna untuk mengetahui apakah konstruk memiliki discriminant yang memadai, yaitu dengan cara membandingkan nilai loading pada konstruk yang dituju harus lebih besar
dibandingkan dengan nilai loading konstruk lainnya. Syarat untuk memenuhi syarat validitas discriminant ini adalah hasil dalam view dalam combined loading and cross loadings menunjukan bahwa loading ke konstruk lain bernilai lebih
rendah dari pada loading ke konstruk variable (Ghozali, 2014: 39). Hasil tersebut dapat dilihat di SmartPLS pada bagian Cross Loadings

 

 

c. Unidimensionality

c. 1. 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. Hasil tersebut dapat dilihat di SmartPLS pada bagian Construct Reliability and Validity

c. 2. Composite Reliability (Uji keandalan data). Data yang memiliki composite reliability >0.8 mempunyai reliabilitas tinggi. Hasil tersebut dapat dilihat di SmartPLS pada bagian Construct Reliability and Validity

c. 3. Cronbach Alpha (Uji tingkat konsistensi jawaban responden dalam satu variabel laten). Uji Reliabilitas diperkuat dengan Cronbach Alpha. Nilai diharapkan >0.6 untuk semua konstruk. Hasil tersebut dapat dilihat di SmartPLS pada bagian Construct Reliability and Validity

2. Analisa inner model (Model Struktural)

a.    Estimate for Path Coefficients, merupakan nilai koefesien jalur atau besarnya hubungan/pengaruh konstruk laten. Dilakukan dengan prosedur Bootrapping. Hasil tersebut dapat dilihat di SmartPLS pada bagian Path Coefficients

 

Output T Statistik (Inner Model)

Merancang model Struktural (Inner Model)

b.   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). Hasil tersebut dapat dilihat di SmartPLS pada bagian R Square

 

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. Hasil tersebut dapat dilihat di SmartPLS pada bagian f Square

 

 

d.   Prediction Relevance (Q-Square) atau dikenal dengan Stone Geisser’s. Uji ini dilakukan untuk kostruk 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. Evaluasi inner model dapat dilakukan dengan tiga cara. Ketiga cara tersebut adalah dengan melihat dari R2, Q2 dan GoF.

Konstruk Nilai Q2
Berikut untuk pengujian Inner model dapat dilakukan dengan melihat nilai Q2
(predictive relevance). Untuk menghitung Q2 dapat digunakan rumus
Q2 =1-(1-R12 ) (1-R22 )……(1-Rp2 )…

3.       Uji Fit Model

Uji Fit Model dapat dilihat dari beberapa indikator, pada kasus ini dilihat dari 2 indikator yaitu:

1.      Standardized Root Mean Square Residual (SRMR) Model PLS dinyatakan telah memenuhi criteria uji model fit jika nilai SRMR <
0.1 dan model dinyatakan perfect SRMN < 0.08. (Vicenzo, 2016: 55)

2.      Normal Fit Index (NFI) range skornya 0 s/d 1 dimana semakin mendekati 1 semakin baik model yang dibangun.

 

 

4. Pengujian Hipotesa.

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. Berikut ini adalah hasil uji hipotesis yang diperoleh dalam penelitian ini dapat dilihat di SmartPLS pada bagian Path Coefficients

Jasa Privat Software Statistik (0812-6080-8620)

Software statistik yang sering digunakan pada penelitian untuk skripsi, Tesis, Disertasi dan penelitian umum lainnya seperti Software SPSS, MiniTAB, Expert Choice, Powersim, Arena, WinQSB, Amos, Lisrel, SmartPLS. Tutorial Software Statistik memang sudah banyak penjelasannya di internet dan juga sudah ada di Youtube STATIN TUTORIAL. Namun permasalahannya objek atau kajian yang dimiliki berbeda dengan tutorial yang ada sehingga diperlukan Jasa Privat Software Statistik yang intens untuk mengatasi penelitian yang dihadapinya. Sehingga pada website ini kami hadir untuk menyelesaikan permasalahan tersebut dengan menyediakan jasa privat Online melalui Via ZOOM atau Googel Meet.

Jasa Privat Software Statistik hadir mengatasi masalah-masalah penelitian yang menggunakan software SPSS, MiniTAB, Expert Choice, Powersim, Arena, WinQSB, Amos, Lisrel, SmartPLS. Jasa Privat Software dilaksanakan secara online menggunakan ZOOM atau Googel Meet. Lama privat biasa selama 1 jam 30 menit dan bisa dilakukan pada siang atau malam hari. Kemudian untuk biaya Privat Software Statistik akan didiskusikan sesuai dengan kasus dan tingkat kesulitan penelitian tersebut.

Pada software SPSS, MiniTAB, Expert Choice, WinQSB penggunaannya hampir mirip, dimana software ini hanya dalam bentuk workface yang hanya mengikuti  langkah-langkahnya dan hasilnya sudah tidak bisa diubah lagi. Permasalahan yang sering terjadi langkah yang dikuti kadang tidak sesuai dan hasilnya pastinya juga tidak akan sesuai, kemudian syarat-syarat sesuai teori tidak tercapai sehingga solusi yang lebih mendalam untuk mengtasi masalah tersebut. Contoh masalah yang sering terjadi seperti Data tidak nomal, data tidak signifikan, data tidak valid, data tidak reliabel software tidak bisa di jalankan dan lainnya.

Pada software Powersim dan Arena sering digunakan pada penelitian yang mengunakan simulasi. Dimana simulasi merupakan imitasi atau tiruan dan sistem real nya. Software Powersim dan Arena merupakan tool dalam komputer yang digunakan untuk meniru sistem real secara terkomputerisasi.  Sehingga pada kesempatan ini kami hadir membantu anda untuk membuat simulasi menggunakan software Powersim dan Arena. Permasalahan yang sering terjadi simulasi yang dibuat menggunakan Powersim dan Arena tidak bisa dijalankan, kemudian simulasi yang sudah dibuat menggunakan Powersim dan Arena tidak sama dengan sistem realnya atau simulasi tersebut tidak bisa di buat simulasi usulannya dan berbagai masalah lainnya.

Pada Amos, Lisrel dan SmartPLS merupakan software yang digunakan pada Structural Equation Modeling (SEM) sebagai alat statistik yang dipergunakan untuk menyelesaikan model bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear. Pada Analisis SEM hubungan antar variabel dalam bentuk diagram Path dan untuk melihat hubungan antar variabel harus menggunakan software Amos atau Lisrel atau SmartPLS. Permasalahan yang sering terjadi pada software ini seperti software tidak bisa dijalankan, syarat secara statistik tidak memenuhi, kemudian hasil hubungan antar variabel dari software tersebut tidak sesuai teori dan pemasalahan lainnya.