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