METODE PENELITIAN
4.8 Instrumen Penelitian
4.9.3. Analisis SEM dengan PLS
Teknik analisis yang digunakan adalah model persamaan struktural
(Structural Equation Modeling – SEM) berbasis variance atau Component based
SEM, yang terkenal disebut Partial Least Square (PLS). PLS merupakan metode
analisis yang powerfull, oleh karena tidak mengasumsikan data harus dengan
pengukuran skala tertentu, jumlah sampel kecil, dan juga dapat digunakan untuk
konfirmasi teori (Ghozali, 2008).
Menurut Ghozali (2011) tujuan PLS adalah membantu peneliti untuk
tujuan prediksi. Model formalnya mendefinisikan variabel laten adalah linear
agregat dari indikator-indikatornya. Weight estimate untuk menciptakan
komponen skor variabel laten didapat berdasarkan bagaimana inner model (model
struktural yang menghubungkan antar variabel laten) dan outer model (model
pengukuran yaitu hubungan antara indikator dengan konstruknya) dispesifikasi.
Hasilnya adalah residual variance dari variabel dependen.
Adapun alasan penggunaan PLS dalam penelitian ini, adalah sebagai
1. PLS merupakan metode umum untuk mengestimasi path model yang
menggunakan variabel laten dengan multiple indicator.
2. PLS menangani model reflektif dan formatif, bahkan konstruk dengan item
(indikator) tunggal (Hair et al., 2010 dalam Ghozali, 2011). Dalam penelitian
ini, model struktural yang dianalisis memenuhi model rekursif dan semua
indikator dari variabel penelitian yakni: Jiwa Kewirausahaan (X1), Manajemen Agribisnis (X2), dan Keberhasilan (Y) menggunakan indikator reflektif. 3. PLS merupakan metode analisis yang dapat diterapkan pada semua skala data,
tidak membutuhkan banyak asumsi dan ukuran sampelnya tidak harus besar.
Besarnya sampel direkomendasikan berkisar dari 30 - 100 kasus (Ghozali,
2008). Dalam penelitian ini, unit analisis adalah Kelompok Tani Pelaksana
yang terdiri dari 84 responden sehingga memenuhi untuk penggunaan analisis
PLS ini.
4. PLS merupakan metode analisis untuk causal-predictive analysis dalam
situasi kompleksitas yang tinggi dan dukungan teori yang rendah.
Berdasarkan kerangka konseptual penelitian yang dibangun atas dasar
Gambar 4.1
Model Empirik Penelitian
Keterangan :
X1.1 : Sifat Instrumental X1.2 : Sifat Prestatif
X1.3 : Sifat Keluwesan Bergaul X1.4 : Sifat Pengambil Resiko X1.5 : Sifat Swakendali X1.6 : Sifat Kerja Keras X1.7 : SifaKeyakinan Diri X1.8 : Sifat Inovatif X1.9 : Sifat Kreatif
X1.10 : Sifat Kepemimpinan
X1.11 : Sifat Berorientasi pada Tindakan (action oriented) X1.12 : Sifat Berpikir Sederhana (Simple)
X1.13 : Sifat Fokus pada Usaha yang Digeluti
X2.1 : Perencanaan Usaha Agribisnis dalam Simantri X2.2 : Pengorganisasian Usaha Agribisnis dalam Simantri X2.3 : Pengembangan Usaha Agribisnis dalam Simantri X2.4 : Pengawasan Usaha Agribisnis dalam Simantri
Jiwa Kewirausahaan (X1) X1.12 X1.11 X1.10 X1.9 X1.8 X1.7 X1.6 X1.5 X1.4 X1.3 Manajemen Agribisnis (X2) X2.4 X2.3 X2.2 X2.1 Keberhasilan (Y) Y1 Y2 Y3 Y4 Y5 Y6 Y7 X1.13 X1.2 X1.1
Y1 : Berkembangnya Kelembagaan dan SDM
Y2 : Terciptanya Lapangan Kerja Melalui Diversifikasi Usaha Pertanian dan Industri Rumah Tangga
Y3 : Berkembangnya Intensifikasi dan Ekstensifikasi Usaha Tani
Y4 : Meningkatnya Insentif Berusaha Tani Melalui Peningkatan Produksi dan Efisiensi Usaha Tani
Y5 : Terciptanya dan Berkembangnya Pertanian Organik Menuju green economic
Y6 : Berkembangnya Usaha Ekonomi Pedesaan Y7 : Peningkataan Pendapatan Petani
Model evaluasi PLS berdasarkan pada pengukuran prediksi yang
mempunyai sifat non-parametrik. Evaluasi model terdiri atas dua bagian, yaitu
evaluasi model pengukuran dan evaluasi model struktural. Penjelasan lebih lanjut,
dapat dipaparkan sebagai berikut:
1) Evaluasi Model Pengukuran atau Outer Model
Evaluasi outer model disebut pula dengan evaluasi model pengukuran
dilakukan untuk menilai validitas dan reliabilitas model. Outer model dengan
indikator refleksif dievaluasi melalui validitas convergent dan discriminat untuk
indikator pembentuk konstruk laten, serta melalui composite reliability dan
cronbach alpha untuk blok indikatornya. (Chin, 1998 dalam Ghozali, 2008). Dalam penelitian ini semua variabel merupakan variabel laten dengan
indikator reflektif, sehingga evaluasi model pengukuran adalah sebagai berikut :
a. Convergent validity
Uji validitas convergent indikator refleksif dapat dilihat dari nilai loading
factor untuk setiap konstruk, dimana nilai loading factor yang direkomendasikan harus lebih besar dari 0,7 untuk penelitian yang bersifat confirmatory, dan nilai
dapat diterima. Indikator dianggap valid jika memiliki nilai outer loading > 0.7
dan nilai t-statistic > 2.64.
b. Discriminant validity
Cara untuk menguji validitas discriminant dengan indikator refleksif yaitu
dengan melihat nilai cross loading untuk setiap variabel harus > 0,70. Cara lain
yang dapat digunakan untuk menguji validitas discriminant adalah dengan
membandingkan akar kuadrat dari AVE untuk setiap konstruk dengan nilai
korelasi antar konstruk dalam model. Validitas discriminant yang baik
ditunjukkan dari akar kuadrat AVE untuk setiap konstruk lebih besar dari korelasi
antar konstruk dalam model. Direkomendasikan nilai AVE harus lebih besar dari
0.50 (Fornell dan Larcker, 1981 dalam Ghozali, 2012).
Rule of thumb uji validitas convergent dan discriminant dapat dilihat pada
Tabel 4.4.
Tabel 4.4
Ringkasan Rule of Thumb
Uji Validitas Convergent dan Discriminant
Validitas Parameter Rule of Thumb
Validitas Convergent Loading Factor a. > 0,70 untuk confirmatory research b. > 0,60 untuk exploratory research
Communality > 0,50 untuk confirmatory dan exploratory research
AVE (Average Variance Extracted)
> 0,50 untuk confirmatory dan exploratory research
Validitas Discriminant
Cross Loading > 0,70 untuk setiap variabel Akar kuadrat AVE dan
korelasi antar konstruk laten
Akar kuadrat AVE > korelasi antar konstruk laten
c. Composite Reliability dan Cronbach’s Alpha.
Uji reliabilitas suatu konstruk dengan indikator refleksif dapat dilakukan
dengan dua cara, yaitu Composite Reliability dan Cronbach’s Alpha. Penggunaan Cronbach’s Alpha untuk menguji reliabilitas konstruk akan memberikan nilai
yang lebih rendah (under estimate) sehingga lebih disarankan untuk menggunakan
Composite Reliability dalam menguji reliabilitas suatu konstruk.
Rule of thumb uji reliabilitas konstruk dengan indikator refleksif dapat dilihat pada Tabel 4.5.
Tabel 4.5
Rule of Thumb Uji Reliabilitas Konstruk
Parameter Rule of Thumb
Composite Reliability
a. > 0,70 untuk confirmatory research
b. 0,60 – 0,70 masih dapat diterima untuk exploratory research
Cronbach’s Alpha
a. > 0,70 untuk confirmatory research
b. 0,60 masih dapat diterima untuk exploratory research Sumber : Ghozali 2012
2) Evaluasi Model struktural atau Inner Model
Dalam menilai model struktural dengan struktural PLS dapat dilihat dari
nilai R-Squares untuk setiap variabel laten sebagai kekuatan prediksi dari model
struktural. Nilai Squares merupakan uji goodness fit model. Perubahan nilai
R-Squares digunakan untuk menjelaskan pengaruh variabel laten eksogen tertentu terhadap variabel laten endogen, apakah mempunyai pengaruh substantive. Nilai
R-Squares 0,67; 0,33 dan 0,19 untuk variabel laten endogen dalam model struktural menunjukkan model kuat, moderat, dan lemah (Chin, 1998 dalam
Hasil dari PLS R-Squares mempresentasikan jumlah variance dari
konstruk yang dijelaskan oleh model. Selain melihat besarnya nilai R-Squares,
evaluasi model struktural PLS dapat juga dilakukan dengan Q2 predictive relevance atau sering disebut predictive sample reuse yang dikembangkan oleh Stone (1974) dan Geisser (1975) dalam Ghozali (2012). Rule of Thumb model
struktural dapat dilihat pada Tabel 4.6.
Tabel 4.6
Rule of Thumb Evaluasi Model Struktural
Kriteria Rule of Thumb
R-Square 0,67; 0,33 dan 0,19 menunjukkan model kuat,
moderat dan lemah (Chin, 1998 dalam Ghozali, 2012).
Q2 predictive relevance Q2 > 0 menunjukkan model mempunyai predictive relevance dan jika Q2 < 0 menunjukkan bahwa model kurang memiliki predictive relevance. Sumber : Ghozali, 2012
3) Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan uji statistik t (t-test). Kalau dalam
pengujian ini diperoleh p-value < 0,05 (alpha 5%), berarti pengujian
signifikan, dan sebaliknya kalau p-value > 0,05 (alpha 5%), berarti tidak
signifikan. Bilamana hasil pengujian hipotesis pada outer model signifikan,
hal ini menunjukkan bahwa indikator dipandang dapat digunakan sebagai
instrumen pengukur variabel laten. Sementara, bilamana hasil pengujian pada
inner model adalah signifikan, maka dapat diartikan bahwa terdapat pengaruh yang bermakna variabel laten satu terhadap variabel laten lainnya.
BAB V