BAB 3 : METODOLOGI 104
3.11 Teknik Menganalisis Data
3.11.6 Justifikasi Menggunakan Teknik PLS (Justification Using Partial
169
tertentu hendaklah lebih tinggi daripada Semua loading konstruk yang lain (Hair et al., 2014a).
Satu lagi kaedah penilaian bagi kesahan diskriminan ia lah, kriteria Fornell-Larcker yang disebut bagi membandingkan nilai punca kuasa AVE dengan korelasi variabel yang terpendam. Punca kuasa konstruk bagi setiap AVE seharusnya lebih tinggi dari korelasi loading dalam apa-apa konstruk yang lain (Hair et al., 2014a).
Hair et al. (2014a) menerangkan bahawa terdapat dua isu perlu diperiksa iaitu kolineariti antara redundansi penunjuk, maklumat dan signifikan dan kaitan petunjuk formatif. Toleransi yang dicadangkan dan standard untuk langkah-langkah kolineariti ialah VIF mestilah lebih tinggi daripada 0.20 dan lebih rendah daripada 0.50. Bagi menilai signifikan dan kaitan petunjuk formatif, berat luaran akibat daripada regresi berganda perlu dirujuk. Nilai berat luaran akan diperolehi setelah menggunakan prosedur bootstrapping pada 5000 subsamples untuk menilai petunjuk signifikan dapat dijalanka dijalankan. Selain daripada itu, Hair et al. (2014a) menyarankan bahawa jika berat petunjuk didapati tidak ketara tetapi beban luar adalah lebih daripada 0.50, penunjuk hendaklah disimpan dan jika kedua-dua ukuran tidak ketara termasuk tiada sokongan empirikal yang kukuh untuk mengekalkan penunjuk, maka penyingkiran petunjuk sedemikian dari model adalah disyorkan.
3.11.6 Justifikasi Menggunakan Teknik PLS (Justification Using Partial Least
Squares (PLS) Technique)
Teknik PLS-SEM dipanggil sebagai generasi kedua struktur pemodelan persamaan (Wold, 1982) dan bersifat nonparametric dalam pendekatannya (Hair et al., 2014a). Teknik PLS ini bekerjasama baik dengan structural equation models yang mewakili satu siri hubungan sebab dan kesan variabel terpendam (Hair et al., 2014a). PLS-SEM adalah satu teknik yang berasaskan pendekatan lelaran untuk memaksimumkan
170
penjelasan varians konstruk endogenus (Hair,et al., 2014). Pendekatan PLS SEM ini membolehkan penyelidik untuk menguji model termaju seperti penyederhana, model hierarki komponen, hubungan tak linear dan fleksibel untuk mencerminkan atau formatif pengukuran (Sarstedt et al., 2014b).
Menurut Richter, Cepeda, Roldán, and Ringle (2015), Hair et al. (2014c), dan Sarstedt et al. (2014a), partial least squares structural equation modeling (PLS-SEM) metodologi telah mendapat perhatian yang semakin meningkat dalam pelbagai bidang seperti pengurusan sistem maklumat, pengurusan strategik, pemasaran, perakaunan, penyelidikan perniagaan keluarga, pengurusan operasi dan organisasi penyelidikan. Walaupun isu-isu yang berkaitan dengan struktur persamaan pemodelan telah telah dibahaskan secara besar-besaran, Hair et al. (2014c) mengakui bahawa PLS-SEM mempunyai ciri-ciri unik yang membuat ia penting dan alternatif berpotensi lebih sesuai untuk kovarians yang berasaskan structural equation modelling (CB-SEM) tetapi pemilihan metodologi adalah bergantung pada objektif kajian. Tuntutan ini adalah sejajar dengan Hair, Ringle, Sarstedt, dan Mena (2013). Penggunaan teknik PLS-SEM dalam kajian kini berdasarkan justifikasi berikut ini. Pertama, structural equations models via partial least square telah menunjukkan untuk menjadi model-model superior yang melakukan prestasi anggaran yang lebih baik daripada regresi untuk menilai perantara (Preacher & Hayes, 2004). Hasil kajian empirikal telah menunjukkan bahawa laporan statistik untuk jumlah kesan daripada jumlah kesan langsung dan tidak langsung antara dua konstruk dan ralat pengukuran menyediakan lebih banyak anggaran yang lebih mendalam dan tepat kesan pengantara melalui prosedur ‘bootstrapping’ (Hair et al., 2012b). Oleh itu, penggunaan PLS-SEM pada ketika ini adalah penting kerana tiga hipotesis yang
171
dilabel sebagai H13, H14 dan H15 adalah berkaitan dengan ujian penyederhanaan dan H10, H11 dan H12 adalah berkaitan pengantaraan.
Kedua, kepopularan PLS-SEM semakin meningkat kerana penggunaannya mampu mengendalikan data yang tidak normal yang biasanya berlaku dalam kajian sains sosial dan lebih tepat dalam menghitung model yang sangat kompleks seperti banyak konstruk, model struktur, petunjuk hubungan hierarki dan formatif konstruk yang diukur yang semakin mendapat perhatian dalam kajian baru-baru ini (Sarstedt et al, 2014; Hair et al, 2014 c). Penggunaan PLS-SEM dalam kajian ini akan memperkayakan lagi pengetahuan akademik yang sedia ada kerana rangka kerja penyelidikan dianggap sangat kompleks. Berdasarkan sorotan literatur, PLS-SEM mampu untuk mengendalikan, meneroka, meramal dan mengira semua hubungan hipotesis dalam kajian ini.
Ketiga, keadaan hubungan antara variabel terpendam dan langkah-langkah boleh dimodelkan sama ada secara formatif atau ukuran reflektif melalui PLS-SEM berbanding AMOS biasanya untuk mencerminkan pengukuran sahaja (Sarstedt, Ringle, & Hair, 2014) dan pengukuran model luar formatif terpakai di bawah syarat-syarat tertentu (Hair et al., 2012a). Menurut Hair et al. (2014a) dan Hair et al. (2014c), PLS-SEM mempunyai kelebihan yang besar dan keupayaan untuk mengaplikasikan langkah-langkah formatif dalam rangka kerja model penyelidikan. Selain itu, formatif mengukur konstruk yang berguna untuk kajian yang bertujuan untuk menerangkan dan meramalkan konstruk bersandar.
Keempat, Hair, Ringle dan Sarstedt (2013) mendakwa bahawa model komponen hierarki atau model aras tinggi (higher order) agak mudah untuk digunakan dalam PLS-SEM. Konsep komponen hierarki model membolehkan model penyelidikan sebagai teori parsimoni, mengurangkan kompleksiti model dan boleh menghalang
172
kesan kekeliruan dalam struktur model pelbagai dimensi seperti multikolineariti (Hair et al., 2014 c). PLS-SEM juga mampu menguji beberapa lapisan konstruk tetapi biasanya melibatkan konstruk peringkat kedua yang mengandungi dua lapisan komponen (Hair et al., 2014a). Manakala Becker, Klein, dan Wetzels (2012) mencadangkan PLS-SEM digunakan sebagai kajian dalam penyelidikan masa depan untuk menganggar model hierarki variabel terpendam apabila model yang sangat kompleks seperti variabel pengantara atau penyederhana termasuk dalam model penyelidikan. Oleh itu, ciri-ciri rangka kerja penyelidikan dalam kajian ini yang mengandungi kedua peringkat iaitu membangunkan konstruk assosiasi dan menguji hubungan antara campuran pemasaran dengan ekuiti jenama halal yang kompleks dan ini menunjukkan bahawa PLS-SEM adalah satu teknik yang sesuai untuk digunakan dalam kajian ini. Tambahan pula, penggunaan PLS-SEM untuk menguji komponen hierarki digunakan dalam kajian ini akan meningkatkan pengetahuan yang sedia ada seperti yang dicadangkan oleh Becker et al., (2012).
Akhir sekali, walaupun kajian ini mengikuti Hair et al., (2014a) mengesyorkan untuk memeriksa status keabnormalan yang berlebihan di kalangan data yang dikumpul pada peringkat awal analisis, dalam kes ini SPSS telah digunakan, aplikasi PLS-SEM dalam kajian ini selanjutnya telah mengesahkan bahawa tiada isu data tidak normal dan kuasa statistik analisis telah dianggap sebagai tepat dan benar. Ini adalah selaras dengan kenyataan yang dibuat oleh Hair et al. (2014a), Hair et al. (2014 c), Hair et al. (2013), dan Becker et al. (2012). Mereka mengatakan bahawa PLS-SEM tidak semestinya memerlukan data untuk menjadi normal dan boleh mengendalikan isu data tidak normal dengan baik. Sebaliknya, Amos memerlukan data menjadi normal dan lebih rapat ke atas ciri-ciri data (Hair et al., 2012b). Selain itu, dilaporkan bahawa kebanyakan data yang dikumpul untuk kajian sains sosial lebih cenderung
173
mempunyai masalah normaliti (Hair et al., 2014 c). Oleh itu, penggunaan PLS-SEM dalam kajian ini adalah disyorkan.
3.12 Ringkasan
Bab ini dimulakan dengan penjelasan mengenai pendirian falsafah dasar kajian ini. Justeru itu, ia secara tersirat menghuraikan metodologi kajian ini. Reka bentuk penyelidikan ini terdiri daripada fokus persampelan, populasi, penentuan saiz sampel, teknik-teknik pengumpulan data dan kaedah analisis dengan justifikasi yang betul. Ia juga termasuk instrumen dan penjelasan mengenai bagaimana dan di mana ia telah ditadbir. Justifikasi kedua-dua kesilapan dan falsafah teknik analisis bersama-sama dengan penilaian terhadap kesahan dan kebolehpercayaan juga dijelaskan dalam bab ini. Bab ini juga membincangkan tentang rasionalnya analisis deskriptif, analisis inferen dan analisis faktor penerokaan sebagai sebahagian penting dalam analisis data.
174