BAB III METODOLOGI PENELITIAN
3.4 Teknik Analisis Dan Uji Hipotesis
3.4.1 Teknik Analisis
3.4.1.3 Langkah Langkah PLS
Langkah-langkah pemodelan persamaan struktural PLS dengansoftware adalah seperti dapat dilihat pada gambar di bawah ini :
48
Gambar 2. Langkah-langkah Analisis PLS
1) Langkah Pertama: Merancang Model Str uktur al (inner model) Perancangan model struktural hubungan antar variabel laten pada PLS didasarkan pada rumusan masalah atau hipotesis penelitian. Pada SEM perancangan model adalah berbasis teori, akan tetapi pada PLS bisa berupa:
a. Teori, kalau sudah ada b. Hasil penelitian empiris
c. Analogi, hubungan antar variabel pada bidang ilmu yang lain d. Normatif, misal peraturan pemerintah, undang-undang, dan lain
sebagainya e. Rasional.
Oleh karena itu, pada PLS dimungkinkan melakukan eksplorasi 4. Konver si Diagr am Jalur ke Sistem
5. Estimasi: Weight,Koef,Jalur dan Loading
6. Evaluasi Goodness of Fit
7. Menguji Hipotesis (Resampling
3. Mengkonstr uksi Diagr am J alur
2. Mer ancang Model Pengukur an (outer 1. Mer ancang Model Str uktur al (Inner
49
hubungan antar variabel laten, sehingga sebagai dasar perancangan model struktural bisa berupa proposisi. Hal ini tidak direkomendasikan di dalam SEM, yaitu perancangan model berbasis teori, shingga pemodelan didasarkan pada hubungan antar variabel laten yang ada di dalam hipotesis.
2) Langkah Kedua: Merancang Model Pengukuran (outer model) Pada SEM perancangan model pengukuran hanya merujuk pada definisi operasional variabel, sesuai dengan proses perancangan instrumen penelitian. Model indikator di dalam SEM semua bersifat refleksif, sehingga perancangan model pengukuran jarang dibicarakan secara detail.
Di sisi lain, pada PLS perancangan model pengukuran (outer model) menjadi sangat penting, yaitu terkait dengan apakah indikator bersifat refleksif atau formatif. Merancang model pengukuran yang dimaksud di dalam PLS adalah menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif. Kesalahan dalam menentukan model pengukuran ini akan bersifat fatal, yaitu memberikan hasil analisis yang salah.
Dasar yang dapat digunakan sebagai rujukan untuk menentukan sifat indikator apakah refleksif atau formatif adalah: teori, penelitian empiris sebelumnya, atau kalau belum ada adalah rasional. Pada tahap
50
awal penerapan PLS, tampaknya rujukan berupa teori atau penelitian empiris sebelumnya masih jarang, atau bahkan belum ada. Oleh karena itu, dengan merujuk pada definisi konseptual dan definisi operasional variabel, diharapkan sekaligus dapat dilakukan identifikasi sifat indikatornya, bersifat refleksif atau formatif.
3) Langkah Ketiga: Mengkonstruksi diagr am J alur
Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih mudah dipahami, hasil perancangan inner model dan outer model tersebut, selanjutnya dinyatakan dalam bentuk diagram jalur. Terlihat dari model konseptual sebagai berikut :
Gambar 3.1
Contoh Model Konseptual Penelitian Keputusan Pembelian (Y) Kualitas Produk (X1) Citra Merek (X2) Harga (X3) X2.3 X2.2 X2.1 X1.4 X1.3 X1.2 X1.1 Y1 Y2 Y3 Y4 X3.1 X3.2 X3.3 X3.4 X1.5
51
4. Langkah Keempat: Konversi diagr am J alur ke dalam Sistem Persamaan
a) Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya, disebut juga dengan outer relation atau measurement model, Model indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λxξ + εx
y = Λyη + εy
Di mana X dan Y adalah indikator untuk variabel laten eksogen (ξ) dan endogen (η). Sedangkan Λx dan Λy merupakan matriks loading
yang menggambarkan seperti koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya. Residual yang diukur dengan εx danεy dapat diinterpretasikan sebagai kesalahan
pengukuran atau noise. Model indikator formatif persamaannya dapat ditulis sebagai berikut:
ξ = ΠξXi + δx
η = ΠηYi + δy
Dimana ξ, η, X, dan Y sama dengan persamaan sebelumnya. Πx dan
Πy adalah seperti koefisen regresi berganda dari variabel laten terhadap indikator, sedangkan δx dan δy adalah residual dari regresi.
52
Untuk variabel latent eksogen 1 (reflektif) x1 = λx1ξ1 + δ1
x2 = λx2ξ1 + δ2
x3 = λx3ξ1 + δ3
Untuk variabel latent eksogen 2 (formatif)
ξ2 = λx4 X4 + λx5 X5 + λx6 X6 + δ4
Untuk variabel latent endogen 1 (reflektif) y1 = λy1η1 + ε1
y2 = λy2η1 + ε2
Untuk variabel latent endogen 2 (reflektif) y3 = λy3η2 + ε3
y4 = λy4η2 + ε4
b) Inner model, yaitu spesifikasi hubungan antar variabel laten (structural model), disebut juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan teori substansif penelitian. Tanpa kehilangan sifat umumnya, diasumsikan bahwa variabel laten dan indikator atau variabel manifest diskala zero means dan unit varian sama dengan satu, sehingga parameter lokasi (parameter konstanta) dapat dihilangkan dari model.
Model persamaannya dapat ditulis seperti di bawah ini:
53
Dimana η menggambarkan vektor vaariabel endogen (dependen), ξ adalah vektor variabel laten eksogen dan ζ adalah vektor residual (unexplained variance). Oleh karena PLS didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa setiap variabel laten dependen η, atau sering disebut causal chain system dari variabel laten dapat dispesifikasikan sebagai berikut:
ηj = Σi βji ηi + Σi γjbξb + ζj
Dimana γjb (dalam bentuk matriks dilambangkan dengan Γ) adalah
koefisien jalur yang menghubungkan variabel laten endogen (η) dengan eksogen (ξ). Sedangkan βji (dalam bentuk matriks
dilambangkan dengan β) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan endogen (η); untuk range indeks i dan b. Parameter ζj adalah variabel inner
residual.
Pada model PLS Gambar 3 inner model dinyatakan dalam sistem persamaan sebagai berikut:
η1 = γ1ξ1 + γ2ξ2 + ζ1
η2 = β1η1 + γ3ξ1 + γ4ξ2 + ζ2
C) Weight relation, estimasi nilai variabel latent. Inner dan outer model memberikan spesifikasi yang diikuti dengan estimasi weight relation dalam algoritma PLS:
54
ξb = Σkb wkb xkb
ηi = Σki wki xki
Dimana wkb dan wki adalah k weight yang digunakan untuk
membentuk estimasi variabel laten ξb dan ηi. Estimasi data variabel
laten adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS.
5) Langkah Kelima: Estimasi
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi konvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu :
1) Weight estimate yang digunakan untuk menghitung data variabel laten.
2) Estimasi jalur (path estimate) yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.
3) Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.
Sebagai langkah awal iterasi, algoritmanya adalah menghitung aproksimasi outside dari variabel latent dengan cara menjumlahkan
55
indikator dalam setiap kelompok indikator dengan bobot yang sama (equal weight). Bobot untuk setiap iterasi diskalakan untuk mendapatkan unit varian dari skor variabel laten untuk N kasus dalam sampel. Dengan menggunakan skor untuk setiap variabel latent yang telah diestimasi, kemudian digunakan untuk pendugaan aproksimasi inside variabel laten. Ada tiga skema bobot aproksimasi inside yang telah dikembangkan untuk mengkombinasikan variabel laten tetangga (neighboring LV) untuk mendapatkan estimasi variabel laten tertentu yaitu: centroid, factor dan path weighting. Skema weighting dengan centroid merupakan prosedur asli yang digunakan oleh Wold. Metode ini hanya mempertimbangkan tanda korelasi antara variabel laten dan variabel laten tetangganya (neigboring LV). Nilai kekuatan korelasi dan arah model struktural tidak diperhitungkan. Skema weighting dengan faktor menggunakan koefisien korelasi antara variabel laten dengan variabel laten tetangga sebagai pembobot (weight). Skema dengan path weighting membobot variabel laten tetangga dengan cara berbeda tergantung apakah variabel laten tetangga merupakan anteseden atau konsekuen dari variabel laten yang ingin kita estimasi.
Dengan hasil estimasi variabel laten dari aproksimasi inside, maka didapatkan satu set pembobot baru dari aproksimasi outside. Jika skor aproksimasi inside dibuat tetap (fixed), maka dapat dilakukan regresi
56
sederhana atau regresi berganda bergantung apakah indikator dari variabel laten bersifat refleksif ataukah model berbentuk formatif. Oleh karena
inside
outside
path relation Ordinary Least Square
Langkah Keenam: Goodness of Fit outer model)
convergent discriminant validity composite realibility
outer model substantive content
relative weight weight
inner model
Stone-Geisser Q Square test
bootstrapping a) Outer Model
Outer model
Convergent validity loading Discriminant validity cross loading cross loading cross loading
square root of average variance extracted
square root of average variance extracted
discriminant validity i i i i λ λ ε = +
∑
∑
∑
Composite reliabilitycomposite reliability ≥ i i i c i λ ρ λ ε = +
∑
∑
∑
b) Inner modelGoodness of Fit Model
Q-Square predictive relevance predictive relevance ≤ predictive relevance m
R
path analysisouter model inner model inner model distribution free t-test p-value ≤ outter model inner model
number of samples case per sample 3. Asumsi PLS
inner model
4. Sample Size
resampling Bootestrapping
structural paths inner model. Sample size
62
BAB IV
ANALISIS DAN PEMBAHASAN