BAB III METODOLOGI PENELITIAN
3.3 Teknik Pengambilan Data
3.4.1 Teknik Analisis
3.4.1.3 Langkah-langkah PLS
Langkah-langkah pemodelan persamaan struktural PLS dengan software adalah seperti dapat dilihat pada gambar di bawah ini :
Gambar 3.1. Langkah-langkah Analisis PLS Merancang Model Struktural
(inner model)
Merancang Model Pengukuran (outer model)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Weight , Koef. Jalur, dan Loading
Evaluasi Goodness of Fit
Pengujian Hipotesis (Resampling Bootstraping) 1 2 3 4
(1). Langkah Pertama: Merancang Model Str uktural (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 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 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. Contoh bentuk diagram jalur untuk PLS dapat dilihat pada gambar berikut.
Gambar 3.2. Contoh Diagram Jalur untuk PLS
(4). Langkah Keempat : Konversi diagram Jalur ke dalam Sist em Persamaan
a) Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya, disebut juga dengan outer relation atau measurement model, mendefinisikan karakteristik variabel laten dengan indikatornya. Model indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λx ξ + εx
y = Λy η + 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
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.
Pada model PLS Gambar 3 terdapat outer model sebagai berikut:
Untuk variabel latent eksogen 1 (reflektif)
x1 = λx1 ξ1 + 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 = λy1 η1 + ε1
Untuk variabel latent endogen 2 (reflektif)
y3 = λy3 η2 + ε3
y4 = λy4 η2 + 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:
η = βη + Γξ + ζ
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:
ξb = Σkb wkb xkb
ηi = Σki wki xki
Dimana wkb dan wki adalah k weight yang digunakan untuk membentuk
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 indikator dalam setiap kelompok indikator dengan bobot yang sama (equal weight). Bobot untuk setiap iterasi diskalakan untuk mendapatkan unit varian dari
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). Variabel laten menjadi principal component (komponen utama) dari variabel laten tetangganya. Skema weighting dengan faktor memaksimumkan varian dari komponen utama variabel laten ketika jumlah variabel laten menjadi tak terhingga jumlahnya. 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 sederhana atau regresi berganda bergantung apakah indikator dari variabel
laten bersifat refleksif ataukah model berbentuk formatif. Oleh karena
inside
outside
path relation Ordinary
systematic part accounted
(6). 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 reliability composite 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 analysis
(7). Langkah Ketujuh: Pengujian Hipotesis
Pengujian hipotesis (β, γ, dan λ) dilakukan dengan m etode resam plingBoot strap yang dikembangkan oleh Geisser & St one. St at ist ik uji yang digunakan adalah st atist ik t at au uji t , dengan hipot esis st at ist ik sebagai berikut : Hipotesis st atist ik untuk out er model adalah:
inner model
inner model
Penerapan met ode resampling, mem ungkinkan berlakunya data t erdist ribusi bebas (dist ribution free), t idak mem erlukan asumsi dist ribusi normal, sert a t idak mem erlukan sampel yang besar (direkomendasikan sampel meinimum 30).
Pengujian dilakukan dengan t -test, bilamana diperoleh p-value ≤ 0,05 (alpha 5 %), maka disim pulkan signifikan, dan sebaliknya. Bilamana hasil pengujian hipot esis pada out ter model signifikan, hal ini menunjukkan bahw a indikator dipandang dapat digunakan sebagai inst rumen pengukur variabel lat en. Sedangkan bilam ana hasil pengujian pada inner model adalah signifikan, maka dapat diart ikan bahw a t erdapat pengaruh yang bermakna variabel lat en t erhadap variabel lat en lainnya.
Sampel boot strap disarankan sebesar 500, hal ini didasarkan beberapa kajian yang ada pada berbagai lit erat ur, bahw a dengan sampel boot strap 500 sudah dihasilkan penduga paramet er yang bersifat st abil. Sedangkan besar sampel pada masing-masing sampel boot strap disarankan lebih kecil sedikit dari sampel orisinal. M isal jika data yang dianalisis dengan sampel n = 40, maka sampel boot strap sebesar 500 (number of samples) dan sampel pada masing-masing sampel boot strap sebesar 35 (case per sample).
3. Asumsi PLS
4. Sample Size
resampling Bootestrapping
structural paths inner model.
Kerangka Model Pemikiran X1.1 X1.2 X4.1 X4.2 X4.3 X2.1 X1.3 X2.2 X2.3 X3.1 X3.2 X3.3 Y1 Y3 Y2