BAB III METODOLOGI PENELITIAN
F. Metode Analisa Data
Metode analisis data dalam penelitian ini menggunakan pendekatan Partial Leaset Square (PLS) dengan software smartPLS 3.0. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil (Haryono,2016). PLS merupakan model persamaan Structural Equation
46
Modeling (SEM) yang berbasis komponen atau varian. PLS adalah pendekatan alternative yang bergeser dari pendekatan SEM berbasis kovarian menjadi basis varian (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015)
PLS merupakan metode analisis yang powerfull, karena tidak didasarkan pada banyak asumsi.Misalnya data tidak harus terdistribusi normal, sampel tidak harus besar. Selain dapat digunakan untuk mengkonfirmasi teori, PLS juga dapat digunakan untuk menjelaskan ada tidaknya hubungan antar variable laten. PLS dapat sekaligus menganalisis konstruk yang dibentuk dengan indicator reflektif dan formatif. Menurut (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015) dalam analisis PLS perlu diketahui apakah data memenuhi syarat untuk model SEM-PLS. beberapa karakteristik yang perlu diperhatikan di antaranya, ukuran sampel, bentuk sebaran data, missing value dan skala pengukuran. Peneliti harus memperhatikan berapa banyak observasi yang tidak lengkap (missing value) dalam datanya. Selain itu, pengukuran variable laten endogen sebaiknya tidak menggunakan skala nominal agar model diidentifikasikan (Haryono 2016)
Menurut (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015) tujuan PLS yaitu membantu peneliti untuk tujuan prediksi. Model formalnya mendefinidikan variable laten adalah linier agregat dari indicator-indikatornya. Weight estimate untuk menciptakan komponen skor variable laten didapat berdasarkan bagaimana inner model
47
(model pengukuran yaitu hubungan indicator dengan kosntruknya) di spesifikasi. Hasilnya adalah residual variance dari variable dependen.
Estimasi parameter yang didapat dengan PLS dikategorikan menjadi tiga, yaitu pertama adalah weight estimate yang digunakan untuk menghitung data variable laten. Kedua, mencerminkan estimasi jalur (path estimate) yang akan menghubungkan antar variable lateb dan estimasi loading antara variable laten dengan indikatornya (loading). Ketiga, berkaitan dengan means dan lokasi parameter (nilai konstanta regresi) untuk indicator dan variable laten. Untuk memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi 3 tahap dan setiap tahapnya menghasilkan estimasi. Tahap pertama menghasilkan weight estimate, tahap kedua menghasilkan estimasi untuk inner model dan outer model, tahap ketiga menghasilkan estimasi means dan lokasi (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015).
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data mengenai demografi responden (jeneis kelamin, usia, pekerjaan) dsan deskripsi mengenai variable-variabel penelitian (citra merek, kualitas pelayanan, kepercayaan, kepuasan dan loyalitas) (Ghozali, Aplikasi Analisis Multivariate dengan Program IBM SPSS21 (7th ed) 2013)
2. Uji Model Pengukuran atau Outer Model
Uji model pengukuran ataua outer model digunakan untuk menguji validitas konstruk dan realibilitas instrument. Uji validitas konstruk PLS
48
dilakukan melalui Uji Converegent Validity ,Discriminant Validity dan Average Variance Extracted (AVE). Uji realibilitas digunakan untuk mengukur konsistensi alat ukur dalam mengukur konsep atau dapat juga digunakan untuk mengukur konsistensi responden dalam menjawab isntrumen.Instrument dikatakan andal jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Uji realibilitas dalam PLS menggunakan metode composite reliability dan cronbach’s alpha (Hartono and W. 2014)
a. Converegent Validity
Converegent Validity dari model pengukuran relaktif indicator dinilai berdasarkan korelasi antara item score atau component score yang diestimasi dengan software SmartPLS. Ukuran reflektif individual dikatakan tinggi jika berkorelasi lebih tinggi dari 0,70 dengan konstruk yang diukur. Meski demikian, menurut Chin dalam (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015) untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50 sampai 0,60 dianggap cukup memadai.
b. Discriminant Validity
Model pengukuran dengan reflektif indicator dinilai berdasarkan cross loading pengukuran dengan konstruk. Apabila korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, maka akan menunjukkan bahwa konstruk laten memprediksi
49
ukuran pada blok yang lebih baik daripada ukuran blok lainnya.
Metode lain untuk menilai discriminant validity adalah dengan membandingkan nilai square root of Average Variance Extracted (AVE) setiap konstruk dengan korelasi antar konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik. Pengukuran ini dapat digunakan untuk mengukur reliabilitas component score variable laten dan hasilnya lebih konservatif dibandingkan dengan composite reliability.
Direkomendasikan nilai AVE harus lebih besar dari 0,50 (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015).
c. Realibility
Composite reliability digunakan untuk mengukur nilai sesungguhnya reliabilitas suatu konstruk dan lebih baik dalam mengestimasi konsistensi internal suatu konstruk. Cronbach Alpha digunakan untuk mengukur batas bawah nilai reliabilitas suatu konstruk.Kriteria Realibility dapat dilihat dari nilai Composite reliability dan Cronbach Alpha dari masing-masing konstruk.
Konstruk dikatakan memiliki relibilitas yang tinggi jika mempunyai Composite reliability di atas 0,70 dan mempunyai Cronbach Alpha di atas 0,60 (Hartono and W. 2014)
3. Uji Model Struktural atau Inner Model
50
Adapun langkah untuk mengevaluasi model struktura dengan cara melihat signifikansi hubungan antar konstruk atau variable. Hal ini dapat dilihat dari koefisien jalur (path coefficient) yang menggambarkan kekuatan hubungan antar konstruk. Tanda atau arah dalam jalur (path coefficient) harus sesuai dengan teori yang dihipotesiskan, signifikansinya dapat dilihat pada t-test atau C.R (critical ratio) yang diperoleh dari proses bootstrapping atau resampling method (Haryono 2016).
a. R-Square
Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variable laten independen tertentu terhadap variable laten dependen apakah memiliki pengaruh yang substantive. Nilai R-square 0.75, 0.50, 0.25 dapat disimpulkan bahwa model kuat, moderat dan lemah.Hasil dari PLS R-square mempresentasi jumlah varian dari konstruk yang dijelaskan oleh model (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015).
b. Q-Square
Nilai Q-square mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya.Suatu model dianggap memilki nilai predictive relevance yang relevan jika nilai Q-square lebih besar dari 0 (nol) (Ghozali, Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0 ed. 2 2015).Besaran pada Q-square memiliki nilai dengan rentang 0<Q2<1. Nilai Q-square diperoleh dari:
51 Q2 = 1 - (1-R12) (1-R22)
Dimana R12, R22 adalah R-square variable endogen.
c. Goodness of Fit (GoF)
Nilai GoF digunakan untuk menjelaskan seberapa besar model penelitian mampu menjelaskan data empiris.Nilai GoF terbentang dari 0-1. Nilai ini akan semakin baik jika semakin mendekati angka 1.
Adapun rumus GoF sebagai berikut (Yamin and H 2011).
GoF = √Com x R2
Com bergaris atas adalah average communalities dan R2 adalah rata-rata model R2.
d. Uji Hipotesis
Pengujian hipotesis dapat dilakukan dengan cara membandingkan t hitung dengan t tabel yang digunakan untuk mengetahui apakah ada atau tidaknya pengaruh antar variabel. Nilai t hitung dapat diperoleh dari hasil bootstrapping dengan software Smart PLS. Pengujian dengan bootstrap juga bertujuan untuk meminimalisir masalah ketidaknormalan data peneliti.
Nilai koefisien path bertujuan menunjukkan tingkat signifikansi dalam pengujian hipotesis. Skor koefisien pathyang ditunjukkan oleh nilai T-statistic, harus diatas 1,96 untuk hipotesis dua ekor (two-tailed) dan diatas 1,64 untuk hipotesis satu ekor (one-tailed) (Hartono and W. 2014). Untuk pengujian hipotesis pada α = 5%. Untuk pengujian hipotesis dalam penelitian ini dengan menggunakan nilai statistik, maka untuk α = 5% nilai t-statistik
52
yang digunakan adalah 1,96. Sehingga kriteria penerimaan/pendekatan Hipotesa adalah Ha diterima dan H0 ditolak ketika t-statistik > 1,96.