BAB III METODE PENELITIAN
D. Metode Analisis Data
4. Metode Partial Least Square
Partial Least Squares adalah sebuah metode analisis data yang
memiliki kekuatan dan sering disebut dengan soft modeling karena hal metode ini meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data yang harus terdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen (Wold,
1985) PLS dikembangkan guna menguji teori yang lemah dan data yang lemah seperti jumlah sample yang kecil atau adanya masalah dari normalitas data (Wold, 1982; Ghozali & Latan, 2015: 5). Tak hanya untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS pun digunakan untuk mengkonfirmasi suatu teori (Chin dan Newsted, 1999; Ghozali & Latan, 2015: 5).
Pada Partial Least Square (PLS) terdapat variabel penting yang terdiri dari :
a. Variabel Laten, merupakan variabel yang tidak dapat diukur langsung kecuali terdapat variabel satu atau lebih variabel manifest. Variabel ini ada dua yaitu variabel laten eksogen yang mana merupakan variabel yang dapat memepengaruhi nilai variabel lain dalam model. Dan variabel endogen. Yang mana variabel yang dipengaruhi baik langsung atau tidak langsung oleh variabel eksogen (Ginting, 2009).
b. Variabel Manifest, merupakan variabel untuk mengukur variabel laten, variabel ini membutuhkan data yang dapat dicari melalui penelitian lapangan (Ginting, 2009).
Selaku teknik prediksi, metode PLS mengasumsikan bahwa keseluruhan ukuran varian merupakan varian yang berguna untuk dijelaskan sehingga pendekatan estimasi variabel laten ditaksirkan bagai kombinasi linear dari indikator dan menghindarkan masalah
Tabel 3. 3 Perbandingan Antara PLS-SEM dan CB-SEM
Kriteria PLS-SEM CB-SEM
Tujuan Penelitian
Guna pengembangan teori atau membangun teori (orientasi prediksi)
Guna pengujian teori atau mengkonfirmasi teori (orientasi
parameter)
Pendekatan Berdasarkan variance Berdasarkan covariance Metode
Estimasi
Least Squares Maximum Likehood
(umumnya) Spesifikasi
Model dan Parameter Model
Component two holdings, path kofisien, dan
component weight
Factors one holdings, path koefisien, error variances, dan factor means
Model Struktural
Model dengan kompleksitas besar dengan banyak konstruk dan banyak indikator (hanya berbentuk recursive)
Model dapat berbentuk recursive dan
non-recursive dengan tingkat kompleksitas kecil sampai menengah
Evaluasi Model dan Asumsi Normalitas
Tidk mensyaratkan data terdistribusi normal dan estimasi parameter dapat langsung dilakukan tanpa
Mensyaratkan data terdistribusi normal dan memenuhi kriteria goodness of fit sebelum
Data persyaratan kriteria goodness of fit
estimasi parameter
Pengujian Signifinakansi
Tidak dapat diuji dan difalsifikasi (harus melalui prosedur
bootstrap atau jackknife)
Model dapat diuji dan difalsifikasi Software Produk PLS Graph, SmartPLS, SPAD-PLS, XLSTAT-PLS, dan sebagainya
AMOS, EQS, LISREL, Mplus, dan sebagainya
Sumber : (Chin dan Newsted, 1999), (Hair et al., 2010), (Hair et al, 2011; Ghozali & Latan, 2015: 21)
Pada konstruk refleksif dan formatif biasanya prosedur dalam pengembangan konstruk pada berbagai literatur disarankan menggunakan konstruk dengan indikator refleksif karena diasumsikan mempunyai suatu kesamaan domain konten biarpun dapat juga menggunakan konstruk dengan indikator formatif (Ghozali & Latan, 2015: 57). Dijelaskan bahwa konstruk yang memiliki indikator refleksif mengasumsikan kovarian di antara pengukuran model dijelaskan oleh varian yang merupakan manifestasi domain konstruknya. Arah indikatornya yaitu dari konstruk ke indikator. Dan pada setiap indikator harus ditambah dengan error terms atau kesalahan pengukuran (Ghozali & Latan, 2015: 58). Untuk konstruk dengan indikator formatif, konstruk ini mengasumsikan bahwa setiap
indikator yang dimilikinya mendefinisikan atau menjelaskan karakteristik dari domai konstruknya. Arah indikator itu sendiri yaitu dari indikator ke konstruk. Kesalahan pengukuran ditunjukkan pada konstruk bukan pada indikatornya sehingga pengujian validitas dan reliabilitas konstruk tidak diperlukan (Ghozali & Latan, 2015: 58).
Gambar 3. 1 Konstruk Indikator Reflektif dan Konstruk Indikator Formatif
(Sumber : Ghozali & Latan, 2015)
Dalam analisisnya PLS-SEM memiliki dua sub model yaitu terdapat model pengukuran (measurement model) yang biasa disebut outer model dan model stuktural (structural model) atau biasa disebut
inner model. Untuk model pengukuran menerangkan variabel manifest
atau observed variabel mempresentasikan variabel laten untuk diukur. Sedangkan untuk model struktural menerangkan kekuatan estimasi antar variabel laten atau konstruk (Ghozali & Latan, 2015: 7).
a. Model Pengukuran (Outer Model)
Model pengukuran (outer model) merupakan model yang menunjukkan bagaimana setiap blok indikator berhubungan
dengan variabel latennya (Ghozali & Latan, 2015: 9). Outer model dapat disusun sebagai berikut:
x = Λ𝑥𝜁 + εx y = Λ𝑦ƞ + ε𝑦 Dimana:
x dan y merupakan indikator untuk variabel eksogen (ξ) dan variabel endogen (ƞ). Untuk Λ𝑥 dan Λ𝑦adalah matriks loading yang menggambarkan koefisien regresi mengaitkan variabel laten dan indikatornya. εx dan ε𝑦 menerangkan residual kesalahan pengukuran (measurement error).
b. Model Struktural (Inner Model)
Model stuktural (inner model) merupakan model yang menunjukkan suatu hubungan atau kekuatan estimasi antar variable laten atau konstruk berdasarkan pada substantive theory (Ghozali & Latan, 2015: 10). Inner model dapat disusun sebagai berikut:
Ƞ = β0 + β ƞ I + ᴦ ξ + ζ Dimana:
Ƞ = vektor konstruk endogen ξ = vektor konstruk eksogen
ζ = vektor variable residual (unexplained variance) c. Evaluasi Model
Didalam evaluasi model PLS hal ini didasari oleh orientasi prediksi yang memiliki sifat non-paramedik. Permodelan ini
dikerjakan dengan menilai outer model dan inner model (Ghozali & Latan, 2015: 73).
1) Evaluasi Model Pengukuran (Outer Model)
Evaluasi model pengukuran merupakan model yang dikerjakan guna menilai validitas dan reliabilitas model melalui indikator refleksif dievaluasi melalui validitas convergent dan discriminant dari indikator pembentuk konstruk laten,
composite reliability, dan cronbach alpha (Ghozali & Latan,
2015: 73).
Untuk outer model dengan indikator formatif dinilai berdasarkan substantive content dengan membandingkan besarnya relative weight dan melihat signifikansi dari indikator konstruk tersebut (Chin, 1998; Ghozali & Latan, 2015: 73). Terdapat tiga kriteria untuk menilai outer model yaitu:
a) Validitas Convergent
Menurut Ghozali & Latan (2015) validitas convergent berhubungan dengan prinsip bahwa pengukur-pengukur (manifest variabel) dari suatu konstruk seharusnya berkorelasi tinggi.
Dengan melihat setiap nilai loading factor, rule of thumb yang digunakan untuk menilai yaitu untuk yang
bersifat confirmatory harus lebih 0,7 dan nilai antar 0,6 – 0,7 untuk penelitian bersifat exploratory masih dapat
diterima. Namun bagi penelitian tahap awal pengembangan skala nilai 0,5 – 0,6 dianggap cukup (Chin, 1998; Ghozali & Latan, 2015).
b) Validitas Discriminant
Validitas discriminant berhubungan dengan prisnsip bahwa pengukur-pengukur (manifest variabel) konstruk yang berbeda seharusnya tidak berkorelasi dengan tinggi. Kriteria ini dinilai berdasarkan cross loading untuk setiap variable harus > 0,70 (Ghozali & Latan, 2015: 74)
Terdapat metode lain guna menguji validitas discriminant yaitu dengan membandingkan akar kuadrat
dari AVE (average variance extracted) bagi setiap konstruk dengan nilai korelasi antar konstruk dengan konstruk lainnya. Validitas discriminant yang baik ditunjukkan dari akar kuadrat AVE untuk tiap konstruk lebih besar dari korelasi antar konstruk dalam model (Fornell dan Larcker, 1981; Ghozali & Latan, 2015: 74)
c) Composite Reliability
Tidak hanya pengujian validitas, akan tetapi dalam mengukur model pun dilakukan untuk menguji reliabilitas suatu konstruk. Menggunakan PLS-SEM untuk mengukur reliabilitas dari konstruk dengan indikator refleksif dapat dilakukan dengan dua metode yaitu Cronbach’s Alpha dan
Composite Reliability sering disebut Dillon-Goldstein’s.
Cronbach’s Alpha untuk menguji akan memberikan nilai yang lebih rendah, sedangkan untuk composite reliability lebih disarankan penggunaannya dalam menguji reliabilitas suatu konstruk (Ghozali & Latan, 2015: 75).
Rule of Thumb yang digunakan untuk menilai
reliabilias konstruk yaitu harus lebih besar dari 0,7 bagi penelitian bersifat confirmatory dan 0,6 – 0,7 masih dapat diterima bagi yang bersifat explanatory (Ghozali & Latan, 2015: 75).
Tabel 3. 4 Ringkasan Rule of Thumb Evalusi Model Validitas dan
Reliabilitas
Parameter Rule of Thumb
Validity Convergent
Loading Factor >0.70 untuk confirmatory research >0.60 untuk exploratory research Average Variance Extracted (AVE) >0.50 untuk confimatory maupun exploratory research Communality >0.50 untuk confirmatory maupun exploratory research Discriminant Validity
Cross Loading >0.70 untuk setiap varibel
Akar kuadrat
AVE dan
Korelasi antar Konstruk Laten
Akar kuadrat AVE > Korelasi antar konstruk laten Reliabilitas Cronbach’s Alpha >0.70 untuk confirmatory research >0.60 masih dapat diterima untuk exploratory research Composite Reliability >0.70 untuk confirmatory research 0.60-0.70 masih dapat diterima untuk exploratory research
Sumber : Chin (1998), Chin (2010b), Hair et al. (2011), Hair et al. (2012; Ghozali & Latan, 2015)
2) Evaluasi Model Struktural (Inner Model)
Menilai model struktural menggunakan PLS, dimulai dengan melihat nilai R-Square bagi setiap variabel laten endogen sebagai kekuatan prediksi dari moel struktural. Perubahan nilai R-Square dimanfaatkan untuk menjelaskan perngaruh variabel laten eksogen tertentu terhadap variabel laten endogen apakah memiliki pengaruh yang subtantive.
Dengan nilai R-Square sebesar 0.75, 0.50, dan 0.25 dapat disimpulkan bahwa model kuat, moderate, dan lemah. Hasil dari PLS R-Squares mempresentasikan jumlah variance dari konstruk yang dijelaskan oleh model (Ghozali & Latan, 2015: 78).
Evaluasi inner model juga dilakukan dengan 𝑄2predictive relevance. Teknik dari 𝑄2predictive relevance dapat merepresentasi synthesis dari crossvalidation dan fungsi fitting dengan prediksi observed variabel dan estimasi dari
parameter konstruk (Ghozali & Latan, 2015: 79). Untuk mengukur 𝑄2 predictive relevance dilakukan dengan penggunaan blindfolding pada aplikasi smartPLS. Untuk hasil perhitungan nilai 𝑄2 > 0 dapat diartikan bahwa model mempunyai predictive relevance, sedangkan jika nilai 𝑄2 < 0 menyatakan bahwa model kurang memiliki predictive relevance (Ghozali & Latan, 2015: 79). Selain 𝑄2, yaitu mengukur good of fit untuk mengevaluasi outer model dan inner model, tidak hanya itu goodness of fit (GoF)
menyediakan pengukuran sederhana untuk keseluruhan dari prediksi model (Ghozali & Latan, 2015: 82). GoF dihitung dengan rumus sebagai berikut:
GoF = √𝑨𝑽𝑬 𝒙 𝑹𝟐 AVE = Rata – rata 𝑹𝟐 = R-Square
Nilai AVE merupakan nilai rataan terbobot dengan bobot yang diperoleh dari jumlah indikator untuk setiap variabel (Astiti, dkk, 2019). GoF sendiri memiliki kategori nilai yaitu GoF kecil = 0,10, GoF medium/sedang = 0,25, dan GoF besar = 0,36.
Tabel 3. 5 Ringkasan Rule of Thumb Evaluasi Model Struktural (inner model)
Kriteria Rule of Thumb
R-Square 0.67, 0.33, dan 0.19 menujukkan model kuat, moderat, dan lemah (Chin 1998)
0,75, 0.50, dan 0.25 menujukkan model kuat, moderate, dan lemah (Hair et al. 2011) Effect Size 𝒇𝟐 0.02, 0.15, dan 0,35 (kecil, menengah, dan besar)
𝑸𝟐 predictive relevance
𝑸𝟐 > 0 menujukkan model mempunyai predictive relevance
dan jika 𝑸𝟐 < 0 menujukkan bahwa model kurang memiliki predictive relevance
𝒒𝟐 predictive relevance
0.02, 0.15, dan 0.35 (lemah, moderate, dan kuat)
Signifikansi (two-tailed)
t-value 1.65 (significance level = 10%), 1.96 (significance level = 5%), dan 2.58 (significance level = 1%)
Sumber : Chin (1998), Chin (2010b), Hair et al. (2011), Hair et al. (2012; Ghozali & Latan, 2015)