BaB I KONseP dasaR seM PLs
1.6 aplikasi Model dengan smartPLs 3.2.2
Gambar 1.11
Latent variable Regression score Hasil Olah analisis Factor smartPls versi 3
1.6 aplikasi Model dengan smartPLs 3.2.2
Pembahasan pada dua kasus sebelumnya telah menyajikan dan mengkonstruksi regression score melalui cara reduksi sebagaimana lazim dipergunakan pada analsis factor. Harapan yang ingin disampaikan bahwa pengembangan model SEM PLS tidak harus terikat pada SmartPLS, bahkan dalam pengembangan model penelitian berbasis data persepsi (catagorical), dapat dilakukan dengan mempergunakan excel, atau SPSS, meski juga disadari menjadi lebih menghabiskan waktu dan tidak praktis khusus untuk pengembangan model penelitian yang melibatkan lebih banyak variabel latent. Berikut disampaikan perluasan dari model penelitian Gambar 1.1 ke pengembangan tiga hubungan variabel, dengan information sharing sebagai variabel eksogen, yaitu variabel laten yang berdiri sendiri dan tidak menerima tanda panah dari variabel latent lainnya.
Gambar 1.12 merupakan pengembangan dari Gambar 1.1, Gambar 1.5 dan Gambar 1.6 dengan menyertakan konstruk information sharing, sehingga terdapat tiga variabel laten yang
24 Gambar 1.11
Latent Variable Regression Score Hasil Olah Analisis Factor SmartPls versi 3
1.6 Aplikasi Model dengan SmartPLS 3.2.2
Pembahasan pada dua kasus sebelumnya telah menyajikan dan mengkonstruksi regression score melalui cara reduksi sebagaimana lazim dipergunakan pada analsis factor. Harapan yang ingin disampaikan bahwa pengembangan model SEM PLS tidak harus terikat pada SmartPLS, bahkan dalam pengembangan model penelitian berbasis data persepsi (catagorical), dapat dilakukan dengan mempergunakan excel, atau SPSS, meski juga disadari menjadi lebih menghabiskan waktu dan tidak praktis khusus untuk pengembangan model penelitian yang melibatkan lebih banyak variabel latent. Berikut disampaikan perluasan dari model penelitian Gambar 1.1 ke pengembangan tiga hubungan variabel, dengan information sharing sebagai variabel eksogen, yaitu variabel laten yang berdiri sendiri dan tidak menerima tanda panah dari variabel latent lainnya.
Gambar 1.12 merupakan pengembangan dari Gambar 1.1, Gambar 1.5 dan Gambar 1.6 dengan menyertakan konstruk information sharing, sehingga terdapat
-3
Dr. SuDjana BuDhiaSa, SE., M.Si
saling berhubungan satu sama lainnya. Kita pada saatnya juga akan mendapatkan model mediasi yang terbentuk dari pola hubungan antar variabel laten yang berbentuk segitiga.
Gambar 1.12
Model Kinerja Perusahaan Logistik
Gambar 1.12 menyajikan pola hubungan capabilities (Y2) sebagai jembatan penghubung yang disebut mediator dari variabel laten information sharing (X1). Dengan demikian, hubungan kausal dari information sharing terhadap logistic performance (Y1) dinyatakan sebagai hubungan tidak langsung (indirect effect).
Information sharing yang mengarahkan tanda panahnya secara langsung ke logistic performance dinyatakan sebagai hubungan langsung.
Pola hubungan tiga variabel laten dinyatakan sebagai hubungan segitiga di mana teori mengenal pola hubungan partial mediation dan full mediation. Dinyatakan sebagai partial mediation, apabila hubungan kausal antara information sharing dengan
25
tiga variabel laten yang saling berhubungan satu sama lainnya. Kita pada saatnya juga akan mendapatkan model mediasi yang terbentuk dari pola hubungan antar variabel laten yang berbentuk segitiga.
Gambar 1.12
Gambar 1.12 menyajikan pola hubungan capabilities (Y2) sebagai jembatan penghubung yang disebut mediator dari variabel laten information
sharing(X1). Dengan demikian, hubungan kausal dari information sharing terhadap logistic performance (Y1) dinyatakan sebagai hubungan tidak langsung (indirect effect). Information sharing yang mengarahkan tanda panahnya secara langsung ke logistic performance dinyatakan sebagai hubungan langsung.
Pola hubungan tiga variabel laten dinyatakan sebagai hubungan segitiga di mana teori mengenal pola hubungan partial mediation dan full mediation.
Dinyatakan sebagai partial mediation, apabila hubungan kausal antara
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
logistic performance adalah signifikan ( Lihat Hair et al, 2010).
Sedangkan dinyatakan konstruk capabilities dapat berfungsi sebagai mediator dalam kondisi full mediation, apabila hubungan langsung information sharing dengan logistic performance (H3) adalah tidak signifikan.
Pengujian atas hipotesis berkaitan dengan peran mediation, dapat kita lakukan dengan dua cara yang berbeda. (a) mempergunakan metode yang tersedia pada SmartPls, serta (b) mempergunakan prosedur pengujian Sobel yang berada di luar model SmartPls. Prinsip pengembangan uji statistik mediasi pada SEM PLS secara garis besar masih berpedoman kepada Baron dan Kenny (1999), yang kemudian diterjemahkan menjadi kalkulasi Sobel.
Kita akan menempatkan model segitiga dimaksud dilengkapi dengan sumber data pada SmartPls versi 3. Model yang dimaksud dapat dilihat pada Gambar 1.13. SmartPls versi 3 masih tetap mempertahankan dua tahap penyelesaian model penelitian, pertama adalah tahap estimasi untuk mendapatkan prosedur pengujian outer-model berbasis analisis factor, langkah kedua adalah prosedur bootstrapping untuk mendapatkan uji statistik berbasis metode regressi. Langkah kedua disebut penyelesaian inner-model, yaitu menghubungkan konstruk penelitian sesuai dengan model yang dirumuskan peneliti.
Langkah pertama, adalah fokus studi SEM PLS yang sangat mencermati pengembangan verifikasi model, apakah seluruh konstruk yang dipergunakan berdimensi reflective, atau reflective – formative, atau seluruhnya formative. Dalam hal menetapkan apakah formative atau reflective, diperlukan rujukan yang memadai.
Lennox dan Bollen (1991), Diamantopolous dan Winkhover (2001), Jarvis et al (2003) serta Petter (2007), Hair et al (2010) adalah sumber rujukan yang sangat memadai untuk menetapkan sebuah konstruk dinyatakan refective atau formative. Diamantopolous dan Winkhover (2001) adalah penggagas terkemuka yang merumuskan model formative berbasis konstruk.
Dr. SuDjana BuDhiaSa, SE., M.Si
Dengan demikian, untuk menentukan sebuah variabel laten memiliki karakter formative tidak ditentukan berdasarkan penilaian atas indikator yang dipergunakan peneliti, tetapi berdasarkan konstruk yang dipergunakan, antara lain adalah dari sumber data yang terindek (Diamantopolous dan Winkhover, 2001), konstruk menggambarkan nuansa bilangan seperti marketing expences, government budget ( Hair et al, 2010).
Berdasarkan rujukan di atas, model formative dapat dinyatakan mewakili sumber data bersifat nonpersepsi, serta data bilangan yang berpotensi mengubah konstruk. Hair et al (2012) memberikan ilustrasi tentang ciri-ciri orang mabuk, yang jalannya tidak stabil, bicara tidak normal dan sulit dipahami dan seterusnya, dapat dinyatakan sebagai peristiwa reflective. Namun, ketika sejumlah orang bertindak melakukan pesta minuman keras, maka minuman keras merupakan causal effect yang menyebabkan orang menjadi mabuk. Ilutrasi lainnya, seperti anggaran pemerintah untuk memberdayakan orang miskin melalui bantuan modal dan pelatihan.
Tentu model bantuan pemerintah tersebut akan menjadi pertimbangan untuk dipolakan menjadi model formative, karena nuansa bilangan dalam bentuk dana pemerintah akan mengubah banyak orang miskin keluar dari kemiskinan, hal yang sangat berbeda, jika peneliti hanya ingin mengetahui sejumlah indikator yang ada pada rumah tangga miskin, seperti kurang gizi, pendidikan rendah dan seterusnya, sehingga model refective dapat dipergunakan.
Kita akan membahas model formative pada bagian akhir dari pembahasan, dengan harapan bahwa pemahaman terhadap reflective dengan prosedur pengujiannya dapat difahami terlebih dahulu. Gambar 1.13 akan kita teruskan dengan pengolahan data untuk mendapatkan sejumlah hasil analisis berkaitan dengan pengukuran reabilitas dan validitas.
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 1.13
Model smartPls Kinerja Logistik
Langkah pertama, adalah untuk mendapatkan informasi bahwa indikator yang merefleksian konstruk yang bersangkutan memiliki sebaran loading factor yang covary ( Jarvis et al (2003), yaitu di mana loading factor memiliki kesetaraan sebaran nilai satu sama lainnya, disebabkan karena refective memiliki karakter uni-dimensional. Karena memiliki dimensi yang uni-dimensional, maka menghilangkan satu indikator tidak akan mempengaruhi makna atas konstruk yang bersangkutan, hal yang sangat berbeda dengan model formative yang memiliki karakter multi-dimensional.
Berdasarkan data med.csv yang disediakan pada CDROM, didapatkan hasil pengolahan data sebagaimana disajikan pada Gambar 1.14. Kita masih melihat perlu melakukan reduksi atas sejumlah indikator yang belum menunjukkan pola covary, sehingga tidak memberikan jaminan penuh bahwa model reflective yang kita dapatkan adalah memiliki karakter uni-dimensional.
Pada konstruk Y1 terdapat loading factor Y1.3 sebesar 0.707 yang masih belum memiliki kesetaraan dengan indikator Y1.1 dan Y1.2. Meskipun demikian, apabila konstruk hanya direfleksikan
28 yang ada pada rumah tangga miskin, seperti kurang gizi, pendidikan rendah dan seterusnya, sehingga model refective dapat dipergunakan.
Kita akan membahas model formative pada bagian akhir dari pembahasan, dengan harapan bahwa pemahaman terhadap reflective dengan prosedur pengujiannya dapat difahami terlebih dahulu. Gambar 1.13 akan kita teruskan dengan pengolahan data untuk mendapatkan sejumlah hasil analisis berkaitan dengan pengukuran reabilitas dan validitas.
Gambar 1.13 Model SmartPls Kinerja Logistik
Langkah pertama, adalah untuk mendapatkan informasi bahwa indikator yang merefleksian konstruk yang bersangkutan memiliki sebaran loading factor yang covary ( Jarvis et al (2003), yaitu di mana loading factor memiliki kesetaraan sebaran nilai satu sama lainnya, disebabkan karena refective memiliki karakter uni-dimensional. Karena memiliki dimensi yang uni-dimensional, maka menghilangkan satu indikator tidak akan mempengaruhi makna atas konstruk
Dr. SuDjana BuDhiaSa, SE., M.Si
hanya oleh dua indikator, teknik reduksi indikator mungkin sebaiknya tidak perlu dilakukan.
Gambar 1.14
Hasil analisis estinasi smartPls (tahapan outer-model)
Hair et al (2010) merekomendasikan indikator sebuah konstruk minimal 2 buah dan maksimal 6 buah. Rekomendasi Hair et al (2010) didasarkan atas pertimbangan bahwa perbanyakan indikator akan menciptakan peluang terjadinya tetrad, di mana akan lahir indikator yang sama persis pada konstruk yang berbeda.
Konstruk Y2 yang tergejala tidak covary terdapat pada indikator Y2.1 serta indikator X1.4 dengan nilai 0.921 yang berada di atas indikator lainnya. Reduksi atas konstruk Y1 tidak membawa dampak yang diharapkan, sehingga membiarkan tanpa reduksi menjadi lebih baik, sangat berbeda dengan konstruk Y2 dan konstruk X1, yang berhasil menempatkan loading factor menjadi covary. Reduksi atas sejumlah indikator telah membuat koreksi atas nilai estimasi H1, yaitu pola hubungan X1 dengan Y2, serta pola hubungan X1 dengan Y1, demikian juga Y2 dengan Y1. Perubahan estimasi terjadi sekaligus membuktikan bahwa
29 yang bersangkutan, hal yang sangat berbeda dengan model formative yang memiliki karakter multi-dimensional.
Berdasarkan data med.csv yang disediakan pada CDROM, didapatkan hasil pengolahan data sebagaimana disajikan pada Gambar 1.14. Kita masih melihat perlu melakukan reduksi atas sejumlah indikator yang belum menunjukkan pola covary, sehingga tidak memberikan jaminan penuh bahwa model reflective yang kita dapatkan adalah memiliki karakter uni-dimensional.
Pada konstruk Y1 terdapat loading factor Y1.3 sebesar 0.707 yang masih belum memiliki kesetaraan dengan indikator Y1.1 dan Y1.2. Meskipun demikian, apabila konstruk hanya direfleksikan hanya oleh dua indikator, teknik reduksi indikator mungkin sebaiknya tidak perlu dilakukan.
Gambar 1.14
Hasil Analisis Estinasi SmartPls (tahapan outer-model)
Hair et al (2010) merekomendasikan indikator sebuah konstruk minimal 2 buah dan maksimal 6 buah. Rekomendasi Hair et al (2010) didasarkan atas
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
estimasi akan berubah apabila dimensi reflective belum memiliki sebaran covary secara memadai. Ketika kesetaraan loading factor sangat setara, maka perubahan estimasi tidak akan terjadi disebabkan telah berfungsinya dimensi yang uni-diomensional.
Gambar 1.15 membuktikan bahwa reduksi indikator dengan tidak menyertakan Y2.1 pada konstruk Y2 telah membuktikan konstruk memiliki sebaran loading factor yang covary, perbaikan sebaran loading factor yang semakin uni-dimensional juga dilakukan dengan tidak menyertakan indikator X1.4 pada konstruk X. (lihat Gambar 1.15).
Gambar 1.15
Hasil analisis estimasi smartPls
Kita dapat membuktikan bahwa dengan menghilangkan salah satu dari indikator X1, tidak akan mengubah nilai estimasi 0.300 ( X1 ke Y1) atau 0.441 (X1 ke Y2), yang membuktikan teori bahwa pada karakter reflective, menghilangkan salah satu dari indikator tidak membawa perubahan makna atas relasi yang sedang berjalan.
Ketika tahapan konsep uni-dimensional telah dapat menetapkan model reflective secara tuntas pada kondisi yang
31 Gambar 1.15
Hasil Analisis Estimasi SmartPls
Kita dapat membuktikan bahwa dengan menghilangkan salah satu dari indikator X1, tidak akan mengubah nilai estimasi 0.300 ( X1 ke Y1) atau 0.441 (X1 ke Y2), yang membuktikan teori bahwa pada karakter reflective, menghilangkan salah satu dari indikator tidak membawa perubahan makna atas relasi yang sedang berjalan.
Ketika tahapan konsep uni-dimensional telah dapat menetapkan model reflective secara tuntas pada kondisi yang sehat, maka tahap berikutnya adalah melakukan penilaian apakah instrumen kuestioner yang kita gunakan adalah reliable sebagai penyedia informasi yang memiliki konsistensi internal atau tidak.
Banyak peneliti seringkali mengabaikan pentingnya menetapkan instrumen pertanyaan yang dapat mewakili random probability di mana skala Likert memiliki peluang yang sama untuk terpilih berdasarkan persepsi responden.
Pertanyaan yang bersifat normatif, misalnya dapat menciptakan kondisi di mana responden akan memilih skala 4 dan 5, hal yang dapat menimbulkan bias dengan
Dr. SuDjana BuDhiaSa, SE., M.Si
sehat, maka tahap berikutnya adalah melakukan penilaian apakah instrumen kuestioner yang kita gunakan adalah reliable sebagai penyedia informasi yang memiliki konsistensi internal atau tidak.
Banyak peneliti seringkali mengabaikan pentingnya menetapkan instrumen pertanyaan yang dapat mewakili random probability di mana skala Likert memiliki peluang yang sama untuk terpilih berdasarkan persepsi responden. Pertanyaan yang bersifat normatif, misalnya dapat menciptakan kondisi di mana responden akan memilih skala 4 dan 5, hal yang dapat menimbulkan bias dengan kualitas informasi yang bernilai rendah. Pertanyaan yang dimulai dengan hal-hal yang umum dan normatif seperti bahwa karyawan yang rajin bekerja sebaiknya ditingkatkan gajinya, akan direspon oleh semua responden terpilih untuk menjawab 4 atau 5. Itulah sebabnya, bahwa instrument penelitian sepatutnya
Tabel 1.3 Hasil analisis estimasi smartPls
Kemajuan yang ditampilkan dari SmartPls versi 3 adalah digabungkannya AVE yang diakarkan dengan cross-correlation menjadi satu kesatuan, karena cukup banyak yang memberikan interpretasi yang salah atas hubungan antara AVE dengan
32
kualitas informasi yang bernilai rendah. Pertanyaan yang dimulai dengan hal-hal yang umum dan normatif seperti bahwa karyawan yang rajin bekerja sebaiknya ditingkatkan gajinya, akan direspon oleh semua responden terpilih untuk menjawab 4 atau 5. Itulah sebabnya, bahwa instrument penelitian sepatutnya diuji terlebih dahulu sebelum diputuskan untuk ditingkatkan ke analisis
inner-model ( regression methods).Tabel 1.3 menyajikan uji reabilitas mempergunakan cronbach Alpha yang mensyaratkan bahwa sebuah konstruk reliable apabila nilai konstruk berada di atas 0.60 ( Nunally dan Berstein, 1988), sebaran nilai composite reability di atas 0.60 (Henseler et al, 2009). Sedangkan AVE memiliki sebaran minimal 0.50 untuk nantinya dapat dipergunakan untuk mengukur validitas konstruk.
Tabel 1.3
Hasil Analisis Estimasi SmartPls
Kemajuan yang ditampilkan dari SmartPls versi 3 adalah digabungkannya
AVE yang diakarkan dengan cross-correlation menjadi satu kesatuan, karena
cukup banyak yang memberikan interpretasi yang salah atas hubungan antara
AVE dengan cross-correlation. Fornell dan Larscker yang menjadi penggagas
pola pengukuran AVE dan cross-correlation adalah dengan membandingkan
AVR minimum ( akar AVE) dengan korelasi yang dapat dibangun oleh konstruk
yang bersangkutan terhadap variabel laten lainnya.
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
0
cross-correlation. Fornell dan Larscker yang menjadi penggagas pola pengukuran AVE dan cross-correlation adalah dengan membandingkan AVR minimum ( akar AVE) dengan korelasi yang dapat dibangun oleh konstruk yang bersangkutan terhadap variabel laten lainnya.
Apabila kondisi konstruk yang bersangkutan dicerminkan oleh nilai AVE minimum, memiliki cross-correlation dengan konstruk lain ternyata lebih besar, maka dinyatakan tidak valid discriminant, karena upaya membangun korelasi dengan pihak lain tampak lebih kuat dibandingkan dengan kapasitas konstruk yang bersangkutan. Tabel 1.4 menyajikan hasil analisis dari metode Fornell-Larscher AVE – cross-correlation.
Tabel 1.4 Uji validitas Fornall-Larscher
Tabel 1.4 menyajikan hasil uji akar AVE ( 0.869) untuk X1, dan 0.810 untuk X2, serta 0.840 untuk nilai AVE minimum Y2.
Berdasaran nilai akar AVE sebesar 0.869 ternyata masih lebih besar dibandingkan dengan korelasi X1 – Y1 sebesar 0.516, serta korelasi X1 – Y2 sebesar 0.441 yang lebih rendah dari AVE minimum 0.869.
Berdasarkan perbandingan tersebut, maka konstruk X1 adalah valid discriminant. Konstruk Y1 memiliki nilai akar AVE sebesar dibandingkan dengan cross-correlation dari konstruk yang bersangkutan terhadap X1 dan Y1, yaitu masing-masing dengan
33
Apabila kondisi konstruk yang bersangkutan dicerminkan oleh nilai AVE minimum, memiliki cross-correlation dengan konstruk lain ternyata lebih besar, maka dinyatakan tidak valid discriminant, karena upaya membangun korelasi dengan pihak lain tampak lebih kuat dibandingkan dengan kapasitas konstruk yang bersangkutan. Tabel 1.4 menyajikan hasil analisis dari metode Fornell-Larscher AVE – cross-correlation.
Tabel 1.4
Uji Validitas Fornall-Larscher
Tabel 1.4 menyajikan hasil uji akar AVE ( 0.869) untuk X1, dan 0.810 untuk X2, serta 0.840 untuk nilai AVE minimum Y2. Berdasaran nilai akar AVE sebesar 0.869 ternyata masih lebih besar dibandingkan dengan korelasi X1 – Y1 sebesar 0.516, serta korelasi X1 – Y2 sebesar 0.441 yang lebih rendah dari AVE minimum 0.869. Berdasarkan perbandingan tersebut, maka konstruk X1 adalah valid discriminant. Konstruk Y1 memiliki nilai akar AVE sebesar 0.810 yang masih lebih besar dibandingkan dengan korelasi X1 – Y1 (0.516), serta lebih besar dari korelasi Y2 – Y1 ( 0.662), dengan demikian maka konstruk Y1 adalah
valid discriminant.
Konstruk terakhir yang perlu dievaluasi adalah Y2 dengan akar AVE
sebesar 0.842 yang ternyata masih lebih besar dibandingkan dengan
cross-correlation dari konstruk yang bersangkutan terhadap X1 dan Y1, yaitumasing-masing dengan nilai korelasi 0.441 dan 0.662. Dengan demikian, semua konstruk
Dr. SuDjana BuDhiaSa, SE., M.Si
nilai korelasi 0.441 dan 0.662. Dengan demikian, semua konstruk yang disertakan, yaitu X1, Y1 dan Y2 adalah valid discriminant (lihat Fornell-Larscher, 1998).
Prosedur kedua yang dapat dilakukan untuk menguji validitas adalah dengan mempergunakan cross-loading ( Chin, 2010), yang mempolakan bahwa loading factor utama yang bersumber dari konstruk yang bersangkutan lebih besar dibandingkan dengan nilai korelasi yang dibangun dari variabel tersebut terhadap konstruk lainnya
Tabel 1.5 menyajikan evaluasi validitas berdasarkan nilai loading factor utama terhadap nilai cross-loading factor dengan konstruk lainnya. X1 memiliki loading factor utama dengan X1.1, X1.2 dan X1.3 yang ternyata masih lebih tinggi dibandingkan dengan nilai loading factor diluar loading factor utama, yaitu loading factor X1.1 dengan Y1 (0.400), X1.1 dengan Y2 (0.465), X1.2 dengan Y1 (0.504), X1.2 dengan Y2 (0.465), sehingga dapat dinyatakan bahwa validitas konstruk Y1 memiliki loading factor utama (Y1.1 = 0.844), (Y1.2= 0.870), (Y1.3 = 0.720) yang ternyata masih lebih besar dibandingkan dengan cross-loading factor yaitu diluar loading factor utama yaitu Y1.1, Y1.2 dan Y1.3 masing-masing dengan X1 dan Y2, maka dengan demikian konstruk Y1 dinyataan valid discriminant.
Tabel 1.5 Uji Cross-loading Factor utama
35 Tabel 1.5
Uji Cross-loading Factor utama
Konstruk terakhir yang perlu ditelusuri validitasnya adalah Y2 dengan sebaran loading factor utama adalah ( Y2.2 = 0.840), (Y2.3 = 0.872) dan (Y2.4=
0.813) yang ternyata masih lebih besar dibandingkan dengan cross-loading factor yaitu di luar loading factor utama yaitu Y2.2, Y2.3 dan Y2.4 masing-masing dengan X1 dan Y1, maka dengan demikian konstruk Y2 dinyatkan valid discriminant.
Prosedur ketiga yang dapat dilakukan untuk menguji validitas adalah berdasarkan metode heterotrait-monotrait ratio sebagaimana dibahas oleh Henseler et al (2015) yang mempergunakan standar pengukuran nilai 0.85 sebagai batas atas ratio, dan menyatakan bahwa sebaran nilai ratio dibawah 0.85 dinyatakan valid discriminant.
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Konstruk terakhir yang perlu ditelusuri validitasnya adalah Y2 dengan sebaran loading factor utama adalah ( Y2.2 = 0.840), (Y2.3 = 0.872) dan (Y2.4= 0.813) yang ternyata masih lebih besar dibandingkan dengan cross-loading factor yaitu di luar loading factor utama yaitu Y2.2, Y2.3 dan Y2.4 masing-masing dengan X1 dan Y1, maka dengan demikian konstruk Y2 dinyatkan valid discriminant.
Prosedur ketiga yang dapat dilakukan untuk menguji validitas adalah berdasarkan metode heterotrait-monotrait ratio sebagaimana dibahas oleh Henseler et al (2015) yang mempergunakan standar pengukuran nilai 0.85 sebagai batas atas ratio, dan menyatakan bahwa sebaran nilai ratio dibawah 0.85 dinyatakan valid discriminant.
Tabel 1.6 Uji validitas Heterotrait-monotrait Ratio
Seluruh sebaran nilai menunjukkan masih di bawah 0.85, sehingga dinyatakan ketiga konstruk adalah valid discriminant ( Henseler et al (2015). Prosedur berikut untuk lebih memastikan bahwa model reflective adalah valid dan layak dipercaya sebagai konstruk yang mampu memberikan informasi yang berkualitas, dapat ditelusuri dengan memanfaatkan uji signifikansi pada konstruk outer-loading, disajikan pada Tabel 1.7. Berdasarkan sajian Tabel 1.7 dapat disimpulkan bahwa seluruh konstruk memiliki P-values lebih kecil dari 5%, sehingga dapat dinyatakan bahwa seluruh konstruk adalah valid dan meyakinkan peneliti untuk dapat diteruskan ke proses analisis inner-model.
Tahap terakhir adalah melakukan pengujian model hipotesis yaitu memproses tingkat hubungan kausal antar konstruk
36 Tabel 1.6
Uji Validitas Heterotrait-monotrait Ratio
Seluruh sebaran nilai menunjukkan masih di bawah 0.85, sehingga dinyatakan ketiga konstruk adalah valid discriminant ( Henseler et al (2015).
Prosedur berikut untuk lebih memastikan bahwa model reflective adalah valid dan layak dipercaya sebagai konstruk yang mampu memberikan informasi yang berkualitas, dapat ditelusuri dengan memanfaatkan uji signifikansi pada konstruk
outer-loading, disajikan pada Tabel 1.7. Berdasarkan sajian Tabel 1.7 dapat disimpulkan bahwa seluruh konstruk memiliki P-values lebih kecil dari 5%, sehingga dapat dinyatakan bahwa seluruh konstruk adalah valid dan meyakinkan peneliti untuk dapat diteruskan ke proses analisis inner-model.
Tahap terakhir adalah melakukan pengujian model hipotesis yaitu
memproses tingkat hubungan kausal antar konstruk dan menetapkan taraf
signifikansinya. Ternyata hasil analisis menunjukkan bahwa seluruh konstruk
memiliki peluang P-values lebih kecil dari 5% (lihat Tabel 1.8).
Dr. SuDjana BuDhiaSa, SE., M.Si
dan menetapkan taraf signifikansinya. Ternyata hasil analisis menunjukkan bahwa seluruh konstruk memiliki peluang P-values lebih kecil dari 5% (lihat Tabel 1.8).
Tabel 1.7 Uji Konstruk Signifikansi outer-loading (dimensi reflective)
Berdasarkan Tabel 1.8 didapatkan estimasi parameter X1-Y1 sebesar 0.300, X1-Y2 sebesar 0.441 serta Y2-X1 sebesar 0.489.
Dengan hasil tersebut, maka seluruh hipotesis penelitian ini terjawab dan dapat diteruskan ke tingkat rekomendasi bahwa hubungan kausal yang dibangun penelitian ini dapat diyakini sebagai proses hubungan signifikan, dengan dimensi capabilities (Y1) memberikan dampak paling dominan disusul oleh oleh information sharing (X1) berdampak secara langsung kepada kinerja logistik.
Tabel 1.8 Uji Hipotesis Penelitian (dimensi reflective)
37 Tabel 1.7
Uji Konstruk Signifikansi outer-loading (dimensi reflective)
Berdasarkan Tabel 1.8 didapatkan estimasi parameter X1-Y1 sebesar 0.300, X1-Y2 sebesar 0.441 serta Y2-X1 sebesar 0.489. Dengan hasil tersebut, maka seluruh hipotesis penelitian ini terjawab dan dapat diteruskan ke tingkat rekomendasi bahwa hubungan kausal yang dibangun penelitian ini dapat diyakini
Berdasarkan Tabel 1.8 didapatkan estimasi parameter X1-Y1 sebesar 0.300, X1-Y2 sebesar 0.441 serta Y2-X1 sebesar 0.489. Dengan hasil tersebut, maka seluruh hipotesis penelitian ini terjawab dan dapat diteruskan ke tingkat rekomendasi bahwa hubungan kausal yang dibangun penelitian ini dapat diyakini