BAB II TINJ AUAN PUSTAKA
3.4 Teknik Analisis dan Uji Hipotesis
Model yang di gunakan untuk menganalisis data dalam penelitian ini adalah model persamaan structural (Struktural Equation Modeling/SEM) berbasis varian atau komponen yaitu PLS (Partial Least Square) untuk memverivikasi hubungan antara variabel. Alasan mengunakan model SEM berbasiskan komponen atau varian (PLS) adalas sebagai berikut:
1. PLS dapat di gunakan untuk mengkonfirmasi teori, tetapi dapat juga di gunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten, bahkan dengan PLS dapat menggunakan model persamaan struktural untuk menguji teori atau perkembangan teori untuk tujuan prediksi.
2. PLS merupakan metode analisis yang powerfull oleh kerena tidak di dasarakan banyak asumsi.
3. Penggunaan data dengan PLS, tidak harus berdistribusi normal multivariate (indikato dengan skala kategori sampai ratio dapat di gunakan pada model yang sama)
4. Penggunaan sampel pada PLS, tidaklah harus besar melainkan bisa minimal 30 sampel.
5. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif.
6. PLS jauh lebih efisien perhitungan algoritma, sehingga mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator.
Sedangkan alasan-alasan menggunakan SmartPLS versi 2.0 sebagai tools dari SEM berbasiskan komponen atau varian (PLS) menurut Ghozali (2006) adalah sebagai berikut:
1. Kemudahan dalam menginstal program.
2. Tampilan model editor dapat disusun secara rapi, dimana dapat digunakan untuk menciptakan, merubah, dan menghitung model. 3. Kemudahan dalam bekerja lebih dari satu model pada sesi yang sama. 4. Tampilan output lebih tersusun rapi dalam sintaks html.
Adapun langkah-langkah yang perlu di lakukan dalam menggunakan model persamaan structural PLS menurtut Ghozali (2006) adalah sebagai berikut:
1) Model Spesifikasi dengan PLS
Menurtut Ghozali (2006), model analisis jalur semua variabel laten dalam PLS terdiri dari tiga set hubungan, yaitu: (1) inner model yang menspesifikasi hubungan antara variabel laten (Sruktural model), (2) outer model yang menspesifikasi hubungan antara variabel laten dengan indikator atau variabel menives-nya (meansurement model), dan (3)
weight relation dimana nilai kasus dari variabel laten dapat di estimasi. Penjelasan dari masing-masing hubungan tersebut adalah sebagai berikut:
A. Inner Model
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 +ς
Dimana menggambarkan vektor variabel endogen (dependen), adalah vektor variabel laten eksogen dan adalah vektor residual (unexplained variance). Oleh karena PLS didesain untuk model rekursif, maka hubungan antar variabel laten, berlaku bahwa setiap variabel laten dependen , atau sering disebut causal chain system
dari variabel laten dapat dispesifikasikan sebagai berikut: η j = Σ iβ jiη i + Σ i γ jbξ b + ς j Dimana γ
jb (dalam bentuk matriks dilambangkan dengan Γ) adalah koefisien jalur yang menghubungkan variabel laten endogen (η) dengan eksogen (ξ). Sedangkan β
ji (dalam bentuk matriks dilambangkan dengan β) adalah koefisien jalur yang
untuk range indeks i dan b. Parameter ς
j adalah variabel inner residual.
Pada model PLS Gambar 3 inner model dinyatakan dalam sistem persamaan sebagai berikut:
η 1 = γ 1ξ 1 + γ 2ξ 2 + ς 1 η 2 = β 1η 1 + γ 3ξ 1 + γ 4ξ 2 + ς 2 B. Outer Model
Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya, disebut juga dengan outer relation atau
measurement model, mendefinisikan karakteristik konstruk dengan variabel manifesnya. Model indikator refleksif dapat ditulis persamaannya sebagai berikut:
x = Λxξ + δ y = Λyη + ε
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 δ dan ε dapat diinterpretasikan sebagai kesalahan pengukuran atau noise. Model indikator formatif persamaannya dapat ditulis sebagai berikut:
ξ= Π ξX i + δ dan η= Π ηY i + ε C. Weight Relation
Weight relation, estimasi nilai kasus variabel latent.Inner dan
outer model memberikan spesifikasi yang diikuti dengan estimasi weight relation dalam algoritma PLS:
ξ b= Σ kb w kb x kb η i= Σ ki w ki y ki Dimana w kb dan w
ki adalah k weight yang digunakan untuk membentuk estimasi variabel laten ξ
b dan η
i. Estimasi variabel laten adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS.
2) Evaluasi Model
PLS tidak mengasumsinkan distribusi tertentu untuk estimasi parameter, maka teknik parametik untuk menguji signifikansi parameter tidak diperlukan (Chin, 1998). Evaluasi model PLS berdasarkan pada pengukuran prediksi yang mempunyai sifat non parametik. Model pengukuran atau outer model dengan indikator reflektif dievaluasi dengan validitas
konvergen dan validitas diskriminan dari indikatornya dan composive reliability atau blok indikator.
Model structural atau inner model di evaluasi dengan melihat persentase variance yang di jelaskan yaitu dengan melihat nilai R-square unruk konstruk laten dependen dengan menggunakan ukuran stone-Geisser Q Square test dalam Ghozali (2006) dan juga melihat besarnya koefisien jalur strukturalnya. Stabilitas dari estimasi ini di evaluasi dengan menggunakan uji t-statistic yang di peroleh dari prosedur bootstrapping.
3) Model Pengukuran dengan Outer Model
Validitas konvergen dari model pengukuran dengan refleksif indikator dinilai berdasarkan korelasi antar skor item atau skor komponen dengan skor konstruk yang dihitung dari PLS. Ukuran reflektif individual dikatakan tinggi jika berkorelasi lebih dari 0,7 dengan konstruk yang ingin di ukur.
Validitas diskriminasi dari model pengukuran dengan refleksif indikator dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar dari pada unkuran konstruk lainnya, maka hal ini menunjukan bahwa konstruk laten memprediksi ukuran pada blok mereka lebih baik dari pada ukuran pada blok lainnnya.
Metode lain untuk menilai validitas diskriminan adalah membandingkan nilai akar average extracted (AVE) setiap konstruk dengan korelasi antar konstruk dengan konstruk lainnya dalam model. Jika nilai akar AVE setiap konstruk lebih besar dari nilai korelasi antara konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai validitas diskriminan yang baik dalam Ghozali (2006). Direkomendasikan bahwa nilai AVE > 0,5.
Composite reliability blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan dua macam pengukuran, yaitu internal consistency yang di kembangkan oleh werts, Lim dan joreskog (1974) dan Cronbach Alpha dengan menggunakan output yang di hasilkan PLS, maka composite reliability dapat dihitung dengan rumus sebagai berikut:
(∑λi)² pc Pc=
(∑λi)² +∑I var (εi)
4) Model structural dievaluasi dengan menggunakan R-square untuk konstruk dependen, Stone-Qeisser Q-square test untuk predictive relevance dan ujin t serta signifikansi dari koefisien parameter jalur structural. Dalam menilai model PLS dimulai dengan melihat R-square
untuk setiap variabel laten dependen. Interpretasinya sama dengan interpretasi pada regresi. Perubahan nilai R-square dapat di gunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel dependen apakah memiliki pengaruh yang substantive. Pengaruh besarnya f2 dapat di hitung dengan menggunakan rumus sebagai berikut:
R² included - R² exclude f² =
1-R² include
Dimana R2 include dan R2 exclude adalah R-square dari variabel laten dependen ketika prediktor variabel laten di gunankan atau dikeluarkan di dalam pemasaran struktural. Nilai f2 sama dengan 0,02 ; 0,15 dan 0,35 dapat di artikan bahwa rediktor variabel laten memiliki pengaruh kecil; menengah; dan besar pada tingkat structural. Disamping melihat R-square, model PLS juga di evaluasi dengan melihat Q-square predictive relevan untuk model konstruk. Q-square mengukur seberapa baik nilai observasi yang di hasilkan oleh model dan juga estimasi parameternya. Nilai Q-square lebih besar 0 (nol) menunjukan bahwa model memiliki nilai prediktif relevance.