Analisis Data Menggunakan Partial Least Square (PLS)^ [Part 2]
Bagian ini merupakan revisi dari tulisan sebelumnya yaitu PLS Part 1, dikarenakan beberapa pertimbangan dosen pembimbing akhirnya metode analisis data ditambahkan Uji Asumsi (combine with SPSS)
Data yang diperoleh dari hasil penelitian kemudian diolah menggunakan teknik analisis data yaitu Partial Least Square (PLS). PLS menurut Wold dalam Ghozali (2008)
merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak
asumsi. Penelitian ini menggunakan PLS sebagai teknik analisis data dengan software SmartPLS versi 2.0.M3 yang dapat di-download dari http://www.smartpls.de. Metode
PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat
digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Hal ini sesuai dengan jumlah sampel pada penelitian ini yaitu 93 responden. Walaupun PLS
digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan
ada atau tidaknya hubungan antara variabel laten.
Tahapan yang digunakan untuk menganalisis data, yaitu:
a. Confirmatory Factor Analysis (Analisis Faktor Konfirmatori). Church dan Burke dalam Widhiarso (2004) mengatakan bahwa teknik Analisis Faktor Konfirmatori adalah salah satu teknik yang cukup adekuat dalam menganalisis model sederhana dalam melihat
berfungsinya konstruk empirik (faktor) di sebuah model struktural. Salah satu kelebihan Analisis Faktor Konfirmatori adalah tingkat fleksibilitasnya ketika diaplikasikan dalam
(Widhiarso, 2004). Confirmatory Factor Analysis konstruk digunakan untuk melihat validitas dari masing-masing indikator dan untuk menguji reliabilitas dari konstruk tersebut. Kriteria validitas indikator diukur dengan convergent validity. Indikator
dikatakan valid dengan convergent validity nilai loading 0.7 namun untuk penelitian tahap awal dari pengembangan nilai loading 0.5 sampai 0.6 dianggap cukup, dan dapat
pula ditunjukkan oleh nilai Average Variance Extracted (AVE) yang diatas 0.50.
Reliabilitas konstruk diukur dengan Composite Reliability dan Cronbach Alpha. Konstruk dikatakan reliabel jika memiliki nilai Composite Reliability dan Cronbach Alpha di atas
0.70 (Ghozali (2008).
Penelitian yang menekankan pada pembangunan model perlu diuji kesesuaiannya,
termasuk penelitian yang menggunakan structural equation modeling. Model Struktural dievaluasi menggunakan Goodness of Fit Model, yaitu menunjukkan perbedaan antara nilai-nilai yang diamati dan nilai-nilai yang diperkirakan oleh model. Pada model regresi,
Goodness of Fit (pengujian kesesuaian) yang menunjukkan nilai R2 di atas 80% dianggap baik (Jogiyanto, 2008).
b. Analisis Regresi Berganda, dimaksudkan untuk melihat pengaruh langsung antar
Gambar 4.1. Model Persamaan Struktural
Berdasarkan model persamaan struktural tersebut, persamaan regresi dengan nilai
konstanta atau unstadardized adalah sebagai berikut: X2 = β0 + β1X1
X3 = β0 + β1X1 + β2X2
Y = β0 + β1X1 + β2X2 + β3X3
Z = β0 + β1X1 + β2X2 + β3X3 + β4Y1 + e
Keterangan:
Z = Actual system use β = konstanta
X1 = Perceived ease of use X2 = Perceived usefulness X3 = Attitude toward using Y = Behavior intention to use e = error
Output software PLS menggambarkan konstruk unidimensional dengan bentuk elips
dengan beberapa anak panah dari konstruk ke indikator (Gambar 4.1.). Model tersebut menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi
semua ukuran indikator diasumsikan semuanya valid mengukur suatu konstruk, sehingga jika terdapat dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan (Ghozali, 2008).
c. Path analysis (analisis jalur)
Gambar 4.2 menunjukkan hubungan langsung antar konstruk dan antara konstruk
dengan indikator. Langkah selanjutnya untuk menguji besarnya kontribusi yang ditunjukkan koefisien jalur pada setiap diagram jalur dari hubungan kausal antar
konstruk, digunakan Path Analysis. Path Analysis akan mengungkapkan pengaruh langsung dan pengaruh tidak langsung antar konstruk, didasarkan pada koefisien regresi yang standardized.
d. Uji Asumsi Klasik
Uji ini dimaksudkan untuk membuktikan bahwa model regresi penelitian telah memenuhi asumsi klasik, tidak terdapat masalah-masalah regresi yang tidak
diperbolehkan dalam pengolahan data regresi secara statistik. Uji asumsi klasik akan
diketahui hasilnya dengan batuan software SPSS versi 14. Ghozali (2005) mengungkapkan bahwa uji ini terdiri atas empat bagian, yaitu:
1. 1) Normalitas; bertujuan untuk menguji kemungkinan variabel
garis diagonalnya. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram/grafik normal plotnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
1. 2) Heteroskedastisitas; bertujuan untuk menguji kemungkinan terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Salah satu cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah melihat grafik plot antara prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah disudentized. Apabila dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi yang digunakan.
1. 3) Multikolinearitas; bertujuan untuk menguji penemuan korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogal (yaitu variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol). Uji multikolonieritas dapat juga dilihat dari: (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Tolerance mengukur variabilitas variabel
independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10.
2. Linearitas; dimaksudkan untuk mengetahui linieritas hubungan antara variabel
Simulasi SmartPLS (Structural Equation Modeling berbasis Variance)
Pengujian hipotesis dalam penelitian ini menggunakan metode Partial Least Square (PLS).
PLS merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang
berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat diestimasi
dengan jumlah sampel yang relatif kecil. Alat bantu yang digunakan berupa program SmartPLS
Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance.
Program SmartPLS Versi 2 dapat diperoleh secara gratis di www.smartpls.de. Model struktural dalam penelitian ini ditampilkan pada Gambar 1 di bawah.
Gambar 1
MODEL STRUKTURAL
dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian menggunakan indikator reflektif yang relatif sesuai untuk mengukur persepsi. Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk
A. Evaluasi Measurement (Outer) Model
1. Uji Validitas
Suatu indikator dinyatakan valid jika mempunyai loading factor di atas 0,5 terhadap
konstruk yang dituju. Output SmartPLS untuk loading factor memberikan hasil sebagai berikut:
Tabel 1
Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item dengan skor konstruknya. Pengukuran dengan indikator reflektif menunjukkan adanya perubahan pada suatu indikator dalam suatu konstruk jika indikator lain pada konstruk yang sama berubah (atau dikeluarkan dari model). Indikator reflektif cocok digunakan untuk mengukur persepsi sehingga
penelitian ini menggunakan indikator reflektif. Tabel di atas menunjukkan bahwa loading factor
memberikan nilai di atas nilai yang disarankan yaitu sebesar 0,5. Nilai paling kecil adalah sebesar 0,70015 untuk indikator KP1. Berarti indikator yang dipergunakan dalam penelitian ini
adalah valid atau telah memenuhi convergent validity. Berikut adalah diagram loading factor
Gambar 2
NILAI LOADING FACTOR
Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross loading
sebagai berikut:
Tabel 2
RESULT FOR CROSS LOADING
BO KM KP MT
MT2 0.51768 0.63783 0.59191 0.86810 MT3 0.52699 0.48718 0.53629 0.80563
Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada konstruk
yang dituju dibandingkan loading factor kepada konstruk lain. Tabel di atas menunjukkan bahwa
loading factor untuk indikator BO (BO1 sampai dengan BO3) mempunyai loading factor kepada
konstruk BO lebih tinggi dari pada dengan konstruk yang lain. Sebagai ilustrasi loading factor
BO1 kepada BO adalah sebesar 0,89335 yang lebih tinggi dari pada loading factor kepada KM
(0,63664), KP (0,62885) dan MT (0,49597). Hal serupa juga tampak pada indikator-indikator yang lain.
Dengan demikian, kontrak laten memprediksi indikator pada blok mereka lebih baik
dibandingkan dengan indikator di blok yang lain. Metode lain untuk melihat discriminant
validity adalah dengan melihat nilai square root of average variance extracted (AVE). Nilai yang disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:
Tabel 3
Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat pada model penelitian. Nilai terendah AVE adalah sebesar 0,556932 pada konstruk KP (Kinerja Pegawai).
2. Uji Reliabilitas
Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok indikator
yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai yang memuaskan
jika di atas 0,7. Berikut adalah nilai composite reliability pada output:
Tabel 4
Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk adalah
kriteria discriminant validity. Nilai composite reliability yang terendah adalah sebesar 0,859663 pada konstruk MT (Motivasi).
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS
Versi 2 memberikan hasil sebagai berikut:
Tabel 4
Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa nilai
Cronbach’s Alpha untuk semua kontruk berada di atas 0,6. Nilai terendah adalah sebesar
Tampak bahwa nilai communality pada semua kontruk di atas 0,5 yang memperkuat hasil
pengujian dengan Composite Reliability dan Cronbach’s Alpha. Lebih lanjut, nilai Redundancy
BO adalah sebesar 0,403786 yang termasuk tinggi. Juga R untuk KP dan MT di atas 0,15 di mana nilai tersebut adalah masuk pada kategori tinggi.
B. Pengujian Model Struktural (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan
pengujian model structural (Inner model). Berikut adalah nilai R-Square pada konstruk:
Tabel di atas memberikan nilai 0,556247 untuk konstruk BO yang berarti bahwa KM mampu menjelaskan varians BO sebesar 55,6247%. Nilai R juga terdapat pada KP yang dipengaruhi oleh KM, MT dan BO yaitu sebesar 0,660472 dan MT yang dipengaruhi oleh KM dan BO yaitu sebesar 0,498196. Pengujian hipotesis adalah sebagai berikut:
Tabel 7
BO -> KP 0.32109 0.30654 0.11268 0.11268 2.84958
BO -> MT 0.30948 0.31831 0.09762 0.09762 3.17041
KM -> BO 0.74582 0.74832 0.04127 0.04127 18.07381
KM -> KP 0.24342 0.25176 0.09068 0.09068 2.68447
KM -> MT 0.44423 0.43422 0.11648 0.11648 3.81383
MT -> KP 0.34999 0.35972 0.08581 0.08581 4.07855
Tabel di atas menunjukkan bahwa hubungan antara KM dengan KP adalah signifikan
dengan T-statistik sebesar 2,68447 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,24342 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H1 dalam penelitian ini yang menyatakan bahwa ‘Kepemimpinan berpengaruh terhadap kinerja pegawai’ diterima
Tabel di atas menunjukkan bahwa hubungan antara BO dengan KP adalah signifikan
dengan T-statistik sebesar 2,8496 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,32109 yang menunjukkan bahwa arah hubungan antara BO dengan KP adalah positif. Dengan demikian hipotesis H2 dalam penelitian ini yang menyatakan bahwa ‘Budaya Organisasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara MT dengan KP adalah signifikan
dengan T-statistik sebesar 4,07855 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,34999 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H3 dalam penelitian ini yang menyatakan bahwa ‘Motivasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan MT adalah signifikan
dengan T-statistik sebesar 3,81383 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,44423 yang menunjukkan bahwa arah hubungan antara KM dengan MT adalah positif. Dengan demikian hipotesis H4 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara BO dengan MT adalah signifikan
dengan T-statistik sebesar 3,17041 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,30948 yang menunjukkan bahwa arah hubungan antara BO dengan MT adalah positif. Dengan demikian hipotesis H5 dalam penelitian ini yang menyatakan bahwa ’Budaya organisasi berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan BO adalah signifikan
sebesar 0,74582 yang menunjukkan bahwa arah hubungan antara KM dengan BO adalah positif. Dengan demikian hipotesis H6 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap budaya organisasi pegawai’ diterima.
Berdasarkan nilai original sample estimate maka diperoleh bahwa nilai tertinggi yang
mempengaruhi motivasi (MT) adalah pada kepemimpinan (KM) yaitu sebesar 0,44423. Hal tersebut menunjukkan bahwa kepemimpinan mempunyai pengaruh terhadap motivasi lebih tinggi dari pada pengaruh antara budaya organisasi terhadap motivasi (0,30948). Lebih lanjut, dari tiga variabel yang mempengaruhi kinerja pegawai (KP) secara langsung, yaitu kepemimpinan, budaya organisasi dan motivasi, yang paling besar pengaruhnya adalah motivasi
karena mempunyai nilai original sample estimate tertinggi yaitu sebesar 0,34999 dibandingkan
dua variabel yang lain. Dengan demikian motivasi merupakan variabel yang paling dominan dalam mempengaruhi kinerja pegawai. Sedangkan variabel yang paling tidak dominan adalah
kepemimpinan yaitu dengan original sample estimate terkecil yaitu sebesar 0,24342.
Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi 2:
Gambar 3
OUTPUT BOOTSTRAPPING
