9. Modul SEM Dengan PLS Intervening

(1)

Tim Dosen FEB UTA'45 Jkt SEM dengan Smart PLS

1

UTA’45

JAKARTA

WORKSHOP METODE

PENELITIAN KUANTITATIF

Metode “Structural Equation Modeling” dan Interpretasi Hasil Penelitian Dengan Menggunakan Program Smart PLS

(Partial Least Square)

Intervening Variabel

Instruktur: Sihar Tambun, SE, M.Si, Ak.

(2)

Introduction of PLS

2

• Jika antar variabel independen terjadi korelasi (ada multikolinieritas),

maka analisis regresi tidak layak dipakai, sehingga PLS diciptakan

untuk solusi ini.

• PLS mengakomodasi data besar (banyak) dan data kecil (sedikit)

• PLS Tidak banyak asumsi

• PLS bisa untuk konfirmasi dan prediksi

• PLS bisa menggunakan indikator reflesif dan formatif

• PLS menguji estimasi dan signifikansi dengan model Resampling

(Bootstrap)

• Tujuan Estimasi PLS adalah membuat komponen skor / bobot

terbaik dari variabel laten endogen, untuk memprediksi hubungan

variabel laten dengan indikatornya.

• Inner Model: Hubungan antar sesama variabel Laten.

(3)

PRAKTEK SEM – PLS

MODEL INTERVENING VARIABEL

(4)

Langkah Langkah PLS untuk

Intervening

4

1. Memperoleh data data penelitian berdasarkan indikator pengukuran

variabel. Data diinput di Ms. Excel dan kemudian di Save – As dalam

format CSV (Comma Delimited).

2. Aktifikan Program Smart PLS dengan menggunakan data penelitian

yang telah di Save – As dalam format CSV (Comma Delimited).

3. Menggambar model penelitian sesuai dengan tujuan penelitian yang

didukung oleh grand theory, riset pendahuluan dan hipotesis yang

ingin diuji.

4. Mengolah data estimate, untuk mengetahui Hasil Outer Model

5. Mengolah data Resampling Bootstrapping, untuk mendapatkan

model terbaik.

(5)

Langkah 1: Input data di Excel, kemudian save as ke dalam format CSV (Comma Delimited). Format ini yang akan dibaca program PLS. Untuk CSV adalah singkatan Comma – Separated – Value.

(6)

Langkah 2: Bukan program Smart PLS, maka akan tampak tampilan seperti dibawah ini. Klik File, New, Create New Project. Ikut langkah langkah tersebut seperti dibawah ini.

(7)

Beri nama project name “Latihan1”, kemudian klik Next, maka akan muncul tampilan seperti dibawah (Kanan) ini.

(8)

Cari data penelitian di laptop anda, yang akan diolah dengan software ini.

Gunakan tombol yang berada disebelah kotak file name. File yang dipilih hari file CSV. Klik finish bila sudah dipilih. Akan tampak nama project nya, yaitu Latihan 1.

(9)

Langkah 3: Menggambar Model Penelitian. Untuk menggambar model penelitian, harus dimunculkan dulu data indikator penelitian.

(10)

Gambar Model Penelitian ini. Judul Penelitian ini adalah: “Pengaruh Kualitas Dosen dan Kualitas SAP Terhadap Prestasi Belajar Mahasiswa, dengan Kualitas Proses Belajar Mengajar sebagai variabel Intervening.”

(11)

Langkah 4: Meng-calculate data penelitian untuk menguji “Outer Model”. Ikuti petunjuk dibawah ini. Outer model digunakan untuk uji validitas.

(12)

Hasil Outer loadings (measurement model) atau validitas konvergen digunakan untuk menguji unidimensionalitas dari masing-masing konstruk. Menurut Chin

(1998), nilai indikator loading factor yang lebih besar atau sama dengan 0,5 dapat dikatakan valid. Contoh Variabel KDA, Nilai Outer Loadings = 0.776, 0.856, 0.877, 0.717.

(13)

Langkah 5: Mengolah data dengan Resampling Bootstrapping, untuk mendapatkan model terbaik. Klik Calculate, Bootsrapping. Selanjutkan ketik angka 74 (jumlah data) dan 250. Selanjutnya klik finish.

(14)

Hasil Bootstapping dalam bentuk gambar akan dihasilkan seperti

dibawah ini. Tampilan dalam bentuk tabel dapat dilakukan dengan cara yang dijelaskan pada slide berikutnya.

(15)

Mengeluarkan report Bootstrapping, klik Report, Html (Print) Report. Report akan ditampilkan dalam halaman HTML seperti dibawah ini. Output ini nanti digunakan untuk menjawab hipotesis.

(16)

Untuk mendapatkan hasil goodness of fit, seperti :“composite reliability, cross loading, R Square, dan lain lain” dilakukan dengan cara seperti dibawah ini. Klik Calculate, PLS Algorithm, finish.

(17)

Mengeluarkan report goodness of fit, seperti :“composite reliability, cross loading, R Square, dan lain lain” dilakukan dengan cara seperti dibawah ini. Klik Report, Html (Print) Report.

(18)

Langkah 6: Membaca goodness of fit dari model. Pertama, uji validitas dengan “Outer Loadings” dapat dilihat pada langkah 4. Kedua, hasil “Cross Loadings” adalah sebagai berikut:

18

(19)

Ketiga, melihat output “Composite Reliability”. Keempat, menilai hasil dari “Cronbach Alpha”. Tujuan menilai konsistensi responden dalam menjawab pertanyaaan.

19

• Uji keandalan data dilakukan dengan composite reliability. Chin W (1998) mengatakan bahwa “The unidimensionality of the block of variables may be assessed by using composite reliability (should be > 0.7)”. Memperhatikan hasil Composite Reliability diatas, keseluruhan hasil uji berada diatas 0,70. Maka dengan demikian dapat disimpulkan bahwa data Kualitas Dosen Akuntansi (KDA), data Kualitas Sillabus (KS), data Kualitas Proses Belajar Mengajar (KPBM), dan Prestasi Belajar Mahasiswa Akuntansi (PBMA) adalah reliabel dan terandalkan dan dapat dipergunakan untuk uji hipotesis.

(20)

Langkah 7: Membaca Outer Weight , Path Coefficient (Pengujian Hipotesis), dan R Square.

20

• Outer Weight memperlihatkan bahwa tiap indikator signfikan terhadap variabel latennya, karena t statistiknya > 1,96..

• Path Coefficient menunjukkan bahwa semua pengujian variabel antar variabel adalah signifikan. Dengan demikian dapat disimpulkan bahwa semua hipotesis dapat diterima.

(21)