ANALISIS STATISTIK MULTIVARIATE



Dr. SuDjana BuDhiaSa, SE., M.Si

ANALISIS STATISTIK MULTIVARIATE

DENGAN APLIKASI SEM PLS

SMARTPLS 3.2.6

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



Undang-Undang Republik Indonesia Nomor 28 Tahun 2014 Tentang Hak Cipta Lingkup Hak Cipta

Pasal 1

1. Hak Cipta adalah hak eksklusif pencipta yang timbul secara otomatis berdasarkan prinsip deklaratif setelah suatu ciptaan diwujudkan dalam bentuk nyata tanpa mengurangi pembatasan sesuai dengan ketentuan peraturan perundang-undangan.

Ketentuan Pidana Pasal 113

1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf I untuk Penggunaan Secara Komersial dipidana dengan pidana penjara paling lama 1 (satu) tahun dan / atau pidana denda paling banyak Rp. 100.000.000,00 (seratus juta rupiah).

2. Setiap Orang yang dengan tanpa hak dan / atau tanpa izin Pencipta atau pemegang Hak Cipta melakukan pelanggaran hak ekonomi Pencipta sebagaimana dimaksud dalam Pasal 9 ayat (1) huruf c, huruf d, huruf f, dan / atau huruf h untuk Penggunaan Secara Komersial dipidana dengan pidana penjara paling lama 3 (tiga) tahun dan / atau pidana denda paling banyak Rp. 500.000.000,00 (lima ratus juta rupiah).



Dr. SuDjana BuDhiaSa, SE., M.Si

UdayaNa UNIveRsITy PRess 2016

Dr. Sudjana Budhiasa, SE., M.Si

ANALISIS STATISTIK MULTIVARIATE

DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

Pokok Bahasan:

Pengembangan Model struktural Hierarchies Latent Second Order Model

Mediasi Ganda

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

v

Hak Cipta pada Penulis.

Hak Cipta dilindungi Undang-Undang :

Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku ini tanpa izin tertulis dari penerbit.

Penulis:

Dr. Sudjana Budhiasa, SE., M.Si Penyunting:

Jiwa Atmaja Cover & Ilustrasi:

Repro Lay Out:

I Putu Mertadana diterbitkan oleh:

Udayana University Press Kampus Universitas Udayana Denpasar, Jl. P.B. Sudirman, Denpasar - Bali Telp. (0361) 255128 unudpress@gmail.com http://udayanapress.unud.ac.id

Cetakan Pertama:

2016, vii + 80 hlm, 15,5 x 23 cm ISBN: 978-602-294-175-0

ANALISIS STATISTIK MULTIVARIATE

DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

v

Dr. SuDjana BuDhiaSa, SE., M.Si

PRAKATA

D

engan rasa syukur telah dapat disusun buku referensi tentang metode statistik multivariate SEM PLS yaitu pendekatan metode statistik yang ber-orientasi kepada small sample, meskipun large sample juga dapat dilakukan. Pendekatan lain yang membedakan dengan model statistic multivariate covariance SEM adalah bahwa pada pendekatan SEM PLS adalah lebih berfokus kepada outer-model, yaitu pentingnya menelusuri mulai dari penyusunan kuestioner, serta melakukan pemgujian reliabilitas dan validitas atas instruen penelitian yang dipergunakan.

SEM PLS sering dinyatakan sebagai konsep pendekatan yang lebih happy, karena tidak memerlukan syarat aturan statistic yahg ketat, sehingga juga dinyatakan sebagai partial regression ( bukan full regression model). Meskipun demikian, tidak dapat dinyatakan model SEM PLS adalah lebiuh sederhana dibandigkan dengan model covariance SEM. Berbeda dengan covariance SEM sepertti didapatkan pada AMOS, EQS dan sejumlah software lainnya, maka pada SEM PLS dapat diaplikasikan konstruk yang formative, dimana pada model AMOS tidak dapat diaplikasikan.

Sejumlah peneliti dibidang ekonomi, management dan akuntansi dewasa ini semakin meyakini bahwa tidak semua fenomena adalah terwakilkan pada model reflective, melainkan terdapat fenomena sebab yang membawa akibat dari suatu peristiwa. Kegiatan promosi marketing, pengeluaran pemerintah, serta sejumlah data yang terindeks. Pengembangan model

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

v

penelitian persepsi yang mempertimbangkan kemungkinan terdapatnya fenomena sebab akibat diyakini menjadi upaya untuk mendapatkan fakta empirik yang lebih riel.

Penulis menysyun buku referensi ini bersumber dari perjalanan diskusi yang cukup panjang dari memberikan pembekalan akademik kepada forum mahasiswa dan dosen di Institute of Business (IOB) Negara Timor Leste, Universitas Sumbawa NTB, Fakultas Ekononi dan Business Universitas Brawijaya, Malang tahub 2016, Fakultas Ekonomi dan Bisnis Universitas Haluoleo Kendari Sulawesi Tenggara, serta sejumlah Universitas lokal di Bali, antara lain Undiksha Singaraja, FE Univ.

Warmadewa, FEB Universitas Pendidikan Nasional Denpasar.

Buku ini dilengkapi dengan CDROM yang memuat didalamnya software SmartPls versi 3.2.6, serta data excel yang memuat sumner data skala dengan rentang 1 sampai dengan 5.

CDROM juga dilengkapi dengan jurnal terkait dengan aplikasi SEM PLS dan aplikasi skripsi, thesis dan disertasi yang dianggap relevan dengan pembahasan buku ini.

Buku referensi ini disesuaikan dengan kebutuhan para mahasiswa dan peneliti yang inguin mendapatkan sarana untuk berdiskusi tentang metode statistic SEM PLS dan

prakteknya dalam pengolahan data statistik untuk kepentingan penelitian berbasis riset kuantitatif.

Besr harapan penulis, bahwa buku referensi ini dapat mencapai sasarannya. Bahwa tiada gadng yang tidak retak, maka sumbangsih masukan pembaca diperlukan untuk penyempurnaan karya tulis ini dimasa depan.

Denpasar, dr. sudjana Budhi

v

Dr. SuDjana BuDhiaSa, SE., M.Si

DAFTAR ISI

PRaKaTa ...v

BaB I KONseP dasaR seM PLs...1

1.1 variance-based seM PLs versus Covariance seM ...1

1.2 sumber data Primer dan Konsep Pengukuran ...4

1.4 Penyusunan Model Penelitian Berbasis Confirmatory...10

1.5 Penyelesaian Regression Laten score dengan excel dan sPss ...17

1.6 aplikasi Model dengan smartPLs 3.2.2 ...22

BaB II ReFLeCTIve FORMaTIve ...35

BaB III MOdeRasI daN MedIasI ...41

3.1 Konsep Moderasi dan Mediasi ...41

3.2 Full Mediation dan Partial Mediation ...45

3.3 Pengujian Mediasi ...49

daFTaR PUsTaKa ...77

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

v



Dr. SuDjana BuDhiaSa, SE., M.Si

BAB I

KONSEP DASAR SEM PLS

1.1 variance-based seM PLs versus Covariance seM

Partial least square merupakan the second generation structural equation model yang berkembang pesat tahun 1980-an sebagai pilihan alat analisis selain metode regressi ordinary least square (OLS) yang dipopulerkan melaui software SPSS, SAS dan Stata.

Metode partial least squate (PLS) juga disebut sebagai composite- based structural equation model (SEM) atau lebih dikenal sebagai variance-based SEM sebagai pendekatan yang berbeda dengan covariance-based SEM. Metode analisis berbasis variance dewasa ini sangat banyak beredar di pasar, yang paling pupuler adalah Smartpls yang diproduksi oleh Hamburg Universiuty, Germany, dengan pendukung utamanya Sven Wende bersama Christian M. Ringle. Software sejenis yang juga sangat pupuler muncul belakangan adalah Wrappls dimotori oleh Knut, dan PLSGRAP dimotori oleh Wayn Chin, keduanya berpusat di Amerika Serikat.

Pendekatan SEM berbasis covariance dapat ditemukan pada software AMOS, MPLUS, Lisrel dan EQS dan masih banyak lagi yang lain. Buku ini memfokuskan pembahasan pada SEM PLS dengan dukungan software Smartpls 3.3.2 yang disertakan pada CDROM melengkapi buku ini. Software adalah student version, sehingga dapat dipergunakan tanpa limit waktu dan dapat dioperasikan pada komputer berbasis Windows. Prosedur penggunaan software relatif mudah, halmana disampaikan oleh sejumlah peserta yang menghadiri sejumlah workshop di mana

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



penulis hadir sebagai pemakalah leih dari 14 Universitas termasuk di Universitas Brawijaya Malang, Instititue of Business di Timor Leste, Universitas Sumbawa Besar di NTB, serta Universitas Udayana, Universiyas Ganesha Singaraja, Universitas Pendidikan Nasional Denpasar, serta sejumlah perguruan tinggi lainnya di Bali.

Berdasarkan kegiatan workshop tersebut, buku ini kemudian ditulis dengan harapan dapat lebih mempopulerkan metode analisis yang penulis yakini dapat memberikan solusi bagi kebutuhan para mahasiswa pada jenjang S1, S2 danS3 serta para dosen peneliti di lingkungan perguruan tinggi untuk mengenal lebih jauh metode analisis SEM PLS dengan dukugan software Smartpls 3.2.3.

Metode SEM PLS secara operasional dapat mempetakan relasi antarvariabel independen menjadi model struktural, yang dikelompokkan menjadi variabel eksogen dan endogen. Metode SEM PLS yang dibahas pada kesempatan ini adalah model keperilakuan khususnya di bidang Management, sehingga pola perillaku yang dimaksud adalah berkaitan dengan konsep antecedent (variabel eksogen), consequence ( sikap yang terbentuk dari pengaruh relasi variabel eksogen atau dari variabel dependent lainnya), kemudian pada tahap berikutnya memberi dampak terhadap target variabel yang disebut outcome variable).

Kerangka operasional SEM PLS dapat diimplementasikan sebagai regression model, yang merupakan hasil prediksi dari sejumlah varabel independent berinteraksi satu sama lainnya, digambarkan dengan bantuan path model, hubungan relasi mana akan menghasikan prediksi pada outcome varable atau juga disebut response variable. Sejumlah software seperti SPSS dan Stata lebih difokuskan dalam menghasilkan model regressi, tetapi Smart PLS dapat berbuat lebih banyak, yaitu menampilkan path analysis, menyajikan nilai prediksi dan indikator serta sejumlah metode analisis kelayakan indikator yang tidak dimiliki oleh software SPSS maupun Stata dan lainnya.



Dr. SuDjana BuDhiaSa, SE., M.Si

Berbeda juga dengan software AMOS dan Lisrel, yang juga memiliki fasilitas untuk menyediakan path model dan prediksi pada indikator model, tetapi AMOS dan Lisrel memiliki orientasi aplikasi yang berbeda. SEM PLS lebih ber-orientasi kepada prediction dengan lebih berbasis kepada pendekatan explorative modeling, sedangkan pendekatan covariance-based seperti pada AMOS dan Lisrel lebih berorientasi kepada pengembangan full regression dengan pengembangan syarat statistik yang sangat ketat, seperti berlaku pada model SEM pada metode ekonometrik, yaitu yang dikenal sebagai syarat identified, under-identified dan over-identified. Pada model SM PLS, pendekatan model statistik lebih difokuskan kepada konstuksi outer-model, yaitu dari pola pengukuran questionnaire, pengukuran reliabilitas, dan validitas instrument penelitian. Meskipun persyaratan distribusi normal tidak diperlukan pada aplikasi SEM PLS, itu tidak berarti semua jenis data dapat dipergunakan tanpa prosedur seleksi.

Pendekatan covariance-based sangat menekankan pada syarat penggunaan model regressi (inner-model), maka pada SEM PLS lebih memfokuskan kepada kelayakan validitas instrumen, sehingga analisis faktor menjadi bagian yang sangat penting dan dengan begitu sering disebut pendekatan SEM PLS adalah berbasis explanatory factor analysis. Meskipun demikian, tidak dapat dinyatakan sepenuhnya bahwa SEM PLS tidak mengenal confirmatory factor analysis, karena SEM PLS di samping mempergunakan analisis faktor untuk menyelesaikan outer-model, yaitu di tingkat penyelesaian data categorical berbasis skala, juga setelah tugas analisis faktor selesai mengkonstruksikan variabel laten dan indikator menjadi sebuah regression score, maka tugas berikutnya adalah SM PLS memanfaakan metode regressi untuk mendapatkan prediksi atas sejumlah relasi antarvariabel yang berkaitan.

Meskipun kita tidak perlu terjebak utuk memilih yang terbaik di antara dua pendekatan metode SEM di atas, di antara SEM PLS dan Covariance SEM, bahwa secara garis besar penggunaan SEM

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



PLS lebih banyak bertujuan untuk memahami sejumlah perilaku antarrelasi in the early stages of theoretical development (Henseler et al, 2009). Sejak dari awal dirintis oleh Herman Wold dari Houston University USA, dewasa ini SEM PLS telah dikembagan di pelbagai disiplin ilmu, antara lain di Marketing dan Management dimotori oleh J.F. Hair dari Kenesaw Universiyt, USA, Christian M Ringle dari Hamburg University. Di bidang Management dan Teknologi dimotori oleh Henseler dari kampus universitas di Geman, untuk pariwisata dimotori oleh Gyu Akker, dan masih banyak lainnya.

1.2 sumber data Primer dan Konsep Pengukuran

Penelitian persepsi merupakan kebutuhan yang semakin bekembang dewasa ini, karena semakin banyak fakta bahwa tingkat kepuasan, sikap untuk lebih bersedia loyal kepada organisasi, serta motivasi karyawan adalah contoh keseharian yang dihadapi banyak orang termasuk para pengusaha yang memerlukan informasi dalam rangka membangun kinerja pasar.

Berdasarkan fakta bahwa data berkaitan dengan kepuasan konsumen, sikap loyal kepada organisasi adalah variabel yang tidak dapat diukur secara langsung, sehingga diperlukan teknik skala untuk menetapkan posisi data yang bersifat kualitatif tersebut.

Pengukuran data bersifat katagorikal dengan skala Likert atau Skala 7, dinyatakan sebagai latent variable atau un-observable variable, karena itu pada uraian berikutya, kita aka menyebut data yang diukur secara tidak langsung disebut variabel laten.

Hair et al (2010) menyebut sebagai ’construct’ atau variabel laten, untuk membedakan antara variabel yang dapat diukur langsung disebut sebagai “variabel”, sedangkan informasi yang tidak dapat diukur secara lagsung disebut ”konstruk”.

Pengukuran data secara tidak langsung juga membawa serta pola karakteristik data skala yang memerlukan pengelompokkan



Dr. SuDjana BuDhiaSa, SE., M.Si

fungsi dan perananya. Dalam mengmpulkan informasi, peneliti pada umumnya telah memiliki model teori, berdasarkan model teori tersebut kemudian diturunkan dimensi sebagai pedoman teoretik untuk diteruksn sebagai pedoman wawancara berdasarkan pedoman teori yang dipergunakan. Berikut disampaikan kerangka hubungan konstruk dan dimensi dari dua relasi yang dipetakan sebagai konstruk yang saling berhubungan satu sama lain. Berikut disampaikan konstruk logistik performance (Y1) yang dipengaruhi oleh capabilitas (Y2) .

KasUs 1 :

Studi Tentang Pengaruh Kapabilitas Sumber Daya Managerial dalam Membangun Kinerja Usaha pada Perusahaan Logistik

(Indro Kirono, FEB0UB, 2016)

Gambar 1.1

Definisi:

variabel : adalah satuan unit analisis yang dapat diukur seara langsung (harga, produksi,dst)

Konstruk : adalah satuan unit analisis yang tidak dapat diukur secara langsung (Kepuasan, kapabilitas, kinerja pelangan, kualitas informasi dst).

dimensi : adalah konsep yang bersumber dari teori untuk membangun konstruk tertentu. Dimensi dapat berjumlah sekurang-kurangnya dua buah dan paling banyak 6 buah ( Hair, 2010) yang jumlahnya sangat terikat kepada konsep teori yang dibangun untuk mengkonstruksikan dimensi tersebut.

7

KASUS 1 :

Studi Tentang Pengaruh Kapabilitas Sumber Daya Managerial dalam Membangun Kinerja Usaha pada Perusahaan Logistik

(Indro Kirono, FEB0UB, 2016)

Gambar 1.1

Definisi:

Variabel : adalah satuan unit analisis yang dapat diukur seara langsung (harga, produksi,dst)

Konstruk : adalah satuan unit analisis yang tidak dapat diukur secara langsung (Kepuasan, kapabilitas, kinerja pelangan, kualitas informasi dst).

Dimensi : adalah konsep yang bersumber dari teori untuk membangun konstruk tertentu. Dimensi dapat berjumlah sekurang-kurangnya dua buah dan paling banyak 6 buah ( Hair, 2010) yang jumlahnya sangat terikat kepada konsep teori yang dibangun untuk mengkonstruksikan dimensi tersebut.

Indikator : adalah instrument penelitian yang dibangun berdasarkan konsep dimensi yang telah ditetapkan berdasarkan rujukan teori yang dipergunakan, Instrumen penelitian pada umumnya dibuat dengan mempergunakan daftar pertanyaan.

Tabel 1.1

Konstruk dan Dimensi Capabilitas

Konstruk Dimensi Kode

(Y2) (Morash et al., 1996)

Yallwe & Buscemi, 2014

Penyajian pelayanan kepada pelanggan. Y2.1 Responsif pada kebutuhan dan keinginan pelanggan. Y2.2 Efisiensi waktu pengiriman barang kepada pelanggan. Y2.3 Akses pelanggan untuk mendapatan informasi dan pelayanan Y2.4

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



Indikator : adalah instrument penelitian yang dibangun berdasarkan konsep dimensi yang telah ditetapkan berdasarkan rujukan teori yang dipergunakan, Instrumen penelitian pada umumnya dibuat dengan mempergunakan daftar pertanyaan.

Tabel 1.1 Konstruk dan dimensi Capabilitas

Konstruk Dimensi Kode

(Y2) (Morash et al., 1996) Yallwe & Buscemi, 2014

Penyajian pelayanan kepada pelanggan. Y2.1 Responsif pada kebutuhan dan keinginan pelanggan. Y2.2 Efisiensi waktu pengiriman barang kepada pelanggan. Y2.3 Akses pelanggan untuk mendapatan informasi dan pelayanan Y2.4

Tabel 1.2 Konstruk dan dimensi Logistic Performance

Rujukan Dimensi Kode

(Stock dan Lambert, 2001 Bowersox et al., 2000)

Kinerja pelayanan angkutan barang on time delivery. Y1.1 Management angkutan barang delivery lead-time. Y1.2 Daya tanggap perusahan terhadap keluhan pelanggan Y1.3

skala Pengukuran : 1 : Sangat tidak setuju 2 : Tidak Setuju 3 : Neutral 4 : Cukup Setuju 5 : Sangat setuju

Tabel 1.1 menyajikan variabel laten capabilitas yang menurut teori dikonstruksi oleh tiga dimensi dengan kode Y1.1 sampai dengan Y1.3, yang sama persis digammbarkan sebagai indikator pada Gambar 1.1. Sementara kita dapat memandang bahwa Y1.1 sampai dengan Y1.3 adalah dimensi yang mengkonstruksikan kapabilitas organisasi perusahaan, yang



Dr. SuDjana BuDhiaSa, SE., M.Si

akan dilanjutkan dengan mengembangknnya menjadi item-item pertanyaan. Direkomendasikan agar peneliti sebaiknya tidak mencari contoh kuestioner, tetapi sebaiknya mengembangkan dimensi yang sudah ada untuk diteruskan cara pengukurannya.

Seringkali dengan mempergunakan contoh lain, daftar pertanyaan tidak terkait dengan dimensi yang telah disediakan oleh teori.

Tabel 1.2 menyajikan tiga dimensi untuk mengukur kinerja logistik performance yang dirujuk dari Stock dan Lambert, 2001serta Bowersox et al., 2000 yaitu kinerja pelayaan on time delivery, angkutan barag delivery lead time, serta daya tanggap perusahaa terhadap keluhan pelanggan Untuk diperhatikan bahwa bahwa sumber data dari Tabel 1.1 dan Tabel 1.2, keduanya adalah pengukuran secara tidak langsung yang akan mempergunakan skala untuk mengukur sikap responden. Kita telah menempatkan rancangan pengukuran data pada Tabel 1.1 dan Tabel 1.2 pada Gambar 1.1 yang akan diproses dengan mempergunakan SmartPls, atau juga dengan SPSS dan bahkan secara manual dengan mempergunakan Excel sheet, akan didapatkan hasil yang sama. Hanya jika mempergunakan SPSS, hanya didapatkan regression score melalui fasilitas SPSS reduction dimension yang berbasis pada analisis faktor, tetapi tidak akan didapatkan secara langsung loading factor secara praktis seperti dapat disediakan oleh SmartPLS.

Sekarang kita kembali ke Tabel 1.1 dan Tabel 1.2 untuk diteruskan pola pengukuranya dengan merumuskan daftar pertanyaan yang sesuai dengan dimensi masing-masing. Konstruk kapabilitas pada Tabel 1.1 diteruskan menjadi daftar pertanyaan dengan pengukuran skala Liket (1,2,3,4,5). Tabel 1.3 meneruskan pola pengukuran dimensi pada Tabel 1.1 denan skala pengukuran Liket. Y1.1 sampai dengan Y1.3 pada Tabel 1.1 yang sebelumnya disebut dimensi sudah berubah menjadi indikator atau item-item pertanyaan pada Tabel 1.3. (lihat Tabel 1.3).

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



Tabel 1.3 dimensi dan Pengukuran skala Likert

Kode Indikator Capabilities Skala

Y1.1 Perusahaan mampu memberikan layanan terbaik kepada

pelanggan. 1 2 3 4 5

Y1.2 Perusahaan tanggap terhadap kebutuhan dan keinginan

pelanggan. 1 2 3 4 5

Y1.3 Perusahaan mampu meminimalisir waktu pengiriman pada

pelanggan 1 2 3 4 5

Pertanyaan diajukan bersifat bebas dan tidak diintervensi oleh peneliti, sehingga didapatkan jawaban yang jujur apa adanya. Hal yang sama juga dilakukan pengukuran item-item pertanyaan untuk Tabel 1.2 yang berkelanjutan menjadi Tabel 1.4.

(lihat daftar item pertanyaan pada Tabel 1.4).

Tabel 1.4 dimensi dan Pengukuran skala Likert

Kode Indikator Capabilities Skala

Y2.1 Perusahaan Anda selalu menerapkan on time delivery. 1 2 3 4 5 Y2.2 Perusahaan Anda mampu untuk memperpendek delivery lead-

time. 1 2 3 4 5

Y2.3 Perusahaan Anda dapat meminimalkan biaya logistik. 1 2 3 4 5 Y2.4 Perusahaan Anda dapat merespon keluhan pelanggan dengan

cepat. 1 2 3 4 5

Ketika daftar pertanyaan disampaikan kepada responden terpilih, maka jawaban mereka akan bervariasi dari pilihan skala 1 sampai dengan skal 5. Hasil wawancara melalui daftar pertanyaan, disajikan sebagai data excel tersajikan pada table 1.5.



Dr. SuDjana BuDhiaSa, SE., M.Si

Tabel 1.5 data survey Lapangan ( Indro Kirono, surabaya, 2016) Hasil wawncara Collobaration (y2) dan Logistic Performance (y1)

Y1.1 Y1.2 Y1.3 Y2.1 Y2.2 Y2.3 Y2.4

5 5 5 4 4 4 4

5 5 4 5 4 4 5

3 4 5 3 3 3 5

4 4 4 4 4 4 4

4 5 3 5 3 4 5

5 5 5 5 5 5 5

3 3 3 3 3 4 3

4 3 2 3 3 4 4

4 3 3 3 3 3 3

3 4 3 3 3 3 3

3 3 3 4 3 3 4

5 5 5 4 4 4 5

4 4 3 3 3 3 4

4 5 4 3 5 5 5

4 4 3 4 4 3 4

3 3 2 4 4 4 4

4 3 3 4 4 4 4

4 3 1 3 3 3 3

5 4 4 5 5 5 4

SEM PLS memiliki karakter non-parametric, dalam pengertian bahwa hasil prediksi dapat ditampilkan dengan small sample size, dan kemudian melakukan re-sampling melalui langkah bootstrapping yang berbasis kepada prosedur Efront (1981). Studi yang dilakukanoleh Wayne Chin (1988) melalui pengembangan monte-carlo studi menunjukkan bahwa small sample memiliki prediksi yang cukup robust, meski harus disadari bahwa secara metodologi pendekatan bootstrapping memiliki kendala, yaitu apabila heterogenitas sample tidak terwakili secara baik, maka re-sampling akan menghasilkan prediksi yang bias.

Small sample tetap akan menghasilkan prediksi yang dapat diperaya, apabila dilakukan dengan prosedur sampling yang benar. Dengan demikian, salah satu kelebihan dari Smart PLS

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

0

adalah pengembangan prosedur bootstrapping sebagai andalan yang berbiaya lebh mudah dengan hasil prediksi yang akurat.

Tentunya diperlukan pembelajaran yang lebih banyak bagi seorang peneliti untuk menghadapi tantangan mendapatkan hasil prediksi yang akurat dengan sample yang kecil, maka Smart PLS menjdi pendamping yang sangat tepat.

1.4 Penyusunan Model Penelitian Berbasis Confirmatory Capabilities berpengaruh terhadap kinerja usaha (lihat Gambar 1.1)

………. (1.1)

Persamaan (1.1) adalah model regressi, yang terdri atas variabel laten dependent Y1, serta variabel laten independent Y2.

Sehubungan dengan kedua anggota dari persamaan (1.1) adalah bukan variabel, tetapi adalah konstruk, yaitu satuan unit analisis yang tidak dapat diukur secara langsung, tetapi mempergunakan skala pengukuran Likert (1,2,3,4,5), sehingga diperlukan dua prosedur penyelesaian analisis, yaitu (a) Outer-model dan (b) Inner-model.

Prosedur pengukuran tingkat pertama, disebut outer-model, yaitu penggunaan analisis factor untuk mendapatkan regression score. Penggunaan secara langsung metode regressi tidak dapat dilakukan pada data nominal (categorical data), sehingga perlu dicari skala pengukuran mempergunakan analisis factor. Berbeda dengan metode regressi yang telah kita kenal, pada teknik analisis factor, data laten didapatkan dengan cara mereduksi yang berbeda dengan metode kuadrat sebagaimana dilakukan pada metode regressi.

11

SEM PLS memiliki karakter non-parametric, dalam pengertian bahwa hasil prediksi dapat ditampilkan dengan small sample size, dan kemudian melakukan re-sampling melalui langkah bootstrapping yang berbasis kepada prosedur Efront (1981). Studi yang dilakukanoleh Wayne Chin (1988) melalui pengembangan monte-carlo studi menunjukkan bahwa small sample memiliki prediksi yang cukup robust, meski harus disadari bahwa secara metodologi pendekatan bootstrapping memiliki kendala, yaitu apabila heterogenitas sample tidak terwakili secara baik, maka re-sampling akan menghasilkan prediksi yang bias.

Small sample tetap akan menghasilkan prediksi yang dapat diperaya,

apabila dilakukan dengan prosedur sampling yang benar. Dengan demikian, salah satu kelebihan dari Smart PLS adalah pengembangan prosedur bootstrapping sebagai andalan yang berbiaya lebh mudah dengan hasil prediksi yang akurat.

Tentunya diperlukan pembelajaran yang lebih banyak bagi seorang peneliti untuk menghadapi tantangan mendapatkan hasil prediksi yang akurat dengan sample yang kecil, maka Smart PLS menjdi pendamping yang sangat tepat.

1.4 Penyusunan Model Penelitian Berbasis Confirmatory

Capabilities berpengaruh terhadap kinerja usaha (lihat Gambar 1.1)

………. (1.1)

Persamaan (1.1) adalah model regressi, yang terdri atas variabel laten

dependent

Y1, serta variabel laten independent Y2. Sehubungan dengan kedua anggota dari persamaan (1.1) adalah bukan variabel, tetapi adalah konstruk, yaitu satuan unit analisis yang tidak dapat diukur secara langsung, tetapi

1 2 1 1

1

    Y  

Y



Dr. SuDjana BuDhiaSa, SE., M.Si

Gambar 1.4

Konstruk Logistic Perpformance (y1)

Langkah pertama, adalah penyelesaian pengukuran skala data categorical yang diperoleh dari responden (lihat Gambar 1.4).

Data dipolakan dengan cara melakukan reduksi atas sebaran data melalui metode rata-rata. Data Tabel 1.1 dilampirkan bersama naskah ini, kemudian diolah berdasarkan pengunaan tiga software, Excl sheet, SmartPLS 3.2 dan SPSS 20, untuk kemudian dibandingkan dengan cara manual dengan Excel. Ketiga cara dilakukan untuk mendapatkan konfirmasi hasil, sehingga pembaca dapat melakukan penilaian atas metode reduksi tersebut dalam menghasilkan data baru yang disebut data laten, versi SmartPLS 3, SPSS 20 dan Excel worksheet secara manual.

Tabel 1.5 selengkapnya disediakan pada CDROM dengan jumlah data seluruhnya sebanyak 46 buah yang terdiri atas dua konstruk, yaitu Y1 dan Y2. Berdasarkan pengelompokkan data Y1.1 sampai dengan Y1.3 untuk mengkonstruksi variabel laten Y1, serta Y2.1 sampai dengan Y2.4 untuk mengonstruksi Y2, maka didapatkan cara berhitung Excel dengan teknik rerata reduksi berbasis analisis factor, didapatkan hasil akhir tersajikan pada Tabel 1.2. Versi perhitungan excel dinyatakan sebagai std. Y1 dan std. Y2, sedangkan versi Garbing-Anderson yang didapatkan melalui prosedur SPSS disajikan sebagai SPSS Y1 dan SPSS Y2.

(lihat panduan prosedur Arderson-Garbing pada CDROM).

12

mempergunakan skala pengukuran Likert (1,2,3,4,5), sehingga diperlukan dua prosedur penyelesaian analisis, yaitu (a) Outer-model dan (b) Inner-model.

Prosedur pengukuran tingkat pertama, disebut outer-model, yaitu penggunaan analisis factor untuk mendapatkan regression score. Penggunaan secara langsung metode regressi tidak dapat dilakukan pada data nominal (categorical data), sehingga perlu dicari skala pengukuran mempergunakan analisis factor. Berbeda dengan metode regressi yang telah kita kenal, pada teknik analisis factor, data laten didapatkan dengan cara mereduksi yang berbeda dengan metode kuadrat sebagaimana dilakukan pada metode regressi.

Gambar1.6

Konstruk Logistic Perpformance (Y1)

Y1.1 Y1.2 Y1.3 Logistic

Performance (Y1)

Langkah pertama, adalah penyelesaian pengukuran skala data categorical

yang diperoleh dari responden (lihat Gambar 1.4). Data dipolakan dengan cara

melakukan reduksi atas sebaran data melalui metode rata-rata. Data Tabel 1.1

dilampirkan bersama naskah ini, kemudian diolah berdasarkan pengunaan tiga

software

, Excl sheet, SmartPLS 3.2 dan SPSS 20, untuk kemudian dibandingkan

dengan cara manual dengan Excel. Ketiga cara dilakukan untuk mendapatkan

konfirmasi hasil, sehingga pembaca dapat melakukan penilaian atas metode

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



Tabel 1.2 Hasil Olah data excel dan sPss

Tabel 1.2 menyajikan teknik perhitungan manual mempergunakan sheet excel dapat dilihat sampel perhitungan pada CDROM yang disertakan pada modul workshop ini. Tujuan yang ingin dicapai dari cara berhitung manual adalah untuk memahami pola kerja SmartPls yang seakan gelap tanpa kita pahami bahwa sebenarnya konsep yang mendasari penyelesaian outer-model adalah bahwa SmartPls memanfaatkan secara optimal prosedur analisis factor untuk menyelesaikan model SEM PLS di tingkat awal yaitu mengkonstruksikan kualitas data outer-model untuk mendapatkan regression score.

SEM PLS bekerja secara bertahap untuk mendapatkan model prediksi dalam bentuk final statistical report yang dilengkapi dengan sejumlah uji statistik. SEM PLS bekerja melalui dua tahapan,

13

reduksi tersebut dalam menghasilkan data baru yang disebut data laten, versi SmartPLS 3, SPSS 20 dan Excel worksheet secara manual.

Tabel 1.5 selengkapnya disediakan pada CDROM dengan jumlah data seluruhnya sebanyak 46 buah yang terdiri atas dua konstruk, yaitu Y1 dan Y2.

Berdasarkan pengelompokkan data Y1.1 sampai dengan Y1.3 untuk mengkonstruksi variabel laten Y1, serta Y2.1 sampai dengan Y2.4 untuk mengonstruksi Y2, maka didapatkan cara berhitung Excel dengan teknik rerata reduksi berbasis analisis factor, didapatkan hasil akhir tersajikan pada Tabel 1.2.

Versi perhitungan excel dinyatakan sebagai std. Y1 dan std. Y2, sedangkan versi Garbing-Anderson yang didapatkan melalui prosedur SPSS disajikan sebagai SPSS Y1 dan SPSS Y2. (lihat panduan prosedur Arderson-Garbing pada CDROM).

Tabel 1.2

Hasil Olah Data Excel dan SPSS



Dr. SuDjana BuDhiaSa, SE., M.Si

yaitu TAHAP Analisis Factor dan TAHAP Analisis regressi. Pada tingkat mengkonstruksikan kerangka hubungan antara konstruk dengan indikatornya, SmartPLS mempergunakan analisis Factor, karena data yang dipergunakan umumnya adalah categorical data dengan skala tertentu, seperti skala Likert ( 5 skala), skala 7 ataupun skala 9. Pada tingkat ketika proses analisis factor selesai dilakukan, maka pekerjaan SEM PLS telah memiliki regression score, yang dapat diteruskan dengan analisis regressi.

Pengembangan model SEM PLS yang dikembangkan oleh Herman Wold (1981), Joreskoug (1988), kemudian menjadi lebih dikembangkan ke tingkat prediction oriented dengan small sample, serta melalui penggunaan regressi yang tidak full regresseion atau dikenal sebagai partial regression, yang tidak memerlukan asumsi normalitas. Bahwa focus studi SEM PLS bukan ditargetkan berorientasi kepada final statistical report seperti pada pendekatan covariance-based model ( AMOS, Lisrel, EQS dan seterusnya), melainkan lebih terfokus kepada upaya untuk mendapatkan kualitas informasi model di tingkat modeling dengan mempertimbangkan tidak hanya model konstruk yang reflective, tetapi juga fenomena adanya variabel laten yang berkarakter formative, yang tidak mungkin dapat diselesaikan dengan pendekatan covariance-based. Kita akan bahas secara khusus model formatif pada uraian tersendiri, sementara pokok bahasan kita adalah untuk memahami pola kerja analisis factor dalam mengkonstruksikan variabel latent kemudian menjadi regression score.

Penelitian mahasiswa yag mempergunakan data categorical dimulai dari 1,2,3,4,5 adalah data skala yang tidak dapat diperlakukan secara utuh melalui penggunaan analisis regressi, karena data categorical bukan data numerik, tetapi adalah data laten yaitu data yang diperoleh melalui cara pengukuran tidak secara langsung. Dengan demikian, tahap penyelesaian data categorical secara umum sampai saat ini diselesaikan dengan memanfaatkan analisis factor yang berbasis kepada upaya

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



mendapatkan pengelompokkan data berdasarkan dimensi, terposisikan lebih tinggi, sedang atau rendah, meskipun di tingkat akhir bisa diselesaikan dengan metode regressi, bahwa statistical result tetap memiliki karakter dimensi, bukan kuantitatif yang berbasis variabel (lihat Gambar 1.5).

Gambar 1.5 disebut sebagai proses outer-model, yaitu proses pembentukan latent variable menjadi regression score dengan bantuan analisis factor. Proses pembentukan konstruk bersumber dari indikator yang merefleksikan konstruk bersangkutan. Banyak metode yang dapat dipergunakan, antara lain prosedur Anderson Garbing, sebagaimana dapat ditemukan pada prosedur dimension reduction factor analysis pada SPSS untuk mendapatkan regression score (lihat Tabel 1.2 untuk konstruk Y1 SPSS dan Y2 SPSS. Ketika regression score sudah didapatkan, maka proses berikutnya adalah menghubungkan konstruk satu dengan kontruk lainnya melalui tanda panah. Pada proses menghubungkan satu konstruk dengan kontruk lainnya memerlukan metode regressi untuk menyelesaikannya.

Gambar 1.5 Tahap analisis Factor

16 reduction factor analysis pada SPSS untuk mendapatkan regression score (lihat Tabel 1.2 untuk konstruk Y1 SPSS dan Y2 SPSS. Ketika regression score sudah didapatkan, maka proses berikutnya adalah menghubungkan konstruk satu dengan kontruk lainnya melalui tanda panah. Pada proses menghubungkan satu konstruk dengan kontruk lainnya memerlukan metode regressi untuk menyelesaikannya.

Gambar1.5 Tahap Analisis Factor

Y3.3 Y3.2

Y3.1

Y2.1 Y2.2 Y2.3

Y1.1 Y1.2 Y1.3 Y2.4

Capabilities (Y2)

Information Sharing

(Y3)

Logistic Performance

(Y2)

Gambar 1.5 adalah fokus dari studi SEM PLS dalam rangka mendapatkan kualitas informasi yang konsisten dan tidak bias. SEM PLS memperkenalkan pendekatan model formatif ( lihat Lennox dan Bollen, (1991), Diamantopoluos dan Winkhover, (2001), Jarvis et al (2003), Petter (2007), Henseler et al (2009), Hair et al (2010), serta Ringer et al (2014).



Dr. SuDjana BuDhiaSa, SE., M.Si

Gambar 1.5 adalah fokus dari studi SEM PLS dalam rangka mendapatkan kualitas informasi yang konsisten dan tidak bias.

SEM PLS memperkenalkan pendekatan model formatif ( lihat Lennox dan Bollen, (1991), Diamantopoluos dan Winkhover, (2001), Jarvis et al (2003), Petter (2007), Henseler et al (2009), Hair et al (2010), serta Ringer et al (2014).

Gambar 1.6 Tahap analisis Regressi

Sebuah konstruk dinyatakan reliable apabila terpenuhi nilai cronbach Alpha paling minimum 0.60 ( Nunally dan Bersttein, 1988), cara lain dengan mempergunakan pendekatan composite reability ( Chin et al (1988), juga dengan nilai minimum dengan keragaman paling kecil 0.60. Ketika kualitas data yang dianalisis ternyata tidak reliable, maka peneliti bisa kembali melihat instrumen penelitian, yang memiliki kemungkinan pertanyaan dengan jawaban ganda, atau sejumlah pertanyaan yang memiliki tendensi mengarah kepada jawaban tertentu, sehingga meniadakan peluang random yang seharusnya menjadi acuan responden dalam menjawab secara bebas, memahami dengan

17 Sebuah konstruk dinyatakan reliable apabila terpenuhi nilai cronbach Alpha paling minimum 0.60 ( Nunally dan Bersttein, 1988), cara lain dengan mempergunakan pendekatan composite reability ( Chin et al (1988), juga dengan nilai minimum dengan keragaman paling kecil 0.60. Ketika kualitas data yang dianalisis ternyata tidak reliable, maka peneliti bisa kembali melihat instrumen penelitian, yang memiliki kemungkinan pertanyaan dengan jawaban ganda, atau sejumlah pertanyaan yang memiliki tendensi mengarah kepada jawaban tertentu, sehingga meniadakan peluang random yang seharusnya menjadi acuan responden dalam menjawab secara bebas, memahami dengan benar dan mengerti atas jawaban mengapa mereka memilih skala 1,2 atau skala lainnya. Sebagiamana telah dinyatakan sebelumnya, bahwa model regressi dapat dilakukan apabila proses outer-model telah menunjukkan data instrument adalah reliabel dan valid.

Gambar 1.6 menyajikan proses ke tingkat inner-model . Gambar1.6

Tahap Analisis Regressi

Y3.3 Y3.2

Y3.1

Y2.1 Y2.2 Y2.3

Y1.1

Y1.2

Y1.3 Y2.4

PATH1 PATH2

PATH3 Regression

Score (Y2)

Regression Score

(Y1) Regression

Score (Y3)

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



benar dan mengerti atas jawaban mengapa mereka memilih skala 1,2 atau skala lainnya. Sebagiamana telah dinyatakan sebelumnya, bahwa model regressi dapat dilakukan apabila proses outer-model telah menunjukkan data instrument adalah reliabel dan valid.

Gambar 1.6 menyajikan proses ke tingkat inner-model .

Prosedur berikutnya adalah dalam rangka mendapatkan instrumen yang dapat memberikan jaminan validitas alat ukur, bahwa emas diukur bukan dengan timbangan kilogram, atau sebaliknya beras bukan ditimbang dengan alat timbangan emas. Secara garis besar, konsep pengukuran validitas dapat dilakukan dengan banyak metode antara lain, dengan prosedur Keizer-Meiser-Ohlin yang dikenal sebagai KMO ( Alkalaf et al (2012), Nimoko et al (2014). Standar pendekatan SmartPLS 3 merekomendasikan tiga prosedur untuk mengukur validitas. (1) prosedur Fornell-Larscher (1988), kedua adalah prosedur cross- loading ( Chian, 1988), serta ketiga adalah prosedur heterotrait- monotrait ratio (Henseler et al (2015).

Khusus untuk konstruk berkarakter formative, pendekatan di atas tidak dapat dipergunakan, karena model formative tidak mengenal standar error individual, melainkan adalah standar error bersama ( seperti ditemukan pada regressi berganda).

Langkah pertama dapat dilakukan dengan melihat sebaran nilai signifikansi dari outer-weight per indikator dari konstruk yang bersangkutan. Apabila statistik t tidak signifikan, maka dapat dinyatakan model formative tidak valid dan tidak dapat dilanjutkan sebagai pilihan analisis ke proses berikutnya (Barclay et al (1995), Diamantopoluos dan Winkhover, 2001). Cara lain yang dapat dilakukan untuk mendeteksi kelayakan model formative adalah melalui penggunaan analisis VIF untuk mendapatkan uji collinearity (Tenenhouse et al (2004). Basis pendekatan konsep formative adalah bersifat multi-dimensional, sehingga dinyatakan model formative layak untuk dipertimbangkan ke analis berikutnya apabila nilai VIF lebih kecil dari 3 untuk inner model, serta VIF lebih kecil dari 10 untuk outer model untuk sebuah model statistik yang terbebas dari gejala multi-collinearity.



Dr. SuDjana BuDhiaSa, SE., M.Si

Bahan workshop ini diharapkan dapat menjadi bahan review tentang SEM PLS yang disederhanakan, pada proses di mana pemahaman pola yang sederhana dapat menggugah dipergunakan alat analisis SEM PLS khususnya SmartPls pada kebutuhan penulisan skripsi pada jenjang pendidikan Strata 1, yang diyakini bisa dilakukan pada model hubungan tiga variabel laten dangan pengembangan model mediasi segitiga, serta dukugan software Excel dan SPSS dapat dimanfaatkan sebagai pengantar, untuk nantinya bisa masuk ke SmartPLS 3 jika pemahanan mahasiswa sudah menjadi lebih baik dan memadai.

Bahasan berikut akan lebih banyak menguraikan pemahaman data yang tidak dapat diukur secara langsung dikenal sebagai construck yang tidak sama dengan variable. Kemudian terpenting bagi kita adalah menyadari bahwa pengukuran skala adalah pengukuran dimensional, yang memiliki keterbatasan ruang gerak dalam meng-interpretasikan hasil, yang tidak dapat diselaraskan dengan pengembangan model regressi dengan data kuantitatif dan dinyatakan sebagai variable.

1.5 Penyelesaian Regression Laten score dengan excel dan sPss

Data yang dipergunakan sebagai sumber untuk memahami pola kerja analisis factor dan regressi, telah disertakan pada CDROM dan ditampikan sebagian pada Tabel 1.1 . Hasil perhitungan Excel dan SPSS untuk mendapatkan regression score ternyata dapat dibuktikan sama, terdapat sedikit perbedaan karena adanya decimal yang menyebabkan perbedaan yang tidak signifikan.

Jika latent variable cara excel dan cara SPSS dibandingkan, maka seperti tampak pada Gambar 1.7 yang dikelola dengan teknik reduksi mempergunakan excel, serta Gambar 1.8 sepenuhnya mempergunakan fasilitas dimension reduction analisis factor versi Anderson Garbing (1988), sebagaimana disertakan pada pengembangan SPSS.

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



Gambar 1.7

Latent variable Regression score Hasil Olah data excel

Cara berhitung melalui cara reduksi dan dibagi dengan standar deviasi, didapatkan std. Y1 dan std. Y2 yang sepenuhnya dilakukan dengan cara manual, sehingga dinyatakan sebagai data latent, yang menjadi basis perhitungan data skala pada Smartpls, dan sejumlah software SEM dan PATH lainnya.

Membandingan cara excel dan SPSS membuktikan bahwa pola sebaran grafik pada Gambar 1.7 dan Gambar 1.8 adalah sama dan tidak berbeda. Dengan demikian, paling sedikit dapat dipahami, bahwa alur pembentukan data latent berbasis analisis factor yang mempergunakan prosedur teknik reduksi.

20

karena adanya decimal yang menyebabkan perbedaan yang tidak signifikan. Jika

latent variable cara excel dan cara SPSS dibandingkan, maka seperti tampak pada

Gambar 1.7 yang dikelola dengan teknik reduksi mempergunakan excel, serta Gambar 1.8 sepenuhnya mempergunakan fasilitas dimension reduction analisis

factor versi Anderson Garbing (1988), sebagaimana disertakan pada

pengembangan SPSS.

Gambar 1.7

Latent Variable Regression Score Hasil Olah Data Excel

Cara berhitung melalui cara reduksi dan dibagi dengan standar deviasi, didapatkan std. Y1 dan std. Y2 yang sepenuhnya dilakukan dengan cara manual, sehingga dinyatakan sebagai data latent, yang menjadi basis perhitungan data skala pada Smartpls, dan sejumlah software SEM dan PATH lainnya.

Membandingan cara excel dan SPSS membuktikan bahwa pola sebaran grafik

pada Gambar 1.7 dan Gambar 1.8 adalah sama dan tidak berbeda. Dengan

demikian, paling sedikit dapat dipahami, bahwa alur pembentukan data latent

berbasis analisis factor yang mempergunakan prosedur teknik reduksi.



Dr. SuDjana BuDhiaSa, SE., M.Si

Gambar 1.8

Latent variable Regression score Hasil Olah analisis Factor data sPss

Penelusuran terhadap hasil akhir dari hubungan kausalitas dari Y1 dan Y2 dalam pola hubungan regressi sederhana, membuktikan bahwa data latent yang diperoleh dari pengolahan excel sama dengan data yang diperoleg melalui cara Anderson Garbing melalui fasilitas analisis factor pada SPSS ( lihat Gambat 1.9 dan Gambar 1.10).

Gambar 1.9

ReGRessION sCORe veRsI PeRHITUNGaN eXCeL Regression

21 Gambar 1.8

Latent Variable Regression Score Hasil Olah Analisis Factor Data SPSS

Penelusuran terhadap hasil akhir dari hubungan kausalitas dari Y1 dan Y2 dalam pola hubungan regressi sederhana, membuktikan bahwa data latent yang diperoleh dari pengolahan excel sama dengan data yang diperoleg melalui cara Anderson Garbing melalui fasilitas analisis factor pada SPSS ( lihat Gambat 1.9 dan Gambar 1.10).

Gambar 1.9

REGRESSION SCORE VERSI PERHITUNGAN EXCEL Regression

Variables Entered/Removed^b

Model Variables

Entered Variables

Removed Method

1 y2^a . Enter

a. All requested variables entered.

b. Dependent Variable: y1

Model Summary

Model R R Square Adjusted R

Square Std. Error of the Estimate

1 .594^a .352 .338 .81378

21

Gambar 1.8

Latent Variable Regression Score Hasil Olah Analisis Factor Data SPSS

Penelusuran terhadap hasil akhir dari hubungan kausalitas dari Y1 dan Y2 dalam pola hubungan regressi sederhana, membuktikan bahwa data latent yang diperoleh dari pengolahan excel sama dengan data yang diperoleg melalui cara Anderson Garbing melalui fasilitas analisis factor pada SPSS ( lihat Gambat 1.9 dan Gambar 1.10).

Gambar 1.9

REGRESSION SCORE VERSI PERHITUNGAN EXCEL Regression

Variables Entered/Removed^b Model Variables

Entered Variables

Removed Method

1 y2^a . Enter

a. All requested variables entered.

b. Dependent Variable: y1

Model Summary Model R R Square Adjusted R

Square Std. Error of the Estimate

1 .594^a .352 .338 .81378

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6

0

22 Variables Entered/Removed^b

Model Variables

Entered Variables

Removed Method

1 y2^a . Enter

a. All requested variables entered.

a. Predictors: (Constant), y2

ANOVA^b

Model Sum of Squares df Mean Square F Sig.

1 Regression 15.850 1 15.850 23.934 .000^a

Residual 29.138 44 .662

Total 44.988 45

a. Predictors: (Constant), y2 b. Dependent Variable: y1

Coefficients^a

Model

Unstandardized Coefficients Standardized Coefficients

t Sig.

B Std. Error Beta

1 (Constant) -7.331E-17 .120 .000 1.000

y2 .594 .121 .594 4.892 .000

a. Dependent Variable: y1

Bardasarkan Ganbar 1.9 didapatkan nilai F yang hanya berbeda pada satu digit, serta nilai R yang hanya berbeda 0.02. Hal yang juga didaptkan pada parameter pada standar beta 0.594 pada model excel yang didapatan sebesar 0.597 pada model SPSS. Dengan demikian, model perhitungan excel adalah valid dan dapat dijadikan rujukan untuk mendapatkan prosedur Anderson Garbing yang juga diterapkan pada SmartPls. Pembaca dapat membuktikan bahwa model dua variabel yang dipolakan melalui penggunaan SmartPls akan menghasilkan model regressi yang sama.

Bardasarkan Gambar 1.9 didapatkan nilai F yang hanya berbeda pada satu digit, serta nilai R yang hanya berbeda 0.02.

Hal yang juga didaptkan pada parameter pada standar beta 0.594 pada model excel yang didapatan sebesar 0.597 pada model SPSS.

Dengan demikian, model perhitungan excel adalah valid dan dapat dijadikan rujukan untuk mendapatkan prosedur Anderson Garbing yang juga diterapkan pada SmartPls. Pembaca dapat membuktikan bahwa model dua variabel yang dipolakan melalui penggunaan SmartPls akan menghasilkan model regressi yang sama.



Dr. SuDjana BuDhiaSa, SE., M.Si

Gambar 1.10

ReGRessION sCORe veRsI aNaLIsIs FaCTOR sPss Regression

Gambar 1.11 menyajikan informasi grafik dari data latent yang bersumber pada perhitungan Smartpls, yang ternyata tidak berbeda banyak dengan Gambar 1.8 maupun Gambar 1.9, sehingga dapat disimpulkan bahwa model pengembangan metode Anderson Garbing yang terdapat pada SPSS juga didapatkan pada SmartPls. Meskipun dengan SPSS bisa didapatkan nilai indikatorloading factors, tetapi SPSS tidak memiliki orientasi kebutuhan praktis seperti yang dapat ditampilkan pada SmartPls, sehingga relatif banyak waktu yang dihabiskan dalam pengolahan data untuk mendapatkan model penyelesaian praktis, seperti disajikan pada SmartPls.

23 Gambar 1.10

REGRESSION SCORE VERSI ANALISIS FACTOR SPSS Regression

Model Summary

Model R R Square Adjusted R

Square Std. Error of the Estimate

1 .597^a .357 .342 .81100230

a. Predictors: (Constant), zb

ANOVA^b

Model Sum of Squares Df Mean Square F Sig.

1 Regression 16.060 1 16.060 24.418 .000^a

Residual 28.940 44 .658

Total 45.000 45

a. Predictors: (Constant), zb b. Dependent Variable: za

Coefficients^a

Model

Unstandardized Coefficients Standardized Coefficients

t Sig.

B Std. Error Beta

1 (Constant) 1.849E-17 .120 .000 1.000

Zb .597 .121 .597 4.941 .000

a. Dependent Variable: za

Gambar 1.11 menyajikan informasi grafik dari data latent yang bersumber pada perhitungan Smartpls, yang ternyata tidak berbeda banyak dengan Gambar 1.8 maupun Gambar 1.9, sehingga dapat disimpulkan bahwa model pengembangan metode Anderson Garbing yang terdapat pada SPSS juga didapatkan pada SmartPls. Meskipun dengan SPSS bisa didapatkan nilai indikatorloading factors, tetapi SPSS tidak memiliki orientasi kebutuhan praktis seperti yang dapat ditampilkan pada SmartPls, sehingga relatif banyak waktu yang dihabiskan dalam pengolahan data untuk mendapatkan model penyelesaian praktis, seperti disajikan pada SmartPls.

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6



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 -2 -1 0 1 2 3

Series1



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

Model Kinerja Perusahaan Logistik

X1.3 X1.2

X1.1

Y2.1 Y2.2 Y2.3

Y1.1 Y1.2 Y1.3 Y2.4

H1 H2

H3

Capabilities (Y2)

Logistic Performance

(Y1) Information

Sharing (Y3)

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.