See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/372827232
PENGANTAR PARTIAL LEAST SQUARES STRUCTURAL EQUATION MODEL(PLS- SEM) 2023
Book · August 2023
CITATIONS
14
READS
41,799
2 authors, including:
Dedi Rianto Rahadi President University, Bekasi 45PUBLICATIONS 405CITATIONS
SEE PROFILE
All content following this page was uploaded by Dedi Rianto Rahadi on 02 August 2023.
The user has requested enhancement of the downloaded file.
PENGANTAR
PARTIAL LEAST SQUARES
STRUCTURAL EQUATION MODEL(PLS-SEM)
2023
Dedi Rianto Rahadi
Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah metode
alternatif untuk SEM berbasis kovarians (CB-SEM) yang digunakan saat
menganalisis data menggunakan pemodelan persamaan struktural (SEM).
PENGANTAR PARTIAL LEAST SQUARES STRUCTURAL
EQUATION MODELING (PLS-SEM)
DEDI RIANTO RAHADI
Lentera Ilmu Madani
i
PENGANTAR PARTIAL LEAST SQUARES STRUCTURAL EQUATION
MODELING (PLS-SEM)
DEDI RIANTO RAHADI
Desain Cover:
M. Iqbal Tawaqal Tata Letak:
M. Mifta Farid Editor:
Wijonarko
ISBN:
Cetakan Pertama:
Juli 2023
Hak Cipta 2023, Pada Penulis Hak Cipta Dilindungi Oleh Undang-Undang
Copyright © 2023 by Penerbit Lentara Ilmu Madani
All Right Reserved
Dilarang keras menerjemahkan, memfotokopi, atau memperbanyak sebagian atau seluruh isi buku ini tanpa izin tertulis dari Penerbit.
PENERBIT:
CV. LENTERA ILMU MADANI
Jln. Letjen Ibrahim ajie 51 A Tasikmalaya Provinsi Jawa Barat Anggota IKAPI No. 411/JBA/2021
ii
KATA PENGANTAR
Alhamdulillah, komitmen dan istiqomah untuk terus berkarya melalui penulisan baru yang diberi judul “PENGANTAR PARTIAL LEAST SQUARES STRUCTURAL EQUATION MODELING (PLS-SEM)”.
Pemodelan persamaan struktural kuadrat terkecil parsial (PLS-SEM) telah menjadi metode yang populer untuk memperkirakan model jalur dengan variabel laten dan hubungannya.
Penulis berharap buku ini dapat mejadi rujukan bagi peneliti dalam melakukan penelitian. Buku ini juga masih banyak kekurangan masukan serta diskusi lebih lanjut sangat ditunggu.
Terima kasih bagi semua pihak yang banyak membantu terutama keluarga serta kolega.
Juli, 2023
Dedi Rianto Rahadi
iii
DAFTAR ISI
KATA PENGANTAR ... ii
BAB 1 Pengatar Structural Equation Model (SEM) ... 1
1.1. Pemodelan Persamaan Struktural (SEM) ? ... 1
1.1.1. Diagram Model Persamaan Struktural ... 4
1.1.2. Rekomendasi ad-hoc Mengenai Ukuran Sampel ... 6
1.2. Jenis Pemodelan Persamaan Struktural ... 9
1.2.1. Analisis Jalur (Path Analysis) ... 9
1.2.1.1. Memahami Analisis Jalur ... 11
1.2.1.2. Analisis Jalur Dalam Praktiknya... 13
1.2.2. Variabel Laten Dan Yang Dapat Diamati ... 14
1.2.3. Analisis Faktor Konfirmasi (CFA) ... 18
1.2.3.1. Langkah Proses Analisis Konfirmasi (CFA) ... 20
1.3. Prinsip Pemodelan Persamaan Struktural ... 23
1.3.1. Model Jalur dengan Variabel Laten ... 23
1.3.2. Pengujian Hubungan Teoritis ... 24
1.3.3. Teori Pengukuran ... 25
1.3.4. Teori Struktural ... 26
1.4. Prosedur Analisis SEM ... 27
1.5. Kapan Menggunakan Pemodelan Persamaan Struktural (SEM) ? ... 31
1.6. Latihan ... 33
BAB 2 Pengantar Partial Least Squares Structural Equation Modeling (PLS-SEM) ... 34
2.1. Karakteristik Utama Metode PLS-SEM ... 34
iv
2.1.1. Studi Tinjauan PLS-SEM Sebelumnya ... 41
2.1.2. Kapan Menggunakan PLS-SEM ... 42
2.1.3. Cara menggunakan PLS-SEM ... 45
2.1.4. Topik Tingkat Lanjut ... 51
2.1.5. Diagram Jalur ... 54
2.2. Pertanyaan ... 56
BAB 3Model Regresi PLS-SEM ... 57
3.1. Model Regresi PLS ... 57
3.2. Analisis Jalur (Path Analysis) ... 58
3.3. Model Jalur dengan Variabel Laten ... 59
3.3.1. Asumsi Path Analysis ... 62
3.3.2. Syarat-Syarat Penggunaan Path Analysis ... 63
3.4. Analisis Faktor Konfirmatori (CFA) ... 64
3.4.1. Istilah Kunci Untuk Analisis Faktor Konfirmatori ... 66
3.4.2. Dasar-Dasar Analisis Faktor ... 68
3.3.5. Proses Analisis Faktor Konfirmatori ... 71
3.3.6. Konsep Kunci Dalam Analisis Faktor Konfirmatori ... 74
3.3.7. Statistik 76 3.3.8. Contoh Data Kesehatan dan Peserta ... 78
3.4. Model Struktural Variabel Laten ... 80
3.5. Model Kurva Pertumbuhan ... 81
3.6. Pertanyaan ... 82
BAB 4 Variabel Analisis Jalur ... 83
4.1. Variabel Endogen ... 83
v
4.1.1. SEM Dengan Satu Variabel Endogen ... 85
4.1.2. Dua Atau Lebih Variabel Endogen ... 86
4.2. Variabel Eksogen ... 87
4.2.1. Contoh Penerapan Variavel Endogen Dan Exogen ... 88
4.2.2. Istilah Interaksi ... 90
4.3. Variabel Mediasi (Mediating variables) ... 92
4.4. Variabel moderasi (Moderating variables) ... 95
4.5. Efek Langsung, Tidak Langsung, Dan Total ... 98
4.6. Istilah Interaksi... 99
4.7. Pertanyaan ... 100
BAB 5Teknik Partial Least Squares Structural Equation Modeling Menggunakan SmartPLS ... 101
5.1. Pengantar SmartPLS ... 101
5.1.1. Model Pengukuran ... 101
5.1.2. Model Struktural ... 103
5.2. Outer Model dalam Tutorial Partial Least Square ... 111
5.2.1. Pengujian Convergent Validity ... 111
5.2.3. Discriminant Validity ... 115
5.2.4. Composite Reliability ... 118
5.3. Evaluasi Model Struktural (Inner Model) ... 119
5.3.1. Uji Kebaikan Model (Model Fit) ... 121
5.3.2. Cross-validated Redundancy (Q2 ) ... 123
5.4. Uji Hipotesis ... 124
5.4.1. Hubungan Langsung (direct effects)... 124
vi
5.4.2. Hubungan Tidak Langsung (indirect effects) ... 128
5.4.3. Hasil Analisis Total Effects ... 130
5.5. Latihan ... 131
DAFTAR PUSTAKA ... 132
PROFIL PENULIS ... 136
1
BAB 1
Pengatar Structural Equation Model (SEM)
Setelah membaca bab ini, pembaca dapat:
1. Memahami prinsip-prinsip model persamaan struktural (SEM)
2. Mendeskripsikan elemen dasar model persamaan struktural
1.1. Pemodelan Persamaan Struktural (SEM) ?
Structural Equation Modeling (SEM) adalah metode konfirmasi yang memberikan sarana komprehensif untuk menilai dan memodifikasi model pengukuran serta model struktural. Metode tersebut memiliki kemampuan untuk menilai unidimensionalitas, validitas dan reliabilitas suatu model pengukuran.
Pemodelan Persamaan Struktural adalah metode statistik yang semakin banyak digunakan dalam studi ilmiah di bidang Ilmu Sosial.
Structural Equation Modeling terdiri dari dua dasar komponen sebagai model struktural dan model pengukuran.
Pemodelan persamaan struktural (SEM) telah menjadi standar sehubungan dengan analisis hubungan sebab akibat antara variabel laten. Kemampuannya untuk memodelkan variabel laten sekaligus mempertimbangkan berbagai bentuk kesalahan pengukuran membuat SEM berguna untuk banyak pertanyaan penelitian (Babin et al. 2008; Steenkamp dan Baumgartner 2000), khususnya di bidang
2
pemasaran, yang biasanya berfokus pada memeriksa fenomena yang tidak dapat diamati seperti sikap konsumen, persepsi, dan niat.
Pemodelan Persamaan Struktural Memiliki dua tujuan utama:
✓ Untuk memahami pola korelasi/kovarians antar variabel dan
✓ Menjelaskan variannya sebanyak mungkin dengan model yang ditentukan
Persamaan Struktural Memiliki juga memiliki beberapa keterbatasan diataranya :
keterbatasan pertama, metode tipe regresi dibatasi untuk memproses variabel yang dapat diamati, seperti usia atau penjualan (dalam unit atau dolar). Konsep teoretis, yang merupakan "sifat atau atribut abstrak, tidak dapat diamati dari unit sosial entitas" (Bagozzi
& Philipps, 1982), hanya dapat dipertimbangkan setelah validasi berdiri sendiri sebelumnya melalui, misalnya, konfirmasi analisis faktor (CFA). Akan tetapi, inklusi ex post dari ukuran-ukuran konsep teoretis memiliki berbagai kekurangan.
keterbatasan kedua dan terkait dengan poin sebelumnya, harus diingat bahwa setiap pengamatan dunia nyata disertai dengan tingkat kesalahan pengukuran tertentu, yang bisa sistematis atau acak. Teknik generasi pertama, tegasnya, hanya berlaku ketika variabel yang diukur tidak mengandung kesalahan sistematis atau acak.
Untuk mengatasi keterbatasan ini, para peneliti semakin beralih ke teknik generasi kedua. Metode ini, disebut sebagai pemodelan persamaan struktural (SEM). Hasilnya, metode tersebut memperoleh
3
pengukuran yang lebih tepat dari konsep teoretis yang diminati (Cole
& Preacher, 2014).
Structural Equation Modeling (SEM) adalah teknik analisis statistik multivariat yang kuat yang menggabungkan analisis faktor dan analisis regresi berganda. SEM mampu menganalisis hubungan antar konstruk laten secara simultan dalam sebuah model. Konstruk laten ini diukur dengan menggunakan sejumlah item dalam kuesioner.
SEM berbasis kovarians (CB-SEM) atau full SEM telah menjadi pilihan bagi banyak peneliti dalam berbagai disiplin ilmu karena kemampuannya untuk mengevaluasi hubungan yang kompleks dengan menggunakan pendekatan statistik parametrik.
Peneliti juga dapat memilih SEM berbasis Varians (VB-SEM) atau Partial Least Square-SEM (PLS-SEM) ketika data mereka gagal memenuhi asumsi parametrik seperti distribusi normalitas multivariat dan ukuran sampel minimum. Namun, pendekatan VB- SEM atau PLS-SEM adalah non-parametrik, bukan pendekatan parametrik di CB-SEM. Temuan dari kedua analisis menyarankan bahwa CB-SEM atau SEM penuh lebih tepat untuk memvalidasi dan mengkonfirmasi model pengukuran MSQoL.
Amos lebih ketat dibandingkan dengan Smart PLS (SPLS). Jika teori formal dan ukuran sampel yang sesuai tidak tersedia, SPLS dapat berfungsi, tetapi Amos tidak memberikan kesesuaian model yang tepat. Dalam Hair (2017a), “kedua metode tersebut saling melengkapi, bukan kompetitif.” Pemilihan metode berangkat dari tujuan penelitian. Jika teori yang ada perlu diuji dan dikonfirmasi, CB- SEM adalah yang terpilih. Namun demikian, untuk tujuan pengembangan teori maupun prediksi, PLS-SEM lebih baik.
4
1.1.1. Diagram Model Persamaan Struktural
Model Persamaan Struktural sangat kompleks karena mengandung banyak koefisien dalam banyak arah dan diagram adalah cara terbaik untuk memahami apa yang dilakukan oleh Model Persamaan Struktural.
Model Persamaan Struktural sering mengikuti beberapa praktik umum:
1. Variabel laten dilambangkan dengan lingkaran 2. Variabel terukur dilambangkan dengan kuadrat 3. Hubungan dilambangkan dengan panah
4. Varians dan residual dilambangkan dengan panah dari variabel ke dirinya sendiri
Berikut adalah contoh SEM diagram :
Gambar 1.1. Structural Equation Modeling Diagram
5
Gambar 1.2, dijelaskan secara detail contoh diagram SEM. Contoh diagram Pemodelan Persamaan Struktural, dapat membantu untuk memahaminya dengan lebih baik:
Dalam gambar 1.2. dapat dilihat:
1. Kinerja Pekerjaan sebagai variabel laten dependen, dengan tiga variabel terukur yang menyertainya di sebelah kanan.
2. tiga variabel laten independen Keterampilan Sosial, Keterampilan Intelektual, dan Motivasi ada di sebelah kiri JobPerf
3. anak panah dari ketiga variabel laten independen ke Prestasi Kerja untuk menunjukkan bahwa ketiga variabel laten tersebut diharapkan berdampak pada Prestasi Kerja.
4. keenam variabel terukur di sebelah kiri diharapkan masing- masing mempengaruhi salah satu variabel independen laten.
Panah menunjukkan variabel laten mana yang dipengaruhi oleh masing-masing variabel terukur
Gambar 1.2. Structural Equation Modeling Diagram
6
Sekarang, tujuan teknik pemodelan Persamaan Struktural adalah memperkirakan koefisien untuk setiap panah dalam diagram. Setiap panah adalah koefisien, dan kesalahan standar juga harus diperkirakan. Estimasi tersebut akan memungkinkan mengukur hubungan kompleks antara variabel terukur dan variabel laten.
1.1.2. Rekomendasi ad-hoc Mengenai Ukuran Sampel
Penelitian menggunakan SEM menggunkan ukuran sampel yang cukup besar. Dari berbagai referensi merekomensikan jumlah sampel sebesar 100-200. Penelitian menggunakan PLS sampel yang digunakan relative kecil yaitu minimal 30-50 sampel. PLS tidak membutuhkan modifikasi, sebaliknya model SEM dibutuhkan modifikasi untuk mencapai kelayakan model yang lebih baik. Untuk pemodelan multi-grup, aturan praktisnya adalah 100 kasus/pengamatan per grup (Kline, 2005).
Ukuran sampel sering dipertimbangkan berdasarkan jumlah variabel yang diamati. Untuk data yang terdistribusi normal, Bentler dan Chou (1987) menyarankan rasio serendah 5 kasus per variabel akan cukup ketika variabel laten memiliki beberapa indikator. Aturan praktis yang diterima secara luas adalah 10 kasus/pengamatan per variabel indikator dalam menetapkan batas bawah ukuran sampel yang memadai (Nunnally, 1967). Beberapa studi simulasi dalam literatur SEM telah menyarankan bahwa ukuran sampel yang besar diperlukan untuk menghasilkan hasil yang dapat dipercaya. Dan meskipun temuan ini hanya relevan untuk pengaturan tertentu (salah satu contoh terkenal adalah apa yang disebut metode estimasi
"Asymptotically Distribution Free" atau ADF), studi ini memicu
7
kebijaksanaan konvensional bahwa SEM hanya dapat digunakan jika ukuran sampel cukup besar. (misalnya, n > 500) atau bahkan sangat besar (n > 2000).
Penelitian sebelumnya mencatat bahwa hasil yang masuk akal dapat diperoleh dalam analisis SEM ketika N <200 (Gerbing dan Anderson, 1985), atau setidaknya di atas 100 (Boomsma, 1985). Walaupun rekomendasi ini didukung oleh hasil Monte Carlo, jumlah variabel dalam studi ini agak kecil. Bentler dan Chou (1987) kemudian mencatat bahwa ukuran sampel N malah harus dianggap relatif terhadap jumlah parameter q, dan rasio N:q dapat serendah 5:1 untuk data terdistribusi normal, dan 10:1 untuk sewenang-wenang distribusi.
Penelitian terbaru menunjukkan bahwa, seiring peningkatan p, kita sebenarnya membutuhkan N yang jauh lebih besar dari 200 agar dapat berfungsi seperti yang diharapkan. Secara khusus, ditemukan bahwa pada tingkat nominal 5%, Tml menolak model yang benar 100% ketika N = 200 dan p = 90 (Moshagen, 2012); dan menolak model yang benar sekitar 85% ketika N = 1.000 dan p = 120 (Shi et al., 2018). Selain itu, studi oleh Jackson (2001), Moshagen dan Shi et al.
menunjukkan bahwa perilaku Tml sedikit dipengaruhi oleh jumlah parameter.
Masalah tidak memiliki ukuran sampel yang cukup besar juga menjadi perhatian utama dalam analisis faktor eksplorasi (EFA) karena skala psikologis yang paling terkenal mengandung banyak item. Dalam konteks EFA, rekomendasinya cukup bervariasi, termasuk misalnya untuk N berada di atas 100 dan bahkan sampai di atas 1000 (Guilford, 1954; Kline, 1979; Gorsuch, 1983; Comrey dan Lee, 1992), Dalam hal rasio N/p, telah disarankan perlu berada di mana saja dari atas 1.2 hingga 10 (Everitt, 1975; Cattell, 1978; Barrett dan Kline, 1981; Gorsuch, 1983; Arrindell dan van der Ende, 1985).
MacCallum et al. (1999), bagaimanapun, berpendapat bahwa N yang
8
diperlukan sebenarnya tergantung pada kondisi lain selain N/p, termasuk komunalitas dan jumlah indikator per faktor. Menariknya, de Winter et al. (2009) mencatat bahwa N bisa jauh lebih kecil dari p jika ukuran komunalitas dan jumlah indikator per faktor tinggi.
Namun, diskusi dan rekomendasi mengenai ukuran sampel yang dibutuhkan dalam EFA sebagian besar untuk tujuan pemulihan faktor1 daripada evaluasi model secara keseluruhan atau inferensi estimasi parameter.
Pemulihan faktor EFA berbeda secara konseptual dari masalah inferensi statistik di SEM atau CFA. Fokus utama adalah estimasi dan evaluasi model, diskusi dan ulasan kami pasti akan memberikan wawasan tentang masalah inferensi di EFA juga. Secara khusus, karena pemulihan faktor terkait erat dengan kesalahan standar estimasi pemuatan faktor, kondisi atau metode yang sesuai dengan estimasi parameter yang lebih efisien akan menghasilkan pemulihan faktor yang lebih baik di EFA. Misalnya, Yuan dkk. (2010) telah menunjukkan bahwa kesalahan standar (SE) estimasi pemuatan faktor dalam CFA meningkat dengan ukuran varians kesalahan, dan menurun dengan jumlah indikator per faktor dan ukuran pemuatan faktor selain yang sesuai dengan SE itu sendiri.
Rekomendasi ukuran sampel diperlukan dalam literatur SEM dan EFA semuanya hanyalah dugaan sementara. Meskipun didasarkan pada studi simulasi kecil dengan N yang bervariasi tetapi nilai p yang terbatas, mereka tidak dibenarkan secara statistik, atau digeneralisasikan untuk kondisi dengan p besar, seperti juga dicatat (Yang et al, 2018).
9
1.2. Jenis Pemodelan Persamaan Struktural
Ada berbagai jenis Model Persamaan Struktural. Sebelum masuk ke implementasi kode dari dua di antaranya, pertama-tama dibahas lanskap umum model SEM. Jika melihat definisi resmi, harus mengakui banyak model sebagai jenis Pemodelan Persamaan Struktural. Misalnya, model yang dapat dilihat sebagai jenis Pemodelan Persamaan Struktural meliputi:
1.2.1. Analisis Jalur (Path Analysis)
Analisis jalur dikembangkan untuk mengukur hubungan antara beberapa variable, itu nama awal SEM sebelum ada variabel laten, dan sangat kuat dalam menguji dan mengembangkan hipotesis struktural dengan efek kausal langsung dan tidak langsung. Namun, kedua efek tersebut baru-baru ini disinonimkan. Analisis jalur dapat menjelaskan hubungan sebab akibat antar variabel. Untuk melakukan analisis jalur, cukup tuliskan nama variabel dalam kotak persegi dan hubungkan kotak persegi dengan panah. Ini akan menunjukkan efek satu sama lain, mirip dengan regresi.
Analisis jalur berlaku dalam dua cara; sebelum dan sesudah menjalankan regresi. Mereka juga dikenal sebagai 'diagram jalur masukan' dan 'diagram jalur keluaran'. Sementara diagram jalur masukan mewakili hubungan sebab akibat antara variabel saat mengajukan hipotesis, diagram jalur keluaran menunjukkan hasil sebenarnya dari pengujian. Hasil ini membantu menguji hipotesis yang diajukan dalam diagram jalur masukan.
10
Analisis jalur digunakan untuk memperkirakan sistem persamaan dimana semua variabel diamati. Tidak seperti model regresi, model jalur dapat mencakup beberapa variabel dependen (model sistem regresi). Di SmartPLS, variabel model jalur dapat dimasukkan sebagai konstruksi item tunggal. Ketika suatu variabel didasarkan pada beberapa indikator, mereka diberi bobot yang sama untuk mendapatkan skor konstruk. Pada prinsipnya, hanya hubungan struktural antara variabel yang diamati (atau konstruksi berbobot sama) dengan atau tanpa variabel kontrol yang dimodelkan. Jenis model ini sering digunakan ketika satu atau lebih variabel memediasi hubungan antara dua variabel lainnya (model mediasi). Pada saat yang sama, mediasi yang dimoderasi dapat dimodelkan.
Gambar 1.3 menunjukkan contoh model jalurdi SmartPLS.
Gambar 1.3. Model Jalur di SmartPLS.
11 Contoh Analisis Jalur dalam Penelitian
Misalnya pernyataan hipotesis bahwa usia memiliki pengaruh langsung terhadap kepuasan kerja. Hipotesis tersebut memiliki dampak positif, dimana semakin tua usia seseorang, semakin puas seseorang dengan pekerjaannya.
Dengan menggunakan analisis jalur, dapat dibuat diagram yang menjelaskan hubungan antar variabel. Diagram tersebut akan menunjukkan hubungan antara usia dan otonomi (semakin tua, semakin besar otonomi yang dimiliki), dan (semakin berumur usia seseorang maka pendapatan akan meningkat. Hubungan tersebut menunjukkan hubungan antara dua set variabel independent dan variabel dependen, yaitu kepuasan kerja.
Sebagai contoh, peneliti dapat menyimpulkan otonomi dan pendapatan berhubungan dengan kepuasan kerja. Dua variabel memiliki hubungan yang lebih kuat dengan kepuasan kerja daripada yang lain, atau tidak ada variabel yang memiliki hubungan yang signifikan dengan kepuasan kerja.
1.2.1.1. Memahami Analisis Jalur
Dalam studi kasus ini terdapat tiga variabel bebas; 'usia', 'pendapatan' dan 'kualifikasi'. Variabel-variabel ini mempengaruhi 'kepuasan kerja' karyawan. Oleh karena itu, 'kepuasan kerja' menjadi variabel dependen dan tiga variabel bebas; 'usia', 'pendapatan' dan 'kualifikasi'menjadi variabel independen. Hipotesis untuk kasus ini adalah:
✓ Hipotesis 1: Kualifikasi berpengaruh positif terhadap kepuasan kerja.
12
✓ Hipotesis 2: Pendapatan berpengaruh positif terhadap kepuasan kerja.
✓ Hipotesis 3: Usia mempunyai berpengaruh positif terhadap kepuasan kerja.
Pertama, buat diagram jalur input untuk menunjukkan hubungan sebab akibat yang diajukan dalam hipotesis ini. Diagram jalur untuk hipotesis muncul seperti di bawah ini:
Gambar 1.4. Analisis Jalur Input Yang Dihipotesiskan
Diagram input di atas menampilkan gagasan intuitif tentang bagaimana usia, kualifikasi, dan pendapatan memengaruhi kepuasan kerja. Karena salah satu hipotesis di atas mengusulkan dampak negatif usia terhadap kepuasan kerja, garis tersebut berwarna merah. Diagramnya sederhana dan menganggap ketiga variabel memiliki dampak langsung pada variabel dependen.
Dalam kasus di atas, analisis jalur input menunjukkan hubungan yang dihipotesiskan. Selanjutnya, mencakup pengaruh variabel independen terhadap variabel dependen. Namun, ketiga variabel bebas tersebut juga dapat saling mempengaruhi. Oleh karena itu, diagram jalur keluaran dapat dibangun setelah melakukan analisis korelasi dan regresi.
13
1.2.1.2. Analisis Jalur Dalam Praktiknya
Dari contoh gambar 1.4 menggunakan empat variabel dari survei pekerjaan: usia, pendapatan, otonomi, dan kepuasan kerja. Peneliti mengusulkan bahwa usia memiliki efek langsung pada kepuasan kerja. Namun efek tidak langsung dari usia pada kepuasan kerja juga disarankan; usia mempengaruhi pendapatan yang pada gilirannya mempengaruhi kepuasan, usia mempengaruhi otonomi yang pada gilirannya mempengaruhi kepuasan dan usia mempengaruhi otonomi yang mempengaruhi pendapatan yang mempengaruhi kepuasan. Otonomi dan pendapatan memiliki pengaruh langsung terhadap kepuasan. Gambar 1..5. menjelskan input hubungan sebeb akibat.
Gambar 1.5. Diagram input hubungan sebab akibat dalam survei pekerjaan, menurut Bryman & Cramer (1990)
Untuk berpindah dari diagram masukan ini ke diagram keluaran, perlu menghitung koefisien jalur. Koefisien jalur adalah koefisien regresi standar (bobot beta). Penulis menghitung dengan menyiapkan persamaan struktural, dalam hal ini:
kepuasan = b11age + b12otonomi + b13 pendapatan + e1
14 pendapatan = b21age + b22otonomi + e2 otonomi = b31age + e3
Penulis menggunakan notasi yang berbeda untuk koefisien dari Bryman dan Cramer's, untuk memperjelas bahwa b11 pada persamaan pertama berbeda dengan b21 pada persamaan kedua.
Istilah e1, e2, dan e3 adalah kesalahan atau istilah varians yang tidak dapat dijelaskan. Untuk mendapatkan koefisien jalur, hanya menjalankan tiga analisis regresi, dengan kepuasan, pendapatan, dan otonomi menjadi variabel dependen pada gilirannya dan menggunakan variabel independen yang ditentukan dalam persamaan. Nilai konstanta (a1, a2, dan a3) tidak digunakan. Jadi diagram jalur keluaran lengkap terlihat pada gambar 1.6
Gambar 1.6. Output diagram hubungan sebab akibat dalam survei pekerjaan, menurut Bryman & Cramer (1990)
1.2.2. Variabel Laten Dan Yang Dapat Diamati
Model Variabel Laten dan Analisis Faktor memberikan pendekatan yang komprehensif dan terpadu untuk analisis faktor dan pemodelan variabel laten dari perspektif statistik.
15
Pemodelan variabel laten mengacu pada berbagai kelompok prosedur statistik yang menggunakan satu atau lebih variabel (laten) yang tidak teramati untuk menjelaskan dan mengeksplorasi hubungan antara sekumpulan variabel yang diamati. Ada banyak jenis analisis yang termasuk dalam judul umum ini, tetapi umumnya dapat dikelompokkan menjadi empat kategori: model yang menganggap satu atau lebih dimensi laten (analisis faktor eksplorasi dan konfirmasi), satu atau lebih kategori laten (analisis kelas laten, analisis profil laten), baik kategori dan dimensi laten (pemodelan campuran faktor), atau model struktural yang mengandaikan hubungan antar variabel laten.
Model variabel laten adalah model statistik yang tidak hanya memuat variabel teramati tetapi juga variabel laten (tidak teramati).
Berbagai model tersebut, meliputi :
✓ Model bertingkat digunakan untuk data yang memiliki struktur bertingkat, seperti siswa yang berada di ruang kelas di sekolah dan tindakan berulang yang ada di dalam mata pelajaran.
✓ Model persamaan struktural digunakan untuk mengevaluasi hubungan struktural antara variabel terukur dan laten.
Contohnya adalah analisis faktor konfirmatori, model pertumbuhan laten, dan model mediasi.
✓ Model Teori Respon Item menghubungkan ciri-ciri laten (misalnya pengetahuan) dengan variabel yang diamati (misalnya skor tes). Model tersebut digunakan untuk konstruksi tes dan kuesioner, dan untuk tujuan penilaian kemampuan.
16
✓ Jenis model variabel laten lainnya, seperti kelas laten dan model campuran, analisis profil laten, dan model jaringan saraf.
Contohnya adalah studi pencegahan dan penghentian merokok berbasis sekolah. Pengacakan dilakukan di tingkat sekolah agar semua mata pelajaran dalam satu sekolah mendapat perlakuan yang sama. Data memiliki struktur bertingkat dengan siswa di dalam kelas di sekolah. Variabel hasil seperti perilaku merokok mungkin bersifat laten dan diukur menggunakan banyak item. Pengaruh kondisi pengobatan pada hasil dapat dimediasi oleh variabel seperti niat.
Data dari studi intervensi semacam itu harus dianalisis dengan model yang memungkinkan variabel laten, beberapa tingkat efek bersarang dan mediasi, yaitu model persamaan struktural bertingkat.
Variabel laten adalah variabel yang tidak teramati, tetapi pengaruhnya dapat diringkas melalui satu atau lebih variabel indikator. Mereka berguna untuk menangkap properti kompleks atau konseptual dari suatu sistem yang sulit untuk diukur atau diukur secara langsung. Aplikasi awal variabel laten, misalnya, berfokus pada pemodelan efek 'kecerdasan umum', yang merupakan konsep abstrak yang tidak mungkin diukur secara aktual, tetapi dapat didekati menggunakan skor dari berbagai tes kinerja kognitif (mis., memori, verbal, spasial, dll). Perhatikan contoh sederhana berikut dari variabel laten ξ , dalam hal ini eksogen dan hanya diinformasikan oleh satu prediktor x:
Gambar 1.7. Variabel Laten
17
Di sini, variabel laten ditunjukkan oleh lingkaran dan variabel indikator tunggal x ditunjukkan oleh kotak persegi, seperti semua variabel yang diamati. Anda akan mencatat beberapa keingintahuan dibandingkan dengan model variabel yang diamati.
Pertama, arah kausalitas dibalik dari apa yang diharapkan: dari variabel laten ke variabel yang diamati. Hal ini karena variabel indikator merupakan manifestasi yang muncul dari fenomena yang mendasari yang diwakili oleh variabel laten.
Kedua, ada kesalahan δ
terkait dengan indikatornya. Ini menyiratkan bahwa indikator seringkali merupakan perkiraan yang tidak sempurna dari konstruk laten. Dengan kata lain, diduga ada faktor-faktor lain yang mempengaruhi korelasi antara variabel yang diamati dan variabel laten.
Variabel laten dapat dikaitkan dengan variabel indikator dengan menggunakan persamaan berikut:
x=λξ+δx
Di sini, nilai x adalah hasil dari variabel laten sebanding dengan λ (pengaruhnya pada x) ditambah beberapa kesalahan δx.
SEM menerapkan analisis faktor konfirmatori untuk memperkirakan konstruksi laten. Variabel atau konstruk laten tidak ada dalam kumpulan data, karena merupakan faktor umum turunan dari variabel lain dan dapat menunjukkan sebab atau akibat model.
18
1.2.3. Analisis Faktor Konfirmasi (CFA)
Confirmatory factor analysis (CFA) berguna dalam penelitian konfirmasi dimana struktur yang mendasari variabel dipahami dengan baik dan peneliti ingin menguji hipotesis tertentu. Peneliti menggunakan pengetahuan teori, penelitian empiris, atau keduanya, mendalilkan pola hubungan apriori dan kemudian menguji hipotesis secara statistik.
Confirmatory Factor Analysis (CFA) digunakan untuk memvalidasi pemuatan faktor dan pengukuran yang terlibat dalam penelitian ini.
Di dalam CFA, peneliti menggunakan pendekatan ini untuk menguji teori yang diusulkan (CFA adalah bentuk pemodelan persamaan struktural), atau model dan berbeda dengan EFA, memiliki asumsi dan ekspektasi berdasarkan teori sebelumnya mengenai jumlah faktor, dan teori faktor mana atau model paling cocok. Sebelumnya, prosedur EFA hanya bergantung pada pembebanan luar, namun pendekatan ini menjadi perhatian pada dua hal yaitu pembebanan faktor dan indeks fitness. Dengan kata lain, factor loading yang tinggi tidak cukup untuk diterima selama indeks fitness tidak memenuhi syarat. Penilaian indeks fitness terdiri dari tiga kategori yaitu parsimonious fit, absolute fit, dan incremental fit. Memang, hal ini sesuai dengan Dalila et al., (2020) penggunaan setidaknya satu indeks kebugaran dari setiap kategori model fit. Oleh karena itu, peneliti harus memastikan kedua lipatan ini memenuhi syarat.
Variabel laten multi-indikator juga dapat digunakan untuk menguji hipotesis bahwa serangkaian variabel indikator dihasilkan oleh proses dasar yang sama. Ini juga disebut analisis faktor konfirmatori.
Dengan kata lain, Anda sedang menguji gagasan bahwa variabel laten telah memunculkan sifat-sifat muncul yang, berdasarkan penyebab
19
umum, berkorelasi. Pendekatan ini hanya menyangkut model pengukuran dan dengan demikian merupakan pendahulu untuk evaluasi model struktural di mana variabel laten muncul.
Sebaliknya, analisis faktor eksplorasi mengasumsikan bahwa semua variabel laten ditunjukkan oleh semua variabel yang diamati. Analisis faktor konfirmatori (CFA) adalah metode untuk mengukur variabel laten. Ini mengekstrak konstruk laten dari variabel lain dan berbagi varian paling banyak dengan variabel terkait. Misalnya, cekaman abiotik sebagai variabel laten diukur dengan pengamatan perubahan tanah (yaitu, salinitas tanah, bahan organik, ketinggian banjir;
Gambar. 1.8. Grace et al. 2010).
Gambar 1.8. Pengukuran Variabel Laten
Analisis faktor konfirmatori mengestimasi variabel laten berdasarkan variasi yang berkorelasi dari kumpulan data (misalnya, asosiasi, hubungan sebab akibat) dan dapat mengurangi dimensi data, membakukan skala berbagai indikator, dan memperhitungkan
20
korelasi yang melekat pada kumpulan data (Byrne 2013). Oleh karena itu, untuk mendalilkan variabel laten, seseorang harus memperhatikan alasan untuk menggunakan variabel laten. Dalam contoh cekaman abiotik yang diberikan di atas, tekanan dan gangguan komunitas adalah variabel laten yang menjelaskan korelasi dalam kumpulan data. Shao dkk. (2015) menerapkan CFA untuk menyempitkan fitur nutrisi tanah menjadi satu variabel yang memperhitungkan karbon organik tanah, nitrogen total serasah, dan rasio karbon terhadap nitrogen. Juga, Capmouteres dan Anand (2016) mendefinisikan fungsi habitat sebagai indikator lingkungan yang menjelaskan tutupan tanaman dan kelimpahan burung asli untuk ekosistem hutan dengan menggunakan CFA.
Selain CFA, ada jenis lain dari analisis faktor: analisis faktor eksplorasi (EFA). Teknik estimasi statistik keduanya sama. CFA diterapkan ketika indikator untuk setiap variabel laten ditentukan sesuai dengan teori terkait atau pengetahuan sebelumnya (Joreskog 1969; Brown 2006;
Harrington 2009), sedangkan EFA diterapkan untuk menemukan variabel laten yang mendasarinya.
Dalam prakteknya, EFA sering dilakukan untuk memilih konstruk laten dasar yang berguna untuk CFA ketika ada sedikit pengetahuan sebelumnya tentang konstruk laten.
1.2.3.1. Langkah Proses Analisis Konfirmasi (CFA) Untuk menyelesaikan analisis faktor konfirmatori, penting untuk mengikuti beberapa langkah kunci. Meskipun analisis faktor konfirmatori sebagian besar merupakan prosedur perangkat lunak otomatis, peneliti harus menyiapkan analisis, memilih variabel, dan menginterpretasikan hasil. Berikut adalah langkah-langkah utama dalam metode CFA:
21 1. Tentukan variabel laten
Mulailah dengan menentukan konsep apa yang ingin menganalisis dan menetapkan definisi teoretisnya. Menetapkan garis dasar untuk menggambarkan variabel laten memungkinkan mengevaluasi keakuratan variabel yang diamati. Anda dapat menentukan variabel laten dengan mencantumkan karakteristik atau mengumpulkan data tambahan. Misalnya, jika ingin menggunakan CFA untuk menentukan apakah survei asupan merupakan penilaian harga diri yang baik, mulailah dengan mendefinisikan harga diri.
2. Menentukan metode pengukuran
Selanjutnya, identifikasi metode pengukuran yang ingin menguji dan variabel observasi mana yang akan disertakan. Variabel ini biasanya pertanyaan survei, dapat menyertakan beberapa pertanyaan dari survei yang sama atau memilih pertanyaan dari survei yang berbeda tergantung pada jenis analisis yang ingin dilakukan.
Berikut adalah beberapa contoh variabel yang diamati dari survei yang menilai harga diri:
✓ Beri peringkat kepercayaan diri dari satu hingga lima.
✓ Setuju atau tidak setuju: Saya tidak nyaman menerima pujian dari orang lain.
✓ Nilai kemampuan beradaptasi dari satu sampai lima.
3. Kumpulkan data
Kumpulkan informasi yang ingin digunakan dalam analisis faktor konfirmatori. Putuskan apakah akan mengumpulkan tanggapan awal dari penelitian sendiri atau menggunakan data luar dari sumber lain.
Cobalah untuk mendapatkan informasi ukuran sampel yang besar untuk memastikan analisis yang akurat. Setelah memiliki informasi
22
berkualitas yang cukup, masukkan ke dalam perangkat lunak pemodelan statistik.
4. Tetapkan parameter yang konsisten
Menggunakan perangkat lunak pemodelan statistik, buat parameter standar untuk mengevaluasi variabel laten dan variabel yang diamati.
Putuskan sistem pengukuran apa yang ingin digunakan sebagai standar dan biarkan perangkat lunak mengonversi semua nilai lain ke pengukuran tersebut.
Misalnya, jika ingin menggunakan sistem peringkat satu sampai lima, dengan satu berarti "tidak setuju" dan lima berarti "setuju", harus mengonversi semua jenis pertanyaan lainnya ke format itu terlebih dahulu.
5. Hitung datanya
Gunakan perangkat lunak pemodelan statistik untuk menghitung pemuatan faktor untuk data. Ikuti petunjuk untuk antarmuka perangkat lunak khusus untuk menghasilkan hasil. Sebagian besar perangkat lunak analisis faktor menempatkan informasi ini dalam sebuah tabel, meskipun beberapa menghasilkan grafik dan tabel untuk mengungkapkan informasi yang sama.
6. Interpretasi
Tinjau kolom pemuatan faktor dari tabel analisis faktor untuk menentukan seberapa baik setiap variabel yang diamati berhubungan dengan variabel laten. Putuskan nilai pemuatan faktor apa yang menunjukkan hubungan yang signifikan, dan gunakan itu untuk memandu interpretasi. Misalnya, dapat memutuskan bahwa setiap variabel dengan pemuatan faktor 0,75 valid untuk menilai harga diri. Jika semua pertanyaan survei memiliki pemuatan faktor
23
lebih dari 0,75, dapat menyimpulkan bahwa survei Anda adalah pengukuran keseluruhan yang baik.
1.3. Prinsip Pemodelan Persamaan Struktural
1.3.1.
Model Jalur dengan Variabel Laten
Model variabel laten, seperti namanya, adalah model statistik yang mengandung variabel laten, yaitu variabel yang tidak teramati.
Variabel laten tersirat oleh kovarian antara dua atau lebih variabel terukur. Mereka juga dikenal sebagai faktor (yaitu, analisis faktor), konstruksi atau variabel yang tidak teramati. Gambar 1.9.
memperlihatkan hubungan antar variable.
Gambar 1.9. Model Struktural
24
Konsep variabel laten dari analisis faktor konfirmatori dan pemodelan persamaan struktural dapat dilihat secara paralel dengan formulasi teori tes klasik. Variabel laten seperti skor sebenarnya yang tidak diamati secara langsung, variabel yang diamati adalah pengukuran yang diamati secara langsung, dan beberapa tingkat kesalahan pengukuran acak mungkin ada sehingga skor yang diamati tidak cocok dengan skor sebenarnya, dapat mengatakan bahwa skor yang sebenarnya menyebabkan sebagian dari skor yang diamati biasanya dengan sisa beberapa varian yang tidak terhitung. Hipotesis kausal menunjukkan model regresi atau jalur yang dapat digambarkan secara grafis dengan elips yang mewakili variabel laten dan kotak persegi yang mewakili variabel terukur.
1.3.2. Pengujian Hubungan Teoritis
Model jalur dikembangkan berdasarkan teori dan sering digunakan untuk menguji hubungan teoretis. Tujuan pengujian teori adalah untuk memverifikasi validitas hipotesis yang disajikan tentang struktur teoretis teori dalam realitas empiris. Sebuah teori harus dikoreksi atau ditolak sama sekali jika tidak mendapat dukungan dari data empiris. Sebuah teori dapat dianggap valid ketika hipotesis yang disajikan mendapatkan dukungan empiris. Sebuah teori harus diuji secara terus menerus, dan sebaiknya dengan kelompok sasaran yang berbeda. Sebuah teori memiliki tingkat validitas yang lebih tinggi karena hipotesis mengumpulkan lebih banyak dukungan empiris.
Dengan demikian, presumsi adalah terkaan individu, sedangkan dogma adalah sejumlah presumsi yang secara reguler dihubungkan berikut dan bisa diuji secara empiris. Dua rupa dogma diperlukan menjelang melebarkan kaca jalur: dogma pemeringkatan dan dogma struktural. Teori pemeringkatan mematok penanda mana dan bagaimana ini digunakan menjelang mengerok coret-coretan teoretis tertentu. Sebaliknya, dogma
25
struktural mematok bagaimana formasi tergantung esa serupa lain bagian dalam kaca struktural. Teori pengujian menggunakan PLS-SEM mengikuti proses dua Langkah. Pertama menguji teori pengukuran untuk mengkonfirmasi reliabilitas dan validitas model pengukuran.
Setelah model pengukuran dikonfirmasi, dilanjutkan ke pengujian teori struktural. Logikanya adalah harus terlebih dahulu mengkonfirmasi teori pengukuran sebelum menguji teori struktural, karena teori struktural tidak dapat dikonfirmasi jika pengukurannya tidak dapat diandalkan atau tidak valid.
1.3.3. Teori Pengukuran
Teori pengukuran menentukan bagaimana variabel laten (konstruksi) diukur. Secara umum, ada dua cara berbeda untuk mengukur variabel yang tidak dapat diamati. Satu pendekatan disebut sebagai pengukuran reflektif, dan yang lainnya adalah pengukuran formatif.
Bangun Y1 dan Y2 di . Gambar 1.9 dimodelkan berdasarkan model pengukuran formatif. Perhatikan bahwa panah arah menunjuk dari variabel indikator (x1 ke x3 untuk Y1 dan x4 ke x6 untuk Y2) ke konstruk, menunjukkan hubungan prediktif (kausal) ke arah itu.
Sebaliknya, Y3 di . Gambar 1.9 dimodelkan berdasarkan model pengukuran reflektif. Dengan indikator reflektif, arah panah adalah dari konstruk ke variabel indikator, menunjukkan asumsi bahwa konstruk “menyebabkan” pengukuran (lebih tepatnya kovariasi) dari variabel indikator. Seperti yang ditunjukkan di . Gambar 1.9. tindakan reflektif memiliki istilah kesalahan yang terkait dengan setiap indikator, tidak demikian halnya dengan tindakan formatif. Yang terakhir dianggap bebas dari kesalahan (Diamantopoulos, 2006).
Akhirnya, perhatikan bahwa Y4 diukur menggunakan satu item
26
daripada ukuran multi-item. Oleh karena itu, hubungan antara konstruk dan indikator tidak terarah.
Memutuskan apakah akan mengukur konstruk secara reflektif versus formatif dan apakah akan menggunakan beberapa item atau ukuran item tunggal merupakan hal mendasar saat mengembangkan model jalur. Hair, Hult, Ringle, dan Sarstedt (202) menjelaskan pendekatan- pendekatan ini untuk memodelkan konstruksi secara lebih rinci.
1.3.4. Teori Struktural
Teori struktural memperlihatkan bagaimana sebab laten tercantol tunggal arah-arah lain (yaitu, itu memperlihatkan formasi dan pertalian jalurnya bagian dalam arketipe struktural). Lokasi dan jajaran formasi didasarkan hadirat aliran atau liku-liku kehidupan pengembara dan pengumpulan tafsiran atau keduanya. Ketika arketipe urat dikembangkan, urutannya adalah berasal kiri ke selatan. Variabel di faktor kiri arketipe urat adalah sebab otonom, dan setiap sebab di faktor selatan adalah sebab dependen.
Selain itu, sebab di tala kiri ditampilkan secara berbaris menyusul dan mengantisipasi sebab di tala selatan. Namun, saat sebab bersinggasana di penyeling arketipe urat (ganggang sebab yang semata-mata berlaku seperti sebab otonom atau dependen – Y3 ; . Gambar 1.9), berupaya berlaku seperti sebab otonom dan dependen bagian dalam arketipe struktural.
Ketika variabel laten berfungsi sebagai variabel independen, disebut variabel laten eksogen (Y1 dan Y2). Ketika variabel laten berfungsi sebagai variabel dependen (Y4 ) atau sebagai variabel independen dan dependen (Y3 ), disebut variabel laten endogen (Gambar 1.9).
Variabel laten apa pun yang hanya memiliki satu panah menuju keluar darinya adalah variabel laten eksogen. Sebaliknya, variabel laten endogen dapat memiliki panah berkepala tunggal masuk dan keluar (Y3) atau hanya masuk ke dalamnya (Y4). Perhatikan bahwa
27
variabel laten eksogen Y1 dan Y2 tidak memiliki error term, karena konstruk ini adalah entitas (variabel independen) yang menjelaskan variabel dependen dalam model jalur.
1.4. Prosedur Analisis SEM
Pemodelan persamaan struktural (SEM) adalah analisis rumit yang digunakan untuk membangun hubungan struktural antara variabel terukur dan konstruksi laten. Jenis analisis ini memerlukan prosedur khusus berikut. Artikel sebelumnya menjelaskan langkah-langkah awal dalam melakukan analisis SEM. Ini melibatkan membangun validitas dan reliabilitas. Pada sub bab ini memberikan penjelasan rinci tentang prosedur analisis SEM.
Gambar 1.10 Prosedur Analisis SEM
28 Langkah 1: Tentukan modelnya
Dalam spesifikasi model, peneliti menentukan model dengan menentukan setiap hubungan antar variabel yang relevan dengan kepentingan peneliti. Untuk alasan ini, peneliti harus melakukan studi literatur yang menyeluruh (Malkanthie, 2019).
Misalnya; Produktivitas seorang individu meskipun tergantung pada berbagai faktor, tetapi sebuah penelitian berfokus pada pengujian pengaruh stres psikologis terhadap produktivitas. Spesifikasi keterkaitan menyatakan stres psikologis sebagai prediktor sedangkan produktivitas adalah variabel hasil.
Gambar 1.11. SEM model specification Langkah 2: Identifikasi model
Model yang teridentifikasi memiliki solusi unik untuk semua parameter model. Perhatian utama dalam model yang diidentifikasi adalah apakah peneliti dapat memperoleh nilai unik untuk setiap parameter dari data yang diamati atau tidak. Itu ditentukan oleh berbagai aspek seperti fiksasi spesifikasi, parameter bebas, dan batasan dalam SEM (Shaheen et al., 2017). Estimasi parameter dapat dipercaya jika model diidentifikasi. Ketika sebuah model tidak teridentifikasi, derajat kebebasannya adalah nol atau negatif.
Namun, jika lebih banyak kendala ditempatkan, yaitu derajat kebebasan sama atau melebihi satu, model seperti itu mungkin terlalu teridentifikasi (Malkanthie, 2019).
29
Misalnya; model diidentifikasi dengan menyatakan hubungan antara manajemen waktu, kurangnya kepuasan, dan stres.
Gambar 1.11. SEM model identification Langkah 3: Perkirakan modelnya
Model yang ditentukan terdiri dari parameter, yang nilainya harus diestimasi menggunakan statistik sampel oleh peneliti. Kemungkinan maksimum (ML), kuadrat terkecil tergeneralisasi, kuadrat terkecil tertimbang, dan kuadrat terkecil parsial adalah beberapa metode estimasi yang digunakan dalam SEM. Pada gambar 1.12., sebuah model diperkirakan menyatakan pengaruh guru terhadap prestasi siswa di SBS dan sekolah.
Estimasi Kemungkinan Maksimum (ML) adalah metode yang paling terkenal dan sering digunakan di area ini. (Shaheen et al., 2017). Di sini, dengan mengestimasi parameter model, perangkat lunak digunakan untuk menyajikan model terkait variabel masing-masing.
Misalnya;
30
Gambar 1.12. SEM model (Kocakaya & Kocakaya, 2014) Langkah 4: Uji kecocokan model
Model kebugaran berkontribusi terhadap memeriksa efisiensi mode.
Langkah ini didasarkan pada pengujian model fitness dari model dengan menilai indeks fit model CMIN/Df, RMSEA, GFI, AGFI, SRMR, TLI, NFI, PNFI, IFI, PGFI, dan PCFI (Malkanthie, 2015). Tabel 1.1 menunjukkan rentang penerimaan semua indeks model.
Table 1.1. Criteria range of the model fit indices (Kocakaya & Kocakaya, 2014; Weston & Gore, 2006)
Model Fit Indices Nilai Diterima CMIN/DF antara 2 dan 5 RMSEA Nilai > 0.10
GFI Nilai > 0.90
AGFI v 0.90
31
SRMR Kurang dari 0.05
TLI Nilai > 0.90
NFI Nilai > 0.90
IFI Nilai > 0.90
PNFI Nilai > 0.05 PCFI Nilai > 0.05
PGFI Lebih besar dari 0.05 Langkah 5: Manipulasi model
Jika kebugaran model tidak memenuhi harapan, cobalah untuk meningkatkan kebugaran model dengan menghilangkan beberapa parameter, menambahkan parameter baru, atau mengubah model (Shaheen et al., 2017). Modifikasi model dilakukan dengan membangun kovarians yaitu memeriksa nilai indeks modifikasi dan membangun kovarians antara error term untuk meningkatkan efektivitas model.
Dengan demikian, mengikuti prosedur yang disebutkan di atas, analisis SEM dapat digabungkan dan keterkaitan dibuat antara variabel untuk menentukan status hubungan. Penilaian kecocokan model memberikan gambaran umum tentang seberapa baik model teoretis dapat menciptakan kembali data yang diamati.
1.5. Kapan Menggunakan Pemodelan Persamaan Struktural (SEM) ?
Jadi, kapan menggunakan Structural Equation Modeling? Ada beberapa pertimbangan untuk melihat apakah Structural Equation Modeling bagus untuk kasus penggunaan tertentu.
32
Jika ingin menggunakan Structural Equation Modeling, penting untuk memiliki konsep variabel terukur dan laten dalam kasus penggunaan.
Tujuan Structural Equation Modeling adalah untuk memodelkan hubungan antara variabel terukur dan laten, atau antara beberapa variabel laten. Jika ingin menggunakan Pemodelan Persamaan Struktural, harus mencoba mengidentifikasi konsep dasar yang penting tetapi tidak dapat diukur.
Kedua, Structural Equation Modeling banyak digunakan sebagai metode konfirmasi dan pengujian. Seperti yang akan dilihat nanti di artikel ini, memulai fase pemodelan dengan menentukan hipotesis hubungan yang dipikirkan. Misalnya, jika membuat model kecerdasan, harus mulai dengan mengidentifikasi berbagai variabel terukur dan laten yang menurut dapat memengaruhi kecerdasan.
Oleh karena itu Pemodelan Persamaan Struktural tidak cocok sebagai alat eksplorasi murni. Jika belum tahu bagaimana hubungan di kasus penggunaan dapat dihubungkan, sebaiknya gunakan teknik lain yang dibuat untuk eksplorasi masalah variabel laten. Analisis Faktor Eksplorasi adalah alternatif yang bagus dalam kasus itu.
Model Persamaan Struktural bagus untuk analisis. Mereka membantu belajar banyak tentang berbagai konsep yang memengaruhi fenomena laten. Namun, Structural Equation Models tidak selalu performant dalam hal kinerja prediktif. Jika hanya mencari kinerja prediktif dan bukan untuk pemahaman dan interpretasi, Pemodelan Persamaan Struktural mungkin merupakan pilihan yang salah.
Model Persamaan Struktural memberi perkiraan koefisien berdasarkan hubungan yang dihipotesiskan antara variabel. Itu tidak dapat menemukan hubungan lain selain yang ditentukan. Cara yang
33
bagus untuk menggunakan Model Persamaan Struktural adalah dengan menyediakan beberapa model hipotetis, memperkirakan masing-masing model, dan kemudian menganalisis perbedaan di antara mereka untuk bekerja menuju model yang lebih baik dan lebih baik.
1.6. Latihan
1. Berikan penjelasan apa yang dimasud dengan Model Persamaan Struktural
2. Berikan contoh Model Persamaan Struktural dan jelaskan 3. Berikan contoh model analisis jalur
4. Caba saudara jelaskan kapan seoarang meneliti mengguakan analisis jalur dan beriakn contoh analisis jalur yang akan digunakan
34
BAB 2
Pengantar Partial Least Squares Structural Equation Modeling (PLS-SEM)
Setelah membaca bab ini, pembaca harus:
1) Memahami konsep dasar Partial Least Squares Structural Equation Modeling (PLS-SEM)
2) Memahami karakteristik utama Partial Least Squares Structural Equation Modeling (PLS-SEM)
2.1. Karakteristik Utama Metode PLS-SEM
Model PLS-SEM memungkinkan peneliti untuk menganalisis hubungan secara bersamaan dalam model kompleks yang terdiri dari beberapa konstruksi, variabel indikator, dan jalur struktural. Model PLS-SEM menjadi metode yang populer untuk memperkirakan model jalur dengan variabel laten dan hubungannya.
Telah banyak perkembangan yang terjadi dalam pemodelan PLS- SEM. Di antara yang paling menonjol adalah rilis terbaru perangkat lunak SmartPLS. Perangkat lunak yang mudah digunakan membuat sarjana ilmu sosial jauh lebih efisien dan efektif dalam mencapai tujuan penelitian dan publikasi mereka. Ini terutama benar ketika perangkat lunak menyertakan opsi untuk menyelesaikan analisis paling mutakhir dengan metode statistik tertentu
35
Properti statistik dari algoritma PLS-SEM memiliki fitur penting yang terkait dengan karakteristik data dan model yang digunakan. Selain itu, sifat metode PLS-SEM mempengaruhi evaluasi hasil. Empat isu kritis yang relevan dengan penerapan PLS-SEM : (1) karakteristik data, (2) karakteristik model, (3) estimasi model, dan (4) model evaluasi. . Tabel 1.2 merangkum karakteristik kunci dari metode PLS- SEM.
Tabel 2.1. Karakteristik utama PLS-SEM Karakteristik utama PLS-SEM
Karakteristik data
Ukuran sampel Ukuran sampel kecil tidak ada masalah . Semakin besar ukuran sampel dapat meningkatkan presisi (yaitu, konsistensi) estimasi PLS-SEM
Distribusi Tidak ada asumsi distribusi; PLS-SEM adalah metode nonparametrik
Outlier dan collinearity yang berpengaruh dapat mempengaruhi hasil
Nilai yang hilang Sangat kuat selama nilai yang hilang berada di bawah tingkat yang wajar (kurang dari 5%)
Skala pengukuran Bekerja dengan data metrik dan variabel skala kuasi-metrik (ordinal).
Algoritma PLS-SEM berkode biner, tetapi pertimbangan tambahan diperlukan saat digunakan sebagai variabel kontrol dan moderator dan dalam analisis data dari eksperimen pilihan diskrit
36 Karakteristik
model
Jumlah item dalam setiap model pengukuran
konstruk
Hubungan konstruksi yang diukur dengan item tunggal dan multi-item
Pengaturan model Tidak ada loop kausal (tidak ada hubungan melingkar) yang diperbolehkan dalam model structural
Kompleksitas model
Menangani model kompleks dengan banyak hubungan model structural
antara konstruksi dan indikatornya
Model pengukuran reflektif dan formatif digabungkan
Estimasi model
Objektif Bertujuan untuk memaksimalkan jumlah varians yang tidak dapat dijelaskan dalam ukuran dependen (yaitu, nilai R2)
Efisiensi Menggabungkan beberapa iterasi dalam kondisi kompleks model dan/atau kumpulan data besar ke solusi optimal algoritma
Sifat konstruksi Dilihat sebagai proksi dari konsep laten yang sedang diselidiki,
diwakili oleh komposit
Membangun skor Diperkirakan sebagai kombinasi linier dari indikatornya dan digunakan untuk tujuan prediktif.
Tidak tberdampak dengan keterbatasan dan kekurangan data dan tetap dapat dilakukan analisis.
Estimasi parameter Hubungan hubungan model pengukuran umumnya terlalu tinggi dibandingkan
37
dengan solusi yang diperoleh dengan menggunakan data dari model faktor umum.
Tidak bias dan konsisten saat memperkirakan data dari model komposit Tingkat kekuatan statistik yang tinggi dibandingkan dengan metode alternatif, seperti CB-SEM dan regresi berganda dengan skor penjumlahan
Evaluasi Model Evaluasi model keseluruhan
Konsep kecocokan
Sebagaimana didefinisikan dalam CB-SEM tidak berlaku untuk PLS-SEM. Upaya untuk memperkenalkan langkah-langkah kecocokan model secara umum terbukti tidak berhasil
Evaluasi model pengukuran
Model pengukuran reflektif dinilai atas dasar indikator reliabilitas, reliabilitas konsistensi internal, konvergen validitas, serta validitas diskriminan.
Model pengukuran formatif dinilai dengan validitas konvergen, kolinearitas indikator, signifikansi dan relevansi bobot indicator.
Evaluasi model struktural
Collinearity antara set konstruksi prediktor Signifikansi dan relevansi koefisien jalur Kriteria yang tersedia untuk menilai sampel dalam model (yaitu, penjelasan)
daya dan daya prediktif di luar sampel (PLSpredict)
Analisis tambahan Penelitian metodologis telah secara substansial memperluas aslinya
Metode PLS-SEM dengan memperkenalkan pemodelan lanjutan, penilaian, dan
38
prosedur analisis. Beberapa contoh termasuk:
Analisis tetrad konfirmasi Analisis komposit konfirmasi Pemodelan pilihan diskrit penilaian endogenitas Konstruksi tingkat tinggi Analisis kelas laten
Invarian model pengukuran Analisis mediasi
Pemilihan model
Memoderasi efek, termasuk mediasi yang dimoderasi
Analisis multigrup
Analisis kondisi yang diperlukan Efek nonlinier
Sumber: Diadaptasi dan diperluas dari Hair et al. (2011)
PLS didefinisikan sebagai metode yang efektif di mana subjek penelitiannya adalah eksplorasi atau pemodelan hipotesis.
Umumnya, SEM lebih memilih mengandalkan kovariansi saat subjek analisis adalah pemodelan konfirmasi. PLS dianggap sebagai metode dekomposisi karena memiliki tingkat ketajaman yang rendah dalam mengidentifikasi penyebab minor dari fungsi kausal (Tobias, 1997: 1).
PLS-SEM memberikan beberapa keuntungan diantarnya memberikan kemampuan untuk memodelkan banyak variabel dan tingkat signifikansi yang lebih tinggi; mengatasi masalah multikolinieritas pada dataset yang besar; kekokohan dalam menangani masukan yang tidak lengkap dan hilang; dan kemampuan untuk memajukan penyebab laten dengan lebih maju berdasarkan
39
muatan salib yang terkait dengan penyebab respons, sehingga menghasilkan hipotesis yang lebih kuat. Kerugian dari penggunaan PLS termasuk penurunan tingkat ketajaman dalam memahami muatan penyebab laten (yang didasarkan pada ambang asosiasi muatan dan penyebab respons, bukan pada ambang kovariansi seperti pada SEM) dan karena tidak diketahuinya tingkat kepercayaan, peneliti tidak dapat menilai keakuratan hasil kecuali dengan menggunakan induksi bootstrap.
Secara keseluruhan, campuran keuntungan dan kerugian berarti PLS disukai sebagai teknik prediktif dan bukan sebagai teknik interpretatif, kecuali untuk analisis eksplorasi sebagai awal dari teknik interpretatif seperti regresi linier berganda atau pemodelan persamaan struktural berbasis kovarians.
Selain itu, berbeda dari CB-SEM berbasis kemungkinan maksimum, yang membutuhkan data terdistribusi normal, PLS-SEM tidak membuat asumsi distribusi (yaitu nonparametrik). Kekuatan statistik yang lebih besar berarti bahwa PLS-SEM lebih cenderung membuat hubungan tertentu menjadi signifikan ketika sebenarnya ada dalam populasi. Hal yang sama berlaku untuk perbandingan dengan regresi menggunakan data skor penjumlahan, yang juga ditandai dengan kekuatan statistik yang lebih rendah daripada PLS-SEM (Hair, Hollingsworth, et al., 2017). Karakteristik utama sebagai berikut : Namun demikian, beberapa keterbatasan PLS-SEM. Dalam bentuk dasarnya, teknik ini tidak dapat diterapkan ketika model struktural mengandung loop kausal atau hubungan melingkar antara variabel laten (yaitu, model non-rekursif). Ekstensi awal dari algoritma PLS- SEM dasar yang belum diimplementasikan dalam paket perangkat lunak PLS-SEM standar, bagaimanapun, memungkinkan penanganan hubungan melingkar (Lohmöller, 1989). Selain itu, karena PLS-SEM
40
tidak memiliki ukuran good-of-fit global yang mapan, penggunaannya untuk pengujian dan konfirmasi teori lebih terbatas dalam situasi tertentu. Penelitian baru-baru ini telah berupaya untuk mempromosikan langkah-langkah kesesuaian yang umum dalam kerangka kerja PLS-SEM (Schuberth, Henseler, & Dijkstra, 2018) tetapi dengan keberhasilan yang sangat terbatas. Konsep model fit sebagaimana didefinisikan dalam CB-SEM tidak berlaku untuk PLS- SEM karena metodenya.
Sebaliknya, estimasi dan penilaian model berbasis PLS-SEM mengikuti paradigma kausal-prediktif, di mana tujuannya adalah untuk menguji kekuatan prediksi model, yang berasal dari teori dan logika. Dengan demikian, metode ini menyeimbangkan antara metode pembelajaran mesin, yang sepenuhnya bersifat prediktif dan CB-SEM, yang berfokus pada konfirmasi dan kecocokan model. Sifat kausal-prediktifnya membuat PLS-SEM sangat menarik untuk penelitian di bidang yang bertujuan untuk mendapatkan rekomendasi untuk praktik. Misalnya, rekomendasi di bagian implikasi manajerial dalam jurnal riset bisnis selalu menyertakan pernyataan prediktif (“hasil kami menyarankan bahwa manajer harus...”). Membuat pernyataan seperti itu membutuhkan fokus prediksi pada estimasi dan evaluasi model (Sarstedt & Danks, 2021).
Pada penulisan awal, peneliti mencatat bahwa estimasi PLS adalah
"sengaja mendekati" untuk SEM berbasis, karakteristik yang sebelumnya disebut sebagai bias PLS-SEM (misalnya, Chin, Marcolin,
& Newsted, 2003). Sejumlah penelitian telah menggunakan simulasi untuk menunjukkan dugaan bias PLS-SEM. Menurut penelitian sebelumnya tentang bias PLS-SEM, estimasi model pengukuran bias ke atas, sedangkan estimasi model struktural bias ke bawah dibandingkan dengan hasil CB-SEM. Studi menyimpulkan bahwa perkiraan parameter akan mendekati apa yang telah diberi label nilai
41
parameter "benar" ketika jumlah indikator per konstruk dan ukuran sampel meningkat (Hui & Wold, 1982).
Namun, semua studi simulasi yang disebutkan di atas menggunakan CB-SEM sebagai tolok ukur untuk mengevaluasi estimasi PLS-SEM dengan asumsi bahwa estimasi tersebut harus sama. Karena PLS-SEM adalah pendekatan berbasis komposit, yang menggunakan varians total untuk memperkirakan parameter, perbedaan dapat diharapkan dalam penilaian tersebut. Faktanya, Sarstedt et al. (2016) menunjukkan bahwa bias yang dihasilkan oleh CB-SEM jauh lebih parah daripada PLS-SEM, ketika menerapkan metode pada jenis model yang salah (yaitu, memperkirakan model komposit dengan CB- SEM versus memperkirakan model faktor umum dengan PLS -SEM).
Terlepas dari masalah konseptual ini, studi simulasi menunjukkan bahwa perbedaan antara perkiraan PLS-SEM dan CB-SEM, ketika mengasumsikan yang terakhir sebagai standar perbandingan, sangat kecil, asalkan model pengukuran memenuhi standar minimum yang direkomendasikan dalam hal kualitas pengukuran. yaitu reliabilitas dan validitas). Secara khusus, ketika model pengukuran memiliki empat atau lebih indikator dan pemuatan indikator memenuhi standar umum (≥ 0,70), praktis tidak ada perbedaan antara kedua metode tersebut dalam hal akurasi parameter. Akhirnya, penelitian metodologi telah secara substansial memperluas metode PLS-SEM asli dengan memperkenalkan prosedur pemodelan, penilaian, dan analisis lanjutan.
2.1.1. Studi Tinjauan PLS-SEM Sebelumnya
Argumen untuk PLS-SEM sebagai metodologi yang layak mendapatkan penerimaan di banyak disiplin bisnis. Beberapa sarjana telah menerbitkan penelitian yang meringkas penggunaan PLS-SEM dalam bidangnya masing-masing. Kajian tersebut meringkas
42
penerapan PLS-SEM, termasuk tahun publikasi, rentang tahun yang dicakup oleh tinjauan, jumlah artikel yang dianalisis, dan justifikasi yang diberikan untuk penggunaan PLS-SEM. Artikel tersebut juga melaporkan tiga alasan utama yang diberikan untuk menerapkan PLS-SEM, yang meliputi distribusi data, ukuran sampel, dan penggunaan indikator formatif.
2.1.2. Kapan Menggunakan PLS-SEM
PLS-SEM memberikan banyak keuntungan bagi peneliti yang bekerja dengan model persamaan struktural. Mengingat popularitas CB- SEM, penggunaan PLS-SEM seringkali memerlukan diskusi tambahan untuk menjelaskan alasan di balik keputusan tersebut (Chin, 2010).
Seperti yang ditunjukkan oleh meta-analisis kami tentang studi tinjauan PLS-SEM, pembenaran yang paling menonjol untuk menggunakan PLS-SEM dikaitkan dengan:
✓ data tidak normal;
✓ ukuran sampel kecil; Dan
✓ konstruksi yang diukur secara formatif.
Konsep-konsep PLS-SEM dibahas di bawah ini.
(1) Data tidak normal
PLS-SEM menyediakan solusi akhir semua untuk model yang menggunakan data tidak normal ada dua.
Pertama, peneliti harus menyadari bahwa data yang sangat miring dapat mengurangi kekuatan statistik analisis. Lebih tepatnya, evaluasi signifikansi parameter model bergantung pada kesalahan standar dari bootstrap, yang mungkin membengkak ketika data sangat miring (Hair et al., 2014).
43
Kedua, karena CB-SEM memiliki beragam prosedur estimasi alternatif, mungkin bermasalah untuk mengasumsikan bahwa PLS- SEM adalah pilihan otomatis saat mempertimbangkan distribusi data (Hair et al., 2012b).
(2) Ukuran sampel kecil
PLS-SEM dapat digunakan dengan ukuran sampel yang lebih kecil, meskipun modelnya sangat kompleks. Dalam situasi ini, PLS-SEM umumnya mencapai tingkat kekuatan statistik yang lebih tinggi dan menunjukkan perilaku konvergensi yang jauh lebih baik daripada CB- SEM (Henseler, 2010; Reinartz et al., 2009). Ukuran sampel minimum untuk model PLS memiliki kretia sebagai berikut :
✓ jumlah terbesar indikator formatif yang digunakan untuk mengukur satu konstruk sebesar sepuluh kali ; atau
✓ jumlah terbesar jalur model dalam yang diarahkan pada konstruk tertentu dalam model dalam sebesar sepuluh kali (Barclay et al., 1995).
Namun, peneliti harus mendekati pedoman ini dengan hati-hati, seperti kesalahpahaman telah menyebabkan skeptisisme tentang penggunaan PLS-SEM secara umum (Hair et al., 2014). Seperti teknik analisis data berbasis model lainnya, peneliti harus mempertimbangkan ukuran sampel karena berkaitan dengan kompleksitas model dan karakteristik data (Hair et al., 2011).
Misalnya, sementara rule of thumb dikemukakan oleh Barclay et al.
(1995) memberikan perkiraan kasar ukuran sampel minimum, gagal memperhitungkan ukuran efek, reliabilitas, jumlah indikator, atau faktor lain yang diketahui mempengaruhi kekuatan.
44
(3) Indikator formatif dan reflektif
Sebuah konstruk formatif atau komposit mengacu pada indeks dari jumlah variabel tertimbang. Dalam konstruk formatif, indikator- indikator tersebut menyebabkan konstruk, sedangkan dalam variabel laten yang lebih konvensional, terkadang disebut konstruk reflektif, indikator-indikator tersebut disebabkan oleh variabel laten.
Biasanya, konstruk formatif didefinisikan sebagai berikut: Ada sekumpulan k variabel eksogen (biasanya variabel terukur indikator tunggal) yang digabungkan untuk membentuk indeks. Variabel laten C dibuat yang tidak memiliki indikator atau gangguan. Salah satu jalur k yang mengarah ke C ditetapkan menjadi satu. Biasanya, semua jalur yang tersisa gratis, tetapi bisa diperbaiki. Korelasi atau kovarian antara k variabel adalah parameter bebas yang diestimasi. Ada juga satu lagi variabel endogen yang disebut dengan C.
Contoh konstruk formatif pada gambar 2.1. adalah kelas sosial ekonomi atau SES yang indikatornya mungkin Pendidikan, Pendapatan, dan Status pekerjaan. Konstruk itu menyebabkan Stres dan Kesehatan Mental. Tidak perlu kasus yang menyebabkan atau variabel formatif bersifat eksogen.
Gambar 2.1 Indikator Formatif dan Reflektif
45
Selain itu, variabel formatif dapat memiliki gangguan, tetapi kendala tambahan harus ditambahkan ke model. Untuk pembahasan lebih lanjut, lihat Bollen dan Bauldry (2011, Psychological Methods).
2.1.3. Cara menggunakan PLS-SEM
Tahapan dalam menggunakan PLS-SEM, diantaranya 1) melakukan spesifik
