Tugas : Bahan Kajian PLS-SEM Hari/Tanggal : Selasa, 28 Mei 2024 Due Date : Sabtu, 1 Juni 2024 Jam : 23:59
Lembar Jawab : Diketik (1 spasi, font Arial Narrow) dengan word & dikirim dalam foramt PDF Kasus
Diambil dari buku Wong (2018: pp 24-37), sebuah penelitian melalui survey telah dilakukan terhadap 400 orang responden pelanggan restoran X mengenai pengalaman makan malam mereka restoran X tersebut. Melalui angket yang disebar, para responden ditanya tentang pengalaman makan mereka berdasarkan sebuah skala yang merepresentasikan empat buah variabel laten, masing-masing: ekpektasi pelanggan (EXPECT), kualitas yang dirasakan (QUAL), kepuasan pelanggan (SAT), dan kesetiaan pelanggan (LOYAL), menggunakan skala Likert [ (1) sangat tidak setuju, (2) tidak setuju, (3) agak tidak setuju, (4) netral, (5) agak setuju, (6) setuju, (7) sangat setuju]. Kecuali kepuasan (SAT) yang diukur oleh sebuah pertanyaan, ketiga variabel laten lainnya (QUAL, EXPECT, & LOYAL) masing-masing diukur oleh tiga buah pertanyaan, disajikan dalam Tabel 1, dan Konseptual Kerangka Kerja Model secara visual ditunjukkan pada Gambar 1 (file kerja terlampir dengan nama “restaurant1.xlsx”).
Tabel 1. Operasionalisasi Variabel Variabel
Laten Indikator Item Pertanyaan
EXPECT expect_1 (restoran ini) mempunyai pilihan menu terbaik
expect_2 (restoran ini) mempunyai unsur atmosfir yang luar biasa
expect_3 (restoran ini) mempunyai para pelayan yang berpenampilan menarik QUAL qual_1 Makanan di [restoran ini] luar biasa dengan rasa yang enak.
qual_1 Para pelayan di [restoran ini] profesional, responsif, dan ramah qual_3 [restoran ini] memberikan tagihan yang akurat kepada pelanggan
SAT cxsat Jika Anda mempertimbangkan keseluruhan pengalaman Anda dengan [restoran ini], seberapa puaskah Anda [dengan restoran ini]?
LOYAL loyal_1 Saya akaan meerekomendasikan (restoran ini) kepada kawan-kawan dan keluarga
loyal_2 Saya akan memastikan makan malam lagi (di restoran ini) segera di lain waktu
loyal_3 Jika saya harus memilih lagi, saya akan memilih [restoran ini] sebagai tempat pengalaman bersantap
Gambar 1. Konseptual Kerangka Kerja Model
Pertanyaan/perintah:
a) Berdasarkan Gambar 1, berikan judul yang cocok untuk penelitian ini.
b) Nyatakan rumusan masalahnya.
c) Perhatikan Gambar 1, bagaimana kerangka berpikirnya ? d) Nyatakan tujuan penelitiannya.
e) Nyatakan hipotesisnya (hipotesis penelitian & hipotesis statistik)
f) Berdasarkan sumber dan skala pengukurannya, jenis data apa yang digunakan ? Jelaskan g) Teknik statistika multivariat apa yang digunakan oleh peneliti di atas ? Jelaskan.
h) Nyatakan langkah-langkah (standar) analisis data dengan teknik yang anda sebut dalam butir (g) tersebut, cukup buatkan gambarnya saja.
i) Mengeksekusi data yang tersedia dengan bantuan aplikasi SmartPLS 3.0, laporkan hasil-hasil berikut berupa gambar dan tabel-tabel: (1) Gambar 1 hasil eksekusi SmartPLS 3.0, (2) Summary of the Reflective Outer model result, (3) Fornell-Larcker Criterion Analysis for Checking Discriminant Validity, (4) T-Statistics of Path Coefficients
j) Silakan anda bahas/diskusikan selengkapnya namun ringkas saja.
k) Apa yang dapat simpulkan untuk menjawab butir (e) di atas ? Buat saran-saran dari hasil penelitian ini.
---Selamat Bekerja----
JAWABAN
i) Mengeksekusi data yang tersedia dengan bantuan aplikasi SmartPLS 3.0, laporkan hasil-hasil berikut berupa gambar dan tabel-tabel: (1) Gambar 1 hasil eksekusi SmartPLS 3.0, (2) Summary of the Reflective Outer model result, (3) Fornell-Larcker Criterion Analysis for Checking Discriminant Validity, (4) T-Statistics of Path Coefficients
(1) Gambar 1 hasil eksekusi SmartPLS 3.0, New Project; Name; Ok
Gambar 1: Hasil Output PLS-SEM
(2) Summary of the Reflective Outer model result
Table 2: Summary of the Reflective Outer model result Latent Indicators Loadings
Indicators Indicator
Reliability Composite
Reliability AVE
QUAL qual_1 0.881 0.776 0.8958 0.7415
qual_2 0.873 0.762
qual_3 0.828 0.686
EXPECT expect_1 0.848 0.719 0.8634 0.6783
expect_2 0.807 0.651
expect_3 0.816 0.666
LOYAL loyal_1 0.830 0.689 0.8995 0.7494
loyal_2 0.917 0.841
loyal_3 0.848 0.719
(3) Fornell-Larcker Criterion Analysis for Checking Discriminant Validity
Table 3: Fornell-Larcker Criterion Analysis for Checking Discriminant Validity
QUAL EXPECT CXSAT LOYAL
QUAL 0.861
EXPECT 0.655 0.824
CXSAT 0.542 0.446 Single Item
LOYAL 0.612 0.458 0.695 0.866
(4) T-Statistics of Path Coefficients
Tabel 4. T-Statistics of Path Coefficients (Inner Model)
Path Coefficients t-Statistic p-Value
CXSAT → LOYAL 0.504 12.468 0.000
EXPECT → CXSAT 0.160 2.507 0.012
EXPECT → LOYAL 0.003 0.047 0.962
QUAL → CXSAT 0.437 7.350 0.000
QUAL → LOYAL 0.352 7.083 0.000
j) Diskusi Pembahasan
Untuk penilaian awal PLS-SEM, beberapa elemen dasar harus tercakup dalam laporan penelitian Anda. Jika sebuah skala pengukuran reflektif digunakan, seperti dalam contoh restoran ini, topik berikut harus dibahas:
• Explanation of target endogenous variable variance
• Inner model path coefficient sizes and significance
• Outer model loadings and significance
• Indicator reliability*
• Internal consistency reliability*
• Convergent validity
• Discriminant validity*
• Checking Structural Path Significance in Bootstrapping
• Multicollinearity Assessment
• Model’s f2 Effect Size
• Predictive Relevance: The Stone-Geisser’s (Q2) Values
• Total Effect Value
* Note: Indicator reliability, internal consistency reliability, and discriminant validity are only applicable to model having a reflective measurement scale
Preliminary observations Varians Variabel Endogenous
Koefisien determinasi R2 sebesar 0,572 untuk variabel laten endogen LOYAL. Artinya ketiga variabel laten (QUAL, EXPECT, dan CXSAT) cukup menjelaskan 57,2% varians pada LOYAL.
QUAL dan EXPECT bersama-sama menjelaskan 30,8% varian CXSAT.
Besaran dan Signifikansi Koefisien Model Jalur (Inner Model)
Inner Model menunjukkan bahwa CXSAT memiliki pengaruh paling kuat terhadap LOYAL (0,504), diikuti oleh QUAL (0,352) dan EXPECT (0,003).
Hubungan jalur yang dihipotesiskan antara QUAL dan LOYAL signifikan secara statistik, karena nilai koefisien jalur standarnya (0.352) lebih besar dari 0.1.
Hubungan jalur yang dihipotesiskan antara CXSAT dan LOYAL signifikan secara statistik, karena nilai koefisien jalur standarnya (0.504) lebih besar dari 0.1.
Namun, hubungan jalur yang dihipotesiskan antara EXPECT dan LOYAL tidak signifikan secara statistik. Hal ini karena koefisien jalur standarnya (0,003) lebih rendah dari 0,1. Jadi, kita dapat menyimpulkan bahwa: CXSAT dan QUAL keduanya merupakan prediktor LOYAL yang cukup kuat, namun EXPECT tidak memprediksi LOYAL secara langsung.
Loadings Outer Model & Signifikansinya
Karena kita memiliki model reflektif dalam contoh restoran ini, kita lihat angka-angka seperti yang ditunjukkan pada “outer loadings” (lihat Gambar 1).
Indikator Realibilitas
Penting untuk menetapkan reliabilitas dan validitas variabel laten untuk menyelesaikan pemeriksaan model pengukuran (outer model). Tabel 2 menunjukkan berbagai reliabilitas dan validitas hal-hal yang wajib kita periksa dan laporkan pada saat melakukan PLS-SEM.
Yang pertama diperiksa adalah “Keandalan Indikator” (lihat Tabel 2). Terlihat semua indikator mempunyai nilai reliabilitas indikator individu yang jauh lebih besar dari tingkat minimum yang dapat diterima yaitu 0,4 dan mendekati tingkat pilihan 0,7.
Reliabilitas Konsistensi Internal (Composite Reliability)
Secara tradisional, “Cronbach’s alpha” digunakan untuk mengukur reliabilitas konsistensi internal dalam penelitian ilmu sosial, tetapi itu cenderung memberikan pengukuran konservatif dalam PLS- SEM. Literatur sebelumnya menyarankan penggunaan “Composite Reliabiliy” sebagai penggantinya (Bagozzi dan Yi, 1988; Hair et al., 2012). Dari Tabel 2, nilai-nilai tersebut ditunjukkan lebih besar dari 0,6, sehingga tingkat keandalan konsistensi internal yang tinggi telah ditunjukkan di antara ketiga variabel laten reflektif tersebut .
Meskipun demikian, pandangan modern tentang PLS menunjukkan bahwa alih-alih menggunakan Cronbach alfa dan reliabilitas komposit, lebih baik mempertimbangkan penggunaan koefisien
“rho_A” untuk memeriksa keandalan skor konstruk PLS, sebagaimana didefinisikan dalam Dijkstra dan Henseler (2015a). Pada SmartPLS v3, nilai “rho_A” dapat ditemukan di Laporan Hasil (Kriteria Kualitas Membangun Reliabilitas dan Validitas) setelah Algoritma PLS atau PLSc dijalankan. Secara umum, “rho_A” nilai 0,7 atau lebih besar lebih disukai untuk menunjukkan keandalan komposit. Sedangkan nilai “rho_A” di atas 1 adalah abnormal dan tidak seharusnya terjadi pada model.
Convergent Validity (AVE)
Untuk memeriksa validitas konvergen, Average Variance Extracted (AVE) setiap variabel laten dievaluasi. Sekali lagi dari Tabel 2, ditemukan bahwa semua nilai AVE lebih besar dari ambang batas yang dapat diterima yaitu 0,5, sehingga convergent validity dikonfirmasi. Ini berarti bahwa semua indikator yang terkait mampu dengan baik merefleksikan masing-masing variabel latennya.
Discriminant Validity (AVE)
Ada dua cara untuk memeriksa validitas diskriminan: Kriteria Fornell-Larcker dan HTMT.
Pendekatan Klasik ini dikemukakan oleh Fornell dan Larcker (1981) yang mengemukakan bahwa akar kuadrat AVE pada setiap variabel laten dapat digunakan untuk menetapkan validitas diskriminan, apakah nilai ini lebih besar dari nilai korelasi variabel laten lainnya. Untuk melakukan ini, sebuah tabel dibuat di mana akar kuadrat AVE dihitung secara manual dan ditulis dalam huruf tebal pada diagonal tabel. Korelasi antar variabel laten disalin dari “Korelasi Variabel Laten” pada laporan default dan ditempatkan di segitiga kiri bawah tabel (lihat Tabel 3).
Misalnya, AVE variabel laten EXPECT ditemukan sebesar 0,6783 (dari Tabel 2) maka akar kuadratnya menjadi 0,824 (lihat Tabel 3). Angka ini lebih besar dibandingkan nilai korelasi pada kolom EXPECT (0,446 dan 0,458) dan juga lebih besar dibandingkan dengan baris EXPECT
(0,655). Pengamatan serupa juga dilakukan untuk yang laten variabel QUAL, CXSAT dan LOYAL. Hasilnya menunjukkan bahwa validitas diskriminan sudah mapan.
Pendekatan modern untuk memeriksa validitas diskriminan adalah dengan menggunakan rasio korelasi Heterotrait-monotrait (HTMT) yang dikemukakan oleh Henseler, Ringle dan Sarstedt (2015). Prosedur ini dapat dilakukan di SmartPLS v3 dengan mudah dan prosedur langkah demi langkah ditunjukkan pada Bab 12.
Pemeriksaan Signifikansi Jalur Struktural dalam Bootstrapping
SmartPLS dapat menghasilkan statistik-T untuk pengujian signifikansi model dalam dan luar, menggunakan prosedur disebut bootstrap. Dalam prosedur ini, sejumlah besar subsampel (misalnya 5000) diambil dari sampel asli dengan penggantian untuk memberikan kesalahan standar bootstrap, yang pada gilirannya memberikan perkiraan nilai T untuk pengujian signifikansi dari jalur struktural. Hasil Bootstrap mendekati normalitas data.
Setelah prosedur bootstrapping selesai, buka jendela “Koefisien Jalur (Mean, STDEV, T-Values) terletak di bagian Bootstrapping pada Laporan Default. Periksa angka di kolom “T-Statistik” untuk lihat apakah koefisien model jalur dalam signifikan atau tidak. Menggunakan uji t dua sisi dengan tingkat signifikansi sebesar 5% maka koefisien jalur akan signifikan jika T-statistik lebih besar dari 1,96. Dalam contoh restoran kita, bisa terlihat bahwa hanya keterkaitan “EXPECT – LOYAL”
(0,047) yang tidak signifikan. Ini menegaskan temuan kita sebelumnya saat melihat hasil PLS- SEM secara visual (lihat Tabel 4). Semua koefisien jalur lain dalam model dalam adalah signifikan secara statistik (lihat Tabel 4).
k) Kesimpulan dan Saran
……….
