WORKSHOP METODE

PENELITIAN KUANTITATIF
UTA45
JAKARTA
Jumat, 20
Juni 2014

Metode Structural Equation Modeling dan Interpretasi

Hasil Penelitian Dengan Menggunakan Program Smart PLS
(Partial Least Square)

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

Software
download Gratis:

Email: sihar.tambun@yahoo.com
Email: sihar.tambun@uta45jakarta.ac.id

www.smartpl
s.de

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Introduction of PLS

Jika antar variabel independen terjadi korelasi (ada multikolinieritas),

maka analisis regresi tidak layak dipakai, sehingga PLS diciptakan
untuk solusi ini.
PLS mengakomodasi data besar (banyak) dan data kecil (sedikit)
PLS Tidak banyak asumsi
PLS bisa untuk konfirmasi dan prediksi
PLS bisa menggunakan indikator reflesif dan formatif
PLS menguji estimasi dan signifikansi dengan model Resampling
(Bootstrap)
Tujuan Estimasi PLS adalah membuat komponen skor / bobot
terbaik dari variabel laten endogen, untuk memprediksi hubungan
variabel laten dengan indikatornya.
Inner Model: Hubungan antar sesama variabel Laten.
Outer Model: Hubungan antara indikator dengan variabel latennya.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

PRAKTEK SEM PLS

MODEL INTERVENING VARIABEL

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah Langkah PLS untuk

Intervening
1. Memperoleh data data penelitian berdasarkan indikator pengukuran
variabel. Data diinput di Ms. Excel dan kemudian di Save As dalam
format CSV (Comma Delimited).
2. Aktifikan Program Smart PLS dengan menggunakan data penelitian
yang telah di Save As dalam format CSV (Comma Delimited).
3. Menggambar model penelitian sesuai dengan tujuan penelitian yang
didukung oleh grand theory, riset pendahuluan dan hipotesis yang
ingin diuji.
4. Mengolah data estimate, untuk mengetahui Hasil Outer Model
5. Mengolah data Resampling Bootstrapping, untuk mendapatkan
model terbaik.
6. Membaca goodness of fit dari model
7. Hasil pengujian hipotesis.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 1: Input data di Excel, kemudian save as ke dalam format CSV

(Comma Delimited). Format ini yang akan dibaca program PLS. Untuk
CSV adalah singkatan Comma Separated Value.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 2: Bukan program Smart PLS, maka akan tampak tampilan

seperti dibawah ini. Klik File, New, Create New Project. Ikut langkah
langkah tersebut seperti dibawah ini.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

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

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Cari data penelitian di laptop anda, yang akan diolah dengan software ini.
Gunakan tombol yang berada disebelah kotak file name. File yang dipilih hari file
CSV. Klik finish bila sudah dipilih. Akan tampak nama project nya, yaitu Latihan 1.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 3: Menggambar Model Penelitian. Untuk menggambar model

penelitian, harus dimunculkan dulu data indikator penelitian.

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

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

10

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 4: Meng-calculate data penelitian untuk menguji Outer

Model. Ikuti petunjuk dibawah ini. Outer model digunakan untuk uji
validitas.

11

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Hasil Outer loadings (measurement model) atau validitas konvergen digunakan

untuk menguji unidimensionalitas dari masing-masing konstruk. Menurut Chin
(1998), nilai indikator loading factor yang lebih besar atau sama dengan 0,5 dapat
dikatakan valid. Contoh Variabel KDA, Nilai Outer Loadings = 0.776, 0.856, 0.877,
0.717.

12

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 5: Mengolah data dengan Resampling Bootstrapping, untuk

mendapatkan model terbaik. Klik Calculate, Bootsrapping. Selanjutkan
ketik angka 74 (jumlah data) dan 250. Selanjutnya klik finish.

13

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Hasil Bootstapping dalam bentuk gambar akan dihasilkan seperti

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

14

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Mengeluarkan report Bootstrapping, klik Report, Html (Print) Report.

Report akan ditampilkan dalam halaman HTML seperti dibawah ini.
Output ini nanti digunakan untuk menjawab hipotesis.

15

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Untuk mendapatkan hasil goodness of fit, seperti :composite reliability,

cross loading, R Square, dan lain lain dilakukan dengan cara seperti
dibawah ini. Klik Calculate, PLS Algorithm, finish.

16

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Mengeluarkan report goodness of fit, seperti :composite reliability, cross

loading, R Square, dan lain lain dilakukan dengan cara seperti dibawah
ini. Klik Report, Html (Print) Report.

17

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Langkah 6: Membaca goodness of fit dari model. Pertama, uji validitas

dengan Outer Loadings dapat dilihat pada langkah 4. Kedua, hasil
Cross Loadings adalah sebagai berikut:
Output dari Cross
Loadings ini
menghendaki
bahwa nilai
korelasi dari
setiap indikator
dengan variabel
latennya, harus
lebih besar , bila
dibandingkan
dengan korelasi
antara indikator
KDA1, KDA2,
KDA3, KDA4,
dengan Variabel
Laten KPBM,
PBMA, dan SAP

18

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt

Ketiga, melihat output Composite Reliability. Keempat, menilai hasil

dari Cronbach Alpha. Tujuan menilai konsistensi responden dalam
menjawab pertanyaaan.

19

SEM dengan Smart PLS

Uji keandalan data dilakukan dengan composite

reliability. Chin W (1998) mengatakan bahwa The
unidimensionality of the block of variables may be
assessed by using composite reliability (should be
> 0.7). Memperhatikan hasil Composite Reliability
diatas, keseluruhan hasil uji berada diatas 0,70.
Maka dengan demikian dapat disimpulkan bahwa
data Kualitas Dosen Akuntansi (KDA), data
Kualitas Sillabus (KS), data Kualitas Proses
Belajar Mengajar (KPBM), dan Prestasi Belajar
Mahasiswa Akuntansi (PBMA) adalah reliabel dan
terandalkan dan dapat dipergunakan untuk uji
hipotesis.
Cronbach alpha adalah tingkat konsistensi
jawaban responden dalam satu variabel laten.
Umumnya untuk riset pada tingkat skripsi adalah
> 0,60 dan untuk riset untuk tesis dan disertasi
adalah > 0,70.

Tim Dosen FEB UTA'45 Jkt

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

R Square.

20

SEM dengan Smart PLS

Outer Weight
memperlihatkan
bahwa
tiap indikator signfikan
terhadap variabel latennya, karena
t statistiknya > 1,96..
Path Coefficient menunjukkan
bahwa semua pengujian variabel
antar variabel adalah signifikan.
Dengan
demikian
dapat
disimpulkan
bahwa
semua
hipotesis dapat diterima.
R Suare menujukkan kemampuan
variabel variabel eksogen dalam
menjelaskan variabel endogen.
Kemampuan variabel KDA dan
SAP dalam menjelaskan KPBM
adalah
69,01%.
Sedangkan
kemampuan variabel KDA, SAP,
dan KPBM terhadap PBMA adalah
11,67%.

Tim Dosen FEB UTA'45 Jkt

Sekian

21

SEM dengan Smart PLS

Tim Dosen FEB UTA'45 Jkt