Anda di halaman 1dari 27

ANALISIS PARTIAL LEAST SQUARE

(PLS)

MUFASSIR HASRAN
041514153003

DEPARTEMEN MANAJEMEN
PROGRAM STUDI MAGISTER SAINS MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
2015

1.1

Partial Least Square


Partial Least Square (PLS) adalah suatu metode yang berbasis keluarga regresi yang

dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan model dan metode
untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS memiliki asumsi
data penelitian bebas distribusi (Distribution-Free), artinya data penelitian tidak mengacuh pada
salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan metode alternatif dari
Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan
hubungan diantara variabel yang kompleks namun ukuran sampel datanya kecil (30 sampai 100),
mengingat SEM memiliki ukuran sampel data minimal 100 (Hair et.al., 2010).
PLS digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak
yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua
persamaan, yaitu inner model dan outer model. Inner model menentukan spesifikasi hubungan
antara konstrak dan konstrak yang lain, sedangkan outer model menentukan spesifikasi
hubungan antara konstrak dan indikator-indikatornya. Konstrak terbagi menjadi dua yaitu
konstrak eksogen dan konstrak endogen. Konstrak eksogen merupakan konstrak penyebab,
konstrak yang tidak dipengaruhi oleh konstrak lainnya. Konstrak eksogen memberikan efek
kepada konstrak lainnya, sedangkan konstrak endogen merupakan konstrak yang dijelaskan oleh
konstrak eksogen. Konstrak endogen adalah efek dari konstrak eksogen (Yamin dan Kurniawan,
2009).
PLS dapat bekerja untuk model hubungan konstrak dan indikator-indikatorya yang
bersifat reflektif dan formatif, sedangkan SEM hanya bekerja pada model hubungan yang
bersifat reflektif saja (Ghazali, 2006). Model hubungan yang bersifat reflektif berarti bahwa
1. arah hubungan kausalitas dari konstrak menuju indikator.
2. diantara hubungan indikator diharapkan saling berkorelasi.
3. menghilangkan salah satu indikator dari model pengukuran tidak akan mengubah makna
konstrak.
4. menentukan measurement error (kesalahan pengukuran) pada tingkat indikator.
Sedangkan, model hubungan yang bersifat formatif berarti bahwa
1. arah hubungan kausalitas dari indikator menuju konstrak.
2. diantara hubungan indikator diasumsikan tidak saling berkorelasi.

3. menghilangkan salah satu indikator dari model pengukuran akan berakibat mengubah
makna dari konstrak.
4. menentukan measurement error (kesalahan pengukuran) pada tingkat konstrak.
Sebagai tambahan, hubungan yang bersifat reflektif menggambarkan indikator-indikator
yang terjadi di dalam suatu konstrak yang bersifat laten (tidak bisa diukur secara langsung
sehingga membutuhkan indikator-indikator untuk mengukurnya), sedangkan hubungan yang
bersifat formatif menggambarkan indikator-indikator yang menyebabkan suatu konstrak yang
bersifat emergen (ukurannya secara tiba-tiba muncul karena pengaruh indikator-indikatornya)
(Vinzi et.al., 2010).

Evaluasi model PLS dibagi menjadi 2 evaluasi berikut.


1. Evaluasi outer model (model pengukuran), meliputi nilai outer loading (valid ketika
outer loading > 0,5 dan idealnya outer loading > 0,7), average variance extracted (valid
ketika AVE > 0,5), dan composite reliability (reliable ketika CR > 0,8).\
2. Evaluasi inner model (model struktural), meliputi nilai latent variable correlations (valid
ketika r > 0,5), path coefficients (jika r valid, maka path coefficients signifikan), dan Rsquare (R2 mengartikan keragaman konstrak endogen yang mampu dijelaskan oleh
konstrak-konstrak eksogen secara serentak).

1.2

Kasus Untuk di Analisis


Seorang manajer Perusahaan yang bergerak di bidang online marketing akan membuat

keputusan terkait dengan kelangsungan operasional perusahaannya, manajer tersebut menitik


beratkan pada apa saja yang menjadi faktor penentu konsumen tersebut memutuskan untuk
melakukan pembelian produknya secara online, dari beberapa data dia menemukan bahwa yang
mempengaruhi keputusan pembelian konsumen yaitu tingkat pengetahuan teknologi internet
mereka, kualitas produk yang ditawarkan oleh perusahaannya, tingkat kepercayaan konsumen
terhadap produk serta besaran harga yang ditawarkan kepada konsumen. Dari hal-hal tersebut
maka manajer ingin menganalisis keterkaitan antara semua variabel tersebut hingga membentuk
keputusan pembelian konsumen. dalam kasus ini variabel yang akan di gunakan dalam
menganalisis masalah tersebut adalah pengetahuan teknologi internet, kualitas produk,
kepercayaan, harga dan keputusan pembelian online.
Dari kasus tersebut maka dibuat kerangka konsep dan hipotesis untuk dasar dalam
melakukan analisis. Di bawah ini digambarkan kerangka konsep dan hipotesis penelitian.
Gambar 1
Kerangka Konsep

Pengetahuan
Teknologi
Internet

H2

Kepercayaan

H7
Keputusan
Pembelian
online

H3
H1

H5

H6
Kualitas
Produk

H4

Harga

Hipotesis
H1 : pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk
H2 : pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan
H3 : kualitas produk berpengaruh signifikan terhadap kepercayaan
H4 : kualitas produk berpengaruh signifikan terhadap harga
H5 : harga berpengaruh signifikan terhadap kepercayaan
H6 : harga berpengaruh signifikan terhadap keputusan pembelian online
H7 : kepercayaan berpengaruh signifikan terhadap keputusan pembelian online

1.3

Analisis
Adapun langkah-langkah dalam melakukan analisis adalah sebagai berikut :
Setelah Hipotesis atau dugaan sementara telah ditetapkan, maka dilakukan pengumpulan

data dari para responden yaitu konsumen yang melakukan pembelian produk pada perusahaan
tersebut secara online. Data yang terkumpul seperti di bawah ini :
Tabel 1
Tabulasi Data responden
H1
3
4
3
5
5
4
5
4
5
4
4
4
4
5
4
4
3
3
3
3
3
4
3
4
3
4

Harga
H2 H3
3
3
4
3
3
3
4
4
4
5
4
4
5
5
4
4
4
4
4
5
4
4
4
4
4
4
5
4
5
5
3
4
4
3
3
3
3
3
3
3
3
3
4
4
3
3
4
3
3
4
4
5

K1
4
3
3
4
5
4
4
3
4
5
4
4
4
5
4
3
4
3
3
4
3
4
3
3
4
4

Kepercayaan
K2 K3 K4
3
3
3
4
4
4
3
3
4
5
5
5
5
5
5
4
4
4
4
5
5
4
4
4
4
4
4
5
5
4
4
4
4
4
4
4
5
4
4
4
4
4
5
5
4
3
3
3
3
4
4
3
3
3
4
4
3
4
4
4
3
3
3
3
4
4
3
4
4
4
3
3
4
4
4
4
4
4

PI1
4
3
3
5
5
4
5
4
4
4
4
4
5
4
4
3
4
3
3
4
3
3
3
3
4
4

PTI
PI2
3
3
3
4
4
3
4
4
4
5
4
4
4
4
4
4
4
3
3
3
3
3
4
3
3
4

PI3
4
3
4
4
4
4
4
3
4
4
4
4
4
4
4
3
4
3
3
4
3
4
3
3
4
4

Kualitas Produk
KPM1 KPM2 KPM3
3
3
3
4
4
3
3
3
3
5
4
4
4
5
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
3
4
4
4
4
4
4
4
4
4
3
3
3
3
3
3
3
4
3
3
3
4
4
3
3
3
4
3
3
4
3
3
3
3
3
3
3
4
4
3
4
4
4

Keputusan Pem. Online


KPO1 KPO2 KPO3
4
3
3
3
4
2
3
2
4
4
4
4
5
5
4
4
4
4
4
5
4
3
4
4
4
3
4
5
5
4
4
4
3
5
4
4
5
4
4
5
3
4
4
5
5
3
4
3
4
3
2
3
3
3
3
3
3
4
3
3
3
3
3
4
4
4
3
3
3
3
3
3
4
4
4
4
5
4

3
3
4
4
4
4
4
4
4
4
4
3
3
4
3
3
3
4
3
3
3
3
3
3
3
3
4
3
2
3
3
5
3
3
4
4
3
3
4
3
3
3
3
3
4
3
4
4
5
4
4
3
4
3
3
3

4
3
4
3
4
4
3
3
3
4
4
3
3
3
3
3
3
4
3
3
3
3
3
3
3
4
4
4
3
3
3
4
3
3
4
4
3
3
4
3
3
3
3
4
4
4
4
4
5
4
4
4
4
3
3
3

4
4
3
3
4
4
3
4
4
3
5
3
3
4
3
3
3
3
3
3
3
3
4
3
3
3
4
3
3
3
3
4
3
3
3
4
3
4
4
4
3
3
3
3
4
3
4
4
4
4
4
4
4
3
3
3

3
4
4
3
4
4
3
3
4
3
5
3
3
4
3
3
4
4
3
3
3
4
4
3
4
4
3
4
3
3
4
4
3
3
3
4
3
4
4
4
4
4
3
3
4
4
4
3
4
4
4
4
4
3
3
3

4
4
4
4
3
3
4
4
3
4
5
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
3
3
4
4
3
4
4
4
3
4
4
4
3
4
3
3
4
4
3
3
4
4
4
4
4
3
3
3

3
4
4
4
4
4
4
4
4
4
4
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
3
3
3
4
4
3
4
4
5
3
4
4
4
4
3
3
4
4
3
3
3
4
4
4
4
4
3
3
3

3
4
4
4
4
4
4
4
4
4
4
3
3
3
3
3
4
4
3
3
3
3
3
4
3
4
3
4
3
3
3
5
3
3
3
4
3
4
3
4
4
3
3
4
4
3
3
4
4
4
4
4
4
3
4
3

3
4
4
4
4
4
4
4
4
4
5
3
3
3
3
3
4
4
3
4
3
3
3
3
3
4
4
3
3
3
3
4
3
4
3
4
3
3
4
4
3
3
3
3
4
3
3
4
4
4
4
4
4
3
4
4

3
3
4
4
4
4
4
4
4
4
5
3
3
3
3
3
4
4
3
3
3
3
4
4
3
3
4
4
3
3
3
4
3
3
3
4
3
3
4
4
3
3
2
4
4
4
4
4
4
4
4
4
4
3
4
4

3
3
3
4
4
3
3
3
4
3
4
3
3
3
3
3
3
4
4
4
3
4
3
4
4
3
4
4
3
3
4
4
3
4
4
4
3
3
4
4
3
3
3
4
4
4
4
4
4
4
4
4
4
3
4
4

3
4
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
3
4
4
4
4
4
3
4
3
3
4
4
3
4
3
4
3
3
4
4
4
4
3
3
4
4
3
3
4
4
3
4
4
3
3
4

3
3
3
4
4
4
4
3
3
3
3
3
3
3
4
3
4
4
4
4
3
4
3
4
4
4
4
4
3
3
4
4
3
4
4
4
3
3
4
4
4
4
3
3
4
3
3
3
4
4
3
4
4
3
4
3

3
3
3
3
3
4
3
3
3
3
3
3
3
4
4
4
3
4
3
4
4
4
4
4
3
3
4
4
3
3
4
4
3
4
4
4
3
4
4
5
5
4
3
3
4
3
3
3
4
4
3
4
4
3
4
3

3
4
4
3
4
4
3
2
4
3
5
3
3
5
3
3
4
4
3
3
3
3
4
3
4
4
4
4
3
4
4
4
4
3
4
4
3
4
4
4
5
3
3
3
4
5
4
4
5
3
3
4
4
4
3
5

4
4
3
3
4
4
3
4
4
3
5
3
3
4
3
3
2
3
3
3
3
3
4
3
4
4
4
4
3
4
4
4
4
3
4
3
3
4
3
3
4
4
2
3
3
3
3
4
3
3
3
4
3
4
3
4

4
4
3
3
3
4
3
3
4
3
4
3
3
4
3
3
3
3
3
3
3
3
3
3
3
4
3
3
3
3
4
3
3
3
4
3
3
4
3
3
4
4
2
3
3
3
2
4
3
3
3
4
4
4
3
4

4
4
4
3
4
4
4
4
5
3
4
3
3
3
4
3
3
4

4
4
4
2
3
3
4
4
4
3
3
3
4
4
4
4
4
4

4
4
3
3
3
4
4
4
5
4
3
3
3
4
4
3
4
3

4
4
3
2
4
4
4
4
4
4
3
3
3
3
4
3
4
4

4
3
3
3
3
4
4
4
5
4
3
3
3
4
4
3
4
4

3
3
3
2
4
4
4
4
5
4
3
3
4
4
4
3
4
3

Bukan Data sebenarnya

4
3
3
3
4
4
4
3
3
4
4
3
4
4
4
3
4
4

3
3
3
3
3
3
4
3
3
4
4
3
4
4
4
4
4
4

3
3
3
3
3
3
3
3
3
3
3
4
3
3
4
4
4
4

4
3
3
2
3
3
3
3
3
3
4
4
3
3
4
3
4
4

4
3
3
3
3
4
4
4
4
4
4
3
4
3
4
4
4
3

3
3
3
2
3
4
4
4
4
4
4
3
4
4
4
3
3
3

3
3
3
3
3
3
3
3
3
3
4
4
3
3
3
3
3
4

4
4
4
3
4
4
2
3
3
3
4
4
3
3
4
4
4
4

4
4
3
3
4
3
2
3
3
4
4
4
3
3
3
4
3
4

4
4
3
2
4
3
2
3
3
4
4
4
3
3
3
4
4
3

Setelah data di tabulasi, kita akan mengolah data tersebut menggunakan program
SmartPLS, data yang telah di tabulasi di MS. Excel di save dengan format CSV (Comma
Delimited) atau txt karena program SmartPLS hanya dapat membaca data dengan format CSV
dan TXT.
Langkah-Langkah Running dengan Aplikasi SmartPLS 2.0 M3
Buka aplikasi SmartPLS, disini saya menggunakan aplikasi SmartPLS versi 2.0 M3,
tampilannya sebagai berikut.

Setelah aplikasinya terbuka, langkah pertama yang dilakukan adalah membuat project
baru untuk melakukan analisis dengan mengklik menu File > New > Create New Project
seperti gambar di bawah ini

Kemudian akan muncul form create a project, pada project name isikan dengan nama
project, namanya bisa apa saja disini saya memberikan nama project saya dengan nama
olahdata. Setelah memberikan nama project kemudian klik next dan akan muncuk form untuk
memasukan data yang akan diolah. Pada file name cari file tabulasi yang telah di save tadi
dengan format CSV, setelah ketemu kemudian klik finish.

Setelah klik finish, akan muncul di jendela sebelah kiri atas pada tab project nama project
yang telah kita buat beserta data ang telah kita masukan, jika data yang ada di dalam aplikasi
PLS berwarna hijau sperti pada lingkaran merah itu artinya bahwa data kita siap untuk di olah
tapi jika berwarna merah berarti ada eror pada data kita dan tidak dapat di baca oleh SmartPLS

Langkah selanjutnya adalah menggambar modelnya, untuk menggambar model pertama


klik olahdata.splsm untuk membuka sheet untuk menggambar model, kemudian gunakan tool
bar untuk menggambarkan modelnya

Berikut penjelasan tool bar beserta fungsinya

Selection Mode

: Tool ini di gunakan untuk seleksi dan memindahkan objek. Objek


pada drawing board dapat di pilih dan di pindahkan dengan selection
9

mode, tekan [SHIF] key untuk multiple selection object, objek pada
drawing board dapat di edit dengan double click tombol mouse kiri
Drawing Mode

: Tool ini di gunakan untuk menggambar variabel laten. Klik dengan


mouse kiri pada drawing area untuk membuat variabel laten baru
dengan tool ini. Nama variabel laten dapat diubah dengan double klik
mouse pada variabel laten dan isiskan nama variabel kemudian enter

Connection Mode : Tool ini di gunakan untuk menghubungkan antara variabel laten satu
dengan variabel laten lainnya.
Gunakan tool boar tersebut untuk menggambar model analisisnya, hasil drawing model
penelitian dapat di lihat di bawah ini

Kemudian beri nama setiap variabel laten yang telah di buat dengan cara klik kanan >
rename object pada gambar variabel laten kemudian tuliskan nama untuk variabelnya lalu enter

10

Setelah member nama variabel, selanjutnya memasukan indikator setiap variabel laten
dengan cara drag dan drop, pertama klik indikator variabel yang berada di panel kiri kemudian
klik tahan dan drop ke dalam gambar variabel laten sesuai dengan indikatornya.

Drag dan drop semua indikator ke masing-masing variabel latennya, untuk merubah
posisi indikator agar tidak tumpang tindih dengan klik kanan pada variabel laten kemudian
pilih align Top/Bottom/Left/Righ.

11

Kemudian setelah model telah selesai di bentuk, langkah selanjutnya adalah melakukan
analisis, untuk langkah pertama adalah melakukan analisis outer model dengan klik menu
Calculate > PLS Algorithm

12

Setelah mengklik menu Calculate akan muncul form Run the PLS Algorithm Algorithm
kemudian klik Finish dan hasilnya seperti di bawah ini

13

Untuk melihat hasil outpunya dapat di lakukan dengan klik menu Report > Html Report

Langkah kedua adalah analisis inner model, caranya dengan klik menu Calculate >
Bootstrapping. Kemudian akan muncul form Run the Bootstrapping Algorithm.

14

Untuk bootstrapping supaya hasilnya konsisten gunakan minimal 500 sample, untuk
cases karena pada kasus ini menggunakan 100 responden maka isiskan cases dengan 100
kemudian klik finish dan untuk melihat outpunya dapat mengklik Report > Html Report.

15

1.4

Hasil Analisis Partial Least Square


Dalam analisis Partial Least Square dilakukan dua pengujian yanitu outer model dan

inner model, untuk outer model yang akan di lihat yaitu Covergent Validity, Discriminant
Validity, Composite Reliability, Cronbachs Alpha. Sedangkan untuk inner model output yang di
gunakan adalah Uji path coefisien, Goodnes Of fit dan uji Hipotesis.

Gambar 1
Outer Model

Output Analisis
1.4.1

Evaluasi Outer Model


Pada bagian evaluasi outer model ini akan dilakukan pengujian convergent validity,

discriminant validity dan composite reliability. Berikut ini akan dijelaskan hasil pada masingmasing pengujian:
1. Convergent Validity
Convergent validity dari measurement model dengan indikator refleksif dapat di lihat dari
korelasi antara score item/indikator dengan score konstruknya. Pada pengujian Convergent
Validity digunakan nilai loading factor. Suatu indikator dinyatakan memenuhi Convergent
Validity apabila nilai loading factor > 0,7, namun pada riset tahap pengembangan skala loading

16

0.5 sampai 0.6 masih dapat diterima. Berikut adalah nilai loading factor dari masing-masing
indikator pada variabel penelitian:
Tabel 2.
Outer Loadings (Mean, STDEV, T-Values)
Original
Sample (O)

Sample
Mean (M)

Standard
Deviation (STDEV)

Standard
Error (STERR)

T Statistics
(|O/STERR|)

H1 <- Harga

0.865563

0.862198

0.028156

0.028156

30.742024

H2 <- Harga

0.833693

0.830142

0.036861

0.036861

22.617345

H3 <- Harga

0.860484

0.860992

0.020756

0.020756

41.457839

K1 <- Kepercayaan

0.779647

0.774933

0.042633

0.042633

18.287249

K2 <- Kepercayaan

0.812513

0.810007

0.038546

0.038546

21.079044

K3 <- Kepercayaan

0.879351

0.8771

0.0278

0.0278

31.631331

K4 <- Kepercayaan

0.768919

0.765218

0.051496

0.051496

14.931739

KPM1 <- Kualitas Produk

0.846179

0.84427

0.036726

0.036726

23.040244

KPM2 <- Kualitas Produk

0.872767

0.868936

0.030083

0.030083

29.011748

KPM3 <- Kualitas Produk

0.672661

0.670331

0.079767

0.079767

8.432873

KPO1 <- KPO

0.803306

0.798095

0.056156

0.056156

14.304994

KPO2 <- KPO

0.847719

0.843989

0.046321

0.046321

18.300819

KPO3 <- KPO

0.827193

0.822034

0.050413

0.050413

16.408193

0.866849

0.868875

0.021559

0.021559

40.208105

0.809689

0.807996

0.044266

0.044266

18.291313

0.770276

0.764859

0.04781

0.04781

16.11136

PI1 <- Pengetahuan


Internet
PI2 <- Pengetahuan
Internet
PI3 <- Pengetahuan
Internet

Berdasarkan output data pada tabel 2 di atas dapat diketahui bahwa rata-rata dari masingmasing indikator variabel yang di teliti memiliki nilai loading Factor > 0,7. Jadi berdasarkan
hasil tersebut dapat disimpulkan bahwa secara keseluruhan indikator yang digunakan dalam
penelitian ini masih memenuhi kriteria reliabel dan dapat digunakan untuk analisis lebih lanjut.
2. Discriminant Validity
Pada bagian ini akan diuraikan hasil uji discriminant validity. Uji discriminant validity
menggunakan nilai cross loading. Suatu indikator akan dinyatakan memenuhi discriminant
validity apabila nilai cross loading indikator pada variabelnya adalah yang terbesar dibandingkan
pada variabel lainnya. Berikut adalah nilai cross loading masing-masing indikator:

17

Tabel 3. Cross Loadings


Harga

KPO

Kepercayaan

Kualitas
Produk

Pengetahuan
Internet

H1

0.865563

0.296216

0.611184

0.320189

0.473959

H2

0.833693

0.318287

0.589621

0.323304

0.524442

H3

0.860484

0.477462

0.709738

0.338106

0.488443

K1

0.596709

0.517938

0.779647

0.461116

0.505891

K2

0.643951

0.315106

0.812513

0.450354

0.486042

K3

0.66148

0.313285

0.879351

0.477039

0.517146

K4

0.530715

0.296775

0.768919

0.404224

0.630246

KPM1

0.321851

0.266755

0.512676

0.846179

0.389813

KPM2

0.376384

0.157356

0.498564

0.872767

0.380398

KPM3

0.197642

0.295739

0.281084

0.672661

0.307785

KPO1

0.377288

0.803306

0.406394

0.263918

0.454877

KPO2

0.387941

0.847719

0.356867

0.190985

0.283758

KPO3

0.307143

0.827193

0.348782

0.249391

0.261689

PI1

0.541175

0.339588

0.663162

0.416126

0.866849

PI2

0.505174

0.328603

0.48499

0.217701

0.809689

PI3

0.365146

0.33987

0.425141

0.440291

0.770276

Berdasarkan output data dalam tabel 3 di atas dapat diketahui bahwa masing-masing
indikator pada variabel penelitian memiliki nilai cross loading terbesar pada variabel yang
dibentuknya dibandingkan dengan nilai cross loading pada variabel lainnya. Berdasarkan hasil
yang diperoleh tersebut dapat dinyatakan bahwa indikator-indikator yang digunakan dalam
penelitian ini telah memiliki discriminant validity yang baik dalam menyusun variabelnya
masing-masing.
Selain mengamati nilai cross loading, discriminant validity juga dapat diketahui melalui
metode lainnya yaitu dengan membandingkan nilai dari akar AVE tiap variabel dengan korelasi
antar variabel. Jika nilai dari akar AVE lebih besar dibandingkan korelasi-korelasi yang terjadi
maka variabel memiliki discriminant vailidity yang baik. Berikut adalah sajian data terkait
dengan nilai AVE, akar AVE serta korelasi antar variabel:

18

Tabel 4. Output Uji Discriminant Validity


Latent Variable Correlations
Harga

KPO

Kepercayaan

Kualitas Produk

Harga

KPO

0.435729

Kepercayaan

0.751995

0.450892

Kualitas Produk

0.384131

0.284469

0.554485

Pengetahuan Internet

0.579816

0.410182

0.657101

0.449873

Pengetahuan
Internet

AVE
AVE
Harga

0.728225

KPO

0.682725

Kepercayaan

0.65813

Kualitas Produk

0.643405

Pengetahuan Internet

0.666783

Tabel 5. AVE, Akar AVE, dan Korelasi antara Variabel


AVE

Akar
AVE

Harga

Harga

0.728

0.853

KPO

0.683

0.826

0.436

Kepercayaan

0.658

0.811

0.752

0.451

Kualitas Produk

0.643

0.802

0.384

0.284

0.554

Pengetahuan Internet

0.667

0.817

0.580

0.410

0.657

0.450

KPO

Kepercayaan

Kualitas
Produk

Pengetahuan
Internet

Berdasarkan sajian data dalam tabel 5 diketahui bahwa nilai AVE semua variabel > 0,5.
Diketahui juga bahwa semua nilai korelasi lebih kecil dari nilai akar AVE. Berdasarkan hasil
tersebut dapat dinyatakan bahwa setiap variabel telah memiliki discriminant validity yang baik.
3. Composite Reliability
Composite reliability merupakan bagian yang digunakan untuk menguji nilai reliabilitas
indikator-indikator pada suatu variabel. Suatu variabel dapat dinyatakan memenuhi composite

19

reliability apabila memiliki nilai composite reliability > 0,7. Berikut adalah nilai composite
reliability dari masing-masing variabel yang digunakan dalam penelitian ini:
Tabel 6. Composite Reliability
Composite Reliability
Harga

0.889336

KPO

0.865815

Kepercayaan

0.884775

Kualitas Produk

0.842437

Pengetahuan
Internet

0.856918

Berdasarkan sajian output data dalam tabel 6 di atas dapat diketahui bahwa nilai
composite reliability semua variabel penelitian > 0,7. Hasil ini menunjukkan bahwa masingmasing variabel telah memenuhi composite reliability sehingga dapat disimpulkan bahwa
keseluruhan variabel memiliki level internal consistency reliability yang tinggi
4. Cronbach Alpha
Memperkuat hasil uji reliabilitas di atas, digunakan juga nilai cronbach alpha. Dimana
suatu variabel dapat dinyatakan memenuhi cronbach alpha apabila memiliki nilai cronbach
alpha > 0,6. Berikut adalah nilai cronbach alpha dari masing-masing variabel:
Tabel 7. Cronbachs Alpha
Cronbachs Alpha
Harga

0.814653

KPO

0.768204

Kepercayaan

0.825748

Kualitas Produk

0.723395

Pengetahuan Internet

0.753123

Berdasarkan sajian output data dalam tabel 7 di atas dapat diketahui bahwa nilai
cronbach alpha dari masing-masing variabel peneliti > 0,6. Sehingga hasil ini dapat
menunjukkan bahwa masing-masing variabel penelitian telah memenuhi persyaratan nilai
cronbach alpha, sehingga dapat disimpulkan bahwa keseluruhan variabel memiliki level internal
consistency reliability yang tinggi
20

1.4.2

Evaluasi Inner Model


Pada evaluasi inner model dalam penelitian ini akan dijelaskan mengenai hasil uji

goodness-of-fit dan uji hipotesis.


Gambar 2
Inner Model

1.

Uji Path Coefficient


Evaluasi path coefficient digunakan untuk menunjukkan seberapa kuat efek atau

pengaruh variabel independen kepada variabel dependen. Sedangkan coefficient determination


digunakan untuk mengukur seberapa banyak variabel endogen dipengaruhi oleh variabel lainnya.
Dalam marketing research, nilai R2 di atas 0,75 ke atas dikategorikan substansial, nilai 0,50
0,75 dikategorikan sedang, dan nilai 0,25 0,50 artinya lemah.
Berdasarkan gambar 2 yang telah ditampilkan di atas yaitu gambar inner model dapat
dijelaskan bahwa nilai path coefficient terbesar ditunjukkan dengan pengaruh harga terhadap
kepercayaan sebesar 7,357. Kemudian diikuti oleh pengaruh pengetahuan tehnologi intenet
terhadap kualitas produk sebesar 5,014. Kemudian pengaruh kualitas produk terhadap harga
sebesar 4,472. Pengaruh kualitas produk terhadap kepercayaan sebesar 3,562. Diikuti dengan
pengaruh pengetahuan teknologi internet terhadap kepercayaan sebesar 3.420 dan kepercayaan

21

terhadap keputusan pembelian online sebesar 1.939. Dan terakhir adalah pengaruh harga
terhadap keputusan pembelian online sebesar 1.691.
Berdasarkan uraian hasil tersebut di atas menunjukkan bahwa keseluruhan variabel dalam
model ini memiliki path coefficient dengan angka yang positif. Hal ini menunjukkan bahwa jika
semakin besar nilai path coefficient pada satu variabel independen terhadap variabel dependen,
maka semakin kuat juga pengaruh antara variabel independen terhadap variabel dependen
tersebut.
2.

Uji Goodness-Of-Fit
Berdasarkan output data dari hasil analisis yang diperoleh, diperoleh nilai R-Square dari

output sebagai berikut:


Tabel 8
Nilai R-Square
R Square
Harga

0.147557

KPO

0.224807

Kepercayaan

0.68571

Kualitas Produk

0.202386

Pengetahuan Internet

Berdasarkan sajian output data dalam tabel 8 di atas dapat diketahui bahwa nilai RSquare untuk harga adalah sebesar 0,148. Perolehan nilai tersebut menjelaskan bahwa persentase
besarnya harga dapat dijelaskan oleh Pengetahuan teknologi internet sebesar 14,8%. Sedangkan
untuk nilai R-Square untuk keputusan pembelian online adalah sebesar 0,225. Hasil ini
menjelaskan bahwa keputusan pembelian online dapat dijelaskan oleh Pengetahuan teknologi
internet sebesar 22,5%. Sedangkan untuk nilai R-Square untuk kepercayaan adalah sebesar
0,686. Hasil ini menjelaskan bahwa kepercayaan dapat dijelaskan oleh Pengetahuan teknologi
internet sebesar 68,6%. Sedangkan untuk nilai R-Square untuk kualitas produk adalah sebesar
0,202. Hasil ini menjelaskan bahwa kualitas produk dapat dijelaskan oleh Pengetahuan teknologi
internet sebesar 20,2%
Penilaian goodness of fit diketahui dari nilai Q-Square. Nilai Q-Square memiliki arti yang
sama dengan koefisien determinasi (R-Square) pada analisis regresi, dimana semakin tinggi Q-

22

Square, maka model dapat dikatakan semakin fit dengan data. Adapun hasil perhitungan nilai
nilai Q-Square adalah sebagai berikut:
Q-Square

= 1 [(1-0,148) x (1-0,225) x (1-0,686) x (1-0,202)]


= 1 (0,852 x 0,775 x 0,314 x 0,798)
= 1 0,166
= 0,834

Berdasarkan hasil perhitungan di atas diperoleh nilai Q-Square sebesar 0,834. Hal ini
menunjukkan besarnya keragaman dari data penelitian yang dapat dijelaskan oleh model
penelitian adalah sebesar 83,4%, sedangkan 16,6% sisanya dijelaskan oleh faktor lain yang
berada di luar model penelitian ini. Berdasarkan hasil tersebut, maka model pada penelitian ini
dapat dinyatakan telah memiliki goodness of fit yang baik.
3.

Uji Hipotesis

a.

Uji Pengaruh Parsial Variabel


Berdasarkan output data yang di dapatkan, peneliti dapat menggunakan untuk menjawab

hipotesis yang di ajukan. Uji hipotesis dalam penelitian ini dilakukan dengan membandingkan
nilai t hitung dan t tabel (t tabel signifikan 5% = 1.96). Hipotesis penelitian dapat dinyatakan
diterima apabila nilai t hitung lebih besar dari nilai t tabel (t hit > 1.96). Berikut adalah hasil yang
diperoleh dalam uji hipotesis dalam penelitian ini melalui inner model:
Tabel 9. Path Coefficients (Mean, STDEV, T-Values)
Original
Sample
Sample (O) Mean (M)

Standard Deviation
(STDEV)

Standard Error
(STERR)

T Statistics
(|O/STERR|)

Harga -> KPO

0.222461

0.237253

0.131545

0.131545

1.691133

Harga ->
Kepercayaan

0.513345

0.508807

0.069778

0.069778

7.3568

Kepercayaan ->
KPO

0.283603

0.27208

0.046277

0.046277

2.93881

Kualitas Produk ->


Harga

0.384131

0.389886

0.085905

0.085905

4.471609

Kualitas Produk ->


Kepercayaan

0.245211

0.24131

0.068834

0.068834

3.562341

Pengetahuan
Internet ->
Kepercayaan

0.249142

0.255495

0.072847

0.072847

3.420057

Pengetahuan
Internet ->
Kualitas Produk

0.449873

0.45193

0.089729

0.089729

5.013669

23

H1 : pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk


Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.449 yang
berarti terdapat pengaruh positif pengetahuan internet terhadap kualitas produk, sedangkan untuk
nilai t statistik sebesar 5.014 > 1.96 yang berarti pengetahuan internet berpengaruh positif
signifikan terhadap kualitas produk, maka H1 dapat diterima
H2 : pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan
Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.249 yang
berarti terdapat pengaruh positif pengetahuan internet terhadap kepercayaan, sedangkan untuk
nilai t statistik sebesar 3.420 > 1.96 yang berarti pengetahuan internet berpengaruh positif
signifikan terhadap kepercayaan, maka H2 dapat diterima
H3 : kualitas produk berpengaruh signifikan terhadap kepercayaan
Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.245 yang
berarti terdapat pengaruh positif kualitas produk terhadap kepercayaan, sedangkan untuk nilai t
statistik sebesar 3.562 > 1.96 yang berarti kualitas produk berpengaruh positif signifikan
terhadap kepercayaan, maka H3 dapat diterima
H4 : kualitas produk berpengaruh signifikan terhadap harga
Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.389 yang
berarti terdapat pengaruh positif kualitas produk terhadap harga, sedangkan untuk nilai t statistik
sebesar 4.471 > 1.96 yang berarti kualitas produk berpengaruh positif signifikan terhadap harga,
maka H4 dapat diterima
H5 : harga berpengaruh signifikan terhadap kepercayaan
Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.513 yang
berarti terdapat pengaruh positif harga terhadap kepercayaan, sedangkan untuk nilai t statistik
sebesar 7.357 > 1.96 yang berarti harga berpengaruh positif signifikan terhadap kepercayaan,
maka H5 dapat diterima
H6 : harga berpengaruh signifikan terhadap keputusan pembelian online
Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.222 yang
berarti terdapat pengaruh positif harga terhadap keputusan pembelian online, sedangkan untuk
nilai t statistik sebesar 1.691 < 1.96 yang berarti harga berpengaruh positif tidak signifikan
terhadap keputusan pembelian online, maka H6 diditolak

24

H7 : kepercayaan berpengaruh signifikan terhadap keputusan pembelian online


Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.284 yang
berarti terdapat pengaruh positif kepercayaan terhadap keputusan pembelian online, sedangkan
untuk nilai t statistik sebesar 2.939 > 1.96 yang berarti kepercayaan berpengaruh positif
signifikan terhadap keputusan pembelian online, maka H7 dapat diterima
1.5

Kesimpulan
1.

Pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk. Artinya


bahwa semakin tinggi pengetahuan responden/konsumen terhadap internet maka mereka
semakin baik juga dalam membedakan kualitas barang yang akan mereka beli dari online
shop. Semakin konsumen mengerti tentang internet maka kualitas produk yang mereka
beli dari online shop juga semakin baik karena mereka dapat membedakan mana gambar
yang editan dan mana yang tidak.

2. Pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan. Artinya


bahwa semakin tinggi pengetahuan konsumen terhadap internet maka semakin tinggi juga
tingkat kepercayaan mereka dikarenakan dengan semakin baiknya mereka mengetahui
internet, mereka dapat membedakan mana perusahaan yang melakukan penipuan dan
mana yang tidak dengan berbagai cara.
3. Kualitas produk berpengaruh signifikan terhadap kepercayaan. Artinya bahwa semakin
baik kualitas produk maka semakin percaya konsumen tersebut dengan produk yang
ditawarkan, konsumen yang memesan produk secara online kemudian memperoleh
barang yang dipesannya dengan kualitas yang baik maka akan meningkatkan
kepercayaan mereka terhadap penjual barang tersebut.
4. Kualitas produk berpengaruh signifikan terhadap harga. Artinya semakin baik kualitas
sebuah produk maka harganya pun semakin tinggi, harga selalu mengikuti tingkat
kualitas dari sebuah produk, semakin baik kualitas produknya semakin mahal pula
harganya.
5. Harga berpengaruh signifikan terhadap kepercayaan. Artinya bahwa semakin tinggi
harganya maka tingkat kepercayaan juga akan tinggi, hal ini mengindikasikan bahwa
harga selalu menyangkut kualitas produk dan dengan harga tinggi yang di tawarkan oleh
perusahaan maka akan membuat kepercayaan konsumen menjadi semakin baik terhadap
produk tersebut.
25

6. Harga tidak berpengaruh signifikan terhadap keputusan pembelian online. Artinya bahwa
semakin tinggi harga yang ditawarkan maka keputusan pembelian secara online akan
semakin menurun, secara umum telah kita tau bersama bahwa semakin tinggi harga
sebuah produk maka konsumen juga akan berfikir ulang untuk melakukan pembelian
pada produk tersebut, maka dari hasil penelitian ini, untuk meningkatkan penjualan, maka
harga perlu disesuaikan dengan jenis produk yang ditawarkan.
7. Kepercayaan berpengaruh signifikan terhadap keputusan pembelian online. Artinya
bahwa semakin tinggi tingkat kepercayaan dari konsumen terhadap produk yang
ditawarkan maka keputusan pembelian online konsumen akan semakin tinggi pula, maka
dari itu kepercayaan kepada konsumen harus terus dipertahankan agar penjualan terus
meningkat.

26

Anda mungkin juga menyukai