Contoh pembahasan:

Contoh: Rendah 8 item ; max 8 item x 5 skala

(Skor tertinggi skor terendah) : kategori
Uji asumsi klasik
1. Uji multikorelinieritas
Tujuan: mengetahui apakah ada korelasi yang tinggi antar variabel bebas dalam
satu model regresi linear berganda
Kriteria:
TOLERANCE>0,1 TIDAK ADA PENYIMPANGAN
TOLERANCE </= 0,1 ADA PENYIMPANGAN
VIF<10 TIDAK ADA PENYIMPANGAN
VIF>10 ADA PENYIMPANGAN
Step: regression-linier-statistik (estimates, covariance matrix, model fit, coleniarity
diagnostic)-continue
2. Uji normalitas
Tujuan: mengetahui apakah data berdistribusi normal
Kriteria:
Berdistribusi normal jika >0.05
Berdistribusi tidak normal jika <0.05
Cara: grafik (histogram dan p-plot) dan statistik (kurtosis dan kolmogrof smirnov)
Uji normalitas termasuk dalam syarat parametrik (Data parametrik:
mempertimbangkan apakah datanya normal atau tidak)
Jika data tidak normal, maka:
a. Menghapus data outlier
b. Transformasi data
Alat

analisis

yang

menggunakan

data

normal

Alat

analisis

untuk

data tidak normal

Mann-Whitney

Distribusi
diperlukan

test;

T-test

Moods median test;

Any

ANOVA

Kruskal-Wallis test
Moods median test;

Any

yang

uji t berpasangan
F-test; Bartletts test
Analisis regresi

Kruskal-Wallis test
One-sample sign test
Levenes test
analisis regresi non
parametrik

Any
Any
Any
Weibull;

Cp/Cpk analysis

Cp/Cpk analysis

log-normal;

largest extreme value;

Poisson; exponential;
binomial

Uji asumsi
-Uji Outlier (lihat dulu nilainya apakah perbedaanya terlalu banyak)
-Uji multikorilinieritas
-Uji korelasi antar variabel (analis, korelasi, bivariat)
Tujuan:mengetahui hubungan antar variabel
Kriteria:
1. Tanda bintang pada korelasi pearson
2. Nilai signifikansi < 0.05
SEM
SEM adalah gabungan dari analisis jalur dan analisis faktor
1. SEM berbasis covariance (LISREL, AMOS)

Pendekatan SEM berbasis covariance dipengaruhi oleh asumsi

parametrik, yang mana data yang akan diujikan harus berdistribusi
normal multivariat

Sampel harus besar, yaitu 200-800

Hanya mengakomodir 100 indikator

Pemodelan indikator harus berbentuk reflektif (dasar teori harus kuat)

Tujuan untuk konfirmasi

2. SEM berbasis variance (PLS)

Pendekatan SEM berbasis variance tidak dipengaruhi oleh asumsi

nonparametrik, yaitu data yang diuji bisa berdistribusi normal atau
tidak normal

Sampel bisa kecil 30-100

Bisa mengakomodir 100-1000 indikator

Pemodelan indikator bisa reflektif atau formatif (dasar teori tidak

harus kuat)

Tujuan untuk prediksi atau konfirmasi

Kesimpulan:
Apabila terjadi multikolinieritas antar variabel anda, distribusi tidak
normal, menggunakan skala beragam (rasio, intrval, ordinal), sampel
sedikit bisa dianalisis dengan PLS
SmartPLS 2.0

PLS ALGORITHM
-

Weighting schemes (path weighting): untuk mengkombinasikan variabel

laten tetangga guna mendapatkan estimasi variabel laten tertentu

Data metric (terstandarisasi): jenis data apa yang akan diinputkan ke

dalam proses estimasi PLS

Maximum iteration (disarankan > 100): iteration adalah proses

pengulangan penghitungan persamaan

Abort criterion : nilai yang menunjukkan kapan proses iterasi berhenti,

jika sudah menunjukkan nilai 0.0001 bisa dihentikan

Initial wight: nilai bobot awal yang dimasukkan dalam proses iterasi.
Nilai defaultnya adalah 1

Note: diisi dalam kotak dialog pls algorithm

BOOTSTAPPING/RESAMPLING
Dalam proses PLS, Algorithm tidak dapat menghasilkan nilai koefisien
signifikansi. Bootstapping merupakan penyampelan ulang dari dari sampel
yang telah dikumpulkan. Kemudian distribusi bootstrapping diestimasi
untuk memperoleh signifikansi koefisien
-

Sign change (rekom: construct level change atau individual change:

mengabaikan efek multikolinieritas tapi nilai koefisien signifikan/t paling
tingggi)

Cases: jumlah sampel

Samples: jumlah berapa kali dilakukan resampling (> 500)

Notet: diisi dalam kotak dialog bootstrapping

Prasyarat PLS
-

Menghitung jumlah sampel dengan mempertimbangkan power of test

(suatu nilai yang mengukur besarnya probabilitas untuk menolak
hipotesis 0, jika hipotesis 0 salah). Jika peneliti memperhatikan power of
test maka akan terhindar dari jenis kesalahan penarikan keputusan tipe I
dan II (punya saya sampel min 184)

Langkah:

1. Membuat file csv

2. Memulai PLS
-

Menggambar model

WarpPLS
R2 nilai determinasi (variabel y mampu menjelaskan varian x sebesar)
B koefisien jalur (koefisien jalur bernilai positif atau negatif)
P nilai probabilitas dari koefisien jalur/signifikansi statistik (apakah
signifikan atau tidak, harus <0,05)
Kesimpulan:
Menggunakan data 309, yaitu data yang sudah dihapus outliernya, resampling yang
stabil
MRA
Uji T: uji secara parsial
Uji F: uji secara simultan