7 2018
Mahasiswa yang sedang mengerjakan penelitian untuk skripsi atau tesis kerap
mengalami kebingungan saat melakukan analisis data, khususnya analisis inferensial.
Penulis telah mengikuti workshop tentang cara menggunakan aplikasi SmartPLS, namun
waktu satu hari itu ternyata tidak cukup untuk membuat penulis bisa menggunakan aplikasi
SmartPLS dengan maksimal. Akhirnya penulis terpaksa mencari tahu sendiri di website
SmartPLS, forum-forum diskusi, dan membaca berbagai artikel dan buku tentang
SmartPLS. Hasil telusur tersebut penulis sajikan dalam artikel ini, dengan harapan dapat
membantu rekan-rekan mahasiswa menyelesaikan tesis atau skripsi dengan analisis yang
memadai.
Sebagai awal, izinkan penulis mengulang sedikit mengenai jenis analisis data yang
sering digunakan dalam penulisan tesis atau skripsi, yaitu analisis deskriptif dan analisis
inferensial.
1. Analisis Deskriptif
Analisis deskriptif adalah analisis statistik yang berfungsi untuk mendeskripsikan
atau memberi gambaran terhadap obyek yang diteliti melalui data sampel atau populasi
sebagaimana adanya tanpa melakukan analisis dan membuat kesimpulan yang berlaku
umum dalam penelitian ( Ferdinand, 2014 ). Dalam analisis deskriptif, seorang peneliti
akan menjelaskan obyek penelitian, memetakan responden berdasarkan karakteristik
mereka, serta memetakan kecenderungan tanggapan responden terhadap pertanyaan-
pertanyaan yang berkaitan dengan indikator-indikator variabel penelitian.
Teknik yang sering digunakan untuk memetakan respon responden adalah mean
atau rerata dan analisis indeks. Nilai mean atau rerata adalah jumlah seluruh data dibagi
dengan banyaknya data yang ada. Mean merupakan ukuran tendensi sentral yang paling
umum digunakan karena mean merupakan cara termudah untuk mendeskripsikan data (
Kuncoro, 2013 ). Sedangkan analisis indeks yang sering digunakan adalah Three-box
Method ( Ferdinand, 2014 ).
2. Analisis Inferensial
Analisis inferensial adalah serangkaian metode yang digunakan untuk mengolah
data agar dapat ditarik kesimpulan atau menguji hipotesis ( menurut penulis ). Analisis
inferansial terbagi menjadi menjadi teknik statistik inferensial parametrik dan teknik statistik
inferensial non parametrik. Dalam melakukan Teknik statistik inferensial parametrik,
seorang peneliti dibantu dengan menggunakan alat analisis yang sesuai dengan model
penelitian. Misalnya analisis regresi, regresi moderasi, dan regresi dua tahap bias
menggunakan SPSS. Analisis kausalitas biasa menggunakan SEM atau Structural
Equation Modelling. Analisis kausalitas jalur dapat dilakukan dengan menggunakan Path
Analysis ( Ferdinand, 2014 ).
Penulis tidak akan menguraikan mengenai SEM atau Structural Equation Modelling
dalam tulisan ini, melainkan SEM-PLS atau Structural Equation Modelling – Partial Least
Square.
1
2
Tahap 1 : Tahap 2 :
• Relibilitas indikator • Kolinearitas
• Internal consistency • Koefisien determinasi (R2)
reliability • Predictive relevance atau
• Validitas konvergen Cross-validated
• Validitas diskriminan Redundancy ( Q2)
• Effect Size atau f-square (f2
)
• Path coefficients
4) Validitas Diskriminan
Validitas diskriminan bertujuan untuk menentukan apakah suatu indikator
reflektif benar merupakan pengukur yang baik bagi konstruknya berdasarkan
prinsip bahwa setiap indikator harus berkorelasi tinggi terhadap konstruknya
saja. Pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi
tinggi ( Ghozali dan Latan, 2015 ). Dalam aplikasi SmartPLS 3.2.7 uji validitas
diskriminan menggunakan nilai cross loadings dan Fornell-Larcker Criterion,
dan Heterotrait-Monotrait (HTMT) ( Henseler dkk., 2015 ).
Cross Loadings
Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan
bahwa korelasi konstruk dengan item pengukuran lebih besar daripada
konstruk lainnya. Nilai cross loading yang diharapkan adalah lebih besar dari
0,7 ( Ghozali dan Latan, 2015 ).
Fornell-Larcker Criterion
Metode lain untuk menilai validitas diskriminan adalah dengan Fornell-
Larcker Criterion, sebuah metode tradisional yang telah digunakan lebih dari 30
tahun, yang membandingkan nilai akar kuadrat dari Average Variance
Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam
model ( Henseler dkk., 2015 ). Jika nilai akar kuadrat AVE setiap konstruk lebih
besar daripada nilai korelasi antar konstruk dengan konstruk lainnya dalam
model, maka model tersebut dikatakan memiliki nilai validitas diskriminan yang
baik ( Fornell dan Larker, 1981 dalam Wong, 2013 ).
Heterotrait – Monotrait Ratio ( HTMT )
Beberapa ahli berpendapat bahwa cross loading dan Fornell-Larcker
Criterion kurang sensitif dalam menilai validitas diskriminan. HTMT merupakan
metode alternatif yang direkomendasikan untuk menilai validitas diskriminan.
Metode ini menggunakan multitrait-multimethod matrix sebagai dasar
pengukuran. Nilai HTMT harus kurang dari 0,9 untuk memastikan validitas
diskriminan antara dua konstruk reflektif ( Henseler dkk., 2015 )
menunjukkan bahwa model kuat, moderat, dan lemah ( Sarstedt dkk., 2017 ).
Chin memberikan kriteria nilai R2 sebesar 0,67, 0,33 dan 0,19 sebagai kuat,
moderat, dan lemah ( Chin, 1998 dalam Ghozali dan Latan, 2015 ).
3) Cross-validated Redundancy (Q2)
Cross-validated redundancy (Q2) atau Q-square test digunakan untuk
menilai predictive relevance. Nilai Q2 > 0 menunjukkan bahwa model
mempunyai predictive relevance yang akurat terhadap konstruk tertentu
sedangkan nilai Q2 < 0 menunjukkan bahwa model kurang mempunyai
predictive relevance ( Sarstedt dkk., 2017 ).
Nilai Cross-validated Redundancy (Q2) didapat dengan prosedur
Blindfolding dalam SmartPLS v.3.2.7. Caranya Calculate à Blindfolding.
4) Effect Size ( f2 )
Selain menilai apakah ada atau tidak hubungan yang signifikan antar
variabel, seorang peneliti hendaknya juga menilai besarnya pengaruh antar
variabel dengan Effect Size atau f-square ( Wong, 2013 ). Nilai f2 0,02 sebagai
kecil, 0,15 sebagai sedang, dan nilai 0,35 sebagai besar. Nilai kurang dari 0,02
bisa dabaikan atau dianggap tidak ada efek ( Sarstedt dkk., 2017 ).
5) Path Coefficients atau Koefisien Jalur
Selanjutnya dilakukan pengukuran path coefficients antar konstruk untuk
melihat signifikansi dan kekuatan hubungan tersebut dan juga untuk menguji
hipotesis. Nilai path coefficients berkisar antara -1 hingga +1. Semakin
mendekati nilai +1, hubungan kedua konstruk semakin kuat. Hubungan yang
makin mendekati -1 mengindikasikan bahwa hubungan tersebut bersifat negatif
( Sarstedt dkk., 2017 ).
Mediasi terjadi bila sebuah variabel mempengaruhi hubungan antara variabel bebas
dab terikat. Perubahan pada variabel bebas menyebabkan perubahan pada variabel
mediator dan akhirnya menyebabkan perubahan pada variabel terikat. Dalam tulisan ini,
penulis menggunakan model mediasi sederhana, yaitu hanya ada satu variabel mediator.
Untuk menganalisis model mediasi sederhana ini, penulis mengadopsi alur yang dibuat
oleh Zhao dkk. ( 2010 ).
Zhao dkk. ( 2010 ) membagi efek mediasi menjadi lima kelompok, yaitu :
1. Complementary ( partial mediation ) bila axb signifikan, c signifikan, dan axbxc
signifikan
2. Competitive ( partial mediation ) bila axb signifikan, c signifikan, namum axbxc
tidak signifikan
3. Indirect-only ( full mediation ) bila axb signifikan, namun c tidak signifikan
4. Direct-only ( no mediation ) bila axb tidak signifikan, namun c signifikan
5. No effect ( no mediation ) bila axb tidak signifikan dan c tidak signifikan
Setelah efek mediasi dan jenis atau tipe mediasi dikelompokkan, Zhao dkk. (2010)
menganjurkan untuk memahami keterlibatan mediator dalam pembentukan teori sebagai
berikut :
Penutup
Demikian secuil tulisan dari pengalaman penulis saat menyelesaikan tesis dengan
menggunakan SmartPLS v.3.2.7 2018 sebagai aplikasi pengolah data. Tentu saja tulisan
ini masih jauh dari sempurna. Terimakasih untuk perhatian pembaca atas tulisan ini.
Daftar Referensi :
Abdillah W., Hartono J. 2015. Partial Least Square (PLS) Alternatif Structural Equation Modeling
(SEM) dalam Penelitian Bisnis. CV. Andi Offset, Yogyakarta.
Cangur S. dan Ercan I. 2015. Comparison of Model Fit Indices Used in Structural Equation
Modeling Under Multivariate Normality. Journal of Modern Applied Statistical Methods. Vol.
14, No. 1 : 152 – 167.
Ferdinand A. 2014. Metode Penelitian Manajemen, Pedomen Penelitian Untuk Penulisan Skripsi,
Tesis, dan Disertasi Ilmu Manajemen. Ed. Ke-5. Badan Penerbit Universitas Diponegoro,
Semarang.
Ghozali I. dan Latan H. 2015. Partial Least Squares Konsep, Teknik dan Aplikasi Menggunakan
Program SmartPLS 3.0. Ed. Ke-2. Badan Penerbit Universitas Diponegoro, Semarang.
Henseler J., Ringle C.M., dan Sarstedt M. 2015. A new criterion for assessing discriminant validity in
variance-based structural equation modeling. Journal of the Academy of Marketing
Science. Vol. 43 : 115 – 135.
Kuncoro, M. 2013. Metode Riset untuk Bisnis dan Ekonomi : Bagaimana Meneliti dan Menulis Tesis?.
Ed. Ke-4. Penerbit Erlangga, Jakarta.
Sarstedt M., Ringle C.M., dan Hair J.F. 2017. Partial Least Square Structural Equation Modeling.
Dalam : Homburg C., Klarmann M., Vomberg A. (eds) Handbook of Marketing Research.
Springer, Cham.
Sekaran U. dan Bougie R. 2016. Research Methods for Business. 7th ed. John Wiley & Sons Ltd,
Chichester.
Wong K.K. 2013. Partial Least Squares Structural Equation Modeling (PLS-SEM) Techniques Using
SmartPLS. Marketing Bulletin. Vol.24: Technical Note1.
Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny: Myths and Truths about
Mediation Analysis. Journal of Consumer Research. Vol. 37 : 197 – 206.