BAB PREVIEW
Bab ini membahas beberapa topik PLS-SEM tingkat lanjut. Kami mulai
dengan analisis matriks kepentingan-kinerja (IPMA). Analisis PLS-SEM standar
memberikan informasi tentang pentingnya relatif konstruksi dalam menjelaskan
konstruksi lain dalam model struktural. Informasi tentang pentingnya konstruk
relevan untuk menarik kesimpulan. Namun, IPMA memperluas hasil PLS-SEM
dengan juga mempertimbangkan kinerja setiap konstruk. Sebagai hasilnya,
kesimpulan dapat ditarik pada dua dimensi (yaitu, kepentingan dan kinerja), yang
sangat penting untuk memprioritaskan tindakan manajerial.
Oleh karena itu, lebih baik untuk fokus terutama pada peningkatan kinerja
konstruksi dengan sangat penting mengenai penjelasan mereka tentang target
konstruksi tertentu tetapi, secara bersamaan, memiliki kinerja yang relatif rendah.
Topik penting lainnya adalah mediasi. Variabel mediator yang signifikan
mungkin sampai batas tertentu menyerap hubungan sebab-akibat. Meneliti variabel
mediasi memungkinkan peneliti untuk lebih memahami hubungan antara konstruk
dependen dan prediktor.
Akhirnya, konstruksi tingkat tinggi memungkinkan peneliti untuk
memasukkan konstruksi yang lebih umum yang mewakili beberapa subkomponennya
dalam PLS-SEM. Jumlah hubungan potensial dalam model struktural dengan
demikian berkurang, dan model jalur PLS menjadi lebih pelit dan lebih mudah
dipahami.
dimana Yii mewakili titik data ke-i (misalnya, i = 5 sehubungan dengan skor variabel
laten dari pengamatan kelima dalam kumpulan data) dari variabel laten spesifik
dalam model jalur PLS (Anderson & Fornell, 2000; Hock et al. , 2010; Tenenhaus et
al., 2005). Prosedur ini menghasilkan skor variabel laten yang direkala pada skala 0
hingga 100. Nilai rata-rata skor yang diulang dari setiap variabel laten menghasilkan
nilai indeks kinerja mereka, ditunjukkan pada skala 0 hingga 100, dengan nilai yang
lebih tinggi biasanya menunjukkan kinerja variabel laten yang lebih baik. Dalam
contoh kami, Y1 memiliki kinerja 56, Y2 dari 76, dan Y3 dari 82. Tampilan 7.4
menunjukkan data yang digunakan untuk IPMA dari variabel laten Y4 seperti yang
diilustrasikan dalam Tampilan 7.2.
dimana x, mewakili pengamatan ke-i dari variabel indikator spesifik dalam model
jalur PLS (mis., attr _2). Misalnya, respons nomor observasi 199 dari indikator attr
_2 memiliki nilai 6 pada skala 1 hingga 7. Kemudian, dengan skala Mins [attr _2] = 1
dan Maxscale [attr_2] = 7, nilai 6 sebagai respons dalam data poin 199 dari indikator
attr _2 menjadi
(6 − 1)
. 100 = 71.43
(7 − 1)
pada skala 0 hingga 100. Penyesuaian jenis ini dilakukan untuk semua data indikator.
Menggunakan data ini sebagai input untuk SmartPLS memberikan hasil estimasi
model jalur PLS yang sama tetapi juga memberikan skor yang ditinjau kembali dari
variabel laten.
Kumpulan data asli untuk memperkirakan model reputasi perusahaan (yaitu,
Full Data.csv) memiliki nilai dan data yang hilang pada skala 1 hingga 7. Cara
termudah untuk menggunakan kapabilitas otomatis SmartPLS untuk menghasilkan
skor variabel laten yang diskala ulang pada suatu skala 0 hingga 100 adalah
menjalankan algoritma PLS seperti yang dijelaskan, misalnya, dalam Bab 6 dan
untuk membuka Laporan Default (Gambar 7.6). Laporan ini menawarkan Matriks
Olahan (Data) di mana opsi perlakuan nilai hilang yang dipilih di SmartPLS telah
memperlakukan nilai-nilai yang hilang (mis., Penggantian nilai rata-rata).
Data dapat disalin (dengan mengklik CTRL + A untuk memilih tabel hasil dan
CTRL + C untuk menyalin tabel) dan menempelkan (dengan mengklik CTRL + V)
ke dalam program spreadsheet seperti Microsoft Excel untuk diproses lebih lanjut.
Lebih khusus lagi, dalam lembar bentang, tajuk baris dengan nama variabel perlu
disalin, setelah itu setiap entri data diubah dengan mengurangi nilai minimum skala
interval dan membagi perbedaan ini dengan perbedaan antara nilai skala maksimum
dan minimum nilai skala. Misalnya, dalam lembar baru aplikasi spreadsheet, titik data
pertama attr _1, yaitu 5 pada skala 1 hingga 7, ditransformasikan sebagai berikut: (5 -
1) / (7 - 1) · 100 = 66.67. Jenis perhitungan ini diterapkan untuk semua data dan file
disimpan sebagai Data Lengkap (100) .csv. Kumpulan data yang diskala ulang ini
tersedia dalam file Corporate_Reputation_Advanced.zip (http://www.pls-sem.com).
Selanjutnya, file Full Data (100) .csv harus diimpor ke proyek Analisis Extended-
Advanced Reputasi Perusahaan dengan menggunakan opsi Data Indikator Impor
SmartPLS. Di jendela SmartPLS Projects, ikuti proyek Analisis Extended-Advanced
Reputasi Perusahaan. Proyek ini sekarang telah dipilih. Mengklik tombol kanan
mouse membuka kotak dialog dengan beberapa opsi seperti yang ditunjukkan pada
Tampilan 7.7. Memilih opsi Impor Indikator Data memungkinkan Anda untuk
menambahkan set tambahan data indikator untuk proyek SmartPLS yang dipilih ini
(yaitu, Analisis Reputasi-Diperluas Tingkat Lanjut Perusahaan).
Sekarang, Wizard Impor data SmartPLS terbuka seperti yang ditunjukkan
pada Tampilan 7.8. Pada langkah pertama, Anda perlu menentukan lokasi tempat
Anda menyimpan file Full Data (100) .csv. Jika Anda tahu lokasi, Anda bisa
langsung mengetik lintasan dan nama file (mis., C: \ SmartPLS \ Data Lengkap (lOO)
.cvs). Jika tidak, klik pada tombol (;) (Exhibit 7.8) yang membuka browser file Anda
untuk mencari dan dobel klik pada Full
Data (100) .csv file. Lalu, nama dan jalur file muncul di bidang teks (mis., C: \
SmartPLS \ Data Lengkap (100) .cvs) seperti yang ditampilkan di Tampilan 7.8. Klik
tombol Berikutnya dan jendela dialog kedua dari Wizard Impor SmartPLS (mis.,
Pengaturan Nilai yang Hilang) terbuka (Tampilan 7.9). H set data Anda memiliki
nilai yang hilang, centang kotak seperti yang ditunjukkan pada Tampilan 7.9. Bidang
teks memungkinkan Anda untuk menunjukkan nomor mana yang mewakili nilai yang
hilang. File Full Data (100) .csv berisi nilai yang hilang, jadi Anda harus mencentang
kotak. File ini tidak mengandung nilai-nilai yang hilang karena ini telah diperlakukan
dengan penggantian nilai rata-rata pada langkah pertama analisis. Karena itu, cukup
klik tombol Selesai. File data Anda sekarang telah diimpor ke proyek SmartPLS yang
dipilih. Setelah mengimpor file Full Data (100) .csv, kumpulan data ini muncul dalam
proyek Analisis Reputasi-Extended Reputasi Perusahaan, yang ditampilkan di jendela
Proyek SmartPLS. Proyek ini sekarang memiliki dua set data yang tersedia.
Perhatikan bahwa Anda dapat beralih di antara file data untuk estimasi model jalur
PLS. Klik pada file data tertentu untuk memilihnya. Kemudian, tekan tombol kanan
mouse pada file data yang dipilih ini, yang membuka menu dengan beberapa opsi.
Pilih opsi Gunakan Data untuk Perhitungan. Kemudian, tag hijau (mis., Kotak hijau
dengan tanda centang putih) muncul di sebelah simbol file data untuk menunjukkan
bahwa estimasi model jalur PLS menggunakan kumpulan data khusus ini.
Jika file Full Data (100) .csv memiliki tag merah setelah menjalankan
prosedur impor, itu tidak dapat digunakan untuk estimasi model jalur PLS. Dalam hal
itu, klik dua kali pada kumpulan data di jendela Proyek SmartPLS. Tampilan Data
terbuka seperti yang ditunjukkan pada Tampilan 7.10. Dalam kebanyakan kasus,
SmartPLS tidak dapat mengidentifikasi pemisah data yang benar saat mengimpor file
data. Cobalah berbagai opsi di jendela Pilih Pembatas Tampilan Data (mis., Koma,
titik koma, spasi, tabulator) dan pilih opsi yang memberi Anda pratinjau yang tepat di
jendela Pratinjau data (Gambar 7.10). Perhatikan bahwa jendela Pratinjau data tidak
menunjukkan set lengkap data tetapi hanya header dan beberapa baris pertama dari
set data yang diimpor. Saat menutup Tampilan Data, SmartPLS menanyakan apakah
Anda ingin menyimpan perubahan, yang Anda konfirmasikan dengan mengklik
tombol Ya. Jika tag merah masih muncul, Anda harus memasukkan Tampilan Data
lagi. Sekarang, tekan tombol Validasi. Jendela terbuka yang berisi informasi di kolom
mana dan baris mana Anda dapat menemukan titik data yang tidak valid (lihat Bab 2
untuk deskripsi persyaratan data di SmartPLS). Buka file data dengan program
spreadsheet seperti Microsoft Office Excel atau OpenOffice CALC dan perbaiki data
yang tidak valid. Kemudian, simpan file data dalam format file yang dipisahkan
dengan koma (mis., .Csv) atau teks (mis., .Txt) dan impor set data ini lagi ke
SmartPLS sehingga
muncul dalam proyek yang dipilih di jendela Proyek SmartPLS. Sebelum mengimpor
set data yang diperbaiki, Anda mungkin ingin menghapus set data yang tidak valid
dengan tag merah dari proyek Anda. Cukup klik pada kumpulan data di jendela
Proyek SmartPLS untuk memilihnya, lalu tekan tombol mouse kanan. Kotak dialog
seperti yang ditunjukkan pada Tampilan 7.7 muncul dan memberi Anda opsi Hapus
Sumber Daya, yang menghapus file yang dipilih.
Jika file Full Data (100) .csv memiliki tag hijau, set data valid dan sekarang
dapat digunakan untuk memperkirakan model jalur PLS. Estimasi PLS-SEM untuk
koefisien lintasan dan nilai R2 tidak berubah dan sama seperti yang dijelaskan dalam
bab-bab sebelumnya. Namun, dalam hasil, yang didasarkan pada data input yang
diubah kembali, Laporan Default SmartPLS sekarang menawarkan Nilai Indeks
untuk Variabel Laten pada skala 0 hingga 100, seperti yang ditampilkan dalam
Tampilan 7.11. Bersama dengan total efek (Tampilan 7.11), ini adalah informasi
kunci yang diperlukan untuk melakukan IPMA.
Informasi dari Laporan Default (mis., Nilai indeks dan efek total) diperlukan
untuk IPMA dari target kunci CUSL dalam model jalur PLS. Tampilan 7.12
menyajikan hasil dari total efek (kepentingan) dan nilai indeks (kinerja) yang
digunakan untuk IPMA.