JURUSAN KEPERAWATAN
FKIK UIN ALAUDDIN MAKASSAR
2019
1
TINJAUAN MATERI MODUL KULIAH
2
DESKRIPSI MATERI MODUL KULIAH
Fokus materi modul kuliah ini adalah penggunaan dan analisis PLS
untuk data multivarit. Dalam melakukan analisis multivariate menggunakan
aplikasi smart PLS. lingkup bahasan mulai dari pengenalan pls dan smartpls,
variabel-variabel sem dalam partial least square (pls) yang terdiri dari
konstruk/laten dan indikator/manifes/item, komponen model dalam pls yang
terdiri dari model struktural (structural model/inner model) dan model
pengukuran (measurement model/outer model), persiapan data dan model
smartpls yang terdiri dari mempersiapan file data di excel, membuka program
smartpls, membuat proyek baru (new project), mengimpor data indikator,
menggambar model jalur baru (new path model) , merapikan gambar model
jalur, merubah nama variabel-variabel, membuat koneksi/hubungan antar
variabel, mengolah data dan melihat output smartpls yang terdiri dari
kalkulasi pls-algorithm dan kalkulasi bootstraping dan menganalisis pls yang
terdiri dari analisis model pengukuran (outer model), konsistensi internal
(internal consistency/composite reliability), validitas konvergen (convergent
validity), validitas diskriminan (discriminant validity), analisis model struktural
(inner model), kolinearitas (colinearity/variance inflation factor/vif), pengujian
signfikansi koefisien jalur model struktural (structural model path coefficient),
koefisien determinasi (r-square).
Metode pembelajaran yang dilakukan adalah dengan pendekatan
student center learning (SCL), dimana proses pembelajaran dilakukan
melalui belajar mandiri, mahasiswa dapat mengatur waktu dan tempat
belajar, belajar sesuai dengan gaya, kecepatan, dan kemampuan yang
dimiliki serta mahasiswa dapat mengembangkan kemampuan menjadi
pebelajar yang mandiri
3
RUMUSAN CAPAIAN PEMBELAJARAN
4
SUSUNAN DAN KETERKAITAN ANTAR MODUL
Modul ini adalah bagian dari bahan ajar mata kuliah biostatistik yang
dikemas secara utuh dan sistematis. Dalam modul ini memuat seluruh materi
tehnik PLS yang terdiri dari pengenalan pls dan smartpls, variabel-variabel
sem dalam partial least square (pls) yang terdiri dari konstruk/laten dan
indikator/manifes/item, komponen model dalam pls yang terdiri dari model
struktural (structural model/inner model) dan model pengukuran
(measurement model/outer model), persiapan data dan model smartpls yang
terdiri dari mempersiapan file data di excel, membuka program smartpls,
membuat proyek baru (new project), mengimpor data indikator, menggambar
model jalur baru (new path model) , merapikan gambar model jalur, merubah
nama variabel-variabel, membuat koneksi/hubungan antar variabel,
mengolah data dan melihat output smartpls yang terdiri dari kalkulasi pls-
algorithm dan kalkulasi bootstraping dan menganalisis pls yang terdiri dari
analisis model pengukuran (outer model), konsistensi internal (internal
consistency/composite reliability), validitas konvergen (convergent validity),
validitas diskriminan (discriminant validity), analisis model struktural (inner
model), kolinearitas (colinearity/variance inflation factor/vif), pengujian
signfikansi koefisien jalur model struktural (structural model path coefficient),
koefisien determinasi (r-square) untuk menganalisa data multivariate.
Tujuan dari modul ini adalah memberikan kesempatan mahasiswa
mempelajari materi pembelajaran tehnik PLS karena keterbatasan waktu
yang dan tidak sebanding dengan bahan kajian yang harus dikuasai oleh
mahasiswa. Materi belajar dikemas kedalam satu kesatuan yang utuh,
sehingga memudahkan mahasiswa dalam memahami serta mencapai
capaian pembelajaran yang sudah ditetapkan yaitu mampu menerapkan
tehnik PLS dengan Smart PLS dalam menganalisis data multivariate.
5
RELEVANSI DAN MANFAAT MATERI MODUL KULIAH
Ada beberapa manfaat yang akan peroleh setelah mahasiswa
mempelajari materi modul ini, yaitu mahasiswa memiliki kemampuan:
1. Menjelaskan pengertian pls dan smartpls
2. Menjelaskan variabel-variabel sem dalam partial least square (pls)
yang terdiri dari konstruk/laten dan indikator/manifes/item
3. Menjelaaskan komponen model dalam pls yang terdiri dari model
struktural (structural model/inner model) dan model pengukuran
(measurement model/outer model)
4. mendemonstrasikan untuk mempersiapan file data di excel, membuka
program smartpls, membuat proyek baru (new project), mengimpor
data indikator, menggambar model jalur baru (new path model) ,
merapikan gambar model jalur, merubah nama variabel-variabel,
membuat koneksi/hubungan antar variabel, mengolah data dan
melihat output smartpls yang terdiri dari kalkulasi pls-algorithm dan
kalkulasi bootstraping
5. Menganalisis pls yang terdiri dari analisis model pengukuran (outer
model), konsistensi internal (internal consistency/composite reliability),
validitas konvergen (convergent validity), validitas diskriminan
(discriminant validity), analisis model struktural (inner model),
pengujian signfikansi koefisien jalur model struktural (structural model
path coefficient)
6
PETUNJUK BELAJAR
7
MATERI MODUL
8
2. Variabel-Variabel SEM dalam PLS
Variabel-variabel di dalam PLS ada dua, yakni: Konstruk (variabel
laten) dan Indikator (variabel manifes atau observed).
a. Konstruk/laten:
Konstruk adalah suatu ukuran yang abstrak, tidak dapat diamati
langsung (unobservable).
Di dalam model jalur, konstruk direpresentasikan dengan
gambar lingkaran (o) atau oval (ᴑ)
Jenis konstruk atau variabel laten:
Variabel eksogen (exogeneous variable): sama dengan
variabel independen/variabel bebas, yakni variabel yang
bersifat mempengaruhi variabel lain, ditandai dengan
variabel dimana anak panah berawal ( 0). Dalam
gambar, variabel eksogen dicontohkan dengan variabel A;
Variabel endogen (endogeneous variable): sama dengan
variabel dependen/variabel terikat, yakni variabel yang
dipengaruhi, ditandai dengan variabel dimana anak panah
berakhir ( 0 ). Dalam gambar, variabel endogen
dicontohkan dengan variabel B dan C. Namun demikian,
variabel endogen juga dapat berperan ganda, yakni
berperan sebagai variabel bebas sekaligus juga variabel
terikat, misalnya pada variabel perantara/intervening,
seperti B. Untuk kasus seperti ini, maka B tetap dikatakan
variabel endogen
b. Indikator/manifes/item:
Umumnya disebut sebagai item atau variabel manifes, yakni
variabel yang dapat teramati/terukur (observed variables).
Direpresentasikan dalam model jalur dengan gambar persegi
panjang ( ). Dalam gambar dicontohkan dengan
A1,A2,A3,B1,B2,C1.
9
3. Komponen dalam PLS
Analisis PLS memiliki 2 komponen model sebagai berikut: (1) Model
struktural (structural model/inner model); (2) Model pengukuran
(measurement model/outer model). Berikut ini penjelasan tahapan-
tahapan tersebut:
a. Model struktural (structuralmodel/inner model). Model struktural
adalah model yang mendeskripsikan hubungan antar konstruk
(variabel laten). Hubungan antar konstruk didasarkan kepada teori
atau asumsi-asumsi tertentu. Contoh: Pengaruh “iklan” terhadap
“citra merek”, berlanjut terhadap “pembelian”.
10
Variabel pembelian terdiri dari indikator pencarian informasi, evaluasi
informasi, ketetapan pilihan, jumlah pembelian, frekuensi pembelian,
dan pembelian ulang.
11
b. Membuka program PLS
12
d. Mengimpor data indikator
Memindahkan
13
g. Mengolah data dan melihat output smartpls yang terdiri dari kalkulasi
pls-algorithm dan kalkulasi bootstraping
14
Pilih star calculation
15
Pilih boostiping
Star calculation
16
Pilih path coefficients
5. Menganalisis pls
a. Analisis model pengukuran (outer model)
Validitas
Indikator validitas dilihat dari nilai outer loading. Bila Outer loading
suatu indikator >0.5, maka indikator tersebut dikatan valid. Sebaliknya
jika nilai outer loading indikatornya <0.5 maka indikator tersebut
dikatakan tidak valid dan harus dikeluarkan dari rancangan model.
17
b. Reliabilitas
Indikator yang tidak valid dikeluarkan dari model dan diuji lagi dengan
PL algortyma. Pengujian berikut adalah melihat reliabilitas konstruk
dengan melihat Cronbach’s Alpha atau Composite Reliability.
Reliabilitas konstruk diuji menghunakan smartPLS memiliki aturan
bahwa konstruk yang digunakan memiliki nilai composite reliability
>0.7 dan nilai Cronbach’s Alpha >0.6. Namun jika nilai Cronbach’s
Alpha kurang memenuhi, kategori reliable didapatan dari nilai
Composite Reliability (Ghozali, 2014).
18
Hasil akhir model
19
Contoh original frame work
20
21
Lembar evaluasi
Pilihlah jawaban dibawah ini dengan menyoret (X) jawaban yang dipilih
1. Fungsi PLS (Partial least squar) adalah untuk melakukan analisis univariat
(B/S)
2. Variabel-variabel di dalam PLS ada dua yaitu Konstruk (variabel laten) dan
Indikator (B/S)
3. Analisis PLS memiliki 2 komponen model sebagai berikut: (1) Model
struktural (structural model/inner model); (2) Model pengukuran
(measurement model/outer model) (B/S)
4. pls-algorithm fungsinya untuk melihat nilai korelasi antar variabel (B/S)
5. kalkulasi bootstraping fungsinya untuk melihat korelasi antar variabel
(B/S)
6. nilai output dikatakan valid apabila nilainya dibawah 0.5 (B/S)
7. nilai standar dikatakan reliable nilai composite reliability >0.7 dan nilai
Cronbach’s Alpha >0.6 (B/S)
8. nilai standar dilihat pada tabel pada dan berapa nilai standar dikatakan
signifikan apabila P- Value dibawa 0,05 dengan besar α 5% (B/S)
22