MODUL PRAKTIK PARTIAL

LEAST SQUARE (PLS)

Untuk Penelitian Sosial-Ekonomi

pendekatan Kuantitatif

Rahmat Riwayat Abadi, S.E., M.M

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI
UNIVERSITAS NEGERI MAKASSAR
 SIMULASI PENGUJIAN HIPOTESIS PENELITIAN
MENGGUNAKAN PARTIAL LEAST SQUARE (PLS)

A. Pengujian Hipotesis pada Kasus Penelitian dengan Model Sederhana

Pada paparan berikut, akan dijelaskan pengujian hipotesis pada model penelitian

sederhana, yakni antara beberapa variabel independen dan dua variabel dependen dengan

SmartPLS 3.

Secara umum, proses pengujian hipotesis dengan SmartPLS versi 3 adalah sebagai

berikut:

1. Menyiapkan data dalam file Microsoft excel dengan format CSV (comma delimited).

2. Membuka program (software) SmartPLS 3.

3. Membuat new project.

4. Meng-import data yang sudah disiapkan (poin 1).

5. Menggambar model penelitian yang terdiri dari beberapa variabel laten.

6. Memasukkan data kuesioner (indikator) ke dalam variabel laten.

7. Melakukan pengujian kualitas model pengukuran (PLS algoritm).

8. Melakukan pengujian hipotesis (bootstrapping).

Untuk memperdalam pemahaman mengenai teknik pengujian hipotesis dengan PLS,

simaklah simulasi proses berikut ini:

Pertama, siapkan data pada Microsoft Excel yang disimpan dalam format CSV (comma

delimited).
Selanjutnya, buka program PLS lalu klik menu New Project, dan tulis nama project sesuai
yang diinginkan, lalu klik OK.
Selanjutnya, lakukan impor data yang sudah disiapkan dengan cara mengklik menu Double
click to import data! (lihat bagian yang dilingkari pada gambar dibawah ini).
Setelah data di-import, maka akan muncul tampilan mengenai data yang di- import tadi.
Proses selanjutnya adalah membuat New Model File, lalu menggambar model penelitian.
Caranya adalah dengan mengklik menu latihan 1 dan memberi nama pada kotak dialog yang
muncul dengan nama yang kita inginkan, misalnya dalam kasus ini diberi nama Latihan1.

Setelah proses di atas dilakukan, maka akan muncul halaman kosong yang tersedia untuk
menggambar model penelitian seperti di bawah ini.
Proses selanjutnya adalah membuat gambar model penelitian. Pertama-tama, klik 2x menu
latihan1 lalu klik menu Latent Variable (lihat bagian yang dilingkari!) lalu gambar variabel
independen dan dependen sesuai model yang telah dirumuskan pada proposal penelitian.

Ketika dibuat, latent variable masih bernama “Latent Variable”. Oleh karenanya nama ini

perlu diubah sesuai dengan nama variabel yang dirumuskan pada proposal penelitian.

Caranya adalah dengan memposisikan kursor mouse tepat berada pada variabel yang

namanya ingin diubah lalu klik kanan, kemudian pilih menu “rename” dan tulis nama

variabel baru sesuai dengan nama yang diinginkan. Lihat gambar di bawah ini !
Setelah semua variabel selesai dibuat, selanjutnya buat garis penghubung antar variabel
sebagai indikasi dari arah hubungan antar variabel, sesuai yang dirumuskan pada proposal
penelitian (lihat gambar di bawah ini !).
Cara untuk membuat garis adalah silakan klik menu “Connect” (lihat bagian yang

dilingkari), lalu klik variabel-variabel yang dihubungkan. Pada contoh di atas, setelah

mengklik menu “Connect”, penulis mengklik variabel KSI (Keterbatasan Sistem Informasi),

dan lalu mengklik variabel PIK (Penggunaan Informasi Kinerja).

Setelah semua variabel dihubungkan dengan garis “Connect” tadi, maka model penelitian

sudah selesai dibuat, sebagaimana gambar yang nampak di bawah ini.

Setelah gambar model penelitian selesai dibuat, selanjutnya adalah memasukkan indikator-

indikator pengukuran variabel1 ke dalam masing- masing variabel. Caranya adalah:

blok nama-nama indikator -> klik+tahan -> drag ke variabel yang akan dimasukkan
indikator-indikator pengukurannya -> lepaskan klik mouse

Jika kita ingin memasukkan indikator-indikator dari variabel KSI, maka indikator yang
diklik+tahan dan di drag ke variabel KSI adalah indikator- indikator yang namanya juga KSI.
Dalam kasus ini terdapat empat indikator dari KSI yang ditulis dengan KSI1, KSI2, KSI 3, dan
KSI4. Jika indikator- indikator variabel telah berhasil dimasukkan ke dalam variabelnya, maka
akan nampak tampilan seperti gambar di bawah ini.

1 Indikator-indikator pengukuran variabel adalah data penelitian yang bersumber dari hasil jawaban
kusioner dan telah dikuantifikasikan. Misalnya jawaban sangat tidak setuju dikuantifikasikan menjadi 1,
tidak setuju dikuantifikasikan menjadi 2, dst. Pada PLS, range kuantifikasi variabel harus seragam,
misalnya jika variabel penelitian diukur dengan skala likert dengan range 5, maka semua variabel harus
diukur dengan likert range 5, tidak boleh ada yang menggunakan range 7. Karena hal itu akan dianggap
error oleh PLS.
Umumnya, ketika proses memasukkan indikator-indikator pengukuran variabel ini berhasil

dilakukan, maka indikator-indikator tersebut akan muncul secara otomatis di sisi kiri

variabel yang diukurnya. Seringkali posisi tersebut menjadikan tampilan model penelitian

tidak elok untuk dipandang, sebagaimana yang nampak pada gambar di bawah. Oleh

karenanya, indikator- indikator pengukuran variabel tersebut perlu dipindah ke posisi yang

lebih baik.

Caranya adalah:

Posisikan kursor mouse tepat berada di variabel yang indikator- indikatornya ingin

dipindahkan -> klik kanan mouse -> Align, lalu pilih posisi rataan yang diinginkan (Top/atas;

Left/kiri; Buttom/bawah; Right/kanan).

Pada kasus di atas, penulis memilih Right atau Rata Kanan agar tampilan model peneltian
menjadi lebih elok dipandang. Lihat hasilnya pada gambar d i bawah ini.
Jika proses memasukkan dan penyesuaian posisi indikator-indikator pengukuran variabel ini
telah selesai dilakukan, maka akan nampak tampilan sebagaimana gambar di atas.
Apabila peneliti sudah sampai pada tahap ini, maka pengujian statistik sudah siap untuk
dilakukan. Pengujian terdiri dari uji kualitas model pengukuran/instrumen (PLS algoritm)
dan uji hipotesis (Bootstrapping).
Uji Kualitas Model Pengukuran

Untuk melakukan uji kualitas model pengukuran, caranya adalah:

Klik menu Calculate -> PLS Algoritm (lihat pada bagian yang dilingkari pada gambar
dibawah ini!)
Setelah itu, maka akan muncul tampilan seperti gambar di bawah ini. Selanjutnya, pilih (klik)
Start Calculation.

Setelah proses Calculation selesai, maka akan keluar hasil pengujian kualitas model
pengukuran (lihat gambar di bawah ini !).

Penyimpulan mengenai kualitas model pengukuran mengacu pada rule of tumbs berikut ini:

Tabel 1. Parameter Uji Validitas dalam Model Pengukuran PLS

Uji Parameter Rule of tumbs

Faktor Loading > 0,7

(Outer Loading)
Validitas Konvergen
Average Variance Extracted (AVE) > 0,5
Communality > 0,5

Akar AVE dan korelasi variabel laten Akar AVE > korelasi variabel
laten (Discriminant Validity)
Validitas Deskriminan
Cross Loading > 0,7 dalam satu variabel
(Discriminant Validity)
Cronbach Alpha > 0,6
Reliabilitas
Composite Reliability > 0,6
Sumber: Chin (1995); Werts et al. (1974) Salisbury et al. (2002); Hartono dan Abdillah (2011)
Pada gambar di bawah ini nampak hasil outer loadings (di SPSS diistilahkan dengan Factor
Loadings) digunakan untuk mengukur validitas konvergen dari model pengukuran
(instrumen). Pada kasus ini, hasil uji outer loadings menunjukkan skor yang rendah pada
variabel AKT (Akuntabilitas) yaitu kurang dari rule of tumbs 0,70 (Chin, 1998). Skor kurang
dari 0,70 juga nampak pada konstruk KMUK4 dan KSI3. Nampak pula variabel INS (Insentif)
memiliki korelasi tidak hanya pada dirinya (INS) tetapi juga pada AKT (Akuntabilitas). Dari
hasil ini maka dapat disimpulkan bahwa variabel Akuntabilitas (AKT) memiliki validitas
konvergen yang kurang baik, sehingga sebaiknya variabel ini dieliminasi dan tidak diikutkan
dalam pengujian hipotesis. Jika variabel akuntabilitas tetap diuji hipotesisnya maka hasil
penelitian akan memiliki validitas yang lemah. Namun, karena ini hanya contoh, maka di
bagian pengujian hipotesis nanti, variabel ini tetap diikutkan.

Sementara, untuk kasus rendahnya KMUK4 dan KSI3, maka sebelum uji hipotesis dilakukan,
kedua konstruk ini harus dieliminasi terlebih dahulu dari perannya sebagai salah satu item
pengukur (indikator) dari variabel yang diukurnya.
Selanjutnya, menurut perhitungan cross loading (discriminant validity) di atas, dapat
disimpulkan semua variabel memiliki korelasi tertinggi pada dirinya sendiri dibandingkan
dengan korelasi pada variabel lain. Dengan demikian, syarat validitas diskriminan pada
kasus penelitian ini terpenuhi.
Sementara, untuk skor Cronbach Alpha dan Composite Reliability yang mengukur relibilitas
model pengukuran didapatkan hasil yang bagus, yakni lebih dari rule of tumbs 0,60 (Werts
et al., 1974 dikutip dari Salisbury et al. 2002). Dengan demikian dapat disimpulkan bahwa
model pengukuran semua variabel memiliki reliabilitas yang baik.

Catatan !

Untuk kriteria rule of tumbs, beberapa statistikan memiliki perbedaan pendapat. Ada
yang mensyaratkan harus lebih dari 0,70 seperti Chin (1998) dan ada yang boleh
kurang dari 0,70 tetapi paling tidak lebih dari 0,40 seperti pendapat Lai dan Fan
(2008) serta Vinzi et al. (2010). Menurut penulis sendiri tidak ada paksaan untuk
mengikuti pendapat yang mana karena semuanya ada dasarnya.

Setelah uji kualitas model pengukuran selesai dilakukan dan model pengukuran dinyatakan
valid dan reliabel, maka langkah selanjutnya adalah pengujian hipotesis. Caranya adalah:

Klik menu Calculate -> Bootstrapping (Lihat bagian yang ditandai pada gambar di bawah
ini !)
Setelah itu maka akan muncul jendela sebagaimana gambar di bawah ini. Selanjutnya, pilih
(klik) Start Calculation.
Maka akan keluar hasil-hasil pengujian hipotesis sebagaimana pada gambar di bawah ini.

Untuk melihat hasil pengujian hipotesis pada PLS dengan model sederhana sebagaimana
kasus yang sedang dikerjakan, pilihlah menu Path Coefficients.

Rule of tumbs dari terdukungnya suatu hipotesis penelitian adalah: (1) jika koefesien atau
arah hubungan variabel (ditunjukkan oleh nilai original sample) sejalan dengan yang
dihipotesiskan, dan (2) jika nilai t statistik lebih dari 1,64 (two-tiled) atau 1,96 (one-tiled) dan
probability value (p-value) kurang dari 0,05 atau 5%.

Pada kasus ini, mengacu pada hasil yang disajikan pada menu Path Coefficients, hipotesis
yang terdukung ada tiga, yakni: (1) INS->AKT, (2) PLT-> AKT dan (3) PLT-> PIK dengan
masing-masing p-value senilai 0,000; 0,040 dan 0,000. Dari hasil tersebut maka dapat
disimpulkan bahwa Insentif (INS) berpengaruh positif terhadap akuntabilitas (AKT) dan
pelatihan (PLT) berpengaruh positif terhadap akuntabilitas dan penggunaan informasi
kinerja (AKT dan PIK).
Catatan:
Kesalahpahaman yang kerap ditemui penulis adalah, ketika koefesien hasil uji statistik
memiliki arah yang sama dengan hipotesis yang dirumuskan, misalnya insentif
berpengaruh positif terhadap penggunaan informasi kinerja (INS->PIK), lalu
ditemukan nilai koefesien (original sample) sebesar 0,231, tetapi nilai p-value (sig.)
sebesar 0,665 (lebih dari 0,05 atau 5%). Banyak penulis temui, dari hasil tersebut
peneliti menyimpulkan dengan kalimat yang kurang lebihnya sebagaimana berikut:

“…..maka dapat disimpulkan bahwa insentif berpengaruh positif terhadap penggunaan

informasi kinerja tetapi tidak signifikan…..”

Penyimpulan seperti contoh di atas adalah penyimpulan yang keliru. Sebab, jika nilai
p-value atau sig. lebih dari 0,05 atau 5%, maka itu artinya variabel independen tidak
memiliki pengaruh terhadap variabel dependen walau seperti apapun jua hasil
koefesien yang muncul. Hal itu karena dua asumsi untuk mendukung hipotesis tidak
terpenuhi, yakni (1) koefesien sesuai dengan arah yang dihipotesiskan dan (2) nilai p-
value (sig.) lebih dari 0,05.

Selanjutnya, untuk mengetahu seberapa besar kemampuan variabel independen

menjelaskan variabel dependen dapat dilihat dengan mengklik menu R Square-Adjusted.
Pada kasus ini nilai R Square Adjusted untuk Akuntabilitas (AKT) adalah 0,907 (90,7%) dan
Penggunaan Informasi Kinerja (PIK) adalah 0,119 (11,9%). Artinya adalah, kemampuan
variabel independen menjelaskan variabel dependen akuntabilitas (AKT) adalah 90,7% dan
sisanya dijelaskan oleh variabel independen lain yang tidak ada di dalam model penelitian
yang dirumsukan pada penelitian ini. Sementara, kemampuan variabel independen
menjelaskan variabel dependen penggunaan informasi kinerja (PIK) adalah 11,9% dan
sisanya dijelaskan oleh variabel independen lain yang tidak ada di dalam model penelitian
yang dirumsukan pada penelitian ini.