karena tidak didasarkan banyak asumsi. PLS sebagai teknik analisis data dengan software Warp
PLS. WarpPLS adalah software aplikasi yang dikembangkan oleh Ned Kock menggunakan
Matlab compiler dan Java. Software ini dapat menganalisis model SEM yang berbasis varian
atau lebih dikenal dengan Partial Least Square. Model analisis SEM dengan WarpPLS dapat
mengidentifikasi dan mengestimasi hubungan antar variabel laten apakah hubungan tersebut
bersifat linier atau non linier. Ada 4 pilihan estimasi model yaitu :
1. Warp3 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi
berbentuk kurva "S" (S curve).
2. Warp2 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi
berbentuk kurva "U" (U curve)
3. PLS Regression : Hubungan antar variabel laten diidentifikasi dan estimasi bersifat
linier.
4. Robust Path Analysis : untuk mengetahui/menghitung skor faktor dari rata-rata nilai
semua indikator dengan variabel latennya.
Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi
normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat
digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Walaupun PLS
digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau
tidaknya hubungan antara variabel laten. PLS dapat menganalisis sekaligus konstruk yang
dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan
dalam Structural Equation Model (SEM) karena akan terjadi unidentified model. PLS
mempunyai dua model indikator dalam penggambarannya, yaitu:
Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS,
adalah sebagai berikut:
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least
square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan
berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3
hal, yaitu:
Weight estimate yang digunakan untuk menghitung data variabel laten.
Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara
variabel laten dengan indikatornya.
Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan
variabel laten.
Contoh:
Tahap 1 Tabulasi Data
Input data melalui excel dan simpan dalam bentuk File NotePad (txt). Dengan cara klik Save
As pilih Other Formats beri anama file misalnya TAS. Pada kolom Save As type pilih text
(tab delimited) lalu klik save.
Membuat proyek atau pekerjaan baru dengan klik Create Project File dalam hal ini
kami memberi nama kelompok 2 belajar PLS dan disimpan dalam file komputer.
File akan tersimpan dalam bentuk “.prj” dan telah berisi komponen yang telah
berisi komponen yang diperlukan dalam melakukan analisis SEM.
Langkah 2 : Membaca data mentah yang akan digunakan dalam
anailsis SEM Pembacaan data mentah dengan klik Read Raw Data
File.
Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal dan
format yaitu jumlah observasi pada baris dan nama-nama indikator variabl latn pada
kolom, jika sudah benar maka klik Dalam langkajh ini diharapkan dilakukaj
pemeriksanaan data tabulasi awal dan format yaitu jumlah observasi pada baris dan
nama-nama indikator variabl latn pada kolom, jika sudah benar maka klik YES jika
belum maka daiadakan peengcekan ulang dengan terlebih dahulu menghentikan
program.
Biasanya tampilan menunjukkan tidak ada masalah dalam data, seperti missing Vales,
Zero Variance Problem dan Rank Problems. Seingga muncul data yang telah
terstandarisasi. Data yang terstandarisasi umumnya bernilai antara -4 sampai dengan 4.
Jika ada Missing Values maka akan menjadi nol karena diganti dengan nilai rata-rata
indikator pada kolom
Letakkan kursor pada bidang untuk menggambar, lalu klik dan akan muncul
jendela :
Procdural Fairnes (PF)
Dan seterusnya sampai selesai pada model yang diharapkan
1. General Result :
Nilai P untuk APC dan ARS harus lebih kecil dari 0,05 berarti signifikan. Dari hasil
tersebut dapat dilihat bahwa nilai P untuk APC dan ARS lebih kecil dari 0,05. Nilai AVIF
sebagai indikator multikolinearitas harus lebih kecil dari 5. Dari data tersebut didapat nilai
1,246 maka nilai AVIF memenuhi kriteria.
2. Path Coefficients and P values
Kolom mnunjukkan cvariabl laten prediktor dan baris menunjukkan variabel laten
kriterion. Dari hasil tersebut koefoisien jalur pengaruh prosedural fairness (PF)
terhadfap Trust 0,381 dan signifikan pada 0,000. Goal Test terhadap PF 0,47 dan
signifikan pada 0,000. Goal set terhadap Trust 0,30 tetapi tidak signifikan karena
nilai p = 0,06. PF terhadap Goal commitmen sebesar 0,458 dengan signifikan pada
0,000. Trust terhadap Goal Com sebesar 0,073 dengan nilai p = 0,295.
3. Standar Errors and Effect Size for Path Coeficient
Nilai effect size dikelompokkan menjadi tiga kategori yaitu lemah (0,02) medium (0,15) dan
besar (0,35). Jika nilai effect size sebesar 0,20 menunjukkan bahwa pengaruh variabel laten
prediktor sangat lemah dari pandangan praktis meskipun mempunyai nilai p yang signifikan.
4. Output Combined loadings and Cross-loadings
Output ini jarang dipakai karena sudah dijelaskaan pada tahap sebelumnya.
Karena dari tahap awal menggunakan konstruk relatif maka output ini mnjadi tidak
relevan dalam laporan penelitian. Tetapi jika memakai variabel laten formatif maka
akan disajikan, tetapi dikatakan variabel tersebut telah dikatakan layak dinilai
apabila pada bobot P nilai
<0,05 dan nilai VIF kurang dari 3,3.
8. Laten Variabl Coefficients
Nilai R-square menunjukkan berapa presentase variasi konstruk endogen dapat
dijelaskan oleh konstruk yang dihipotesiskan mempengaruhinya (eksogen). Dari data
diatas dapat dilihat nilai R-square trust 0,331 menunjukkan bahwa variasi kinerja
dapat dijelaskan sebesar 33,1% oleh variasi Pf dan goal Com. Disini terdapat dua
kriteria pengukuran reliabilitas yaitu dengan cronbach alpha maupun composit
reliabilty. Dimana nilai nya diatas 0,70. Nilaia AVE selain untuk reliabilitas bisa
dipergunakan sebagai validitas konvergen. Nilai VIF harus kurang dari 3,3 untuk
menunjukkan bahwa model bebas dari masalah kolinearitas dan common method
bias.
9. Correlations among latent variables
Contoh:
Penjelasan: Banyaknya buku akan berpengaruh terhadap kemampuan membaca seorang anak.
Tetapi, kecakapan baca-tulis orang tua juga akan MENINGKATKAN PENGARUH antara
banyaknya buku dan kemampuan membaca.
Contoh:
Contoh: