(Pls-Sem) 2 PDF

Dr. Sudjana Budhiasa, SE., M.
Si
ANALISIS STATISTIK
MULTIVARIATE
DENGAN APLIKASI SEM PLS
SMARTPLS 3.2.6

ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Undang-Undang Republik Indonesia Nomor 28 Tahun 2014 Tentang Hak Cipta
Lingkup Hak Cipta

Pasal 1
1. Hak Cipta adalah hak eksklusif pencipta yang timbul secara otomatis berdasarkan
prinsip deklaratif setelah suatu ciptaan diwujudkan dalam bentuk nyata tanpa
mengurangi pembatasan sesuai dengan ketentuan peraturan perundang-undangan.
Ketentuan Pidana
Pasal 113
1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi sebagaimana
dimaksud dalam Pasal 9 ayat (1) huruf I untuk Penggunaan Secara Komersial dipidana
dengan pidana penjara paling lama 1 (satu) tahun dan / atau pidana denda paling
banyak Rp. 100.000.000,00 (seratus juta rupiah).
2. Setiap Orang yang dengan tanpa hak dan / atau tanpa izin Pencipta atau pemegang Hak
Cipta melakukan pelanggaran hak ekonomi Pencipta sebagaimana dimaksud dalam
Pasal 9 ayat (1) huruf c, huruf d, huruf f, dan / atau huruf h untuk Penggunaan Secara
Komersial dipidana dengan pidana penjara paling lama 3 (tiga) tahun dan / atau pidana
denda paling banyak Rp. 500.000.000,00 (lima ratus juta rupiah).
ii
Dr. Sudjana Budhiasa, SE., M.Si
ANALISIS STATISTIK
MULTIVARIATE
SMARTPLS 3.2.6
Pokok Bahasan:
Pengembangan Model struktural
Hierarchies Latent Second Order Model
Mediasi Ganda
Udayana University Press

2016
iii
ANALISIS STATISTIK
MULTIVARIATE
SMARTPLS 3.2.6
Penulis:
Penyunting:
Jiwa Atmaja
Cover & Ilustrasi:

Repro
Lay Out:
I Putu Mertadana
Diterbitkan oleh:
Udayana University Press
Kampus Universitas Udayana Denpasar,
Jl. P.B. Sudirman, Denpasar - Bali Telp. (0361) 255128
unudpress@gmail.com http://udayanapress.unud.ac.id
Cetakan Pertama:
2016, vii + 80 hlm, 15,5 x 23 cm
ISBN: 978-602-294-175-0
Hak Cipta pada Penulis.

Hak Cipta Dilindungi Undang-Undang :
Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari penerbit.
iv
PRAKATA
D engan rasa syukur telah dapat disusun buku referensi

tentang metode statistik multivariate SEM PLS yaitu
pendekatan metode statistik yang ber-orientasi kepada small
sample, meskipun large sample juga dapat dilakukan. Pendekatan
lain yang membedakan dengan model statistic multivariate
covariance SEM adalah bahwa pada pendekatan SEM PLS
adalah lebih berfokus kepada outer-model, yaitu pentingnya
menelusuri mulai dari penyusunan kuestioner, serta melakukan
pemgujian reliabilitas dan validitas atas instruen penelitian yang
dipergunakan.
SEM PLS sering dinyatakan sebagai konsep pendekatan yang
lebih happy, karena tidak memerlukan syarat aturan statistic
yahg ketat, sehingga juga dinyatakan sebagai partial regression
( bukan full regression model). Meskipun demikian, tidak dapat
dinyatakan model SEM PLS adalah lebiuh sederhana dibandigkan
dengan model covariance SEM. Berbeda dengan covariance
SEM sepertti didapatkan pada AMOS, EQS dan sejumlah
software lainnya, maka pada SEM PLS dapat diaplikasikan
konstruk yang formative, dimana pada model AMOS tidak dapat
diaplikasikan.
Sejumlah peneliti dibidang ekonomi, management dan
akuntansi dewasa ini semakin meyakini bahwa tidak semua
fenomena adalah terwakilkan pada model reflective, melainkan
terdapat fenomena sebab yang membawa akibat dari suatu
peristiwa. Kegiatan promosi marketing, pengeluaran pemerintah,
serta sejumlah data yang terindeks. Pengembangan model

penelitian persepsi yang mempertimbangkan kemungkinan

terdapatnya fenomena sebab akibat diyakini menjadi upaya
untuk mendapatkan fakta empirik yang lebih riel.
Penulis menysyun buku referensi ini bersumber dari
perjalanan diskusi yang cukup panjang dari memberikan
pembekalan akademik kepada forum mahasiswa dan dosen
di Institute of Business (IOB) Negara Timor Leste, Universitas
Sumbawa NTB, Fakultas Ekononi dan Business Universitas
Brawijaya, Malang tahub 2016, Fakultas Ekonomi dan Bisnis
Universitas Haluoleo Kendari Sulawesi Tenggara, serta sejumlah
Universitas lokal di Bali, antara lain Undiksha Singaraja, FE Univ.
Warmadewa, FEB Universitas Pendidikan Nasional Denpasar.
Buku ini dilengkapi dengan CDROM yang memuat
didalamnya software SmartPls versi 3.2.6, serta data excel yang
memuat sumner data skala dengan rentang 1 sampai dengan 5.
CDROM juga dilengkapi dengan jurnal terkait dengan aplikasi
SEM PLS dan aplikasi skripsi, thesis dan disertasi yang dianggap
relevan dengan pembahasan buku ini.
Buku referensi ini disesuaikan dengan kebutuhan para
mahasiswa dan peneliti yang inguin mendapatkan sarana
untuk berdiskusi tentang metode statistic SEM PLS dan
prakteknya dalam pengolahan data statistik untuk kepentingan
penelitian berbasis riset kuantitatif.
Besr harapan penulis, bahwa buku referensi ini dapat
mencapai sasarannya. Bahwa tiada gadng yang tidak retak,
maka sumbangsih masukan pembaca diperlukan untuk
penyempurnaan karya tulis ini dimasa depan.
Denpasar,
Dr. Sudjana Budhi
vi
DAFTAR ISI
PRAKATA............................................................................................v
BAB I KONSEP DASAR SEM PLS................................................ 1

1.1 Variance-based SEM PLS versus Covariance SEM........... 1
1.2 Sumber Data Primer dan Konsep Pengukuran................. 4
1.4 Penyusunan Model Penelitian Berbasis
Confirmatory.......................................................................... 10
1.5 Penyelesaian Regression Laten Score dengan Excel
dan SPSS ................................................................................ 17
1.6 Aplikasi Model dengan SmartPLS 3.2.2 .......................... 22
BAB II REFLECTIVE FORMATIVE............................................. 35
BAB III MODERASI DAN MEDIASI......................................... 41

3.1 Konsep Moderasi dan Mediasi........................................... 41
3.2 Full Mediation dan Partial Mediation............................... 45
3.3 Pengujian Mediasi ............................................................... 49
DAFTAR PUSTAKA........................................................................ 77
vii
viii
BAB I
KONSEP DASAR SEM PLS
1.1 Variance-based SEM PLS versus Covariance SEM
Partial least square merupakan the second generation structural

equation model yang berkembang pesat tahun 1980-an sebagai
pilihan alat analisis selain metode regressi ordinary least square
(OLS) yang dipopulerkan melaui software SPSS, SAS dan Stata.
Metode partial least squate (PLS) juga disebut sebagai composite-
based structural equation model (SEM) atau lebih dikenal sebagai
variance-based SEM sebagai pendekatan yang berbeda dengan
covariance-based SEM. Metode analisis berbasis variance dewasa
ini sangat banyak beredar di pasar, yang paling pupuler adalah
Smartpls yang diproduksi oleh Hamburg Universiuty, Germany,
dengan pendukung utamanya Sven Wende bersama Christian
M. Ringle. Software sejenis yang juga sangat pupuler muncul
belakangan adalah Wrappls dimotori oleh Knut, dan PLSGRAP
dimotori oleh Wayn Chin, keduanya berpusat di Amerika
Serikat.
Pendekatan SEM berbasis covariance dapat ditemukan pada
software AMOS, MPLUS, Lisrel dan EQS dan masih banyak
lagi yang lain. Buku ini memfokuskan pembahasan pada SEM
PLS dengan dukungan software Smartpls 3.3.2 yang disertakan
pada CDROM melengkapi buku ini. Software adalah student
version, sehingga dapat dipergunakan tanpa limit waktu dan
dapat dioperasikan pada komputer berbasis Windows. Prosedur
penggunaan software relatif mudah, halmana disampaikan oleh
sejumlah peserta yang menghadiri sejumlah workshop di mana

penulis hadir sebagai pemakalah leih dari 14 Universitas termasuk

di Universitas Brawijaya Malang, Instititue of Business di Timor
Leste, Universitas Sumbawa Besar di NTB, serta Universitas
Udayana, Universiyas Ganesha Singaraja, Universitas Pendidikan
Nasional Denpasar, serta sejumlah perguruan tinggi lainnya di
Bali.
Berdasarkan kegiatan workshop tersebut, buku ini kemudian
ditulis dengan harapan dapat lebih mempopulerkan metode
analisis yang penulis yakini dapat memberikan solusi bagi
kebutuhan para mahasiswa pada jenjang S1, S2 danS3 serta para
dosen peneliti di lingkungan perguruan tinggi untuk mengenal
lebih jauh metode analisis SEM PLS dengan dukugan software
Smartpls 3.2.3.
Metode SEM PLS secara operasional dapat mempetakan
relasi antarvariabel independen menjadi model struktural, yang
dikelompokkan menjadi variabel eksogen dan endogen. Metode
SEM PLS yang dibahas pada kesempatan ini adalah model
keperilakuan khususnya di bidang Management, sehingga
pola perillaku yang dimaksud adalah berkaitan dengan konsep
antecedent (variabel eksogen), consequence ( sikap yang terbentuk
dari pengaruh relasi variabel eksogen atau dari variabel dependent
lainnya), kemudian pada tahap berikutnya memberi dampak
terhadap target variabel yang disebut outcome variable).
Kerangka operasional SEM PLS dapat diimplementasikan
sebagai regression model, yang merupakan hasil prediksi dari
sejumlah varabel independent berinteraksi satu sama lainnya,
digambarkan dengan bantuan path model, hubungan relasi
mana akan menghasikan prediksi pada outcome varable atau juga
disebut response variable. Sejumlah software seperti SPSS dan Stata
lebih difokuskan dalam menghasilkan model regressi, tetapi
Smart PLS dapat berbuat lebih banyak, yaitu menampilkan path
analysis, menyajikan nilai prediksi dan indikator serta sejumlah
metode analisis kelayakan indikator yang tidak dimiliki oleh
software SPSS maupun Stata dan lainnya.

Berbeda juga dengan software AMOS dan Lisrel, yang juga

memiliki fasilitas untuk menyediakan path model dan prediksi
pada indikator model, tetapi AMOS dan Lisrel memiliki orientasi
aplikasi yang berbeda. SEM PLS lebih ber-orientasi kepada
prediction dengan lebih berbasis kepada pendekatan explorative
modeling, sedangkan pendekatan covariance-based seperti pada
AMOS dan Lisrel lebih berorientasi kepada pengembangan full
regression dengan pengembangan syarat statistik yang sangat
ketat, seperti berlaku pada model SEM pada metode ekonometrik,
yaitu yang dikenal sebagai syarat identified, under-identified dan
over-identified. Pada model SM PLS, pendekatan model statistik
lebih difokuskan kepada konstuksi outer-model, yaitu dari pola
pengukuran questionnaire, pengukuran reliabilitas, dan validitas
instrument penelitian. Meskipun persyaratan distribusi normal
tidak diperlukan pada aplikasi SEM PLS, itu tidak berarti semua
jenis data dapat dipergunakan tanpa prosedur seleksi.
Pendekatan covariance-based sangat menekankan pada syarat
penggunaan model regressi (inner-model), maka pada SEM PLS
lebih memfokuskan kepada kelayakan validitas instrumen,
sehingga analisis faktor menjadi bagian yang sangat penting
dan dengan begitu sering disebut pendekatan SEM PLS adalah
berbasis explanatory factor analysis. Meskipun demikian, tidak
dapat dinyatakan sepenuhnya bahwa SEM PLS tidak mengenal
confirmatory factor analysis, karena SEM PLS di samping
mempergunakan analisis faktor untuk menyelesaikan outer-model,
yaitu di tingkat penyelesaian data categorical berbasis skala, juga
setelah tugas analisis faktor selesai mengkonstruksikan variabel
laten dan indikator menjadi sebuah regression score, maka tugas
berikutnya adalah SM PLS memanfaakan metode regressi untuk
mendapatkan prediksi atas sejumlah relasi antarvariabel yang
berkaitan.
Meskipun kita tidak perlu terjebak utuk memilih yang terbaik
di antara dua pendekatan metode SEM di atas, di antara SEM PLS
dan Covariance SEM, bahwa secara garis besar penggunaan SEM

PLS lebih banyak bertujuan untuk memahami sejumlah perilaku

antarrelasi in the early stages of theoretical development (Henseler et
al, 2009). Sejak dari awal dirintis oleh Herman Wold dari Houston
University USA, dewasa ini SEM PLS telah dikembagan di
pelbagai disiplin ilmu, antara lain di Marketing dan Management
dimotori oleh J.F. Hair dari Kenesaw Universiyt, USA, Christian
M Ringle dari Hamburg University. Di bidang Management dan
Teknologi dimotori oleh Henseler dari kampus universitas di
Geman, untuk pariwisata dimotori oleh Gyu Akker, dan masih
banyak lainnya.
1.2 Sumber Data Primer dan Konsep Pengukuran
Penelitian persepsi merupakan kebutuhan yang semakin

bekembang dewasa ini, karena semakin banyak fakta bahwa
tingkat kepuasan, sikap untuk lebih bersedia loyal kepada
organisasi, serta motivasi karyawan adalah contoh keseharian
yang dihadapi banyak orang termasuk para pengusaha yang
memerlukan informasi dalam rangka membangun kinerja pasar.
Berdasarkan fakta bahwa data berkaitan dengan kepuasan
konsumen, sikap loyal kepada organisasi adalah variabel yang
tidak dapat diukur secara langsung, sehingga diperlukan teknik
skala untuk menetapkan posisi data yang bersifat kualitatif
tersebut.
Pengukuran data bersifat katagorikal dengan skala Likert
atau Skala 7, dinyatakan sebagai latent variable atau un-observable
variable, karena itu pada uraian berikutya, kita aka menyebut
data yang diukur secara tidak langsung disebut variabel laten.
Hair et al (2010) menyebut sebagai ’construct’ atau variabel laten,
untuk membedakan antara variabel yang dapat diukur langsung
disebut sebagai “variabel”, sedangkan informasi yang tidak dapat
diukur secara lagsung disebut ”konstruk”.
Pengukuran data secara tidak langsung juga membawa serta
pola karakteristik data skala yang memerlukan pengelompokkan

fungsi dan perananya. Dalam mengmpulkan informasi, peneliti

pada umumnya telah memiliki model teori, berdasarkan
model teori tersebut kemudian diturunkan dimensi sebagai
pedoman teoretik untuk diteruksn sebagai pedoman wawancara
berdasarkan pedoman teori yang dipergunakan. Berikut
disampaikan kerangka hubungan konstruk dan dimensi dari dua
relasi yang dipetakan sebagai konstruk yang saling berhubungan
satu sama lain. Berikut disampaikan konstruk logistik performance
(Y1) yang dipengaruhi oleh capabilitas (Y2) .
KASUS 1 :
Studi Tentang Pengaruh KASUS
Kapabilitas
1 : Sumber Daya Managerial
dalamTentang
Studi Membangun Kinerja
Pengaruh Usaha
Kapabilitas pada Perusahaan
Sumber Logistik
Daya Managerial
(Indro Kirono, FEB0UB, 2016)
dalam Membangun Kinerja Usaha pada Perusahaan Logistik
(Indro Kirono, FEB0UB, 2016)
Gambar 1.1
Gambar 1.1
Definisi: Definisi:
Variabel : adalah
Variabel : satuan unit
adalah analisis
satuan yang
unit dapat yang
analisis diukurdapat
searadiukur
langsung (harga,
seara
produksi,dst)
langsung (harga, produksi,dst)
Konstruk : adalah satuan unit analisis yang tidak dapat diukur
Konstruk : adalah satuan unit analisis yang tidak dapat diukur secara langsung
secara langsung (Kepuasan, kapabilitas, kinerja
(Kepuasan, kapabilitas, kinerja pelangan, kualitas informasi dst).
pelangan, kualitas informasi dst).
Dimensi : adalah
Dimensi : adalah konsep yang konsep yangdari
bersumber bersumber
teori untukdari teori untuk
membangun konstruk
membangun
tertentu. Dimensi konstruk sekurang-kurangnya
dapat berjumlah tertentu. Dimensi dua dapat
buah dan
paling banyak 6 buah (sekurang-kurangnya
berjumlah Hair, 2010) yang jumlahnya
dua sangat
buah terikat
dan
kepada konsep teori yang dibangun untuk mengkonstruksikan
paling banyak 6 buah ( Hair, 2010) yang jumlahnya dimensi
tersebut. sangat terikat kepada konsep teori yang dibangun
untuk mengkonstruksikan dimensi tersebut.
Indikator : adalah instrument penelitian yang dibangun berdasarkan konsep
dimensi yang telah ditetapkan berdasarkan rujukan teori yang
dipergunakan, Instrumen penelitian pada umumnya dibuat dengan

mempergunakan daftar pertanyaan.
Tabel 1.1
Konstruk dan Dimensi Capabilitas
Indikator : adalah instrument penelitian yang dibangun

berdasarkan konsep dimensi yang telah ditetapkan
berdasarkan rujukan teori yang dipergunakan,
Instrumen penelitian pada umumnya dibuat
dengan mempergunakan daftar pertanyaan.
Tabel 1.1 Konstruk dan Dimensi Capabilitas

Konstruk Dimensi Kode
Penyajian pelayanan kepada pelanggan. Y2.1
(Y2)
Responsif pada kebutuhan dan keinginan pelanggan. Y2.2
(Morash et al., 1996) Efisiensi waktu pengiriman barang kepada pelanggan. Y2.3
Yallwe & Buscemi, 2014
Akses pelanggan untuk mendapatan informasi dan pelayanan Y2.4
Tabel 1.2 Konstruk dan Dimensi Logistic Performance

Rujukan Dimensi Kode
Kinerja pelayanan angkutan barang on time delivery. Y1.1
(Stock dan Lambert, 2001
Management angkutan barang delivery lead-time. Y1.2
Bowersox et al., 2000)
Daya tanggap perusahan terhadap keluhan pelanggan Y1.3
Skala Pengukuran :
1 : Sangat tidak setuju
2 : Tidak Setuju
3 : Neutral
4 : Cukup Setuju
5 : Sangat setuju
Tabel 1.1 menyajikan variabel laten capabilitas yang

menurut teori dikonstruksi oleh tiga dimensi dengan kode Y1.1
sampai dengan Y1.3, yang sama persis digammbarkan sebagai
indikator pada Gambar 1.1. Sementara kita dapat memandang
bahwa Y1.1 sampai dengan Y1.3 adalah dimensi yang
mengkonstruksikan kapabilitas organisasi perusahaan, yang

akan dilanjutkan dengan mengembangknnya menjadi item-item

pertanyaan. Direkomendasikan agar peneliti sebaiknya tidak
mencari contoh kuestioner, tetapi sebaiknya mengembangkan
dimensi yang sudah ada untuk diteruskan cara pengukurannya.
Seringkali dengan mempergunakan contoh lain, daftar pertanyaan
tidak terkait dengan dimensi yang telah disediakan oleh teori.
Tabel 1.2 menyajikan tiga dimensi untuk mengukur kinerja
logistik performance yang dirujuk dari Stock dan Lambert,
2001serta Bowersox et al., 2000 yaitu kinerja pelayaan on time
delivery, angkutan barag delivery lead time, serta daya tanggap
perusahaa terhadap keluhan pelanggan Untuk diperhatikan
bahwa bahwa sumber data dari Tabel 1.1 dan Tabel 1.2,
keduanya adalah pengukuran secara tidak langsung yang akan
mempergunakan skala untuk mengukur sikap responden. Kita
telah menempatkan rancangan pengukuran data pada Tabel
1.1 dan Tabel 1.2 pada Gambar 1.1 yang akan diproses dengan
mempergunakan SmartPls, atau juga dengan SPSS dan bahkan
secara manual dengan mempergunakan Excel sheet, akan
didapatkan hasil yang sama. Hanya jika mempergunakan SPSS,
hanya didapatkan regression score melalui fasilitas SPSS reduction
dimension yang berbasis pada analisis faktor, tetapi tidak akan
didapatkan secara langsung loading factor secara praktis seperti
dapat disediakan oleh SmartPLS.
Sekarang kita kembali ke Tabel 1.1 dan Tabel 1.2 untuk
diteruskan pola pengukuranya dengan merumuskan daftar
pertanyaan yang sesuai dengan dimensi masing-masing. Konstruk
kapabilitas pada Tabel 1.1 diteruskan menjadi daftar pertanyaan
dengan pengukuran skala Liket (1,2,3,4,5). Tabel 1.3 meneruskan
pola pengukuran dimensi pada Tabel 1.1 denan skala pengukuran
Liket. Y1.1 sampai dengan Y1.3 pada Tabel 1.1 yang sebelumnya
disebut dimensi sudah berubah menjadi indikator atau item-item
pertanyaan pada Tabel 1.3. (lihat Tabel 1.3).

Tabel 1.3 Dimensi dan Pengukuran skala Likert

Kode Indikator Capabilities Skala
Perusahaan mampu memberikan layanan terbaik kepada
Y1.1 1 2 3 4 5
pelanggan.
Perusahaan tanggap terhadap kebutuhan dan keinginan
Y1.2 1 2 3 4 5
pelanggan.
Perusahaan mampu meminimalisir waktu pengiriman pada
Y1.3 1 2 3 4 5
pelanggan
Pertanyaan diajukan bersifat bebas dan tidak diintervensi

oleh peneliti, sehingga didapatkan jawaban yang jujur apa
adanya. Hal yang sama juga dilakukan pengukuran item-item
pertanyaan untuk Tabel 1.2 yang berkelanjutan menjadi Tabel 1.4.
(lihat daftar item pertanyaan pada Tabel 1.4).
Tabel 1.4 Dimensi dan Pengukuran skala Likert

Kode Indikator Capabilities Skala
Y2.1 Perusahaan Anda selalu menerapkan on time delivery. 1 2 3 4 5
Perusahaan Anda mampu untuk memperpendek delivery lead-
Y2.2 1 2 3 4 5
time.
Y2.3 Perusahaan Anda dapat meminimalkan biaya logistik. 1 2 3 4 5
Perusahaan Anda dapat merespon keluhan pelanggan dengan
Y2.4 1 2 3 4 5
cepat.
Ketika daftar pertanyaan disampaikan kepada responden

terpilih, maka jawaban mereka akan bervariasi dari pilihan
skala 1 sampai dengan skal 5. Hasil wawancara melalui daftar
pertanyaan, disajikan sebagai data excel tersajikan pada table
1.5.

Tabel 1.5 Data survey Lapangan ( Indro Kirono, Surabaya, 2016)

Hasil wawncara Collobaration (Y2) dan Logistic Performance
(Y1)
Y1.1 Y1.2 Y1.3 Y2.1 Y2.2 Y2.3 Y2.4
5 5 5 4 4 4 4
5 5 4 5 4 4 5
3 4 5 3 3 3 5
4 4 4 4 4 4 4
4 5 3 5 3 4 5
5 5 5 5 5 5 5
3 3 3 3 3 4 3
4 3 2 3 3 4 4
4 3 3 3 3 3 3
3 4 3 3 3 3 3
3 3 3 4 3 3 4
5 5 5 4 4 4 5
4 4 3 3 3 3 4
4 5 4 3 5 5 5
4 4 3 4 4 3 4
3 3 2 4 4 4 4
4 3 3 4 4 4 4
4 3 1 3 3 3 3
5 4 4 5 5 5 4
SEM PLS memiliki karakter non-parametric, dalam

pengertian bahwa hasil prediksi dapat ditampilkan dengan small
sample size, dan kemudian melakukan re-sampling melalui langkah
bootstrapping yang berbasis kepada prosedur Efront (1981). Studi
yang dilakukanoleh Wayne Chin (1988) melalui pengembangan
monte-carlo studi menunjukkan bahwa small sample memiliki
prediksi yang cukup robust, meski harus disadari bahwa secara
metodologi pendekatan bootstrapping memiliki kendala, yaitu
apabila heterogenitas sample tidak terwakili secara baik, maka
re-sampling akan menghasilkan prediksi yang bias.
Small sample tetap akan menghasilkan prediksi yang dapat
diperaya, apabila dilakukan dengan prosedur sampling yang
benar. Dengan demikian, salah satu kelebihan dari Smart PLS

Small sample tetap akan menghasilkan prediksi yang dapat diperaya,
apabila dilakukan dengan prosedur sampling yang benar. Dengan demikian, salah
satu kelebihan dari Smart PLS adalah pengembangan prosedur bootstrapping
adalah pengembangan prosedur bootstrapping sebagai andalan
sebagai andalan yang berbiaya lebh mudah dengan hasil prediksi yang akurat.
yang berbiaya lebh mudah dengan hasil prediksi yang akurat.
Tentunya
Tentunya diperlukan
diperlukan pembelajaran
pembelajaran yang
yang lebih lebihbagi
banyak banyak
seorangbagi
peneliti untuk
seorang peneliti untuk menghadapi tantangan mendapatkan
hasil prediksi
menghadapi yang mendapatkan
tantangan akurat denganhasil
sample yang kecil,
prediksi yangmaka Smart
akurat dengan sample
PLS menjdi pendamping yang sangat tepat.
yang kecil, maka Smart PLS menjdi pendamping yang sangat tepat.
1.4 Penyusunan Model Penelitian Berbasis Confirmatory
Capabilities
1.4 Penyusunan Modelberpengaruh terhadapConfirmatory
Penelitian Berbasis kinerja usaha (lihat
Gambar 1.1)
Capabilities berpengaruh terhadap kinerja usaha (lihat Gambar 1.1)
Y1  1  1Y2  1 ……………. (1.1)
……………. (1.1)
Persamaan (1.1)(1.1)
Persamaan adalah model
adalah regressi,
model yangyang
regressi, terdri atasatas
terdri variabel laten
variabel laten dependent Y1, serta variabel laten independent Y2.
dependent Y1, serta variabel laten independent Y2. Sehubungan dengan kedua
Sehubungan dengan kedua anggota dari persamaan (1.1) adalah
bukan variabel, tetapi adalah konstruk, yaitu satuan unit analisis
anggota dari persamaan (1.1) adalah bukan variabel, tetapi adalah konstruk, yaitu
yang tidak dapat diukur secara langsung, tetapi mempergunakan
skala
satuan unitpengukuran Likert tidak
analisis yang (1,2,3,4,5),
dapatsehingga
diukur diperlukan dua
secara langsung, tetapi
prosedur penyelesaian analisis, yaitu (a) Outer-model dan (b)
Inner-model. 11
Prosedur pengukuran tingkat pertama, disebut outer-model,
yaitu penggunaan analisis factor untuk mendapatkan regression
score. Penggunaan secara langsung metode regressi tidak dapat
dilakukan pada data nominal (categorical data), sehingga perlu
dicari skala pengukuran mempergunakan analisis factor. Berbeda
dengan metode regressi yang telah kita kenal, pada teknik
analisis factor, data laten didapatkan dengan cara mereduksi
yang berbeda dengan metode kuadrat sebagaimana dilakukan
pada metode regressi.
10
analisis factor, data laten didapatkan dengan cara mereduksi yang berbeda dengan
metode kuadrat sebagaimana dilakukan pada metode regressi.

Gambar1.6
Konstruk Logistic Perpformance
Gambar 1.4
(Y1)
Konstruk Logistic Perpformance (Y1)
Y1.1
Logistic
Y1.2
Performance
(Y1)
Y1.3
Langkah pertama, adalah penyelesaian pengukuran skala

data categorical yang diperoleh dari responden (lihat Gambar 1.4).
Langkah
Data pertama,
dipolakan adalah
dengan carapenyelesaian pengukuran
melakukan reduksi skala data
atas sebaran datacategorical
melalui metode rata-rata. Data Tabel 1.1 dilampirkan bersama
yang diperoleh
naskah ini, darikemudian
responden diolah
(lihat Gambar 1.4). Data
berdasarkan dipolakan
pengunaan dengan cara
tiga
software, Excl sheet, SmartPLS 3.2 dan SPSS 20, untuk kemudian
melakukan reduksi atas sebaran data melalui metode rata-rata. Data Tabel 1.1
dibandingkan dengan cara manual dengan Excel. Ketiga cara
dilakukan untuk mendapatkan konfirmasi hasil, sehingga
dilampirkan bersama naskah ini, kemudian diolah berdasarkan pengunaan tiga
pembaca dapat melakukan penilaian atas metode reduksi
tersebut
software, Excl dalam menghasilkan
sheet, SmartPLS 3.2 dan dataSPSS
baru yang disebut
20, untuk data laten,
kemudian dibandingkan
versi SmartPLS 3, SPSS 20 dan Excel worksheet secara manual.
dengan caraTabel 1.5 selengkapnya
manual dengan Excel.disediakan pada
Ketiga cara CDROMuntuk
dilakukan denganmendapatkan
jumlah data seluruhnya sebanyak 46 buah yang terdiri atas dua
konfirmasi hasil,
konstruk, sehingga
yaitu Y1 danpembaca dapat melakukan
Y2. Berdasarkan penilaiandata
pengelompokkan atas metode
Y1.1 sampai dengan Y1.3 untuk mengkonstruksi variabel laten
Y1, serta Y2.1 sampai dengan Y2.4 untuk mengonstruksi Y2, maka 12
didapatkan cara berhitung Excel dengan teknik rerata reduksi
berbasis analisis factor, didapatkan hasil akhir tersajikan pada
Tabel 1.2. Versi perhitungan excel dinyatakan sebagai std. Y1 dan
std. Y2, sedangkan versi Garbing-Anderson yang didapatkan
melalui prosedur SPSS disajikan sebagai SPSS Y1 dan SPSS Y2.
(lihat panduan prosedur Arderson-Garbing pada CDROM).
11
Garbing-Anderson yang didapatkan melalui prosedur SPSS disajikan sebagai
SPSS Y1 dan SPSS Y2. (lihat panduan prosedur Arderson-Garbing pada
CDROM).
Tabel 1.2
Hasil
Tabel 1.2 Hasil OlahOlah
DataData Excel
Excel dan SPSS
dan SPSS
Tabel 1.2 menyajikan teknik perhitungan manual

13
mempergunakan sheet excel dapat dilihat sampel perhitungan
pada CDROM yang disertakan pada modul workshop ini. Tujuan
yang ingin dicapai dari cara berhitung manual adalah untuk
memahami pola kerja SmartPls yang seakan gelap tanpa kita
pahami bahwa sebenarnya konsep yang mendasari penyelesaian
outer-model adalah bahwa SmartPls memanfaatkan secara optimal
prosedur analisis factor untuk menyelesaikan model SEM PLS di
tingkat awal yaitu mengkonstruksikan kualitas data outer-model
untuk mendapatkan regression score.
SEM PLS bekerja secara bertahap untuk mendapatkan model
prediksi dalam bentuk final statistical report yang dilengkapi dengan
sejumlah uji statistik. SEM PLS bekerja melalui dua tahapan,
12
yaitu TAHAP Analisis Factor dan TAHAP Analisis regressi. Pada

tingkat mengkonstruksikan kerangka hubungan antara konstruk
dengan indikatornya, SmartPLS mempergunakan analisis Factor,
karena data yang dipergunakan umumnya adalah categorical
data dengan skala tertentu, seperti skala Likert ( 5 skala), skala 7
ataupun skala 9. Pada tingkat ketika proses analisis factor selesai
dilakukan, maka pekerjaan SEM PLS telah memiliki regression
score, yang dapat diteruskan dengan analisis regressi.
Pengembangan model SEM PLS yang dikembangkan oleh
Herman Wold (1981), Joreskoug (1988), kemudian menjadi lebih
dikembangkan ke tingkat prediction oriented dengan small sample,
serta melalui penggunaan regressi yang tidak full regresseion
atau dikenal sebagai partial regression, yang tidak memerlukan
asumsi normalitas. Bahwa focus studi SEM PLS bukan
ditargetkan berorientasi kepada final statistical report seperti
pada pendekatan covariance-based model ( AMOS, Lisrel, EQS
dan seterusnya), melainkan lebih terfokus kepada upaya untuk
mendapatkan kualitas informasi model di tingkat modeling
dengan mempertimbangkan tidak hanya model konstruk
yang reflective, tetapi juga fenomena adanya variabel laten yang
berkarakter formative, yang tidak mungkin dapat diselesaikan
dengan pendekatan covariance-based. Kita akan bahas secara
khusus model formatif pada uraian tersendiri, sementara pokok
bahasan kita adalah untuk memahami pola kerja analisis factor
dalam mengkonstruksikan variabel latent kemudian menjadi
regression score.
Penelitian mahasiswa yag mempergunakan data categorical
dimulai dari 1,2,3,4,5 adalah data skala yang tidak dapat
diperlakukan secara utuh melalui penggunaan analisis regressi,
karena data categorical bukan data numerik, tetapi adalah data
laten yaitu data yang diperoleh melalui cara pengukuran tidak
secara langsung. Dengan demikian, tahap penyelesaian data
categorical secara umum sampai saat ini diselesaikan dengan
memanfaatkan analisis factor yang berbasis kepada upaya
13
mendapatkan pengelompokkan data berdasarkan dimensi,

terposisikan lebih tinggi, sedang atau rendah, meskipun di tingkat
akhir bisa diselesaikan dengan metode regressi, bahwa statistical
result tetap memiliki karakter dimensi, bukan kuantitatif yang
berbasis variabel (lihat Gambar 1.5).
Gambar 1.5 disebut sebagai proses outer-model, yaitu proses
pembentukan latent variable menjadi regression score dengan
bantuan analisis factor. Proses pembentukan konstruk bersumber
reduction factor analysis pada SPSS untuk mendapatkan regression score (lihat
dari indikator yang merefleksikan konstruk bersangkutan. Banyak
Tabel metode
1.2 untukyang dapat Y1
konstruk dipergunakan, antara
SPSS dan Y2 SPSS.lain prosedur
Ketika Anderson
regression score sudah
Garbing, sebagaimana dapat ditemukan pada prosedur dimension
didapatkan, maka
reduction proses
factor berikutnya
analysis adalah
pada SPSS untukmenghubungkan konstruk satu
mendapatkan regression
score (lihat Tabel 1.2 untuk konstruk Y1 SPSS dan Y2 SPSS. Ketika
dengan kontruk lainnya melalui tanda panah. Pada proses menghubungkan satu
regression score sudah didapatkan, maka proses berikutnya
adalah
konstruk menghubungkan konstruk
dengan satu denganmetode
kontruk lainnya memerlukan kontrukregressi
lainnya untuk
melalui tanda panah. Pada proses menghubungkan satu konstruk
menyelesaikannya.
dengan kontruk lainnya memerlukan metode regressi untuk
menyelesaikannya.
Gambar1.5
Tahap Analisis Factor
Gambar 1.5
Tahap Analisis Factor
Y2.1 Y2.2 Y2.3 Y2.4
Capabilities
(Y2)
Y1.1
Information Logistic Y1.2

Sharing Performance
(Y3) (Y2)
Y1.3
Y3.1 Y3.2 Y3.3
14
Gambar 1.5 adalah fokus dari studi SEM PLS dalam rangka mendapatkan
kualitas informasi yang konsisten dan tidak bias. SEM PLS memperkenalkan
sehingga meniadakan peluang random yang seharusnya menjadi acuan responden
dalam menjawab secara bebas, memahami dengan benar dan mengerti atas
jawaban mengapa mereka Dr. Sudjana Budhiasa, SE., M.Si

memilih skala 1,2 atau skala lainnya. Sebagiamana
Gambarsebelumnya,
telah dinyatakan 1.5 adalah fokus
bahwadari studiregressi
model SEM PLS dalam
dapat rangka apabila
dilakukan
mendapatkan kualitas informasi yang konsisten dan tidak bias.
prosesSEM
outer-model telah menunjukkan
PLS memperkenalkan data instrument
pendekatan modeladalah reliabel
formatif dan valid.
( lihat
Lennox dan Bollen, (1991), Diamantopoluos dan Winkhover,
Gambar 1.6 menyajikan proses ke tingkat inner-model .
(2001), Jarvis et al (2003), Petter (2007), Henseler et al (2009), Hair
et al (2010), serta Ringer et al (2014).
Gambar1.6
Tahap Analisis Regressi
Gambar 1.6
Tahap Analisis Regressi
Y2.1 Y2.2 Y2.3 Y2.4
Regression
Score
(Y2)
PATH1 PATH2
Y1.1
Regression Regression
Score PATH3 Score Y1.2
(Y3) (Y1)
Y1.3
Y3.1 Y3.2 Y3.3
Sebuah konstruk dinyatakan reliable apabila terpenuhi nilai

cronbach Alpha paling minimum 0.60 ( Nunally dan Bersttein,
1988), cara lain dengan mempergunakan pendekatan composite 17
reability ( Chin et al (1988), juga dengan nilai minimum dengan
keragaman paling kecil 0.60. Ketika kualitas data yang dianalisis
ternyata tidak reliable, maka peneliti bisa kembali melihat
instrumen penelitian, yang memiliki kemungkinan pertanyaan
dengan jawaban ganda, atau sejumlah pertanyaan yang
memiliki tendensi mengarah kepada jawaban tertentu, sehingga
meniadakan peluang random yang seharusnya menjadi acuan
responden dalam menjawab secara bebas, memahami dengan
15
benar dan mengerti atas jawaban mengapa mereka memilih skala

1,2 atau skala lainnya. Sebagiamana telah dinyatakan sebelumnya,
bahwa model regressi dapat dilakukan apabila proses outer-model
telah menunjukkan data instrument adalah reliabel dan valid.
Gambar 1.6 menyajikan proses ke tingkat inner-model .
Prosedur berikutnya adalah dalam rangka mendapatkan
instrumen yang dapat memberikan jaminan validitas alat ukur,
bahwa emas diukur bukan dengan timbangan kilogram, atau
sebaliknya beras bukan ditimbang dengan alat timbangan
emas. Secara garis besar, konsep pengukuran validitas dapat
dilakukan dengan banyak metode antara lain, dengan prosedur
Keizer-Meiser-Ohlin yang dikenal sebagai KMO ( Alkalaf et al
(2012), Nimoko et al (2014). Standar pendekatan SmartPLS 3
merekomendasikan tiga prosedur untuk mengukur validitas. (1)
prosedur Fornell-Larscher (1988), kedua adalah prosedur cross-
loading ( Chian, 1988), serta ketiga adalah prosedur heterotrait-
monotrait ratio (Henseler et al (2015).
Khusus untuk konstruk berkarakter formative, pendekatan
di atas tidak dapat dipergunakan, karena model formative tidak
mengenal standar error individual, melainkan adalah standar
error bersama ( seperti ditemukan pada regressi berganda).
Langkah pertama dapat dilakukan dengan melihat sebaran
nilai signifikansi dari outer-weight per indikator dari konstruk
yang bersangkutan. Apabila statistik t tidak signifikan, maka
dapat dinyatakan model formative tidak valid dan tidak dapat
dilanjutkan sebagai pilihan analisis ke proses berikutnya (Barclay
et al (1995), Diamantopoluos dan Winkhover, 2001). Cara lain yang
dapat dilakukan untuk mendeteksi kelayakan model formative
adalah melalui penggunaan analisis VIF untuk mendapatkan
uji collinearity (Tenenhouse et al (2004). Basis pendekatan konsep
formative adalah bersifat multi-dimensional, sehingga dinyatakan
model formative layak untuk dipertimbangkan ke analis berikutnya
apabila nilai VIF lebih kecil dari 3 untuk inner model, serta VIF
lebih kecil dari 10 untuk outer model untuk sebuah model statistik
yang terbebas dari gejala multi-collinearity.
16
Bahan workshop ini diharapkan dapat menjadi bahan

review tentang SEM PLS yang disederhanakan, pada proses
di mana pemahaman pola yang sederhana dapat menggugah
dipergunakan alat analisis SEM PLS khususnya SmartPls pada
kebutuhan penulisan skripsi pada jenjang pendidikan Strata 1,
yang diyakini bisa dilakukan pada model hubungan tiga variabel
laten dangan pengembangan model mediasi segitiga, serta
dukugan software Excel dan SPSS dapat dimanfaatkan sebagai
pengantar, untuk nantinya bisa masuk ke SmartPLS 3 jika
pemahanan mahasiswa sudah menjadi lebih baik dan memadai.
Bahasan berikut akan lebih banyak menguraikan pemahaman
data yang tidak dapat diukur secara langsung dikenal sebagai
construck yang tidak sama dengan variable. Kemudian terpenting
bagi kita adalah menyadari bahwa pengukuran skala adalah
pengukuran dimensional, yang memiliki keterbatasan ruang
gerak dalam meng-interpretasikan hasil, yang tidak dapat
diselaraskan dengan pengembangan model regressi dengan data
kuantitatif dan dinyatakan sebagai variable.
1.5 Penyelesaian Regression Laten Score dengan Excel dan

SPSS
Data yang dipergunakan sebagai sumber untuk memahami

pola kerja analisis factor dan regressi, telah disertakan pada CDROM
dan ditampikan sebagian pada Tabel 1.1 . Hasil perhitungan Excel
dan SPSS untuk mendapatkan regression score ternyata dapat
dibuktikan sama, terdapat sedikit perbedaan karena adanya
decimal yang menyebabkan perbedaan yang tidak signifikan.
Jika latent variable cara excel dan cara SPSS dibandingkan, maka
seperti tampak pada Gambar 1.7 yang dikelola dengan teknik
reduksi mempergunakan excel, serta Gambar 1.8 sepenuhnya
mempergunakan fasilitas dimension reduction analisis factor
versi Anderson Garbing (1988), sebagaimana disertakan pada
pengembangan SPSS.
17
factor versi Anderson Garbing (1988), sebagaimana disertakan pada
pengembangan SPSS.
Gambar 1.7
Latent Variable Regression Score
Gambar 1.7
Hasil Olah Data Excel
Latent Variable Regression Score Hasil Olah Data Excel
Cara berhitung melalui cara reduksi dan dibagi dengan

standar
Caradeviasi, didapatkan
berhitung melalui std.
caraY1 dan std.
reduksi Y2dibagi
dan yang sepenuhnya
dengan standar deviasi,
dilakukan dengan cara manual, sehingga dinyatakan sebagai
data latent,
didapatkan yang
std. Y1 danmenjadi
std. Y2 basis perhitungandilakukan
yang sepenuhnya data skala pada cara manual,
dengan
Smartpls, dan sejumlah software SEM dan PATH lainnya.
sehingga dinyatakancara
Membandingan sebagai
exceldata
dan latent, yang menjadibahwa
SPSS membuktikan basis pola
perhitungan data
sebaran grafik pada Gambar 1.7 dan Gambar 1.8 adalah sama dan
skala pada
tidak Smartpls,
berbeda. Dengandan sejumlah
demikian, software
paling SEM dipahami,
sedikit dapat dan PATH lainnya.
bahwa alur pembentukan data latent berbasis analisis factor yang
Membandingan cara excel dan SPSS membuktikan bahwa pola sebaran grafik
mempergunakan prosedur teknik reduksi.

pada Gambar 1.7 dan Gambar 1.8 adalah sama dan tidak berbeda. Dengan
demikian, paling sedikit dapat dipahami, bahwa alur pembentukan data latent
berbasis analisis factor yang mempergunakan prosedur teknik reduksi.
20
18
Gambar 1.8
Gambar 1.8
Hasil Olah Analisis Factor Data SPSS
Latent Variable Regression Score Hasil Olah Analisis Factor Data SPSS
Penelusuran terhadap hasil akhir dari hubungan kausalitas dari Y1 dan Y2
dalam pola hubungan regressi sederhana, membuktikan bahwa data latent yang
Penelusuran terhadap hasil akhir dari hubungan kausalitas
diperoleh dari pengolahan excel sama dengan data yang diperoleg melalui cara
dari Penelusuran
Y1 dan Y2 dalam
terhadap hasil pola hubungan
akhir dari regressi dari
hubungan kausalitas sederhana,
Y1 dan Y2
membuktikan
Anderson Garbing bahwa
melalui data latent yang diperoleh dari pengolahan
dalam pola hubungan regressifasilitas analisis
sederhana, pada data
factor bahwa
membuktikan SPSS ( lihat
latent yangGambat 1.9
excel sama dengan data yang diperoleg melalui cara Anderson
Garbing
dandiperoleh melalui
Gambardari fasilitas
pengolahan
1.10). excelanalisis factordata
sama dengan pada SPSS
yang ( lihatmelalui
diperoleg Gambat cara
1.9 dan Gambar 1.10).
Anderson Garbing melalui fasilitas analisis factor pada SPSS ( lihat Gambat 1.9
Gambar 1.9
Gambar 1.9
dan Gambar 1.10).
REGRESSION SCORE VERSI PERHITUNGAN EXCEL
REGRESSION SCORE VERSI
Regression
PERHITUNGAN EXCEL
Regression
Gambar 1.9
REGRESSION SCORE VERSI PERHITUNGAN
Variables Entered/Removed b EXCEL
Regression
Variables Variables
Model Entered Removedb
Variables Entered/Removed Method
a Variables Variables
1 y2 . Enter
Model Entered Removed Method
a. 1All requested
y2a variables entered. . Enter
b. a.Dependent Variable:
All requested y1
variables entered.
b. Dependent Variable: y1
Model Summary
Model Summary
Adjusted R Std. Error of the
Model
Model R
R RR Square
Square SquareSquare Estimate Estimate
11 .594a
.594
a
.352
.352 .338 .338 .81378 .81378
21
19 21
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 y2a . Enter
a. All requested variables entered.
a. Predictors: (Constant), y2
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 15.850 1 15.850 23.934 .000a
Residual 29.138 44 .662
Total 44.988 45
a. Predictors: (Constant), y2
b. Dependent Variable: y1
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -7.331E-17 .120 .000 1.000
y2 .594 .121 .594 4.892 .000
a. Dependent Variable: y1
Bardasarkan
Bardasarkan Gambar
Ganbar 1.9 didapatkan
1.9 didapatkan nilai F yangnilai
hanyaF berbeda
yang hanya
pada satu
berbeda pada satu digit, serta nilai R yang hanya berbeda 0.02.
digit,Hal
serta nilai
yang R didaptkan
juga yang hanya pada
berbeda 0.02. Halpada
parameter yangstandar
juga didaptkan pada
beta 0.594
pada model excel yang didapatan sebesar 0.597 pada model SPSS.
parameter pada standar beta 0.594 pada model excel yang didapatan sebesar 0.597
Dengan demikian, model perhitungan excel adalah valid dan
padadapat
modeldijadikan rujukan
SPSS. Dengan untukmodel
demikian, mendapatkan prosedur
perhitungan Anderson
excel adalah valid dan
Garbing yang juga diterapkan pada SmartPls. Pembaca dapat
dapatmembuktikan
dijadikan rujukan untuk
bahwa mendapatkan
model prosedur
dua variabel yangAnderson
dipolakanGarbing
melaluiyang
juga penggunaan SmartPls

diterapkan pada SmartPls.akan menghasilkan
Pembaca model regressi
dapat membuktikan yangdua
bahwa model
sama.
variabel yang dipolakan melalui penggunaan SmartPls akan menghasilkan model
regressi yang sama.
20
22
GambarGambar
1.10 1.10
REGRESSION SCORE VERSI ANALISIS
REGRESSION SCORE VERSI ANALISIS FACTOR
FACTOR SPSS SPSS
Regression
Regression
Model Summary
Model R R Square Square Estimate
1 .597a .357 .342 .81100230
a. Predictors: (Constant), zb
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 16.060 1 16.060 24.418 .000a
Residual 28.940 44 .658
Total 45.000 45
a. Predictors: (Constant), zb
b. Dependent Variable: za
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.849E-17 .120 .000 1.000
Zb .597 .121 .597 4.941 .000
a. Dependent Variable: za
Gambar
Gambar 1.111.11 menyajikan
menyajikan informasi informasi grafik
grafik dari data latent dari data latent
yang bersumber
yang bersumber pada perhitungan Smartpls, yang ternyata
pada perhitungan Smartpls, yang ternyata tidak berbeda banyak dengan Gambar
tidak berbeda banyak dengan Gambar 1.8 maupun Gambar 1.9,
1.8sehingga
maupun dapat
Gambardisimpulkan bahwa
1.9, sehingga model
dapat pengembangan
disimpulkan metode
bahwa model
Anderson Garbing yang terdapat pada SPSS juga didapatkan
pengembangan metode Anderson Garbing yang terdapat pada SPSS juga
pada SmartPls. Meskipun dengan SPSS bisa didapatkan nilai
didapatkan pada SmartPls.
indikatorloading Meskipun
factors, tetapidengan
SPSS SPSS
tidakbisamemiliki
didapatkanorientasi
nilai
kebutuhan praktis
indikatorloading seperti
factors, tetapi yang
SPSS tidakdapat ditampilkan
memiliki pada SmartPls,
orientasi kebutuhan praktis
sehingga relatif banyak waktu yang dihabiskan dalam pengolahan
seperti yang dapat ditampilkan pada SmartPls, sehingga relatif banyak waktu
data untuk mendapatkan model penyelesaian praktis, seperti
disajikan
yang pada
dihabiskan dalamSmartPls.
pengolahan data untuk mendapatkan model penyelesaian
praktis, seperti disajikan pada SmartPls.
23
21
Gambar 1.11
Gambar
Latent Variable 1.11
Regression Score
Hasil Olah Analisis Factor SmartPls versi 3
Hasil Olah Analisis Factor SmartPls versi 3
0 Series1
-1
-2
-3
1.6 Aplikasi Model dengan SmartPLS 3.2.2

1.6 Aplikasi Model dengan SmartPLS 3.2.2
Pembahasan
Pembahasan padapada
duaduakasus
kasussebelumnya
sebelumnya telah
telah menyajikan
menyajikan dan
dan mengkonstruksi regression score melalui cara reduksi
sebagaimana
mengkonstruksi lazim dipergunakan
regression score melalui pada reduksifactor.
cara analsis Harapan lazim
sebagaimana
yang ingin disampaikan bahwa pengembangan model SEM PLS
dipergunakan padaterikat
tidak harus analsis factor.
pada Harapan
SmartPLS, yangdalam
bahkan inginpengembangan
disampaikan bahwa
model penelitian berbasis data persepsi (catagorical), dapat
pengembangan model SEM PLS tidak harus terikat pada SmartPLS, bahkan
dilakukan dengan mempergunakan excel, atau SPSS, meski juga
disadari menjadi
dalam pengembangan lebih
model menghabiskan
penelitian waktu
berbasis data dan tidak
persepsi praktis dapat
(catagorical),
khusus untuk pengembangan model penelitian yang melibatkan
lebih
dilakukan banyak
dengan variabel latent.
mempergunakan Berikut
excel, ataudisampaikan
SPSS, meski perluasan
juga disadaridari
menjadi
model penelitian Gambar 1.1 ke pengembangan tiga hubungan
lebih menghabiskan waktuinformation
variabel, dengan dan tidak praktis
sharingkhusus untuk
sebagai pengembangan
variabel eksogen,model
yaitu variabel laten yang berdiri sendiri dan tidak menerima
penelitian yang melibatkan lebih banyak variabel latent. Berikut disampaikan
tanda panah dari variabel latent lainnya.
Gambar
perluasan dari model1.12 merupakan
penelitian Gambarpengembangan dari Gambar
1.1 ke pengembangan 1.1,
tiga hubungan
Gambar 1.5 dan Gambar 1.6 dengan menyertakan konstruk
information
variabel, sharing, sehingga
dengan information sharing terdapat tiga variabel
sebagai variabel eksogen,laten yang
yaitu variabel
laten yang berdiri sendiri dan tidak menerima tanda panah dari variabel latent
22
lainnya.
Gambar 1.12 merupakan pengembangan dari Gambar 1.1, Gambar 1.5 dan
Gambar 1.6 dengan menyertakan konstruk information sharing, sehingga terdapat

tiga variabel laten yang saling berhubungan satu sama lainnya. Kita pada saatnya
juga akan mendapatkan model mediasi yang terbentuk dari pola hubungan antar
saling berhubungan satu sama lainnya. Kita pada saatnya juga
variabel laten yang berbentuk segitiga.
akan mendapatkan model mediasi yang terbentuk dari pola
hubungan antar variabel laten yang berbentuk segitiga.
Gambar 1.12
Model Kinerja Perusahaan Logistik
Gambar 1.12
Model Kinerja Perusahaan Logistik
Y2.1 Y2.2 Y2.3 Y2.4
Capabilities
(Y2)
H1 H2
Y1.1
Information Logistic
Y1.2
Sharing H3 Performance
(Y3) (Y1)
Y1.3
X1.1 X1.2 X1.3
Gambar 1.12 menyajikan pola hubungan capabilities (Y2)

sebagai jembatan penghubung yang disebut mediator dari variabel
Gambar
laten 1.12 sharing
information menyajikan
(X1). pola hubungan
Dengan demikian, hubungan
capabilities (Y2) sebagai
kausal dari information sharing terhadap logistic performance (Y1)
jembatan penghubung
dinyatakan sebagaiyang disebuttidak
hubungan mediator dari (indirect
langsung variabel effect).
laten information
Information sharing yang mengarahkan tanda panahnya secara
sharing (X1). keDengan
langsung logistic demikian,
performancehubungan
dinyatakankausal darihubungan
sebagai information sharing
langsung.
terhadap logistic performance (Y1) dinyatakan sebagai hubungan tidak langsung
Pola hubungan tiga variabel laten dinyatakan sebagai
hubungan segitiga
(indirect effect). di mana
Information teori mengenal
sharing tandapartial
pola hubungan
yang mengarahkan panahnya secara
mediation dan full mediation. Dinyatakan sebagai partial mediation,
apabila
langsung hubungan
ke logistic kausal antara
performance information
dinyatakan sebagai sharing
hubungan dengan
langsung.
Pola hubungan tiga variabel laten dinyatakan sebagai hubungan segitiga di

23
mana teori mengenal pola hubungan partial mediation dan full mediation.
Dinyatakan sebagai partial mediation, apabila hubungan kausal antara

logistic performance adalah signifikan ( Lihat Hair et al, 2010).

Sedangkan dinyatakan konstruk capabilities dapat berfungsi
sebagai mediator dalam kondisi full mediation, apabila hubungan
langsung information sharing dengan logistic performance (H3)
adalah tidak signifikan.
Pengujian atas hipotesis berkaitan dengan peran mediation,
dapat kita lakukan dengan dua cara yang berbeda. (a)
mempergunakan metode yang tersedia pada SmartPls, serta (b)
mempergunakan prosedur pengujian Sobel yang berada di luar
model SmartPls. Prinsip pengembangan uji statistik mediasi
pada SEM PLS secara garis besar masih berpedoman kepada
Baron dan Kenny (1999), yang kemudian diterjemahkan menjadi
kalkulasi Sobel.
Kita akan menempatkan model segitiga dimaksud dilengkapi
dengan sumber data pada SmartPls versi 3. Model yang dimaksud
dapat dilihat pada Gambar 1.13. SmartPls versi 3 masih tetap
mempertahankan dua tahap penyelesaian model penelitian,
pertama adalah tahap estimasi untuk mendapatkan prosedur
pengujian outer-model berbasis analisis factor, langkah kedua
adalah prosedur bootstrapping untuk mendapatkan uji statistik
berbasis metode regressi. Langkah kedua disebut penyelesaian
inner-model, yaitu menghubungkan konstruk penelitian sesuai
dengan model yang dirumuskan peneliti.
Langkah pertama, adalah fokus studi SEM PLS yang sangat
mencermati pengembangan verifikasi model, apakah seluruh
konstruk yang dipergunakan berdimensi reflective, atau reflective
– formative, atau seluruhnya formative. Dalam hal menetapkan
apakah formative atau reflective, diperlukan rujukan yang memadai.
Lennox dan Bollen (1991), Diamantopolous dan Winkhover
(2001), Jarvis et al (2003) serta Petter (2007), Hair et al (2010) adalah
sumber rujukan yang sangat memadai untuk menetapkan sebuah
konstruk dinyatakan refective atau formative. Diamantopolous
dan Winkhover (2001) adalah penggagas terkemuka yang
merumuskan model formative berbasis konstruk.
24
Dengan demikian, untuk menentukan sebuah variabel

laten memiliki karakter formative tidak ditentukan berdasarkan
penilaian atas indikator yang dipergunakan peneliti, tetapi
berdasarkan konstruk yang dipergunakan, antara lain adalah dari
sumber data yang terindek (Diamantopolous dan Winkhover,
2001), konstruk menggambarkan nuansa bilangan seperti
marketing expences, government budget ( Hair et al, 2010).
Berdasarkan rujukan di atas, model formative dapat
dinyatakan mewakili sumber data bersifat nonpersepsi, serta
data bilangan yang berpotensi mengubah konstruk. Hair et al
(2012) memberikan ilustrasi tentang ciri-ciri orang mabuk, yang
jalannya tidak stabil, bicara tidak normal dan sulit dipahami dan
seterusnya, dapat dinyatakan sebagai peristiwa reflective. Namun,
ketika sejumlah orang bertindak melakukan pesta minuman
keras, maka minuman keras merupakan causal effect yang
menyebabkan orang menjadi mabuk. Ilutrasi lainnya, seperti
anggaran pemerintah untuk memberdayakan orang miskin
melalui bantuan modal dan pelatihan.
Tentu model bantuan pemerintah tersebut akan menjadi
pertimbangan untuk dipolakan menjadi model formative, karena
nuansa bilangan dalam bentuk dana pemerintah akan mengubah
banyak orang miskin keluar dari kemiskinan, hal yang sangat
berbeda, jika peneliti hanya ingin mengetahui sejumlah indikator
yang ada pada rumah tangga miskin, seperti kurang gizi,
pendidikan rendah dan seterusnya, sehingga model refective
dapat dipergunakan.
Kita akan membahas model formative pada bagian akhir
dari pembahasan, dengan harapan bahwa pemahaman terhadap
reflective dengan prosedur pengujiannya dapat difahami terlebih
dahulu. Gambar 1.13 akan kita teruskan dengan pengolahan data
untuk mendapatkan sejumlah hasil analisis berkaitan dengan
pengukuran reabilitas dan validitas.
25
prosedur pengujiannya dapat difahami terlebih dahulu. Gambar 1.13 akan kita
teruskan dengan pengolahan data untuk mendapatkan sejumlah hasil analisis
berkaitan dengan pengukuran reabilitas dan validitas.

Gambar
Gambar1.13
1.13
Model SmartPls Kinerja Logistik
Model SmartPls Kinerja Logistik
Langkah
Langkah pertama,
pertama, adalahadalah
untuk untuk mendapatkan
mendapatkan informasiinformasi
bahwa indikator
bahwa indikator yang merefleksian konstruk yang bersangkutan
yang merefleksian konstruk
memiliki sebaran yangfactor
loading bersangkutan memiliki
yang covary sebaran
( Jarvis et al (2003),
loading factor
yaitu di mana loading factor memiliki kesetaraan sebaran nilai satu
yang covary ( Jarvis et al (2003), yaitu di mana loading factor memiliki
sama lainnya, disebabkan karena refective memiliki karakter uni-
dimensional.
kesetaraan sebaran Karena memiliki
nilai satu sama lainnya, yang uni-dimensional,
dimensidisebabkan makamemiliki
karena refective
menghilangkan satu indikator tidak akan mempengaruhi makna
karakter
atas Karena memiliki
konstruk yang bersangkutan,
uni-dimensional. haldimensi yangberbeda
yang sangat dengan maka
uni-dimensional,
model formative yang memiliki karakter multi-dimensional.
menghilangkan satu indikator tidak akan mempengaruhi makna atas konstruk
Berdasarkan data med.csv yang disediakan pada CDROM,
didapatkan hasil pengolahan data sebagaimana disajikan pada
Gambar 1.14. Kita masih melihat perlu melakukan reduksi 28
atas sejumlah indikator yang belum menunjukkan pola covary,
sehingga tidak memberikan jaminan penuh bahwa model reflective
yang kita dapatkan adalah memiliki karakter uni-dimensional.
Pada konstruk Y1 terdapat loading factor Y1.3 sebesar 0.707 yang
masih belum memiliki kesetaraan dengan indikator Y1.1 dan
Y1.2. Meskipun demikian, apabila konstruk hanya direfleksikan
26
menunjukkan pola covary, sehingga tidak memberikan jaminan penuh bahwa
model reflective yang kita dapatkan adalah memiliki karakter uni-dimensional.
Pada konstruk Y1 terdapat loading factor Y1.3 sebesar 0.707 yang masih belum
memiliki kesetaraan dengan

Dr. indikator Y1.1 dan
Sudjana Budhiasa, Y1.2. Meskipun demikian,
SE., M.Si
apabila konstruk hanya direfleksikan hanya oleh dua indikator, teknik reduksi
hanya oleh dua indikator, teknik reduksi indikator mungkin
sebaiknya
indikator tidak
mungkin perlu tidak
sebaiknya dilakukan.
perlu dilakukan.
Gambar 1.14 1.14

Gambar
Hasil Analisis
Hasil Estinasi
Analisis SmartPls
Estinasi SmartPls
(tahapan outer-model)
(tahapan outer-model)
Hair et al (2010) merekomendasikan indikator sebuah

konstruk minimal
Hair et al 2 buah dan maksimal
(2010) merekomendasikan 6 buah.
indikator Rekomendasi
sebuah Hair 2
konstruk minimal
et al (2010) didasarkan atas pertimbangan bahwa perbanyakan
buah dan maksimal 6 buah. Rekomendasi Hair et al (2010) didasarkan atas
indikator akan menciptakan peluang terjadinya tetrad, di mana
akan lahir indikator yang sama persis pada konstruk yang
29
berbeda.
Konstruk Y2 yang tergejala tidak covary terdapat pada
indikator Y2.1 serta indikator X1.4 dengan nilai 0.921 yang
berada di atas indikator lainnya. Reduksi atas konstruk Y1 tidak
membawa dampak yang diharapkan, sehingga membiarkan
tanpa reduksi menjadi lebih baik, sangat berbeda dengan konstruk
Y2 dan konstruk X1, yang berhasil menempatkan loading factor
menjadi covary. Reduksi atas sejumlah indikator telah membuat
koreksi atas nilai estimasi H1, yaitu pola hubungan X1 dengan
Y2, serta pola hubungan X1 dengan Y1, demikian juga Y2 dengan
Y1. Perubahan estimasi terjadi sekaligus membuktikan bahwa
27
estimasi akan berubah apabila dimensi reflective belum memiliki

sebaran covary secara memadai. Ketika kesetaraan loading factor
sangat setara, maka perubahan estimasi tidak akan terjadi
disebabkan telah berfungsinya dimensi yang uni-diomensional.
Gambar 1.15 membuktikan bahwa reduksi indikator dengan
tidak menyertakan Y2.1 pada konstruk Y2 telah membuktikan
konstruk memiliki sebaran loading factor yang covary, perbaikan
sebaran loading factor yang semakin uni-dimensional juga
dilakukan dengan tidak menyertakan indikator X1.4 pada
konstruk X. (lihat Gambar 1.15).
Gambar 1.15
Hasil Analisis Estimasi SmartPls
Gambar 1.15
Hasil Analisis Estimasi SmartPls
Kita dapat membuktikan bahwa dengan menghilangkan salah satu dari

Kita dapat membuktikan bahwa dengan menghilangkan
indikatorsalah
X1, satu
tidakdari
akanindikator
mengubah X1,nilai
tidakestimasi
akan mengubah nilai
0.300 ( X1 ke estimasi
Y1) atau 0.441
0.300 ( X1 ke Y1) atau 0.441 (X1 ke Y2), yang membuktikan teori
(X1 kebahwaY2), pada
yang karakter reflective,teori
membuktikan menghilangkan
bahwa padasalah satu dari
karakter reflective,
indikator tidak membawa perubahan makna atas relasi yang
menghilangkan salah satu dari indikator tidak membawa perubahan makna atas
sedang berjalan.
Ketika tahapan konsep uni-dimensional telah dapat
relasi yang sedang berjalan.
menetapkan model reflective secara tuntas pada kondisi yang
Ketika tahapan konsep uni-dimensional telah dapat menetapkan model
28 sehat, maka tahap berikutnya adalah
reflective secara tuntas pada kondisi yang
melakukan penilaian apakah instrumen kuestioner yang kita gunakan adalah
reliable sebagai penyedia informasi yang memiliki konsistensi internal atau tidak.
sehat, maka tahap berikutnya adalah melakukan penilaian apakah

instrumen kuestioner yang kita gunakan adalah reliable sebagai
ualitas informasi penyedia
yang bernilai rendah.
informasi Pertanyaan
yang memilikiyang dimulaiinternal
konsistensi denganatau
hal-hal
tidak.
Banyak peneliti seringkali mengabaikan pentingnya menetapkan
ang umum dan normatif seperti bahwa karyawan yang rajin bekerja sebaiknya
instrumen pertanyaan yang dapat mewakili random probability
di mana skala Likert memiliki peluang yang sama untuk terpilih
itingkatkan gajinya, akan direspon oleh semua responden terpilih untuk
berdasarkan persepsi responden. Pertanyaan yang bersifat
menjawab 4 atau normatif,
5. Itulahmisalnya dapat
sebabnya, menciptakan
bahwa kondisi
instrument di mana
penelitian responden
sepatutnya
akan memilih skala 4 dan 5, hal yang dapat menimbulkan bias
dengan
iuji terlebih dahulu kualitas
sebelum informasi
diputuskan yangditingkatkan
untuk bernilai rendah.
ke Pertanyaan yang
analisis inner-
dimulai dengan hal-hal yang umum dan normatif seperti bahwa
model ( regression karyawan
methods). yang rajin bekerja sebaiknya ditingkatkan gajinya,
akan direspon oleh semua responden terpilih untuk menjawab 4
Tabel 1.3 menyajikan uji sebabnya,
atau 5. Itulah reabilitas mempergunakan
bahwa instrument cronbach Alpha
penelitian yang
sepatutnya
diuji terlebih dahulu sebelum diputuskan untuk ditingkatkan ke
mensyaratkan bahwa sebuah
analisis konstruk( regression
inner-model reliable apabila nilai konstruk berada di
methods).
Tabel 1.3 menyajikan uji reabilitas mempergunakan cronbach
tas 0.60 ( Nunally dan Berstein, 1988), sebaran nilai composite reability di atas
Alpha yang mensyaratkan bahwa sebuah konstruk reliable apabila
.60 (Henseler et nilai konstruk
al, 2009). berada diAVE
Sedangkan atas 0.60 ( Nunally
memiliki dan minimal
sebaran Berstein, 0.50
1988),
sebaran nilai composite reability di atas 0.60 (Henseler et al, 2009).
Sedangkan
ntuk nantinya dapat dipergunakanAVE untuk
memiliki sebaranvaliditas
mengukur minimal 0.50 untuk nantinya
konstruk.
dapat dipergunakan untuk mengukur validitas konstruk.
Tabel 1.3
Hasil Analisis EstimasiEstimasi
Tabel 1.3 Hasil Analisis SmartPlsSmartPls
Kemajuan yang ditampilkan dari SmartPls versi 3 adalah

Kemajuan yang ditampilkan dari
digabungkannya AVESmartPls versi 3 adalah
yang diakarkan dengandigabungkannya
cross-correlation
menjadi satu kesatuan, karena cukup banyak yang memberikan
AVE yang diakarkan dengan cross-correlation
interpretasi yang salah atas menjadi
hubungan satuantara
kesatuan,
AVE karena
dengan
ukup banyak yang memberikan interpretasi yang salah atas hubungan antara
29
AVE dengan cross-correlation. Fornell dan Larscker yang menjadi penggagas
ola pengukuran AVE dan cross-correlation adalah dengan membandingkan

cross-correlation. Fornell dan Larscker yang menjadi penggagas

Apabila kondisipola pengukuran
konstruk yang bersangkutan cross-correlation
AVE dandicerminkan adalah
oleh nilai AVEdengan
membandingkan AVR minimum ( akar AVE) dengan korelasi
m, memiliki cross-correlation
yang dapat dibangundenganoleh
konstruk
konstruklainyang
ternyata lebih besar,
bersangkutan terhadap
variabel laten lainnya.
nyatakan tidak valid discriminant,
Apabila karena upaya
kondisi konstruk yang membangun
bersangkutankorelasi
dicerminkan
oleh nilai AVE minimum, memiliki cross-correlation dengan
pihak lain tampak lebihlain
konstruk kuatternyata
dibandingkan dengan
lebih besar, maka kapasitas konstruk
dinyatakan tidak valid
discriminant, karena upaya membangun korelasi dengan pihak
rsangkutan. Tabel 1.4 menyajikan hasil analisis dari metode Fornell-
lain tampak lebih kuat dibandingkan dengan kapasitas konstruk
yang bersangkutan. Tabel 1.4 menyajikan hasil analisis dari
AVE – cross-correlation.
metode Fornell-Larscher AVE – cross-correlation.
Tabel 1.4
Tabel 1.4 Uji Validitas
Uji Validitas Fornall-Larscher
Fornall-Larscher
4 menyajikan hasil uji akar

Tabel 1.4AVE ( 0.869) hasil
menyajikan untukuji
X1, danAVE
akar 0.810 untuk untuk
( 0.869) X2, X1,
dan 0.810 untuk X2, serta 0.840 untuk nilai AVE minimum Y2.
40 untuk nilaiBerdasaran
AVE minimum Y2.AVE
nilai akar Berdasaran nilai ternyata
sebesar 0.869 akar AVE sebesar
masih lebih besar
dibandingkan dengan korelasi X1 – Y1 sebesar 0.516, serta korelasi
rnyata masih lebih besar dibandingkan dengan korelasi X1 – Y1 sebesar
X1 – Y2 sebesar 0.441 yang lebih rendah dari AVE minimum 0.869.
Berdasarkan perbandingan tersebut, maka konstruk X1 adalah
erta korelasi X1 – Y2 sebesar 0.441 yang lebih rendah dari AVE
valid discriminant. Konstruk Y1 memiliki nilai akar AVE sebesar
0.810 yang
m 0.869. Berdasarkan masih lebihtersebut,
perbandingan besar dibandingkan
maka konstruk dengan
X1 korelasi
adalah X1 –
Y1 (0.516), serta lebih besar dari korelasi Y2 – Y1 ( 0.662), dengan
demikian
scriminant. Konstruk Y1maka konstruk
memiliki nilaiY1 adalah
akar AVE valid discriminant.
sebesar 0.810 yang
Konstruk terakhir yang perlu dievaluasi adalah Y2 dengan
bih besar dibandingkan
akar AVE dengan
sebesarkorelasi
0.842 X1yang– Y1 (0.516),
ternyata serta lebih
masih lebih besar
dibandingkan dengan cross-correlation dari konstruk yang
ri korelasi Y2 –bersangkutan
Y1 ( 0.662), terhadap
dengan demikian maka
X1 dan Y1, konstruk
yaitu Y1 adalahdengan
masing-masing
criminant.
30
Konstruk terakhir yang perlu dievaluasi adalah Y2 dengan akar AVE
0.842 yang ternyata masih lebih besar dibandingkan dengan cross-

nilai korelasi 0.441 dan 0.662. Dengan demikian, semua konstruk

yang disertakan, yaitu X1, Y1 dan Y2 adalah valid discriminant
(lihat Fornell-Larscher, 1998).
Prosedur kedua yang dapat dilakukan untuk menguji validitas
adalah dengan mempergunakan cross-loading ( Chin, 2010), yang
mempolakan bahwa loading factor utama yang bersumber dari
konstruk yang bersangkutan lebih besar dibandingkan dengan
nilai korelasi yang dibangun dari variabel tersebut terhadap
konstruk lainnya
Tabel 1.5 menyajikan evaluasi validitas berdasarkan nilai
loading factor utama terhadap nilai cross-loading factor dengan
konstruk lainnya. X1 memiliki loading factor utama dengan X1.1,
X1.2 dan X1.3 yang ternyata masih lebih tinggi dibandingkan
dengan nilai loading factor diluar loading factor utama, yaitu
loading factor X1.1 dengan Y1 (0.400), X1.1 dengan Y2 (0.465),
X1.2 dengan Y1 (0.504), X1.2 dengan Y2 (0.465), sehingga dapat
dinyatakan bahwa validitas konstruk Y1 memiliki loading factor
utama (Y1.1 = 0.844), (Y1.2= 0.870), (Y1.3 = 0.720) yang ternyata
masih lebih besar dibandingkan dengan cross-loading factor yaitu
diluar loading factor utama yaitu Y1.1, Y1.2 dan Y1.3 masing-
masing dengan X1 dan Y2, maka dengan demikian konstruk Y1
dinyataan valid discriminant.
Tabel 1.5
Uji Cross-loading Factor utama
Tabel 1.5 Uji Cross-loading Factor utama
31
Konstruk terakhir yang perlu ditelusuri validitasnya adalah Y2 dengan
ebaran loading factor utama adalah ( Y2.2 = 0.840), (Y2.3 = 0.872) dan (Y2.4=
813) yang ternyata masih lebih besar dibandingkan dengan cross-loading factor
Konstruk terakhir yang perlu ditelusuri validitasnya adalah

Y2 dengan sebaran loading factor utama adalah ( Y2.2 = 0.840),
(Y2.3 = 0.872) dan (Y2.4= 0.813) yang ternyata masih lebih besar
dibandingkan dengan cross-loading factor yaitu di luar loading
factor utama yaitu Y2.2, Y2.3 dan Y2.4 masing-masing dengan
X1 dan Y1, maka dengan demikian konstruk Y2 dinyatkan valid
discriminant.
Prosedur ketiga yang dapat dilakukan untuk menguji
validitas adalah berdasarkan metode heterotrait-monotrait
ratio sebagaimana dibahas oleh Henseler et al (2015) yang
mempergunakan standar pengukuran nilai 0.85 sebagai batas
atas ratio, dan menyatakan bahwa sebaran nilai ratio dibawah
0.85 dinyatakan valid discriminant.
Tabel 1.6
Uji Validitas Heterotrait-monotrait Ratio
Tabel 1.6 Uji Validitas Heterotrait-monotrait Ratio
Seluruh sebaran nilai menunjukkan masih di bawah 0.85,

Seluruhsehingga
sebaran dinyatakan ketiga konstruk
nilai menunjukkan masih adalah
di bawah discriminant
valid 0.85, (
sehingga
Henseler et al (2015). Prosedur berikut untuk lebih memastikan
dinyatakan ketiga
bahwakonstruk
model adalah
reflectivevalid
adalahdiscriminant ( Henseler
valid dan layak et alsebagai
dipercaya (2015).
konstruk yang mampu memberikan informasi yang berkualitas,
Prosedur berikut untukditelusuri
dapat lebih memastikan
dengan bahwa model reflective
memanfaatkan adalah valid
uji signifikansi dan
pada
konstruk outer-loading, disajikan pada Tabel 1.7. Berdasarkan
layak dipercaya sebagai konstruk yang mampu memberikan informasi yang
sajian Tabel 1.7 dapat disimpulkan bahwa seluruh konstruk
memiliki P-values lebih kecil dari 5%, sehingga dapat dinyatakan
berkualitas, dapat ditelusuri dengan memanfaatkan uji signifikansi pada konstruk
bahwa seluruh konstruk adalah valid dan meyakinkan peneliti
outer-loading, untuk dapat
disajikan diteruskan
pada ke proses
Tabel 1.7. analisis inner-model.
Berdasarkan sajian Tabel 1.7 dapat
Tahap terakhir adalah melakukan pengujian model hipotesis
yaitu seluruh
disimpulkan bahwa memproses tingkat
konstruk hubungan
memiliki kausal
P-values lebihantar
kecilkonstruk
dari 5%,
sehingga dapat dinyatakan bahwa seluruh konstruk

32 adalah valid dan meyakinkan
peneliti untuk dapat diteruskan ke proses analisis inner-model.
Tahap terakhir adalah melakukan pengujian model hipotesis yaitu

Tabel 1.7
Uji Konstruk Signifikansi outer-loading (dimensi reflective)
dan menetapkan taraf signifikansinya. Ternyata hasil analisis

menunjukkan bahwa seluruh konstruk memiliki peluang P-
values lebih kecil dari 5% (lihat Tabel 1.8).
Tabel 1.7 Uji Konstruk Signifikansi outer-loading (dimensi

Tabel 1.7
reflective)
Uji Konstruk Signifikansi outer-loading (dimensi reflective)
Berdasarkan Tabel 1.8 didapatkan estimasi parameter X1-Y1 sebesar
0.300, X1-Y2 sebesar 0.441 serta Y2-X1 sebesar 0.489. Dengan hasil tersebut,
maka seluruh hipotesis penelitian ini terjawab dan dapat diteruskan ke tingkat
Berdasarkan Tabel 1.8 didapatkan estimasi parameter X1-
Y1 sebesar
rekomendasi bahwa 0.300,Tabel
hubungan
Berdasarkan X1-Y21.8sebesar
kausal yang 0.441 serta
dibangun
didapatkan Y2-X1
penelitian
estimasi sebesar
parameter iniX1-Y1
dapat0.489.
diyakini
sebesar
Dengan hasil tersebut, maka seluruh hipotesis penelitian ini
sebagai 0.300,
prosesX1-Y2
terjawab hubungan
dansebesar
dapat signifikan,
0.441 serta Y2-X1
diteruskan dengan
ke sebesar
tingkatdimensi
0.489. capabilities
Dengan
rekomendasi hasil (Y1)
tersebut,
bahwa
hubungan
maka seluruh kausal
hipotesis yang dibangun
penelitian penelitian
ini terjawab ini diteruskan
dapat diyakini
memberikan dampak paling dominan disusul oleh dan
olehdapat
information ke tingkat
sharing (X1)
sebagai proses hubungan signifikan, dengan dimensi capabilities
rekomendasi
(Y1) bahwa hubungan
memberikan dampak kausal yang dibangun
paling dominanpenelitian
disusulinioleh
dapat oleh
diyakini
berdampak secara langsung kepada kinerja logistik.
information
sebagai prosessharing
hubungan(X1)signifikan,
berdampak secara
dengan langsung
dimensi kepada
capabilities (Y1)
kinerja logistik.
memberikan dampak paling dominan disusul oleh oleh information sharing (X1)
Tabel 1.8
Tabel 1.8 Uji
UjiHipotesis Penelitian(dimensi
Hipotesis Penelitian (dimensi reflective)
reflective)
berdampak secara langsung kepada kinerja logistik.
Tabel 1.8
Uji Hipotesis Penelitian (dimensi reflective)
Hasil bootstrapping yang dilakukan melalui smartpls versi 3 dapat

disajikan melalui relasi antar path disajikan pada Gambar 1.16
33
Hasil bootstrapping yang dilakukan melalui smartpls versi 3 dapat
disajikan melalui relasi antar path disajikan pada Gambar 1.16
37
Hasil bootstrapping yang dilakukan melalui smartpls versi 3

dapat disajikan melalui relasi antar path disajikan pada Gambar
1.16
Gambar 1.16
Gambar 1.16
Hasil Analisis Bootstrapping SmartPls
Hasil Analisis Bootstrapping SmartPls
34
BAB II
BAB II
REFLECTIVE FORMATIVE
REFLECTIVE FORMATIVE
Berikut disajikan model disertasi Kawiana dengan dukungan data tersedia
pada CDROMBerikut disajikan

sebagai bahanmodel disertasi
pelatihan dalamKawiana
rangka dengan dukungan
memahami operasional
data tersedia pada CDROM sebagai bahan pelatihan dalam
SEM PLS berbasis
rangka SmartPlsoperasional
memahami versi 3 yang SEM
sangatPLS
mudah dalamSmartPls
berbasis operasional.
versi
3 yang sangat mudah dalam operasional.
Gambar 1.1
Konstruk Spritual LeadershipGambar
Second1.1Order ( Formative)
Konstruk Spritual Leadership Second Order ( Formative)
X1.2 X1.3 X1.4
0.386 0.437 0.295
Vision
(X1)
0.416
X2.1
0.408
X2.2
0.623 Spiritual
Faith/Hope
0.290 Leadeship
(X2)
0.026 (X)
X2.4
0.530
Altruistic
Love
(X3)
0.139 0.332 0.633
X3.1 X3.2 X3.6
Gambar 1.1 adalah model formative yang memiliki sebaran

indikator bersifat tidak covary satu sama lain, atau dengan kata
Gambar
lain 1.1 relasi
model adalah indikator
model formative yang dari
harus bebas memiliki sebaran indikator
multi-collinearity.
Pertama, peneliti wajib mencermati apakah antar loading factor
bersifat tidak covary satu sama lain, atau dengan kata lain model relasi indikator
telah terdapat perbedaan nilai, karena syarat formative adalah
harus bebas dari multi-collinearity. Pertama, peneliti wajib mencermati apakah
35
antar loading factor telah terdapat perbedaan nilai, karena syarat formative adalah
loading harus tidak memiliki kesetaraan satu sama lainnya ( Jarvis, et al (2003).
Pengujian
ANALISIS validitas
STATISTIK tidak DENGAN
MULTIVARIATE dapat APLIKASI
dilakukan dengan
SEM PLS model
SMARTPLS 3.2.6Fornell-Larcker,
atau cross-loading, maupun heteotrait-monotrait ratio, karena dimensi formative

loading harus tidak memiliki kesetaraan satu sama lainnya (
Jarvis,
tidak et al (2003).
memiliki individual error, karena dengan tanda panah yang terbaik menuju
Pengujian validitas tidak dapat dilakukan dengan model
konstruk, dapat dimaknai
Fornell-Larcker, sebagai hubuingan
atau cross-loading, fungsiheteotrait-monotrait
maupun konstruk sebagai fungsi dari
ratio, karena dimensi formative tidak memiliki individual error,
indikator, sehingga pola relasinya menyerupai regressi berganda, di mana
karena dengan tanda panah yang terbaik menuju konstruk, dapat
dimaknaihanya
konstruk sebagai hubuingan
mmiliki satu fungsi konstruk akan
error bersama, sebagai fungsidengan
berbeda dari model
indikator, sehingga pola relasinya menyerupai regressi berganda,
di mana konstruk hanya mmiliki satu error bersama, akan berbeda
reflective.
dengan model reflective.
Gambar 1.2
Gambar 1.2
VIF
VIF Inner-model Formative
Inner-model Formative
Construct Posisi VIF

X First order
X1 Second order 1.501
VIF Outer-Model VIF Outer-Model VIF Outer-Model

Konstruk X1 Konstruk X2 Konstruk X3
(a) (b) (c)
Indikator VIF Indikator VIF Indikator VIF

X1.1 6.62 X2.1 6.015
X1.2 4.096 X2.1 4.223 X3.1 5.523
X1.2 2.284 X2.2 3.553 X3.2 4.559
X1.3 2.582 X2.2 5.84 X3.3 6.202
X1.3 4.709 X2.3 5.93 X3.4 10.343
X1.4 2.148 X2.4 6.442 X3.5 2.991
X1.4 2.344 X2.4 5.445 X3.6 2.972
Gambar
Gambar 1.21.2menyajikan
menyajikan relasi
relasi inner-model
inner-model formative
formative yang yang
ternyata masih
ternyata masih leih kecil dari nilai 3, sedangkan untuk VIF outer-
leih kecildinyatakan
model dari nilai 3,maksimal
sedangkanadalah
untuk VIF 10, makadinyatakan
outer-model
sebesar untuk dimaksimal
adalah sebesar 10, maka untuk di bawah 10 dinyatakan bebas dari persoalan multi-
36 2006). Bahwa validitas model formative
collinearity ( Diamantopoulos dan Siguaw,
40
bawah 10 dinyatakan bebas dari persoalan multi-collinearity (

Diamantopoulos dan Siguaw, 2006). Bahwa validitas model
formative juga dapat ditelusuri dengan melihat uji signifikansi
pada outer-weight dari konstruk yang bersangkutan. Lihat Gambar
1.3
Gambar 1.3
Uji Signifikansi Indikator Untuk Model Formative
Original Sample Standard T P

Sample Mean Deviation Statistics Values
X1.1 <- X 0.126 0.124 0.016 7.789 0.000
X1.2 <- X 0.114 0.114 0.024 4.831 0.000
X1.2 -> X1 0.386 0.436 0.175 2.203 0.015
X1.3 -> X1 0.437 0.401 0.192 2.272 0.012
X1.3 <- X 0.125 0.122 0.017 7.194 0.000
X1.4 -> X1 0.295 0.281 0.126 2.340 0.010
X1.4 <- X 0.122 0.119 0.020 6.163 0.000
X2.1 <- X 0.085 0.087 0.029 2.940 0.002
X2.1 -> X2 0.408 0.440 0.244 1.674 0.048
X2.2 -> X2 0.623 0.585 0.275 2.268 0.012
X2.2 <- X 0.085 0.086 0.031 2.751 0.003
X2.3 <- X 0.078 0.079 0.028 2.819 0.003
X2.4 <- X 0.081 0.083 0.027 2.982 0.002
X2.4 -> X2 0.026 0.292 0.294 0.088 0.465
X3.1 <- X 0.094 0.091 0.029 3.212 0.001
X3.1 -> X3 0.139 0.248 0.218 0.636 0.263
X3.2 <- X 0.100 0.096 0.024 4.115 0.000
X3.2 -> X3 0.332 0.343 0.168 1.978 0.025
X3.3 <- X 0.089 0.088 0.023 3.868 0.000
X3.4 <- X 0.112 0.108 0.025 4.503 0.000
X3.5 <- X 0.086 0.085 0.024 3.602 0.000
X3.6 -> X3 0.633 0.646 0.209 3.034 0.001
X3.6 <- X 0.125 0.120 0.023 5.517 0.000
37
Berbeda dengan model formative, bahwa pada model

reflective, sebaran indikator harus memiliki relasi covary,
di mana antara satu indikator dengan indikator lainnya
yang merefleksikan sebuah kontruk memiliki karakter uni-
menyebabkan
dimensional, terjadinya perubahan
sehingga makna atas relasisalah
menggantikan antarkonstruk
satu dari( Jarvis et al,
indikator
tersebut
2003), Petter tidak menyebabkan terjadinya perubahan makna atas
at al (2007).
relasi antarkonstruk ( Jarvis et al, 2003), Petter at al (2007).
Model reflektif yang dikembangkan oleh Kawiana ( Kawiana, FEB Unud,
Model reflektif yang dikembangkan oleh Kawiana ( Kawiana,
FEB disajikan
2016) Unud, pada 2016) disajikan
Gambar pada
1.4 terdiri Gambar
atas satu primary1.4 terdirikomitmen
dimension atas satu
primarydengan
organisasi dimension komitmen
tiga sub-dimensi organisasi
yang dengan
merefleksikannya, tiga
serta sub-dimensi
indikator yang
yang merefleksikannya, serta indikator yang tersedia untuk
tersedia untuk masing-masing sub-dimensi. Berdasarkan hasil data processing
masing-masing sub-dimensi. Berdasarkan hasil data processing
SmartPls
SmartPls versiversi 3 didapatkan
3 didapatkan sejumlah
sejumlah indikator indikator
tidak tidak covary,
memiliki sebaran memiliki
sebaran covary, sehingga perlu dilakukan adjustment dengan
sehingga perlu dilakukan adjustment dengan tidak menyertakan indikator yang
tidak menyertakan indikator yang menjadi penyebab terjadinya
menjadi penyebab terjadinya
ketidak-setaraan ketidak-setaraan
sebaran indikatorsebaran
pada indikator pada masing-sub-
masing-masing
dimensi
masing tersebut.
sub-dimensi tersebut.
Gambar
Gambar1.41.4
Klasifikasi Jawaban Responden berdasarkan Skala Pengukuran Likert
Klasifikasi Jawaban Responden berdasarkan Skala Pengukuran Likert
Respon dalam %
Rata
Variabel Dimensi
Rata
1 2 3 4 5 mean
Y1 Komitmen Organisasional
Y1.1 Komitmen Afektif
Y1.1.1 Bekerja maksimal 3.4 1.4 0.0 20.3 75.0 4.62
Y1.1.2 Bangga bekerja di LPD 2.7 8.1 14.9 55.4 18.9 3.80
Y1.1.3 Melakukan tugas di berikan 7.4 14.2 18.9 31.8 27.7 3.58
Y1.1.4 Bangga menjadi bagian LPD 4.7 4.1 1.4 56.1 33.8 4.10
Y1.1.5 Senang bekerja di LPD 7.4 1.4 5.4 45.9 39.9 4.09
Y1.1.6 Peduli terhadap LPD 4.1 4.7 0.0 33.1 58.1 4.36
Y1.1.7 Tempat bekerja yang baik 4.7 8.1 17.6 43.9 25.7 3.78
Y1.2 Komitmen Kontinyu
Y1.2.1 Bekerja di perusahaan lain 25.7 30.4 4.7 18.2 20.9 2.78
Y1.2.2 Perubahan thd lingkungan 14.2 39.2 8.8 20.3 17.6 2.88
Y1.2.3 Manfaat yang di dapat 34.5 27.7 0.0 7.4 30.4 2.72
Y1.2.4 Resiko bekerja di LPD 37.8 19.6 1.4 17.6 23.6 2.70
Y1.3 Komitmen Normatif
Y1.3.1 Loyalitas 15.5 16.9 0.0 16.9 50.7 3.70
Y1.3.2 Tujuan 10.8 19.6 1.4 39.2 29.1 3.56
Y1.3.3 Memberikan inspirasi 18.2 10.8 0.0 42.6 28.4 3.52
Y1.3.4 Peraturan yg diberlakukan 16.9 17.6 1.4 16.9 47.3 3.60
38
42
Gambar 1.5
Gambar 1.5
Model Second
Model Order
Second Berkarakter
Order BerkarakterReflektif.
Reflektif.
Y1.1.2
0.907
Komitmen Y1.1.4
0.929
Afektif
(Y1.1) 0.953
0.908 Y1.1.5
0.897
Komitmen 0.927
Organisasi Y1.1.6
(Y1)
Y1.1.7
0.512 0.658
Komitmen
Kontinyu Komitmen
(Y1.2) Normatif
(Y1.3)
0.949 0.936 0.967

0.959 0.948
Y1.2.1 Y1.2.2 Y1.2.3 Y1.3.2 Y1.3.3
Gambar 1.4 telah berbeda dengan Gambar 1.5, di mana

Gambar1.4
Gambar 1.4telah
adalah sebagai
berbeda sumber
dengan Gambarawal
1.5,pembentukan
di mana Gambar dimensi.
1.4 adalah
Pengurangan jumlah indikator dilakukan untuk mendapatkan
sebagai pendukung
sumber awalloading pembentukan dimensi.
factor pada Pengurangan
indikator yang lebihjumlah indikator
memiliki
karakter covary, dengan demikian akan terpenuhi asumsi bahwa
dilakukan untuk mendapatkan pendukung loading factor pada indikator yang
pada model reflective, menghilangkan salah satu indikator tidak
mengalami
lebih memiliki karakterperubahan pada nilai
covary, dengan estimasi
demikian akanpath, hal yang
terpenuhi asumsipasti
bahwa
akan berubah apabila sebaran indikatornya tidak memiliki
pada model
karakter covary (menghilangkan
reflective, salah satu indikator tidak mengalami
Jarvis at al (2003).
Kawiana dalam menetapkan karakter formative pada model
perubahan
spiritual,nilai
pada estimasi
karena path, hal yangrujukan
mempergunakan pasti akan berubah
tunggal apabila sebaran
pegembangan
studi spiritual leadership. Berdasarkan kerangka teori yag tersedia
indikatornya tidak memiliki karakter covary ( Jarvis at al (2003).
tentang dimensi formative (Diamantopoluos dan Wunkhover,
2001), Jarvis
Kawiana dalamet menetapkan
al (2003), Hair et al formative
karakter (2010), bahwapada model
model teori
spiritual,
spriritual leadership dibentuk berdasarkan tiga komponen yaitu
karena mempergunakan
vision, faith/hope rujukan tunggal pegembangan
dan altruistic/love, studi spiritual leadership.
maka menggantikan salah
satu dimensi menjadikan teori Fry et al (2011) tidak berlaku lagi,
Berdasarkan kerangka teori yag tersedia tentang dimensi formative
sehingga mengkonstrusikan teori bersifat tunggal menjadikan
model spiritual
(Diamantopoluos leadership
dan Wunkhover, memiliki
2001), Jarvis etkarakter
al (2003),multi-dimensi,
Hair et al (2010),
bahwa model teori spriritual leadership dibentuk berdasarkan tiga komponen

39
yaitu vision, faith/hope dan altruistic/love, maka menggantikan salah satu dimensi
menjadikan teori Fry et al (2011) tidak berlaku lagi, sehingga mengkonstrusikan

dengan menggantikan salah satu dari dimensi yang ada,

menyebabkan teori kehilangan maknanya.
Teori lain yang dapat kesalahan dalam menempatkan
dimensi adalah apabila konstruk dibangun berdasarkan data
terindeks (Diamantopoluos dan Winkhover, 2001), serta data
yang terkonsisikan memiliki nuansa kuantitatif seperti sales
growth, marketing expenses dan sejumlah karakter nonpersepsi
lainnya ( Hair et al, 2010).
Akan menjadi catatan penting dari tahapan pengujin
instrumen penelitian, bahwa ketika proses pengujian instrument
dilaksanakan dengan menetapkan sebanyak 20 sampai dengan
30 sample, belum perlu dipersoalkan apakah data memiliki
karakter reflective atau formative, karena proses pengujian data
belum sampai ke tingkat outer-model yang akan melakukan
pengujian reliabilitas dan validitas berdasarkan karakter dimensi.
Dengan demikian, direkomendasikan pada tahap awal pengujian
instrument penelitian mempergunakan kriteria pengujian
cronbach Alpha untuk menetapkan sebuah konstruk dinyatakan
reliable apabila nilai cronbach Alpha memiliki nilai paling rendah
0.60 ( Nunanly dan Breigsten, 1988).
Tahap penetapan kelayakan instrumen berikutnya adalah
pengujian validitas berdasarkan criteria KMO, yang semakin
banyak dipergunakan dewasa ini sebagai dasar pertimbangan
bahwa pengujian outer-model sepenuhnya memanfaatan analisis
factor, maka penetapan paling sedikit nilai KMO sebesar 0.60
dinyatakan telah terdapat jaminan bahwa data telah memiliki
distribusi normal multivariate, sehingga analisis factor dapat
dipergunakan ( Tabachnick dan Fidell, 2008). Peneliti dapat
memanfaatkan software SPSS versi 17 atau versi yang lebih
terbaru, melalui fasilitas analisis factor Dimension Reduction Factor
yang tersedia pada software SPSS tersebut.
40
BAB III
MODERASI DAN MEDIASI
3.1 Konsep Moderasi dan Mediasi
Konsep moderator dan mediator yang berkembang saat ini

merupakan gagasan awal yang dirintis oleh Baron dan Kenny
(1986) , kemudian banyak dirujuk oleh generasi peneliti berikutnya.
Baron dan Kenny (1986) dalam pengembangan gagasannya juga
merujuk kepada Sobel (1982) yang mengembangkan teknik
perhitungan mediasi dengan melibatkan model segitiga serta
melibatkan standar error dari setiap variabel yang terkait dalam
mempetakan peran mediator pada suatu kasus tertentu.
Baron dan Kenny (1986) menyatakan bahwa mediator
digerakkan oleh dua komponen, yaitu stimulan dan respons
(lihat Gambar 3.1). Independent variable adalah stimulan yang
bergerak berdasarkan tanda panah dari independent variable
ke mediator melalui titik a, kemudian pada tahap berikutnya
ditanggapi oleh mediator sebagai respon untuk diteruskan ke
outcome melalui jalur titik b. Proses perjalanan dari stimulan
independent variable menuju outcome variable melalui mediator
dinyatakan sebagai indirect effect, sedangkan proses stimulan dari
independent variable secara langsung menuju outcome variable
disebut sebagai direct effect.
41
X C Y

A B
Gambar3.1 3.1
Gambar
M
Proses Mediasi dan
Proses Mediasi dan Direct
DirectEffect
Effect
Sumber
X : Baron dan Kenny
C (1986) Y
A B
Mediasi berbeda dengan konsep mediator.

M Mediator adalah statistical
power dari path a dikalikan dengan b atau ( a x b ), dinyatakan sebuah variabel M

Sumber : Baron
Sumber dandan
: Baron Kenny (1986)
Kenny (1986)
adalah sebagai pemoderasi apabila perkalian kedua nilai path b x c adalah lebih
kuat dibandingkan dengan nilai path dari b. Sedangkan moderator dapat dilihat
Mediasi berbeda dengan konsep mediator. Mediator
adalah statistical power dari path a dikalikan dengan b atau ( a
dalam kerangka Mediasi
hubunganberbeda
antara path b dankonsep
dengan path c dalam menggerakkan
mediator. outcomestatistical
Mediator adalah
x b ), dinyatakan sebuah variabel M adalah sebagai pemoderasi
apabila perkalian
Asumsikan
variable.power bahwa keduadari
peneliti nilai path
awal b xterfokus
akan c adalah lebih
untuk kuat
mendapatkan
dari path a dikalikan dengan b atau ( a x b ), dinyatakan sebuah variabel M
dibandingkan dengan nilai path dari b. Sedangkan moderator
dapat
jawaban adalah
atas dilihat
peran dalam kerangka
independen tertentu hubungan
sebagai antara path
stimulan, b dan path c
sebagai pemoderasi apabila perkalian keduamaka
nilai menghadirkan
path b x c adalah lebih
dalam menggerakkan outcome variable. Asumsikan bahwa peneliti
hanya path b dibandingkan
dari
kuat dan
awalpath
akanc terfokus
dapat
dengandipolakan
untuk sebagai
dari b.kerangka
mendapatkan
nilai path jawaban
Sedangkanperan
atas pemoderasi,
peran dapat dilihat
moderator
independen tertentu sebagai stimulan, maka menghadirkan
dengan catatan
dalam
hanya bahwa
path b relasi
kerangka antar
hubungan
dan path variabel
antara
c dapat pathb bdan
dipolakandancsebagai
tidkac dalam
path dapat menggerakkan
kerangkadilihat sebagai outcome
peran
pemoderasi, dengan catatan bahwa relasi antar variabel b dan c
sebuah hubungan yang serentak.
Asumsikan bahwa peneliti dari awal akan
variable.
tidka dapat dilihat sebagai sebuah hubungan yangterfokus untuk mendapatkan
serentak.
Gambar 3.2tertentu sebagai stimulan, maka menghadirkan
jawaban atas peran independenGambar 3.2
Proses
Proses StimulanCollaboration
Stimulan keCapabilities
Collaboration ke Capabilities
hanya path b dan path c dapat dipolakan sebagai kerangka peran pemoderasi,
dengan catatan bahwa relasi antar variabel b dan c tidka dapat dilihat sebagai
Collaboration Capabilities
H1
(X1) (Y1)
sebuah hubungan yang serentak.
Gambar 3.2
Proses Stimulan Collaboration ke Capabilities
42 47
Collaboration Capabilities
H1
(X1) (Y1)
Berdasarkan Gambar 6.2, peneliti kemudian berusaha membangun teori
untuk memperkuat stimulan yang memberikan penguatan capabilities, dengan
Berdasarkan Gambar 6.2, peneliti kemudian berusaha
menghadirkan stimulant baru, maka proses menghadirkan independent varable
membangun teori untuk memperkuat stimulan yang memberikan
penguatan capabilities, dengan menghadirkan stimulant baru,
yang baru disebut sebagai pemoderasi (lihat Gambar 6.3).
maka proses menghadirkan independent varable yang baru
disebut sebagai pemoderasi (lihat Gambar 6.3).
Gambar Gambar
3.3 3.3
Information
Information Sharing sebagai
Sharing Pemoderasi
sebagai Pemoderasi Capabilities
Capabilities
Collaboration
(X1)
H1
Capabilities
(Y2)
H2
Information
Sharing
(X2)
Berdasarkan
Berdasarkan Gambar
Gambar 6.3, harus6.3, harus diperhatikan,
diperhatikan, bahwa pengaruh
bahwa proses proses dari
pengaruh dari collaboration (X1) dan information sharing (X2) tidak
collaborationdapat
(X1)diartikan simultan,sharing
dan information melainkan sebagai
(X2) proses
tidak dapatbahwa dengan
diartikan simultan,
menghadirkan information (X2) dapat dibuktikan terjadinya
dampak
melainkan sebagai penguatan
proses bahwapada outcome
dengan variable capabilities
menghadirkan (lihat juga
information (X2) dapat
Hair et al (2010). Apabila perkalian antara path coefficient H1 x
H2 lebih besar
dibuktikan terjadinya dampak daripenguatan
nilai path pada
H1, maka kita dapat
outcome menduga
variable ada (lihat
capabilities
peran pemoderasi dari information sharing dalam mendukung
al (2010). capabilities.
juga Hair et penguatan Apabila perkalian antara
Perhatikan path6.4coefficient
Gambar berikut. H1 x H2 lebih
besar dari nilai path H1, maka kita dapat menduga ada peran pemoderasi dari
information sharing dalam mendukung penguatan capabilities. Perhatikan
Gambar 6.4 berikut.
43
Gambar 3.4 3.4

Gambar
InformationSharing
Information Sharingsebagai
sebagaiPemoderasi
Pemoderasi Capabilities
Capabilities
Gambar 3.4
Information Sharing sebagai Pemoderasi Capabilities
Collaboration
(X1)
Collaboration H1
(X1) Logistic
H1 Capabilities
H1 performance
Logistic
(Y2)
Capabilities
H1 (Y1)
performance
(Y2)
H2 (Y1)
Information
H2
Sharing
Information
(X2) Sharing
(X2)
Gambar Gambar
Gambar 6.5 menyajikan
6.5 menyajikan collaboration
6.5 menyajikan collaboration
sebagai
collaboration sebagai
sebagaistimulan
stimulan yang stimulanoleh
yang direspon
direspon oleh
yang direspon oleh capabilities. Peneliti kemudian mengajukan
capabilities. Peneliti
capabilities.
informationkemudian
Peneliti mengajukan
kemudian
sharing sebagai information
mengajukan informationsharing
pemoderasi, sharingsebagai
sebagai
yang pemoderasi,
pemoderasi,
berfungsi
yang memperkuat
yang berfungsi memperkuat
berfungsi stimulan
stimulan
memperkuat sebelumnya
sebelumnya
stimulan dari
daridari
sebelumnya collaboration.
collaboration.
collaboration. Maka Maka
Maka dinyatakan
dinyatakan
dinyatakan information sharing berhasi memoderasi capabilities,
information
informationapabilasharing
sharing berhasi
berhasi
perkalian memoderasi
memoderasi
dari H2capabilities,
H1 x capabilities, apabila
nilainyaapabila
lebih perkalian
perkalian
besar dari H1
dari dari
nilai H1 xx H2
path H2
H1.
nilainya lebih besar dari nilai
nilainya lebih besar dari nilai path path
H1. H1.
Gambar
Gambar3.5 3.5
Proses Mediasi Gambar
Stimulan ke 3.5
Outcome Log.Performance
Proses Mediasi Stimulan ke Outcome Log.Performance
Proses Mediasi Stimulan ke Outcome Log.Performance
Gambar 3.6
Proses Memoderasi Stimulan ke Outcome Log.Performance
Gambar 3.6
44
49
49
Gambar 3.6
Holmbeck
Holmbeck (1997) menyatakan
(1997) menyatakan perbedaan
perbedaan posisi posisi 6.5)
mediasi ( Gambar mediasi (
dan posisi
Gambar 6.5) dan posisi stimulant di moderasi .( Gambar 6.6).
stimulant di moderasi .( Gambar 6.6).
3.2 Full Mediation dan Partial Mediation

3.2 Full Mediation dan Partial Mediation
Little at al (2010) merumuskan secara lebih tegas khususnya
padaLittle
posisi
at almediasi sebagai salah
(2010) merumuskan secarasatu
lebih aspek pentingpada
tegas khususnya dalam
posisi
pengelola model penelitian dan mencari jawab atas sejumlah
mediasi sebagai salah satu aspek penting dalam pengelola model penelitian dan
peran variable staretgsi tertentu yang dapat diangkat statusnya
menjadi
mencari variabel
jawab pemediasi.
atas sejumlah Little staretgsi
peran variable at al (2010)
tertentumembagi
yang dapatmodel
diangkat
mediasi menjadi empat kondisi yang didapatkan dari kegiatan
statusnya menjadi variabel pemediasi. Little at al (2010) membagi model mediasi
penelitian. Pertama, adalah full mediation, kedua adalah partial
menjadi empat ketiga
mediation, kondisi yang didapatkan
adalah dari kegiatan
inconsistence penelitian.dan
mediation, Pertama, adalah
terakhir
adalah nomediation.
full mediation, kedua adalah partial mediation, ketiga adalah inconsistence
Gambar 6.7, Gambar 6.8,Gambar 6.9 dan Gambar 6.10
dan terakhir
menyajikan
mediation, modeladalah nomediation.
mediasi sebagaimana dirujuk dari Little at al
(2010), dengan notasi ns = not support, *** = weak support, ** =
Gambar 6.7, Gambar 6.8,Gambar 6.9 dan Gambar 6.10 menyajikan model
medium support, serta * = strong support.
mediasi sebagaimana dirujuk dari Little at al (2010), dengan notasi ns = not
support, *** = weak support, ** = medium support, serta * = strong support.
45
50
Gambar 3.7
Type Full Mediation
Gambar 3.7
X Type FullGambar
C 3.7
Mediation Y
Type Full Mediation
A B
X C
M Y
A B
M
Dinyatakan sebagai full mediation apabila direct effect dari relasi X ke Y adalah
tidak signifikan Dinyatakan

(not support),sebagai
dengan full
strong significant
mediation (1% direct
apabila sampaieffect
dengandari5%) tingkat
relasi X ke Y adalah tidak signifikan (not support), dengan strong
kepercayaan, maka dapat dinyatakan bahwa X hanya punya pilihan path melalui M untuk
significant
Dinyatakan (1% sampai
sebagai denganapabila
full mediation 5%) tingkat
direct kepercayaan, maka
effect dari relasi X ke Y adalah
menuju outcome Y. Peneliti sering berharap didapatkan full mediation M
dapat dinyatakan bahwa X hanya punya pilihan path melalui untuk dapat
untuk(not
tidak signifikan menuju outcome
support), denganY.strong
Peneliti sering berharap
significant (1% sampaididapatkan
dengan 5%) tingkat
full rekomendasi
meningkatkan mediation untuk dapatmeyakinkan
yang lebih meningkatkan rekomendasi
dan bahkan yang peluang
dapat menjadi
kepercayaan, maka
lebih dapat dinyatakan
meyakinkan bahwa Xdapat
dan bahkan hanya menjadi
punya pilihan path bagi
peluang melalui M untuk
bagi keterbaharuan studi pada sebuah karya tulis thesis dan disertasi.
keterbaharuan studi pada sebuah karya tulis thesis dan disertasi. Type kedua, adalah
menuju outcome Y. Peneliti
Type kedua, adalahsering berharap (lihat
partial mediation didapatkan
Gambar full mediation untuk dapat
6.8).
partial mediation (lihat Gambar 6.8).
meningkatkan rekomendasi yang lebihGambar meyakinkan
3.8 dan bahkan dapat menjadi peluang
Gambar 3.8
Tipe Partial Mediation
bagi keterbaharuan studi pada Tipe Partial
sebuah Mediation
karya tulis thesis dan disertasi. Type kedua, adalah
partial mediation (lihat Gambar 6.8).

X C* Y
Gambar 3.8
Tipe Partial Mediation
A*** B**
X C* Y
M
A*** B**
46
M
51
kepercayaan. Relasi mediasi tetap didapatkan, tetapi memiliki nilai path lebih
rendah dibandingkan dengan nilai yang diperoleh dari interaction effect A dan B.
Bahwa pada Ganmbar 6.8, direct effect merupakan jalur path yang sangat
berperan dalam memberikan stimulan kepada outcome Y.

Gambar 6.8 menyajikan kondisi partial mediation, di mana
direct effect dari pathadalah
Tipeketiga, C memiliki strong significant
dinyatakan antara 1% sampai
sebagai inconsistence mediation, di mana
dengan 5% tingkat kepercayaan. Relasi mediasi tetap didapatkan,
tetapi memiliki
interaction effect nilai path signifikan
memiliki lebih rendah dibandingkan
statistik dengan
sangat lemah, dapat disebabkan
nilai yang diperoleh dari interaction effect A dan B. Bahwa pada
oleh sejumlah
Ganmbar persoalan
6.8, direct effect antara lain sample
merupakan yangyang
jalur path terlalu kecil, yang dapat
sangat
berperan dalam memberikan stimulan kepada outcome Y.
menyebabkan meningkatnya standar error dan menghasilkkan peluang
Tipeketiga, adalah dinyatakan sebagai inconsistence mediation,
di mana interaction effect memiliki signifikan statistik sangat lemah,
interaction effect mediation yang sangat lemah. Kock (2014) dengan
dapat disebabkan oleh sejumlah persoalan antara lain sample yang
terlalu kecil, yang
pengembangan dapat menyebabkan
penggabungan antara sizemeningkatnya standardengan standar
effect Cohen (1988)
error dan menghasilkkan peluang interaction effect mediation yang
error dikembangkan
sangat lemah. Kock (2014) untukdengan WrapPLS, penggabungan
pengembangan
software SmartPls versi 3 telah juga
antara size effect Cohen (1988) dengan standar error dikembangkan
menyediakan
untuk softwareanalisis
WrapPLS, effect size yang
SmartPls tidak
versi tersedia
3 telah pada versi SmartPls versi 2.
juga menyediakan
analisis effect size yang tidak tersedia pada versi SmartPls versi
Analsis effect size akan dapat memberikan informasi seberapa besar peran mediasi
2. Analsis effect size akan dapat memberikan informasi seberapa
besar
dalamperan mediasidukungan
memberikan dalam memberikan dukungan
pada statistical report pada statistical
penelitian.
report penelitian.
Gambar 6.9
Gambar 6.9
Inconsistence Mediation
Inconsistence Mediation
X C* Y
A*** B***
52
47
Type keempat dari mediasi adalah yang dinyataan sebagai nomediation,

Type keempat dari mediasi adalah yang dinyataan sebagai
disebabkan
nomediation, karena salahkarena
disebabkan satu dari salah
path A satu
dan Bdari
adalah tidakAsignifikan,
path dan B sehingga
adalah tidaktidak
mediasi signifikan, sehingga
dapat dipolakan, baikmediasi
melalui tidak dapat
software dipolakan,
maupun melalui perhitngan
baik melalui software maupun melalui perhitngan manual
manual berdasarkan
berdasarkan prosedur prosedur Sobel (1982).
Sobel (1982). (lhat Gambar
(lhat Gambar 6.10).
6.10).
Gambar 6.10
Gambar 6.10
No mediation exist
No mediation exist
X C*** Y
A*** ns
Gambar 6.10 menyajikan statistical sign yang sangat lemah,

Gambar oleh
dapat disebabkan 6.10 menyajikan
berbagai kendala, sign yang
statistical antara lain sangat lemah, dapat
pesoalan
reliabilitas dan validitas data yang masih belum cermat benar,
disebabkan oleh berbagai kendala, antara lain pesoalan reliabilitas dan validitas
sehingga instrumen penelitian tidak memberikan informasi
yang data
berkualitas.
yang masihMencermati
belum cermatkembali
benar, kuestioner adalah salah
sehingga instrumen penelitian tidak
satu cara yang dapat dilakukan, karena itu seringkali uji coba
memberikan informasi yang berkualitas. Mencermati kembali kuestioner adalah
kuestioner menjadi penting dilaksanakan sebelum kegiatan
penelitian dilaksanakan.
salah satu cara yang dapat dilakukan, karena itu seringkali uji coba kuestioner
Bootstrapping adalah pilihan lain dalam melakukan
menjadidengan
resampling penting memperbanyak
dilaksanakan sebelum kegiatan
sesusi penelitian
dengan dilaksanakan.
pilihan. Efront
(1989) merekomendasikan
Bootstrapping adalahmetode resampling
pilihan lain sebagai resampling
dalam melakukan upaya dengan
memperbanyak sample (resampling), meski juga peneliti wajib
memperbanyak
menyadari sesusi dengan SmartPLS
keterbatasannya. pilihan. Efront (1989)
yang merekomendasikan
dibanguin oleh metode
Ringle (1991) dan sejumlah software lainnya seperto WrapPLS (
resampling sebagai upaya memperbanyak sample (resampling), meski juga
Koock, 2014) maupun ,PLSGRAPH ( Chin, 1988) , serta AMOS
( Arbucle,
peneliti1984) telah menerapkan
wajib menyadari model
keterbatasannya. bootstrapping
SmartPLS dalam
yang dibanguin oleh Ringle
rangka mendapatan optimasi terbaik, meskipun AMOS masih
(1991) dan sejumlah software lainnya seperto WrapPLS ( Koock, 2014) maupun
48
53
model bootstrapping dalam rangka mendapatan optimasi terbaik, meskipun
AMOS masih menepatkan teknik bootstrapping sebagai opsi, tidak wajib seperti
pada Smartpls.
Percobaan yang menulis lakukan secara manual atas konsep bootstrapping
menepatkan teknik bootstrapping sebagai opsi, tidak wajib seperti
dari Efron dan Tashbrani (1992) membuktikan bahwa apabila peneliti belum
pada Smartpls.
mendapatkan Percobaan yang menulis
karakter paling lakukan
minimal dari secara
sampling manual
atau atas
karakter konsep
yang paling
bootstrapping dari Efron dan Tashbrani (1992) membuktikan bahwa
optimal, bahwapeneliti
apabila jumlah belum
minimalmendapatkan
masih belum karakter
mencerminkan kondisi
paling yang
minimal
dari sampling atau karakter yang paling optimal, bahwa jumlah
sebenarnya, maka ada kemungkinan putaran data sampling perbanyakannya
minimal masih belum mencerminkan kondisi yang sebenarnya,
beradamaka ada kemungkinan
di tingkat putaran
tengah, sehingga hasildata sampling
analisis perbanyakannya
menjadi bias dan tidak
berada di tingkat tengah, sehingga hasil analisis menjadi bias
bermanfaat. Gambar
dan tidak 6.11 menampilkan
bermanfaat. Gambarkasus
6.11 di mana bootstrapping
menampilkan kasus adalah
di manabias
bootstrapping adalah bias dan tidak bermanfaat sebagai informasi
dan tidak bermanfaat sebagai informasi sumber data.
sumber data.
Gambar
Gambar 6.11 6.11
Resampling Process ( Efront, 1992)
Resampling Process ( Efront, 1992)
Nila Maksimum
Nila minimum
3.3 Pengujian Mediasi
Pengolahan data dapat dilakukan secara manual, melalui

cara Sobel
3.3 Pengujian (1982), yang hanya mengaitkan nilai path dari A dan
Mediasi
B dengan standar error keduanya, melalui formulasi yang dikenal
sebagai formulasi
Pengolahan Sobel. Cara
data dapat dilakukanSobel lebihmanual,
secara banyakmelalui
bersifatcara
praktis,
Sobel
sederhana, lebih bersifat prediction. Sedangkan prosedur software
(1982),misalnya
yang hanya mengaitkan
melalui nilai (path
Wrappls dari2014)
Kock, A dantelah
B dengan standar error
diperhitungkan
adanya effect size power dalam mendapatkan prediksi mediasi,54
sehingga hasilnya menjadi berbeda dengan cara Sobel. Tingkat
akurasi tentu lebih banyak pada aspek yang memperhitungkan
49
effect size, atau pola two stages seperti yang dilakukan pada
SmartPls versi 3. Degan demikian, tedapat banyak alternatif bagi
peneliti untuk mendapatkan peran mediasi melalui metodologi
dengan asumsi tertentu.
Berikut ditampilkan model disertasi Kawiana yang
menemukan mediasi ganda pada studi spiritual leadership,
dipresentasikan dengan ijin yang bersangkutan, untuk dijadikan
sebagai rujukan model dalam memahami interaction effect dari
calling (M1) terhadap kinerja organisasi (Y2) melalui komitmen
organisasi (Y1). Pada bagian lain, terdapat konstruk membership
(M2) yang berpengaruh terhadap kinerja organisasi (Y2) melali
peran komitmen organisasi (Y1), maka keduanya merupakan
type mediasi yang perlu ditelusuri perannya terhadap kinerja
organisasi (Y2).
Gambar 6.12 menampilkan bagian khusus dari relasi
dengan komiten organisasi (Y2) ditempatkan sebagai pemediasi
calling (M1) dan membership (M2) dalam mempengaruhi kinerja
organisasi (Y1). Pada Gambar 6.12 dan Gambar 6.14 disertakan
contoh model mediasi dengan karakter partial mediation dan
karakter full mediation, keduanya ditentukan berdasarkan hasil
akhir pengolahan data dengan Smartpls versi 3.
Gambar 6.12
Uji Mediasi dengan SOBEL
Partial Mediation
Gambar 6.12
Uji Mediasi dengan SOBEL
Partial Mediation
Kinerja
organisasi
0.541
(Y2)
C
0.188
Keterpanggilan
(calling)
(M1)
0.269
0.233 B
A 0.102
0.090
Komitmen
Organisasi
(Y1)
Uji Mediasi Sobel (1982), Baron dan Kenny, 1986)

50 x 0.269 = 0.0623
Indirect effect : ( a x b ) = 0.233
Sobel test :
indirect effect  (a.b)  0.0623
(calling)
(M1)
0.269
0.233 B
A 0.102
0.090
Komitmen
Organisasi
(Y1)
Uji Mediasi Sobel (1982), Baron dan Kenny, 1986)

Indirect effect : ( a x b ) = 0.233 x 0.269 = 0.0623
Sobel test :
indirect effect  (a.b)  0.0623
Sobel  (a.SEb) 2  (b.SEa ) 2  0.033763
(a.b)  P-Values = 0.033

Z  1.856
Sobel
P-Values didapatkan dengan cara excel  +tdist(Z,sample,df).
Hasil perhitungan Sobel di atas bersumber dari Gambar 6.12

Hasil perhitungan Sobel di atas bersumber dari Gambar 6.12 dan Gambar
dan Gambar 6.13 yang memuat estimasi original sample ( nilai
path ) maupun
6.13 yang memuat standar
estimasi error dari
original path (pada
sample nilaijalur
pathA,) dan pathstandar
maupun pada error
jalur B. Ternyata hasil Sobel menunjukkan Z = 1.856, sedangkan
dengan
dari path perhitungan
pada jalur SmartPls
A, dan path versi
pada jalur B. 3Ternyata
didapatkanhasil T=Z= .2.154
Sobel menunjukkan
berdasarkan metode default two stages (lihat Gambar 6.14).
Z = 1.856, sedangkan dengan perhitungan SmartPls versi 3 didapatkan T=Z=
Gambar 6.13
.2.154 berdasarkan Path Coefficient
metode default two danstages
Signifikasi
(lihatStatistik
Gambar t 6.14).
Original
Std.Dev T Stats P Values Keterangan
Sample
Int. Effect: M1->Y1->Y2 0.267 0.124 2.154 0.016 Support
Int. Effect:M2->Y1->Y2 0.224 0.090 2.486 0.007 Support
M1 -> Y1 0.233 0.102 2.280 0.012 Support

M1 -> Y2 0.541 0.188 2.874 0.002 Support
M2 -> Y1 0.422 0.159 2.652 0.004 Support 56
M2 -> Y2 -0.099 0.120 0.827 0.205 Not Support
Y1 -> Y2 0.269 0.090 2.985 0.002 Support
51
M1 -> Y2 0.541 0.188 2.874 0.002 Support
M2 -> Y1 0.422 0.159 2.652 0.004 Support
M2 -> Y2 -0.099 0.120 0.827 0.205 Not Support
Y1 -> Y2 0.269 0.090 2.985 0.002 Support
Gambar 6.12 menyajikan temuan empirik dengan karakter partial

Gambar 6.12 menyajikan temuan empirik dengan karakter
partial mediation,
mediation, karena
karena mediasi mediasi
disertai dengandisertai dengan
direct effect dari direct
relasi effect
M1 kedariY2
relasi M1 ke Y2 adalah relasi yang signifikan ( Lihat Littlle, 2010),
adalah relasi yang signifikan ( Lihat Littlle, 2010), juga Hair at al (2010).
juga Hair at al (2010). Sedangkan pada Gambar 6.14 ditemukan
Sedangkan
fakta pada yang
mediasi Gambarberbeda,
6.14 ditemukan fakta mediasi
yaitu bahwa direct yang
effectberbeda,
dari M2 yaitu
ke
Y2 adalah
bahwa direct tidak
effect signifikan
dari M2 ke sehingga
Y2 adalah dapat dinyatakan
tidak signifikan mediasi
sehingga dapat
dengan type full mediation. Dinyatakan full median, berdasarkan
dinyatakan
fakta hasilmediasi
analisisdengan
tidaktype full mediation.
ditemukan jalur Dinyatakan
lain dari M2, full median,
hanya
kecuali melalui jalur komitmen organisasi ( lihat Hair et al,
berdasarkan fakta hasil analisis tidak ditemukan jalur lain dari M2, hanya kecuali
2010).
melalui jalur komitmen organisasi ( lihat Hair et al, 2010).
Gambar 6.14
Gambar 6.14
Full Mediation Membership – Komitmen – Kinerja Organisasi
Full Mediation Membership – Komitmen – Kinerja Organisasi
Komitmen
Organisasi
(Y1)
0.269
0.422
B
A
0.090
0.159t
-0.099
Keanggotaan Kinerja
C
(membership) organisasi
0.120
(M2) (Y2)
Kawiana mendapatkan model mediasi ganda, yang berbeda

karakter untuk peran komitmen organisasi sebagai pemediasi dari
57
calling (M1) dan membership (M2). memperkuat peran membership
mempengaruhi kinerja organisasi (Y2). Gambar 6.11 dan Gambar
6.13, keduanya mewakili karakter mediasi yang berbeda, yaitu
partial mediation ( M1 - Y1 - Y2) serta full mediation ( M2 – Y1
– Y2). Model disertasi selengkapnya dari Kawiana disajikan pada
Gambar 6.14.
52
Hierarchies Latent Model

SEM PLS
Lin et al (2005) mengembangkan model penelitian customer

perceived value dengan mempergunakan formative second order (lihat
Gambar 1.1) di mana perceived value ditempatkan sebagai first order
yang dikonstruksi oleh sub-dimension get_1, get_2, give_1 dan
give_2. Gambar 1.1 menyajikan hipotesis penelitian inti adalah
perceived value, satisfaction dan behavioral intention sebagai variabel
laten yang saling berkaitan, di mana satisfaction dan behavioral
intensions dipengaruhi oleh perceived values, sedangkan get_1,
get_2, give_1 dan give_2 adalah sub-construct atau sub-dimension
yang mengkonstruksikan perceived values, sehingga sub-dimension
bukan termasuk pada hipotesis inti, tetapi merupakan sub-
dimensi yang mengkonstruksikan perceived values.
Dengan demikian, model yang dikembangkan Lin et al (2005)
mencermati komponen yang membentuk konstruk perceived
values dinyatakan sebagai second orderlatent, dimana first order
latent adalah perceived values.
Gambar1.1
Gambar 1.1
Hierarchies
HierarchiesLatent
LatentModel
Model Perceived Value
Perceived Value
Lin et al (2005)
Lin et al (2005)
High Latent Model dewasa ini banyak dikembangkan dalam

rangka mendapatkan informasi lebih banyak tentang theoretical
High Latent Model dewasa ini banyak dikembangkan dalam rangka
mendapatkan informasi lebih banyak53tentang theoretical parsimony melalui
penelusuran subkelompok teori yang membentuknya (Edwards, 2001), MacKenzie
et al (2005). Edwards, 2001 menyatakan bahwa high order component bermanfaat

parsimony melalui penelusuran subkelompok teori yang

membentuknya (Edwards, 2001), MacKenzie et al (2005). Edwards,
2001 menyatakan bahwa high order component bermanfaat sebagai
theoretical utility, dalam hal ini konstruk yang bersifat lebih umum
dapat lebih didukung oleh dimensi spesifik yang membentuknya
( kasus formative) atau dimensi spesifik yang merefleksikannya
(kasus reflective), sehingga dapat ditelusuri secara lebih mendetail
melalui pengembangan sub-dimensi yang lebih spesifik untuk
menjelaskan karakter sebuah konstruk yang bersifat umum
(Wetzels et al, 2009), Lin et al (2005) sertaAnders dan Johnson,
2004. Berdasarkan Gambar 1.1, Lin et al (2005) memperluas model
value (formatif dengan
direct effect), menyertakan
serta re-patronage
pengaruh perceived value sebagai
terhadapkonstruk
re-patronage melalui
tujuan akhir yang dipengaruhi oleh satisfaction dan perceived value
( direct effect),
peran mediasi serta pengaruh
satisfaction perceived
(lihat Gambar 1.2)value terhadap re-patronage
melalui peran mediasi satisfaction (lihat Gambar 1.2)
Gambar 1.2
Hierarchies Latent ModelGambarPerceived
1.2 Value – Formative
Hierarchies Latent Model Perceived Value – Formative
Lin et al (2005)
Lin et al (2005)
Model yang tersaji padaGambar 1.2 juga dapat ditentukan

54 karakter reflective, seperti tersajikan pada
sebagaihierarchies latent model dengan
Gambar 1.3. Menetapkan model formative atau reflective akan sangat tergantung
kepada landasan teori yang melatar-belakanginya. Sebuah model dinyatakan

Model yang tersaji padaGambar 1.2 juga dapat ditentukan

sebagaihierarchies latent model dengan karakter reflective, seperti
tersajikan pada Gambar 1.3. Menetapkan model formative atau
reflective akan sangat tergantung kepada landasan teori yang
melatar-belakanginya. Sebuah model dinyatakan formative
atau reflectiveakan ditentukan berdasarkan variabel laten
yang dipergunakan. Diamantopoluos dan Winkhover (2001)
menyatakan bahwa sebuah konstruk dinyatakan formative apabila
konstruk dibangun berdasarkan informasi data bersifat terindek,
atau memiliki dimensi dengan nuansa bilangan ( Hair, 2010).
Gambar 1.2 dan Gambar 1.3 menyajikan model studi dari Lin et
al (2005) yang memberikan ruang kepada peneliti untuk memilih
relasi second order yang mewakili relasi formative ( Gambar 1.2)
atau relasi reflective ( Gambar 1.3).
Gambar 1.3
Hierarchies Latent Model Perceived
Gambar 1.3 Value – Reflective
Hierarchies Latent Model Perceived Value – Reflective
Lin et al (2005)
Lin et al (2005)
55
Hierarchies latent model memiliki sub-dimensi dengan konstruk yang
berbeda, sehingga perlu dipahami definisi atas tingkatan ( hierarki ) dari model yang
Hierarchies latent model memiliki sub-dimensi dengan

konstruk yang berbeda, sehingga perlu dipahami definisi atas
tingkatan ( hierarki ) dari model yang bersangkutan. Sejauh yang
dapat dipantau dari publikasi jurnal internasional sampai saat
ini, pembahasan hierarchies latent model dari aplikasi model SEM
PLS pada tingkatan dari second order sampai dengan maksimal
third order latent model.
Gambar 1.4
Hierarchies Latent – Second order Model
Sumber
Sumber::Becker
Beckeretetalal(2012)
(2012)
Gambar 1.4 menyajikan model second order SEM PLS dimulai dari konstruk
Gambar 1.4 menyajikan model second order SEM PLS dimulai
– dimensi – indikator,
dari konstruk yang dapat
– dimensi ditentukan posisi
– indikator, yangdimensinya mulai dari kiri.
dapat ditentukan Pada
posisi
dimensinya
Gambar mulai
1.4, model dari kiri.
dinyatakan Pada dengan
reflective Gambarsifat1.4, modeldari
hubungan dinyatakan
dimensi ke
reflective dengan sifat hubungan dari dimensi ke konstruk adalah
konstruk adalah reflective, sehingga dinyatakan sebagai tipe model reflective –
reflective, sehingga dinyatakan sebagai tipe model reflective –
reflective.
reflective. Pada
Pada Gambar
Gambar 1.4b,dinyatakan
1.4b, model model dinyatakan formative
formative dengan dengan
relasi dari dimensi
relasi dari dimensi ke konstruk berkarakter reflective.
ke konstruk berkarakter reflective.
Gambar 1.5
56
Gambar 1.5
Sumber
Sumber : Becker
: Becker et al (2012).
et al (2012).
Pada model third order, indikator berada pada posisi tingkat ketiga dari
Pada model third order, indikator berada pada posisi tingkat
ketiga dari
konstruk, konstruk,
sehingga sehingga
dapat dipolakan dapat
relasi hierarkidipolakan
dimulai dari relasi
primaryhierarki
construt –
dimulai dari primary construt – primary dimension – Sub-dimension
primary dimension – Sub-dimension dan indicator (lihat Gambar 1.5).
dan indicator (lihat Gambar 1.5). Memperhatikan definisi dan
perbedaan
Memperhatikantingkatan
definisi dimensi dari tingkatan
dan perbedaan Gambar dimensi
1.4, Gambar 1.5 dan
dari Gambar 1.4,
perbedaan dalam hierarki pada Gambar 1.6 menjadi penting,
Gambar 1.5 dan perbedaan dalam hierarki pada Gambar 1.6 menjadi penting,
karena mengaburkan pola tingkatan dapat menyebabkan
karena mengaburkan
kekeliruan pola tingkatan
arah dalam dapat menyebabkan
penyelesaian tahapan data kekeliruan arah dalam
processing.
Pengembangan
penyelesaian hierarchies latent model tidak sekadar
tahapan data processing.
membariskan angka untuk disusun dan dhitung berdasarkan
prosedur Pengembangan hierarchies
metode statistik yanglatent model tidak
tersedia, sekadar
tetapi bahwamembariskan
kebutuhanangka
untuk disusun dan second

pengembangan dhitung order
berdasarkan third order
atau prosedur seharusnya
metode dimulai
statistik yang tersedia,
dari theoretical building, yaitu apakah model teori memerlukan
tetapi bahwa sub-dimensi,
penjelasan kebutuhan pengembangan order atau third menjadi
secondmempolakan
serta apakah order seharusnya
sub-
dimensi dapat menjawab kedalaman studi dan analisis
dimulai dari theoretical building, yaitu apakah model teori memerlukan untuk
penjelasan sub-dimensi, serta apakah mempolakan menjadi sub-dimensi dapat

57
63
menjawab kedalaman studi dan analisis untuk menghasilkan relasi antardimensi

menghasilkan relasi antardimensi yang lebih riel perception, atau
yang lebih riel perception, atau dapat menghasilkan alternatif metode pendekatan
dapat menghasilkan alternatif metode pendekatan statistik
dengan lebih lebih
statistik dengan validvalid
dandan
akurat.
akurat.
Gambar
Gambar 1.6
Hierarchies
HierarchiesLatent
Latent – Third
Third Order
OrderModel
Model
Construct X1
Primary X1.1 Primary

X1.2
Primary
X1.3
Dimension Dimension Dimension
X1.11 X1.12 X1.21 X1.22 X1.31 X1.32
X1.111 X1.112 X1.121 X1.122 X1.211 X1.212 X1.221 X1.222 X1.311 X13.12 X1.321 X1.322
Sub-dimension Sub-dimension Sub-dimension Sub-dimension Sub-dimension Sub-dimension

Indikator Indikator Indikator Indikator Indikator Indikator
Sumber : Wetzel
Sumber et al
: Wetzel et ,al2009)
, 2009)
High Latent Model dewasa ini dikembangkan dengan

High Latent
tujuan Model mendapatkan
untuk dewasa ini dikembangkan
informasidengan tujuan
lebih untuk mendapatkan
banyak tentang
theoretical
informasi lebih parsimony melaluitheoretical
banyak tentang penelusuran subkelompokteori
parsimony yang
melalui penelusuran
membentuknya( Edwards, 2001), MacKenzie et al (2005). Nilai
subkelompokteori
tambah yang yang membentuknya(
dapat diperoleh Edwards, 2001),melalui
peneliti MacKenzie et al (2005). Nilai
pengembangan
tambahhierarchies
yang dapatlatent model
diperoleh adalah
peneliti bahwa
melalui high order component
pengembangan menjadi
hierarchies latent model
sangat berguna sebagai theoretical utility, di mana konstruk yang
adalah bersifat
bahwa high
lebih
ordergeneral
component menjadi
dapat sangat berguna
diperjelas sebagai
melalui pengembangan
theoretical utility,
di manasub-dimensi dari konstruk

konstruk yang bersifat lebih generalyang bersifatmelalui
dapat diperjelas umum tersebut sub-
pengembangan (
Edwards, 2001).
dimensi dari Parasuraman
konstruk yang bersifat umum tersebut
et al (1988) ( Edwards, 2001).
mengembangkan model penelitian
tentang persepsi kualitas pelayanan yang dipengaruhi oleh
64
58
daya resposif, daya tanggap, empati dan seterusnya. Model

Parasuraman et al (1988) mengembangkan model penelitian tentang persepsi
yag dikembangkan oleh Parasuraman et al ( 1988) kemudian
kualitas pelayanan yang dipengaruhi oleh daya resposif, daya tanggap, empati dan
diperluas oleh Boakya (2013) melalui karya tulis di Univesity of
seterusnya. Model yag dikembangkan oleh Parasuraman et al ( 1988) kemudian diperluas
Texas, dengan penjabaran hierarchies latent model sebagaimana
ditunjukkan pada Gambar 1.8.
oleh Boakya (2013) melalui karya tulis di Univesity of Texas, dengan penjabaran
hierarchies latent model sebagaimana ditunjukkan pada Gambar 1.8.

Gambar
Gambar 1.7 1.7
Theoretical Building
Theoretical Perceived
Building Perceived Value
Value Quality
Quality
Perceived
Reability Quality
Responsiveness Perceived
Empathy Service
Assurance Quality
Tangible Expected
Quality
Sumber : Parasuraman et al (1988)

Sumber : Parasuraman et al (1988)
Gambar
Gambar 1.8 1.8
A RELATIONSHIP-BASED
A RELATIONSHIP-BASED CROSS
CROSS NATIONAL NATIONAL
CUSTOMER CUSTOMER DECISION-
DECISION-MAKING
MODELMODEL
MAKING IN THE SERVICE
IN THE INDUSTRY
SERVICE INDUSTRY
Kwabena G. Boakye,
Kwabena 2013 2013
G. Boakye,
(UNIVERSITY OF NORTH
(UNIVERSITY OF NORTHTEXAS)
TEXAS)
65
59
KASUS 5
Aplikasi Model Second Order Collaboration
Indo Kirono, FEB UB, 2016
Collaboration(X1)
didefinisikan sebagai strategi kooperatif dari para partner
dalam rantai pasok yang bekerja sama melintasi batas-batas
organisasi untuk membangun dan mengelola proses penambahan
nilai yang unik untuk memenuhi kebutuhan pelanggan.
Kolaborasi akan diukur dengan network quality, trustdan
partnership sebagai second order latent. Konstruk dan dimensi
pengukuran collaborationmelalui second order construct ( netrowk
quality, trust dan partnership )disajikan pada Gambar 1.9, Gambar
1.10 dan Gambar 1.11
Gambar 1.9
Konstruk dan Dimensi Network Quality
Second Order Construct (Y2.1)
Pengembangan inovasi produk untuk partner bisnis Y2.11
pengembangan network padaperusahaan lain Y2.12
Sigala, 2004
Saxena (2005 pengembangan network membangun pelanggan. Y2.13
Noselit&Faria (2013
marketing information sharing untuk partner Y2.14
kegiatan resources development untuk partner Y2.15
Gambar 1.10
Konstruk dan Dimensi Trust
Second Order Construct (Y2.2)
komponen yang membentuk penguatan komitmen Y2.21
Ansell dan Gash (2007).
Ganesan (1994) determinan yang membentuk hubungan baik Y2.22
Gray dan Stites, 2013
Moorman et al, 1993 Mempertahankan relasi dalam jangka panjang, Y2.23
Emmer, 1993
Sikap reliable mendahulukan kepentingan organisasi Y2.24
60
Gambar 1.11
Konstruk dan Dimensi Partnership
Second Order Construct ( Y2.3)
Memfasilitasi kerja sama antar partner X1.31
( Koschmann et al (2012), Menyatukan kemampuan sumberdaya partner X1.32
Seitanidi (2012),
Gray &Stities (2013). Kesepakatan mencapai target profit tertentu X1.33
Tindakan membuat konsensus bersama X1.34
APLIKASI MODEL SECOND ORDER

Sumber data yang kita rujuk dari aplikasi model second order
berasal dari Indro Kirono ( S3 Manajemen Sumber Daya, FEB
UB, 2016) , Candra Dewi ( S3 Manajemen Strategi Marketing ,
FEB Unud, 2016), Putu Gede Kawiana ( Manajemen Sumbe Daya
Spiritual Leadership, FEB Unud, 2016), beserta model disertasi
yang mereka
APLIKASI kembangkan,
MODEL SECOND telah ORDER
diperoleh untuk disajikan
Sumber data yang kita rujuk dari aplikasi
sebagai bahasan model dan data atas ijin second model yang order berasal dari
bersangkutan.
Indro Kirono ( S3 Manajemen Sumber Daya, FEB UB, 2016) , Candra Dewi ( S3
Manajemen Strategi Marketing , FEB Unud, 2016), Putu Gede Kawiana (
Manajemen Sumbe Daya Spiritual Leadership, FEB Unud, 2016), beserta model
ANALISIS LOGISTICS PERFORMANCE MELALUI
disertasi yang mereka kembangkan, telah diperoleh untuk disajikan sebagai
COLLABORATION
bahasan model dan data atas ijinSTRATEGY
yang bersangkutan. DANINFORMATION
SHARING DENGAN LOGISTICS CAPABILITY
ANALISIS LOGISTICS PERFORMANCE MELALUI
SEBAGAI VARIABEL
COLLABORATION STRATEGYMEDIATOR
DANINFORMATION SHARING DENGAN
LOGISTICS CAPABILITY SEBAGAI VARIABEL MEDIATOR
Gambar 1.12
Gambar 1.12
ModelModel
Second Second
Order Collaboration
Order Collaboration
Indro Kirono,
IndroFEB UB, 2016
Kirono, FEB UB, 2016
Network
Trust
Quality
(X1.2)
(X1.1)
Collaboration
(X1)
H3
H1
Partnership
(X1.3)
Logistic
Capabilities
H6 (Y1)
H4 Performance
(Y2)
H2
H5
Information
Sharing
(X2)
Hipotesis inti adalah H1,H2 sampai dengan H6.61

Variabel laten X1, X2, Y1, dan Y2 adalah
konstruk yang juga dapat disebut primary dimension, sedangkan network quality (X1.1),
trust (X1.2) serta partnership (X1.3) dinyatakan sebagai sub-dimension ( Lin et al, 2005),
Wetzel et al (2009).
Hipotesis inti adalah H1,H2 sampai dengan H6. Variabel

laten X1, X2, Y1, dan Y2 adalah konstruk yang juga dapat disebut
primary dimension, sedangkan network quality (X1.1), trust (X1.2)
serta partnership (X1.3) dinyatakan sebagai sub-dimension ( Lin et
al, 2005), Wetzel et al (2009).
Kita membahas software Smartpls versi 3 sebagaimana tampak
pada Gambar 1.13 yang menyajikan tampak depan dari software
Smartpls versi 3 sebagai versi terbaru yang jauh lebih lengkap
dari versi 2 sebelumnya.
Gambar 1.13 1.13

Gambar
Tampak Depan
Tampak DepanWindow
Window Sheet Smartpls
Sheet versiversi
Smartpls 3 3

Software
SoftwareSmartpls
Smartpls versi
versi 33tersedia
tersedia pada
pada CDROM,
CDROM, yangdiinstall
yang dapat dapat
diinstall secara gratis pada masa pemakaian tak terbatas untuk
secara gratis pada masa pemakaian tak terbatas untuk versi student, dan
versi student, dan pemakaian 1 bulan untuk versi professional.
Pada CDRM
pemakaian juga tersedia
1 bulan dataindro.csv,
untuk versi kwx.csv
professional. Pada CDRM serta cndrfnl.
juga tersedia
csv, ketiganya adalah hasil penelitian lapangan melalui
dataindro.csv, kwx.csv serta cndrfnl.csv, ketiganya adalah hasil penelitian
pengembangan instrumen daftar pertanyaan.
Prosedur
lapangan pengolahan instrumen
melalui pengembangan data disampaikan melalui workshop
daftar pertanyaan.
ini dengan
Prosedursangat mudah,
pengolahan karena kelebihan
data disampaikan dari ini
melalui workshop Smartpls
dengan
sebagaimana diakui banyak pengguna, adalah easy to use, hanya
sangat mudah,
setiap pesertakarena kelebihan
jangan lupadari Smartpls sebagaimana
mengaktifkan internetdiakui banyak
terelebih
dahulu
pengguna,ketika awalto melakukan
adalah easy install,
use, hanya setiap untuk
peserta janganseterusnya tidak
lupa mengaktifkan
internet terelebih dahulu ketika awal melakukan install, untuk seterusnya tidak
62 praktik pengolahan data berikutnya.
lagi diperlukan fasilitas internet dalam
Berikut disampaikan tahap pengolahan data dataindro.csv sebagai sampel
pembahasan.
lagi diperlukan fasilitas internet dalam praktik pengolahan

data berikutnya. Berikut disampaikan tahap pengolahan data
dataindro.csv sebagai sampel pembahasan.
Kita telah membahas model karya tulis Indro Kirono di awal
pembahasan, berikut kita fokuskan kepada model second order
collaboration yang dikonstruk oleh sub-dimensi partnership, trust
dan network quality. Kita akan mencari perbandingan, apakah
model second order lebih baik atau model yang harus direvisi
kembali menjadi first order dengan rancangan teori baru. Pertama,
pengujian kriteria statistik akan menjadi guide-line bagi kita
untuk menilai apakah second order model dapat dipercaya sebagai
informasi yang memiliki kualitas atau sebaliknya. Pendekatan
second order versi Wetzel (2009), Ringle et al (2014) adalah model
pendekatan repeat indicator, sedangkan pada model covariance-
based ( AMOS, LISREL) didefinisikan sebagai set variance to 1.
Bahwa repeat indikator akan menghilangkan informasi atas
perlakukan pada second order menjadikan banyak informasi
hilang ketika first order diturunkan, tidak tersedia pustaka yang
dapat dirujuk untuk mendukung pernyataan tersebut di atas. Hal
terpenting yang harus disadari peneliti adalah bahwa rancanan
penelitian yang telah dibangun pada first order tidak serta merta
dapat diturunkan menjadi second order, karena the first order adalah
dimensi yang hanya relevan dengan instrumen yang terbentuk
dari sumber teorinya. Ketika model diturunkan menjadi second
order, maka teori pembentukan the first order dapat diabaikan,
untuk kemudian peneliti masuk di sub-dimensi dan mendapatan
konstruksi teori yang membentuk sub-dimensi tersebut.
Prosedur kedua yang banyak diabaikan peneliti adalah
bahwa repeat indicator adalah berbentuk formative, bahwa apabila
repeat indikator ditempatkan sebagai konstruk yang reflective,
maka penelitian ini membuktikan adanya poor statistical sign,
sehingga model second order dengan membiarkan primary
construct (collaboration) berkarakter reflective ( panah bergerak
dari konstruk ke indikator), maka memang benar terbukti ada
63
temuan pelemahan uji statistik, sehingga terdapatnya banyak

infomasi yang hilang dapat dibenarkan melalui aplikasi sumber
data dari Indro Kirono, 2016.
Prosedur merefleksikan dan membentuk konstruk adalah
dua hal yang berbeda, bahwa merefleksikan akan menjadi
persoalan tersendiri dari model repeat indicator, karena arah
pegerakan dimensi bersumber dari karakter yang sama. Ketika
sub-dimensi kita polakan pada tanda panah yang bergerak
dari indikator ke konstruk pada model repeat indicator, maka
terlebih dahulu indikator yang dipergunakan oleh primary
construct yang bersumber dari ketiga sub-dimensi partnership,
network dan trust akan membentuk data latent terlebih dahulu,
untuk kemudian direlasikan dengan sub-dimensi masing-
masing untuk mendapatkan loading factor sebaai pijakan untuk
mendapatkan estimasi sebagai berapa konstribusi dari teori
yang mengkonstruksi sub-dimensi terhadap primary construct
collaboration (X1).
Peneliti dapat memilih model relasi yang refective dari
hubungan sub-dimensi ke primary contruct collaboration atau
memilih jalan relasi formative ke primay constructcollaboration
(lihat Lin et al (2005), Pasrasuraman et al (1988) serta Wetzel et al
(2009).
Ketika peneliti memilih model relasi reflective, maka konstribusi
dimensi dapat diartikan bahwa primary construct collaboration
merefleksikan sub-dimensi yang berada pada substruktur model,
atau apabila peneliti memilih model formative yang merelasikan
antara sub-dimensi dengan primary construct collaboration, maka
kesimpulan atas relasi tersebut menjadi berbeda. Bahwa pada
model relasi formative, sub-dimensi berfungsi sebagai pembentuk
primary construct. Apabila tanda panah diubah pada relasi yang
berbeda yang menghubungkan antara sub-dimensi dengan
primary construct, maka konsekuensinya, hasil uji statistik akan
menampilkan hasil analisis inner-model yang berbeda.
64
menghubungkan antara sub-dimensi dengan primary construct, maka
konsekuensinya, hasil uji statistik akan menampilkan hasil analisis inner-model
yang berbeda.
Perbedaan dalam perlakuan tanda panah, menghasilan analisis statistik

Perbedaan dalam perlakuan tanda panah, menghasilan
yang berbeda. Peneliti dapat mempertimbangkan pendekatan teori yang
analisis statistik yang berbeda. Peneliti dapat mempertimbangkan
pendekatan
dipergunakan teori
sebagaiyang
rujukandipergunakan sebagai
yang semula dimodelkan rujukan
sebagai rancangyang
bangun
semula dimodelkan sebagai rancang bangun dalam merumuskan
dalam merumuskan hipotesis, atau dapat mempertimbangkan dalam batas-batas
hipotesis, atau dapat mempertimbangkan dalam batas-batas
tertentu berpedoman
tertentu berpedoman kepada
kepada kualitas kualitas informasi
informasi statistik statistik dari
yang didapatkan yanghasil
didapatkan dari hasil pengolahan data, karena aspek eksploratif
pengolahan data, karena aspek eksploratif juga menjadi pertimbangan untuk
juga menjadi pertimbangan untuk disertakan dalam rangka
disertakan dalam
mendapatkan rangka
model mendapatkan
terbaik yang dapatmodeldipercaya
terbaik yang dapat guide-
sebagai dipercaya
line dalam proses pengambilan keputusan.
sebagai guide-line dalam proses pengambilan keputusan.
Gambar
Gambar 1.14 1.14
Hasil
Hasil Analisis
Analisis Bootstrapping
Bootstrapping First First
OrderOrder
IndroIndro Kirono,
Kirono, FEB-UBFEB-UB
20162016
Gambar 1.15Gambar 1.16

Fornel-Larcker criterion Heterotrait-monotrait ratio
72
X1 X2 Y1 Y2 X1 X2 Y1 Y2
X1 0.752 X1
X2 0.305 0.780 X2 0.388
Y1 0.500 0.540 0.670 Y1 0.486 0.644
Y2 0.432 0.563 0.716 0.766 Y2 0.417 0.645 0.868
valid discriminant valid disciminant
65
Gambar 1.17
Cross-loading Konstruk Penelitian
X1 X2 Y1 Y2
X1.11 0.797 0.203 0.216 0.181
X1.12 0.787 0.104 0.183 0.097
X1.13 0.826 0.146 0.318 0.241
X1.14 0.817 0.204 0.276 0.261
X1.21 0.815 0.144 0.371 0.388
X1.22 0.756 0.065 0.340 0.339
X1.23 0.896 0.246 0.367 0.334
X1.24 0.738 0.104 0.156 0.200
X1.31 0.688 0.268 0.196 0.241
X1.32 0.686 0.225 0.215 0.250
X1.33 0.566 0.325 0.435 0.266
X1.34 0.576 0.383 0.671 0.520
X2.1 0.362 0.797 0.339 0.335

X2.2 0.154 0.869 0.519 0.579
X2.3 0.230 0.897 0.426 0.450
X2.4 0.340 0.920 0.544 0.530
X2.5 0.107 -0.038 0.038 0.082
Y1.1 0.476 0.632 0.775 0.591
Y1.2 0.517 0.389 0.859 0.556
Y1.3 0.205 0.263 0.739 0.490
Y1.4 0.199 0.190 0.597 0.463
Y1.5 0.024 -0.138 0.072 -0.099
Y2.1 0.260 0.409 0.410 0.687
Y2.2 0.292 0.371 0.547 0.784
Y2.3 0.399 0.461 0.401 0.761
Y2.4 0.487 0.377 0.602 0.761
Y2.5 0.366 0.434 0.534 0.827
Y2.6 0.190 0.522 0.724 0.769
valid discriminant
Gambar 1.18
Hasil Analisis Uji Statistik Path Bootstrapping
First Order Latent Model
Original Sample Standard
T
Sample Mean Deviation P Values Keterangan
Statistics
(O) (M) (STDEV)
X1 -> Y1 0.221 0.237 0.122 1.807 0.036 Support
X1 -> Y2 0.288 0.308 0.101 2.862 0.002 Support
X2 -> Y1 0.181 0.172 0.149 1.210 0.114 NOT Support
X2 -> Y2 0.475 0.491 0.101 4.711 0.000 Support
Y2 -> Y1 0.519 0.511 0.153 3.399 0.000 Support
66
Gambar 1.14 bersumber dari pengolahan data dataindro.

csv yang sebelumnya bersumber dari dataindro.xcl. Kita
mengsumsikan semua sub-dimensi dipolakan pada primary
construct collaboration, meski untuk primary construct perlu
dirancang instrumen khusus yang akan berbeda dengan sub-
dimensi. Namun, bisa saja bahwa komponen partnership, trust
dan network termanifestasikan sebagai indikator yang tersebar
pada primary construct tidak pada pengelompokkan, melainkan
sebagai sebaran indikator yang random
Gambar 1.15 menunjukkan valid discriminant karena nilai
AVE dari masing-masing konstruk secara diagonal masih berada
di atas sebaran nilai cross-correlation konstruk yang bersangkutan.
Analisis heterotrait-monotrait menunjukkan bahwa sebaran
nilai HMT masih dibawah 0.85, kecuali konstruk Y1. Karena
hanya satu dari enam relasi menunjukkan nilai diatas 0.85,
maka instrumen penelitian dapat dinyatakan valid discriminant
( Henseler et al (2015). Kesimpulan kita bahwa secara statistik
penggunaan first order model melalui pemetaan instrumen
sub-dimensi adalah layak untuk dipertimbangkan, meskipun
kelemahannya adalah bahwa peneliti tidak memiliki peluang
untuk melakukan theoretical testimony tentang peran sub-dimension
dalam memberikan kontribusi kepada collaboration. Gambar 1.19
menyajikan statistical report berdasarkan pengembangan studi
second order latent model, dengan memberlakukan collaboration
sebagai the primary construct.
67
Gambar 1.19
Gambar
Hasil Analisis Bootstrapping 1.19Order
First
Hasil Analisis Bootstrapping
Indro Kirono, FEB-UB 2016 First Order
Indro Kirono, FEB-UB 2016
Gambar 1.20 Gambar 1.20

Fornel-Larckercriterion
Fornel-Larcker criterion
X1 X1X1.1 X1.1X1.2X1.2 X1.3X1.3 X2 Y1Y1 Y2 Y2
X1.1 0.437 0.911
X1.1 0.437
X1.2 0.9110.872
0.634 0.865
X1.2 X1.3
0.634 0.907
0.8720.5620.865
0.621 0.728
X2 0.386 0.183 0.169 0.425 0.780
X1.3 Y10.907 0.5620.2780.621
0.686 0.364 0.728
0.577 0.526 0.674

X2 Y20.386 0.618
0.1830.2260.169
0.372 0.425
0.469 0.562
0.780 0.705
0.766

Y1 0.686 0.278 0.364 0.577 0.526 0.674
Gambar 1.21
Y2 0.618 0.226 0.372 0.469 0.562
Heterotrait-monotrait ratio 0.705 0.766
X1.1 X1.2 X1.3

Gambar 1.21 X2 Y1
X1.1 Heterotrait-monotrait ratio
X1.2 0.957
X1.3 X1.1
0.739 X1.2
0.825 X1.3 X2 Y1
X1.1X2 0.324 0.273 0.547

Y1 0.301 0.426 0.726 0.644
X1.2Y2 0.957
0.250 0.423
0.557 0.645 0.868
X1.3 0.739 0.825
X2 0.324 0.273 0.547
Y1 0.301 0.426 0.726 0.644
Y2 0.250 0.423 0.557 0.645 0.868
75
68
Gambar 1.22
Second Order Collaboration
X1 X1.1 X1.2 X1.3 X2 Y1 Y2
X1.11 0.349 0.930 0.791 0.477 0.202 0.211 0.182
X1.11 0.349 0.930 0.791 0.477 0.202 0.211 0.182
X1.12 0.309 0.910 0.799 0.465 0.103 0.176 0.097
X1.12 0.309 0.910 0.799 0.465 0.103 0.176 0.097
X1.13 0.456 0.903 0.797 0.546 0.146 0.315 0.243
X1.13 0.456 0.903 0.797 0.546 0.146 0.315 0.243
X1.14 0.439 0.900 0.788 0.534 0.203 0.276 0.263
X1.14 0.439 0.900 0.788 0.534 0.203 0.276 0.263
X1.21 0.540 0.823 0.877 0.464 0.143 0.369 0.390
X1.21 0.540 0.823 0.877 0.464 0.143 0.369 0.390
X1.22 0.532 0.703 0.864 0.440 0.064 0.337 0.342
X1.22 0.532 0.703 0.864 0.440 0.064 0.337 0.342
X1.23 0.653 0.787 0.914 0.687 0.246 0.369 0.336
X1.23 0.653 0.787 0.914 0.687 0.246 0.369 0.336
X1.24 0.437 0.705 0.803 0.539 0.103 0.148 0.201
X1.24 0.437 0.705 0.803 0.539 0.103 0.148 0.201
X1.31 0.498 0.617 0.633 0.663 0.268 0.188 0.242
X1.31 0.498 0.617 0.633 0.663 0.268 0.188 0.242
X1.32 0.513 0.611 0.635 0.667 0.224 0.208 0.250
X1.32 0.513 0.611 0.635 0.667 0.224 0.208 0.250
X1.33 0.657 0.323 0.329 0.793 0.325 0.436 0.267
X1.33 0.657 0.323 0.329 0.793 0.325 0.436 0.267
X1.34 0.868 0.251 0.351 0.780 0.384 0.682 0.522
X1.34 0.868 0.251 0.351 0.780 0.384 0.682 0.522
X2.1 0.297 0.306 0.285 0.382 0.796 0.324 0.334
X2.2 0.407 -0.040 0.003 0.383 0.870 0.513 0.579
X2.3 0.246 0.183 0.131 0.294 0.896 0.405 0.449
X2.4 0.375 0.230 0.206 0.430 0.920 0.533 0.528
X2.5 -0.076 0.247 0.168 -0.092 -0.039 0.034 0.082
Y1.1 0.577 0.331 0.305 0.570 0.632 0.763 0.591
Y1.2 0.666 0.289 0.422 0.553 0.390 0.870 0.556
Y1.3 0.362 0.064 0.151 0.240 0.263 0.741 0.490
Y1.4 0.379 0.059 0.139 0.263 0.190 0.605 0.461
Y1.5 0.143 -0.037 -0.046 0.084 -0.137 0.129 -0.100
Y2.1 0.432 0.119 0.213 0.295 0.410 0.398 0.688
Y2.2 0.448 0.139 0.220 0.342 0.371 0.536 0.784
Y2.3 0.497 0.228 0.358 0.444 0.461 0.388 0.761
Y2.4 0.622 0.281 0.446 0.475 0.378 0.600 0.765
Y2.5 0.465 0.225 0.353 0.345 0.434 0.522 0.826
Y2.6 0.370 0.052 0.120 0.257 0.523 0.723 0.765
69
Prosedur pengujian outer-model uji validitas Fornell-Larcker

menunjukkan nilai AVE diperbandingkan secara diagonal
dengan konstruk masing-masing ternyata lebih benar dari cross-
correlation darikonstruk yang bersangkutan, sehingga kapasitas
konsruk yang bersangkutan (nilai AVE) masih lebih besar
dibandingkan dengan korelasi kontruk bersangkutan terhadap
konstruk lainnya, kecuali konstruk konstruk X1.2 dengan nilai
AVE yang masih lebih kecil dibandingkan dengan nilai cross-
correlationnya pada X1.1 sebesar 0.872, serta nilai AVE sebesar
0.674 masih lebih kecil dari nilai cross correlation Y1 –Y2 sebesar
0.705. Meskipun demikian, karena sebagian besar dari konstruk
menunjukkan sebaran cross-correlation lebih kecil, selain dari
konstruk X1.2 dan Y1, maka disimpulkan bahwa instrument
penelitian adalah valid discriminant.
Prosedur uji HMR pada Gambar 1.21 mendapatkan hanya
satu relasi yang memiliki nilai lebih besar dari 0.85, sehingga
instrumen adalah valid discriminant (Henseler et al , 2015).
Berdasarkan cross-loading yang disajikan pada Gambar 1.22
menunjukkan korelasi atas diri sendiri dari konstruk yang
bersangkutan lebih kuat dibandingan dengan korelasi yang
dibangun terhadap konstruklaon ( cross-correlation), sehingga
instrument pendukung penelitian adalah valid discriminant.
Hasil analisis signifikansi antar relasi konstruk disajikan pada
Gambar 1.23.
Gambar 1.23
Hasil Analisis Uji Signifikansi Antar Relasi
Standard
Original Sample T P
Deviation Keterangan
Sample (O) Mean (M) Statistics Values
(STDEV)
X1 -> Y1 0.395 0.497 0.133 2.970 0.002 Support
X1 -> Y2 0.471 0.552 0.119 3.974 0.000 Support
X1.1 -> X1 -0.553 -0.488 0.316 1.749 0.040 Second Order
X1.2 -> X1 0.586 0.566 0.351 1.667 0.048 Second Order
X1.3 -> X1 0.853 0.786 0.191 4.469 0.000 Second Order
X2 -> Y1 0.168 0.149 0.114 1.468 0.071 NOT Support
X2 -> Y2 0.381 0.331 0.122 3.109 0.001 Support
Y2 -> Y1 0.366 0.282 0.144 2.542 0.006 Support
70
Berdasarkan lima hipotesis yang dirumuskan, dapat dijawab

sebanyak empat hipotesis, satu hipotesis tidak signifikan.
Berdasarkan Gambar 1.18 yang menyajikan uji signifikansi
berdasarkan metode first order latent, didapatkan hal yang sama
dengan penggunaan metode second order latent yang tersajikan
pada Gambar 1.24.

Repeat Indicator Berbasis Reflective Indicator
Hierarchies Latent Model
Ketika model yang sama dioperasikan, tetapi dengan

mengulang searah dari indikator sub-dimensi dipolakan
pada primary construct collaboration, hasil pengolahan data ini
membuktikan telah terjadinya informasi yang hilang atau paling
sedikit dapat dinyatakan telah terjadi penurunan kualitas uji
statistik ( poor statistical test), antara lain berupa menurunnya
nilai statistik yang didapatkan, sehingga model reflective yang
dipolakan pada primary construct dinyatakan sebagai repeat
indicator yang menjadi penyebab terjadinya penurunan kualitas
uji statistik yang didapatkan. Gambar 1.24 menyajikan hasil
analisis berdasarkan repeat indikator reflective model, yang ternyata
menghasailkan kualitas uji statistik lebih terbatas.
Gambar 1.24 menyajikan hasil analisis dari sumber data yang
sama ( Indro Kirono, FEB UB, 2016), tetapi dengan menempatkan
prosedur repeat indicator berdasarkan pengulangan sumber data
yang tersedia pada sub-dimensi dengan tetap mempolakan
sebagai dimensi yang reflective ( Autentic repeat indicator), yaitu
pengulangan data sebagai proksi dari sub-dimensi untuk
dipindahkan ke konstruk collaboration. Pada model covariance-
based seperti AMOS dan Lisrel, primary construct diasumsikan
memiliki sebaran data normal sehingga dinyatakan sebagai
perintah set collaboration to 1, yang artinya collaboration memiliki
variance sama dengan satu, yaitu status data yang berdistribusi
normal.
71
dinyatakan sebagai perintah set collaboration to 1, yang artinya collaboration
memiliki variance sama dengan satu, yaitu status data yang berdistribusi normal.
Model repeat indicator yang berdimensi formative, yang diaplikasikan

untuk mendapatkan model second order pada Gambar 1.19 disajikan sebagai
Model repeat indicator yang berdimensi formative, yang
proses aplikasi pada Gambar 1.24. Repeat indikator merupakan proses
diaplikasikan untuk mendapatkan model second order pada
Gambar sumber
pengulangan 1.19 disajikan sebagai proses
data dari sub-dimensi aplikasi
ke konstruk pada karena
collaboration, Gambar the
1.24. Repeat indikator merupakan proses pengulangan sumber
general constructatau primary construct tidak memiliki sumber data, karena
data dari sub-dimensi ke konstruk collaboration, karena the
general
basis constructatau
data ada primaryHasil
di setiap sub-dimensi. construct tidak memiliki
analisis mempolakan sumber
repeat indicator
data, karena basis data ada di setiap sub-dimensi. Hasil analisis
dengan menempatkan indikator menjadi formative. Dengan demikian, proses
mempolakan repeat indicator dengan menempatkan indikator
menjadi pada
pengulangan formative.
tahap awalDengan demikian,
ditransfer sebagai proses pengulangan
upaya membentuk dimensi baru,
pada tahap awal ditransfer sebagai upaya membentuk dimensi
sehingga dapat dihindarkan repeat indicator secara murni (authentic repeat
baru, sehingga dapat dihindarkan repeat indicator secara murni
(authentic repeat indicator).
indicator).
Gambar Gambar
1.24 1.24
Second Second
Order Model
Order Model
Formative Primary Primary
Formative Dimension
Dimension
Indro Kirono, FEB-UBFEB-UB
Indro Kirono, 2016 2016
Bandingkan Gambar 1.24 dengan Gambar 1.25. Pada

Gambar 1.25 dinyatakan sebagai authentic repeat indicator yang
berpeluang menghasilkan statistik yang bias dan menurunnya
79
kualitas informasi atas proses second order berdasarkan proses
authentic repeat indicator dimaksud. (lihat Gambar 1.25).
Gambar 1.25 kita nyatakan sebagai authentic repeat indicator
yang terbukti melalui proses pengolahan data menghasikan
poor statistical sign, sebagaimana akan dibahas berdasarkan hasil
72
berdasarkan proses authentic repeat indicator dimaksud. (lihat Gambar 1.25).
Gambar 1.25 kita nyatakan sebagai authentic repeat indicator yang
terbukti melalui proses pengolahan data menghasikan poor statistical sign,

sebagaimana akan dibahas berdasarkan hasil pengolahan data atas proses pada
pengolahan
Gambar 1.25 data atasHasil
tersebut. proses pada Gambar
bootstrapping 1.25 tersebut.
berdasarkan Hasil2,
Smartpls versi
bootstrapping berdasarkan Smartpls versi 2, didapatkan path
didapatkan path prediction sebagimana disajikan pada bahasan berikut.
prediction sebagimana disajikan pada bahasan berikut.
Gambar 1.25 1.25

Gambar
Second OrderOrder
Second ModelModel
Reflective Primary
Reflective Dimension
Primary Dimension
Indro Kirono, FEB-UB
Indro Kirono, 2016 2016
FEB-UB
Gambar 1.25 adalah repeat indicator dari sub-dimensi yang

searah dengan upaya untuk melakukan proksi pada primary
construct collaboration, dengan menempatkan semua indikator
yang mengkonstruksi dimensi partnership (X1.1), dimensi
80
network (X1.2) serta dimensi trust (X1.3) ke konstruk collaboration
(X1), tanpa melakukan perubahan atas model reflective yang
merelasikan antara sub-dimensi dengan indikatornya. Hasil
analisis outer-model uji validitas daripengembangan model
second order berbasis authentic repeat indicator disajikan pada
Gambar 1.26.
73
Gambar 1.26
Fornel-Larcker criterion
X1 X1.1 X1.2 X1.3 X2 Y1 Y2
X1.1 0.939 0.912
X1.2 0.955 0.872 0.866
X1.3 0.820 0.642 0.692 0.737
X2 0.253 0.181 0.165 0.377 0.780
Y1 0.398 0.272 0.358 0.438 0.541 0.669
Y2 0.357 0.213 0.364 0.392 0.564 0.719 0.766
Dibandingkan dengan uji Fornell-Larscker pada Gambar 1.20,

tampak lebih banyak nilai AVE pada Gambar 1.26 dengan nilai
AVE lebih kecil dari cross-correlation dari konstruk bersangkutan
pada relasinya secara diagonal. Hal demikian membuktikan
bahwa kualitas informasi statistik telah mengalami penurunan.
Gambar 1.27
Heterotrait-monotrait ratio
X1.1 X1.2 X1.3 X2 Y1
X1.1
X1.2 0.957
X1.3 0.739 0.825
X2 0.324 0.273 0.547
Y1 0.301 0.426 0.726 0.644
Y2 0.250 0.423 0.557 0.645 0.868
Gambar 1.28
X1.1 X1.2 X1.3 X2 Y1 Y2
X1.11 0.939 0.793 0.568 0.203 0.216 0.180
X1.11 0.939 0.793 0.568 0.203 0.216 0.180
X1.12 0.924 0.803 0.544 0.104 0.182 0.096
X1.12 0.924 0.803 0.544 0.104 0.182 0.096
X1.13 0.893 0.795 0.617 0.146 0.316 0.241
X1.13 0.893 0.795 0.617 0.146 0.316 0.241
X1.14 0.890 0.788 0.612 0.204 0.275 0.260
X1.14 0.890 0.788 0.612 0.204 0.275 0.260
X1.21 0.825 0.875 0.507 0.144 0.371 0.387
X1.21 0.825 0.875 0.507 0.144 0.371 0.387
X1.22 0.696 0.858 0.529 0.065 0.339 0.338
X1.22 0.696 0.858 0.529 0.065 0.339 0.338
74
X1.23 0.785 0.908 0.704 0.246 0.364 0.332

X1.23 0.785 0.908 0.704 0.246 0.364 0.332
X1.24 0.709 0.820 0.651 0.104 0.156 0.199
X1.24 0.709 0.820 0.651 0.104 0.156 0.199
X1.31 0.610 0.638 0.862 0.268 0.197 0.240
X1.31 0.610 0.638 0.862 0.268 0.197 0.240
X1.32 0.607 0.641 0.866 0.225 0.217 0.249
X1.32 0.607 0.641 0.866 0.225 0.217 0.249
X1.33 0.324 0.327 0.625 0.325 0.432 0.265
X1.33 0.324 0.327 0.625 0.325 0.432 0.265
X1.34 0.241 0.342 0.537 0.383 0.666 0.519
X1.34 0.241 0.342 0.537 0.383 0.666 0.519
X2.1 0.306 0.284 0.390 0.797 0.340 0.335
X2.2 -0.048 -0.003 0.314 0.869 0.520 0.580
X2.3 0.181 0.130 0.285 0.897 0.429 0.450
X2.4 0.230 0.201 0.353 0.919 0.544 0.530
X2.5 0.251 0.173 -0.061 -0.038 0.038 0.083
Y1.1 0.325 0.305 0.460 0.632 0.773 0.591
Y1.2 0.281 0.412 0.412 0.389 0.853 0.556
Y1.3 0.059 0.142 0.131 0.263 0.741 0.491
Y1.4 0.048 0.134 0.212 0.190 0.601 0.464
Y1.5 -0.044 -0.052 -0.022 -0.138 0.058 -0.100
Y2.1 0.106 0.207 0.252 0.409 0.414 0.688
Y2.2 0.130 0.220 0.249 0.371 0.550 0.784
Y2.3 0.224 0.362 0.438 0.461 0.403 0.760
Y2.4 0.268 0.437 0.396 0.377 0.601 0.759
Y2.5 0.220 0.352 0.326 0.434 0.538 0.827
Y2.6 0.045 0.114 0.167 0.522 0.726 0.771
Hasil uji heterotrait-monotrait juga ditemukan lebih banyak

sebaran nilai di atas 0.85 membuktikan validitas instrumen
memiliki kualitas lebih rendah. Hal yang searah ditemukan
pada pengujian cross-loading yang juga menemukan sebaran
nilai cross-correlation didapatkan lebih besar dari korelasi internal
pada konstruk yang bersangkutan. Berdasarkan uji outer-model
membuktikan bahwa authentic repeat indicator sebagaimana
secara teknis disajikan pada Gambar 1.25 berpotensi menciptakan
bias dalam estimasi inner-model, karena informasi dari kualitas uji
validitas membawa serta semakin menurunnya kualitas informasi
yang terkandung dari sumber data yang bersangkutan.
75
HASIL ANALISIS UJI STATISTIK INNER-MODEL

Authentic Repeat Indicator
Berdasarkan Gambar 1.25, proses iterasi Smartpls melalui

fasilitas bootstrapping didapatkan hasil analisis path prediction
sebagaimana disajikan pada Gambar 1.30, yang ternyata
didapatkan lebih banyak path relation yang tidak signifikan
berdasarkan uji statistik t. Berdasarkan kondisi tersebut, dapat
disimpulkan bahwa terdapat lebih banyak informasi yang hilang,
yang tidak berhasil didapatkan untuk mendukung lebih banyak
hipotesis penelitian dalam rangka pembuktian sebuah karya tulis
thesis atau disertasi.
Gambar 1.30
Hasil Analisis Bootstrapping Second Order
Reflective Primary Dimension
Indro Kirono, FEB-UB 2016*
Original Sample Standard
T P
Sample Mean Deviation Keterangan
Statistics Values
(O) (M) (STDEV)
X1 -> Y1 0.150 0.142 0.124 1.218 0.112 NOT Support
X1 -> Y2 0.229 0.223 0.109 2.105 0.018 Support
X1.1 -> X1 0.402 0.401 0.028 14.509 0.000 Second Order
X1.2 -> X1 0.412 0.409 0.030 13.661 0.000 Secomd Order
X1.3 -> X1 0.277 0.279 0.045 6.173 0.000 Second Order
X2 -> Y1 0.188 0.188 0.136 1.384 0.084 NOT Support
X2 -> Y2 0.505 0.518 0.099 5.097 0.000 Support
Y2 -> Y1 0.559 0.573 0.136 4.104 0.000 Support
76
DAFTAR PUSTAKA
Ahed Abugabah, Ahed dan Sanzogni, Louis, 2010, Re-

conceptualizing Information Systems Models: An Experience
from ERP Systems Environment. International Journal for
Infonomics (IJI), Volume 3, Issue 4, December 2010
Anderson, J.C. dan Gerbing,D.W.(1984).The effect of sampling
error on convergence, improper solutions, and goodnesss
of fitindices for maximum like lihood confirmatory factor
analysis. Psychometrika.
Anderson, J.C. dan Gerbing, D.W.(1988). Structural equation
modeling in practice: Are view and recommended two-step
approach. Psychological Bulletin.
Bagozzi, R.P.(2007).On the meaning of formative measure mentand
how it differs from reflective measurement: Commenton
Howell, Breivik, and Wilcox (2007). Psychological Methods.
Becker, J.M, Klein, K., Wetzels, M. (2012). Hierarchical latent
variable models in PLS-SEM: guidelines for using reflective-
formative type models, Long Range Planning, 45 (5/6), 359-
394
Boakye, K. G., Prybutok, V. R. and Ryan, S. D. (2012). The intention
of continued web-enabled phone service usage: a quality
perspective. Operations Management Research
Bollen, K.A.,dan Lennox,R.(1991).Conventional wisdomon
measurement: Astructural equation perspective.
Psychological Bulletin, 110(2), 305–314.
77
Chin, W.W.(1998).The partial least squares approach to structural

equation modeling. In: G. A.Marcoulides (Ed.), Modern
Methods for Business Research (pp. 295–358). Mahwah, NJ:
Lawrence Erlbaum Associates.
Chin, W.W., dan Newsted,P.R.(1999). Structural equation
modeling analysis with small samples
Using partial least squares. In: R.H.Hoyle (Ed.), Statistical
strategies for small sample research (pp. 307–342).Thousand
Oaks, CA: Sage.
Diamantopoulos Adamantios And Heidi M. Winklhofer, 2001,
Index Construction With Formative Indicator ; An Aleternative
To Scale Development. Journal of Marketing Research. Vol.
XXXV.
EDWARDS, Jeffry R, 2001, Organizational Research Methods, Vol. 4
No. 2, April 2001 144-192© 2001 Sage Publications, Inc.
Fornell, C.,&Larcker,D.F.(1981).Structural equation models with
un observable variables and Measure menterror: Algebra
and statistics. Journal of Marketing Research.
Hair,Joseph F Jr, William C. Black, Berry J. Babin, Rolp E.
Anderson, 2010, Multivariate Data Analysis, Sevent Edition.
Pearson Prentice Hall. USA.
Hair.Joseph F & Marko Sarstedt & Christian M. Ringle &Jeannette
A. Mena, 2012, An assessment of the use of partial least
squares structuralequation modeling in marketing researchJ.
of the Acad. Mark. Sci.
Hair,Joe F, Christian M. Ringle, and Marko Sarstedt, 2011. PLS-
SEM: Indeed a Silver Bullet. Journal of Marketing Theory and
Practice, vol. 19
Hayward Andres, Testing A Second-Order Factor Structure of
Team Cognition in Distributed Teams North Carolina A & T
State University hpandres@ncat.
Henseler, Christian M. Ringleand Rudolf R.Sinkovics, 2008. The
Use of Partial Least Squares Path Modeling in International
Marketing. New
78
Challenges to International Marketing Advances. International

Marketing,Volume 20, Copyright r 2009 by Emerald Group
Publishing Limited
Henseler, Jorg, Ringle, Christian M. dan Marko Sarstedt,Marco,
2015. A new criterion for assessing discriminant validity in
variance-based structural equation modeling. J. of the Acad.
Mark. Sci.
Jarvis, C.,S.MacKenzie, dan P.Podsakoff, 2003, A Critical Review
of Construct Indicators and Measurement Model Misspesification
in Marketing and Consumer Research. Journal of Sonsumer
Reearch.
Joreskog, K.G.(1982).The LISREL approach to causal model-
building in the social sciences. In: K.G.Joreskog & H.O.Wold
(Eds), Systems under in direct observation, Amsterdam:
North-Holland.
Ken Kwong-Kay Wong, 2013,Partial Least Squares Structural
Equation Modeling (PLS-SEM) Techniques Using SmartPLS.
Marketing Bulletin, 2013, 24, Technical Note 1
Lin, Chien-Hsin, Sher, Peter J, Hsin-Yu Shih, 2005, Past progress
and future directions in conceptualizing customer perceived
value. International Journal of Service Industry Management.
Petter, Stacie and Detmar Straub, 2006, Specifying Formative
Constructs in Information System Research. Computer
Information System Georgia State University Atlanta, GA
30303 U.S.A.
Tabachnick, Barbara G dan Linda S. Fidell, Linda S, 2008,Using
Multivariate Analysuis, Fift Edition, Pearson, New York,
Wetzels, Martin, Gaby Odekerken-Schröder, Claudia van
Oppen, 2009,Using Pls Path Modeling for Assessing
Hierarchicalconstruct Models: Guidelines and Empirical
illustration. MIS Quarterly Vol. 33 No. 1.
79
Ringle, Christian M., Marko Sarstedt, Rainer Schlittgen, Charles

R. Taylor, 2013, PLS path modeling and evolutionary
segmentation. Journal of Business Research 66 (2013) 1318–
1324
Henseler Jorg, Marko Sarstedt, 2013, Goodness-of-fit indices for
partial least squares path Modeling Computer Stat (2013)
28:565–580.
80

(Pls-Sem) 2 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

(Pls-Sem) 2 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Dr. Sudjana Budhiasa, SE., M.

Undang-Undang Republik Indonesia Nomor 28 Tahun 2014 Tentang Hak Cipta

Lingkup Hak Cipta

Dr. Sudjana Budhiasa, SE., M.Si

Udayana University Press

Cover & Ilustrasi:

Hak Cipta pada Penulis.

D engan rasa syukur telah dapat disusun buku referensi

penelitian persepsi yang mempertimbangkan kemungkinan

BAB I KONSEP DASAR SEM PLS................................................ 1

BAB II REFLECTIVE FORMATIVE............................................. 35

BAB III MODERASI DAN MEDIASI......................................... 41

1.1 Variance-based SEM PLS versus Covariance SEM

Partial least square merupakan the second generation structural

penulis hadir sebagai pemakalah leih dari 14 Universitas termasuk

Berbeda juga dengan software AMOS dan Lisrel, yang juga

PLS lebih banyak bertujuan untuk memahami sejumlah perilaku

1.2 Sumber Data Primer dan Konsep Pengukuran

Penelitian persepsi merupakan kebutuhan yang semakin

fungsi dan perananya. Dalam mengmpulkan informasi, peneliti

Indikator : adalah instrument penelitian yang dibangun

Tabel 1.1 Konstruk dan Dimensi Capabilitas

Tabel 1.2 Konstruk dan Dimensi Logistic Performance

Tabel 1.1 menyajikan variabel laten capabilitas yang

akan dilanjutkan dengan mengembangknnya menjadi item-item

Tabel 1.3 Dimensi dan Pengukuran skala Likert

Pertanyaan diajukan bersifat bebas dan tidak diintervensi

Tabel 1.4 Dimensi dan Pengukuran skala Likert

Ketika daftar pertanyaan disampaikan kepada responden

Tabel 1.5 Data survey Lapangan ( Indro Kirono, Surabaya, 2016)

SEM PLS memiliki karakter non-parametric, dalam

metode kuadrat sebagaimana dilakukan pada metode regressi.

Dr. Sudjana Budhiasa, SE., M.Si

Langkah pertama, adalah penyelesaian pengukuran skala

SPSS Y1 dan SPSS Y2. (lihat panduan prosedur Arderson-Garbing pada

Tabel 1.2 menyajikan teknik perhitungan manual

yaitu TAHAP Analisis Factor dan TAHAP Analisis regressi. Pada

mendapatkan pengelompokkan data berdasarkan dimensi,

Y2.1 Y2.2 Y2.3 Y2.4

Information Logistic Y1.2

Y3.1 Y3.2 Y3.3

jawaban mengapa mereka Dr. Sudjana Budhiasa, SE., M.Si

Y3.1 Y3.2 Y3.3

Sebuah konstruk dinyatakan reliable apabila terpenuhi nilai

benar dan mengerti atas jawaban mengapa mereka memilih skala

Bahan workshop ini diharapkan dapat menjadi bahan

1.5 Penyelesaian Regression Laten Score dengan Excel dan

Data yang dipergunakan sebagai sumber untuk memahami

Cara berhitung melalui cara reduksi dan dibagi dengan

berbasis analisis factor yang mempergunakan prosedur teknik reduksi.

Penelusuran terhadap hasil akhir dari hubungan kausalitas dari Y1 dan Y2

juga penggunaan SmartPls

regressi yang sama.

praktis, seperti disajikan pada SmartPls.

1.6 Aplikasi Model dengan SmartPLS 3.2.2

Gambar 1.6 dengan menyertakan konstruk information sharing, sehingga terdapat

X1.1 X1.2 X1.3

Gambar 1.12 menyajikan pola hubungan capabilities (Y2)

Pola hubungan tiga variabel laten dinyatakan sebagai hubungan segitiga di

Dinyatakan sebagai partial mediation, apabila hubungan kausal antara

logistic performance adalah signifikan ( Lihat Hair et al, 2010).

Dengan demikian, untuk menentukan sebuah variabel

teruskan dengan pengolahan data untuk mendapatkan sejumlah hasil analisis

support, * = weak support, = medium support, serta * = strong support.