Si
ANALISIS STATISTIK
MULTIVARIATE
DENGAN APLIKASI SEM PLS
SMARTPLS 3.2.6
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
DENGAN APLIKASI SEM PLS
SMARTPLS 3.2.6
Pokok Bahasan:
Pengembangan Model struktural
Hierarchies Latent Second Order Model
Mediasi Ganda
iii
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
ANALISIS STATISTIK
MULTIVARIATE
DENGAN APLIKASI SEM PLS
SMARTPLS 3.2.6
Penulis:
Dr. Sudjana Budhiasa, SE., M.Si
Penyunting:
Jiwa Atmaja
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
iv
Dr. Sudjana Budhiasa, SE., M.Si
PRAKATA
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Denpasar,
Dr. Sudjana Budhi
vi
Dr. Sudjana Budhiasa, SE., M.Si
DAFTAR ISI
PRAKATA............................................................................................v
DAFTAR PUSTAKA........................................................................ 77
vii
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
viii
Dr. Sudjana Budhiasa, SE., M.Si
BAB I
KONSEP DASAR SEM PLS
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Dr. Sudjana Budhiasa, SE., M.Si
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Dr. Sudjana Budhiasa, SE., M.Si
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
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Skala Pengukuran :
1 : Sangat tidak setuju
2 : Tidak Setuju
3 : Neutral
4 : Cukup Setuju
5 : Sangat setuju
Dr. Sudjana Budhiasa, SE., M.Si
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Dr. Sudjana Budhiasa, SE., M.Si
Small sample tetap akan menghasilkan prediksi yang dapat diperaya,
apabila dilakukan dengan prosedur sampling yang benar. Dengan demikian, salah
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
Y1.1
Logistic
Y1.2
Performance
(Y1)
Y1.3
11
Garbing-Anderson yang didapatkan melalui prosedur SPSS disajikan sebagai
CDROM).
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Tabel 1.2
Hasil
Tabel 1.2 Hasil OlahOlah
DataData Excel
Excel dan SPSS
dan SPSS
12
Dr. Sudjana Budhiasa, SE., M.Si
13
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Capabilities
(Y2)
Y1.1
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
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
15
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
16
Dr. Sudjana Budhiasa, SE., M.Si
17
factor versi Anderson Garbing (1988), sebagaimana disertakan pada
pengembangan SPSS.
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 1.7
Latent Variable Regression Score
Gambar 1.7
Hasil Olah Data Excel
Latent Variable Regression Score Hasil Olah Data Excel
demikian, paling sedikit dapat dipahami, bahwa alur pembentukan data latent
20
18
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 1.8
Latent Variable Regression Score
Gambar 1.8
Hasil Olah Analisis Factor Data SPSS
Latent Variable Regression Score Hasil Olah Analisis Factor Data SPSS
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
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
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
20
22
Dr. Sudjana Budhiasa, SE., M.Si
GambarGambar
1.10 1.10
REGRESSION SCORE VERSI ANALISIS
REGRESSION SCORE VERSI ANALISIS FACTOR
FACTOR SPSS SPSS
Regression
Regression
Model Summary
Adjusted R Std. Error of the
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
23
21
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 1.11
Gambar
Latent Variable 1.11
Regression Score
Latent Variable Regression Score
Hasil Olah Analisis Factor SmartPls versi 3
Hasil Olah Analisis Factor SmartPls versi 3
0 Series1
-1
-2
-3
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
Capabilities
(Y2)
H1 H2
Y1.1
Information Logistic
Y1.2
Sharing H3 Performance
(Y3) (Y1)
Y1.3
24
Dr. Sudjana Budhiasa, SE., M.Si
25
prosedur pengujiannya dapat difahami terlebih dahulu. Gambar 1.13 akan kita
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
Pada konstruk Y1 terdapat loading factor Y1.3 sebesar 0.707 yang masih belum
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.
27
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
reliable sebagai penyedia informasi yang memiliki konsistensi internal atau tidak.
Dr. Sudjana Budhiasa, SE., M.Si
ukup banyak yang memberikan interpretasi yang salah atas hubungan antara
29
AVE dengan cross-correlation. Fornell dan Larscker yang menjadi penggagas
criminant.
30
Konstruk terakhir yang perlu dievaluasi adalah Y2 dengan akar AVE
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
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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)
37
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 1.16
Gambar 1.16
Hasil Analisis Bootstrapping SmartPls
Hasil Analisis Bootstrapping SmartPls
34
BAB II
BAB II
REFLECTIVE FORMATIVE
REFLECTIVE FORMATIVE
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)
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,
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
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 1.3
Uji Signifikansi Indikator Untuk Model Formative
37
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
Dr. Sudjana Budhiasa, SE., M.Si
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)
40
BAB III
MODERASI DAN MEDIASI
41
X C Y
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
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
Dr. Sudjana Budhiasa, SE., M.Si
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
43
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
Proses Memoderasi Stimulan ke Outcome Log.Performance
44
49
49
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 3.6
Proses Memoderasi Stimulan ke Outcome Log.Performance
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).
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
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
Dr. Sudjana Budhiasa, SE., M.Si
X C* Y
A*** B***
52
47
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 6.10
Gambar 6.10
No mediation exist
No mediation exist
X C*** Y
A*** ns
48
53
model bootstrapping dalam rangka mendapatan optimasi terbaik, meskipun
AMOS masih menepatkan teknik bootstrapping sebagai opsi, tidak wajib seperti
pada Smartpls.
Dr. Sudjana Budhiasa, SE., M.Si
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
49
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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)
Sobel test :
indirect effect (a.b) 0.0623
(calling)
(M1)
0.269
0.233 B
A 0.102
0.090
Komitmen
Organisasi
(Y1)
Sobel test :
indirect effect (a.b) 0.0623
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
Komitmen
Organisasi
(Y1)
0.269
0.422
B
A
0.090
0.159t
-0.099
Keanggotaan Kinerja
C
(membership) organisasi
0.120
(M2) (Y2)
52
Dr. Sudjana Budhiasa, SE., M.Si
Gambar1.1
Gambar 1.1
Hierarchies
HierarchiesLatent
LatentModel
Model Perceived Value
Perceived Value
Lin et al (2005)
Lin et al (2005)
Gambar 1.3. Menetapkan model formative atau reflective akan sangat tergantung
55
Hierarchies latent model memiliki sub-dimensi dengan konstruk yang
berbeda, sehingga perlu dipahami definisi atas tingkatan ( hierarki ) dari model yang
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
Hierarchies Latent – Second order Model
56
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 1.5
Hierarchies Latent – Second order Model
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
Gambar
Gambar 1.6
Hierarchies
HierarchiesLatent
Latent – Third
Third Order
OrderModel
Model
Construct X1
X1.111 X1.112 X1.121 X1.122 X1.211 X1.212 X1.221 X1.222 X1.311 X13.12 X1.321 X1.322
Sumber : Wetzel
Sumber et al
: Wetzel et ,al2009)
, 2009)
64
58
Dr. Sudjana Budhiasa, SE., M.Si
Perceived
Reability Quality
Responsiveness Perceived
Empathy Service
Assurance Quality
Tangible Expected
Quality
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
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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)
Rujukan Dimensi Kode
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)
Rujukan Dimensi Kode
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
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 1.11
Konstruk dan Dimensi Partnership
Second Order Construct ( Y2.3)
Rujukan Dimensi Kode
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
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)
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).
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
pembahasan.
Dr. Sudjana Budhiasa, SE., M.Si
63
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
64
menghubungkan antara sub-dimensi dengan primary construct, maka
yang berbeda.
Dr. Sudjana Budhiasa, SE., M.Si
Gambar
Gambar 1.14 1.14
Hasil
Hasil Analisis
Analisis Bootstrapping
Bootstrapping First First
OrderOrder
IndroIndro Kirono,
Kirono, FEB-UBFEB-UB
20162016
65
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
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
Dr. Sudjana Budhiasa, SE., M.Si
67
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
75
68
Dr. Sudjana Budhiasa, SE., M.Si
Gambar 1.22
Cross-loading Konstruk Penelitian
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
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
Gambar 1.23
Hasil Analisis Uji Signifikansi Antar Relasi
Second Order Collaboration
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
Dr. Sudjana Budhiasa, SE., M.Si
71
dinyatakan sebagai perintah set collaboration to 1, yang artinya collaboration
memiliki variance sama dengan satu, yaitu status data yang berdistribusi normal.
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
72
berdasarkan proses authentic repeat indicator dimaksud. (lihat Gambar 1.25).
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.
73
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
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
Cross-loading Konstruk Penelitian
Second Order Collaboration
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
Dr. Sudjana Budhiasa, SE., M.Si
75
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
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
77
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
78
Dr. Sudjana Budhiasa, SE., M.Si
79
ANALISIS STATISTIK MULTIVARIATE DENGAN APLIKASI SEM PLS SMARTPLS 3.2.6
80