Structure Equation Model

Partial Least Square (SEM-PLS)

dengan SmartPLS

1
 Daftar isi
1. Cara menginstal SmartPLS
2. Konsep Partial Least Square
3. Model PLS dalam SmartPLS
4. Kalkulasi PLS Algorith
5. Kalkulasi PLS Bootstrap
6. Menguji Variabel Intervening
7. Menguji Variabel Moderating
8. Pengenalan MGA
Cara Menginstal
SmartPLS
Download
• Mac Os
• Windows. 32 bit dan 64 bit

Aplikasi dapat di download

di https://www.smartpls.com

Jika SmartPLS tidak dapat

dijalankan, maka perlu instal
“Java Runtime Environment”.
 Lisensi pada SmartPLS
Setelah melakukan istalasi, maka SmartPLS akan memberikan 4 pilihan
lisensi:
Student Profesional 1 Profesional 2 Profesional 3
Batas Waktu Selamanya 30 hari Selamanya Selamanya
Fitur Terbatas Lengkap Lengkap Lengkap
Pembayaran Gratis Gratis Berbayar Berbayar

Untuk awal penggunaak bisa memilih lisensi ”student”

Wahyu Rafdinal, S.E., M.M.

 Konsep
Partial Least Square
 Jenis Analisis
1) Analisis univariat Analisis statistik untuk
penelitian yang hanya menggunakan satu
variabel. Umumnya hanya menggunakan
statistik-statistik deskriptif, contohnya: -
Mean, Median, Modus, Max, Min, Sum. -
Grafik-grafik, Dsb.
2) Analisis bivariat Analisis statistik untuk
penelitian yang hanya menggunakan dua
variabel, contohnya: - Korelasi sederhana
(simple correlation) - Regresi sederhana
(simple regression), Dsb.
Jenis Analisis
3) Analisis multivariat Analisis statistik
untuk penelitian yang menggunakan
lebih dari dua variabel, contohnya:
- Korelasi dan regresi berganda
- Analisis jalur (path analysis)
- Moderated Regression Analysis (MRA)
- Structural Equation Model (SEM)
Structure Equation Model
• Analisis multivariat sebelumnya, hanya mampu
menganalisis suatu variabel secara bersama seperti
pada regresi berganda dan analisis jalur, tetapi tidak
mampu menganalisis sekaligus variabel-variabel
dan indikatorindikatornya secara keseluruhan.
• SEM (Structural Equation Model) adalah analisis
statistik untuk penelitian yang mampu menganalisis
secara keseluruhan model penelitian besarta
indicator yang digunakannya.
 Kapan PLS digunakan?
PLS CB-SEM
Variance based SEM Covariance Based SEM
Tujuan Prediksi Konfirmasi teori
Normalitas Tidak diperlukan (non-parametrik) Perlu (Parametrik)
Ukuran Sample > 30 data > 200 data
Jumlah indicator Maksimal 1000 Malsimal 100
Software SmartPLS, WorpPLS, PLS-PM, Tetrad AMOS, Lisrell, EQS, M-Plus
 Konstruk dalam PLS
Konstruk
Atau disebut variable laten, dalam model PLS
konstruk digambarkan dalam bentuk lingkaran.

Indikator
Atau disebut sebagai item atau variabel manifes atau
observed variables. Indikator adalah pengamatan
yang terukur langsung (data mentah) yang
digambarkan dalam bentuk persegi panjang.
 Structure Model (Inner Model)
• Structure model adalah model yang menggambarkan hubungan
antar variabel laten (konstruk).
 Measurement Model (Outer Model)
• Measurement model adalah model yang mendeskripsikan hubungan antar
variabel laten (konstruk) dengan indikatornya.
Persiapan Data
 Persiapkan data di SPSS
• Siapkan data yang akan diolah di SPSS. Untuk SmartPLS versi Student,
maksimal sampel hanya 100.
 Persiapkan data di SPSS
• Simpan data tersebut:
Pada “File name”. Ketikkan nama file Anda, misalnya “Data”
Pada “Save as type”, pilih “Comma delimited (*CSV)”, dan “SAVE”

Wahyu Rafdinal, S.E., M.M.

Tampilan data format .csv
Membuat Model
di SmartPLS
 Membuat Proyek Analisis
1) Klik “New Project”
2) Ketikkan nama project, misalnya “Belajar PLS”. Kemudian klik “OK”
 Memasukan Data
• Klik 2 kali pada “Double-click to import data”
• Pilih data “Data penelitian”. Kemudian klik “open” dan klik “ok”
Memasukan data
 Membuat Model Penelitian
• Klik 2 kali pada proyek “Belajar PLS”. Sehingga muncul canvas model
 Membuat Model Penelitian
1) Blok indikator A1 sampai A5, lalu Tarik/drag ke canvas model
2) Blok indikator B1 sampai B3, lalu Tarik/drag ke canvas model
3) Blok indikator C1 sampai C6, lalu Tarik/drag ke canvas model
 Merapikan Model Penelitian
• Klik kanan pada gambar Latent
variable 2, pilih “Align Indicators
Bottom” untuk memposisikan
indikator-indikator berada di
bawah variabel laten 2.
• Klik kanan pada gambar Latent
variable 3, pilih “Align Indicators
Right” untuk memposisikan
indikator-indikator berada di
kanan variabel laten 3.
 Memberikan pengaruh antar variabel
1) Klik “Connect” untuk
mengaktifkan pembuatan garis
pengaruh
2) Klik pada latent variable 1 dan
klik pada latent variable 2
3) Klik pada latent variable 1 dan
klik pada latent variable 3
4) Klik pada latent variable 2 dan
klik pada latent variable 3
Klik “Select” untuk “menonaktifkan”
pembuatan garis pengaruh
 Mengganti Nama Latent Variable

1) Klik kanan pada gambar “Latent

Variable 1”
2) Klik “Rename”
3) Ketik “Variabel A
4) Klik OK
5) Lakukan cara yang sama untuk
merubah nama variabel lainnya:
Latent Variable 2 menjadi Variabel B,
Latent Variable 3 menjadi Variabel C
PLS Algorithm
 PLS Algorithm
Metode PLS Path Modeling ini dikembangkan oleh Wold (1982).
Pada dasarnya, algoritma PLS adalah rangkaian regresi. Dengan kalkulasi PLS Algorithm,
maka diperoleh informasi yang akan digunakan untuk menganalisis data penelitian,
khususnya untuk melihat nilai-nilai yang biasa digunakan untuk analisis outer PLS-SEM
(measurement model seperti validitas kovergent dan validitas diskriminan
 Pls Algorithm
1) Klik “Calculate”
2) Klik “PLS Algorithm
3) Klik “Start calculation”
 Output PLS Algorithm
Dalam melakukan evaluasi measurement model, dilakukan
analisis convergent dan discriminant validity.
Validitas konvergen mempunyai makna bahwa seperangkat
indikator mewakili satu variabel laten dan yang mendasari
variabel laten tersebut. Menurut Chin (1998), dalam
menganalisis convergent validity, nilai composite reliability
dan Cronbach’α dari setiap konstruk harus diatas 0.7.
Kemudian, nilai average variance extracted (AVE) harus
diatas 0.5 (Hair et al., 2017). Outer loading harus diatas 0.7
(Hair et al., 2017).
Sedangkan, validitas diskriminan mempunyai makna bahwa
dua konsep berbeda secara konspetual harus menunjukkan
keterbedaan yang memadai. Maksudnya ialah seperangkat
indikator yang digabung diharapkan tidak bersifat
unidimensional. Pengukuran validitas diskriminan
menggunakan kriteria yang disampaikan Fornell-Larcker
(Fornell and Larcker, 1981).
 Output PLS Algorithm
Outer loading Construct reliability and validity Discriminant validity
 Bootstrapping
• Bootstraping dilakukan dengan menerapkan prosedur resampling (pengulangan
sampel) dengan kalkulasi computer.
• Bootstraping adalah suatu prosedur non-parametrik untuk memecahkan
masalah data yang tidak normal dan jika jumlah sampel yang sedikit.
• Di dalam bootstrapping, sub-sampel diciptakan dengan pengamatan acak
diambil (dengan penggantian) dari data set asli. Untuk memastikan konsistensi
hasil, jumlah sub-sampel harus menjadi besar. Untuk pemeriksaan awal, kita
dapat menggunakan sejumlah kecil bootstrap sub-sampel yaitu 500. Untuk
persiapan hasil akhir, bagaimanapun, peneliti harus menggunakan sejumlah
besar yang umum digunakan adalah 2.000.
 Bootstrapping
• Klik Kembali gambar/tab “Belajar PLS”. Kemudian “Calculate” dan Klik “Bootsrapping”.
 Bootstrapping
• Ganti sub-sample menjadi 2,000. Kemudian pilih “complete bootstrapping”. Klik “Start
calculation”.
Output Structure Model
• Path coefficient menampilkan pengaruh
langsung antar variable
• Indirect effect menampilkan pengaruh
tidak langsung variable
• Total effect menampilkan pengaruh total
terhadap variable endogen
 Menguji Kelayakan Model
Dalam analisis structural model (inner model), penilaian kualitas model didasarkan pada kemampuannya
untuk memprediksi konstruksi endogen. Kriteria yang digunakan seperti: Koefisien determinasi (R2), cross-
validated redundancy (Q2), path coefficients, and the effect size (f2) (Hair et al., 2017).
R Square
Ukuran proporsi variasi nilai variabel
yang dipengaruhi (endogen) yang
dapat dijelaskan oleh variabel yang
mempengaruhinya (eksogen).
Kriterianya:
nilai R2 = 0,75 → substansial
(besar/kuat)
nilai R2 = 0,50 → moderate (sedang)
nilai R2 = 0,25 → lemah (kecil)
F Square
Ukuran yang digunakan untuk menilai dampak
relatif dari suatu variabel yang mempengaruhi
(eksogen) terhadap variabel yang dipengaruhi
(endogen).
Kriterianya:
nilai f2 = 0,02 → Kecil/buruk
nilai f2 = 0,15 → Sedang
nilai f2 = 0,35 → Besar/baik

Wahyu Rafdinal, S.E., M.M.

Analisis PLS dengan
Variabel Intervening
 Variabel Intervening
• Variabel intervening adalah
variabel yang secara teoritis
mempengaruhi hubungan
antara variabel independen B
dengan variabel dependen
menjadi hubungan yang
tidak langsung.
• Contoh, variabel a (variable A C
eksogen); variabel b
(variabel intervening);
variabel c (variabel endogen)
 Langkah 1. Input Data

• Klik “New Project”

• Tuliskan nama project
• Klik “OK”
• Kemudian klik 2 kali
pada “double click to
import data” untuk
memasukan data
 Langkah 1. Input Data
• Pilih file data yang akan
di input
• Klik “Open”
 Langkah 1. Input Data

• Berikut tampilan
data yang sudah
diinput
 Langkah 2. Membuat Model

• Masukan indicator pada

canvas model
• Langkah ini sama seperti
pada sesi sebelumnya
 Langkah 2. Membuat model
• Rapikan model
penelitian
• Langkah ini juga sama
seperti pada sesi
sebelumnya
 Evaluasi Measurement Model

• Tahap ini lakukan seperti sesi sebelumnya “PLS Algorithm”

• Pastikan telah memenuhi kriteria
 Menguji Pengaruh Intervening
• Klik “calculate”
• Klik “bootstrapping”
 Menguji Pengaruh Intervening

• Ganti subsamples
menjadi 2000
• Pilih complete
bootstrapping
• Klik “start calculation”
 Menguji Pengaruh Intervening
• Klik “specific indirect
effects” pada toolbar
bagian bawah
• Sehingga muncul
tampilan di samping
Pengaruh tidak langsung Variabel A terhadap Variabel C melalui Variabel B adalah
0.159 dengan P Value 0.006 < 0.05 (signifikan)
Analisis PLS dengan
Variabel Moderating
 Variabel Moderator (Moderating effect)

• Variabel moderating adalah variabel yang

memperkuat atau memperlemah hubungan
antarasatu variabel dengan variabel lain.
• Contoh, X1 Y
X1 (Variabel Eksogen)
X2 (Variabel moderating)
X3 (Variabel Endogen)
X2
 Langkah 1. Memulai Project
1 2 3

• Klik “New project”

• Ketik nama project
• Klik “OK”
 Langkah 2. Input Data
1 2

• Klik pada project

“Moderating”
• Klik 2 kali pada
“Double-clic to
import data
 Langkah 2. Input Data

• Pilih File data yang

akan diolah
• Klik “Open”
• Klik “OK”
 Langkah 2. Input Data
• Sehingga muncul
tampilan seperti
gambar di samping
• Pastikan pada kolom
“missing” harus “0”
yang artinya semua
data telah lengkap
 Langkah 3. Membuat Model
1
• Klik 2 kali pada
“Moderating”
 Langkah 3. Membuat Model
1
• Blok Indikator sesuai
dengan variable pada
kolom “indicators”.
Drag ke canvas model
• Kemudian Rapikan
letak variable dan
ganti nama variable
sama seperti Langkah
pada Sesi sebelumnya
 Langkah 4. Input Moderating effet
1 2
• Klik “Moderating effect”
pada toolbar
• Klik variable endogen
yaitu “Variabel_C”
 Langkah 4. Input Moderating
1 effect
2
• Pilih “Variabel_B” pada
“Moderator Variable”
• Pilih “Variabel_A” pada
“Independent Variable”
• Calculation pilih “Product
indicator”
• Klik “OK”
 Langkah 4. Input Moderating effect

• Sehingga muncul
tampilan berikut
Langkah 5. Uji model pengukuran

• Langkah ini sama seperti Sesi sebelumnya “PLS Algorithm”

• Patikan semua kriteria measurement model terpenuhi
Langkah 6. Uji Pengaruh Moderasi
• Klik “calculate”
• Klik “bootstapping”
 Langkah 6. Uji Pengaruh Moderasi
1 2 3
• Subsamples ganti
menjadi 2000
• Pilih complete
bootstrapping
• Klik “start calculation”
 Langkah 6. Uji Pengaruh Moderasi

Hasil menunjukan P Value > 0,05. Artinya Variabel B tidak memoderasi

pengaruh Variabel A terhadap Variabel C
Multi-Group Analysis
 PLS-MGA
• Analisis multi-grup memungkinkan untuk menguji apakah grup data yang telah
ditentukan sebelumnya memiliki perbedaan yang signifikan dalam estimasi parameter
berdasarkan grup tertentu. SmartPLS memberikan hasil dari setiap grup. Sarstedt dkk.
(2011) serta Hair et al. (2018) menjelaskan metode analisis multi-kelompok secara rinci.
• Metode ini merupakan uji signifikansi non-parametrik untuk perbedaan hasil dari
kelompok/group tertentu yang didasarkan pada hasil bootstrap PLS-SEM. Suatu hasil
signifikan pada tingkat kemungkinan kesalahan 5%, jika nilai p lebih kecil dari 0,05 atau
lebih besar dari 0,95 untuk perbedaan tertentu dari koefisien jalur khusus grup.
68