TUGAS EKOMETRIKA

“MEMBUAT TUTORIAL SMART PLS 3”

Disusun Oleh:

Nama : Yunita Elida

NPM : 121240012

PROGRAM STUDI MAGISTER MANAJEMEN

UNIVERSITAS SWADAYA GUNUNG JATI

CIREBON
Pengertian
Smart PLS adalah software pengolahan data untuk structural equation modeling (SEM) dengan metode
partial least squares (PLS). Software ini dikembangkan oleh Institute of Hamburg Jerman.

Structural Equation Modelin (SEM) adalah alat statistik yang dipergunakan untuk menyelesaikan model
bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear. SEM dapat juga
dianggap sebagai gabungan dari analisis regresi dan analisis faktor.

 SEM mampu menyelesaikan model yang rumit yang sering muncul dalam dunia pemasaran atau bidang
konsentrasi yang lain.

Adapun cara2nya adalah sebagai berikut :

1. Pertama kita mendown load smart PLS

2. Setelah itu kita memilh versi “Student”

3. Selesai proses mendownload

Setelah selesai kita dapat memproses rumusan masalah yang diminta

Rumusan Masalah
Maka permasalahan pokok dalam penelitian ini dapat dirumuskan sebagai berikut :
1) Bagaimana variable Gaya Kepemimpinan ( 𝑋1 ) berpengaruh terhadap Kinerja ( Y2 )

2) Bagaimana variable Kompensasi ( 𝑋2 ) berpengaruh terhadap Kinerja ( Y2 )

3) Bagaimana variable Motivasi Kerja ( Y1 ) berpengaruh terhadap Kinerja ( Y2 )

4) Bagaimana pengaruh variable Gaya Kepemimpinan ( 𝑋1 ), Kompensasi ( 𝑋2 ) dan Motivasi

Kerja ( Y1 ) terhadap Kinerja ( Y2 )

SIMULASI PENGUJIAN HIPOTESIS PENELITIAN SURVEY MENGGUNAKAN
PARTIAL LEAST SQUARE (PLS)

Pengujian Hipotesis pada Kasus Penelitian dengan Model Sederhana

Pada paparan berikut, akan dijelaskan pengujian hipotesis pada model penelitian
sederhana, yakni antara beberapa variabel independen dan dua variabl dependen
dengan SmartPLS 3. Secara umum, proses pengujian hipotesis dengan SmartPLS 3
adalah sebagai berikut:

1. Menyiapkan data dalam file Microsoft excel dengan format CSV (comma delimited).
2. Membuka program (software) SmartPLS 3
3. Membuat new project
4. Meng-import data yang sudah disiapkan
5. Menggambar model penelitian yang terdiri dari beberapa variabel laten
6. Memasukkan data kuesioner (indikator) ke dalam variabel laten
7. Melakukan pengujian kualitas model pengukuran (PLS algoritm)
8. Melakukan pengujian hipotesis (bootstrapping)

Untuk memperdalam pemahaman mengenai teknik pengujian hipotesis dengan PLS,

simaklah simulasi proses berikut ini:
1) Membuka program (software) SmartPLS 3

2) Meng-import data yang sudah disiapkan

3) Membuat new project

4) Menggambar model penelitian yang terdiri dari beberapa variabel laten

Setelah gambar model penelitian selesai dibuat, selanjutnya adalah memasukkan

indikator-indikator pengukuran variabel ke dalam masing- masing variabel. Caranya

adalah:

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

Jika kita ingin memasukkan indikator-indikator dari variabel GK, maka indikator yang
diklik+tahan dan di drag ke variabel GK adalah indikator- indikator yang namanya
juga GK. Dalam kasus ini terdapat delapan indikator dari GK yang ditulis dengan
GK01, GK02, GK03, GK04, GK05, GK06, GK07 dan GK08. Masukan indicator
masing – masing dua indicator dalam kasus ini GK01 dan GK02 dimasukan ke
variable X1.1 begitu juga seterusnya. Jika indikator- indikator variabel telah berhasil
dimasukkan ke dalam variabelnya, maka akan nampak tampilan seperti gambar di
bawah ini.

Tampilan variabel yang indicator-

indikatornya telah berhasil
dimasukkan. Secara otomatis,
2. Drag Ke Variable yg dituju indikator-indikator akan menempel
di sisi kiri variabel

1. Klik dan Tahan

Umumnya, ketika proses memasukkan indikator-indikator pengukuran variabel ini
berhasil dilakukan, maka indikator-indikator tersebut akan muncul secara otomatis
di sisi kiri variabel yang diukurnya. Seringkali posisi tersebut menjadikan tampilan
model penelitian tidak elok untuk dipandang, sebagaimana yang nampak pada
gambar di bawah. Oleh karenanya, indikator- indikator pengukuran variabel
tersebut perlu dipindah ke posisi yang lebih baik.

Caranya adalah:

Posisikan kursor mouse tepat berada di variabel yang indikator- indikatornya ingin
dipindahkan -> klik kanan mouse -> Align, lalu pilih posisi rataan yang diinginkan
(Top/atas; Left/kiri; Buttom/bawah; Right/kanan).

Pada kasus di atas, penulis memilih Top atau Rata Atas untuk GK, untuk KO
memilih Botton atau Rata Bawah, dan KA memilih Right atau Rata Kanan agar
tampilan model peneltian menjadi lebih elok dipandang. Lihat hasilnya pada gambar
di bawah ini.
Jika proses memasukkan dan penyesuaian posisi indikator-indikator pengukuran
variabel ini telah selesai dilakukan, maka akan nampak tampilan sebagaimana
gambar di atas. Pada Variable GK, KO, MK dan KA masih berwarna merah. jika
tampilan gambar masih seperti yang diatas maka proses berikutnya blm bisa
dilakukan. Maka perlu cara untuk merubah variable tadi menjadi biru dan bisa
dilakukan Uji Kualitas model pengukuran dengan menggunakan PLS Algoritm
maupun Bootstrapping.

Jika kita ingin memasukkan indikator-indikator dari variabel GK, maka indikator
yang diklik+tahan dan di drag ke variabel GK adalah indikator- indikator yang
namanya juga GK. Masukan indicator masing – masing kedalam variable dalam
kasus ini GK01 sampai dengan GK08 dimasukan ke variable X1 (GK), KO01
sampai dengan KO06 dimasukan kedalam variable X2 (KO), MK01 sampai dengan
MK06 dimasukan ke dalam variable Y1 (MK), dan KA01 sampai dengan KA08
dimasukan ke dalam variable Y2 (KA). Jika indikator- indikator variabel telah
berhasil dimasukkan ke dalam variabelnya, maka akan nampak tampilan seperti
gambar di bawah ini :
Apabila peneliti sudah sampai pada tahap ini, maka pengujian statistik sudah siap
untuk dilakukan. Pengujian terdiri dari uji kualitas model pengukuran/instrumen
(PLS algoritm) dan uji hipotesis (Bootstrapping).

Uji Kualitas Model Pengukuran

Untuk melakukan uji kualitas model pengukuran, caranya adalah:

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

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

Penyimpulan mengenai kualitas model pengukuran mengacu pada rule of tumbs

berikut ini:

Tabel 1. Parameter Uji Validitas dalam Model Pengukuran PLS

Uji Parameter Rule of tumbs

Validitas Konvergen Faktor Loading >0,7
(Outer Loading)
Average Variance Extracted >0,5
(AVE)
Communality >0,5
Validitas Deskriminan Akar AVE dan korelasi Akar AVE > korelasi
variabel laten variabel laten
(Discriminant Validity)
Cross Loading >0,7 dalam satu
(Discriminant Validity) variabel
Reliabilitas Cronbach Alpha >0,6
Composite Reliability >0,6
Sumber: Chin (1995); Werts et al. (1974) Salisbury et al. (2002); Hartono dan Abdillah
(2011)
Pada gambar di bawah ini nampak hasil outer loadings (di SPSS diistilahkan dengan
Factor Loadings) digunakan untuk mengukur validitas konvergen dari model
pengukuran (instrumen). Pada kasus ini, hasil uji outer loadings menunjukkan skor
yang rendah pada indikator GK01 yaitu kurang dari rule of tumbs 0,70 (Chin,
1998). Skor kurang dari 0,70 juga nampak pada indikator KO01 dan KO05. Nampak
pula indikator MK01 dan KA08. Dari hasil ini maka dapat disimpulkan bahwa indicator
yang kurang dari 0,70 memiliki validitas konvergen yang kurang baik, maka sebelum
uji hipotesis dilakukan, kelima konstruk ini harus dieliminasi terlebih dahulu dari
perannya sebagai salah satu item pengukur (indikator) dari variabel yang diukurnya.

Menu-menu ini adalah hasil-hasil dari

pengujian kualitas model pengukuran.
Untuk melihat hasil-hasil tersebut dapat
dilakukan dengan mengklik menu-menu

Setelah indicator yang nilainya kurang dari 0,70 sudah di eleminasi maka lakukan
kembali pengukuran PLS Algoritm dengan cara yang sudah dijelaskan diatas.
Selanjutnya, setelah sudah di calculate kembali maka hasil tampilanya akan seperti
dibawah ini :
Maka langkah selanjutnya adalah analisis terhadap Contruct Reliability. Contruct Reliability
adalah mengukur reliabilitas konstruk variabel laten. Nilainya yang dianggap reliabel harus diatas
0.70. Construct reliability sama dengan cronbach alfa, Berikut adalah hasil analisis tersebut:
Internal Consistency Reliability mengukur seberapa mampu dari indikator dapat mengukur
konstruk latennya. (Memon dkk., 2017). Alat yang digunakan untuk menilai hal tersebut adalah
composite reliability dan Cronbach’s alpha. Nilai composite reliability 0,6 – 0,7 dianggap
memiliki reliabilitas yang baik (Sarstedt dkk., 2017), dan nilai Cronbach’s alpha yang diharapkan
adalah di atas 0,7 (Ghozali dan Latan, 2015).

Dan berdasarkan table diatas, terlihat bahwa semua konstruk memiliki nilai nilai cronbach’s
Alpha > 0,6 dan bahkan semuanya > 0,7, maka dapat dikatakan bahwa semua konstruk tersebut
telah reliable.

Validitas konvergen dapat ditentukan berdasarkan dari prinsip bahwa pengukur-pengukur dari
suatu konstruk seharusnya berkorelasi tinggi (Ghozali dan Latan, 2015). Validitas konvergen
sebuah konstruk dengan indikator reflektif dievaluasi dengan Average Variance Extracted (AVE).
Nilai AVE seharusnya sama dengan 0,5 atau lebih. Nilai AVE 0,5 atau lebih berarti konstruk
dapat menjelaskan 50% atau lebih varians itemnya (Wong K.K., 2013, Sarstedt dkk., 2017).

Dan berdasarkan nilai Average Variance Extracted (AVE) untuk mengetahui tercapainya syarat
validitas konvergen, maka ditemukan bahwa variable MK dan KA masih dibawah nilai 0,50 yaitu
untuk MK nilai 0,470 dan KA nilai 0,410. Namun dalam hal ini penulis berpendapat karena
keterbatasan waktu dan selisih angka yang tidak signifikan maka data ini dikatakan valid.
Validitas diskriminan bertujuan untuk menentukan apakah suatu indikator reflektif benar
merupakan pengukur yang baik bagi konstruknya berdasarkan prinsip bahwa setiap indikator
harus berkorelasi tinggi terhadap konstruknya saja. Pengukur-pengukur konstruk yang berbeda
seharusnya tidak berkorelasi tinggi (Ghozali dan Latan, 2015).

Dalam aplikasi SmartPLS, uji validitas diskriminan menggunakan nilai cross loadings dan
Fornell-Larcker Criterion, dan Heterotrait-Monotrait (HTMT) (Henseler dkk., 2015)

Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten benar benar
berbeda dengan konstruk lainnya. Nilai discriminant validity yang tinggi memberikan indikasi
bahwa suatu konstruk adalah unik dan mempu menjelaskan fenomena yang diukur

Suatu konstruk dikatakan valid yakni dengan membandingkan nilai akar dari AVE (Fornell-
Larcker Criterion) dengan nilai korelasi antar variabel latent. Nilai akar AVE harus lebih besar dr
korelasi antar variable laten.

Untuk menilai validitas diskriminan adalah dengan Fornell Larcker Criterion, yaitu sebuah metode
tradisional yang telah digunakan lebih dari 30 tahun, yang membandingkan nilai akar kuadrat dari
Average Variance Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya
dalam model (Henseler dkk., 2015)

Jika nilai akar kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antar konstruk
dengan konstruk lainnya dalam model, maka model tersebut dikatakan memiliki nilai validitas
diskriminan yang baik (Fornell dan Larker, 1981 dalam Wong, 2013).

Nilai Fornell-Larcker Criterion berdasarkan hasil dalam Tutorial Partial Least Square PLS SEM
ini adalah sebagai berikut :
Dalam gambar diatas, ada 3 tab hasil analisis validitas diskriminan, yaitu fornell Larcker Criterion
yang merupakan nilai akar dari AVE, Cross Loading serta HTMT.

Berdasarkan table diatas, maka semua akar dari AVE (Fornell-Larcker Criterion) tiap konstruk
lebih besar dari pada korelasinya dengan variable lainnya. Misal KO: nilai AVE (Lihat Gambar
Tabel Hasil Reliabilitas Konstruk Diatas Sebelumnya!) adalah 0,599 maka Akar AVE nya adalah
0,774. Nilai 0,774 tersebut lebih besar dari pada korelasinya dengan konstruk lainnya, yaitu
dengan MK sebesar 0,685, dengan KA sebesar 0,640.

Begitu pula dengan variable latent lainnya, dimana nilai AKAR AVE > Korelasi dengan konstruk
lainnya. Karena semua variable latent nilai Akar AVE > Korelasinya dengan konstruk lainnya,
maka syarat validitas diskriminan pada model ini telah terpenuhi, seperti yang tercantum dalam
table diatas.

Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan bahwa korelasi
konstruk dengan item pengukuran lebih besar daripada konstruk lainnya. Nilai cross loading yang
diharapkan adalah lebih besar dari 0,7 (Ghozali dan Latan, 2015)
Oleh karena semua indicator nilai loadingnya terhadap konstruknya > cross loadingnya maka
model ini telah memenuhi syarat validitas diskriminan.

Beberapa ahli berpendapat bahwa cross loading dan Fornell-Larcker Criterion kurang sensitif
dalam menilai validitas diskriminan. HTMT merupakan metode alternatif yang direkomendasikan
untuk menilai validitas diskriminan.

Metode ini menggunakan multitrait-multimethod matrix sebagai dasar pengukuran. Nilai HTMT
harus kurang dari 0,9 untuk memastikan validitas diskriminan antara dua konstruk reflektif
(Henseler dkk., 2015).
Berikut adalah hasil analisis HTMT pada Tutorial Partial Least Square PLS SEM ini:

Tabel HTMT diatas menunjukkan bahwa masih terdapat nilai HTMT > 0,9 namun karena ini
merupakan contoh dan karena keterbatasan waktu penulis berpendapat valid secara validitas
diskriminan berdasarkan perhitungan HTMT.

Tentunya saat para peneliti melakukan analisis outer model pada partial Least Square, terkadang
menemui kasus bahwa tidak memenuhi syarat validitas dan relibilitas.

Konsekuensi yang dapat diambil adalah melakukan pemodelan baru yaitu mengeluarkan indikator
yang tidak valid baik secara convergen maupun diskriminan atau divergen. Lalu kemudian
menggantinya dengan indikator lainnya atau dibiarkan saja tanpa ada penggantian indikator lain
selama jumlah indikator dalam setiap variabel latent masih lebih dari atau sama dengan 3
indikator. Itu semua dikembalikan pada konsep model struktural yang diusung oleh peneliti.
Setelah uji kualitas model pengukuran selesai dilakukan dan model pengukuran
dinyatakan valid dan reliabel, maka langkah selanjutnya adalah pengujian hipotesis.

Untuk menjawab pertanyaan dibawah ini maka diperlukan pengujian hipotesis :

1. Apakah ada pengaruh X1 dan X2 terhadap Y1 ?
2. Apakah ada pengaruh Y1 terhadap Y2?
3. Apakah ada pengaruh langsung X1 terhadap Y2?
4. Apakah ada pengaruh langsung X2 terhadap Y2?

Caranya adalah:

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

Maka akan keluar hasil-hasil pengujian hipotesis sebagaimana pada gambar di

bawah ini.

Menu-menu ini adalah hasil-hasil dari

pengujian hipotesis (Bootstrapping). Untuk
melihat hasil-hasil tersebut dapat dilakukan
dengan mengklik menu-menu ini

Untuk melihat hasil pengujian hipotesis pada PLS dengan model sederhana
sebagaimana kasus yang sedang dikerjakan, pilihlah menu Path Coefficients.
Rule of tumbs dari terdukungnya suatu hipotesis penelitian adalah: (1) jika koefesien
atau arah hubungan variabel (ditunjukkan oleh nilai original sample) sejalan dengan
yang dihipotesiskan, dan (2) jika nilai t statistik lebih dari 1,64 (two-tiled) atau 1,96
(one-tiled) dan probability value (p-value) kurang dari 0,05 atau 5%.

Pada kasus ini, mengacu pada hasil yang disajikan pada menu Path Coefficients,
hipotesis yang terdukung ada yang nilai nya merah yaitu X1 GK terhadap Y2 KA
dengan nilai 0,0096 hal ini menunjukan bahwa berdasarkan Ptch Coeficient Gaya
kepemimpinan tidak berpengaruh langsung terhadap kinerja. Sedangkan sisanya
memiliki pengarug langsung terhadap variable lainya.

Pertanyaan diatas dapat dijawab melalui data diatas yaitu :

1. Apakah ada pengaruh Y1 terhadap Y2? Ada

2. Apakah ada pengaruh langsung X1 terhadap Y2? Tidak Ada
3. Apakah ada pengaruh langsung X2 terhadap Y2? Ada

Sedangkan untuk menjawab pertanyaan Apakah ada pengaruh X1 dan X2 terhadap Y1 ?

Maka perlu dilihat hasil pengujian hipotesis pada menu Specific Indirect Effect
seperti gambar dibawah ini :
Pada hasil diatas, dapat disimpulkan bahwa variable X1 dan X2 berpengaruh positif
terhadap Y1.

Selanjutnya, untuk mengetahu seberapa besar kemampuan variabel independen

menjelaskan variabel dependen dapat dilihat dengan mengklik menu R Square dan
F Square seperti gambar dibawah ini :