Judul

Tutorial
ANALISA PARSIAL MODEL
PERSAMAAN STRUKTURAL
Dengan Software SMART-PLS Versi 3
Untuk tenaga Kesehatan
Edisi ke 5

Penyusun
Sobur Setiaman, SKep, Ns, MKep., MM (K3L)

i
Judul buku:
Tutorial Analisa parsial model persamaan
struktural dengan software SMART-PLS versi 3
untuk tenaga kesehartan

Penyusun:
Sobur Setiaman, SKep., Ns., MKep., MM (K3L)

Tata letak dan rancangan:

Rizky wibawa Utama

Cetakan
Edisi pertama tahun 2019
Edisi kedua tahun 2020
Edisi ketiga tahun 2021
Edisi keempat tahun 2022
Edisi kelima tahun 2023

Penerbit
Diterbitkan secara elektronik
© 2023 oleh Yayasan Bakti Mulia, Sumedang

Website academia.edu

Hak cipta dilindungi Undang-Undang. Dilarang memperbanyak sebagian atau

seluruh isi buku ini dalam bentuk apapun, baik secara elektronik maupun
mekanik, termasuk memfotokopi, merekam, atau dengan menggunakan
sistem penyimpanan lainnya, tanpa izin tertulis dari Penerbit

ii
Tutorial
ANALISA PARSIAL MODEL
PERSAMAAN STRUKTURAL
Dengan Software SMART-PLS Versi 3
Untuk Tenaga Kesehatan

Edisi ke 5

Penyusun
Sobur Setiaman, Skep., Ns, MKep., MM (K3L)

Edisi kelima

iii
 TUTORIAL ANALISA PARTIAL MODEL
PERSAMAAN STRUKTURAL DENGAN
SOFTWARE SMART-PLS UNTUK TENAGA
KESEHATAN

Oleh: Sobur Setiaman, Skep, Ns, MM (K3L)

Email: soburs@gmail.com

ABSTRAK
Software SMART-PLS digunakan untuk
menganalisis faktor-faktor yang berkontribusi
terhadap suatu kejadian, tanpa memerlukan data
terdistribusi normal dan secara multivariate tanpa
memerlukan multikolonieritas antara variabel
eksogen. PLS merupakan salah satu metoda analisis
regresi, dan menguji korelasi kanonikal, yang
meniadakan asumsi-asumsi OLS (Ordinary Least
Squares) yang memerlukan distribusi data normal.

Keyword : Variabel latent, Variabel indicatior,

Structural Equation Modeling (SEM), Partial Least
Square (PLS), Variabel konstruct, outer model, inner
model, convergent validity, discriminant validity,
loading faktor, weight, Cronbach Alpha, AVE,
composite reliability, collinearity, T-statistic, R-
square.

iv
 Daftar Isi
ABSTRAK ............................................................... iv
Daftar Isi ................................................................... v
Daftar Tabel .......................................................... viii
Daftar Gambar ........................................................ ix
Bab 1 Pendahuluan ................................................... 1
1.1 Tujuan pembelajaran ................................. 1
1.2 Tinjauan pemodelan struktural ................. 1
1.3 Varian SmartPLS......................................... 7
1.4 Kemampuan Smart-PLS ............................. 8
1.5 Cara Kerja Smart-PLS ................................. 9
Bab 2 Teori Pengukuran Model ............................... 18
2.1 Tujuan pembelajaran ............................... 18
2.2 Tinjauan teori pengukuran model ........... 18
2.3 Pengukuran validitas data ...................... 19
2.4 Pengukuran reliabilitas data .................... 21
Bab 3 Teori Struktural Model .................................. 22
3.1 Tujuan pembelajaran ............................... 22
3.2 Tinjauan Struktural Model ....................... 22
3.3 Exogent variabel ...................................... 22
3.4 Endogent variabel .................................... 23
Bab 4 Evaluasi Jalur Model ...................................... 26
4.1 Tujuan pembelajaran ............................... 26
4.2 Penjelasan evaluasi Jalur Model .............. 26
4.3 Mediating Effect ...................................... 27
4.4 Moderation Effect.................................... 31
4.5 Hirarki Model ........................................... 34
Bab 5 Evaluasi Pengukuran Model .......................... 36
5.1 Tujuan pembelajaran ............................... 36
5.2 Penjelasan evaluasi pengukuran model .. 36
v
 5.3 Evaluasi jumlah item/indikator ................ 38
Bab 6 Evaluasi Pengumpulan Data .......................... 41
6.1 Tujuan pembelajaran ............................... 41
6.2 Penjelasan evaluasi pengumpulan data .. 41
Bab 7 Menentukan Estimasi Model ........................ 42
7.1 Tujuan pembelajaran ............................... 42
7.2 Penjelasan Estimasi Model ...................... 42
Bab 8 Evaluasi Hasil Pengukuran ............................. 45
8.1 Tujuan pembelajaran ............................... 45
8.2 Penjelasan evaluasi hasil pengukuran
model ....................................................... 45
8.3 Loading factor .......................................... 47
8.4 Composite Reliability ............................... 48
8.5 Average Variance Extracted ..................... 49
Bab 9 Evaluasi Hasil Struktural ................................ 53
9.1 Tujuan pembelajaran ............................... 53
9.2 Evaluasi Collinearity (VIF <5). .................. 53
9.3 Estimasi Signifikansi (T-statistic). ............. 55
9.4 Coeficient Determinant (R2) .................... 56
9.5 Nilai F2 ..................................................... 57
9.6 Predictive Relevance (Nilai Q2) ................ 58
9.7 Effect size Q2 ........................................... 59
Bab 10 Konseptualisasi Model ................................ 62
10.1 Tujuan pembelajaran ......................... 62
10.2 Penjelasan Konseptualisasi Model ..... 62
10.3 Pemilihan Konstruk Model ................. 64
Bab 11 Penentuan Hipotesis ................................... 69
11.1 Tujuan pembelajaran ............................. 69
11.2 Penjelasan hipotesis .............................. 69
11.3 Hipotesis nul .......................................... 70

vi
Bab 12 Evaluasi Pengukuran Model ........................ 72
12.1 Tujuan pembelajaran ......................... 72
12.2 Pengukuran Loading Faktors .............. 72
12.3 Cronbach Alpha .................................. 73
12.4 Composite Relibility ........................... 75
12.5 AVE (Average Variance Extracted) ..... 77
12.6 Discriminant Validity .......................... 78
Bab 13 Evaluasi Struktural Model ........................... 82
13.1 Tujuan pembelajaran ......................... 82
13.2 Penjelasan evaluasi struktural model. 82
13.3 Evaluasi Collinearity ........................... 85
13.4 Evaluasi Estimasi Signifikansi ( t test) . 87
13.5 Evaluasi Korelasi Determinan (R2) ...... 89
13.6 Evaluasi Nilai F2 (Size effect)............... 92
13.7 Evaluasi Nilai Q2.................................. 94
13.8 Evaluasi Q2 size effect ........................ 96
A. Kesimpulan .............................................. 98
B. Penutup .................................................... 99
C. Saran ...................................................... 100
DAFTAR PUSTAKA .................................................. 100

vii
 Daftar Tabel

Tabel 1 Hasil Uji Mediator ........................................ 30

Tabel 2 Moderating effect ....................................... 34
Tabel 3 Ringkasan Uji Validitas Dan Reliabilitas ....... 50
Tabel 4 Ringkasan Uji Reliabilitas Konstruk.............. 51
Tabel 5 Hasil Uji Validitas dan Reliabilitas ................ 51
Tabel 6 Hasil Uji Kolineritas ...................................... 55
Tabel 7 Hasil Uji R Sqaure......................................... 56
Tabel 8 Hasil Uji F2 .................................................... 57
Tabel 9 Nilai Total Efect ........................................... 58
Tabel 10 Effect Size Q2 ............................................. 60
Tabel 11 Ringkqsan Evaluasi Model ......................... 60
Tabel 12 Rencana Penentuak Indikator ................... 66
Tabel 13 Hasil Uji Validitas dan Reliabilitas .............. 76
Tabel 14 Hasil Uji AVE .............................................. 78
Tabel 15 Hasil Uji Cross-Loading .............................. 80
Tabel 16 Hasil Fornell-Larker Criterion..................... 80
Tabel 17 Hasil Uji Kolineritas .................................... 86
Tabel 18 Hasil Uji Path Coefficiencies ...................... 89
Tabel 19 Hasil Uji R2 ................................................. 91
Tabel 20 Hasil Uji Effect size F2................................. 93
Tabel 21 Hasil Total Effect ........................................ 94
Tabel 22 Hasil Uji Construct Cross-validate
Redundancy(Q2) ....................................................... 96
Tabel 23 Q2 Effect Size ............................................. 97

viii
 Daftar Gambar
Gambar 1 Model Pengukuran dan Struktural ............ 4
Gambar 2 Path model .............................................. 11
Gambar 3 Konsep Model Teori ................................ 16
Gambar 4 Model Teori Struktural Penelitian ........... 17
Gambar 5 Hasil Pengukuran Model ......................... 20
Gambar 6 Hasil Pengukuran Model ......................... 25
Gambar 7 Teori Model Mediasi ............................... 27
Gambar 8 Efek Mediasi ............................................ 30
Gambar 9 Teori Moderasi ........................................ 32
Gambar 10 Bentuk Efek Moderasi ........................... 33
Gambar 11 Hirarki Model ........................................ 35
Gambar 12 Konstruk formatif dan Indikator ............ 37
Gambar 13 Penentuan Item Penelitian .................... 39
Gambar 14 Estimasi Struktural ................................ 44
Gambar 15 Cara Evaluasi Outer Model .................... 46
Gambar 16 Konsepsual Model ................................. 65
Gambar 17 Indikator dan Struktural Model ............. 67
Gambar 18 Model Struktural ................................... 71
Gambar 19 Factor Loading ....................................... 73
Gambar 20 Cronbach Alpha ..................................... 74
Gambar 21 Composite Reliability............................. 76
Gambar 22 AVE ........................................................ 77
Gambar 23 Uji T Statistik.......................................... 88
Gambar 24 R Sqaure ................................................ 91
Gambar 25 Size Effect F2 .......................................... 93
Gambar 26 Predictive Relevancy (Q2) ...................... 96
Gambar 27 Predictive Relevancy Q2 Exluded ........... 97

ix
 Bab 1
Pendahuluan

1.1 Tujuan pembelajaran

Setelah mempelajari bab ini, diharapkan bisa
menjelaskan:
1. Pendekatan anaalisa data dengan SMART PLS.
2. Variasi SMART PLS.
3. Kemampuan SMART PLS.
4. Cara kerja SMART PLS.

1.2 Tinjauan pemodelan struktural

Structural Equation Modeling (SEM), adalah sebuah
metodologi untuk mempresentasikan, mengestimasi,
serta menguji hubungan kausal linier antar variabel
dengan mengintegrasikan analisis faktor dan analisis
jalur. (Chin, 1996; Haenlein & Kaplan, 2004; Statsoft,
2013). Dengan SEM, peneliti dapat memeriksa secara
visual hubungan yang ada di antara variabel. Teknik
analisis data multivariat generasi pertama, seperti
regresi berganda, regresi logistik, dan analisis varians,
1
termasuk dalam kumpulan inti metoda statistik, yang
digunakan oleh para peneliti untuk menguji secara
empiris hubungan yang dihipotesiskan antara variabel
yang menarik.

Ada dua pendekatan berbeda untuk melakukan

Analisa Model Struktural Ekuasi: Pendekatan pertama
adalah SEM berbasis Covariance yang diterapkan
secara luas (CB-SEM), menggunakan paket perangkat
lunak seperti AMOS, EQS, LISREL dan MPlus.
Pendekatan kedua SEM-PLS, yang berfokus pada
analisis varians dengan menggunakan PLS-Graph,
VisualPLS, SmartPLS, dan WarpPLS.

Pada sebagian pemodelan, syarat-syarat SEM

kadangkala sulit terpenuhi. Alternatif yang bisa
dipilih dengan tetap mengaplikasikan pemodelan
kompleks adalah dengan Partial Least Square (PLS).

PLS adalah salah satu metode alternatif Structural

Equation Modeling dalam menghadapi variabel yang
sangat kompleks, distribusi data tidak normal dan
ukuran sampel data kecil (sample <100). PLS dapat
digunakan untuk menjelaskan ada tidaknya hubungan
2
antara dua variabel atau lebih variabel laten
(prediction).

PLS adalah analisis persamaan struktural berbasis

varian yang secara simultan dapat melakukan
pengujian model pengukuran sekaligus pengujian
model struktural. Model pengukuran digunakan untuk
uji validitas dan reliabilitas, sementara model
struktural digunakan untuk uji kausalitas (pengujian
hipotesis dengan model prediksi).

PLS merupakan salah satu metoda analisis regresi,

dan menguji korelasi kanonikal, yang meniadakan
asumsi-asumsi OLS (Ordinary Least Squares) yang
memerlukan distribusi data normal.

PLS menggunakan literasi algorithm dalam mengukur

variabel indikator dan memberikan jumlah bobot nilai
untuk variabel latent serta berkoneksi dengan variabel
latent lainnya.

Ket legend:
Variabel indikator, yaitu variabel yang di observasi.

Variabel latent, yaitu variabel yang tidak di observasi.

3
Gambar 1 Model Pengukuran dan Struktural

SEM dengan SMART-PLS, pertama harus ditentukan

minimal dua jenis variabel laten untuk dilakukan uji
korelasinya. Variabel laten jenis tunggal tidak bisa
dilakukan dengan SMART-PLS. Variabel laten
tunggal dapat dilakukan untuk mengetahui atau
menguji faktor-faktor dengan software SPSS, AMOS
atau LISREL.

Pada gambar 1 diatas, terdiri dari 5 variabel laten

yaitu variabel pengawasan, lingkungan, motivasi dan
kinerja, setelah itu masing-masing variabel laten
ditentukan variabel indikatornya sesuai dengan teori
dasar pengukuran suatu variabel laten.

4
Prosedur bootstrapping digunakan untuk mengevalusi
korelasi variabel laten yang terbentuk dari variabel
indikator-indikator, dan akan tergambarkan suatu
analisis jalur (path analysis) berupa nilai koefisien
korelasi, koefisien determinan (R-squared) dan
signifikansi kontribusi variabel eksogen terhadap
endogen.

Boothstraping adalah prosedur non parametik yang

memungkinkan pengujian signifikansi statistik dari
varian SEM-PLS yang diperoleh untuk memprediksi
adanya hubungan kausalitas.

Pendekatan variance based dengan PLS mengubah

orientasi analisis dari menguji model kausalitas
(model yang dikembangkan berdasarkan teori) ke
model prediktif komponen.

Pertimbangan menggunakan PLS-SEM, pertama

karena komposisi variabelnya linier yang
dikombinasikan dengan beberapa variabel lain yang
kita pilih, kedua dapat digunakan pada sampel kecil
(kurang dari 100 sampel) dan tidak harus berdistribusi
normal.
5
Komposisi variabel terdiri dari nilai bobot dan data
yang didapat dari hasil pengamatan.
CV=W1.X1 + W2.X2….
W=Weight
X=data hasil pengamatan dari variabel.

CV=Composition Variabel
W1=Weight
X1=Variabel indicator

Model pengukuran di-olah dari skor variabel

indikator yang diamati. Nilai skor variabel latent atau
konstruk didapat berdasarkan pengukuran pada
variabel indikator atau variabel manifesto yang di
miliki. Skala pengukuran yang digunakan bisa
nominal, ordinal, interval ataupun ratio.

Koding data yang kita gunakan bisa menggunakan 5

point Likert Scala atau 10 point scale. Sedangkan
distribusi data bisa normal, binom atau poisson.

Software mudah digunakan dalam menganalisis PLS

adalah Smart-PLS. SmartPLS mudah digunakan dan
6
didukung oleh komunitas para sarjana yang berpusat
di University of Hamburg (Germany), School of
business dibawah kepemimpinan Prof. Chrian M.
Ringle. Software SmartPLS bisa di download gratis
dari situs http://www.smartpls.de

1.3 Varian SmartPLS

1. SmartPLS 3 Student: Instalasi gratis di computer
anda, didukung semua algoritma, terbatas pada
maksimal 100 sampel, hasil analisa bisa di
transfer dalam bentuk grafik tapi tidak bisa di
transfer ke dalam bentuk Excell, program R dan
HTML.

2. SmartPLS 3 Professional: Instalasi berbayar

online di computer anda, didukung semua
algoritma, tidak ada batasan jumlah sample, hasil
analisa bisa di transfer dalam bentuk grafik, dalam
bentuk Excell, program R dan HTML.

3. SmartPLS 3 professional 30-day trial version:

Instalasi gratis di computer anda dalam 30 hari
pengunaan.

7
4. SmartPLS 3 Enterprises: sama seperti SmartPLS
3 Professional dan mendapat dukungan secara
online.

1.4 Kemampuan Smart-PLS

1. Partial least square path modeling algoritm.
2. OLS Regression based on sumscores.
3. Advanced bootstrapping option.
4. Blindfolding.
5. Importance performance matrix analysis
(IPMA).
6. Multi group analysis (MGA).
7. Hierachical component models (Second order
models).
8. Non linier relathionships.
9. Confirmatory tetrad analysis (CTA)
10. Finite mixture (FIMIX) segmentation.
11. Prediction oriented segmentation.

Setelah anda menginstalasi Smart PLS, maka anda

akan mendapatkan E-book Handbook penggunaan
SmartPLS.

Tujuan PLS adalah membantu peneliti untuk

mendapatkan nilai variabel laten untuk tujuan
prediksi estimasi. Weight estimate atau estimasi bobot
untuk menciptakan komponen skor variabel laten

8
didapat berdasarkan bagaimana inner model (model
struktural yang menghubungkan antar variabel laten)
dan outler model (model pengukuran yaitu hubungan
antara indikator dengan konstruknya) dispesifikasi.

Estimasi parameter yang didapat dengan PLS dapat

dikategorikan menjadi tiga yaitu:

• Pertama, adalah estimasi bobot (weight estimate)

yang digunakan untuk menciptakan skor variabel
laten;
• Kedua, mencerminkan estimasi jalur (path
estimate) yang menghubungkan variabel laten dan
antar variabel laten dan blok indikatornya (cross
loading);
• Ketiga, adalah keterkaitkan dengan means dan
lokasi parameter (nilai konstanta regresi) untuk
indikator dan variabel laten.

1.5 Cara Kerja Smart-PLS

Cara kerja Smart-PLS dilihat dari Design Path model
(diagram jalur), akan menggambarkan hypothesis dan
relathionship antar variabel.

9
Model diagram jalur dikembangkan berdasarkan teori
dan sering digunakan untuk menguji teori
hubungan/kausalitas. Teori adalah seperangkat
hipotesis terkait secara sistematis yang dikembangkan
secara ilmiah dan digunakan untuk menjelaskan dan
memprediksi hasil. Jadi, hipotesis adalah dugaan
individu, sedangkan teori adalah beberapa hipotesis
yang secara logis dihubungkan bersama dan dapat
diuji secara empiris.

Dua jenis teori diperlukan untuk mengembangkan

model jalur: teori pengukuran dan struktural. Teori
pengukuran menentukan indikator yang akan
digunakan dan bagaimana indikator ini digunakan
untuk mengukur konsep teoritis tertentu. Sebaliknya,
teori struktural menentukan bagaimana struktur
terkait satu sama lain dalam model struktural.

Path model terdiri dari:

1. Konstruk atau variabel latent yaitu variabel yang
tidak langsung di ukur;

10
2. Indikator atau di sebut manifest variabel yang
merupakan data variabel yang langsung kita ukur.

Variabel indikator, yaitu variabel yang di observasi.

Variabel latent, yaitu variabel yang tidak di

observasi.

V
Laten

V Indikator

Gambar 2 Path model

Dari gambar 2 bisa jelaskan bahwa yang termasuk

salah satu variabel dalam pengamatan/observasi
adalah X11, X12, X13 dan X14 sedangkan variabel
latent nya adalah variabel pengawasan. X11 sampai
dengan X14 dapat menjelaskan besarnya variabel
laten dengan persyaratan tertentu, salah satunya
adalah nilai factor loading nya minimal 70%.
11
 Arah panah pada path model akan menggambarkan:
1. Hubungan korelasi antara indikator dengan
konstruk;
2. Hubungan korelasi beberapa variabel konstruk ke
konstruk lainya.

Indikator 1 Indikator 2 Indikator 1 Indikator 2

Konstru Konstru
k k
Reflekti Formati
Perubahan dalam
Perubahan dalam
Indikator menyebabkan
konstruk menyebabkan
perubahan dalam
perubahan dalam
konstruk
indikator

Disebut konstruk reflektif/manifest karena merupakan

perwujudan sebuah konstruk. Contohnya konstruk
stress menyebabkan malas kerja, ingin pindah kerja,
sering absen.

Disebut konstruk formatif, karena terbentuknya

variabel konstruk akibat adanya perbuahan-perubahan

12
pada indicator. Contohnya, beban kerja tinggi, gaji
tidak naik-naik, atasan tidak adil dapat menyebabkan
seseorang mengalami stress kerja.

Dari path model akan diperlihatkan Model

pengukuran (outer model); (a) Pengukuran reflektif:
Internal consistency (CA, Consistency Reliability);
convergent validity (AVE) dan discriminant validity;
dan (b) Pengukuran formatif: convergent validity;
collinearity dan significancy level.

Dalam statistik dan penelitian, konsistensi internal

biasanya merupakan ukuran yang didasarkan pada
korelasi antara item yang berbeda pada tes yang sama
(atau subskala yang sama pada tes yang lebih besar).

Konsistensi internal biasanya diukur dengan

Cronbach's alpha, statistik yang dihitung dari korelasi
berpasangan antar item. Konsistensi internal berkisar
antara tak terhingga negatif dan satu.

13
 Cronbach's alpha Internal consistency
0.9 ≤ α Sempurna/Excellent
0.8 ≤ α < 0.9 Baik/Good
0.7 ≤ α < 0.8 Diterima/Acceptable
0.6 ≤ α < 0.7 Dipertanyakan/Questionable
0.5 ≤ α < 0.6 Jelek/Poor
α < 0.5 Tidak diterima/Unacceptable

Keandalan yang sangat tinggi/sempurna (CA > 0,95)

tidak selalu diinginkan, karena hal ini menunjukkan
bahwa item tersebut mungkin berlebihan.

Tujuan dalam merancang instrumen yang andal

adalah agar skor pada item yang serupa menjadi
terkait (konsisten secara internal), tetapi untuk
masing-masing memberikan kontribusi beberapa
informasi unik.

Cronbach Alfa juga merupakan fungsi dari jumlah

item, sehingga skala yang lebih pendek sering kali
memiliki perkiraan keandalan yang lebih rendah
namun masih lebih disukai dalam banyak situasi
karena bebannya lebih rendah.

14
Validitas konvergen mengacu pada seberapa dekat
skala baru terkait dengan variabel lain dan ukuran lain
dari konstruk yang sama. Konstruk tidak hanya harus
berkorelasi dengan variabel terkait tetapi tidak harus
berkorelasi dengan yang berbeda, yang tidak terkait.

Validitas konvergen dapat diperkirakan dengan

menggunakan koefisien korelasi. Evaluasi validitas
konvergen yang berhasil menunjukkan bahwa tes
suatu konsep sangat berkorelasi dengan tes lain yang
dirancang untuk mengukur konsep yang secara
teoritis serupa. Untuk menetapkan validitas
konvergen, Anda perlu menunjukkan ukuran-ukuran
yang seharusnya terkait/interkorelasi.

15
Bukti konvergen paling baik ditafsirkan relatif
terhadap bukti diskriminan. Artinya, pola
interkorelasi antara dua ukuran yang berbeda harus
rendah sedangkan korelasi dengan ukuran yang sama
harus jauh lebih besar.

Model struktural (inner model);

a. Determinan R2
b. Predictive relevance Q2
c. Size and significancy
d. F2 effect size
e. Q2 effect size

Path model dikembangkan berdasarkan konsep teori

atau pengalaman para peneliti sebelumnya tentang
multiple regression antara variabel eksogen dengan
endogen (gambar 3).

X1
X3 Y
X2
Gambar 3 Konsep Model Teori

16
Contoh path model struktural (Penyusunan
model struktural sesuai dengan teoritis):

Gambar 4 menjelaskan secara teoritis struktur

model penelitian yang dijadikan dasar penentuan
hipotesis:

1. Variabel latent X1 berkontribusi terhadap

variabel X2 dan X3.
2. Variabel X2 berkontribusi terhadap X3 danY.
3. Variabel latent X1 dan X2 secara bersama-
sama berkontribusi terhadap variabel X3 dan
Y.
4. Variabel latent X1, X2 dan X3 secara
bersama-sama berkontribusi terhadap variabel
Y.

X1

X3 Y

X2

Gambar 4 Model Teori Struktural Penelitian

17
 Bab 2
Teori Pengukuran Model

2.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:

1. Menjelaskan teori pengukuran model.

2. Melakukan analisa validitas hasil pengukuran
model.
3. Melakukan analisa reliabilitas hasil pengukuran
model.

2.2 Tinjauan teori pengukuran model

Pengukuran model (outer model) dilakukan langsung
terhadap variabel indikator atau variabel manifesto,
yang berhubungan dengan variabel faktor/laten.

Hasil pengukuran langsung terhadap variabel

indikator akan membentuk dimensi variabel
faktor/laten. Indikasi hasil pengukuran dinyatakan

18
dalam standar loading factor dan bobot koefisiensi
(weight coeficiency).

Jenis model pengukuran terdiri dari dua jenis yaitu:

a. Pengukuran Reflektif Model digambarkan oleh
arah panah dari konstruk kearah indicator.
b. Pengukuran Formatif Model digambarkan oleh
arah panah dari indikator kearah konstruk.

2.3 Pengukuran validitas data

Hasil loading factor menggambarkan validitas ukuran
variabel indikator/manifesto suatu variabel konstruk
yang kita teliti.

Gambar 5 menjelaskan bahwa variabel konstruk

pengawasan diukur dengan 3 variabel indikator
dimana nilai loading factor variabel X11 (0,908), X12
(0,915), X13 (0,897), X4 (0,918) merefleksikan
model pengukuran terhadap variabel konstruk
pengawasan.

19
 Gambar 5 Hasil Pengukuran Model

Variabel konstruk lingkungan diukur dengan 4

variabel indikator dimana nilai loading factor variabel
X31 (0,836), X32 (0,868), X33 (0,864) dan X34
(0,845) merefleksikan model pengukuran terhadap
variabel konstruk lingkungan.

Variabel konstruk motivasi diukur dengan 3 variabel

indikator dimana nilai loading factor variabel X21
(0,856), X22 (0,898), X23 (0,860) merefleksikan
model pengukuran terhadap variabel konstruk
motivasi.

20
Variabel konstruk kinerja diukur dengan 4 variabel
indikator dimana nilai loading factor variabel Y1
(0,776), Y2 (0,870), Y3 (0,882) dan Y4 (0,828)
merefleksikan model pengukuran terhadap variabel
konstruk kinerja.

2.4 Pengukuran reliabilitas data

Nilai Cronbach Alpha pada lingkaran biru pada
konstruk pengawasan (0,864), konstruk lingkungan
(0,899), konstruk motivasi (0,723) dan konstruk
kinerja (0,846) mengambarkan ukuran formatif
variabel konstruk.

21
 Bab 3
Teori Struktural Model

3.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:
1. Menjelaskan bentuk struktural model.
2. Menjelaskan bentuk eksogen variabel.
3. Menjelaskan bentuk endogen variabel.
4. Menjelaskan gambar hasil uji SMART PLS.

3.2 Tinjauan Struktural Model

Struktural Model, adalah variabel yang tidak diukur
langsung, dimana dimensinya dibentuk melalui hasil
pengukuran pada indikator-indikator.

Gambar 3 menjelaskan adanya bentuk model, terdiri

dari dua jenis model variabel yaitu (1) Exogent
variabel dan (2) Endogent variabel.

3.3 Exogent variabel

Exogent variabel sebagai variabel independent atau
sebagai variabel factor, dimana variabel ini akan
22
mempengaruhi variabel endogent. Misalnya:
Konstruk motivasi dan pengawasan dan lingkungan
merupakan faktor-faktor yang mempengaruhi
konstruk kinerja.

3.4 Endogent variabel

Endogent variabel sebagai variabel dependent, yang
akan dipengaruhi oleh variabel eksogent. Misalnya
Model kinerja dipegaruhi oleh motivasi kerja dan
lingkungan kerja, dimana kinerja sebagai Endogent
sedangkan motivasi dan lingkungan kerja sebagai
eksogen.

Tingkatan variabel endogent:

1. Endogent pertama adalah variabel lingkungan
kerja yang dipengaruhi oleh variabel pengawasan
kerja;
2. Endogen kedua adalah motivasi yang dipengaruhi
oleh dua variabel konstruk yaitu pengawasan dan
lingkan kerja;
3. Endogent ketiga adalah kinerja yang dipengaruhi
oleh tiga variabel konstruk yaitu pengawasan kerja,
lingkungan kerja dan motivasi kerja.

23
Model struktural disusun berdasarkan sekumpulan
teori dan pengalaman dari para peneliti sebelumnya.
Model struktural akan memperlihatkan bagaimana
hubungan dan kontribusi variabel eksogen terhadap
variabel endogen.

Indikasi model struktural dinyatakan dalam nilai

bobot koefisiensi, koefisiensi determinan dan
signifikansi.

24
 Model struktural dan pengukuran
(Structural model and measurement theory)
Exogent variabel utk V. motivasi
Endogent variabel

Variabel
indikator atau
variabel
manifesto atau
Variabel latent atau variabel
yang tidak terukur

Exogent variabel utk V. kinerja

Gambar 6 Hasil Pengukuran Model

25
 Bab 4
Evaluasi Jalur Model

4.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:
1. Menjelaskan tujuan dan proses jalur mediasi
model.
2. Menjelaskan pengaruh jalur mediasi model.
3. Menjelaskan tujuan dan proses jalur moderasi
model.
4. Menjelaskan pengruh jalur moderasi model.
5. Menjelaskan hirarki model.

4.2 Penjelasan evaluasi Jalur Model

Pembentukan model struktural dibentuk berdasarkan
theori, logika atau pengalaman / hasil penelitian para
peneliti sebelumnya.

Penentukan bentuk jalur (Path) model, apakah dalam

bentuk (1) mediating effect structural model atau (2)
moderation effect structural model.

26
4.3 Mediating Effect
Pengaruh mediasi (Mediating effect) mengindikasikan
pengaruh dari variabel independen terhadap variabel
dependen ditransmisikan melalui variabel ketiga
sebagai variabel mediator (Alwin & Hauser dalam
Edwards & Lambert, 2007).

Mediating effect structural model terjadi apabila

menurut teori bahwa variabel konstruk eksogen
berinteraksi / atau berkorelasi terhadap variabel
konstruk endogen melalui variabel perantara atau
mediator.

X Y

X
Variabel
perantara

Gambar 7 Teori Model Mediasi

Gambar 4 menggambarkan bentuk Mediating effect:

dimana X1 berkorelasi terhadap Y melalui X2. X2
sebagai mediating variabel. Variabel X1 sebagai

27
variabel prediktor, Variabel X2 sebagai variabel
mediator dan variabel Y sebagai variabel respon.
Variabel mediator peranannya berada di dua variabel
yang berkorelasi/berhubungan. Hasil uji mediator
digambarkan oleh SMART PLS dalam laporan
indirect effect report.

Pertanyan peneliti (research question):

1. Apakah pengawasan berkolerasi langsung

terhadap kinerja?
2. Apakah motivasi berkolerasi langsung terhadap
kinerja?
3. Apakah motivasi berperan sebagai mediator
korelasi antara pengawasan dan kinerja?

Hipotesis berdasarkan gambar 4:

1. Pengawasan tidak berkorelasi signifikan terhadap

kinerja.
2. Motivasi tidak berkorelasi signifikan terhadap
kinerja.
3. Motivasi bukan variabel mediasi perantara
korelasi antara pengawasan terhadap kinerja.

28
Mediator analysis dengan Smart PLS, melalui
prosedur bootstrap procedure, akan menghasilkan
laporan informasi direct effect, indirect effects, and
the total effect. (Hair et al. 2017).

Direct effect digambarkan oleh satu arah panah yang

menggambarkan relasi dua variabel.

Indirect effect digambarkan oleh multiple arah panah

dari variabel predictor melalui variabel mediator ke
arah varaibel response.

Indirect effect menggambarkan peranan variabel

mediator antara dua variabel yang saling berkorelasi.
Variabel motivasi sebagai model mediator antara
korelasi variabel pengawasan terhadap variabel
kinerja.

29
 Hasil uji mediator:

Gambar 8 Efek Mediasi

Tabel 1 Hasil Uji Mediator

DIRECT EFFECT Estimation T P- Note
Value Value
Motivasi- kinerja 0,760 12,30 0,000 Sig.
Pengawasan - kinerja 0,185 2,550 0,011 Sig.
Pengawasan - motivasi 0,511 5,419 0,000 Sig.
SPECIFIC INDIRECT Estimation T P- Note
EFFECT Value Value
Pengawasan- 0,388 4,829 0,000 Sig.
>Motivasi -> kinerja

Hasil uji hipotesis variabel mediasi pada tabel 1:

1. Pengawasan berkorelasi positif secara signifikan
terhadap kinerja, maka ho di tolak.
2. Motivasi berkorelasi positif signifikan terhadap
kinerja, maka ho di tolak.

30
3. Motivasi secara signifikan merupakan variabel
perantara, antara pengawasan terhadap kinerja,
maka ho di tolak.

4.4 Moderation Effect

“In other words, the nature of the relationship differs
depending on the values of the third variabel. As an
example, the relationship between two constructs is
not the same for all customers, but differs depending
on their income. As such, moderation can (and
should) be seen as a means to account for
heterogeneity in the data”.

Ketika variabel moderator hadir, maka akan

mempengaruhi kekuatan korelasi dua konstruk.
Korelasi dua konstruk akan tergantung terhadap
variabel ketiga sebagai variabel moderator. Dengan
kata lain variabel moderator akan memberikan effect
terhadap korelasi dua variabel laten, dimana variabel
moderasi dibentuk dari variabel independent.

Gambar 9 menggambarkan Moderation effect:

Variabel moderator akan mempengaruhi korelasi
variabel X1 dan X2 terhadap Y. Variabel X1 dan X2
31
sebagai varibel independent, sedangkan variabel Y
sebagai varaibel dependen.

X1 akan mempengaruhi Y1 secara signifikan bila X2

juga dalam kondisi mempengaruhi Y1, atau dengan
kata lain pengaruh X1 terhadap Y1 tergantung
korelasi X2 terhadap Y1.

X1 Y1

X2
X1,
Variabel
moderat X2
or

Gambar 9 Teori Moderasi

Contoh hasil uji Moderating effect

Variabel pengawasan sebagai variabel independen,

dan motivasi sebagai variabel moderator, sedangkan
kinerja sebagai variabel dependen.

Pertanyaan peneliti: Apakah variabel moderator akan

memberikan dampak terhadap korelasi pengawasan
terhadap kinerja?

32
Hipotesis nul: Variabel moderator tidak berkontribusi
terhadap korelasi pengawasan dan kinerja.

Lakukan procedure creating moderating effect

variabel.

Gambar 10 Bentuk Efek Moderasi

33
 Tabel 2 Moderating effect
TOTAL EFFECT Estimation T P- Note
Value Value
Moderating effect 1- -0,117 2,522 0,012 Sig.
kinerja
Motivasi - kinerja 0,701 11,135 0,000 Sig.
Pengawasan- kinerja 0,136 2,149 0,032 Sig.

Hasil uji hipotesis:

Variabel moderator mendukung korelasi pengawasan

secara signifikan terhadap kinerja (P 0,012) , maka ho
di tolak.

Keterangan hasil interpretasi total effect:

1. Bila signifikan, berjenis Quasi mediating.
2. Bila tidak signifikan, berjenis Fully mediating.

4.5 Hirarki Model

Pada umumnya hirarki model struktural terbentuk
dalam dua bagian. Interaksi antara variabel indikator-
indikator dengan variabel eksogent disebut hirarki
model structural pertama, sedangkan interaksi antara
variabel exogent dengan variabel endogent disebut
hirarki struktrual model kedua.

34
Gambar 11 menggambarkan bentuk model hirarki
model struktural. Bentuk model struktural dalam
bentuk hirarki component, yaitu dengan komponen
model hirarki pertama dan komponen hirarki kedua.

X11
Y11
XX
X12 1
YY Y12

X13

XX Y13
X14 2

Hirarki pertama Hirarki kedua

Gambar 11 Hirarki Model

35
 Bab 5
Evaluasi Pengukuran Model

5.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:
1. Menjelaskan cara melakukan evaluasi pengukuran
model.
2. Menjelaskan hasil evaluasi pengukuran model.

5.2 Penjelasan evaluasi pengukuran model

Terdapat dua bentuk pengukuran model yaitu:
Reflektif model pengukuran yang digambarkan oleh
arah panah pada diagram jalur dari variabel faktor ke
indikator; dan formatif model pengukuran
digambarkan oleh arah panah pada diagram jalur dari
arah indikator ke menuju variabel faktor.

Pada gambar 12 mengambarkan reflektif pengukuran

model dimana X11, X12, X13 dan X14 sebagai
variabel indikator yang akan membentuk/mengukur
konstruk pengawasan. Variabel indikator Y1, Y2, Y3
36
dan Y4 akan membentuk/mengukur konstruk kinerja.
Variabel indikator X21, X22 dan X23 akan
membentuk/mengukur konstruk motivasi kinerja.

Konstruk lingkungan dan motivasi mempengaruhi

besarnya formatif konstruk kinerja.

Reflektif

Gambar 12 Konstruk formatif dan Indikator

37
5.3 Evaluasi jumlah item/indikator
Penentuan jumlah item yang akan dijadikan indikator
tergantung jumlah sampel (>50), hasil uji koefisiensi
(>0.30) dan hasil uji reliabilitas.

38
 Jalur penentuan jumlah item

No
Sam Use multiple items
ple
Size scale
50

Yes
No
Path coefficient < 0.3 Wea
k
Effec

Yes
No
Item correl. > 0.80
Homoge
and C Alpha > 0.90 inity

Yes
No
Yes
Using single
Semantic
item ally
Redudan
t

Gambar 13 Penentuan Item Penelitian

Kenapa jumlah sampel yang di dapat kurang ( <50),

biasanya disebabkan oleh kuesioner yang tidak terisi
lengkap oleh responder, atau responder malas mengisi
daftar pertanyaan.

39
Bila hasil uji path coefficient kurang dari 30% dan
hasil uji korelasi antar item > 80%, maka bisa
dipertimbangkan menggunakan single items.

Bilamana daftar pertanyaan hampir mirip di beberapa

item, maka single item bisa digunakan sebagai uji
refleksi variabel konstruk.

40
 Bab 6
Evaluasi Pengumpulan Data

6.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:
1. Menjelaskan tujuan evaluasi pengumpulan data.
2. Menjelaskan cara melakukan evaluasi
pengumpulan data.

6.2 Penjelasan evaluasi pengumpulan data

Data yang dikumpulkan dinyatakan kurang, bilamana
ditemukan indikator yang di drop > 15%,
penyebabnya data di isi oleh responder seadanya dan
pola jawaban atas kuesioner yang ganjil, misalnya
nilainya sama semua.

Sebaiknya outlier data di identifikasi terlebih dahulu

dengan box plot atau stem-and-leaf plot.

Distribusi data yang digunakan tidak diwajibkan

dalam keadaan normal distribusi dengan kata lain
bahwa uji normalitas tidak diperlukan.
41
 Bab 7
Menentukan Estimasi Model

7.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda:
1 Menjelaskan cara melakukan estimasi outer
model.
2 Menginterprestasikan hasil estimasi outer
model.

7.2 Penjelasan Estimasi Model

SmartPLS bekerja berdasarkan PLS-algoritma yang
akan mengukur outer model, seberapa besar
hubungan indikator dengan variabel faktor (latent),
hasilnya dinyatakan dalam bentuk : (1) Standardized
loading factor dan weight coeficiency. (2) Dimensi
bentuk format variabel laten dilihat dari convergent
validity dan discriminant validity.

Secara statistik, proses PLS-algoritma dimana hasil

PLS-algoritma mirip dengan uji regresi Ordinary
Least Square yang menghasilkan koefisiensi korelasi

42
(r) dan koefisiensi determinan (r2). Secara alami
merupakan pengujian non-paramterik. Estimasi inner
model akan menjelaskan konstruk dependen variabel
sebagai endogen, dan menjelaskan variabel
independent sebagai variabel eksogen.

Pada gambar 14 menggambarkan variabel

lingkungan, motivasi dan pengawasan berkontribusi
atau tidak terhadap dimensi variabel Kinerja sebagai
endogen kedua.

1. “Apakah variabel pengawasan berkontribusi

terhadap dimensi variabel lingkungan kerja sebagai
variabel endogen pertama?”

2. “Apakah variabel pengawasan dan lingkungan

kerja berkontribusi terhadap dimensi variabel
motivasi sebagai variabel endogen kedua?”

3. “Apakah variabel lingkungan, pengawasan dan

motivasi kerja berkontribusi terhadap dimensi
variabel kinerja sebagai variabel endogen ketiga?”

4. Akan di estimasi melalui uji t-statistik.

43
Lingkungan
(X1)

Kinerja
Motiva (Y)
si (X2)

Pengawasa
n (X3)

Gambar 14 Estimasi Struktural

44
 Bab 8
Evaluasi Hasil Pengukuran Indikator

8.1 Tujuan pembelajaran

Setelah mempelajari bab ini, anda dapat:

1. Menjelaskan cara melakukan evaluasi hasil

pengukuran model.

2. Meninterprestasi hasil evaluasi hasil pengukuran

model.

8.2 Penjelasan evaluasi hasil pengukuran

model
Gambar 15 menjelaskan pengukuran model reflektif
dilihat dari:

1. Loading factor dan AVE;

2. internal consistency (CA dan CR), convergent

validity (AVE).

45
 3. discriminant validity (Cross loading, Fornell
Larker Criterion Analysis dan HTMT
correlation).

Pengukuran model formatif dilihat dari:

1. Convergent validity (AVE)
2. Collinearity indikator (VIF < 5
3. Signifikansi outer weight.

Evaluasi Outter
Model

Model Refektif Model Formatif

Loading factor Internal Discriminant Collinearity Significancy

Consisten Validity AVE Test

cy
Gambar 15 Cara Evaluasi Outer Model

Evaluasi model Pengukuran dilakukan dengan

mengukur validitas convergent dan validitas
discriminant. Validitas convergent berhubungan

46
dengan prinsip bahwa pengukur-pengukur (manifest
variabel) dari suatu konstruk seharusnya berkorelasi
tinggi. Uji validitas convergent indikator refleksif
dapat dilihat dari: (1). Ukuran loading faktor untuk
mengetahui besarnya korelasi setiap indikator dengan
konstruk. (2). Internal konsistensi dimensi format
konstruk diukur dengan melihat Composite
Reliability, Cronbach Alpha, dan average variance
extracted (AVE).

8.3 Loading factor

Loading faktor merupakan standar estimasi bobot
(estimate weight) yang menghubungkan antara faktor
dengan indikator. Standar loading faktor adalah
antara 0 sampai dengan nilai 1.
Loading faktor signifikan valid bila mendekati nilai 1,
maka dapat dikatakan bahwa nilai bobot (estimate
weight) model pengukuran semakin kuat.
Nilai bobot (estimate weight) didapat dari hasil
loading faktor di kuadratkan. Misalnya nilai loading
faktor indikator X11 adalah 0,708 maka kita

47
kuadratkan, akan menjadi nilai bobot sebesar 0,50
(Hair et al., 2014:103).
Secara konvensional nilai loading faktor harus diatas
0,70 yang mengindikasikan bahwa nilai tersebut di
atas nilai error variance, maka nilai loading faktor
0,70 adalah nilai minimal setara nilai bobot 0.50 (Hair
et al., 2014:103). Bilamana nilai loading faktor di
bawah 0,70 maka indikator tersebut harus di drop atau
tidak digunakan karena error variance nya di lebih
dari 50% dilihat dari nilai bobot.

8.4 Composite Reliability

Uji Composite Reliability sebagai alternatif dari uji
Cronbach Alpha, untuk mengukur convergent validity
sebuah model reflektif. Menurut para peneliti bahwa
composite reliability nilainya lebih tinggi daripada
nilai hasil uji Cronbach Alpha.
Nilai composite reliability bervariasi dari nol sampai
dengan angka 1. Untuk penelitian eksplorasi, nilai
composite reliability minimal adalah 0,60 (Chin,
1998: Hock & ringle, 2006:15) atau lebih dari 0,70
pada penelitian konfirmasi (Henseler, Ringle and

48
Sarstedt, 2012:269). Nilai composite reliability > 0,90
mengindikasikan nilai varian error yang kecil (minor).

8.5 Average Variance Extracted

Uji AVE dapat digunakan untuk melihat convergent
and divergent validity. Hasil uji AVE akan
merefleksikan masing-masing faktor latent di dalam
model reflektif. Model reflektif dianggap adekwat
bila nilai AVE lebih besar dari 0,50 (Chin, 1998:
Hock & ringle, 2006:15). Nilai AVE harus lebih
tinggi dari nilai cross loading correlation. Bila nilai
AVE dibawah 0,50 dianggap memiliki error tinggi.
Validitas discriminant berhubungan dengan prinsip
bahwa pengukur-pengukur (manifest variabel)
konstruk yang berbeda seharusnya tidak berkorelasi.
Cara untuk menguji validitas discriminant dengan
indikator refleksif yaitu dengan melihat dari: (1)
Nilai cross loading correlation untuk setiap variabel
konstruk harus > 0,70; (2) Membandingkan nilai
Fornell-Larker Criterion untuk setiap konstruk
dengan nilai korelasi antar konstruk dalam model; (3)
Validatas discriminant yang baik ditunjukkan dari

49
nilai Fornell-Larker Criterion untuk setiap konstruk
harus lebih besar dari korelasi antar konstruk lainnya.
Ringkasan uji validitas convergent dan discriminant
dapat dilihat pada Tabel 3 di bawah ini.

Tabel 3 Ringkasan Uji Validitas Dan Reliabilitas

Validitas Parameter Rule of Thumb
Loading • >0,70 untuk confirmatory
Faktor research
• >0,60 untuk exploratory
research
Validitas
Composite • >0,70 untuk confirmatory
Convergent
Reliability research
• >0,50 exploratory research
AVE • >0,50 untuk confirmatory
dan exploratory research
Cross Loading • > 0,70 untuk setiap variabel
Validitas
Fornell-Larker • Korelasi antar konstruk
Discriminant
Criterion laten > 0,70

Ringkasan Uji Validitas dan Reliabilitas konstruk

dengan indikator refleksif dapat dilihat pada Tabel 4
dan table 5 di bawah ini.

50
 Tabel 4 Ringkasan Uji Reliabilitas Konstruk
Parameter Rule of Thumb
Composite • > 0,70 untuk confirmatory research
Reliability • 0,60 – 0,70 masih dapat diterima untuk
exploratory research
Cronbach’s Alpha • > 0,70 untuk confirmatory research
• > 0,60 masih dapat diterima untuk
exploratory research

Tabel 5 Hasil Uji Validitas dan Reliabilitas

CA Rho_A CR AVE
Kinerja 0,860 0,873 0,905 0,705
Motivasi 0,843 0,850 0,905 0,761
Pengawasan 0,931 0,938 0,950 0,827
Lingkungan 0,876 0,879 0,915 0,728

51
 Flowchart Formative Indicator Decision

Continue with
Yes interpretation outer
Outer weight absolutes and
weight
relative.
Significant
?

No
No
Outer
loading <
0.5

Yes

Yes
Removed the Yes Singifican
formative t test
indicator

52
 Bab 9
Evaluasi Hasil Struktural Model

9.1 Tujuan pembelajaran

Setelah mempelajari bab ini anda dapat:
1. Melakukan uji kolinearitas.
2. Mengevaluasi uji kolinearitas.
3. Meninterprestasi hasil uji kolinearitas.

9.2 Evaluasi Collinearity (VIF <5).

Struktural Model, adalah variabel yang tidak diukur
langsung, dimana dimensinya dibentuk melalui hasil
pengukuran pada indikator-indikator.

Sebelum menginterpreasi seberapa besar korelasi

antar variabel laten, maka terlebih dahulu harus di
evaluasi tingkat kolinearitas nya (fitable model).

Collinearity adalah istilah untuk menggambarkan

sebuah korelasi antar variabel latent dalam model,
kekuatan prediksinya tidak handal dan tidak stabil.

53
Penyebabnya adalah karena adanya pengulangan
korelasi dari variabel satu ke variabel lainya.

Kolinearitas tinggi bisa menyebabkan kesalahan

dalam melakukan estimasi bobot (weight estimation)
dan kesalahan terhadap penilai signifikansi.

Tabel 6 menggambarkan hasil penilaian collinearity

pada formatif konstruk dilakukan melalui perhitungan
Toleransi (TOL) dan VIF.

1. TOL outer model=1-Rsquare, misalnya R-square

0,75 maka TOL=100-0,75=0,25
2. VIF (Varianve Inflation Faktor) outer model= 1 :
TOL = 1:0,25=4 dengan perhitungan Standar
error = √VIF=√4=2
3. Indikator terjadinya collinearity bila nilai VIF >5
maka variabel tersebut harus di keluarkan dari
model pengukuran.

54
 Tabel 6 Hasil Uji Kolineritas
Kinerja Motivasi Pengawasan Lingkungan
Kinerja - - - -
Motivasi 1,416 - - -
Pengawasan 1,356 1,163 - 1,000
Lingkungan 1,275 1,163 -

9.3 Estimasi Signifikansi (T-statistics).

Path Coefficient akan menggambarkan kontribusi
atau pengaruh antar variabel konstruk, dilakukan
melalui melalui prosedur bootstrapping.

Pendekatan bootstrapping merepresentasi non-

parametric analysis precision estimation baik pada
outer model maupun pada inner model.

Nilai signifikansi dinyatakan dalam nilai uji t-

statistik, yang digunakan (two-tailed) t-value 1,65
(signifikan level 10%); 1,96 (signifikan level 5%);
dan 2,58 (signifikan level 1%).

55
9.4 Coeficient Determinant (R2)
Nilai R2 merupakan nilai koefisiensi determinan
dimana nilai tersebut akan menggambarkan kekuatan
prediksi variabel endogen dari model struktural.

Nilai R-Squares merupakan hasil uji regresi linier

yaitu besarnya variability endogen yang mampu
dijelaskan oleh variabel eksogen.

Nilai R2 0,67 menunjukkan kekuatan model kuat; 0,33

menunjukkan kekuatan moderat dan 0,19
menunjukkan kekuatan lemah kurang dari 0,19
dianggap tidak ada kekuatan model struktural (Chin,
1998).

Pada tabel 7 menunjukan besarnya kekuatan model

structural. Perubahan nilai R2 juga digunakan untuk
menjelaskan pengaruh variabel laten eksogen tertentu
terhadap variabel laten endogen.

Tabel 7 Hasil Uji R Sqaure

Matrix R2 Kekuatan
Pengawasan, Lingkungan, motivasi, 0,784 Moderat
terhadap Kinerja
Pengawasan dan Lingkungan 0,294 Moderat
terhadap motivasi.
Pengawasan terhadap Lingkungan 0,140 Kecil
kerja.
56
9.5 Nilai F2
Tambahan terhadap evaluasi konstruk endogen adalah
melihat besarnya pengaruh subtantif eksogen (F2) dan
total effect. Nilai F2 akan melihat pengaruh substatif
eksogen terhadap konstruk endogen.

Tabel 8 menggambarkan penentuan besarnya

pengaruh subtantif terhadap latent endogen di
klasifikasikan dalam 3 kategori: 0,02 pengaruh kecil,
0,15 pengaruh medium, dan 0.35 pengaruh besar.
Kurang dari 0,02 menunjukan tidak ada pengaruh (no
effect). Tabel 6 contoh interpretasi F2 kurang.

Tabel 8 Hasil Uji F2

F2 Besarnya pengaruh
Lingkungan - Kinerja 0,136 Medium
Lingkungan - motivasi 0,097 Kecil
Motivasi - Kinerja 1,592 Besar
Pengawasan - motivasi 0,166 Medium
Pengawasan - kinerja 0,081 Kecil
Pengawasan - lingkungan 0,163 Medium

Pengaruh subtantif lingkungan terhadap kinerja

adalah medium, sedangkan terhadap motivasi, kecil.
Pengaruh subtantif pengawasan terhadap motivasi dan

57
lingkungan kerja adalah moderat. Sedangkan terhadap
kinerja adalah kecil.

Tabel 9 Nilai Total Efect

Total Besarnya
Effect Pengaruh
Lingkungan - Kinerja 0,390 Besar
Lingkungan - motivasi 0,282 Medium
Motivasi - Kinerja 0,697 Besar
Pengawasan - motivasi 0,475 Besar
Pengawasan - kinerja 0,557 Besar
Pengawasan - lingkungan 0,374 Besar

Pada tabel 9 menunjukan besarnya nilai total effect

lingkungan, pengawasan dan motivasi terhadap
kinerja adalah besar. Total effect lingkungan terhadap
motivasi adalah medium. Total effect pengawasan
terhadap motivasi juga besar.

9.6 Predictive Relevance (Nilai Q2)

Prosedur blindfolding, akan menilai predictive
relevance model jalur. Predictive relevance (Q2)
sering disebut predictive sample reuse untuk
memvalidasi model konstruk endogen (Goodness of
Fit Model).

58
Nilai Q2 predictive relevance pada variabel endogen
dinyatakan baik (fit model) bila nilainya > dari
variabel eksogen.

Makna nilai Q2 predictive relevance yaitu 0,02

validitas relevansi prediktif fit model lemah; 0,15
validitas relevansi prediktif fit model moderate; dan
0,35 menunjukkan bahwa validitas relevansi prediktif
fit model kuat.

Hasil prosedur blindfolding, akan nenghasilkan

construct crossvalidated redundancy estimation. SSE
adalah sum square prediction error, sedangkan istilah
SSO adalah sum squared observation, maka nilai Q2 =
( 1 – SSE/SSO).

9.7 Effect size Q2

Tabel 10 menunjukan Effect size Q2 sebagai nilai
prediksi alamiah hasil pengamatan kontribusinya
terhadap pembentukan variabel endogen. SMART-
PLS tidak menghitung otomatis effect size Q2, harus
di hitung secara manual.

59
 Tabel 10 Effect Size Q2
Nilai Keterangan
0.02 – Kecil (small effect)
0.15 – Menengah (medium effect)
0.35 – Besar (large effect)

Rumus Effect size Q2

= Q2 included - Q2 excluded : (1 - Q2 included)

Ringkasan rule of thumb evaluasi model struktural

dapat dilihat pada Tabel 11 di bawah ini.

Tabel 11 Ringkqsan Evaluasi Model

Kriteria Rule of Thumb
R-Square 0,75; 0,50; dan 0,25 menunjukkan struktur
model kuat, moderate dan lemah (Hair et
al.2011)
Effect Size f2 0,02; 0,15; dan 0,35 menunjukkan pengaruh
kecil, menengah dan besar
Q2 predictive Q2 > 0 menunjukkan model mempunyai
relevance predictive relevance dan jika Q2 < 0
menunjukkan bahwa model kurang memiliki
predictive relevance
Q2 predictive 0,02; 0,15; dan 0,35 (lemah, moderate dan
relevance level kuat)
Signifikansi (two- t-value 1,65 (signifikansi level 10%); t-value
tailed) 1,96 (signifikansi level 5%), dan t-value
2,58 (signifikansi level 1%)

60
Langkah-langkah Penggunaan SmartPLS

1. Langkah pertama adalah merancang model

berbasis konsep dan teori.
2. Langkah kedua, merancang model struktural
(hubungan antar variabel laten)
3. Langkah ketiga, merancang model pengukurannya
(penentuan indikator-indikator).
4. Langkah empat, membuat diagram jalur (diagram
path) yang menjelaskan pola hubungan antara
variabel laten dengan indikatornya.
5. Langkah ke lima, mengkonversi diagram jalur
kedalam persamaan.
6. Langkah ke enam, melakukan evaluasi goodness
of fit yaitu dengan evaluasi model pengukuran
(outer model) dengan melihat validitas dan
reliabilitas. Jika model pengukuran valid dan
reliabel maka dapat dilakukan tahap selanjutnya
yaitu evaluasi model struktural. Jika tidak, maka
harus kembali mengkonstruksi diagram jalur.
7. Langkah ketujuh, mengintepretasi model.

61
 Bab 10
Konseptualisasi Model

10.1 Tujuan pembelajaran

Setelah mempelajari bab ini anda dapat:

1 Menjelaskan konsepsual model

2 Car melakukan pemilihan konstruk model..

10.2 Penjelasan Konseptualisasi Model

Salah satu aspek penelitian yang paling sulit - dan
salah satu yang paling sedikit dibahas - adalah
bagaimana mengembangkan ide untuk proyek
penelitian. Dalam perkuliahan, sebagian besar
berasumsi bahwa jika kita cukup membaca penelitian
di bidang yang diminati, secara ajaib akan dapat
menghasilkan ide-ide yang masuk akal untuk
melakukan penelitian lebih lanjut.

Satu hal yang dapat kita lakukan (dan beberapa teks

setidaknya membahas ini pada tingkat permulaan)

62
adalah mencari ide melalui membaca hasil penelitian
terdahulu.

Metode pemetaan konsepsual model dapat membantu

peneliti merumuskan suat masalah penelitian (finding
the research problem).

Metode lainnya yang mungkin termasuk dalam upaya

memformulasikan suatu masalah penelitian adalah
dengan melakukan diskusi terarah (focus group
discussion), brainstorming, brainwriting, dan metode
Delphi.

Pada penulisan ini, secara konsepsual bahwa

penelitian kinerja pada perawat dalam melakukan
asuhan keperawatan dipengaruhi oleh berbagai faktor
diantaranya faktor motivasi kerja, lingkungan kerja,
dan pengawasan kerja. Dari masing-masing faktor
tersebut dapat disusun beberapa masalah yang harus
di teliti yaitu masalah kinerja, motivasi, lingkungan
dan pengawasan kerja pada perawat untuk dibangun
menjadi beberapa konstruk atau konsepsual model
struktural penelitian.

63
10.3 Pemilihan Konstruk Model
Konstruk model dibuat berdasarkan konsep model
yang akan di teliti. Konsep model minimal dua model
yaitu model .

Setelah konstruk model terebntuk, lalu di bentuk

indikator-indikatornya. Hasil pengukuran indikator
akan membentuk nilai konstruk model eksogen dan
endogen. Model eksogen adalah variabel yang akan
mempengaruhi variabel endogen.

Dalam aplikasi analisis SEM dengan PLS ini dipilih

beberapa konstruk (variabel laten) yaitu:

1 Gambar 13 menggambarkan bahwa Konstruk

Kinerja (Y) dipengaruhi secara langsung oleh
konstruk lingkungan kerja (X1), Konstruk
motivasi kerja (X2), dan konstruk pengawasan
kerja (X3).
2 Setiap konstruk mempunyai variabel indikator
(items), dimana indikator merupakan
manifestasi terhadap konstruk.

64
Hubungan kausalitas antara konstruk dan
indikatornya masing-masing dalam konseptual model
penelitian ini adalah bersifat refleksif, sedangkan
bentuk konstruk dilihat sifat formatif.

Lingkung
an (X1)

Motivas Kinerja

i (X2) (Y)

Pengaw
asan
(X3)

Gambar 16 Konsepsual Model

Dengan demikian gambar diagram jalur (path

diagram) dari model struktural dengan konstruk
refleksif dapat dilihat pada Gambar 16 diatas.

Variabel kinerja sebagai variabel endogen dengan

variabel eksogennya adalah variabel motivasi,
pengawasan kerja dan lingkungan kerja.

65
 Dari koseptual diatas dapat di Tarik suatu pertanyaan:

1. Apakah variabel motivasi, pengawasan kerja dan

lingkungan kerja berkontribusi terhadap
pembentukan variabel kinerja?
2. Apakah variabel pengawasan kerja dan lingkungan
kerja berkontribusi terhadap pembentukan variabel
motivasi?
3. Apakah Variabel pengawasan kerja berkontribusi
terhadap pembentukan variabel lingkungan kerja?

Penentuan indikator pada masing-masing model atau

konstruk dijelaskan pada gambar 17 dan tabel 12
dibawah ini.

Tabel 12 Rencana Penentuak Indikator

Construct Indicator Code
Lingkungan kerja Lingkungan fisik X11
Lingkungan sosial X12
Iklim kerja X12
Pengawasan kerja Pengarahan (guidance) X31
Konsultasi (counseling) X32
Penilaian (work evaluation) X33
Motivasi kerja Dedikasi kerja X21
Role model X22

66
 Disiplin kerja X23
Kinerja Penampilan kerja Y1
Kualitas dan kuantitas kerja Y2
Hubungan kerja Y3
Kerja kelompok Y4

X11

X12 Lingkungan
(X1)
X13
Y1

X21 Y2
Kinerja (Y)
X22 Motivasi
Y3
X2)
X23
Y4

X31

Pengawasan
X32
(X3)

X33

Gambar 17 Indikator dan Struktural Model

Gambar 17 menunjukan bahwa arah panah dari

variabel X1, X2 dan X3 menuju variabel Y, maka
dapat di katakan bahwa:

67
(1). Formatif variabel Kinerja bisa terbentuk oleh
adanya variabel lingkungan, motivasi dan
pengawsan kerja;

(2). Formatif motivasi bisa terbentuk oleh adanya

variabel lingkungan dan pengawsan kerja;

(3). Formatif lingkungan kerja bisa terbentuk oleh

karena adanya variabel pengawasan kerja.

68
 Bab 11
Penentuan Hipotesis

11.1 Tujuan pembelajaran

Setelah mempelajari bab ini anda dapat:

1 Menjelaskan engapa hiptesis diperlukan dalam

sebuah penelitian kuantitatif.

2 Menentuka. hipotesi nul pada penelitian

kuantitatif.

11.2 Penjelasan hipotesis

Hipotesis adalah pernyataan prediksi spesifik yang
sifatnya sementara. Ini akan menjelaskan secara
konkret (bukan teoritis) apa yang anda harapkan akan
terjadi dalam studi anda walaupun tidak semua
penelitian memiliki hipotesis.

Tidak ada hipotesis formal, dan mungkin tujuan dari

penelitian ini adalah untuk mengeksplorasi beberapa
area secara lebih menyeluruh untuk mengembangkan
beberapa hipotesis atau prediksi spesifik yang dapat
diuji dalam penelitian masa depan.
69
Secara formal mengatur uji hipotesis adalah dengan
merumuskan dua pernyataan hipotesis, satu yang
menggambarkan prediksi dan satu lagi yang
menggambarkan semua hasil lainnya yang mungkin
sehubungan dengan hubungan yang dihipotesiskan.

Prediksi pertama adalah bahwa variabel A dan

variabel B akan terkait (apakah itu hubungan positif
atau negatif), maka satunya lagi tidak ada kaitannya.
Biasanya, kami menyebut hipotesis bahwa Anda
mendukung (prediksi anda) hipotesis alternatif, dan
kami menyebut hipotesis yang menggambarkan
kemungkinan hasil yang tersisa sebagai hipotesis nol.

Sebuah studi tunggal mungkin memiliki satu atau

banyak hipotesis berdasarkan model structural yang
sudah di rancang sebelumnya.

11.3 Hipotesis nul

Contoh hipotesis nul berdasarkan gambar 18:

1. Pengawasan tidak berkontribusi terhadap dimensi

lingkungan kerja perawat.
2. Pengawasan tidak berkontribusi terhadap dimensi
kinerja perawat.

70
3. Pengawasan tidak berkontribusi dimensi motivasi
perawat.
4. Lingkungan kerja tidak berkontribusi dimensi
motivasi perawat.
5. Lingkungan kerja tidak berkontribusi dimensi
kinerja perawat.

Pengawasa
n (X1)

Motivasi Kinerja

(X2) (Y)

Lingkung
an (X3)

Gambar 18 Model Struktural

71
 Bab 12
Evaluasi Pengukuran Model
12.1 Tujuan pembelajaran
Setelah mempejari bab ini, anda harus mampu:

1 Mejelaskan cara melakukan pengukuan loading

factor.

2 Menginterprestasikan hasil pengukuran loading

factors.

3 Menginterprestasikan hasil pengukuran

Cronbach Alpha

4 Menginterprestasikan hasil penelitian

reliabilitas.

12.2 Pengukuran Loading Faktors

Dari hasil output analisis pada gambar 19 di bawah
terlihat bahwa sebagian besar konstruk dengan
indikator refleksif menghasilkan nilai loading faktor
> 0,70. Ini berarti bahwa indikator-indikator konstruk
tersebut adalah valid (Chin, 1998).

72
 Loading factors pengawasan

Loading factors motivasi

Loading
factors
lingkungan

Loading factors kinerja

Gambar 19 Factor Loading

12.3 Cronbach Alpha

Hasil uji Cronbach Alpha dapat menggambarkan
convergent validity. Nilai Cronbach Alpha > 0,80
memiliki skala baik, > 0,70 memiliki skala yang
diterima, dan > 0,60 dianggap berskala exploratif ini
termasuk estimasi rendah.

Nilai cronbach alpha untuk semua konstruk adalah

lebih besar dari 0,70. Nilai cronbach alpha yang

73
paling tinggi ditunjukkan oleh konstruk pengawasan
sebesar 0,931 dan nilai cronbach alpha yang paling
rendah ditunjukkan oleh konstruk motivasi sebesar
0,843.

Oleh karena tidak ada nilai di bawah 0,70 maka dapat

disimpulkan bahwa semua indikator konstruk adalah
memenuhi uji realibilitas Cronbach Alpha dengan
skala baik.

Gambar 20 Cronbach Alpha

74
12.4 Composite Relibility
Dari gambar 21 dan tabel 13 di bawah ini, nilai
composite reliability yang dihasilkan oleh semua
konstruk adalah sangat baik karena di atas > 0,70. Ini
berarti bahwa semua indikator konstruk adalah
reliabel atau memenuhi uji reliabilitas. Nilai
composite reliability yang paling tinggi ditunjukkan
oleh konstruk pengawasan sebesar 0,950. Sedangkan
nilai composite reliability yang paling rendah
ditunjukkan oleh konstruk motivasi dan kinerja
sebesar 0,905. Dapat dilihat pula bahwa nilai
composite reliability jauh lebih tinggi untuk semua
konstruk dibandingkan dengan nilai cronbach alpha.

75
 Gambar 21 Composite Reliability

Tabel 13 Hasil Uji Validitas dan Reliabilitas

N0 Variabel Cronbach Composite
Konstruk Alpha Reliability
1 Pengawasan 0,931 0,950
2 Lingkungan 0,876 0,915
3 Motivasi 0,843 0,905
4 Kinerja 0,860 0,905

76
12.5 AVE (Average Variance Extracted)
Dari nilai AVE yang ditunjukkan oleh Tabel 14 di
bawah ini terlihat bahwa nilai AVE untuk semua
indikator konstruk adalah lebih besar dari 0,50. Ini
berarti semua indikator konstruk adalah valid atau
memenuhi persyaratan validitas konvergen dan
Discriminant validitas. Nilai AVE yang paling tinggi
ditunjukkan oleh indikator konstruk pengawasan
sebesar 0,827 dan yang paling rendah ditunjukkan
oleh indikator konstruk kinerja sebesar 0,705.

Gambar 22 AVE

77
 Tabel 14 Hasil Uji AVE
No Variabel Konstruk AVE
1 Pengawasan 0,827
2 Lingkungan 0,728
3 Motivasi 0,761
4 Kinerja 0,705

12.6 Discriminant Validity

Discriminant validity merupakan indikator reflektif
dapat dilihat pada nilai cross loading antara indikator
dengan konstruknya.

Hasil uji Discriminat validitas bisa dilihat dari tabel

Cross loading correlation merupakan alternatif dari
uji AVE dan Fornell-Larker Criterion Correlation.

Dari Tabel 15 di bawah ini terlihat bahwa hasil

korelasi silang (cross loading correlation) pada
konstruk kinerja dengan indikatornya Y1, Y2, Y3, Y4
lebih tinggi dibandingkan dengan konstruk lainnya
(motivasi, pengawasan dan lingkungan).

Korelasi konstruk motivasi dengan indikator X21,

X22, dan X23 lebih tinggi dibandingkan dengan

78
korelasi indikator dengan kontruk lainnya
(pengawasan dan lingkungan). Korelasi konstruk
lingkungan dengan indikator X31, X32, X33, dan
X34 lebih tinggi dibandingkan dengan korelasi
indikator dengan kontruk lainnya (kinerja,
lingkungan dan motivasi).

Korelasi konstruk pengawasan dengan indikator X11,

X12, X13 dan X14 lebih tinggi dibandingkan dengan
korelasi indikator dengan kontruk lainnya (kinerja,
pengawasan dan motivasi).

Hal ini menunjukkan bahwa konstruk laten

memprediksi indikator pada blok mereka lebih baik
dibandingkan dengan indikator di blok lainnya.
Dengan demikian dapat disimpulkan bahwa korelasi
setiap konstruk laten dengan indikator bloknya
masing-masing adalah valid.

79
 Tabel 15 Hasil Uji Cross-Loading

Tabel 16 Hasil Fornell-Larker Criterion

Variabel Laten Kinerja Motivasi Pengawasan Lingkung-
an
Kinerja 0,840
Motivasi 0,851 0,872
Pengawasan 0,557 0,457 0,909
Lingkungan 0,544 0,420 0,374 0,853

Dari Tabel 16 di atas terlihat bahwa nilai Fornell-

Larker Criterion Correlation kinerja sebesar 0,840
lebih tinggi daripada korelasi antara konstruk kinerja
lingkungan, motivasi dan pengawasan. Lingkungan
0,853 lebih tinggi daripada korelasi konstruk kinerja,
motivasi dan pengawasan. Motivasi 0,872 lebih tinggi
daripada kinerja. Pengawasan 0,909 lebih tinggi dari

80
kinerja dan motivasi. Dengan demikian dapat
disimpulkan bahwa semua konstruk dalam model
yang diestimasi itu memenuhi kriteria discriminant
validity.

81
 Bab 13
Evaluasi Struktural Model

13.1 Tujuan pembelajaran

Setelah mempelajari bab ini anda dapat:

1 Menjelaskan maksud dan tujuan evaluasi

model.

2 Melakukan evaluasi struktural model.

3 Menginiterprestasikan hasil evasulasi

struktural model.

13.2 Penjelasan evaluasi struktural model

Struktural Model, adalah variabel yang tidak diukur
langsung, dimana dimensinya dibentuk melalui hasil
pengukuran pada indikator-indikator.

Struktural model memenuhi syarat bila tidak

ditemukan masalah pada hasil uji kolinearitas.

82
Collinearity adalah istilah untuk menggambarkan
sebuah korelasi antar variabel latent dalam model,
kekuatan prediksinya tidak handal dan tidak stabil.

Correlation Matrix
Y1 X1 X2

Y1 1
X1 0,38 1
X2 0,14 0,68 1
X1 dan X2 berkorelasi positif terhadap Y1 (0,38 dan 0,14).
X1 dan X2 berinterkorelasi terhadi Y1. X2 berkorelasi
tinggi terhadap X2 (0,68).

Formative Measurement Model

X1 0,53
Y1
X2
-0,17

Dari hasi pengukuran model tersebut diatas, X1

berkorelasi positif terhadap Y1 (0,53), tapi X2
berkorelasi negative terhadap Y1 (-0,17) hal ini
menunjukan lemahnya korelasi antara X2 terhadap Y1
(Collinearity unexpectedly).

83
 Chart Inner Model Evaluation

Step 1 Assess structural model Collinearity

A.issues

Step 2 Assess significance and relevance

structural model relathionships

Step 3 Assess the level of R2

Step 4 Assess the f2 effect size

Step 5 Assess the predictive relevance Q2

Step 6 Assess the Q2 effect size

84
13.3 Evaluasi Collinearity
Secara teori penyebab terjadinya collinearity adalah
karena adanya pengulangan korelasi dari variabel satu
ke variabel lainnya. Menilai nilai kolinearitas
dilakukan dengan melakukan pengukuran toleransi
(TOL). Toleransi mewakili variansi satu indikator
formatif (TOL=1-R2). Bila nilai R2 X sebesar 0,75
maka TOL= 1-0,75=0,25.

Indikator kolinearitas dilihat dari nilai VIF (Variance

Inflation Factor). VIF adalah nilai toleransi reciprocal
(VIFxs=1/TOLxs). Bila nilai TOL X=0,25 maka VIF
sebesar=1/0,25=4 untuk X (VIFxs).

Indikator terjadinya inner model collinearity bila nilai

VIF >5 maka variabel konstruk tersebut harus di
keluarkan dari struktural model (unfit model).

85
 Tabel 17 Hasil Uji Kolineritas (VIF)
Kinerja Motivasi Pengawasan Lingkungan
Kinerja - - - -
Motivasi 1,416 - - -
Pengawasan 1,356 1,163 - 1,000
Lingkungan 1,275 1,163 -

Assess level collinearity

VIF<5 VIF >5

Treat collinearity issue

VIF<5 VIF >5

Check t test, R2 Dismiss

86
13.4 Evaluasi Estimasi Signifikansi ( t test)
Dari hasil evaluasi estimasi signifikansi (evaluation of
prescision of estimation), bisa menjawab hipotesis nul
yang di ajukan apakah diterima atau ditolak. Dari
evaluasi model struktural melalui prosedur
bootstraping seperti yang ditunjukkan oleh tabel 18:

1. Hasil uji t-statistik antara variabel pengawasan

terhadap lingkungan kerja (2,823), pengawasan
mempengaruhi lingkungan kerja maka hipotesis
nul di tolak.
2. Hasil uji t-statistik antara variabel pengawasan
terhadap motivasi kerja (3,545), pengawasan
mempengaruhi motivasi kerja, maka hipotesis nul
di tolak.
3. Hasil uji t-statistik antara variabel pengawasan
terhadap kinerja (2,3371), pengawasan
mempengaruhi kinerja, maka hipotesis nul di
tolak.
4. Hasil uji t-statistik antara variabel lingkungan
kerja terhadap motivasi kerja (3,464), lingkungan
kerja mempengaruhi motivasi kerja, maka
hipotesis nul di tolak.
5. Hasil uji t-statistik antara variabel lingkungan
kerja terhadap kinerja (3,199), lingkungan kerja
mempengaruhi motivasi kerja, maka hipotesis nul
di tolak.
87
6. Hasil uji t-statistik antara variabel motivasi kerja
terhadap kinerja (10,034), motivasi kerja
mempengaruhi kinerja maka hipotesis nul di
tolak.

Gambar 23 Uji T Statistik

88
 Tabel 18 Hasil Uji Path Coefficiencies
Original Mean Standard T P
Korelasi
Sample Samples error Statistic Value
Pengawasan à 0,018
0,154 0,149 0,065 2,371
Kinerja
Pengawasan à 0,000
0,369 0,367 0,104 3,545
Motivasi
Pengawasan à 0,005
0,374 0,374 0,133 2,823
Lingkungan
Motivasi à 0,000
0,697 0,696 0,069 10,047
Kinerja
Lingkungan à 0,001
0,193 0,200 0,060 3,199
Kinerja
Lingkungan à 0,001
0,315 0,312 0,091 3,346
Motivasi

13.5 Evaluasi Korelasi Determinan (R2)

Nilai R-squared (R2) dipergunakan untuk megukur
seberapa besar pengaruh variabel laten eksogen
tertentu terhadap variabel laten endogen. Menurut
Chin (1998) dalam Ghozali (2012: 27), hasil R2 =
0,67 menunjukkan kekuatan model kuat; R2 = 0,33
menunjukkan kekuatan moderat dan R2 = 0,19
menunjukkan kekuatan lemah kurang (Chin, 1998).

89
Dari Gambar 24 di bawah terlihat bahwa nilai R-
square variabel laten (kinerja) sebesar 0,784 dan R-
square variabel laten (motivasi) sebesar 0,3294 serta
R-square variabel laten (lingkungan) sebesar 0,140.
Hal ini dapat diinterpretasikan bahwa variabel
konstruk kinerja yang dapat dijelaskan oleh variabel
pengawasan, lingkungan dan motivasi sebesar 78,4%,
sedangkan sisanya lagi dijelaskan oleh variabel lain di
luar yang diteliti.

Tabel 19 menjelaskan juga bahwa variabel motivasi

yang dapat dijelaskan oleh variabel pengawasan dan
lingkungan kerja sebesar 29,4%, sedangkan sisanya
dijelaskan oleh variabel lain di luar yang diteliti.
Variabel lingkungan yang dapat dijelaskan oleh
variabel pengawasan sebesar 14% sisanya di jelaskan
oleh variabel di luar penelitian.

90
 Gambar 24 R Sqaure

Tabel 19 Hasil Uji R2

Matrix R2 Kekuatan
Pengawasan, Lingkungan, motivasi, 0,784 Moderat
terhadap Kinerja
Pengawasan dan Lingkungan 0,294 Moderat
terhadap motivasi.
Pengawasan terhadap Lingkungan 0,140 Kecil
kerja.

Dari tabel 19 diketahui kekuatan model pengawasan,

lingkungan kerja dan motivasi terhadap model kinerja
91
(R2=0,784) adalah moderat (sedang), sedangkan
kekuatan model pengawasan terhadap model
lingkungan (R2=0,140) adalah moderat dan kekuatan
model pengawasan, lingkungan kerja terhadap model
motivasi (R2=0,294) adalah moderat.

13.6 Evaluasi Nilai F2 (Size effect)

Tambahan terhadap evaluasi konstruk endogen adalah
melihat besarnya pengaruh (F2) dan total effect. Nilai
F2 akan melihat pengaruh substantif konstruk eksogen
terhadap konstruk endogen.

Penentuan besarnya pengaruh langsung konstruk

eksogen terhadap konstruk endogen di klasifikasikan
dalam 3 kategori: 0,02 pengaruh kecil, 0,15 pengaruh
medium, dan 0.35 pengaruh besar.

Tabel 20 interpretasi nilai F2, dimana besarnya

pengaruh motivasi terhadap kinerja sangat besar
(f2=0,592). Pengaruh lingkungan kerja terhadap
motivasi adalah medium (f2=0,136), sedangkan
terhadap motivasi kerja adalah kecil (f2=0,097).
Pengaruhi pengawasan erhadap motivasi adalah kecil

92
 (f2=0,081), sedangkan terhadap lingkungan kerja
adalah medium (f2=163).

Pengawasa F2=0,081
n F2=0,081
F2=0,592 Kinerj
Motiv a
asi
F2=0,163
F2=0,097
F2=0,136

Lingkungan

Gambar 25 Size Effect F2

Tabel 20 Hasil Uji Effect size F2

F2 Besarnya pengaruh
Lingkungan - Kinerja 0,136 Medium
Lingkungan - motivasi 0,097 Kecil
Motivasi - Kinerja 1,592 Besar
Pengawasan - motivasi 0,166 Medium
Pengawasan - kinerja 0,081 Kecil
Pengawasan - lingkungan 0,163 Medium

Pengaruh subtantif lingkungan terhadap kinerja

adalah medium, sedangkan terhadap motivasi, kecil.
Pengaruh subtantif pengawasan terhadap motivasi dan
lingkungan kerja adalah moderat. Sedangkan terhadap
kinerja adalah kecil.

93
 Tabel 21 Hasil Total Effect
Total Besarnya
Effect Pengaruh
Lingkungan - Kinerja 0,390 Besar
Lingkungan - motivasi 0,282 Medium
Motivasi - Kinerja 0,697 Besar
Pengawasan - motivasi 0,475 Besar
Pengawasan - kinerja 0,557 Besar
Pengawasan - lingkungan 0,374 Besar

Pada tabel 21 menunjukan besarnya total effect

lingkungan, pengawasan dan motivasi terhadap
kinerja adalah besar. Total effect lingkungan terhadap
motivasi adalah medium. Total effect pengawasan
terhadap motivasi juga besar.

13.7 Evaluasi Nilai Q2

Nilai Q2 adalah nilai predictive relevance atau disebut
predictive sample reuse pada variabel endogen
dinyatakan model tersebut “fit” bila model konstruk
nilainya lebih besar dari variabel eksogen atau
dengan kata lain model konstruk yang diukur
seberapa baik nilai observasi pada model tersebut.

Nilai Q2 (predictive relevance) pada variabel endogen

dinyatakan baik (fit model) bila nilainya > dari
variabel eksogen.
94
Makna nilai Q2 predictive relevance yaitu 0,02
validitas relevansi prediktif fit model lemah; 0,15
validitas relevansi prediktif fit model moderat; dan
0,35 menunjukkan bahwa validitas relevansi prediktif
fit model kuat.

Hasil prosedur blindfolding pada Smart-PLS akan

menghasilkan nilai Construct Crossvalidated
Redundancy seperti pada tabel 17 dibawah ini,
dimana validasi relevance predictive model konstruk
kinerja sebagai variabel endogen lebih besar dari
variabel endogen lainnya (lingkungan dan motivasi).

Pada tabel 22 juga menunjukan prediksi eksogen yang

mempengaruhi kinerja dan motivasi adalah moderat,
sedangkan terhadap lingkungan kecil.

Prediksi relevansi model fit konstruk kinerja

(Q2=0,537) lebih besar daripada konstruk lingkungan
(Q2=0,095) dan motivasi kerja (Q2=0,215), maknanya
model struktural tersebut adalah “fit”.

95
 Pengawasa
n

Q2=0,53
Q2=0,21 7
5 Kinerja
Motivas

Q2=0,095
Lingkunga
n

Gambar 26 Predictive Relevancy (Q2)

Tabel 22 Hasil Uji Construct Cross-validate Redundancy(Q2)

Endogent SSO SSE Q2 (1-SSE/SSO) Fit Model
Kinerja 400 185,138 0,537 Moderat
Lingkungan 400 361,839 0,095 Kecil
Motivasi 400 235,943 0,215 Moderat

13.8 Evaluasi Q2 size effect

Effect size Q2 menunjukan nilai prediksi alamiah
hasil pengamatan kontribusinya terhadap
pembentukan variabel endogen.

f2 effect size level; 0.02 – small effect, 0.15 –

medium effect, 0.35 – large effect.

96
 Q2=0,53
Q2=0,12
0
8
Motivas
Kinerja

Lingkunga
n

Gambar 27 Predictive Relevancy Q2 Exluded

= Q2 effec size
= Q2 included-Q2excluded/(1-Q2incuded).

Tabel 23 Q2 Effect Size

Construct Q2 Q2 Q2 Effect
endogen included excluded effect Size
size
Kinerja 0,537 0,530 0,015 Tidak ada
Motivasi 0,213 0,128 0,108 Kecil

97
 A. Kesimpulan

Dari evaluasi model struktural PLS-SEM (Partial

Least Square - Structural Equation Modeling), maka
dapat diambil beberapa kesimpulan penting yaitu:

1. Hasil uji t-statistik antara variabel pengawasan

terhadap lingkungan kerja (2,823), pengawasan
mempengaruhi / berkontribusi terhadap
lingkungan kerja maka hipotesis nul di tolak.
2. Hasil uji t-statistik antara variabel pengawasan
terhadap motivasi kerja (3,545), pengawasan
mempengaruhi motivasi kerja, maka hipotesis nul
di tolak.
3. Hasil uji t-statistik antara variabel pengawasan
terhadap kinerja (2,3371), pengawasan
mempengaruhi berkontribusi terhadap kinerja,
maka hipotesis nul di tolak.
4. Hasil uji t-statistik antara variabel lingkungan
kerja terhadap motivasi kerja (3,464), lingkungan
kerja mempengaruhi berkontribusi terhadap
motivasi kerja, maka hipotesis nul di tolak.
5. Hasil uji t-statistik antara variabel lingkungan
kerja terhadap kinerja (3,199), lingkungan kerja
mempengaruhi berkontribusi terhadap motivasi
kerja, maka hipotesis nul di tolak.
6. Hasil uji t-statistik antara variabel motivasi kerja
terhadap kinerja (10,034), motivasi kerja
98
 mempengaruhi / berkontribusi terhadap kinerja
maka hipotesis nul di tolak.
7. Pengawasan berkontribusi terhadap dimensi
konstruk lingkungan kerja (r2= 0,140).
8. Pengawasan dan lingkungan kerja secara
bersama-sama berkontribusi terhadap dimensi
konstruk motivasi (r2= 0,294).
9. Pengawasan, lingkungan kerja dan motivasi kerja
secara bersama-sama berkontribusi terhadap
dimensi konstruk kinerja (2=0,784).

B. Penutup

Berdasarkan pembahasan yang telah diuraikan, maka

didapatkan kesimpulan sebagaimana berikut:

1. Penggunaan software Smart-PLS lebih mudah

digunakan karena tanpa mempertimbangkan
normalitas data dan bisa digunakan dengan
jumlah sample di bawah 100.
2. Analisa PLS dengan menggunakan software
Smart-PLS dapat menguji kontribusi antar
konstruk dengan melihat, apakah ada
berkontribusi atau tidak berkontribusi antar
konstruk tersebut.
Analisa PLS dapat menguji ketepatan model prediksi
dilihat dari nilai koefisien determinasi (R-square).

99
Karena itu, analisa PLS sangat tepat digunakan pada
penelitian yang bertujuan mengembangkan teori.

C. Saran

Adapun yang dapat disarankan untuk penelitian yang

tidak memiliki sampel besar dalam kasus berbeda,
analisis PLS dengan software Smart-PLS dapat
digunakan sebagai alat analisis dan data dalam
analisis PLS juga tidak harus berdistribusi normal.

DAFTAR PUSTAKA
1. Hair J.F., Hult G.T.M., Ringle C.M., Sarstedt M.,
(2017). A primer on partial least squares
structural equation modeling (2nd ed.), Sage,
Thousand Oakes, CA.

2. Hair, J. F. Jr., Anderson, R. E., Tatham, R. L. &

Black, W. C. (1995): Multivariate Data Analysis
(3rd ed). New York: Macmillan.

3. Hair, J. F., Sarstedt, M., Ringle, C. M., and

Gudergan, S. P. (2018) : Advanced Issues in
Partial Least Squares Structural Equation
Modeling (PLS-SEM). Thousand Oaks, CA:
Sage.

100
4. Haas, Emily Joy. (2019) : The Role of
Supervisory Support on Workers’ Health and
Safety Performance. Journal Health
Communication. 2019/01/04 doi:
10.1080/10410236.2018.1563033.
https://doi.org/10.1080/10410236.2018.156303

5. Henseler, J., Hubona, G., & Ray, P. A.

(2016). Using PLS path modeling in new
technology research: updated guidelines.
Industrial management & data systems,
116(1), 2-20.

6. Lowry P.B., dan Gaskin J., (2014) : Partial Least

Squares (PLS) Structural Equation Modeling
(SEM) for Building and Testing Behavioral
Causal Theory: When to Choose It and How to
Use It. IEEE Transactions on Professional
Communication, Vol. 57, No. 2, June 2014

7. N.K. Avkiran, C.M. Ringle (2018) : PLS-SEM

Recent Advances in Banking and Finance.
International Series in Operations Research and
Management. Swiss:Springer

8. Passmore, J., (2016) : Wiley Blackwell

Handbooks in Organizational Psychology. This
edition first. Sussex, UK: published by John
Wiley & Sons, Ltd, Registered Office. John
Wiley & Sons Ltd.

9. Ringle, Christian M., Wende, Sven, & Becker,

Jan-Michael. (2015): SmartPLS 3. Bönningstedt:
101
 SmartPLS. Retrieved from
http://www.smartpls.com

10. Rahmawanti NR., Swasto B., Prasetya A.,

(2014) : Pengaruh lingkungan kerja terhadap
kinerja karyawan (Studi pada Karyawan Kantor
Pelayanan Pajak Pratama Malang Utara). Jurnal
Administrasi Bisnis (JAB)| Vol. 8 No. 2 Maret
2014, administrasibisnis.studentjournal.ub.ac.id

11. Sakti F.T., Fauzia S.N., (2018) : Pengaruh

Pengawasan Pajak Hotel Terhadap Tingkat
Kepatuhan Wajib Pajak (Studi Kasus Pada
Badan Pendapatan Daerah Kabupaten Garut).
JISPO: Jurnal Ilmu Sosial dan Ilmu Politik Vol.8
No. 1 Edisi Januari- Juni tahun 2018

12. Williams L.J., Gavin M.B., Hartman N.S., (2015)

: Structural equation model methods in strategy
research: application and issues. In Research
Methodology in Strategy and Management.
Published online: 10 Mar 2015; 303-346.

102
 Mantri Sobur Setiaman

Lahir di Sumedang, tamat Sekolah Perawat

Kesehatan Pemda Sumedang tahun 1987. D3
Keperawatan dari Akademi Keperawatan Saiffudin
Zuhri Indramayu. S1 dan Profesi Ners dari
Universitas Muhammadiyah Semarang.
Tamat Magister Manajemen Kesehatan,
Keselamatan Kerja dan Lingkungan (MM K3L),
Sekolah Paskasarjana dari Universitas Sahid
Jakarta dan Magister Keperawatan dari Sekolah
Paskasarjana Institut Ilmu Kesehatan Strada
Indonesia Kediri.
Dari sejak lulus sekolah perawat, berkarya dan
mengabdi diperusahaan pertambangan
multinasional. 16 Tahun bekerja di pertambangan
Emas (PT Freeport Indonesia), dan sejak tahun
2006 bekerja di pertambangan minyak dan Gas
terbesar di timur tengah (Qatar).

103