PLS SEM Dengan SmartPLS

Download Berbagai Ebook, Gratis, di
www.statkomat.com
2
Youtube: STATKOMAT
Website: www.statkomat.com | www.pranaugi.com
Tulisan Ini Diperbarui pada 28 Oktober 2022
i
Software Statistik Buatan Kami STATCAL
Download Gratis di www.statcal.com
ii
iii
iv
KATA PENGANTAR
Alhamdulillah, puji syukur atas kehadirat Allah SWT, karena atas izin-Nya, penulis dapat terus
mempertahankan semangat untuk menulis, dan akhirnya dapat menyelesaikan buku ini. Hadirnya buku
ini, tidak semata-mata atas usaha penulis sendiri, melainkan atas izin-Nya. Sungguh suatu kebahagiaan
bagi penulis bisa berbagi sebagian kecil ilmu pengetahuan milik-Nya melalui buku yang berjudul
“Partial Least Squares Structural Equation Modeling (PLS-SEM) dengan Software SmartPLS”.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu dalam rangka
penyelesaian buku ini. Penulis menyadari bahwa buku ini tentunya masih perlu perbaikan, sehingga
penulis mengharapkan kritik dan saran yang membangun dari para pembaca agar buku ini dapat menjadi
lebih baik. Kritik dan saran dapat ditujukan ke alamat email gioprana89@gmail.com.
Medan, 28 Oktober 2022
Prana Ugiana Gio
v
DAFTAR ISI
BAB 1 CONTOH KASUS 1 [1]
1.1 Model
1.2 Hipotesis
1.3 Data
1.4 PLS-SEM dengan Menggunakan SmartPLS
1.5 Interpretasi Hasil

1.5.1 Outer Loading atau Loading
1.5.2 Average Variance Extracted (AVE)
1.5.3 Composite Reliability
1.5.4 Validitas Diskriminan: Cross-Loading & Fornel-Larcker
1.5.5 Pengujian Model Struktural (Structural Model / Inner Model)
Download Data: https://bit.ly/3JErqpb
Penjelasan Youtube Bab 1, Link: https://youtu.be/-9jBAoI0k5A
BAB 2 CONTOH KASUS 2 (MEDIASI) [14]
2.1 Model
2.2 Hipotesis
2.3 Data

2.5.5 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi Pengaruh
Langsung & Tak Langsung (Mediasi)
Download Data: https://bit.ly/3up8xln
Penjelasan Youtube Bab 2, Link: https://youtu.be/C0AluOi21v8
vi
BAB 3 CONTOH KASUS 3 (MEDIASI): ARTIKEL NASIONAL [30]
3.1 Model
3.2 Hipotesis
3.3 Data

Langsung & Tak Langsung (Mediasi)
Download Data: https://bit.ly/3vdecKS
Penjelasan Youtube Bab 3, Link: https://youtu.be/kkTNHNQVLY8
BAB 4 CONTOH KASUS 4: FORMATIF-REFLEKTIF [47]
4.1 Model
4.2 Hipotesis
4.3 Data
4.5 Interpretasi Hasil pada Indikator-Indikator Reflektif

4.6 Interpretasi Hasil pada Indikator-Indikator Formatif

4.6.1 Outer Weight
4.6.2 Collinearity
4.7 Evaluasi Validitas Diskriminan
4.8 Pengujian Model Struktural (Structural Model / Inner Model)
Download Data: https://bit.ly/38GiwKX
Penjelasan Youtube Bab 4, Link: https://youtu.be/_suoNT8qiww
vii
BAB 5 CONTOH KASUS 5: REFLECTIVE SECOND ORDER CONSTRUCT
(ARTIKEL INTERNASIONAL-SCOPUS Q-1) [62]
5.1 Model
5.2 Hipotesis
5.3 Data

5.5.1 Evaluasi Outer Model Tahap 1 (First Stage Outer Model Evaluation)
5.5.1.1 Evaluasi Nilai Loading
5.5.1.2 Evaluasi Nilai Average Variance Extracted (AVE)
5.1.1.3 Evaluasi Nilai Composite Reliability (CR)
5.1.1.4 Evaluasi Validitas Diskriminan
5.5.2 Evaluasi Outer Model Tahap 2 (Second Stage Outer Model Evaluation)
5.6 Pengujian Inner Model (Structural Model)
Penjelasan Youtube Bab 5, Link: https://youtu.be/YXt6mRjWVxw
Download Data: https://bit.ly/374PVOM
BAB 6 CONTOH KASUS 6: SECOND ORDER CONSTRUCT (REFLECTIVE-

FORMATIVE) (ARTIKEL INTERNASIONAL-SCOPUS Q-2) [81]
6.1 Model
6.2 Hipotesis
6.3 Data

6.5.1 Pengujian Outer Model (Measurement Model)
6.5.1.1 Evaluasi Outer Model Tahap 1 (First Stage Outer Model Evaluation): Konstruk
Reflektif: CL, CONT, CUR, ENJ, FI, LP & TEDI
6.5.1.1.1 Evaluasi Nilai Loading
6.5.1.1.2 Evaluasi Nilai Average Variance Extracted (AVE)
6.5.1.1.3 Evaluasi Nilai Composite Reliability (CR)
6.5.1.1.4 Evaluasi Validitas Diskriminan
6.5.1.2 Evaluasi Outer Model Tahap 2 (Second Stage Outer Model Evaluation) : Konstruk
Formative: CA
6.5.1.2.1 Evaluasi Convergent Validity
viii
6.5.1.2.2 Evaluasi Collinearity
6.5.1.2.3 Evaluasi Outer Weight
6.5.2 Pengujian Inner Model (Structural Model)
Penjelasan Youtube Bab 6, Link: https://youtu.be/UEe-DlVlXQc
Download Data: https://bit.ly/3z1NK9v
BAB 7 CONTOH KASUS MULTI-GROUP ANALYSIS (MGA): PENGARUH

MOTIVASI TERHADAP KINERJA BERDASARKAN JENIS KELAMIN [111]
7.1 Model dan Hipotesis
7.2 Data

7.4.1 Pengujian Outer Model
7.4.1.1 Outer Loading atau Loading
7.4.1.2 Average Variance Extracted (AVE)
7.4.1.3 Composite Reliability
7.4.1.4 Validitas Diskriminan: Cross-Loading & Fornel-Larcker
Penjelasan Youtube Bab 7, Link: https://youtu.be/65bgZ0I7LCk
Download Data: https://bit.ly/3MTPpDJ
DETEKSI KESALAHAN DALAM SMARTPLS [111]
1. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus Terdapat
Korelasi Bernilai 1 [111]
Penjelasan Youtube, Link: https://youtu.be/L2DmdEpwDjE
Download Data: https://bit.ly/3aax4DO
2. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus Terdapat
Suatu Kolom dengan Seluruh Nilai Sama (Variance Bernilai 0) [113]
Penjelasan Youtube, Link: https://youtu.be/m8U_kBRXaMQ
ix
3. Keanehan dalam SmartPLS: Tersisip Karakter Huruf pada Data [115]
Penjelasan Youtube, Link: https://youtu.be/j1NK6tLm5tc
Referensi Bacaan
x
Beberapa Video Youtube Yang Lain Terkait SmartPLS
[1] PLS SEM dengan SmartPLS, Second Order Reflective
Link Youtube: https://youtu.be/zgcF2_yLrmM
[2] Bedah Statistik Artikel Internasional, SEM PLS, Software SmartPLS, Part 8
Judul: Disclosure of corporate social responsibility (CSR) and its implications on company value
as a result of the impact of corporate governance and profitability
International Journal of Law and Management (Q2)
Link Youtube: https://youtu.be/QopOUClCv9U
[3] Bedah Statistik Artikel Nasional, SEM PLS dengan SmartPLS, Data Keuangan, Part 1
Judul artikel: Pengaruh Pengungkapan Corporate Social Responsibility terhadap Nilai

Perusahaan pada Indeks Saham LQ45
Link Youtube: https://youtu.be/dePq8fRb08M
[4] Tutorial Mengolah Data dengan SmartPLS Contoh Kasus Second Order
Link Youtube: https://youtu.be/L_8fjcUaUYA
[5] Tutorial Mengolah Data dengan SmartPLS Kasus Moderasi
Link Youtube: https://youtu.be/NOdcQSp44N0
[6] Bedah Statistik Artikel Internasional, SEM PLS, Data Kuesioner, Part 6
Judul: The impact of tourists’ perceptions on halal tourism destination: a structural model
analysis
Tourism Review Journal, Terindeks Scopus, Q1
Link Youtube: https://youtu.be/HBfhHOdV2eg
[7] Bedah Statistik Artikel Nasional, SEM PLS, Data Bidang Manajemen Part 5
Judul: Pengaruh Self-Image Congruence terhadap Brand Association, Perceived Quality, Brand
Trust, dan Brand Loyalty pada Milenial di Indonesia
Jurnal Manajemen Dan Bisnis Indonesia
Link Youtube: https://youtu.be/cmvuHroSf9Y
xi
[8] Bedah Statistik Artikel Nasional, SEM PLS, Data Keuangan, Part 4
Judul artikel: Pengaruh Corporate Social Responsibility Terhadap Profitabilitas Perusahaan

(Studi Empiris pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia Periode
2014-2015)
Link Youtube: https://youtu.be/BCNGpKqxwDI
Judul artikel: Pengaruh Corporate Social Responsibility Terhadap Profitabilitas Dan Return
Saham Pada Perusahaan Perbankan Di Indonesiatahun 2011-2016
Link Youtube: https://youtu.be/RoyTK7P-yfA
Judul artikel: Struktur Modal Dan Faktor Fundamental Terhadap Nilai Perusahaan (Studi Pada
Perusahaan Lq45 Yang Listing Di Bursa Efek Indonesia Periode Februari 2015 – Januari 2019)
Link Youtube: https://youtu.be/J509WrYBQ4U
[11] Bedah Statistik Artikel Nasional, SEM PLS dengan SmartPLS, Data Keuangan, Part 1
Judul artikel: Pengaruh Pengungkapan Corporate Social Responsibility terhadap Nilai

Perusahaan pada Indeks Saham LQ45
Link Youtube: https://youtu.be/dePq8fRb08M
xii
Beberapa Video Youtube Yang Lain Terkait WarpPLS
[1] Bedah Statistik Artikel Internasional, Metode PLS-SEM, dengan Software WarpPLS
Judul: Strategic role of information, knowledge and technology in manufacturing industry

performance
Jurnal: Industrial Management & Data Systems, Terindeks Scopus, Q1
Link Youtube: https://youtu.be/WJyiS7HBzbM
[2] Tutorial Mengolah Data dengan WarpPLS Contoh Kasus Moderasi
Link Youtube: https://youtu.be/l0uRYflJJmQ
[3] Pengujian Mediasi Moderasi Menggunakan STATCAL dan WarpPLS
Link Youtube: https://youtu.be/Qh1U262D3yM
[4] PLS SEM dengan WarpPLS, Contoh Kasus Second Order
Link Youtube: https://youtu.be/3Gb5dLe3OEE
[5] PLS SEM Menggunakan WarpPLS, Bedah Jurnal, Pengaruh Langsung, Contoh 2
Link Youtube: https://youtu.be/Chh4Sv-skZQ
[6] PLS SEM Menggunakan WarpPLS, Bedah Jurnal, Contoh Kasus Pengujian Pengaruh
Langsung, I
Link Youtube: https://youtu.be/CiFtQR64R6I
[7] PLS SEM dengan Software WarpPLS, Contoh Kasus 1
Link Youtube: https://youtu.be/Kj2F-6aeYoQ
[8] Perbandingan PLS SEM antara Software SmartPLS dan WarpPLS
Link Youtube: https://youtu.be/Rgvnln9yQ6g
xiii
Beberapa Video Youtube Yang Lain Terkait PLS-SEM
[1] Tanya Jawab Seputar PLS SEM, Part 5, Effect Size F Square F2 SmartPLS
Link Youtube: https://youtu.be/x5j7iON-dDk
[2] Tanya Jawab Seputar PLS SEM, Part 6, Q Square dalam PLS SEM
Link Youtube: https://youtu.be/F4foM5rSsF8
[3] Tanya Jawab Seputar PLS SEM, Part 4, Menentukan Jumlah Sampel di PLS SEM
Link Youtbe: https://youtu.be/kc9mN1fJYas
[4] Tanya Jawab Seputar PLS SEM, Part 3, menentukan jumlah sampel minimum di PLS SEM
Link Youtube: https://youtu.be/s1yQrFNbSOk
[5] Tanya Jawab Seputar Metodel PLS SEM, Part 2, Jumlah Sampel di PLS SEM
Link Youtube: https://youtu.be/9RS1FL8DQ54
[6] Tanya Jawab Seputar PLS SEM, Part 1, Solusi Berpengaruh Signifikan PLS SEM
Link Youtube: https://youtu.be/vgx5gczC7gY
[7] Loading dan Comunality dalam Structural Equation Modeling, Serta Contoh Perhitungannya
Link Youtube: https://youtu.be/YyojfhBjAXE
Dalam video ini dibahas:
1. Beberapa penjelasan mengenai nilai loading dan comunality dari beberapa buku
2. Sekilas model pengukuran reflektif dan formatif
3. Mengapa batasan nilai loading dianjurkan di atas 0,7?
4. Membuat skor variabel laten dengan software WarpPLS dan menghasilkan nilai loading
5. Menghitung nilai loading dengan SPSS menggunakan teknik regresi sederhana
xiv
[8] Pertanyaan: "Kak, Responden Saya Banyak Jawab Setuju dan Sangat Setuju, Tapi Kok Hasil
Saya, Variabel Independennya Gak Berpengaruh kak?"
Link Youtube: https://www.youtube.com/watch?v=vgx5gczC7gY&t=97s
[9] Trik Moderasi Berpengaruh Signifikan dalam SmartPLS
Link Youtube: https://youtu.be/kwiPXsCyoVM

Link Data: https://bit.ly/3W1BzDt
File Word: https://bit.ly/3ssILey
xv
[10] Apa itu Outer Loading? Apa Kegunaan dari Outer Loading?
Link Youtube: https://youtu.be/eAkeuz2wBjI
Link Data:
https://docs.google.com/spreadsheets/d/1crBUqCSIe1Nj0K8736AycOT5CM2CGTln/edit?usp=s
haring&ouid=114587031103080899413&rtpof=true&sd=true
File Word: https://drive.google.com/file/d/1SjMT4J-

ure7k8s0AoSIniGC5EoqTkwyz/view?usp=sharing
xvi
[11] Apa itu Composite Reliability? Apa Kegunaan dari Composite Reliability?
Link Youtube: https://youtu.be/wf2ECZFM18s
Link Data:
https://docs.google.com/spreadsheets/d/155uA4wyEPGHthzGXczBweem_Ktydm1T3/edit?usp=s
haring&ouid=114587031103080899413&rtpof=true&sd=true
File Word: https://drive.google.com/file/d/1NNCq6wHYzer9-

uk7Pgyo29U8NHwt12Av/view?usp=sharing
xvii
xviii
BAB 1 CONTOH KASUS 1
1.1 Model
Misalkan diberikan contoh model seperti pada Gambar 1.1.
Gambar 1.1 Contoh Model dengan 2 Variabel Laten
Berdasarkan Gambar 1.1:

 Model terdiri dari 2 variabel laten (construct), yakni variabel laten pelayanan dan
variabel laten kepuasan.
 Variabel laten pelayanan terdiri dari 3 indikator (manifest variable atau observed
variable atau indicator variable), yakni PEL1, PEL2 dan PEL3 (Istilah mengenai
indicator atau item atau manifest variable dapat dilihat di Hair dkk., 2014:11).
o Pada variabel laten pelayanan, indikator-indikator PEL1, PEL2 dan PEL3
bersifat reflektif (Hair dkk., 2014:122-123).
 Variabel laten kepuasan terdiri dari 4 indikator, yakni KEP1, KEP2, KEP3 dan KEP4.
o Pada variabel laten kepuasan, indikator-indikator KEP1, KEP2, KEP3 dan
KEP4 bersifat reflektif (Hair dkk., 2014:122-123).
1.2 Hipotesis
Adapun hipotesis yang akan diuji adalah pelayanan berpengaruh positif dan signifikan terhadap
kepuasan.
1
1.3 Data
Misalkan diberikan data seperti pada Tabel 1.1.
Tabel 1.1 Contoh Data

No PEL1 PEL2 PEL3 KEP1 KEP2 KEP3 KEP4
1 4 4 4 2 4 4 4
2 3 4 4 4 4 4 4
3 5 5 5 5 1 5 5
4 1 1 1 1 1 1 1
5 1 1 1 1 1 1 1
6 5 5 5 5 1 5 5
7 3 3 3 3 3 3 3
8 4 4 4 4 4 4 4
9 5 5 5 5 5 1 5
10 2 2 2 2 2 2 2
11 3 3 3 3 3 3 3
12 3 3 3 3 3 3 3
13 4 4 4 4 4 4 4
14 2 2 2 5 5 5 5
15 5 5 5 5 5 5 5
16 1 1 1 1 1 1 1
17 4 4 4 4 4 4 4
18 3 3 3 3 4 3 3
19 4 4 4 4 4 4 4
20 4 4 4 4 4 4 4
21 4 4 4 4 4 4 4
22 2 3 2 2 2 2 2
23 3 3 3 3 3 3 3
24 5 5 5 5 5 5 5
25 3 3 3 3 3 3 3
26 3 3 3 3 3 3 3
27 4 4 4 4 4 4 4
28 5 5 5 5 5 5 5
29 4 4 4 4 4 4 4
30 4 2 4 4 4 4 4
31 3 5 5 5 5 5 5
32 2 2 2 2 3 2 2
33 4 4 4 4 4 4 4
34 5 5 4 5 5 5 5
35 5 1 5 5 5 5 5
36 1 1 1 1 1 1 2
37 2 2 2 2 2 2 2
38 4 4 2 4 4 4 4
2
39 2 2 2 3 5 4 5
40 1 1 1 1 1 1 1
41 5 5 1 5 5 4 5
42 3 3 3 4 3 3 3
43 2 2 2 2 2 2 2
44 5 5 1 5 5 5 5
45 5 1 5 5 5 5 5
46 1 1 1 1 1 1 1
47 1 1 1 1 1 1 1
48 1 5 5 5 5 5 5
49 1 1 1 1 1 1 1
50 1 1 1 1 2 1 1
51 2 2 2 2 2 2 2
52 1 4 4 4 4 4 4
53 3 3 3 3 3 4 3
54 4 4 4 4 4 4 4
55 1 1 1 1 1 1 1
56 2 2 2 2 2 2 2
57 5 5 5 5 5 5 5
58 1 1 1 1 1 1 1
59 1 1 1 1 1 1 1
60 5 5 5 5 5 5 1
61 5 5 5 1 5 5 5
62 5 5 5 1 5 5 5
63 1 5 5 5 5 5 5
64 2 2 2 2 2 2 4
65 2 2 2 2 2 2 2
66 3 3 2 3 3 3 3
67 2 4 4 4 4 4 4
68 3 3 3 3 3 3 3
69 3 3 3 3 3 3 3
70 1 1 1 1 1 1 1
71 3 3 3 3 3 3 3
72 2 2 2 2 2 2 2
73 5 5 5 5 5 1 5
74 4 4 4 4 4 4 4
75 2 2 2 2 2 2 2
76 2 2 2 2 2 2 2
77 5 5 5 5 5 5 1
78 4 4 2 4 4 4 4
79 5 5 5 2 2 2 2
80 3 3 3 3 3 3 3
81 2 2 2 2 2 2 2
82 4 4 3 4 4 4 4
3
83 5 5 5 2 2 2 2
84 5 5 5 2 2 2 2
85 3 3 3 3 3 2 3
86 3 3 3 3 3 4 3
87 5 5 4 5 5 5 5
88 3 3 3 3 3 3 3
89 2 2 2 5 5 5 5
90 1 1 1 1 1 1 1
91 4 3 4 4 4 4 4
92 3 3 3 3 4 3 3
93 3 3 3 3 3 3 3
94 1 1 1 1 1 1 1
95 1 1 1 1 1 1 1
96 4 4 4 4 4 4 4
97 3 3 3 3 3 3 3
98 3 3 3 3 3 3 3
99 2 2 2 5 5 5 5
100 2 2 2 2 2 2 2
Berdasarkan data pada Tabel 1.1, jumlah responden yang diteliti sebanyak 100 responden.
Misalkan jawaban responden “1” menyatakan “sangat tidak setuju”, “2” menyatakan “tidak
setuju”, “3” menyatakan “kurang setuju”, “4” menyatakan “setuju” dan “5” menyatakan
“sangat setuju”.

Model pada Gambar 1.1 digambar menggunakan SmartPLS seperti pada Gambar 1.2. Pada
Gambar 1.3, pilih Calculate => PLS Algorithm, untuk melakukan pengujian outer model
(Hair dkk., 2014:29). Pada Gambar 1.4, pilih Calculate => Bootstrapping, untuk melakukan
pengujian hipotesis (inner model) (Hair dkk., 2014:118).
Gambar 1.2 PLS-SEM dengan SmartPLS
4
Gambar 1.3 Melakukan Pengujian Outer Model
Gambar 1.4 Melakukan Pengujian Hipotesis (Inner Model)
5
Gaston Sanchez (2013:62-63) menyatakan sebagai berikut.
“The next thing to examine are the loadings and the communalities that are contained in $outer model.
The loadings are correlations between a latent variable and its indicators. In turn, communalities
are squared correlations.
The third column are the loadings (correlations). Loadings greater than 0.7 are acceptable. To see why
they are acceptable we use the communalities in the fourth column. Communalities are just squared
loadings. They represent the amount of variablity explained by a latent variable. A loading greater than
0.7 means that more than 0.72 ≈ 50% of the variablity in an indicator is captured by its latent construct.
The fifth column are the redundancies; we’ll talk about them later in this chapter.”
Hair dkk., (2014:20) menyatakan sebagai berikut.
“Since sample size recommendations in PLS-SEM essentially build on the properties of OLS regression,
researchers can revert to more differentiated rules of thumb such as those provided by Cohen (1992)
in his statistical power analyses for multiple regression models, provided that the measurement models
have an acceptable quality in terms of outer loadings (i.e., loadings should be above the common
threshold of 0.70).”
“Outer loadings: are the results of single regressions of each indicator variable on their corresponding
construct. Loadings are of primary interest in the evaluation of reflective measurement models but are
also interpreted when formative measures are involved.”
Hair dkk., (2014:102-103) menyatakan sebagai berikut.
“High outer loadings on a construct indicate that the associated indicators have much in common,
which is captured by the construct. This characteristic is also commonly called indicator reliability.
At a minimum, all indicators' outer loadings should be statistically significant. Because a significant
outer loading could still be fairly weak, a common rule of thumb is that the (standardized) outer
loadings should be 0.708 or higher. The rationale behind this rule can be understood in the context of
the square of a standardized indicator's outer loading, referred to as the communality of an item. The
square of a standardized indicator's outer loading represents how much of the variation in an item
is explained by the construct and is described as the variance extracted from the item. An established
rule of thumb is that a latent variable should explain a substantial part of each indicator's variance,
usually at least 50%. This also implies that the variance shared between the construct and its indicator
is larger than the
measurement error variance. This means that an indicator's outer loading should be above 0.708 since
that number squared (0.7082) equals 0.50. Note that in most instances, 0.70 is considered close enough
to 0.708 to be acceptable.
Researchers frequently observe weaker outer loadings in social science studies, especially when newly
developed scales are used (Hulland, 1999). Rather than automatically eliminating indicators when their
outer loading is below 0.70, researchers should carefully examine the effects of item removal on the
6
composite reliability, as well as on the construct's content validity. Generally, indicators with outer
loadings between 0.40 and 0.70 should be considered for removal from the scale only when deleting
the indicator leads to an increase in the composite reliability (or the average variance extracted; see
next section) above the suggested threshold value. Another consideration in the decision of whether to
delete an indicator is the extent to which its removal affects content validity. Indicators with weaker
outer loadings are sometimes retained on the basis of their contribution to content validity. Indicators
with very low outer loadings (below 0.40) should, however, always be eliminated from the scale (Hair,
Ringle, & Sarstedt, 2011).”
Berdasarkan uraian di atas:

 Outer loading merupakan suatu nilai yang menerangkan hubungan (korelasi) antara
suatu indikator dan variabel latennya.
 Semakin tinggi outer loading, semakin erat hubungan antara suatu indikator dan
variabel latennya.
 Nilai outer loading > 0,7 dapat diterima. Sementara nilai outer loading < 0,4 selalu
dieliminasi dari proses analisis.
 Nilai outer loading > 0,7, berarti 0,72 ≈ 50% variabilitas dari suatu indikator dapat
dijelaskan atau diserap oleh variabel latennya.
 Secara umum, nilai outer loading 0,4-0,7 dapat dipertimbangkan untuk dieliminasi,
ketika saat dieliminasi meningkatkan nilai composite reliability atau average variance
extracted.
Gambar 1.5 disajikan hasil SmartPLS untuk nilai outer loading.
Gambar 1.5 Hasil SmartPLS: Outer Loading
Berdasarkan hasil outer loading pada Gambar 1.5, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
7
“A common measure to establish convergent validity on the construct level is the average variance
extracted (AVE). This criterion is defined as the grand mean value of the squared loadings of the
indicators associated with the construct (i.e., the sum of the squared loadings divided by the number of
indicators). Therefore, the AVE is equivalent to the communality of a construct. Using the same logic
as that used with the individual indicators, an AVE value of 0.50 or higher indicates that, on average,
the construct explains more than half of the variance of its indicators. Conversely, an AVE of less than
0.50 indicates that, on average, more error remains in the items than the variance explained by the
construct.”
“Convergent validity assessment builds on the AVE value as the evaluation criterion. In this example,
the AVE values of COMP (0.6806), CUSL (0.7484), and LIKE (0.7471) are well above the required
minimum level of 0.50. Thus, the measures of the three reflective constructs have high levels of
convergent validity.”

 Average variance extracted (AVE) merupakan suatu nilai (secara rata-rata (on
average)) yang menerangkan seberapa besar suatu variabel laten atau konstruk dapat
menjelaskan variance dari indikator-indikatornya.
 Semakin tinggi AVE, maka semakin bagus suatu variabel laten atau konstruk dalam
 AVE > 0,5 berarti suatu variabel laten atau konstruk telah menyerap informasi dari
indikator-indikatornya lebih dari 50%.
 Batas minimum dari AVE adalah 0,5, yakni nilai AVE > 0,5 dapat diterima.
Gambar 1.6 disajikan hasil SmartPLS untuk nilai AVE.
Gambar 1.6 Hasil SmartPLS: Average Variance Extracted (AVE)
8
Berdasarkan hasil AVE pada Gambar 1.6, diketahui seluruh nilai AVE > 0,5, yang berarti
variabel laten kepuasan dan pelayanan telah menyerap variance dari masing-masing
indikatornya > 50%.

“Composite reliability: a measure of internal consistency reliability, which, unlike Cronbach's alpha,
does not assume equal indicator loadings. Should be above 0.70 (in exploratory research, 0.60 to 0.70
is considered acceptable).
Cronbach's alpha: a measure of internal consistency reliability that assumes equal indicator loadings.
In the context of PLSSEM, composite reliability is considered a more suitable criterion of reliability.
However, Cronbach's alpha still represents a conservative measure of internal consistency reliability.”

“Another metric used to assess the unidimensionality of a reflective block is the Dillon-Goldstein’s rho
which focuses on the variance of the sum of variables in the block of interest.
As a rule of thumb, a block is considered as unidimensional when the Dillon-Goldstein’s rho is larger
than 0.7. This index is considered to be a better indicator than the Cronbach’s alpha because it takes
into account to which extent the latent variable explains its block of indicators.”

 Dalam konteks PLS-SEM, Composite reliability merupakan suatu ukuran reliabilitas
yang lebih sesuai, dibandingkan cronbach’s alpha.
 Selain Cronbach’s Alpha, terdapat ukuran lain yang dapat digunakan untuk menguji
unidimensionalitas (ketunggalan dimensi), yakni Dillon-Goldstein’s rho (disebut juga
composite reliability). Dillon-Goldstein’s rho dipandang lebih baik dibandingkan
Cronbach’s Alpha dikarenakan ukuran Dillon-Goldstein’s memperhitungkan sejauh
mana variabel laten menjelaskan blok indikatornya.
 Nilai composite reliability yang diterima adalah > 0,7, atau dengan kata lain nilai
Dillon-Goldstein’s rho > 0.7 dipandang suatu blok indikator sebagai unidimensi
(unidimensional).
 Nilai composite reliability 0,6-0,7 masih dapat diterima dapat exploratory research.
Gambar 1.7 disajikan hasil SmartPLS untuk nilai composite reliability.
9
Gambar 1.7 Hasil SmartPLS: Composite Reliability
Berdasarkan hasil composite reliability pada Gambar 1.7, diketahui seluruh nilai composite
reliability > 0,7.

“Assessment of reflective measurement models includes composite reliability to evaluate internal
consistency, individual indicator reliability, and average variance extracted (AVE) to evaluate
convergent validity. In addition, the Fornell-Larcker criterion and cross loadings are used to assess
discriminant validity. In the following sections, we address each criterion for the assessment of
reflective measurement models.”

“Discriminant validity is the extent to which a construct is truly distinct from other constructs by
empirical standards. Thus, establishing discriminant validity implies that a construct is unique and
captures phenomena not represented by other constructs in the model. Two measures of discriminant
validity have been proposed.
One method for assessing discriminant validity is by examining the cross loadings of the indicators.
Specifically, an indicator's outer loading on the associated construct should be greater than all of its
loadings on other constructs (i.e., the cross loadings). The presence of cross loadings that exceed the
indicators' outer loadings represents a discriminant validity problem. This criterion is generally
considered rather liberal in terms of establishing discriminant validity (Hair, Ringle, & Sarstedt, 2011).
That is, it is very likely to indicate that two or more constructs exhibit discriminant validity.
The Fornell-Larcker criterion is a second and more conservative approach to assessing discriminant
validity. It compares the square root of the AVE values with the latent variable correlations.
Specifically, the square root of each construct's AVE should be greater than its highest correlation with
any other construct. (Note: This criterion can also be stated as the AVE should exceed the squared
correlation with any other construct.) The logic of this method is based on the idea that a construct
shares more variance with its associated indicators than with any other construct.”
Gaston Sanchez (2013:64) menyatakan sebagai berikut.

“Besides checking the loadings of the indicators with their own latent variables, we must also check
the so-called cross-loadings. That is, the loadings of an indicator with the rest of latent variables. The
reason for doing so is that we need to be sure that we don’t have traitor indicators.”
10
 Validitas diskriminan menguji sejauh mana suatu konstruk benar-benar berbeda dari
konstruk lain. Terdapat 2 pendekatan dalam melakukan pengujian validitas
diskriminan, yakni:
o Membandingkan nilai outer loading suatu indikator terhadap variabel latennya
dan nilai outer loading dari indikator tersebut terhadap variabel laten lainnya.
Pendekatan ini dinamakan cross loading. Pada pendekatan ini, nilai outer
loading suatu indikator terhadap variabel latennya, harus lebih besar
dibandingkan nilai outer loading dari indikator tersebut terhadap variabel laten
lainnya. Pada pendekatan ini, diuji, apakah suatu indikator, benar-benar lebih
baik mengukur variabel latennya, dibandingkan variabel laten lainnya. Dengan
kata lain, menguji, apakah terdapat indikator yang tertukar.
o Membandingkan nilai akar kuadrat average variance extracted (AVE) dari
suatu variabel laten terhadap nilai korelasi antara variabel laten tersebut dengan
variabel laten lainnya. Pendekatan ini merupakan pendekatan Fornell-Larcker.
Pada pendekatan ini, nilai akar kuadrat dari suatu variabel laten harus lebih
besar dibandingkan nilai korelasi antara variabel laten tersebut dengan variabel
laten lainnya.
Gambar 1.8 disajikan hasil SmartPLS untuk validitas diskriminan berdasarkan pendekatan
Fornell-Larker.
Gambar 1.8 Hasil SmartPLS: Validitas Diskriminan Fornell-Larcker
Berdasarkan hasil pengujian validitas diskriminan (Fornell-Larcker) pada Gambar 1.8,

diketahui:
 Nilai akar kuadrat AVE pada variabel Kepuasan 0,858 = 0,926, yakni lebih besar
dari nilai korelasi antara kepuasan dan pelayanan 0,758. Oleh karena nilai akar kuadrat
AVE untuk setiap variabel laten lebih besar dibandingkan dengan nilai korelasi antara
11
variabel laten tersebut dengan variabel laten lainnya, maka instrumen/kuesioner yang
telah dirancang memiliki validitas diskriminan yang baik berdasarkan pendekatan
Fornell-Larcker.
Gambar 1.9 disajikan hasil pengujian validitas diskriminan berdasarkan pendekatan cross-
loading.
Gambar 1.9 Hasil SmartPLS: Validitas Diskriminan Cross-Loading
Pada pengujian cross-loading, membandingkan nilai loading antara indikator dengan variabel
latennya, dan nilai loading antara indikator dengan variabel laten lainnya. Pada pengujian
cross-loading, diharapkan nilai loading antara indikator dengan variabel latennya, lebih tinggi,
dibandingkan nilai loading antara indikator dengan variabel laten lainnya.
 Nilai loading antara KEP1 dan Kepuasan adalah 0,924, lebih besar dibandingkan nilai
loading antara KEP1 dan Pelayanan 0,711. Sehingga variabel indikator KEP1 benar-
benar masuk ke dalam variabel laten Kepuasan.
 Begitu juga, nilai loading antara KEP2 dan Kepuasan adalah 0,927, lebih besar
dibandingkan nilai loading antara KEP2 dan Pelayanan 0,694. Sehingga variabel
indikator KEP2 benar-benar masuk ke dalam variabel laten Kepuasan.
 Nilai loading antara PEL1 dan Pelayanan adalah 0,915, lebih besar dibandingkan nilai
loading antara PEL1 dan Kepuasan 0,683. Sehingga variabel indikator PEL1 benar-
benar masuk ke dalam variabel laten Pelayanan.
 Dan seterusnya. Sehingga dapat disimpulkan bahwa nilai loading antara setiap variabel
indikator dengan variabel latennya, lebih tinggi, dibandingkan dengan variabel laten
lainnya.
12
1.5.5 Pengujian Model Struktural (Structural Model / Inner Model)
Selanjutnya akan dilakukan pengujian signifikansi, yakni akan diuji apakah pelayanan
berpengaruh signifikan terhadap kepuasan. Gambar 1.10 disajikan hasil uji signifikansi.
Gambar 1.10 Uji Signifikansi Pengaruh
Berdasarkan Gambar 1.10, diketahui nilai koefisien jalur (original sample) pelayanan terhadap
kepuasan adalah 0,758, yakni bernilai positif, yang berarti pelayanan berpengaruh positif
terhadap kepuasan. Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan pelayanan
berpengaruh signifikan terhadap kepuasan.
Berdasarkan hasil tersebut, maka diperoleh hasil pelayanan berpengaruh positif dan
signifikan terhadap kepuasan (hipotesis diterima).
Gambar 1.11 disajikan nilai r-square (koefisien determinasi). Nilai r-square merupakan suatu
nilai yang menyatakan seberapa besar variabel bebas mampu menjelaskan variance dari
variabel tak bebas. Diketahui nilai r-square adlah 0,574, yang berarti variabel bebas pelayanan
mampu menjelaskan variance dari variabel tak bebas kepuasan sebesar 57,4%.
Gambar 1.11 R-Square
13
BAB 2 CONTOH KASUS 2 (MEDIASI)
2.1 Model

 Model terdiri dari 3 variabel laten (construct), yakni variabel laten pelayanan, kepuasan
dan loyalitas.
 Variabel laten pelayanan terdiri dari 3 indikator (manifest variable atau observed
variable atau indicator variable), yakni PEL1, PEL2 dan PEL3 (Istilah mengenai
o Pada variabel laten pelayanan, indikator-indikator PEL1, PEL2 dan PEL3
bersifat reflektif (Hair dkk., 2014:122-123).
 Variabel laten kepuasan terdiri dari 4 indikator, yakni KEP1, KEP2, KEP3 dan KEP4.
o Pada variabel laten kepuasan, indikator-indikator KEP1, KEP2, KEP3 dan
KEP4 bersifat reflektif (Hair dkk., 2014:122-123).
 Variabel laten loyalitas terdiri dari 2 indikator, yakni LOY1 dan LOY2.
o Pada variabel laten loyalitas, indikator-indikator LOY1 dan LOY2 bersifat
reflektif (Hair dkk., 2014:122-123).
14
2.2 Hipotesis
Adapun hipotesis yang akan diuji adalah:
 Pelayanan berpengaruh positif dan signifikan terhadap kepuasan.
 Pelayanan berpengaruh positif dan signifikan terhadap loyalitas.
 Kepuasan berpengaruh positif dan signifikan terhadap loyalitas.
 Kepuasan signifikan memediasi hubungan antara pelayanan dan loyalitas. Dengan kata
lain, pelayanan secara tidak langsung, berpengaruh signifikan terhadap loyalitas,
melalui kepuasan.
2.3 Data

No PEL1 PEL2 PEL3 KEP1 KEP2 KEP3 KEP4 LOY1 LOY2
1 5 5 5 5 5 5 5 5 5
2 4 4 4 4 4 4 4 4 4
3 2 2 2 2 2 2 2 2 2
4 3 3 3 3 3 3 3 3 3
5 4 4 4 4 4 4 4 2 2
6 3 3 3 3 3 3 3 3 3
7 3 3 3 3 3 3 3 3 3
8 2 2 2 5 5 5 5 2 2
9 2 2 2 4 4 4 4 4 4
10 3 3 3 3 3 3 3 3 3
11 3 3 3 3 3 3 3 3 3
12 4 4 4 4 4 4 4 2 2
13 5 5 5 5 5 5 5 5 5
14 2 2 2 2 2 2 2 2 2
15 3 3 3 3 3 3 3 3 3
16 2 2 2 2 2 2 2 2 2
17 3 3 3 3 3 3 3 3 3
18 2 2 2 5 5 5 5 2 2
19 3 3 3 3 3 3 3 3 3
20 2 2 2 2 2 2 2 5 5
21 2 2 2 2 2 2 2 2 2
22 3 3 3 3 3 3 3 3 3
23 5 5 5 5 5 5 5 5 5
24 5 5 5 5 5 5 5 5 5
25 4 4 4 4 4 4 4 2 2
26 2 2 2 2 2 2 2 2 2
15
27 3 3 3 3 3 3 3 3 3
28 5 5 5 2 2 2 2 2 2
29 4 4 4 4 4 4 4 4 4
30 5 5 5 5 5 5 5 5 5
31 5 5 1 5 5 5 5 5 5
32 3 3 3 3 3 3 3 3 3
33 3 3 3 3 3 3 3 3 3
34 3 3 3 3 3 3 3 3 3
35 4 4 4 4 4 4 4 4 4
36 5 5 5 5 5 5 5 5 5
37 5 5 5 5 5 5 5 5 5
38 1 1 1 5 5 5 5 5 5
39 5 5 5 1 1 1 1 5 5
40 1 1 1 5 5 5 5 5 5
41 5 1 5 5 5 5 5 5 5
42 3 3 3 3 3 3 3 3 3
43 2 2 2 4 4 4 4 4 4
44 5 5 5 5 5 5 5 1 5
45 4 4 4 4 4 4 4 4 4
46 2 2 2 2 2 2 2 2 2
47 5 5 5 5 5 5 5 5 1
48 1 1 1 1 1 1 1 1 1
49 1 5 5 5 5 5 5 5 5
50 3 3 3 3 3 3 3 3 3
51 3 3 3 3 3 3 3 3 3
52 3 3 3 3 3 3 3 3 3
53 4 4 4 4 4 4 4 4 4
54 4 4 4 4 4 4 4 4 4
55 3 3 3 3 3 3 3 3 3
56 4 4 4 4 4 4 4 4 4
57 4 4 4 2 2 2 2 4 4
58 4 4 4 4 4 4 4 4 4
59 4 4 4 4 4 4 4 4 4
60 5 5 5 5 5 5 5 5 5
61 5 5 5 5 5 5 5 5 5
62 4 4 4 4 4 4 4 4 4
63 2 2 2 2 2 2 2 2 2
64 2 2 2 2 2 2 2 2 2
65 5 5 5 2 2 2 2 2 2
66 3 3 3 3 3 3 3 3 3
67 2 2 2 2 2 2 2 2 2
68 3 3 3 3 3 3 3 3 3
69 3 3 3 3 3 3 3 3 3
70 5 5 5 5 5 5 5 5 5
16
71 2 2 2 2 2 2 2 2 2
72 3 3 3 3 3 3 3 3 3
73 4 4 4 2 2 2 2 4 4
74 5 5 5 5 5 5 5 5 5
75 5 5 5 5 5 5 5 5 5
76 2 2 2 4 4 4 4 4 4
77 4 4 4 4 4 4 4 4 4
78 5 5 5 1 1 1 1 5 5
79 5 5 5 5 5 5 5 5 5
80 3 3 3 3 3 3 3 3 3
81 5 5 5 1 5 5 5 5 5
82 2 2 2 2 2 2 2 5 5
83 4 4 4 2 2 2 2 4 4
84 4 4 4 4 4 4 4 4 4
85 3 3 3 3 3 3 3 3 3
86 4 4 4 4 4 4 4 4 4
87 2 2 2 2 2 2 2 2 2
88 4 4 4 4 4 4 4 4 4
89 4 4 4 4 4 4 4 4 4
90 5 5 5 5 1 5 5 5 5
91 3 3 3 3 3 3 3 3 3
92 4 4 4 4 4 4 4 4 4
93 3 3 3 3 3 3 3 3 3
94 4 4 4 4 4 4 4 4 4
95 2 2 2 2 2 2 2 2 2
96 2 2 2 2 2 2 2 2 2
97 5 5 5 5 5 5 1 5 5
98 3 3 3 3 3 3 3 3 3
99 4 4 4 4 4 4 4 4 4
100 5 5 5 5 5 1 5 5 5

17
18

19
is larger than the measurement error variance. This means that an indicator's outer loading should be
above 0.708 since that number squared (0.7082) equals 0.50. Note that in most instances, 0.70 is
considered close enough to 0.708 to be acceptable.

variabel latennya.
20
extracted.

construct.”
Convergent validity assessment builds on the AVE value as the evaluation criterion. In this example,
convergent validity.
21
indikatornya > 50%.


22

(unidimensional).
reliability > 0,7.

23



diskriminan, yakni:
24
laten lainnya.
Fornell-Larker.

diketahui:
 Nilai akar kuadrat AVE pada variabel Kepuasan √0,914 = 0,956,
o yakni lebih besar dari nilai korelasi antara kepuasan dan loyalitas 0,586, dan
o lebih besar dari nilai korelasi antara kepuasan dan pelayanan 0,477.
 Nilai akar kuadrat AVE pada variabel loyalitas √0,939 = 0,969,

o yakni lebih besar dari nilai korelasi antara loyalitas dan pelayanan 0,583, dan
o lebih besar dari nilai korelasi antara loyalitas dan kepuasan 0,586.
 Nilai akar kuadrat AVE pada variabel pelayanan √0,923 = 0,961,

o yakni lebih besar dari nilai korelasi antara pelayanan dan loyalitas 0,583, dan
o lebih besar dari nilai korelasi antara pelayanan dan kepuasan 0,477.
Oleh karena nilai akar kuadrat AVE untuk setiap variabel laten lebih besar dibandingkan
dengan nilai korelasi antara variabel laten tersebut dengan variabel laten lainnya, maka
25
instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
berdasarkan pendekatan Fornell-Larcker.
loading.
 Nilai loading antara KEP1 dan Kepuasan adalah 0,956,
o lebih besar dibandingkan nilai loading antara KEP1 dan Loyalitas 0,560,
o lebih besar dibandingkan nilai loading antara KEP1 dan Pelayanan 0,456.
Sehingga variabel indikator KEP1 benar-benar masuk ke dalam variabel laten Kepuasan.
 Begitu juga, nilai loading antara KEP2 dan Kepuasan adalah 0,956, lebih besar
dibandingkan nilai loading antara KEP2 dan Pelayanan 0,456, dan lebih besar
dibandingkan nilai loading antara KEP2 dan Loyalitas 0,560.
26
Sehingga variabel indikator KEP2 benar-benar masuk ke dalam variabel laten Kepuasan.
 Nilai loading antara PEL1 dan Pelayanan adalah 0,961, lebih besar dibandingkan nilai
loading antara PEL1 dan Kepuasan 0,458, dan lebih besar dibandingkan nilai loading
antara PEL1 dan Loyalitas 0,560. Sehingga variabel indikator PEL1 benar-benar
masuk ke dalam variabel laten Pelayanan.
Dan seterusnya. Sehingga dapat disimpulkan bahwa nilai loading antara setiap variabel
lainnya.
2.5.5 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi
Pengaruh Langsung & Tak Langsung (Mediasi)
Berdasarkan Gambar 2.10,

 Diketahui nilai koefisien jalur (original sample) kepuasan terhadap loyalitas adalah
0,399, yakni bernilai positif, yang berarti kepuasan berpengaruh positif terhadap
loyalitas. Diketahui nilai P-Values = 0,007 < 0,05, maka disimpulkan kepuasan
berpengaruh signifikan terhadap loyalitas.
Berdasarkan hasil tersebut, maka diperoleh hasil kepuasan berpengaruh positif dan
signifikan terhadap loyalitas (hipotesis diterima).
 Diketahui nilai koefisien jalur (original sample) pelayanan terhadap kepuasan adalah
0,477, yakni bernilai positif, yang berarti pelayanan berpengaruh positif terhadap
27
kepuasan. Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan pelayanan
 Diketahui nilai koefisien jalur (original sample) pelayanan terhadap loyalitas adalah
0,393, yakni bernilai positif, yang berarti pelayanan berpengaruh positif terhadap
loyalitas. Diketahui nilai P-Values = 0,006 < 0,05, maka disimpulkan pelayanan
berpengaruh signifikan terhadap loyalitas.
signifikan terhadap loyalitas (hipotesis diterima).
variabel tak bebas. Diketahui nilai r-square pada variabel laten kepuasan adalah 0,228, yang
berarti variabel pelayanan mampu menjelaskan variance dari variabel tak bebas kepuasan
sebesar 22,8%.
Sementara diketahui nilai r-square pada variabel laten loyalitas adalah 0,463, yang berarti
variabel pelayanan dan kepuasan mampu menjelaskan variance dari variabel tak bebas
loyalitas sebesar 46,3%.
28
Gambar 2.12 Pengujian Mediasi
Berdasarkan hasil pengujian mediasi pada Gambar 2.12, diketahui pengaruh tidak langsung
pelayanan terhadap loyalitas, melalui kepuasan adalah 0,190 (kolom Original Sample).
Diketahui nilai P-Values = 0,046 < 0,05, maka disimpulkan kepuasan signifikan memediasi
hubungan antara pelayanan dan loyalitas. Dengan kata lain, pelayanan secara tidak langsung
signifikan mempengaruhi loyalitas, melalui kepuasan.
29
BAB 3 CONTOH KASUS 3 (MEDIASI): ARTIKEL
NASIONAL
3.1 Model
Model berikut diadopsi dari penelitian yang dilakukan oleh Dori Mittra Candana, Ramdani
Bayu Putra dan Ronni Andri Wijaya, dengan judul "Pengaruh Motivasi dan Lingkungan
Kerja terhadap Kinerja Karyawan dengan Disiplin Kerja Sebagai Variabel Intervening
pada PT Batang Hari Barisan". Artikel dipublikasi pada Jurnal Ekonomi Manajemen Sistem
Informasi (JEMSI) pada tahun 2020.
Gambar 3.1 Contoh Kasus Artikel Nasional

Link: https://dinastirev.org/JEMSI/article/view/329
Sebagai ilustrasi untuk contoh latihan, misalkan model yang diajukan sebagai berikut (Gambar
3.2).
30
Gambar 3.2 Contoh Model Latihan

 Model terdiri dari 4 variabel laten (construct), yakni variabel motivasi (MOT),
lingkungan kerja (LK), disiplin kerja (DK) dan kinerja karyawan (KK).
 Variabel laten motivasi terdiri dari 3 indikator (manifest variable atau observed
variable atau indicator variable), yakni MOT1, MOT2 dan MOT3 (Istilah mengenai
o Pada variabel laten motivasi (MOT), indikator-indikator MOT1, MOT2 dan
MOT3 bersifat reflektif (Hair dkk., 2014:122-123).
 Variabel laten kinerja karyawan (KK) terdiri dari 4 indikator, yakni KK1, KK2, KK3
dan KK4.
o Pada variabel laten kinerja karyawan (KK), indikator-indikator KK1, KK2,
KK3 dan KK4 bersifat reflektif (Hair dkk., 2014:122-123).
 Dan seterusnya.
31
3.2 Hipotesis
Adapun hipotesis yang akan diuji adalah:
 Motivasi berpengaruh positif dan signifikan terhadap disiplin kerja.
 Lingkungan kerja berpengaruh positif dan signifikan terhadap disiplin kerja.
 Motivasi berpengaruh positif dan signifikan terhadap kinerja karyawan.
 Lingkungan kerja berpengaruh positif dan signifikan terhadap kinerja karyawan.
 Disiplin kerja berpengaruh positif dan signifikan terhadap kinerja karyawan.
 Disiplin kerja signifikan memediasi hubungan antara motivasi dan kinerja karyawan.
Dengan kata lain, motivasi secara tidak langsung, berpengaruh signifikan terhadap
kinerja karyawan, melalui disiplin kerja.
 Disiplin kerja signifikan memediasi hubungan antara lingkungan kerja dan kinerja
karyawan. Dengan kata lain, lingkungan kerja secara tidak langsung, berpengaruh
signifikan terhadap kinerja karyawan, melalui disiplin kerja.
3.3 Data

No MOT1 MOT2 MOT3 LK1 LK2 LK3 LK4 DK1 DK2 DK3 KK1 KK2 KK3 KK4
1 5 5 5 2 2 2 2 2 2 2 2 2 2 2
2 5 5 5 5 5 5 5 5 5 5 5 5 1 5
3 4 4 4 4 4 4 4 4 4 4 1 1 1 1
4 5 5 5 5 5 5 1 5 5 5 5 5 5 5
5 5 5 5 2 2 2 2 2 2 2 2 2 2 2
6 5 1 5 5 5 5 5 5 5 5 5 5 5 5
7 5 5 5 5 1 5 5 5 5 5 5 5 5 5
8 1 1 1 1 1 1 1 5 5 5 1 1 1 1
9 5 5 5 2 2 2 2 2 2 2 2 2 2 2
10 1 1 1 1 1 1 1 1 1 1 1 1 1 1
11 5 5 5 5 5 5 5 5 5 5 5 5 5 5
12 1 1 1 4 4 4 4 4 4 4 4 4 4 4
13 5 5 5 2 2 2 2 2 2 2 2 2 2 2
14 5 5 5 5 5 5 5 5 5 5 5 5 5 5
15 5 5 5 1 1 1 1 1 1 1 1 1 1 1
16 1 1 1 4 4 4 4 4 4 4 4 4 4 4
17 4 4 4 4 4 4 4 4 4 4 1 1 1 1
18 5 5 5 1 1 1 1 1 1 1 1 1 1 1
19 2 2 2 5 5 5 5 2 2 2 2 2 2 2
32
20 4 4 4 1 1 1 1 4 4 4 4 4 4 4
21 1 5 5 5 5 5 5 5 5 5 5 5 5 5
22 1 1 1 1 1 1 1 1 1 1 1 1 1 1
23 2 2 2 2 2 2 2 2 2 2 2 2 2 2
24 5 5 5 5 5 5 5 5 5 5 5 1 5 5
25 4 4 4 4 4 4 4 1 1 1 4 4 4 4
26 1 1 1 1 1 1 1 1 1 1 1 1 1 1
27 1 1 1 5 5 5 5 1 1 1 1 1 1 1
28 1 1 1 5 5 5 5 1 1 1 1 1 1 1
29 4 4 4 1 1 1 1 4 4 4 4 4 4 4
30 5 5 1 5 5 5 5 5 5 5 5 5 5 5
31 4 4 4 1 1 1 1 4 4 4 4 4 4 4
32 1 1 1 5 5 5 5 1 1 1 1 1 1 1
33 5 5 5 5 5 5 5 5 5 5 1 5 5 5
34 1 1 1 1 1 1 1 1 1 1 1 1 1 1
35 3 3 3 3 3 3 3 3 3 3 3 3 3 3
36 1 1 1 1 1 1 1 1 1 1 1 1 1 1
37 2 2 2 5 5 5 5 2 2 2 2 2 2 2
38 4 4 4 4 4 4 4 1 1 1 4 4 4 4
39 1 1 1 1 1 1 1 5 5 5 1 1 1 1
40 5 5 5 5 5 5 5 5 1 5 5 5 5 5
41 1 1 1 1 1 1 1 1 1 1 1 1 1 1
42 5 5 5 5 5 5 5 5 5 1 5 5 5 5
43 2 2 2 5 5 5 5 2 2 2 2 2 2 2
44 2 2 2 5 5 5 5 2 2 2 2 2 2 2
45 1 1 1 1 1 1 1 5 5 5 1 1 1 1
46 2 2 2 2 2 2 2 2 2 2 2 2 2 2
47 4 4 4 4 4 4 4 1 1 1 4 4 4 4
48 5 5 5 1 1 1 1 1 1 1 1 1 1 1
49 5 5 5 5 5 5 5 5 5 5 5 5 5 1
50 1 1 1 5 5 5 5 1 1 1 1 1 1 1
51 1 1 1 1 1 1 1 1 1 1 1 1 1 1
52 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 5 5 5 1 1 1 1 1 1 1 1 1 1 1
54 1 1 1 4 4 4 4 4 4 4 4 4 4 4
55 2 2 2 2 2 2 2 2 2 2 2 2 2 2
56 5 5 5 1 5 5 5 5 5 5 5 5 5 5
57 1 1 1 4 4 4 4 4 4 4 4 4 4 4
58 5 5 5 5 5 5 5 1 5 5 5 5 5 5
59 4 4 4 1 1 1 1 4 4 4 4 4 4 4
60 5 5 5 5 5 5 5 5 5 5 5 5 5 5
61 1 1 1 1 1 1 1 5 5 5 1 1 1 1
62 4 4 4 4 4 4 4 4 4 4 1 1 1 1
63 5 5 5 5 5 1 5 5 5 5 5 5 5 5
33
64 1 1 1 1 1 1 1 1 1 1 1 1 1 1
65 5 5 5 5 5 5 5 5 5 5 5 5 5 5
66 1 1 1 1 1 1 1 1 1 1 1 1 1 1
67 1 1 1 1 1 1 1 1 1 1 1 1 1 1
68 2 2 2 2 2 2 2 2 2 2 2 2 2 2
69 5 5 5 2 2 2 2 2 2 2 2 2 2 2
70 2 2 2 5 5 5 5 2 2 2 2 2 2 2

34
35
36

variabel latennya.
extracted.
37
construct.”

38
indikatornya > 50%.



(unidimensional).
39
reliability > 0,7.



40
diskriminan, yakni:
laten lainnya.
Fornell-Larker.

diketahui:
41
 Nilai akar kuadrat AVE pada variabel DK (Z) √0,947 = 0,973,
o yakni lebih besar dari nilai korelasi antara DK (Z) dan KK (Y) 0,667,
o lebih besar dari nilai korelasi antara DK (Z) dan LK (X2) 0,667, dan
o lebih besar dari nilai korelasi antara DK (Z) dan MOT (X1) 0,385.
 Nilai akar kuadrat AVE pada variabel KK (Y) √0,938 = 0,968,

o lebih besar dari nilai korelasi antara KK (Y) dan LK (X2) 0,566, dan
o lebih besar dari nilai korelasi antara KK (Y) dan MOT (X1) 0,564.
o lebih besar dari nilai korelasi antara KK (Y) dan DK (Z) 0,667.
 dan seterusnya.
loading.
42
 Nilai loading antara DK1 dan DK (Z) adalah 0,973,
o lebih besar dibandingkan nilai loading antara DK1 dan KK (Y) 0,649,
o lebih besar dibandingkan nilai loading antara DK1 dan LK (X2) 0,376,
o lebih besar dibandingkan nilai loading antara DK1 dan MPT (X1) 0,375.
Sehingga variabel indikator DK1 benar-benar masuk ke dalam variabel laten DK (Z).
 Nilai loading antara DK2 dan DK (Z) adalah 0,973,

o lebih besar dibandingkan nilai loading antara DK2 dan KK (Y) 0,649,
o lebih besar dibandingkan nilai loading antara DK2 dan LK (X2) 0,376,
o lebih besar dibandingkan nilai loading antara DK2 dan MPT (X1) 0,375.
Sehingga variabel indikator DK2 benar-benar masuk ke dalam variabel laten DK (Z).
 Nilai loading antara MOT3 dan MOT (X1) adalah 0,975, lebih besar dibandingkan
nilai loading antara MOT3 dan DK (Z) 0,376, lebih besar dibandingkan nilai loading
antara MOT3 dan KK (Y) 0,550, dan lebih besar dibandingkan nilai loading antara
MOT3 dan LK (X2) 0,271. Sehingga variabel indikator MOT3 benar-benar masuk ke
dalam variabel laten MOT (X1).
Dan seterusnya. Sehingga dapat disimpulkan bahwa nilai loading antara setiap variabel
lainnya.
Pengaruh Langsung & Tak Langsung (Mediasi)
43
Berdasarkan Gambar 3.10, diperoleh hasil:

1. Diketahui nilai koefisien jalur (original sample) DK (Z) terhadap KK (Y) adalah 0,424,
yakni bernilai positif, yang berarti DK (Z) berpengaruh positif terhadap KK (Y).
Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan DK (Z) berpengaruh
signifikan terhadap KK (Y). Berdasarkan hasil tersebut, maka diperoleh hasil DK (Z)
berpengaruh positif dan signifikan terhadap KK (Y) (hipotesis diterima).
2. Diketahui nilai koefisien jalur (original sample) LK (X2) terhadap DK (Z) adalah
0,303, yakni bernilai positif, yang berarti LK (X2) berpengaruh positif terhadap DK
(Z). Diketahui nilai P-Values = 0,010 < 0,05, maka disimpulkan LK (X2) berpengaruh
signifikan terhadap DK (Z). Berdasarkan hasil tersebut, maka diperoleh hasil LK (X2)
berpengaruh positif dan signifikan terhadap DK (Z) (hipotesis diterima).
3. Diketahui nilai koefisien jalur (original sample) LK (X2) terhadap KK (Y) adalah
0,315, yakni bernilai positif, yang berarti LK (X2) berpengaruh positif terhadap KK
(Y). Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan LK (X2) berpengaruh
signifikan terhadap KK (Y). Berdasarkan hasil tersebut, maka diperoleh hasil LK (X2)
berpengaruh positif dan signifikan terhadap KK (Y) (hipotesis diterima).
4. Diketahui nilai koefisien jalur (original sample) MOT (X1) terhadap DK (Z) adalah
0,301, yakni bernilai positif, yang berarti MOT (X1) berpengaruh positif terhadap DK
(Z). Diketahui nilai P-Values = 0,008 < 0,05, maka disimpulkan MOT (X1)
berpengaruh signifikan terhadap DK (Z). Berdasarkan hasil tersebut, maka diperoleh
hasil MOT (X1) berpengaruh positif dan signifikan terhadap DK (Z) (hipotesis
diterima).
44
5. Diketahui nilai koefisien jalur (original sample) MOT (X1) terhadap KK (Y) adalah
0,313, yakni bernilai positif, yang berarti MOT (X1) berpengaruh positif terhadap KK
(Y). Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan MOT (X1)
berpengaruh signifikan terhadap KK (Y). Berdasarkan hasil tersebut, maka diperoleh
hasil MOT (X1) berpengaruh positif dan signifikan terhadap KK (Y) (hipotesis
diterima).
variabel tak bebas. Diketahui nilai r-square pada variabel laten DK (Z) adalah 0,233, yang
berarti variabel MOT (X1) dan LK (X2) mampu menjelaskan variance dari variabel tak bebas
DK (Z) sebesar 23,3%.
Sementara diketahui nilai r-square pada variabel laten KK (Y) adalah 0,638, yang berarti
variabel MOT (X1), LK (X2) dan DK (Z), mampu menjelaskan variance dari variabel tak
bebas KK (Y) sebesar 63,8%.
Gambar 3.12 Pengujian Mediasi
Berdasarkan hasil pengujian mediasi pada Gambar 3.12,

6. Diketahui pengaruh tidak langsung LK (X2) terhadap KK (Y), melalui DK (Z) adalah
0,128 (kolom Original Sample). Diketahui nilai P-Values = 0,062 > 0,05, maka
45
disimpulkan DK (Z) tidak signifikan memediasi hubungan antara LK (X2) dan KK (Y).
Dengan kata lain, LK (X2) secara tidak langsung, tidak signifikan mempengaruhi KK
(Y), melalui DK (Z).
7. Diketahui pengaruh tidak langsung MOT (X1) terhadap KK (Y), melalui DK (Z) adalah
0,128 (kolom Original Sample). Diketahui nilai P-Values = 0,049 < 0,05, maka
disimpulkan DK (Z) signifikan memediasi hubungan antara MOT (X1) dan KK (Y).
Dengan kata lain, MOT (X1) secara tidak langsung, signifikan mempengaruhi KK (Y),
melalui DK (Z).
46
BAB 4 CONTOH KASUS 4: FORMATIF-REFLEKTIF
4.1 Model

 Terdapat 2 variabel laten atau konstruk, yakni pelayanan dan kepuasan.
 Variabel pelayanan diukur menggunakan 3 indikator, yakni PEL1, PEL2 dan PEL3.
Indikator-indikator pada variabel konstruk pelayanan merupakan indikator-indikator
formatif (formative) (Hair dkk., 2014:42).
 Sementara variabel kepuasan diukur menggunakan 4 indikator, yakni KEP1, KEP2,
KEP3 dan KEP4. Indikator-indikator pada variabel konstruk kepuasan merupakan
indikator-indikator reflektif (reflective) (Hair dkk., 2014:122-123).
4.2 Hipotesis
Adapun hipotesis yang akan diuji adalah pelayanan berpengaruh positif dan signifikan terhadap
kepuasan.
4.3 Data

1 1 5 5 5 5 5 5
2 5 1 5 5 5 5 5
3 5 5 1 5 5 5 5
47
4 1 5 5 1 5 5 5
5 5 1 5 5 1 5 5
6 5 5 1 5 5 1 5
7 5 5 5 5 5 5 1
8 1 4 4 4 4 4 4
9 4 1 4 4 4 4 4
10 4 4 1 4 4 4 4
11 4 4 4 4 4 4 4
12 1 4 4 4 4 4 4
13 4 1 4 4 4 4 4
14 4 4 1 4 4 4 4
15 3 3 3 3 3 3 3
16 3 3 3 3 3 3 3
17 3 3 3 3 3 3 3
18 3 3 3 3 3 3 3
19 3 3 3 3 3 3 3
20 3 3 3 3 3 3 3
21 3 3 3 3 3 3 3
22 5 2 2 2 2 2 2
23 2 5 2 2 2 2 2
24 2 2 5 2 2 2 2
25 5 2 2 5 2 2 2
26 2 5 2 2 5 2 2
27 2 2 5 2 2 5 2
28 2 2 2 2 2 2 5
29 1 5 5 1 1 1 1
30 5 1 5 1 1 1 1
31 5 5 1 1 1 1 2
32 1 1 1 5 5 5 5
33 1 1 1 3 5 5 5
34 1 1 1 5 5 5 5
35 1 1 1 5 5 5 5
36 5 5 5 5 5 5 5
37 4 5 5 5 5 4 5
38 1 5 5 5 5 5 5
39 5 1 4 5 5 5 5
40 5 5 1 5 4 5 5
41 5 5 5 5 5 5 5
42 5 5 5 5 5 5 5
43 1 4 4 4 3 4 4
44 3 1 4 4 4 4 4
45 4 4 1 4 4 4 4
46 4 4 4 4 4 4 4
47 4 4 4 4 4 3 4
48
48 4 4 4 4 4 4 4
49 2 4 4 4 4 4 4
50 3 3 3 3 3 3 3
51 3 3 2 3 3 3 3
52 3 3 2 3 3 3 3
53 3 3 3 3 3 3 3
54 3 3 3 3 3 3 3
55 3 3 3 3 3 3 3
56 3 3 3 3 3 3 3
57 5 2 2 2 2 2 2
58 2 5 2 2 2 2 2
59 2 2 5 2 2 2 2
60 5 2 2 2 2 2 2
61 2 5 2 2 2 2 2
62 2 2 5 2 2 2 2
63 2 2 2 2 2 2 2
64 5 1 1 1 1 1 1
65 1 5 1 1 1 3 1
66 1 1 5 1 1 1 1
67 1 3 1 1 3 1 1
68 5 1 1 1 1 1 1
69 1 5 1 1 1 1 1
70 1 1 5 1 1 1 1
71 5 3 5 5 5 5 5
72 5 5 5 5 5 5 5
73 5 3 5 5 5 5 5
74 1 5 5 5 5 5 5
75 5 1 5 5 3 5 5
76 5 5 1 5 5 5 5
77 5 5 5 5 5 5 5
78 4 4 4 4 4 4 4
79 4 3 4 4 4 4 4
80 1 4 3 4 4 4 4
81 4 1 4 4 4 4 4
82 4 4 1 4 4 4 3
83 4 4 4 4 4 4 4
84 4 4 4 4 3 4 4
85 3 3 3 3 3 3 3
86 3 3 3 3 3 3 3
87 3 3 3 3 3 3 3
88 3 3 3 3 3 3 3
89 3 3 3 3 3 3 3
90 3 3 3 3 3 3 3
91 3 3 3 3 3 3 3
49
92 3 2 2 2 2 2 2
93 5 2 2 2 2 2 2
94 2 5 2 2 2 2 2
95 2 2 5 2 2 2 2
96 2 2 2 2 3 2 2
97 2 3 2 2 2 2 2
98 2 2 2 2 2 2 2
99 5 1 1 1 1 1 1
100 1 1 5 1 1 1 1

50
51
4.5 Interpretasi Hasil pada Indikator-Indikator Reflektif
is larger than the
measurement error variance. This means that an indicator's outer loading should be above 0.708 since
that number squared (0.7082) equals 0.50. Note that in most instances, 0.70 is considered close enough
to 0.708 to be acceptable.
52

variabel latennya.
extracted.
53
construct.”
“Convergent validity assessment builds on the AVE value as the evaluation criterion. In this example,
convergent validity.”

54
Berdasarkan hasil AVE pada Gambar 4.6, diketahui nilai AVE dari kepuasan adalah 0,870,
yakni > 0,5, yang berarti variabel laten kepuasan telah menyerap variance dari masing-masing
indikatornya > 50%.



(unidimensional).
55
Berdasarkan hasil composite reliability pada Gambar 4.7, diketahui nilai composite reliability
dari kepuasan adalah 0,964, yakni > 0,7.
4.6 Interpretasi Hasil pada Indikator-Indikator Formatif

4.6.1 Outer Weight
Selanjutnya akan dilakukan evaluasi outer weight pada konstruk pelayanan (formative). Pada
evaluasi outer weight, diuji apakah indikator PEL1, PEL2 dan PEL3 signifikan dalam hal
mencerminkan variabel konstruk pelayanan. Untuk itu akan diperiksa sebagai berikut.
1. Apakah indikator tersebut signifikan. Apabila indikator tersebut signifikan, maka
indikator tersebut dipertahankan.
2. Apabila indikator tersebut tidak signifikan, maka diperiksa apakah nilai loading > 0,5.
Apabila nilai loading > 0,5, maka indikator tersebut dipertahankan.
3. Jika outer weight dan outer loading tidak signifikan, tidak ada bukti bahwa indikator
tersebut tidak seharusnya dipertahankan.
56
Gambar 4.8 Hair dkk. (2014:131)
Gambar 4.9 Uji Signifikansi Outer Weight
57
Tabel 4.2 Evaluasi Konstruk Pelayanan berdasarkan Outer Weight
Indikator Outer Weight T Statistics P-Values

PEL1 0.556 2.449 0.015
PEL2 0.611 2.760 0.006
PEL3 0.566 2.454 0.014
Berdasarkan hasil pada Gambar 4.9 dan Tabel 4.2, diketahui seluruh nilai P-Values dari PEL1,
PEL2 dan PEL3 < 0,05, yang berarti outer weight dari indikator PEL1, PEL2 dan PEL3 sudah
signifikan pada tingkat signifikansi 0,05 atau 5%. Sehingga indikator PEL1, PEL2 dan PEL3
dipertahankan dalam proses analisis. Dengan kata lain, indikator PEL1, PEL2 dan PEL3
signifikan dalam hal mencerminkan variabel konstruk pelayanan.
4.6.2 Collinearity
Selanjutnya akan dilakukan evaluasi collinearity. Pada evaluasi collinearity, menguji apakah
terdapat korelasi atau hubungan yang kuat di antara variabel indikator PEL1, PEL2 dan PEL3.
Hair dkk. (2014:132) menyatakan nilai tolerance diharapkan > 0,2 dan nilai VIF < 5. Gambar
4.10 dan Tabel 4.3 disajikan hasil pengujian collinearity.
Gambar 4.10 Pengujian Collinearity
Tabel 4.3 Evaluasi Konstruk Pelayanan berdasarkan VIF
VIF
PEL1 1.000
PEL2 1.000
PEL3 1.000
58
Berdasarkan Tabel 4.3 dan Gambar 4.10, diketahui seluruh nilai VIF < 5, sehingga disimpulkan
tidak terdapat permasalahan kolinearitas.
4.7 Evaluasi Validitas Diskriminan

Validitas diskriminan menguji sejauh mana suatu konstruk benar-benar berbeda dari konstruk
lain. Terdapat 2 pendekatan dalam melakukan pengujian validitas diskriminan, yakni:
 Membandingkan nilai loading suatu indikator terhadap variabel latennya dan nilai
loading dari indikator tersebut terhadap variabel laten lainnya. Pendekatan ini
dinamakan cross loading. Pada pendekatan ini, nilai loading suatu indikator terhadap
variabel latennya, harus lebih besar dibandingkan nilai loading dari indikator
tersebut terhadap variabel laten lainnya. Pada pendekatan ini, diuji, apakah suatu
indikator, benar-benar lebih baik mengukur variabel latennya, dibandingkan variabel
laten lainnya. Dengan kata lain, menguji, apakah terdapat indikator yang tertukar.
 Membandingkan nilai akar kuadrat dari suatu variabel laten terhadap nilai korelasi
antara variabel laten tersebut dengan variabel laten lainnya. Pendekatan ini merupakan
pendekatan Fornell-Larcker. Pada pendekatan ini, nilai akar kuadrat dari suatu
variabel laten harus lebih besar dibandingkan nilai korelasi antara variabel laten
tersebut dengan variabel laten lainnya
Dalam kasus ini, kita gunakan pendekatan Fornell-Larcker. Tabel 4.4 dan Gambar 4.11
disajikan hasil pengujian validitas diskriminan berdasarkan pendekatan Fornell-Larcker.
Tabel 4.4 Pengujian Validitas Diskriminan berdasarkan

Pendekatan Fornell-Larcker
Kepuasan Pelayanan
Kepuasan 0.933
Pelayanan 0.434
59
Gambar 4.11 Pengujian Validitas Diskriminan berdasarkan
Berdasarkan pengujian validitas diskriminan (Fornell-Larcker) pada Tabel 4.4 dan Gambar
4.11, diketahui nilai akar kuadrat AVE pada variabel kepuasan adalah 𝐴𝑉𝐸 =
√0,870 = 0,933, yakni lebih besar dari nilai korelasi antara kepuasan dan pelayanan 0,434.
Maka instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
4.8 Pengujian Model Struktural (Structural Model / Inner Model)

Berdasarkan Gambar 4.12, diketahui nilai koefisien jalur (original sample) pelayanan terhadap
kepuasan adalah 0,434, yakni bernilai positif, yang berarti pelayanan berpengaruh positif
terhadap kepuasan. Diketahui nilai P-Values = 0,000 < 0,05, maka disimpulkan pelayanan
60
variabel tak bebas. Diketahui nilai r-square adlah 0,188, yang berarti variabel bebas pelayanan
mampu menjelaskan variance dari variabel tak bebas kepuasan sebesar 18,8%.
61
BAB 5 CONTOH KASUS 5: REFLECTIVE SECOND
ORDER CONSTRUCT (ARTIKEL INTERNASIONAL-
SCOPUS Q-1)
5.1 Model
Contoh ini diadopsi dari artikel di jurnal internasional “Asia Pacific Journal of Marketing and
Logistics”, dengan judul “A Multiple-Item Scale of Measuring “Sustainable Consumption
Behaviour” Construct: Development and Psychometric Evaluation”.
Gambar 5.1 Model pada Kasus Bab 5 Diadopsi dari Artikel Jurnal Internasional
Link Artikel: https://www.emerald.com/insight/content/doi/10.1108/APJML-02-2018-
0047/full/html
62
Adapun model yang diajukan pada penelitian tersebut seperti pada Gambar 5.2.
Gambar 5.2 Model yang Diajukan pada Artikel Internasional

 Terdapat 5 variabel laten atau konstruk, yakni CEW, QL, CFG, SCB dan SCP.
 Variabel CEW, QL, CFG dan SCP, merupakan variabel laten atau konstruk yang diukur
menggunakan satu tahap (first order construct).
 Sementara variabel SCB merupakan variabel laten atau konstruk yang diukur
menggunakan 2 tahap (second order construct).
 Perhatikan Gambar 5.3.
63
Gambar 5.3 Model pada Gambar 5.2 Digambar dalam Software SmartPLS

 Variabel konstruk CEW memiliki 7 indikator, variabel konstruk QL memiliki 9
indikator dan seterusnya.
 Sementara variabel konstruk SCB memiliki 3 indikator, yakni CEW, QL dan CFG.
Gambar 5.4 Contoh Hierarchical Component Models

Ringle (2012) dalam buku Hair dkk. (2014:231)
64
Jika merujuk pada Ringle (2012) dalam buku Hair dkk. (2014:231) dengan judul “A Primer on
Partial Least Squares Structural Equation Modeling (PLS-SEM)”, model pada Gambar 5.3
merupakan model dengan jenis reflektif-reflektif. Hal ini dikarenakan variabel konstruk SCB,
diukur berdasarkan 2 tahap, yakni pada tahap pertama adalah reflektif, dan pada tahap
kedua adalah reflektif.
5.2 Hipotesis
Adapun hipotesis yang akan diuji adalah SCB berpengaruh positif dan signifikan SCP.
65
5.3 Data

Nom CEW CEW CEW CEW CEW CEW CEW QL QL QL QL QL QL QL QL QL QL1 QL1 CFG CFG CFG CFG CFG CFG SCP SCP SCP SCP SCP SCP
or 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 0 1 1 2 3 4 5 6 1 2 3 4 5 6
1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5
2 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
3 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
6 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
7 2 4 2 4 2 2 2 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2
8 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
9 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 5 2 2 2 2 2 2 2 5 2 2 2 2 2
10 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
11 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
12 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
13 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
14 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
15 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2
16 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
17 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
18 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
19 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
20 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
21 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5
22 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
23 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
24 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
25 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
26 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5
66
27 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
28 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
29 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2
30 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5
31 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
32 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
33 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
34 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
35 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 4 4 4 4 4
36 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
37 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
38 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
39 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 5 2 2 2 2 2
40 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 4 4 4 4 4
41 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
42 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 5 2 2 2 2 2 2 2 5 2 2 2 2 2
43 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2
44 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
45 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
46 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
47 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
48 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
49 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 5 2 5 2
50 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5
51 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 4 4 4 4 4
52 5 5 5 5 5 5 5 2 5 2 2 2 2 5 2 2 2 2 2 2 2 2 2 2 2 2 2 5 2 5
53 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 4 4 4 4 4
54 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
55 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
56 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
57 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
58 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
59 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
60 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5
67
61 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
62 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
63 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
64 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
65 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5
66 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5
67 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
68 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5
69 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
70 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2
71 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
72 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
73 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
74 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
75 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
76 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
77 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
78 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
79 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
80 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5
81 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
82 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
83 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
84 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
85 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5
86 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
87 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
88 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5
89 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
90 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2
91 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5
92 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
93 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
94 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2
68
95 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 2 2 2
96 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5
97 2 2 2 2 2 2 2 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2
98 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 4 4 4 4 4 4
99 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
100 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
69

Model pada Gambar 5.1 atau Gambar 5.2 digambar menggunakan software smartPLS seperti
pada Gambar 5.5. Pada Gambar 5.6, pilih Calculate => PLS Algorithm, untuk melakukan
pengujian outer model (Hair dkk., 2014:29). Pada Gambar 5.7, pilih Calculate =>
Bootstrapping, untuk melakukan pengujian hipotesis (inner model) (Hair dkk., 2014:118).
70
71
5.5.1 Evaluasi Outer Model Tahap 1 (First Stage Outer Model Evaluation)
Dalam pengujian outer model, akan dievaluasi nilai loading, average variance extracted
(AVE) dan composite reliability (CR). Tabel 5.2 disajikan nilai loading, average variance
extracted (AVE) dan composite reliability (CR).
Tabel 5.2 Evaluasi Outer Model berdasarkan Loading,

AVE dan CR (First Order / Tahap 1)
Indikator Loading AVE CR
CEW1 0.933
CEW2 0.923
CEW3 0.933
CEW4 0.923 0.866 0.978
CEW5 0.933
CEW6 0.933
CEW7 0.933
CFG1 0.941
CFG2 0.941
CFG3 0.941
0.885 0.979
CFG4 0.941
CFG5 0.941
CFG6 0.941
QL1 0.929
QL10 0.851
QL11 0.929
QL2 0.899
QL3 0.929
QL4 0.929 0.841 0.983
QL5 0.929
QL6 0.929
QL7 0.899
QL8 0.929
QL9 0.929
SCP1 0.835
SCP2 0.93
SCP3 0.882
0.807 0.962
SCP4 0.913
SCP5 0.913
SCP6 0.913
72
Dalam SEM, biasanya nilai loading diperiksa atau dievaluasi pertama kali. Nilai loading > 0,7
dapat diterima. Alasan mengapa nilai loading > 0,7 diterima karena:
 Paling sedikit 0,7 ≈ 50% variabilitas dari suatu indikator telah diserap oleh
variabel laten yang telah terbentuk (Gaston Sanchez, 2013).
 Paling sedikit 50% variasi suatu item atau indikator telah dijelaskan oleh variabel
latennya (Hair, dkk, 2014).
Dengan kata lain, apabila nilai loading dari suatu indikator > 0,7, artinya variabel laten tersebut
dikatakan cukup baik dalam hal mewakili indikator tersebut.
Nilai loading yang dikuadratkan dinamakan comunality. Nilai comunality digunakan untuk
mengukur seberapa baik variabel laten dalam menjelaskan variabel indikatornya. Nilai
loading > 0,7 berarti nilai comunality ≥ 0,5, yang berarti paling sedikit 50% variasi suatu item
atau indikator telah dijelaskan oleh variabel latennya.
Berdasarkan hasil pengujian nilai loading pada Tabel 5.2, diketahui seluruh nilai loading > 0,7,
yang berarti seluruh variabel laten cukup baik dalam hal mewakili indikator-indikatornya.
Gambar 5.8 disajikan nilai loading berdasarkan output smartPLS.
73
Gambar 5.8 Output SmartPLS berdasarkan Loading

Average variance extracted (AVE) merupakan suatu nilai yang mengukur validitas konvergen
dari suatu variabel laten. Nilai AVE > 0,5 dapat diterima. Nilai AVE > 0,5 dapat diartikan lebih
dari 50% variance dari indikator-indikator telah diserap oleh variabel latennya.
Berdasarkan hasil pengujian nilai AVE pada Tabel 5.2, diketahui seluruh nilai AVE > 0,5, yang
berarti variance dari indikator-indikator telah diserap oleh variabel latennya > 50%. Dengan
kata lain variabel laten CEW, CFG, QL dan SCP cukup baik dalam hal mewakili indikator-
indikatornya.
Gambar 5.9 disajikan nilai AVE berdasarkan output smartPLS.
74
Gambar 5.9 Output SmartPLS berdasarkan AVE dan CR

Composite reliability (CR) mengevaluasi reliabilitas konsistensi internal (internal consistency
reliability). Adapun rumus dari CR adalah sebagai berikut.
(∑ 𝑙 )
𝜌 =
(∑ 𝑙 ) + ∑ 𝑣𝑎𝑟(𝑒 )
Perhatikan bahwa 𝜌 merupakan composite reliability (CR), 𝑙 menyatakan nilai standardized

outer loading dari indikator ke-𝑖, 𝑒 menyatakan measurement error dari indikator ke-𝑖 dan
𝑣𝑎𝑟(𝑒 ) menyatakan variance dari measurement error, yang mana didefinisikan 1 − 𝑙 . Nilai
dari CR berkisar dari 0 dan 1. Ukuran Cronbach’s Alpha juga mengevaluasi internal
consistency reliability. Namun pada ukuran Cronbach’s Alpha bersifat sensitive terhadap
jumlah item dan secara umum cenderung underestimate (tidak akurat). Nilai CR > 0,7 dapat
diterima.
Berdasarkan hasil pengujian nilai CR pada Tabel 5.2, diketahui seluruh nilai CR > 0,7, yang
berarti telah memenuhi syarat relialibilitas. Dengan kata lain, instrumen atau kuesioner yang
telah dirancang telah reliabel. Gambar 5.9 disajikan nilai CR berdasarkan output smartPLS.
75
5.1.1.4 Evaluasi Validitas Diskriminan
Pada tulisan ini, kita gunakan pendekatan Fornell-Larcker. Tabel 5.3 disajikan hasil pengujian
validitas diskriminan berdasarkan pendekatan Fornell-Larcker.

CEW CFG QL SCP
CEW 𝐴𝑉𝐸 = 0.931
CFG 0.555 𝐴𝑉𝐸 = 0.941
QL 0.328 0.554 𝐴𝑉𝐸 = 0.917
SCP 0.587 0.755 0.563 𝐴𝑉𝐸 = 0.898
Berdasarkan pengujian validitas diskriminan (Fornell-Larcker) pada Tabel 5.3, diketahui:

 Nilai akar kuadrat AVE pada variabel CEW 0,931, yakni
o lebih besar dari nilai korelasi antara CEW dan CFG 0,555,
o lebih besar dari nilai korelasi antara CEW dan QL 0,328,
o lebih besar dari nilai korelasi antara CEW dan SCP 0,587.
76
 Nilai akar kuadrat AVE pada variabel CFG 0,941, yakni
o lebih besar dari nilai korelasi antara CFG dan QL 0,554,
o lebih besar dari nilai korelasi antara CFG dan SCP 0,755.
Dan seterusnya.
Gambar 5.9 disajikan hasil validitas diskriminan Fornell-Larcker berdasarkan output

smartPLS.
Gambar 5.10 Output SmartPLS berdasarkan Validitas Diskriminan: Fornell-Larcker
77
5.5.2 Evaluasi Outer Model Tahap 2 (Second Stage Outer Model Evaluation)
Tabel 5.4 disajikan nilai loading, average variance extracted (AVE) dan composite reliability
(CR).
Tabel 5.4 Evaluasi Outer Model berdasarkan Loading, AVE dan CR

Indikator Outer Loading Composite Reliability Average Variance Extracted (AVE)
CEW 0.714
QL 0.847 0.969 0.563
CFG 0.844

78
Gambar 5.11 disajikan nilai loading berdasarkan output smartPLS.
Gambar 5.11 Output SmartPLS berdasarkan Loading

kata lain variabel laten SCB cukup baik dalam hal mewakili indikator-indikatornya. Gambar
5.9 disajikan nilai AVE berdasarkan output smartPLS.

(∑ 𝑙 )
𝜌 =
(∑ 𝑙 ) + ∑ 𝑣𝑎𝑟(𝑒 )

diterima.
79
telah dirancang telah reliabel. Gambar 5.9 disajikan nilai AVE berdasarkan output smartPLS.
5.6 Pengujian Inner Model (Structural Model)

Dalam pengujian inner model, akan diuji signifikansi pengaruh, yakni pengaruh langsung
(direct effect). Tabel 5.5 disajikan hasil uji signifikansi pengaruh.
Tabel 5.5 Uji Signifikansi Pengaruh

Original Sample (O) T Statistics (|O/STDEV|) P Values R-Square
SCB -> SCP 0.772 15.680 0.000 0.596
Berdasarkan Tabel 5.5 diketahui:

 Diketahui SCB berpengaruh positif terhadap SCP, dengan nilai koefisien jalur 0,772
(kolom original sample), dan signifikan, dengan nilai P-Value 0,000 < tingkat
signifikansi 0,05 atau 5%. SCB mampu menjelaskan variation (variasi) variabel SCP
sebesar 59,6%.
Gambar 5.11 disajikan output smartPLS untuk uji signifikansi pengaruh. Sementara Gambar
5.12 disajikan output smartPLS untuk R-Square.
Gambar 5.12 Output SmartPLS berdasarkan R-Square
80
BAB 6 CONTOH KASUS 6: SECOND ORDER
CONSTRUCT (REFLECTIVE-FORMATIVE)
(ARTIKEL INTERNASIONAL-SCOPUS Q-2)
6.1 Model
Contoh ini diadopsi dari artikel di jurnal internasional “Spanish Journal of Marketing - ESIC”,
dengan judul “The Effect of Cognitive Absorption on Marketing Learning Performance”.
Gambar 6.1 Model pada Kasus Bab 6 Diadopsi dari Artikel Jurnal Internasional
Link Artikel: https://www.emerald.com/insight/content/doi/10.1108/SJME-10-2018-
0048/full/html
Adapun model yang diajukan pada penelitian tersebut seperti pada Gambar 6.2.
81
Gambar 6.2 Model yang Diajukan pada Artikel Internasional

 Terdapat 8 variabel laten atau konstruk, yakni Enjoyment, Curiosity, Control, Temporal
Dissociation, Focused Immersion, Cognitive Absorption, Collaborative Learning, dan
Individual Learning Performance.
 Variabel Enjoyment, Curiosity, Control, Temporal Dissociation, Focused Immersion,
Collaborative Learning, dan Individual Learning Performance, merupakan variabel
laten atau konstruk yang diukur menggunakan satu tahap (first order construct).
 Sementara variabel Cognitive Absorption merupakan variabel laten atau konstruk yang
diukur menggunakan 2 tahap (second order construct).
 Perhatikan Gambar 6.3.
82
Gambar 6.3 Model pada Gambar 6.2 Digambar dalam Software SmartPLS

 Variabel konstruk Enjoyment (ENJ) memiliki 3 indikator, variabel konstruk Curiosity
(CUR) memiliki 3 indikator dan seterusnya.
 Sementara variabel konstruk Cognitive Absorption (CA) memiliki 5 indikator, yakni
ENJ, CUR, CONT, TEDI, dan FI.
83
Gambar 6.4 Contoh Hierarchical Component Models
Ringle (2012) dalam buku Hair dkk. (2014:231)
Jika merujuk pada Ringle (2012) dalam buku Hair dkk. (2014:231) dengan judul “A Primer on
Partial Least Squares Structural Equation Modeling (PLS-SEM)”, model pada Gambar 6.3
merupakan model dengan jenis reflektif-formatif. Hal ini dikarenakan variabel konstruk
Cognitive Absorption (CA), diukur berdasarkan 2 tahap, yakni pada tahap pertama adalah
reflektif, dan pada tahap kedua adalah formative.
6.2 Hipotesis
 Cognitive Absorption (CA) berpengaruh positif dan signifikan terhadap Collaborative
Learning (CL)
 Cognitive Absorption (CA) berpengaruh positif dan signifikan terhadap Individual
Learning Performance (LP)
 berpengaruh positif dan signifikan terhadap Individual Learning Performance (LP)
 Collaborative Learning (CL) signifikan memediasi hubungan antara Cognitive
Absorption (CA) dan Individual Learning Performance (LP)
84
6.3 Data
Misalkan diberikan data seperti pada Tabel 6.1. (Link Download Data: https://bit.ly/3z1NK9v)

ENJ CUR CONT TEDI FI CL LP
Nomor
ENJ1 ENJ2 ENJ3 CUR1 CUR2 CUR3 CONT1 CONT2 CONT3 TEDI1 TEDI2 TEDI3 FI1 FI2 FI3 CL1 CL2 CL3 LP1 LP2 LP3 LP4
1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4 4 4
2 5 4 5 5 3 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5
3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
6 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
7 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
8 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3
9 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
10 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
11 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5 5 5 1 5 5 5
12 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
13 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
14 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4
15 2 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
17 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
18 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
19 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
20 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
21 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 3
85
22 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
23 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4
24 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
25 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
26 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
27 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
28 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2
29 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
30 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
31 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
32 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
33 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
34 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4
35 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
36 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
37 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 4 5
38 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 4 3 4 4 4 4
39 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
40 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
41 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3
42 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 4
43 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
44 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
45 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
46 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
47 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
48 4 4 4 4 4 4 4 4 4 4 3 4 4 4 3 4 4 3 4 4 4 4
49 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 4 5 5 5 5
50 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
86
51 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
52 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
53 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
54 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
55 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
56 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
57 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
58 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
59 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
60 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
61 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
62 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
63 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5
64 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
65 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
66 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
67 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
68 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
69 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
70 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4
71 4 4 4 4 4 4 4 4 4 4 3 4 4 3 4 3 4 4 2 2 2 2
72 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
73 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
74 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 5 5 5 4 4 5
75 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
76 4 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 4 5 5 5
77 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
78 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
79 5 5 5 5 3 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5
87
80 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5
81 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
82 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
83 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
84 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
85 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
86 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
87 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 3 3
88 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
89 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5
90 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
91 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5
92 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
93 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
94 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
95 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
96 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
97 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
98 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
99 5 5 5 5 3 5 5 2 5 5 5 5 1 5 5 5 5 5 5 4 5 5
100 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
101 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
102 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
103 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
104 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
105 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
106 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
107 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
108 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
88
109 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
110 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
111 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4
112 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
113 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
114 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
115 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
116 2 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2
117 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2
118 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
119 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
120 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
121 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
122 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
123 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
124 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
125 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
126 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3
127 5 5 5 5 5 3 5 5 2 5 5 5 5 5 5 5 1 5 5 5 5 5
128 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
129 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
130 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
131 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
132 5 5 5 3 5 5 5 2 5 5 5 5 5 5 5 5 5 5 5 1 5 5
133 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
134 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5
135 5 5 5 5 5 3 5 5 2 5 5 5 5 5 5 5 1 5 5 5 5 5
136 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2
137 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
89
138 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
139 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
140 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
141 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
142 4 5 4 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5
143 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
144 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
145 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
146 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
147 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
148 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
149 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
150 4 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 4 5 5 5
151 5 5 5 3 5 5 5 2 5 5 5 5 5 5 5 5 5 5 5 1 5 5
152 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
153 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
154 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
155 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
156 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
157 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
158 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 2 2 2 2
159 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
160 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
161 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 5 4 4
162 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
163 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
164 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
165 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
166 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
90
167 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
168 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
169 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
170 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
171 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
172 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
173 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
174 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5
175 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
176 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
177 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4 4 4
178 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
179 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
180 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
181 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5
182 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
183 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3
184 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
185 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
186 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
187 3 3 3 3 3 3 5 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
188 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
189 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
190 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4
191 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
192 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
193 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
194 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
195 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
91
196 5 5 5 5 3 5 5 2 5 5 5 5 1 5 5 5 5 5 5 4 5 5
197 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
198 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
199 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
200 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
201 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
202 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 4 5
203 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
204 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
205 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5
206 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
207 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5
208 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
209 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
210 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
211 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
212 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
213 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
214 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
215 3 3 3 3 3 3 5 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
216 5 5 5 5 5 5 2 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5
217 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5
218 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
219 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
220 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
221 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5
222 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
223 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
224 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 4 5 5 5 5
92
225 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
226 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
227 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
228 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
229 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4
230 4 4 4 4 4 4 4 4 4 3 4 3 3 4 3 2 2 2 4 4 4 4
231 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5
232 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 4 5
233 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
234 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
235 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4
236 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
237 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
238 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
239 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
240 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4
241 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5
242 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 5 5 5 4 4 5
243 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
244 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
245 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
246 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
247 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4
248 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
249 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
250 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
251 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4
252 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1
253 5 5 5 5 5 5 2 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5
93
254 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3
255 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
256 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
257 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4 4 4
258 4 5 4 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5
259 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1
260 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
261 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
262 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 4 4 4 4 4
263 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1
264 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3
265 4 4 4 4 4 4 4 4 4 3 4 3 3 4 3 2 2 2 4 4 4 4
266 5 5 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
267 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
268 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5
269 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
270 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
271 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
272 5 4 5 5 3 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5
273 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
274 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 4
275 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
276 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4
277 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
278 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 3 2 2 2 2
279 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 4 4 5 5 5 5
280 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
281 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
282 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
94
283 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4
284 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
285 4 4 4 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4
286 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 4 4 5 5 5 5
287 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
288 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
289 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
290 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
291 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
292 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 4 4 4 4
293 4 4 4 4 4 4 4 4 4 4 3 4 4 3 4 3 4 4 2 2 2 2
294 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5 5 5 1 5 5 5
295 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
296 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1
297 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
298 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5
299 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
300 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
301 1 1 1 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 1 1 1 1
302 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
303 5 5 5 5 3 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5
304 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5
305 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 4 5
306 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
307 4 4 4 4 4 4 1 1 1 4 4 4 4 4 4 4 4 4 4 5 4 4
308 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4
309 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5
310 5 5 5 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5
311 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
95
312 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
313 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
314 3 3 3 3 3 3 3 3 5 3 3 3 3 3 3 3 3 3 3 3 3 3
96
97

Praktek olah data dapat dilihat pada video youtube berikut: https://youtu.be/UEe-DlVlXQc

6.5.1 Pengujian Outer Model (Measurement Model)
Dalam pengujian outer model, akan dievaluasi nilai loading, average variance extracted
(AVE) dan composite reliability (CR).
6.5.1.1 Evaluasi Outer Model Tahap 1 (First Stage Outer Model Evaluation): Konstruk
Reflektif: CL, CONT, CUR, ENJ, FI, LP & TEDI
Tabel 6.2 disajikan nilai loading, average variance extracted (AVE) dan composite reliability
(CR).
Tabel 6.2 Evaluasi Outer Model berdasarkan Loading, AVE dan CR

Indikator Outer Loading AVE CR
CL1 0.976
CL2 0.978 0.954 0.984
CL3 0.976
CONT1 0.957
CONT2 0.947 0.909 0.968
CONT3 0.955
CUR1 0.977
CUR2 0.972 0.952 0.983
CUR3 0.977
ENJ1 0.982
ENJ2 0.981 0.964 0.988
ENJ3 0.982
FI1 0.976
FI2 0.972 0.95 0.983
FI3 0.975
LP1 0.979
LP2 0.976
0.957 0.989
LP3 0.978
LP4 0.979
TEDI1 0.982 0.963 0.988
98
TEDI2 0.981
TEDI3 0.982
6.5.1.1.1 Evaluasi Nilai Loading

99
6.5.1.1.2 Evaluasi Nilai Average Variance Extracted (AVE)

kata lain variabel laten enjoyment, curiosity, control, temporal dissociation, focused
immersion, collaborative learning dan individual learning performance cukup baik dalam hal
mewakili indikator-indikatornya.
6.5.1.1.3 Evaluasi Nilai Composite Reliability (CR)

(∑ 𝑙 )
𝜌 =
(∑ 𝑙 ) + ∑ 𝑣𝑎𝑟(𝑒 )

diterima.
100
telah dirancang telah reliabel.
6.5.1.1.4 Evaluasi Validitas Diskriminan

Pada tulisan ini, kita gunakan pendekatan Fornell-Larcker. Tabel 6.3 disajikan hasil pengujian
validitas diskriminan berdasarkan pendekatan Fornell-Larcker.

CL CONT CUR ENJ FI LP TEDI
CL 𝐴𝑉𝐸 = 0.977
CONT 0.673 𝐴𝑉𝐸 = 0.953
CUR 0.677 0.716 𝐴𝑉𝐸 = 0.976
ENJ 0.686 0.712 0.728 𝐴𝑉𝐸 = 0.982
FI 0.688 0.709 0.724 0.729 𝐴𝑉𝐸 = 0.974
LP 0.653 0.637 0.648 0.651 0.654 𝐴𝑉𝐸 = 0.978
TEDI 0.693 0.712 0.728 0.735 0.729 0.658 𝐴𝑉𝐸 = 0.982
101
Berdasarkan pengujian validitas diskriminan (Fornell-Larcker) pada Tabel 6.3, diketahui:
 Nilai akar kuadrat AVE pada variabel CL 0,954 = 0,977, yakni
o lebih besar dari nilai korelasi antara CL dan CONT 0,673,
o lebih besar dari nilai korelasi antara CL dan CUR 0,677,
o lebih besar dari nilai korelasi antara CL dan ENJ 0,686,
o lebih besar dari nilai korelasi antara CL dan FI 0,688,
o lebih besar dari nilai korelasi antara CL dan LP 0,653,
o lebih besar dari nilai korelasi antara CL dan TEDI 0,693.
 Nilai akar kuadrat AVE pada variabel CONT √0,909 = 0,953, yakni
o lebih besar dari nilai korelasi antara CONT dan CUR 0,716,
o lebih besar dari nilai korelasi antara CONT dan ENJ 0,712,
o lebih besar dari nilai korelasi antara CONT dan FI 0,709,
o lebih besar dari nilai korelasi antara CONT dan LP 0,637,
o lebih besar dari nilai korelasi antara CONT dan TEDI 0,712.
 Dan seterusnya.
102
6.5.1.2 Evaluasi Outer Model Tahap 2 (Second Stage Outer Model Evaluation) : Konstruk
Formative: CA
Selanjutnya dilakukan evaluasi outer model tahap 2. Diketahui variabel laten cognitive
absorption merupakan variabel laten yang diukur dalam 2 tahap (second order construct) dan
indikator-indikatornya bersifat formatif.
Hair dkk. (2014:121) menyatakan pada model pengukuran formative, terdapat 3 tahapan
pemeriksaan, yakni evaluasi convergent validity, collinearity dan signifikansi dari indikator
formatif.
6.5.1.2.1 Evaluasi Convergent Validity

Pertama, akan dilakukan evaluasi convergent validity, yakni dengan melakukan pemeriksaan
nilai korelasi antara variabel konstruk enjoyment, curiosity, control, temporal dissociation,
focused immersion terhadap cognitive absorption.
103
Tabel 6.4 disajikan nilai korelasi antara variabel konstruk enjoyment, curiosity, control,
temporal dissociation, focused immersion terhadap cognitive absorption.
Tabel 6.4 Evaluasi Convergent Validity (Loading)

CA
CONT 0.869
CUR 0.884
ENJ 0.887
FI 0.883
TEDI 0.887
104
Hair dkk (2014:132) menyatakan nilai korelasi > 0.8 menandakan memiliki sifat convergent
validity yang baik. Diketahui nilai korelasi antara variabel konstruk enjoyment, curiosity,
control, temporal dissociation, focused immersion terhadap cognitive absorption, seluruhnya >
0.8, yang berarti variabel konstruk enjoyment, curiosity, control, temporal dissociation,
focused immersion cukup baik dalam mencerminkan variabel konstruk cognitive absorption.
6.5.1.2.2 Evaluasi Collinearity

Selanjutnya akan dilakukan evaluasi collinearity. Pada evaluasi collinearity, menguji apakah
terdapat korelasi atau hubungan yang kuat di antara variabel konstruk enjoyment, curiosity,
control, temporal dissociation dan focused immersion.
Hair dkk (2014:132) menyatakan nilai tolerance diharapkan > 0,2 dan nilai VIF < 5.
Tabel 6.5 Evaluasi Collinearity

VIF
CONT 2.754
CUR 2.968
ENJ 3.011
FI 2.950
TEDI 3.010
105
Berdasarkan Tabel 6.5, diketahui seluruh nilai VIF < 5, sehingga disimpulkan tidak terdapat
permasalahan kolinearitas.
6.5.1.2.3 Evaluasi Outer Weight

Selanjutnya akan dilakukan evaluasi outer weight. Pada evaluasi outer weight, akan diperiksa:
4. Apakah indikator tersebut signifikan. Apabila indikator tersebut signifikan, maka
indikator tersebut dipertahankan.
5. Apabila indikator tersebut tidak signifikan, maka diperiksa apakah nilai loading > 0,5.
Apabila nilai loading > 0,5, maka indikator tersebut dipertahankan.
6. Jika outer weight dan outer loading tidak signifikan, tidak ada bukti bahwa indikator
tersebut tidak seharusnya dipertahankan.
106
Tabel 6.6 Evaluasi Outer Weight

Koefisien Jalur (Original Sample) | Loading
Weight P-Value t-Statistics
CONT -> CA 0.214 0.869 0.000 19.935
CUR -> CA 0.227 0.884 0.000 21.991
ENJ -> CA 0.232 0.887 0.000 21.944
FI -> CA 0.228 0.883 0.000 20.907
TEDI -> CA 0.233 0.887 0.000 20.859
107
Berdasarkan Tabel 6.6, diketahui seluruh nilai p-value < 0,05, yang berarti outer weight dari
seluruh konstruk signifikan. Sehingga variabel konstruk enjoyment, curiosity, control,
temporal dissociation dan focused immersion dipertahankan dalam proses analisis.
Dengan kata lain:
H1a. Enjoyment secara positif menentukan cognitive absorption (diterima)
H1b. Curiosity secara positif menentukan cognitive absorption (diterima)
H1c. Control secara positif menentukan cognitive absorption (diterima)
H1d. Temporal dissociation secara positif menentukan cognitive absorption (diterima)
H1e. Focused immersion secara positif menentukan cognitive absorption (diterima)
108
6.5.2 Pengujian Inner Model (Structural Model)
Dalam pengujian inner model, akan diuji signifikansi pengaruh, yakni pengaruh langsung
(direct effect) dan pengaruh tidak langsung (indirect effect). Tabel 6.7 disajikan hasil uji
signifikansi pengaruh.
Tabel 6.7 Uji Signifikansi Pengaruh
Original Sample (O) T Statistics (|O/STDEV|) P Values R-Square

CA -> CL 0.775 18.508 0.000 0.601
CA -> LP 0.578 7.860 0.000
0.560
CL -> LP 0.205 3.233 0.001
CA -> CL -> LP 0.159 2.811 0.005
Berdasarkan Tabel 6.7 diketahui:

 Diketahui cognitive absorption (CA) berpengaruh positif terhadap collaborative
learning (CL), dengan nilai koefisien jalur 0,775 (kolom original sample), dan
signifikan, dengan nilai P-Value 0,000 < tingkat signifikansi 0,05 atau 5%. CA mampu
menjelaskan variation (variasi) variabel CL sebesar 60,1%. (H2 Diterima)
109
 Diketahui cognitive absorption (CA) berpengaruh positif terhadap individual learning
performance (LP), dengan nilai koefisien jalur 0,578 (kolom original sample), dan
signifikan, dengan nilai P-Value 0,000 < tingkat signifikansi 0,05 atau 5%. (H3
Diterima)
 Diketahui collaborative learning (CL) berpengaruh positif terhadap individual learning
performance (LP), dengan nilai koefisien jalur 0,205 (kolom original sample), dan
signifikan, dengan nilai P-Value 0,001 < tingkat signifikansi 0,05 atau 5%. (H4
Diterima)
 CA dan CL mampu menjelaskan variation (variasi) variabel LP sebesar 56%.
 CL signifikan sebagai pemediasi hubungan antara CA dan LP, dengan nilai P-Value
0,005 < tingkat signifikansi 0,05 atau 5%.
110
BAB 7 CONTOH KASUS MULTI-GROUP ANALYSIS
(MGA): PENGARUH MOTIVASI TERHADAP
KINERJA BERDASARKAN JENIS KELAMIN
7.1 Model dan Hipotesis

Jenis
Kelamin
Gambar 7.1 Contoh Model
Berdasarkan model pada Gambar 7.1:

 Variabel laten motivasi memiliki 3 indikator, yakni MOT1, MOT2, dan MOT3.
 Variabel laten kinerja memiliki 4 indikator, yakni KIN1, KIN2, KIN3, dan KIN4.
Berdasarkan model pada Gambar 7.1, berikut hipotesis yang akan diuji.
 Motivasi berpengaruh positif dan signifikan terhadap kinerja.
 Motivasi berpengaruh positif dan signifikan terhadap kinerja pada laki-laki.
 Motivasi berpengaruh positif dan signifikan terhadap kinerja pada perempuan.
 Jenis kelamin signifikan memoderasi pengaruh motivasi terhadap kinerja. Dengan kata
lain, terdapat perbedaan pengaruh motivasi terhadap kinerja yang signifikan, antara
laki-laki dan perempuan.
111
7.2 Data
Misalkan diberikan data seperti pada Tabel 7.1 (Data dapat didownload di link
https://bit.ly/3MTPpDJ).

No MOT1 MOT2 MOT3 KIN1 KIN2 KIN3 KIN4 Jenis Kelamin
1 3 3 3 3 3 3 3 Perempuan
2 5 5 5 5 5 5 5 Perempuan
3 4 4 4 4 4 4 4 Perempuan
4 4 4 4 4 4 4 4 Perempuan
5 3 3 3 3 3 3 3 Perempuan
6 4 4 4 4 4 4 4 Perempuan
7 5 5 5 1 5 5 5 Laki-Laki
8 2 2 2 2 2 2 2 Laki-Laki
9 5 5 5 5 5 5 5 Laki-Laki
10 3 3 3 3 3 3 3 Perempuan
11 3 3 3 3 3 3 3 Laki-Laki
12 5 5 5 5 5 5 5 Laki-Laki
13 4 4 4 4 4 4 4 Laki-Laki
14 4 4 4 4 4 4 4 Perempuan
15 3 3 3 3 3 3 3 Laki-Laki
16 5 1 5 5 5 5 5 Laki-Laki
17 4 4 4 4 4 4 4 Perempuan
18 4 4 4 4 4 4 4 Laki-Laki
19 4 4 4 4 4 4 4 Perempuan
20 3 3 3 3 3 3 3 Laki-Laki
21 2 2 2 2 2 2 2 Perempuan
22 4 4 4 1 1 1 1 Laki-Laki
23 1 1 1 5 5 5 5 Laki-Laki
24 5 5 5 5 5 5 5 Perempuan
25 3 3 3 3 3 3 3 Laki-Laki
26 3 3 3 3 3 3 3 Laki-Laki
27 5 5 5 5 5 1 5 Perempuan
28 2 2 2 2 2 2 2 Laki-Laki
29 3 3 3 3 3 3 3 Laki-Laki
30 2 2 2 2 2 2 2 Laki-Laki
31 4 4 4 1 1 1 1 Laki-Laki
32 3 3 3 3 3 3 3 Laki-Laki
33 3 3 3 3 3 3 3 Perempuan
34 4 4 4 4 4 4 4 Perempuan
35 5 5 5 5 5 5 5 Laki-Laki
36 3 3 3 3 3 3 3 Perempuan
37 3 3 3 3 3 3 3 Laki-Laki
112
38 4 4 4 4 4 4 4 Laki-Laki
39 2 2 2 2 2 2 2 Laki-Laki
40 2 2 2 2 2 2 2 Laki-Laki
41 4 4 4 4 4 4 4 Perempuan
42 4 4 4 4 4 4 4 Perempuan
43 2 2 2 2 2 2 2 Perempuan
44 1 1 1 5 5 5 5 Laki-Laki
45 4 4 4 4 4 4 4 Laki-Laki
46 2 2 2 2 2 2 2 Perempuan
47 2 2 2 2 2 2 2 Perempuan
48 5 5 5 5 5 5 5 Perempuan
49 3 3 3 3 3 3 3 Laki-Laki
50 3 3 3 3 3 3 3 Laki-Laki
51 4 4 4 4 4 4 4 Laki-Laki
52 3 3 3 3 3 3 3 Laki-Laki
53 3 3 3 3 3 3 3 Perempuan
54 4 4 4 4 4 4 4 Laki-Laki
55 4 4 4 4 4 4 4 Laki-Laki
56 3 3 3 3 3 3 3 Perempuan
57 1 5 5 5 5 5 5 Perempuan
58 3 3 3 3 3 3 3 Perempuan
59 4 4 4 4 4 4 4 Perempuan
60 5 5 5 1 5 5 5 Perempuan
61 4 4 4 4 4 4 4 Perempuan
62 5 5 5 5 5 1 5 Laki-Laki
63 3 3 3 3 3 3 3 Perempuan
64 2 2 2 5 5 5 5 Perempuan
65 5 5 5 5 1 5 5 Laki-Laki
66 5 5 5 5 5 5 5 Perempuan
67 5 5 5 1 1 1 1 Laki-Laki
68 4 4 4 4 4 4 4 Laki-Laki
69 5 5 5 5 5 5 5 Laki-Laki
70 3 3 3 3 3 3 3 Laki-Laki
71 1 1 1 4 4 4 4 Laki-Laki
72 5 5 5 5 5 5 5 Perempuan
73 3 3 3 3 3 3 3 Perempuan
74 2 2 2 2 2 2 2 Laki-Laki
75 3 3 3 3 3 3 3 Laki-Laki
76 2 2 2 2 2 2 2 Perempuan
77 2 2 2 2 2 2 2 Laki-Laki
78 5 5 1 5 5 5 5 Perempuan
79 5 5 5 5 5 5 5 Laki-Laki
80 2 2 2 2 2 2 2 Perempuan
81 5 5 5 1 1 1 1 Perempuan
113
82 4 4 4 4 4 4 4 Perempuan
83 4 4 4 4 4 4 4 Perempuan
84 2 2 2 2 2 2 2 Perempuan
85 5 5 5 5 5 5 5 Perempuan
86 3 3 3 3 3 3 3 Perempuan
87 5 5 5 5 5 5 1 Laki-Laki
88 5 5 5 5 5 5 1 Perempuan
89 5 5 5 2 2 2 2 Perempuan
90 3 3 3 3 3 3 3 Perempuan
91 2 2 2 2 2 2 2 Laki-Laki
92 4 4 4 4 4 4 4 Perempuan
93 3 3 3 3 3 3 3 Perempuan
94 5 5 5 5 5 5 5 Perempuan
95 5 5 5 5 5 5 5 Perempuan
96 3 3 3 3 3 3 3 Laki-Laki
97 2 2 2 2 2 2 2 Perempuan
98 3 3 3 3 3 3 3 Laki-Laki
99 4 4 4 4 4 4 4 Laki-Laki
100 5 5 5 5 5 5 5 Perempuan
101 3 3 3 3 3 3 3 Laki-Laki
102 3 3 3 3 3 3 3 Perempuan
103 3 3 3 3 3 3 3 Perempuan
104 5 5 5 5 5 5 5 Perempuan
105 2 2 2 2 2 2 2 Laki-Laki
106 2 2 2 2 2 2 2 Perempuan
107 3 3 3 3 3 3 3 Perempuan
108 5 5 5 5 5 5 5 Perempuan
109 1 1 1 4 4 4 4 Laki-Laki
110 2 2 2 2 2 2 2 Perempuan
111 5 5 1 5 5 5 5 Laki-Laki
112 3 3 3 3 3 3 3 Perempuan
113 4 4 4 4 4 4 4 Perempuan
114 4 4 4 4 4 4 4 Laki-Laki
115 4 4 4 4 4 4 4 Perempuan
116 3 3 3 3 3 3 3 Perempuan
117 5 5 5 5 5 5 5 Perempuan
118 4 4 4 4 4 4 4 Perempuan
119 2 2 2 2 2 2 2 Perempuan
120 4 4 4 4 4 4 4 Laki-Laki
121 2 2 2 2 2 2 2 Laki-Laki
122 2 2 2 2 2 2 2 Perempuan
123 5 5 5 5 5 5 5 Laki-Laki
124 1 1 1 5 5 5 5 Perempuan
125 3 3 3 3 3 3 3 Laki-Laki
114
126 2 2 2 2 2 2 2 Laki-Laki
127 4 4 4 4 4 4 4 Perempuan
128 2 2 2 2 2 2 2 Laki-Laki
129 4 4 4 4 4 4 4 Perempuan
130 4 4 4 4 4 4 4 Laki-Laki
131 2 2 2 2 2 2 2 Laki-Laki
132 2 2 2 2 2 2 2 Perempuan
133 5 5 5 5 5 5 5 Laki-Laki
134 4 4 4 4 4 4 4 Perempuan
135 2 2 2 2 2 2 2 Laki-Laki
136 4 4 4 4 4 4 4 Laki-Laki
137 3 3 3 3 3 3 3 Perempuan
138 4 4 4 1 1 1 1 Laki-Laki
139 2 2 2 2 2 2 2 Laki-Laki
140 2 2 2 2 2 2 2 Perempuan
141 1 5 5 5 5 5 5 Laki-Laki
142 5 5 5 5 5 5 5 Laki-Laki
143 2 2 2 2 2 2 2 Perempuan
144 5 1 5 5 5 5 5 Perempuan
145 4 4 4 4 4 4 4 Laki-Laki
146 2 2 2 2 2 2 2 Perempuan
147 3 3 3 3 3 3 3 Laki-Laki
148 5 5 5 1 1 1 1 Laki-Laki
149 5 5 5 1 1 1 1 Laki-Laki
150 3 3 3 3 3 3 3 Laki-Laki
151 3 3 3 3 3 3 3 Perempuan
152 2 2 2 2 2 2 2 Laki-Laki
153 3 3 3 3 3 3 3 Laki-Laki
154 4 4 4 4 4 4 4 Laki-Laki
155 4 4 4 4 4 4 4 Perempuan
156 2 2 2 2 2 2 2 Laki-Laki
157 2 2 2 2 2 2 2 Perempuan
158 5 5 5 5 1 5 5 Perempuan
159 2 2 2 2 2 2 2 Laki-Laki
160 1 1 1 5 5 5 5 Laki-Laki
161 3 3 3 3 3 3 3 Laki-Laki
162 1 1 1 4 4 4 4 Laki-Laki
163 3 3 3 3 3 3 3 Perempuan
164 2 2 2 2 2 2 2 Laki-Laki
165 2 2 2 2 2 2 2 Laki-Laki
166 2 2 2 2 2 2 2 Laki-Laki
167 2 2 2 2 2 2 2 Perempuan
168 2 2 2 2 2 2 2 Perempuan
115

Video praktek olah data dapat dilihat pada link berikut.

7.4.1 Pengujian Outer Model
7.4.1.1 Outer Loading atau Loading
116

variabel latennya.
extracted.
117
Gambar 7.2 Hasil SmartPLS: Outer Loading (Keseluruhan)
7.4.1.2 Average Variance Extracted (AVE)

118
construct.”

119
indikatornya > 50%.
7.4.1.3 Composite Reliability



(unidimensional).
Gambar 7.3 disajikan hasil SmartPLS untuk nilai composite reliability. Berdasarkan hasil
composite reliability pada Gambar 7.3, diketahui seluruh nilai composite reliability > 0,7.
120
7.4.1.4 Validitas Diskriminan: Cross-Loading & Fornel-Larcker



diskriminan, yakni:
121
laten lainnya.
Fornell-Larker.

diketahui:
 Secara keseluruhan (laki-laki dan perempuan)
o Nilai akar kuadrat AVE pada variabel kinerja √0,903 = 0,950,
 yakni lebih besar dari nilai korelasi antara kinerja dan motivasi 0,512.
122
o Nilai akar kuadrat AVE pada variabel motivasi √0,914 = 0,956,
 yakni lebih besar dari nilai korelasi antara motivasi dan kinerja 0,512.
 Berdasarkan laki-laki
o Nilai akar kuadrat AVE pada variabel motivasi √0,919 = 0,959,
 Berdasarkan perempuan
o Nilai akar kuadrat AVE pada variabel motivasi 0,905 = 0,952,
Pengaruh
Selanjutnya akan dilakukan uji signifikansi pengaruh. Gambar 7.5 disajikan hasil pengujian
signifikansi pengaruh.
123
Berdasarkan hasil pada Gambar 7.5,

 Motivasi berpengaruh positif terhadap kinerja, dengan nilai koefisien jalur 0,512, dan
signifikan, dengan nilai P-Values = 0,000 < 0,05 (Secara keseluruhan, yakni laki-
laki dan perempuan) (Hipotesis Diterima).
124
signifikan, dengan nilai P-Values = 0,013 < 0,05, pada laki-laki (Hipotesis Diterima).
signifikan, dengan nilai P-Values = 0,000 < 0,05, pada perempuan (Hipotesis
Diterima).
 Bedasarkan hasil pengujian MGA, diperoleh nilai P-Value (PLS-MGA) = 0,036 < 0,05,
P-Value (Parametric Test) = 0,032 < 0,05, dan P-Value (Welch-Satterthwait Test) =
0,033 < 0,05, maka disimpulkan jenis kelamin signifikan memoderasi pengaruh
motivasi terhadap kinerja. Dengan kata lain, terdapat perbedaan pengaruh motivasi
terhadap kinerja yang signifikan, antara laki-laki dan perempuan (Hipotesis Diterima).
125
DETEKSI KESALAHAN DALAM SMARTPLS
1. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus
Terdapat Korelasi Bernilai 1
Diberikan data sebagai berikut.

Pelayanan Kepuasan
No
PEL1 PEL2 PEL3 KEP1 KEP2 KEP3 KEP4
1 4 3 5 4 3 4 3
2 5 3 4 4 4 4 4
3 2 3 3 4 5 4 5
4 3 3 4 4 5 4 3
5 4 3 4 3 3 3 4
6 5 2 5 5 4 5 4
7 5 2 2 4 5 4 5
8 5 3 3 4 3 4 3
9 2 3 4 4 4 4 4
10 3 1 5 3 4 3 4
11 4 5 5 5 5 5 5
12 5 4 3 4 5 4 3
13 5 3 4 3 5 3 4
14 5 5 4 5 3 5 4
15 3 4 4 4 4 4 5
126
Berdasarkan data di atas:
 Terdapat dua variabel laten, yakni:
o Variabel laten pelayanan, terdiri dari 3 indikator, yakni PEL1, PEL2 dan PEL3.
o Variabel laten kepuasan, terdiri dari 4 indikator, yakni KEP1, KEP2, KEP3 dan
KEP4.
Berdasarkan data pada Tabel 1.1, dibangun model seperti pada Gambar 1.1.
Gambar 1.1
Model pada Gambar 1.1 jika dieksekusi akan menampilkan kesalahan atau error seperti
berikut.
Gambar 1.2 Error: Singular Matrix Problem
Salah satu penyebab muncul error: Singular Matrix Problem adalah karena nilai korelasi
antara indikator KEP1 dan KEP3 adalah 1. Salah satu solusinya adalah Anda dapat
menambah sampel sehingga nilai korelasi antara KEP1 dan KEP3 tidak bernilai 1.
127
2. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus
Terdapat Suatu Kolom dengan Seluruh Nilai Sama (Variance Bernilai 0)

1 4 3 5 5 3 4 3
2 5 3 4 4 4 4 4
3 2 3 3 4 5 4 5
4 3 3 4 2 5 4 3
5 4 3 4 2 3 4 4
6 5 2 5 3 4 4 4
7 5 2 2 4 5 4 5
8 5 3 3 4 3 4 3
9 2 3 4 5 4 4 4
10 3 1 5 3 4 4 4
11 4 5 5 4 5 4 5
12 5 4 3 4 5 4 3
13 5 3 4 5 5 4 4
14 5 5 4 3 3 4 4
15 3 4 4 4 4 4 5

128
KEP4.
Gambar 2.1
Model pada Gambar 2.1 jika dieksekusi akan menampilkan kesalahan atau error seperti
berikut.
Gambar 2.2 Error: Singular Matrix Problem
Salah satu penyebab muncul error: Singular Matrix Problem adalah karena terdapat suatu
kolom dengan seluruh nilai sama (variance bernilai 0), yakni pada kolom KEP3. Salah
satu solusinya adalah Anda dapat menambah sampel sehingga nilai pada kolom KEP3
tidak sama semua.
129
3. Keanehan dalam SmartPLS: Tersisip Karakter Huruf pada Data

1 4 3 5 5 3 4 3
2 5 3 4 4 4 5 4
3 2 3 3 4 5 4 5
4 3 3 4 2 5 5 3
5 4 3 4 2 3 5 4
6 5 2 5 3 4 4 4
7 5 2 2 4 5 5 5
8 5 3 3 4 3 5 3
9 2 3 4 5 4 4 4
10 3 G 5 3 4 5 4
11 4 5 5 4 5 5 5
12 5 4 3 4 5 A 3
13 5 3 4 5 5 5 4
14 5 5 4 3 3 5 4
15 3 4 4 4 4 5 5

KEP4.
130
Gambar 3.1
Mengapa pada Gambar 3.1, indikator PEL2 dan KEP3 berwarna merah? Ini disebabkan karena
data pada indikator PEL2 dan KEP3 ada tersisip karakter huruf, pada PEL2 tersisip huruf G,
sementara pada KEP3 tersisip huruf A.
131
Referensi Bacaan
1. Armin Monecke dan Friedrich Leisch, 2012, semPLS: Structural Equation Modeling
Using Partial Least Squares, Journal of Statistical Software, Volume 48, Issue 3.
2. Gaston Sanchez, 2013, PLS Path Modeling with R.
3. Hair dkk., 2014, A Primer on Partial Least Squares Structural Equation Modeling
(PLS-SEM), Sage.
4. Mahfud Sholihin & Dwi Ratmono, 2013, Analisis SEM-PLS dengan WarpPLS 3.0,
Penerbit Andi.
5. Necmi K. Avkiran & Christian M. Ringle, 2018, Partial Least Squares Structural
Equation Modeling, Recent Advances in Banking and Finance, Springer.
6. Prana Ugiana Gio & Rezzy Eko Caraka, 2018, Pedoman Dasar Mengolah Data dengan
Program Aplikasi STATCAL, USUpress.
7. Yves Rosseel, 2012, lavaan: An R Package for Structural Equation Modeling, Journal
of Statistical Software, Volume 48, Issue 2.
10. https://cran.r-project.org/web/packages/shiny/index.html
11. https://cran.r-project.org/web/packages/ggplot2/index.html
12. https://cran.r-project.org/web/packages/plspm/index.html
13. https://cran.r-project.org/web/packages/lavaan/index.html
14. https://cran.r-project.org/web/packages/plsdepot/index.html
132

PLS SEM Dengan SmartPLS

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PLS SEM Dengan SmartPLS

Diunggah oleh

Hak Cipta:

Format Tersedia

Download Berbagai Ebook, Gratis, di

Tulisan Ini Diperbarui pada 28 Oktober 2022

Download Gratis di www.statcal.com

Medan, 28 Oktober 2022

Prana Ugiana Gio

BAB 1 CONTOH KASUS 1 [1]

1.4 PLS-SEM dengan Menggunakan SmartPLS

1.5 Interpretasi Hasil

Download Data: https://bit.ly/3JErqpb

Penjelasan Youtube Bab 1, Link: https://youtu.be/-9jBAoI0k5A

BAB 2 CONTOH KASUS 2 (MEDIASI) [14]

2.4 PLS-SEM dengan Menggunakan SmartPLS

2.5 Interpretasi Hasil

Download Data: https://bit.ly/3up8xln

Penjelasan Youtube Bab 2, Link: https://youtu.be/C0AluOi21v8

3.4 PLS-SEM dengan Menggunakan SmartPLS

3.5 Interpretasi Hasil

Download Data: https://bit.ly/3vdecKS

Penjelasan Youtube Bab 3, Link: https://youtu.be/kkTNHNQVLY8

BAB 4 CONTOH KASUS 4: FORMATIF-REFLEKTIF [47]

4.4 PLS-SEM dengan Menggunakan SmartPLS

4.5 Interpretasi Hasil pada Indikator-Indikator Reflektif

4.6 Interpretasi Hasil pada Indikator-Indikator Formatif

4.7 Evaluasi Validitas Diskriminan

4.8 Pengujian Model Struktural (Structural Model / Inner Model)

Download Data: https://bit.ly/38GiwKX

Penjelasan Youtube Bab 4, Link: https://youtu.be/_suoNT8qiww

5.4 PLS-SEM dengan Menggunakan SmartPLS

5.5 Interpretasi Hasil

5.6 Pengujian Inner Model (Structural Model)

Penjelasan Youtube Bab 5, Link: https://youtu.be/YXt6mRjWVxw

Download Data: https://bit.ly/374PVOM

BAB 6 CONTOH KASUS 6: SECOND ORDER CONSTRUCT (REFLECTIVE-

6.4 PLS-SEM dengan Menggunakan SmartPLS

6.5 Interpretasi Hasil

6.5.2 Pengujian Inner Model (Structural Model)

Penjelasan Youtube Bab 6, Link: https://youtu.be/UEe-DlVlXQc

Download Data: https://bit.ly/3z1NK9v

BAB 7 CONTOH KASUS MULTI-GROUP ANALYSIS (MGA): PENGARUH

7.1 Model dan Hipotesis

7.3 PLS-SEM dengan Menggunakan SmartPLS

7.4 Interpretasi Hasil

Penjelasan Youtube Bab 7, Link: https://youtu.be/65bgZ0I7LCk

Download Data: https://bit.ly/3MTPpDJ

DETEKSI KESALAHAN DALAM SMARTPLS [111]

Penjelasan Youtube, Link: https://youtu.be/L2DmdEpwDjE

Download Data: https://bit.ly/3aax4DO

Penjelasan Youtube, Link: https://youtu.be/m8U_kBRXaMQ

Download Data: https://bit.ly/3aax4DO

Penjelasan Youtube, Link: https://youtu.be/j1NK6tLm5tc

Download Data: https://bit.ly/3aax4DO

Link Youtube: https://youtu.be/zgcF2_yLrmM

International Journal of Law and Management (Q2)

Link Youtube: https://youtu.be/QopOUClCv9U

Judul artikel: Pengaruh Pengungkapan Corporate Social Responsibility terhadap Nilai

Link Youtube: https://youtu.be/dePq8fRb08M

Link Youtube: https://youtu.be/L_8fjcUaUYA

[5] Tutorial Mengolah Data dengan SmartPLS Kasus Moderasi

Link Youtube: https://youtu.be/NOdcQSp44N0

Tourism Review Journal, Terindeks Scopus, Q1

Link Youtube: https://youtu.be/HBfhHOdV2eg

Jurnal Manajemen Dan Bisnis Indonesia