www.statkomat.com
2
Youtube: STATKOMAT
Website: www.statkomat.com | www.pranaugi.com
i
Software Statistik Buatan Kami STATCAL
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.
v
DAFTAR ISI
1.1 Model
1.2 Hipotesis
1.3 Data
2.1 Model
2.2 Hipotesis
2.3 Data
vi
BAB 3 CONTOH KASUS 3 (MEDIASI): ARTIKEL NASIONAL [30]
3.1 Model
3.2 Hipotesis
3.3 Data
4.1 Model
4.2 Hipotesis
4.3 Data
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
5.5.2 Evaluasi Outer Model Tahap 2 (Second Stage Outer Model Evaluation)
5.5.2.1 Evaluasi Nilai Loading
5.5.2.2 Evaluasi Nilai Average Variance Extracted (AVE)
5.5.2.3 Evaluasi Nilai Composite Reliability (CR)
6.1 Model
6.2 Hipotesis
6.3 Data
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
7.2 Data
7.4.2 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi Pengaruh
1. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus Terdapat
Korelasi Bernilai 1 [111]
2. Software Tidak Dapat Memproses Data Karena Singular Matrix Problem: Kasus Terdapat
Suatu Kolom dengan Seluruh Nilai Sama (Variance Bernilai 0) [113]
ix
3. Keanehan dalam SmartPLS: Tersisip Karakter Huruf pada Data [115]
Referensi Bacaan
x
Beberapa Video Youtube Yang Lain Terkait SmartPLS
[1] PLS SEM dengan SmartPLS, Second Order Reflective
[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
[3] Bedah Statistik Artikel Nasional, SEM PLS dengan SmartPLS, Data Keuangan, Part 1
[4] Tutorial Mengolah Data dengan SmartPLS Contoh Kasus Second Order
[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
[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
xi
[8] Bedah Statistik Artikel Nasional, SEM PLS, Data Keuangan, Part 4
[9] Bedah Statistik Artikel Nasional, SEM PLS, Data Keuangan, Part 3
Judul artikel: Pengaruh Corporate Social Responsibility Terhadap Profitabilitas Dan Return
Saham Pada Perusahaan Perbankan Di Indonesiatahun 2011-2016
[10] Bedah Statistik Artikel Nasional, SEM PLS, Data Keuangan, Part 2
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)
[11] Bedah Statistik Artikel Nasional, SEM PLS dengan SmartPLS, Data Keuangan, Part 1
xii
Beberapa Video Youtube Yang Lain Terkait WarpPLS
[1] Bedah Statistik Artikel Internasional, Metode PLS-SEM, dengan Software WarpPLS
[5] PLS SEM Menggunakan WarpPLS, Bedah Jurnal, Pengaruh Langsung, Contoh 2
[6] PLS SEM Menggunakan WarpPLS, Bedah Jurnal, Contoh Kasus Pengujian Pengaruh
Langsung, I
xiii
Beberapa Video Youtube Yang Lain Terkait PLS-SEM
[1] Tanya Jawab Seputar PLS SEM, Part 5, Effect Size F Square F2 SmartPLS
[2] Tanya Jawab Seputar PLS SEM, Part 6, Q Square dalam PLS SEM
[3] Tanya Jawab Seputar PLS SEM, Part 4, Menentukan Jumlah Sampel di PLS SEM
[4] Tanya Jawab Seputar PLS SEM, Part 3, menentukan jumlah sampel minimum di PLS SEM
[5] Tanya Jawab Seputar Metodel PLS SEM, Part 2, Jumlah Sampel di PLS SEM
[6] Tanya Jawab Seputar PLS SEM, Part 1, Solusi Berpengaruh Signifikan PLS SEM
[7] Loading dan Comunality dalam Structural Equation Modeling, Serta Contoh Perhitungannya
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?"
xv
[10] Apa itu Outer Loading? Apa Kegunaan dari Outer Loading?
Link Data:
https://docs.google.com/spreadsheets/d/1crBUqCSIe1Nj0K8736AycOT5CM2CGTln/edit?usp=s
haring&ouid=114587031103080899413&rtpof=true&sd=true
xvi
[11] Apa itu Composite Reliability? Apa Kegunaan dari Composite Reliability?
Link Data:
https://docs.google.com/spreadsheets/d/155uA4wyEPGHthzGXczBweem_Ktydm1T3/edit?usp=s
haring&ouid=114587031103080899413&rtpof=true&sd=true
xvii
xviii
BAB 1 CONTOH KASUS 1
1.1 Model
Misalkan diberikan contoh model seperti pada Gambar 1.1.
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.
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”.
4
Gambar 1.3 Melakukan Pengujian Outer Model
5
1.5 Interpretasi Hasil
1.5.1 Outer Loading atau Loading
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.”
“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.”
“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 hasil outer loading pada Gambar 1.5, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
7
1.5.2 Average Variance Extracted (AVE)
Hair dkk., (2014:103) menyatakan sebagai berikut.
“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.”
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%.
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.”
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.”
9
Gambar 1.7 Hasil SmartPLS: Composite Reliability
Berdasarkan hasil composite reliability pada Gambar 1.7, diketahui seluruh nilai composite
reliability > 0,7.
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.”
10
Berdasarkan uraian di atas:
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.
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.
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.
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%.
13
BAB 2 CONTOH KASUS 2 (MEDIASI)
2.1 Model
Misalkan diberikan contoh model seperti pada Gambar 2.1.
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
Misalkan diberikan data seperti pada Tabel 2.1.
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
Berdasarkan data pada Tabel 2.1, 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”.
17
Gambar 2.2 PLS-SEM dengan SmartPLS
18
Gambar 2.4 Melakukan Pengujian Hipotesis (Inner Model)
“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.”
“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)
19
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.”
“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
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).”
20
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.
Berdasarkan hasil outer loading pada Gambar 2.5, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
“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.
21
Berdasarkan uraian di atas:
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
menjelaskan variance dari indikator-indikatornya.
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.
Berdasarkan hasil AVE pada Gambar 2.6, diketahui seluruh nilai AVE > 0,5, yang berarti
variabel laten kepuasan dan pelayanan telah menyerap variance dari masing-masing
indikatornya > 50%.
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.”
22
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.”
Berdasarkan hasil composite reliability pada Gambar 2.7, diketahui seluruh nilai composite
reliability > 0,7.
23
discriminant validity. In the following sections, we address each criterion for the assessment of
reflective measurement models.”
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.”
24
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 2.8 disajikan hasil SmartPLS untuk validitas diskriminan berdasarkan pendekatan
Fornell-Larker.
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.
Gambar 2.9 disajikan hasil pengujian validitas diskriminan berdasarkan pendekatan 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 0,956,
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
indikator dengan variabel latennya, lebih tinggi, dibandingkan dengan variabel laten
lainnya.
2.5.5 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi
Pengaruh Langsung & Tak Langsung (Mediasi)
Selanjutnya akan dilakukan pengujian signifikansi, yakni akan diuji apakah pelayanan
berpengaruh signifikan terhadap kepuasan. Gambar 2.10 disajikan hasil uji signifikansi.
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
berpengaruh signifikan terhadap kepuasan.
Berdasarkan hasil tersebut, maka diperoleh hasil pelayanan berpengaruh positif dan
signifikan terhadap kepuasan (hipotesis diterima).
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.
Berdasarkan hasil tersebut, maka diperoleh hasil pelayanan berpengaruh positif dan
signifikan terhadap loyalitas (hipotesis diterima).
Gambar 2.11 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 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.
Sebagai ilustrasi untuk contoh latihan, misalkan model yang diajukan sebagai berikut (Gambar
3.2).
30
Gambar 3.2 Contoh Model Latihan
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
Misalkan diberikan data seperti pada Tabel 3.1.
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
Berdasarkan data pada Tabel 3.1, jumlah responden yang diteliti sebanyak 70 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”.
34
Gambar 3.4 Melakukan Pengujian Outer Model
35
3.5 Interpretasi Hasil
3.5.1 Outer Loading atau Loading
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.”
“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.”
“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
composite reliability, as well as on the construct's content validity. Generally, indicators with outer
36
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 hasil outer loading pada Gambar 3.6, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
37
3.5.2 Average Variance Extracted (AVE)
Hair dkk., (2014:103) menyatakan sebagai berikut.
“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.
38
Berdasarkan hasil AVE pada Gambar 3.7, diketahui seluruh nilai AVE > 0,5, yang berarti
variabel laten kepuasan dan pelayanan telah menyerap variance dari masing-masing
indikatornya > 50%.
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.”
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.”
39
Gambar 3.7 Hasil SmartPLS: Composite Reliability
Berdasarkan hasil composite reliability pada Gambar 3.7, diketahui seluruh nilai composite
reliability > 0,7.
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.”
40
Berdasarkan uraian di atas:
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 3.8 disajikan hasil SmartPLS untuk validitas diskriminan berdasarkan pendekatan
Fornell-Larker.
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.
dan seterusnya.
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
instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
berdasarkan pendekatan Fornell-Larcker.
Gambar 3.9 disajikan hasil pengujian validitas diskriminan berdasarkan pendekatan cross-
loading.
42
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 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 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
indikator dengan variabel latennya, lebih tinggi, dibandingkan dengan variabel laten
lainnya.
3.5.5 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi
Pengaruh Langsung & Tak Langsung (Mediasi)
Selanjutnya akan dilakukan pengujian signifikansi, yakni akan diuji apakah pelayanan
berpengaruh signifikan terhadap kepuasan. Gambar 2.10 disajikan hasil uji signifikansi.
43
Gambar 3.10 Uji Signifikansi Pengaruh
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).
Gambar 3.11 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 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%.
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
Misalkan diberikan contoh model seperti pada Gambar 4.1.
4.2 Hipotesis
Adapun hipotesis yang akan diuji adalah pelayanan berpengaruh positif dan signifikan terhadap
kepuasan.
4.3 Data
Misalkan diberikan data seperti pada Tabel 4.1.
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
Berdasarkan data pada Tabel 4.1, 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”.
50
Gambar 4.3 Melakukan Pengujian Outer Model
51
4.5 Interpretasi Hasil pada Indikator-Indikator Reflektif
4.5.1 Outer Loading atau Loading
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.”
“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.”
“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
52
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 hasil outer loading pada Gambar 4.5, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
53
4.5.2 Average Variance Extracted (AVE)
Hair dkk., (2014:103) menyatakan sebagai berikut.
“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.”
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%.
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.”
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.”
55
Gambar 4.7 Hasil SmartPLS: Composite Reliability
Berdasarkan hasil composite reliability pada Gambar 4.7, diketahui nilai composite reliability
dari kepuasan adalah 0,964, yakni > 0,7.
56
Gambar 4.8 Hair dkk. (2014:131)
57
Tabel 4.2 Evaluasi Konstruk Pelayanan berdasarkan Outer Weight
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.
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.
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.
59
Gambar 4.11 Pengujian Validitas Diskriminan berdasarkan
Pendekatan Fornell-Larcker
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
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
berpengaruh signifikan terhadap kepuasan.
Berdasarkan hasil tersebut, maka diperoleh hasil pelayanan berpengaruh positif dan
signifikan terhadap kepuasan (hipotesis diterima).
60
Gambar 4.13 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 0,188, 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.
63
Gambar 5.3 Model pada Gambar 5.2 Digambar dalam Software SmartPLS
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
Misalkan diberikan data seperti pada Tabel 5.1.
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
Berdasarkan data pada Tabel 5.1, 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”.
70
Gambar 5.6 Melakukan Pengujian Outer Model
71
5.5 Interpretasi Hasil
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).
72
5.5.1.1 Evaluasi Nilai Loading
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
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.
74
Gambar 5.9 Output SmartPLS berdasarkan AVE dan CR
(∑ 𝑙 )
𝜌 =
(∑ 𝑙 ) + ∑ 𝑣𝑎𝑟(𝑒 )
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
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
Pada tulisan ini, kita gunakan pendekatan Fornell-Larcker. Tabel 5.3 disajikan hasil pengujian
validitas diskriminan berdasarkan pendekatan Fornell-Larcker.
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.
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
instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
berdasarkan pendekatan 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).
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 5.4, diketahui seluruh nilai loading > 0,7,
yang berarti seluruh variabel laten cukup baik dalam hal mewakili indikator-indikatornya.
78
Gambar 5.11 disajikan nilai loading berdasarkan output smartPLS.
Berdasarkan hasil pengujian nilai AVE pada Tabel 5.4, diketahui seluruh nilai AVE > 0,5, yang
berarti variance dari indikator-indikator telah diserap oleh variabel latennya > 50%. Dengan
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 )
79
Berdasarkan hasil pengujian nilai CR pada Tabel 5.4, 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 AVE berdasarkan output smartPLS.
Gambar 5.11 disajikan output smartPLS untuk uji signifikansi pengaruh. Sementara Gambar
5.12 disajikan output smartPLS untuk 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
82
Gambar 6.3 Model pada Gambar 6.2 Digambar dalam Software SmartPLS
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)
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
Berdasarkan data pada Tabel 6.1, 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”.
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).
98
TEDI2 0.981
TEDI3 0.982
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
99
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 6.2, diketahui seluruh nilai loading > 0,7,
yang berarti seluruh variabel laten cukup baik dalam hal mewakili indikator-indikatornya.
Berdasarkan hasil pengujian nilai AVE pada Tabel 6.2, diketahui seluruh nilai AVE > 0,5, yang
berarti variance dari indikator-indikator telah diserap oleh variabel latennya > 50%. Dengan
kata lain variabel laten enjoyment, curiosity, control, temporal dissociation, focused
immersion, collaborative learning dan individual learning performance cukup baik dalam hal
mewakili indikator-indikatornya.
(∑ 𝑙 )
𝜌 =
(∑ 𝑙 ) + ∑ 𝑣𝑎𝑟(𝑒 )
100
Berdasarkan hasil pengujian nilai CR pada Tabel 6.2, diketahui seluruh nilai CR > 0,7, yang
berarti telah memenuhi syarat relialibilitas. Dengan kata lain, instrumen atau kuesioner yang
telah dirancang telah reliabel.
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
Pada tulisan ini, kita gunakan pendekatan Fornell-Larcker. Tabel 6.3 disajikan hasil pengujian
validitas diskriminan berdasarkan pendekatan Fornell-Larcker.
CL 𝐴𝑉𝐸 = 0.977
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.
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
instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
berdasarkan pendekatan Fornell-Larcker.
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.
103
Gambar 6.6 Hair dkk. (2014:132)
Tabel 6.4 disajikan nilai korelasi antara variabel konstruk enjoyment, curiosity, control,
temporal dissociation, focused immersion terhadap cognitive absorption.
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.
Hair dkk (2014:132) menyatakan nilai tolerance diharapkan > 0,2 dan nilai VIF < 5.
105
Berdasarkan Tabel 6.5, diketahui seluruh nilai VIF < 5, sehingga disimpulkan tidak terdapat
permasalahan kolinearitas.
106
Gambar 6.7 Hair dkk. (2014:131)
107
Berdasarkan Tabel 6.6, diketahui seluruh nilai p-value < 0,05, yang berarti outer weight dari
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.
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
Jenis
Kelamin
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).
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
Berdasarkan data pada Tabel 7.1, 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”.
“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.”
“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.”
“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.
116
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
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).”
117
Gambar 7.2 Hasil SmartPLS: Outer Loading (Keseluruhan)
Berdasarkan hasil outer loading pada Gambar 7.2, diketahui seluruh nilai outer loading > 0,7,
yang berarti seluruh indikator dipertahankan dalam proses analisis selanjutnya.
“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
118
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.
119
Berdasarkan hasil AVE pada Gambar 7.3, diketahui seluruh nilai AVE > 0,5, yang berarti
variabel laten kepuasan dan pelayanan telah menyerap variance dari masing-masing
indikatornya > 50%.
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.”
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.”
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
Hair dkk., (2014:100) menyatakan sebagai berikut.
“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.”
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.”
121
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 7.4 disajikan hasil SmartPLS untuk validitas diskriminan berdasarkan pendekatan
Fornell-Larker.
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 kinerja √0,909 = 0,953,
yakni lebih besar dari nilai korelasi antara kinerja dan motivasi 0,337.
o Nilai akar kuadrat AVE pada variabel motivasi √0,919 = 0,959,
yakni lebih besar dari nilai korelasi antara motivasi dan kinerja 0,337.
Berdasarkan perempuan
o Nilai akar kuadrat AVE pada variabel kinerja √0,894 = 0,945,
yakni lebih besar dari nilai korelasi antara kinerja dan motivasi 0,707.
o Nilai akar kuadrat AVE pada variabel motivasi 0,905 = 0,952,
yakni lebih besar dari nilai korelasi antara motivasi dan kinerja 0,707.
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
instrumen/kuesioner yang telah dirancang memiliki validitas diskriminan yang baik
berdasarkan pendekatan Fornell-Larcker.
7.4.2 Pengujian Model Struktural (Structural Model / Inner Model): Uji Signifikansi
Pengaruh
Selanjutnya akan dilakukan uji signifikansi pengaruh. Gambar 7.5 disajikan hasil pengujian
signifikansi pengaruh.
123
Gambar 7.5 Uji Signifikansi Pengaruh
124
Motivasi berpengaruh positif terhadap kinerja, dengan nilai koefisien jalur 0,337, dan
signifikan, dengan nilai P-Values = 0,013 < 0,05, pada laki-laki (Hipotesis Diterima).
Motivasi berpengaruh positif terhadap kinerja, dengan nilai koefisien jalur 0,707, dan
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
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.
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)
128
o Variabel laten kepuasan, terdiri dari 4 indikator, yakni KEP1, KEP2, KEP3 dan
KEP4.
Berdasarkan data pada Tabel 2.1, dibangun model seperti pada Gambar 2.1.
Gambar 2.1
Model pada Gambar 2.1 jika dieksekusi akan menampilkan kesalahan atau error seperti
berikut.
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
130
Berdasarkan data pada Tabel 3.1, dibangun model seperti pada Gambar 3.1.
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.
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.
8. Yves Rosseel, 2012, lavaan: An R Package for Structural Equation Modeling, Journal
of Statistical Software, Volume 48, Issue 2.
9. 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