Hai assalamualaikum warahmatullahi wabarakatuh.

Selamat berjumpa lagi di channel saya kali ini

saya ingin.
Berbagi sedikit tentang smart LS tutorial parsial list quere struktural equation modeling dengan smart
PLS di sini aku punya data yang terdiri dari 4 variabel laten yaitu motivasi belajar, peluang kerja,
dukungan orang tua dan minat atau niat di sini adalah struktur diagram nya yang mengatakan bahwa
dukungan orang tua berpengaruh terhadap motivasi belajar.
Peluang kerja dan minat juga berpengaruh terhadap motivasi belajar. Nah, kita mulai saja.
Pertama tama data ini kita ubah dulu ke dalam bentuk notepad.
Atau bisa juga di share dalam bentuk CV format cv tapi biasanya aku lebih suka di notepad kita buka
notepad nya dulu.
Kita kopikan ke sini langsung kita save aja misalkan belajar kita kasih nama belajar terus kita save
oke. Setelah data sudah siap kita lanjut untuk membuka smart PLS nya.
Kita bukan dulu smart PLS nya ini. Nah pertama tama kita klik new project ini untuk project baru kita
ya kita kasih nama apa ya? Belajar boleh.
Oke nah di sini ada double click to import data, jadi kita mau import data yang udah kita save notepad
tadi kita double klik tadi ini ya belajar open oke nah dapet lah ini indikator indikatornya.
MB 1, MB 2 dan seterusnya. Di sini terdapat 400 data set nah. Selanjutnya kita akan menggambar
diagram, vem diagram, vem diagram vemnya sesuai dengan teori kita. Misalkan ini teorinya ya kita
gambar dulu ada MB satu sampai 4 5 itu adalah motivasi belajar kita blog saja, kemudian kita seret.
Nah kita klik kanan rename motivasi.
Belajar kemudian klik oke, lalu ini kita rapikan sedikit kita taruh di sebelah kanan sini ya terus.
Ini PK 1 sampai PK 3.
Ini adalah peluang kerja kita. Rename aja.
Peluang kerja apakah benar peluang kerja mempengaruhi motivasi belajar mahasiswa? Kemudian
dukungan orang tua? Apakah mempengaruhi motivasi belajar mahasiswa? Kita akan lihat ya
dukungan orang tua.

Oke kita sangat sedikit biar rapi dan terakhir ini adalah minat.
M 1 sampai M 5 kita blok lalu kita seret.
Kita rename jadi minat.
Oke kita rapikan sedikit.
Kita ke atas akan geser geser oke lalu kita buat.
Konektornya.
Pake tanda panah itu peluang kerja mempengaruhi motivasi belajar. Dukungan orang tua
mempengaruhi motivasi belajar dan terakhir minat mempengaruhi motivasi belajar. Nah ini kalau
udah bener, maka diagramnya ini akan berubah warna menjadi biru dan kuning kayak gini. Nah kita
lanjutkan saja langsung ke analisisnya. Gampang banget ya.
Untuk menilai alter model kan struktural equation modeling gitu terdiri dari 2 ya alter model sama
struktural model nah untuk.
Author model kita klik calculate kemudian PLS algoritma kita start calculation aja udah langsung kita
dapet.
Ini nilai nilai outer modelnya yang nilai ini hubungan Antara indikator dengan variabel nya itu adalah
disebut dengan loading factor. Biasanya kriterianya adalah jika nilai loading factornya ini lebih besar
dari 0,7, maka bisa disimpulkan bahwa indikator indikator ini indikator dari variabel variabel laten
nya ini sudah memiliki nilai validitas konvergen yang baik.
Nah, jadi kalau kita lihat ini nilai loading factornya udah lebih besar dari 0,7 semuanya ya nih, kecuali
yang ini PK 3 0,6. Tapi beberapa literatur juga ada yang mengatakan bahwa loading factor 0,6 itu juga
udah dianggap bagus gitu. Jadi enggak papa kemudian ini adalah koefisien padnya.
Koefisien yang menghubungkan Antara peluang kerja dengan motivasi misalnya, berarti maksudnya
di sini adalah peluang kerja itu menyumbang 0,150 satuan.
Dalam menilai motivasi belajar. Begitu juga dengan dukungan orang tua itu menyumbang 0,363
dalam memotivasi belajar mahasiswa. Selanjutnya ini juga minat mahasiswa itu sendiri menyumbang
0,349 dalam motivasinya dalam belajar gitu. Nah outer model itu juga kita bisa lihat di sini.
Tadi udah loading factor ya penilaian outer model itu juga dilihat dari sini. Jadi dari nilai cronbach
alpa itu adalah nilai reliabilitas.
Nah nilai reliabilitas juga komposit reliability itu juga untuk penilaian.
Reliabilitas dari variabel laten tersebut. Kriterianya kan bahwa jika nilai cronbach alpha atau
composite reliability itu lebih besar dari 0,7, maka dapat disimpulkan bahwa variabel laten ini
memiliki reliabilitas yang baik, memiliki keandalan yang baik dalam mengukur mengukur apa yang
mau diukur gitu. Nah kita bisa pake alpa atau komposit reliability. Sebenarnya kita bisa pilih aja sih.
Pakai yang mana? Terserah biasanya ya pakai saja yang lebih menguntungkan kalau kayak gini kan
ini 0,6 ya cronbach alpha berarti dia kurang bagus gitu kan? Jadi kita pakai aja yang ini komposit
reliability tapi kalau misalkan menurut teori juga peluang kerja ternyata tidak begitu memberikan
hubungan terhadap motivasi belajar. Mungkin kita juga bisa pakai yang cronbach alpa gitu.

Jadi ini adalah ukuran ukuran reliabilitasnya. Kemudian ini average varian x trackcted atau AVE nilai
AVE ini untuk mengukur validitas konvergen juga. Selain tadi loading factor jadi kriterianya jika nilai
AVE ini lebih besar dari 0,5, maka indikator-indikator tersebut memiliki validitas konvergen yang
baik. Nah, untuk mengukur author model itu selain validitas konvergen.

Reliabilitas juga ada yang disebut dengan validitas diskriminan. Itu bisa dilihat di sini diskriminan
validity. Nah, cara membacanya ini, ini kan ada variabel laten dukungan orang tua minat motivasi
belajar peluang kerja. Nah yang di tengah tengah ini yang di horizontal ini adalah.

Akar dari AVE yang tadi akar dari AV kriterianya adalah chic, sementara yang bawahnya ini adalah
korelasi Antara antar variabel laten. Misalkan 0,454 ini adalah korelasi Antara dukungan orang tua
dengan minat. Nah kriterianya apabila nilai akar AV ini lebih besar dari korelasi antar variabel laten
nya, maka dikatakan bahwa dukungan orang tua atau variabel laten tersebut memiliki validitas
diskriminan.

Yang baik di sini kita lihat nilai akar AVE nya 0,8 tentu lebih besar dari nilai semua korelasi variabel
laten nya ya berarti ini baik dukungan orang tua itu memiliki validitas diskriminan yang baik.
Kemudian minat 0,869 ini juga lebih besar dari korelasi antar variabel laten ini 0,586 0,483 dan di sini
juga seharusnya ada minat dengan dukungan.

Adalah 0,454, jadi dia udah lebih besar dari korelasi antar variabel berarti variabel minat itu sudah
memiliki validitas.
diskriminan yang baik, begitu juga negara dengan motivasi belajar dan peluang kerja jadi gitu.

Nah itu tadi adalah pengukuran alter modelnya.

Sekarang kita mau lihat apakah hubungan ini signifikan atau tidak. Itu dilihat dari nilai tes statistiknya
ya. Oh ya, sebelumnya kalau mau simpan ini gambar ini kita klik kanan saja ekspor s image file kita
kasih nama misalkan ini adalah loading karena ini adalah nilai loading ya.

Kita simpan dalam format jpeg jadi kita bisa save kemudian ini tadi juga kalau kita mau ekspor ke
dalam bentuk excel juga bisa.

Gini kita kasih nama belajar loading atau outer model.

Kita ekspor dulu.

Nah, setelah itu barulah ini hasilnya.

Kita close aja. Setelah itu barulah kita lihat apakah hubungan hubungan tadi signifikan atau tidak. Nah
kita mulai lagi di kalkulet , kemudian bootstrapping start calculation.
Nah kalau udah kita lihat ini. Nah kalau ini tadi adalah nilai loading, faktor sekarang ini berubah
menjadi nilai t statistik ini juga nilai t statistik. Kriterianya adalah apabila nilai teh statistiknya ini
lebih besar dari 1,96, maka bisa disimpulkan bahwa hubungan Antara variabel laten ini adalah
signifikan. Jadi kita lihat di sini ya peluang kerja dengan motivasi belajar nilai tes statistiknya 2,984.

Ini sudah lebih besar dari 1,96. Berarti dapat disimpulkan bahwa peluang kerja mempengaruhi.

Ini motivasi belajar gitu. Begitu juga dengan dukungan orang tua dan minat.

Nilai tes statistiknya semuanya sudah lebih besar dari 1,96. Jadi bisa dikatakan bahwa variabel laten
exegen ini sudah mempengaruhi motivasi belajar. Nah kalau mau lia di sini juga bisa ada t statistik,
ada juga p value kalau nilai p value berarti kriterianya harus nilai p value ini kecil dari 0,05 gitu deh
ini tadi.

Original sample ini tadi adalah koefisien pad nya. Kalo dia positif berarti dia memberikan hubungan
yang positif. Maksudnya gini semakin besar dukungan orang tua akan meningkatkan motivasi belajar
mahasiswa itu juga semakin tinggi gitu cara membacanya. Oh ya, satu lagi yang ketinggalan yang dari
output pertama tadi di sini yang PLS algoritma bukan yang bootstrapping kita mau lihat kebaikan
model kebaikan.

Misalnya, itu kita lihat dari nilai r square. Nah ini ini nilai r square nya sebesar 0,493. Kalau di PLSM
square sebesar ini itu udah bagus, saya lupa ini menurut siapa. Pokoknya di atas 0,26 itu berarti model
sudah fit atau sudah bagus.

Begitu juga ini kebaikan modelnya dari Square ini yang nggak bagus. Cuma ini nih peluang kerja.
Mungkin karena yang tadi ada indikator yang nilai loading nya kurang dari 0,7 ya jadi x square nya ini
kecil 0,031 kurang bagus gitu kalau ini bagus nih sebenarnya saya lupa juga ini kriteria berapa nanti
saya lihatkan lagi ya. Kemudian selain itu kita juga lihat di model feed ini di sini ada SRMR 0,062 ini
juga udah termasuk bagus karena di sini.

Teorinya itu mengatakan bahwa nilai SRMR Antara 0,05 sampai 0,08 itu dianggap model sudah fit
gitu.

Bisa juga kalau mau dilihat dari NFI kayaknya ini kurang bagus deh kalau NFI nya 0,8 karena kriteria
NFi itu 0,9 0,95 gitu ya. Tapi gak papa kita pakai yang salah satu aja. Nah jadi begitu.