Modul Praktikum Structured Equation

Modeling (SEM) (Statistika)

Praktikum 2: Olah data SEM menggunakan SmartPLS
1. Pastikan aplikasi SmartPLS terinstall dan siap untuk digunakan
2. Tampilan awal SmartPLS kurang lebih akan seperti ini:

3. Untuk membuat project baru, klik New Project

4. Beri nama pada Project yang sudah dibuat
5.
6. Untuk bisa membuat model, hal pertama yang harus dilakukan adalah dengan import data
yang akan digunakan pada project tersebut.
7. Pada panel Project Explorer akan ditemukan project yang sudah dibuat.

8.
9. Untuk import data silahkan double klik pada dataset holder.
10. Setelah data di import, maka pada tampilan dataset akan muncul seperti ini:
11.
12. Klik model untuk mulai membuat persamaan.
13. Setelah dataset dimasukkan, maka pada panel Indicators akan muncul indikator yang ada
atau item pernyataan.

14.
15. Untuk memasukkan indikator ke dalam model, pilih indikator, lalu drag and drop indikator
tersebut ke dalam canvas model.
 16.
17. Setelah indikator tersebut dimasukkan, lalu beri nama pada setiap variabel dengan cara klik
kanan variabel -> rename -> beri nama sesuai objek -> OK.
18. Masukkan semua variabel dan indikator yang ingin diukur.

19. Beri hubungan dengan klik Connect , lalu pilih variabel yang akan diberi
hubungan, baik itu variabel dependent/independent.
20. Setelah model terbentuk lalu dapat dilakukan kalkulasi untuk melihat hasil dan hubungan.
21. Kalkulasi dapat dilakukan dengan klik Calculate -> PLS Algorithm.

2.2. Analisis Inferensial

2.2.1. Outer Model
Outer model dapat diukur dengan melihat nilai convergent validity, discriminant validity, composite
reliability. Pengukuran outer loadings dapat dilakukan pada awal tahap analisi inferensial.

2.2.1.1. Convergent Validity

Convergent validity adalah uji validitas yang dilakukan untuk melihat nilai yang dihasilkan
dari masing-masing konstruk [1]. Nilai dari convergent validity sendiri dilihat melalui loading factor
nya. Nilai yang dianjurkan adalah diatas 0.7 [2]. Dalam database, item dengan nilai dibawah 0.7
dianggap tidak valid dan tidak layak untuk dipakai analisis selanjutnya. Maka dari itu, item dengan
nilai dibawah 0.7 akan dihapus atau di drop dari analisis dan dilakukan analisis ulang.
2.2.1.2. Discriminant Validity
Validitas diskriminan merupakan analisis yang dilakukan untuk mengetahui hubungan antar
variabel laten. Hal ini dapat dilakukan dengan melihat nilai faktor beban lateral dan nilai Fornell-
Larcker pada setiap item. Nilai Fornell-Larcker setiap elemen atau yang disebut dengan nilai korelasi
antara elemen tersebut dengan variabel itu sendiri harus lebih besar dari nilai korelasi elemen
lainnya. Jika suatu elemen berkorelasi dengan dirinya sendiri, nilai juga harus lebih besar [3].

2.2.1.3. Cross Loading Factor

Cross Loading Factor adalah salah satu analisis untuk validitas model, namun untuk nilai
yang baik adalah validitas antara variabel tersebut dengan variabel itu sendiri harus lebih besar
daripada validitas variabel tersebut dengan variabel lainnya.

2.2.1.4. Fornell Larcker Criterion

Fornell Larcker criterion adalah nilai yang menunjukkan perbandingan nilai akar AVE dengan
korelasi variabel laten lainnya [4]. Nilai fornell larcker yang dikatakan baik adalah ketika nilai korelasi
konstruk dengan item pengukurannya lebih besar dari variabel lainnya.

2.2.1.5. Composite Reliability

Composite reliability merupakan nilai yang digunakan untuk mengetahui reliabilitas setiap
variabel penelitian. Nilai suatu variabel laten dianggap reliabel jika lebih besar dari 0,7 [5]. Selain nilai
composite reliability, nilai yang menentukan reliabilitas variabel laten adalah nilai Cronbach’s alpha
yang dianggap reliabel jika nilainya lebih besar dari 0,6.

2.2.1.6. Average Variance Extracted (AVE)

Analisis selanjutnya yang dilakukan yaitu dengan meilhat nilai AVE. Nilai AVE adalah nilai
yang menentukan koefisien penjelas varian di dalam indikator. Validitas konvergen dicapai ketika
semua item dalam model pengukuran signifikan secara statistik. Validitas ini juga dapat diverifikasi
melalui AVE. Nilai AVE harus lebih besar atau sama dengan 0,5 untuk mencapai validitas [6].

2.2.2. Inner Model

2.2.2.1. Path Coefficient & T-Statistic (Hypotheses Testing)
Path Coefficient menggambarkan seberapa besar pengaruh (efek) baik langsung ataupun
tidak langsung, path coefficient memilki rentang nilai pada -1 hingga +1. Jika nilai path coefficient
semakin mendekati angka +1 maka semakin kuat hubungan kedua variabel dan sebaliknya, nilai
koefisien positif menandakan adanya hubungan yang berbanding lurus, sedangkan koefisien negatif
menunjukkan adanya hubungan yang terbalik [7]. Setelah melakukan analisis inferensial untuk outer
model dengan variabel moderator. Hal selanjutnya adalah analisis inferensial untuk inner model.
Pada tahap ini dilakukan dengan melihat nilai T-Statistic dengan signifikansi 0.05 dan T-Tabel sebesar
1.96, serta melihat nilai path coefficient untuk menentukan pengaruh variabel yang positif atau
negatif.
2.2.2.2. R-Square (R2)
R-square menjelaskan seberapa besar pengaruh yang diberikan oleh variabel independen
terhadap variabel dependen. Nilai r sendiri berada pada angka 0-1. Jika nilai R2 semakin mendekati 1
semakin berpengaruh variabel independen terhadap variabel dependen, jika R 2 semakin mendekati
nilai 0 maka semakin tidak mempengaruhi varibael dependen. Nilai R 2 sendiri dibagi menjadi tiga
yaitu; 0.25 – 0.50 dikatakan lemah,0.50 – 0.50 dikatakan moderat, 0.75 keatas dikatakan kuat [8]

2.2.2.3. Model Fit Test (Q2, NFI, SRMR)

Pada tahap ini uji fit model dilakukan untuk mengetahui seberapa baik model yang diteliti.
Indikator PLS yang akan digunakan dalam mengukur uji fit model adalah Normed Fit Index (NFI) dan
Standardized Root Mean Square Residual (SRMR) [9]. Selain NFI dan SRMR, untuk mengukur nilai
observasi yang dihasilkan, dilakukan uji blindfolding dengan SmartPLS yang mana nantinya nilai Q2
akan menjadi indikator utamanya. Nilai Q2 yang menunjukkan bahwa observasi yang dilakukan
sudah baik adalah > 0. Nilai Q2 juga biasa disebut nilai predictive relevance.
References

[1] K. D. Carlson, "Understanding the Impact of Convergent Validity on Research Results,"

Organizational Research Methods, vol. 15, no. 1, pp. 17-32, 2012.

[2] G. A. Yana, "Analysis of factors affecting design changes in construction project with Partial
Least Square (PLS)," The 5th International Conference of Euro Asia Civil Engineering Forum
(EACEF-5) , pp. 40-45, 2015.

[3] J. Henseler, "A new criterion for assessing discriminant validity in variance-based structural
equation modeling," Journal of the Academy of Marketing Science, vol. 43, pp. 115-135, 2015.

[4] M. R. A. Hamid, "Discriminant Validity Assessment: Use of Fornell & Larcker criterion versus
HTMT Criterion," Journal of Physics, pp. 1-5, 2017.

[5] R. A. Peterson, "On the Relationship Between Coefficient Alpha and Composite Reliability,"
Journal of Applied Psychology, vol. 98, no. 1, pp. 194-198, 2013.

[6] S. Ahmad, "Assessing the Validity and Reliability of a Measurement Model in Structural
Equation Modeling (SEM)," British Journal of Mathematics & Computer Science, vol. 15, no. 3,
pp. 1-8, 2016.

[7] I. Ghozali, Structural Equation Modeling Metode Alternatif dengan Partial Least Squares (PLS),
4 ed., Semarang: Badan Penerbitan Universitas Diponegoro, 2014.

[8] W. Abdillah and J. HM, Partial Least Square (PLS): Alternatif Structural Equation Modeling (SEM)
dalam Penelitian Bisnis, Andi Offset, 2015.

[9] T. Ramayah, "Testing a Confirmatory model of Facebook Usage in SmartPLS using Consistent
PLS," International Journal of Business and Innovation, vol. 3, no. 2, pp. 01-14, 2017.