Sumber: Haqq, Z. N.

(2019) …

1.1 Teknik Analisis Data

Dalam upaya menguji hipotesis dan mencapai tujuan penelitian, maka perlu dilakukan
analisis data. Penelitian ini menggunakan teknik analisis data structural equation modelling
(SEM) dengan pendekatan partial least square (PLS). Structural equation modelling (SEM)
merupakan teknik analisis multivariat yang menggabungkan aspek factor analysis dan multiple
regression yang memungkinkan peneliti untuk menginvestigasi serangkaian hubungan antara
variabel dependen dan variabel independen secara simultan (Hair, Black, et al., 2014, p. 546).
Selain itu, dipilihnya pendekatan partial least square (PLS) didasarkan pada karakteristik yang
dimilikinya, seperti dapat mennggunakan jumlah sampel yang relatif kecil, tidak membutuhkan
asumsi distribusi normal, dapat digunakan dengan segala jenis data, memiliki efektivitas dalam
menguji model penelitian secara simultan, dan mampu menangani model yang kompleks (Hair,
Hult, Ringle, & Sarstedt, 2014, p. 16).
Pada umumnya, pendekatan partial least square (PLS) berorientasi pada tujuan
prediksi terhadap serangkaian hubungan hipotesis yang telah dibangun (Hair, Hult, et al., 2014,
p. 78). Namun, pendekatan partial least square (PLS) juga dapat digunakan untuk
mengkonfirmasi teori serta menguji hubungan antar variabel (Ghozali, 2014, p. 7). Selain itu,
untuk mempermudah dalam melakukan analisis penelitian, maka digunakan perangkat lunak
SmartPLS 3.0.

1.2 Evaluasi Model Penelitian

Evaluasi model penelitian dilakukan terhadap dua elemen yang ada pada pendekatan
Partial Least Square (PLS), yaitu measurement model dan structural model (Hair, Hult, et al.,
2014, p. 12; Hair, Sarstedt, Hopkins, & Kuppelwieser, 2014; Wong, 2013). Evaluasi ini
meliputi pengujian hipotesis, reliabilitas dan validitas indikator variabel.

1.2.1 Measurement Model

Sebagai tahap awal, Hair, Sarstedt, et al., (2014) memberi advokasi kepada peneliti
untuk harus melakukan verifikasi validitas dan reliabilitas dari setiap indikator variabel, atau
dikenal sebagai evaluasi measurement model. Measurement model, atau juga disebut sebagai
outer model, merupakan model penelitian yang menampilkan hubungan antara variabel dengan
indikator penyusunnya. Selain itu, penelitian ini menggunakan reflective indicator, dimana
indikator dapat dilihat sebagai representasi semua indikator yang tersedia dalam domain
konseptual pada variabel yang dibentuknya (Hair, Hult, et al., 2014, p. 43). Terdapat dua
pengujian dalam melakukan evaluasi terhadap reflective indicator (Hair, Hult, et al., 2014, p.
102; Wong, 2013), yaitu:
1. Uji Validitas Indikator
a. Convergent validity (average variance extracted – AVE), menjelaskan sejauh mana
indikator berkorelasi positif dengan indikator lain dari variabel yang sama, yang
kemudian secara konvergensi menyusun variabel tersebut. Dalam reflective
measurement, indikator-indikator pada suatu variabel dianggap sebagai pendekatan
yang berbeda dalam menyusun variabel tersebut. Untuk menilai indikator dengan
convergent validity yang baik dapat melihat average variance extracted (AVE)
dengan nilai ambang batas  0,50.
b. Discriminant validity, menjelaskan sejauh mana suatu variabel benar-benar berbeda
dari variabel lain dengan menyiratkan bahwa variabel adalah unik dan mampu
menangkap fenomena yang tidak diwakili oleh variabel lain dalam model. Untuk
menilai indikator dengan discriminant validity yang baik dapat melihat outer
 loading atau cross loading indikator dari suatu variabel harus lebih besar pada
variabel yang diukur jika dibandingkan dengan variabel lain.
2. Uji Reliabilitas Indikator
a. Internal consistency, menjelaskan reliabilitas dari indikator variabel yang
digunakan. Untuk menilai indikator dengan internal consistency yang baik dapat
dilihat pada composite reliability dengan nilai ambang batas  0,70.
b. Indicator reliability, menjelaskan sejauh mana kesamaan yang dimiliki oleh
indikator-indikator tersebut dalam menyusun suatu variabel. Untuk menilai
indikator dengan indicator reliability yang baik dapat melihat outer loadings
dengan nilai ambang batas  0,70.

1.2.2 Structural Model

Structural model atau juga disebut sebagai inner model, merupakan model penelitian
yang menampilkan hubungan antara konstruk atau variabel. Terdapat tiga pengukuran yang
dapat dalam melakukan evaluasi pada structural model (Hair, Hult, et al., 2014, p. 97; Hair,
Sarstedt, et al., 2014; Wong, 2013) yaitu:
1. Path coefficients
Path coefficients menjelaskan hubungan antar variabel yang telah dibangun pada model
penelitian. Dengan path coefficients, hipotesis yang dibangun dapat dievaluasi dan
dikonfirmasi keabsahannya secara statistik, baik itu diterima ataupun ditolak. Secara
spesifik, path coefficients dapat dinilai dalam tiga bagian. Pertama, coefficients of
correlation (β), menjelaskan sejauh mana bobot hubungan antar variabel yang telah
dihipotesiskan. Evaluasi terhadap nilai coefficients of correlation (β) dapat dilihat pada
tabel 3.2. Kedua, status of path coefficients, menjelaskan status atau sifat dari bobot
hubungan antar variabel yang telah dihipotesiskan, bisa positif (+) ataupun negatif (-).
Ketiga, significance level, menjelaskan sejauh mana signifikansi pengaruh variabel
dependen mempengaruh variabel dependen. Path coefficients dapat dikatakan
signifikan jika nilai t-statistics  1,96.

Tabel Error! No text of specified style in document..1

Nilai Koefisien Korelasi

Nilai Koefisien Keterangan

 0,70 Hubungan positif sangat kuat
0,50 – 0,69 Hubungan positif kuat
0,30 – 0,49 Hubungan positif moderat
0,10 – 0,29 Hubungan positif lemah
0,0 Tidak ada hubungan
-0,01 – -0,09 Hubungan negatif sangat lemah
-0,10 – -0,29 Hubungan negatif lemah
-0,30 – -0,49 Hubungan negatif moderat
-0,50 – -0,69 Hubungan negatif kuat
 -0,70 Hubungan negatif sangat kuat
Sumber: Bungin (2014, p. 194)

2. Coefficients of determination (R2)

Coefficients of determination (R2) menjelaskan sejauh mana kemampuan akurasi
prediktif dari variabel independen dalam menerangkan variasi variabel dependen.
Coefficients of determination memiliki nilai standar antara 0 hingga 1, dimana nilai R2
 yang mendekati 1 menunjukkan tingkat akurasi prediktif yang lebih besar. Secara
umum, nilai R2 diklasifikasikan dalam tiga bagian, yaitu 0,75 dikategorikan kuat, 0,50
dikategorikan moderat, dan 0,25 dikategorikan lemah.
3. Predictive relevance (Q2)
Selain mengevaluasi besarnya nilai coefficients of determination (R2) sebagai kriteria
akurasi prediktif, peneliti juga harus memeriksa nilai predictive relevance (Q2).
Pengukuran ini ditujukan untuk melihat relevansi prediktif model. Dalam structural
model, nilai predictive relevance (Q2) yang lebih besar dari nol menunjukkan relevansi
prediksi yang baik dari variabel independen terhadap variabel dependen dalam model
penelitian.

1.2.3 Evaluasi Pengaruh Tidak Langsung (Mediasi)

Evaluasi pengaruh tidak langsung (mediasi) bertujuan untuk mendeteksi kedudukan
variabel intervening dalam model. Evaluasi pengaruh tidak langsung (mediasi) dilakukan guna
menentukan sifat dari variabel intervening tersebut, baik sebagai variabel mediasi sempurna
(complete mediation), mediasi sebagian (partial mediation) dan bukan variabel mediasi.
Adapun uraian uji hubungan tidak langsung (mediasi) adalah sebaagai berikut:

a b

X c Y

Gambar Error! No text of specified style in document..1 Ilustrasi Uji Pengaruh Tidak
Langsung (Mediasi)

Berdasarkan gambar 3.1, Baron & Kenny (1986) menjelaskan kriteria yang memenuhi
hubungan pengaruh tidak langsung (mediasi), yaitu (a) ketika X selaku variabel independen
berpengaruh secara signifikan terhadap M selaku variabel mediasi (yaitu jalur a), (b) ketika M
selaku variabel mediasi berpengaruh secara signifikan terhadap Y selaku variabel dependen
(yaitu jalur b), dan (c) ketika ketika X selaku variabel independen berpengaruh secara
signifikan terhadap Y selaku variabel dependen (yaitu jalur c). Selain itu, syarat utama untuk
melakukan uji pengaruh tidak langsung (mediasi) adalah ketika pengaruh langsung antara
variabel independen dan variabel dependen (yaitu jalur c) adalah signifikan (Abdillah &
Hartono, 2015).
Selanjutnya, untuk mengevaluasi sifat dari variabel mediasi dengan melakukan
komparasi dari koefisien korelasi (β) yang dimiliki hubungan langsung dan hubungan tidak
langsung – dengan catatan bahwa kriteria yang diajukan oleh Baron & Kenny (1986) diatas
sudah terpenuhi. Jika koefisien korelasi hubungan tidak langsung (β jalur a x b) lebih besar
dari koefisien korelasi hubungan langsung (β jalur c), maka sifat dari variabel mediasi adalah
mediasi penuh (full mediation) Jika koefisien korelasi hubungan langsung lebih besar dari
koefisien korelasi hubungan tidak langsung, maka sifat dari variabel mediasi adalah mediasi
sebagian (partial mediation). Sedangkan untuk status tidak memediasi (non-mediation), dapat
dipenuhi jika salah satu jalur – baik itu jalur a, jalur b, dan jalur c – tidak memenuhi derajat
signifikan yang telah ditentukan.