WORKSHOP METODOLOGI

PENELITIAN

REVIEW SKRIPSI
FAI UHAMKA

Dr. Lela Nurlaela Wati, SE.MM.

Website: www.lela.stiemj.ac.id
Email: lela@stiemj.ac.id

Jakarta, 7 Januari 2019

SCIENTIFIC RESEARCH (Basic &
applied) • Cakupan masalah
1 Perumusan Masalah • Pengumpulan data awal
• Identifikasi masalah

2 Kerangka Pemikiran Kerangka teoritis

Perumusan Pengembangan / dedukasi

3 Hipotesis Hipotesis
• Desain
4 Pengujian Hipotesisi • Pengukuran variabel
• Pengumpulan data
• Analisis & interpretasi
Kesimpulan • Kesimpulan
5 Penelitian • Saran hasil penelitian
Sumber Masalah Penelitian
Ilmiah

FENOMENA

KESENJANGAN
PENELITIAN
(Research Gap)
MASALAH

KESENJANGAN TEORI
(Theory Gap)
 Langkah Penting Mereview
BAB I PENDAHULUAN

• Latar belakang & alasan penulis memilih problem,

sisi mana yang menarik dan layak diangkat
Dalam latar belakang ada 3 sub yang dikemukakan:
1. Konsep dari variabel yang diteliti
2. Fenomena dari variabel yang akan diteliti
3. Gap riset atau hasil penelitian yang berbeda
Pengembangan Research Gap

KINERJA H1 NILAI
PERBANKAN PERBANKAN

CSR
DISCLOSURE
 Langkah Penting Mereview
BAB I PENDAHULUAN

• Letak originalitas penelitian.

Apakah penelitian itu mengemukakan satu
pendekatan baru terhadap masalah yang
sudah ada, ataukah memakai metode
yang sudah ada untuk memecahkan satu
aplikasi baru yang menarik, ataukah baik
pendekatan maupun aplikasinya semua
baru
 Langkah Penting Mereview
BAB I PENDAHULUAN

• Identifikasi Masalah
Menginventarisir atau menyebutkan masalah-masalah yang
dikemukakan dalam latar belakang

• Batasan Masalah
Membatasi masalah pada masalah yang akan diteliti

• Masalah apakah yang ingin dijawab oleh

penulis ? (Problem Formulation)
 Langkah Penting Mereview
BAB I PENDAHULUAN

• Tujuan Penelitian
• Manfaat Penelitian
 Pengumpulan Data Awal
Pengumpulan data merupakan aktivitas yang dilakukan
guna mendapatkan informasi yang diperlukan dalam
rangka mencapai tujuan dari suatu penelitian. Adapun
tujuan penelitian adalah jawaban dari rumusan masalah
ataupun hipotesis penelitian, untuk dapat menjawabnya
diperlukan data atau informasi yang diperoleh melalui
tahapan pengumpulan data.
Pengumpulan data awal dalam penelitian dimaksudkan
guna mendapatkan bahan, keterangan, kenyataan, dan
informasi yang bisa dipercaya, juga dimaksudkan sebagai
induktif thinking (fenomena) untuk melihat permasalahan
yang terjadi di lapangan

Pengumpulan Data Awal

Rumusan Masalah

• Dirumuskan secara jelas

• Menggunakan kalimat tanya dengan mengajukan alternaatif
tindakan yang akan dilakukan
• Dapat diuji secara empiris
• Mengandung deskripsi tentang kenyataan yang ada dan
keadaan yang diinginkan
• Disusun dalam bahasa yang jelas dan singkat
• Jelas cangkupannya
• Memungkinkan untuk dijawab dengan mempergunakan
metode atau teknik tertentu.
• Bagian rumusan masalah berisi tentang masalah-masalah
yang hendak dipecahkan
Manfaat Perumusan Masalah
PENDORONG KEGIATAN
PENELITIAN

PEDOMAN, PENENTU ARAH

PENELITIAN

MANFAAT
PENENTU JENIIS
DATA PENELITIAN

MEMPERMUDAH MENENTUKAN
POPULASI DAN SAMPEL
 Kajian Pustaka
• Kajian pustaka dalam suatu penelitian ilmiah
adalah salah satu bagian penting dari
keseluruhan langkah-langkah metode penelitian.
Cooper dalam Creswell mengemukakan bahwa
kajian pustaka memiliki beberapa tujuan yakni;
menginformasikan kepada pembaca hasil-hasil
penelitian lain yang berkaitan erat dengan
penelitian yang dilakukan saat itu,
menghubungkan penelitian dengan literatur-
literatur yang ada, dan mengisi celah-celah
dalam penelitian-penelitian sebelumnya.
 Bagaimana Membuat
Kajian Pustaka
1. Cari jenis literatur yang sesuai
2. Cari naskah dari publikasi yang sesuai
3. Cari naskah dengan variabel yang sesuai
4. Buatlah ringkasan dari pemikiran ilmuwan atau
peneliti yang dirujuk
5. Bahas substansi
6. Carilah pro-kontra
7. Kembangkan proposisi dan grand theoretical model
8. Kembangkan hipotesis dan empirical research
model
Fungsi Kajian Pustaka
• Mengetahui sejarah masalah penelitian,
• Membantu memilih prosedur penyelesaian
masalah penelitian
• Memahami latar belakang teori masalah
penelitian
• Mengetahui manfaat penelitian sebelumnya
• Menghindari terjadinya duplikasi penelitian, dan
• Memberikan pembenaran alasan pemilihan
masalah penelitian
Tujuan Kajian Pustaka
Menentukan apa yang telah dilakukan
orang yang berhubungan dengan topik
penelitian yang akan dilakukan. Selain itu
dengan kajian pustaka tidak hanya
mencegah duplikasi penelitian orang lain,
tetapi juga memberikan pemahaman dan
wawasan yang dibutuhkan untuk
menempatkan topik penelitian yang kita
lakukan dalam kerangka logis
Kerangka Pemikiran
• Kerangka pemikiran adalah model konseptual yang
ditujukan untuk menggambarkan kompleksitas
hubungan antara faktor-faktor atau variabel yang
diidentifikasi penting dalam suatu permasalahan.
• Perumusan kerangka pemikiran harus dapat
menggambarkan konsep-konsep yang akan
dipergunakan dalam penelitian yang menunjukkan
hubungan antar variabel-variabel, sehingga dapat
dijadikan pemandu (road map) investigasi secara
empirik. Pengembangan kerangka pemikiran yang
sistematis dan logik akan sangat membantu peneliti
dalam menguji hubungan antara variabel di
lapangan.
Komponen Kerangka
Pemikiran
• Variabel yang akan diteliti harus diidentifikasi dan
dinamai dengan jelas dalam pembahasan
• Pembahasan harus menyebutkan alasan pertautan dua
atau lebih variabel dan ada teori yang mendasari.
• Bila sifat dan arah hubungan terdapat dalam penelitian
sebelumnya, maka harus ditunjukkan apakah
hubungannya positif atau negatif
• Harus ada penjelasan yang rinci tentang alasan adanya
hubungan variabel tersebut berdasarkan penelitian
sebelumnya
• Kerangka berpikir tersebut selanjutnya dinyatakan dalam
bentuk diagram (paradigma penelitian), sehingga pihak
lain dapat memahami kerangka pikir yang dikemukakan
dalam penelitian.
Langkah-Langkah Penyusunan
Kerangka Pemikiran Teoritikal

1. Menetapkan variabel yang diteliti.

2. Membaca buku dan hasil penelitian.
3. Membuat deskripsi teori dan Hasil penelitian.
4. Melakukan analisis kritis terhadap teori dan hasil
penelitian.
5. Melakukan analisis komparasi terhadap teori dan
hasil penelitian.
6. Merumuskan kesimpulan sementara (hipotesis)
Paradigma
Penelitian/Model Penelitian

Paradigma penelitian adalah pola pikir yang

menunjukkan hubungan antara variabel yang
diteliti. Hubungan variabel-variabel tersebut
dapat dibedakan menjadi hubungan:
hubungan sederahana (simple relationship)
dan hubungan kompleks (complex
relationship).
Proposisi dan Hipotesis

• Sebuah proposisi adalah sebuah

pernyataan tentang konsep-konsep yang
dapat diamati dan dinilai benar atau salah
jika dikaitkan dengan fenomena yang dapat
diamati (Cooper & Emory, 1995). Jika
sebuah proposisi dirumuskan untuk diuji
secara empirik, maka disebut sebagai
hipotesis
HIPOTESIS

• Hipotesis adalah proporsi, kondisi

atau prinsip yang untuk sementara
waktu dianggap benar dan
barangkali tanpa keyakinan,agar
dapat ditarik suatu konsekuensi
logis dan dengan cara ini
kemudian dilakukan pengujian
( testing ) tentang kebenarannya
dengan menggunakan data empiris
Sumber Hipotesis

1. Ilmu pengetahuan,
2. Wawasan,
3. Imajinasi,
4. Bahan bacaan,
5. Kebiasaan/ kegiatan
masyarakat
6. Data dan analogi
Variabel, Konsep dan
Konstruk
• Variabel merupakan proksi atau
representasi dari construct yang dapat
diukur dengan berbagai macam nilai.
Variabel juga merupakan mediator antara
construct yang abstrak dan fenomena
yang nyata. Variabel memberikan
gambaran yang lebih nyata mengenai
fenomena-fenomena yang
digeneralisasikan dalam construct.
Variabel Penelitian
• Dependent Varibel (Y), yaitu: variabel yang nilainya
dipengaruhi/ditentukan oleh variabel lain.
• Independent Variabel (X), yaitu: variabel yang
mempengaruhi/menentukan variabel lain (predictor
variable).
• Antecendent Variabel (A), yaitu: variabel awal yang
mempengaruhi variabel (Y) dan varabel (X).
• Moderating Variabel (M), yaitu : Variabel yang turut
menentukan hubungan varabel (X) dan varabel (Y).
• Intervening Variabel (I), yaitu : Variabel diantara varabel
(X) dan varabel (Y) yang turut mempengaruhi varabel
(Y).
Pembagian variabel berdasarkan pada hubungan
antar variabel:
1. Variabel Bebas 2. Variabel Moderator
Lingkungan
Lingkungan
Proses Prestasi
Proses Prestasi
Belajar
Belajar Siswa
Siswa

Minat
Minat Prestasi
Belajar
Belajar Siswa
2. Variabel Tak Bebas
Proses
Proses Prestasi
Prestasi
Siswa
Belajar
Belajar Siswa 4. Variabel Intervening
Proses
Belajar

Pendidik Prestasi
Pendidik
an Guru
an Guru SIswa
 Operasional Variabel
• Defenisi operasional merupakan penjelasan
tentang bagaimana operasi atau kegiatan yang
harus dilakukan untuk memperoleh data atau yang
menunjukan indikator yang dimaksud. Dengan kata
lain, defenisi operasional adalah bagaimana
menemukan dan mengukur variabel-variabel
(kasus) tersebut di dunia nyata atau dilapangan,
dengan merumuskan secara pendek dan jelas,
serta tidak menimbulkan berbagai tafsiran.
Skala dan Indeks
Pengukuran
Skala dalam penelitian ada empat tingkatan:
1. Skala Nominal
2. Skala Ordinal
3. Skala Interval
4. Skala Rasio
Skala Nominal
• Skala nominal adalah skala yang
hanya digunakan untuk memberikan
kategori saja
• Contoh:
Wanita 1
Laki-laki 2
Skala Ordinal
• Adalah skala pengukuran yang sudah dapat digunakan untuk
menyatakan peringkat antar tingkatan, akan tetapi jarak atau interval
antar tingkatan belum jelas.
• Contoh:
Berilah peringkat supermarket berdasarkan kualitas pelayanannya !
Sri Ratu……………………… 1
Moro ………………………… 3
Matahari ………………….. 5
Rita I ………………………. 2
Rita II ……………………… 4
Super Ekonomi …………. 6
Skala Interval
• Adalah skala pengukuran yang sudah dapat digunakan untuk
menyatakan peringkat antar tingkatan, dan jarak atau interval antar
tingkatan sudah jelas, namun belum memiliki nilai 0 (nol) yang

.
mutlak

• Contoh:
1. Skala Pada Termometer
2. Skala Pada Jam
3. Skala Pada Tanggal
Skala Rasio
• Adalah skala pengukuran yang sudah dapat digunakan untuk
menyatakan peringkat antar tingkatan, dan jarak atau interval antar
tingkatan sudah jelas, dan memiliki nilai 0 (nol) yang mutlak .
• Contoh:
1. Berat Badan
2. Pendapatan
3. Hasil Penjualan
Ringkasan Tentang Skala

Skala Tipe Pengukuran

Kategori Peringkat Jarak Perbandingan

Nominal Ya Tidak Tidak Tidak

Ordinal Ya Ya Tidak Tidak

Interval Ya Ya Ya Tidak

Rasio Ya Ya Ya Ya
Metode Pengukuran Sikap

1. Skala Likert
2. Skala Guttman
3. Skala Semantic Deferensial
4. Skala Rating
Skala Likert
• Skala Likert’s digunakan untuk mengukur sikap, pendapat
dan persepsi seseorang tentang fenomena sosial.
• Contoh:
Pelayanan rumah sakit ini sudah sesuai dengan apa yang
saudara harapkan.
a. Sangat setuju skor 5
b. Setuju skor 4
c. Tidak ada pendapat skor 3
d. Tidak setuju skor 2
e. Sangat tidak setuju skor 1
Skala Guttman
• Skala Guttman akan memberikan
respon yang tegas, yang terdiri dari
dua alternatif.
• Misalnya :
Ya Tidak
Baik Buruk
Pernah Belum Pernah
Punya Tidak Punya
Skala Semamtik Deferensial
• Skala ini digunakan untuk mengukur sikap tidak dalam bentuk pilihan ganda atau
checklist, tetapi tersusun dari sebuah garis kontinuem dimana nilai yang sangat
negatif terletak disebelah kiri sedangkan nilai yang sangat positif terletak

disebelah kanan .
• Contoh:
Bagimana tanggapan saudara terhadap pelayanan dirumah sakit
ini ?

1. 5.
Sangat Buruk Sangat Baik
Skala Rating
• Dalam skala rating data yang diperoleh adalah data kuantitatif kemudian
peneliti baru mentranformasikan data kuantitatif tersebut menjadi data

.
kualitatif

• Contoh:
Kenyaman ruang loby Bank CBA:
5 4 3 2 1

Kebersihan ruang parkir Bank CBA:

5 4 3 2 1
Pedoman Menentukan Jumlah
Sampel
Pendapat Slovin N
n
1  Ne2

Kita akan meneliti pengaruh upah terhadap

semangat kerja pada karyawan PT. Cicak Buaya.
Di dalam PT tersebut terdapat 130 orang
karyawan. Dengan tingkat kesalahan pengambilan
sampel sebesar 5%, berapa jumlah sampel minimal
yang harus diambil ?
130
n  98,11
1  130(0,05) 2
Teknik Pengambilan Sampel
Teknik Sampling
Teknik Sampling

Probability Sampling Non Probability Sampling

Probability Sampling Non Probability Sampling

 Simple Random Convenience

 Simple Random Convenience
Sampling Sampling
Sampling Sampling
 Stratified Sampling  Purposive
Stratified Sampling  Purposive
Propotional sampling
Propotional sampling
 Disproportional  Judgement
Disproportional  Judgement
 Cluster Sampling Sampling
Cluster Sampling Sampling
 Double
Double Sampling
Sampling  Quota Sampling
 Quota Sampling
 Snowball
 Snowball
Sampling
Sampling
Simple Random Sampling
• Simple random sampling merupakan teknik pengambilan sampel yang
memberikan kesempatan yang sama kepada pulasi untuk dijadikan sampel.
• Syarat untuk dapat dilakukan teknik simple random sampling adalah:
– Anggota populasi tidak memiliki strata sehingga relatif homogen
– Adanya kerangka sampel yaitu merupakan daftar elemen-elemen populasi
yang dijadikan dasar untuk pengambilan sampel.

Populasi
Sampe
l
PENGOLAHAN DATA
• Statistik Deskriptif
Statistik Deskriptif menjelaskan atau menggambarkan
berbagai karakteristik data, seperti berapa rata-ratanya,
seberapa jauh data-data bervariasi dari rata-ratanya, berapa
median data, dll.
• Statistik Induktif (Inferensi)
Statistik induktif menjelaskan berbagai inferensi terhadap
sekumpulan data yang berasal dari suatu sample, seperti
melakukan perkiraan populasi, uji hipotesis, peramalan dll.
Metode Statistik
No Variabel Dependen
1 satu skala metrik
2 satu skala metrik
3 lebih dari satu metrik
4 satu atau lebih metrik
5 satu non-metrik dua
kategori
6 satu non-metrik lebih dari
dua kategori
7 satu non-metrik dua
kategori
8 lebih dari satu metrik
Variabel Independen Uji Statistik
satu non-metrik dgn dua Uji beda t-test
kategori
satu non-metrik dengan Analysis of Variance
dua kategori (ANOVA)
satu atau lebih non-metrik Multivariate Analysis of
Variance (MANOVA)
lebih dari satu metrik Canonical Correlation
satu atau lebih metrik Analisis Diskriminan
satu atau lebih metrik Analisis Multiple
Diskriminan
satu atau lebih metrik dan Logistic Regression
non-metrik
lebih dari satu metrik Analisis jalur (Path
Analysis) dan Structural
Equation Modeling (SEM)
Sofware Pengujian Hipotesis:
1. SPSS
2. Eviews
3. Stata
4. Smart PLS
5. Warp PLS
6. AMOS
7. Lisrel
8. Gesca
9. EQS dll
 SEM VARIANCE VS COVARIANCE
No Kriteria VBSEM CBSEM
(PLS-SEM) (AMOS dan LISREL)
1 Tujuan Analisis Orientasi prediksi dan analisis eksploratori Taksiran parameter dan
konfirmatori
2 Asumsi Non-parametrik, tidak mengikuti pola distribusi Parametrik, mengikuti pola distribusi normal
tertentu (multivariate normal distribution)
3 Pendekatan Variance atau component based (VBSEM) Covariance based SEM CB SEM)
4 Jumlah sampel Kekuatan analisis didasarkan pada porsi dari Kekuatan analisis didasarkan pada model
model yang memiliki jumlah predictor terbesar. spesifik, minimal direkomendasikan berkisar
Minimal direkomendasikan berkisar dari 30 – 200 – 800
100 kasus, semakin besar jumlah
5 Hubungan konstruk laten Reflektif maupun formatif indikator Hanya Reflektif indikator
dan indikator
6 Kompleksitas model Mampu menangani hubungan yang sangat Kompleksitas kecil sampai menengah (Kurang
komplek, bisa terdiri dari 100 konstruk laten dari 100 variabel)
dan 1000 indikator
7 Kebutuhan teori Fleksibel, optimal pada prediksi dan akurasi Asumsi dan dasar teorikuat, pengembangan
model model berorientasi akurasi parameter
8 Identifikasi model Model rekursif dan non rekursif Algoritma CBSEM hanya menangani model
rekursif
9 Uji GOF Sedikit alat parameter GOF Lebih banyak alat parameter GOF

10 Kekuatan taksiran Konsisten ketika jumlah sampel meningkat Lebih baik, kuat dan konsisten

Tabel 18.1 (Lanjutan)

parameter
11 Skor variabel laten Secara eksplisit diestimasi Indeterminate
12 Implikasi Optimal untuk ketepatan prediksi Optimal untuk ketepatan parameter

44
Metode PLS
PEMODELAN di dalam PLS:
• Inner model  model struktural yang
menghubungkan antar variabel laten
• Outer model  model pengukuran
yang menghubungkan indikator
dengan variabel latennya

45
Indikator
• Refleksif
x1 e1

F a k to r
x2 e2
U ta m a 1

x3 e3

• Formatif
x1

Faktor
zeta1 x2
Komposit 1

x3

46
Indikator Model Refleksif
• Contoh model indikator refleksif adalah Variabel
yang berkaitan dengan sikap (attitude) dan niat
membeli (purchase intention).
• Sikap umumnya dipandang sebagi respon dalam
bentuk favorable (menguntungkan) atau
unfavorable (tidak menguntungkan) terhadap suatu
obyek dan biasanya diukur dengan skala multi item
dalam bentuk semantik differences seperti, good-
bad, like-dislike, dan favorable-unfavorable.
• Sedangkan niat membeli umumnya diukur dengan
ukuran subyektif seperti how likely-unlikely,
probable-improbable, dan/atau possible-impossible.

47
Ciri-ciri model indikator
reflektif
• Arah hubungan kausalitas dari
variabel laten ke indikator
• Antar indikator diharapkan saling
berkorelasi (instrumen harus memiliki
internal consistency reliability)
• Menghilangkan satu indikator, tidak
akan merubah makna dan arti variabel
yg diukur
• Kesalahan pengukuran (error) pada
tingkat indikator
48
Indikator Model Formatif
• Contoh model indikator formatif adalah di bidang
ekonomi, seperti index of sustainable
economics welfare, the human development
index, the quality of life index.
• Variabel laten dengan model indikator formatif
berupa variabel komposit
– Variabel Status Sosial Ekonomi, diukur
berdasarkan indikator yang saling mutually
exclusive: Pendidikan, Pekerjaan dan Tempat
Tinggal
– Variabel kualitas pelayanan dibentuk (formatif)
oleh 5 dimensi: tangible, reliability, responsive,
emphaty dan assurance.

49
Ciri-ciri model indikator
formatif
• Arah hubungan kausalitas dari
indikator ke variabel laten
• Antar indikator diasumsikan tidak
berkorelasi (tidak diperlukan uji
reliabilitas konsistensi internal)
• Menghilangkan satu indikator
berakibat merubah makna dari
variabel laten
• Kesalahan pengukuran berada pada
tingkat variabel laten (zeta)
50
Notasi pada PLS

51
 Notasi pada PLS
•  = Ksi, variabel latent eksogen
•  = Eta, variabel laten endogen
• x = Lamnda (kecil), loading faktor variabel latent eksogen
• y = Lamnda (kecil), loading faktor variabel latent endogen
• x = Lamnda (besar), matriks loading faktor variabel latent eksogen
• y = Lamnda (besar), matriks loading faktor variabel laten endogen
•  = Beta (kecil), koefisien pngruh var. endogen terhadap endogen
•  = Gamma (kecil), koefisien pngruh var. eksogen terhadap endogen
•  = Zeta (kecil), galat model
•  = Delta (kecil), galat pengukuran pada variabel laten eksogen
•  = Epsilon (kecil), galat pengukuran pada variabel latent endogen

52
LANGKAH-LANGKAH PLS
1 Merancang Model Struktural (inner
model)

Merancang Model Pengukuran

2 (outer model)

Mengkonstruksi Diagram Jalur

3

4 Konversi Diagram Jalur ke Sistem

Persamaan

5
Estimasi: Koef. Jalur, Loading dan
Weight

6 Evaluasi Goodness of Fit

7
Pengujian Hipotesis (Resampling
Bootstraping)
53
 LANGKAH KE-1
MERANCANG INNER MODEL
Pada SEM perancangan model adalah berbasis teori,
akan tetapi pada PLS bisa berupa:
– Teori
– Hasil penelitian empiris
– Analogi, hubungan antar variabel pada bidang ilmu
yang lain
– Normatif, misal peraturan pemerintah, undang-undang,
dan lain sebagainya
– Rasional
PLS: Bisa ekplorasi hubungan antar variabel

54
 LANGKAH KE-2

MERANCANG OUTER MODEL

– Pada SEM semua bersifat refleksif, model
pengukuran tidak penting (sudah terjamin
pada DOV)
– Pada PLS perancangan outer model sangat
penting: refleksif atau formatif
– Dasar: teori, penelitian empiris sebelumnya,
atau rasional

55
 TAHAP KE-3
KONSTRUKSI DIAGRAM JALUR

56
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

• Outer model
– Untuk variabel latent eksogen 1 (reflektif)
• x =  +
1 x1 1 1
• x =  +
2 x2 1 2
• x =  +
3 x3 1 3
– Untuk variabel latent eksogen 2 (formatif)
•  = X + X + X +
2 x4 4 x5 5 x6 6 4

– Untuk variabel latent endogen 1 (reflektif)

• y1 = y1 1 + 1
• y2 = y2 1 + 2
– Untuk variabel latent endogen 2 (reflektif)
• y3 = y3 2 + 3
• y4 = y4 2 + 4
57
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN
• Inner model :
– 1 = 11 + 22 + 1
– 2 = 11 + 31 + 42 + 2

58
 LANKAH KE-5
Pendugaan parameter :
– Weight estimate yang digunakan untuk menghitung data
variabel laten
– Estimasi jalur (path estimate) yang menghubungkan antar
variabel laten (koefisien jalur) dan antara variabel laten
dengan indikatornya (loading)
– Berkaitan dengan means dan lokasi parameter (nilai
konstanta regresi) untuk indikator dan variabel laten.
– Metode estimasi PLS: OLS dengan teknik iterasi
– Interaction variable
• Pengukuran untuk variabel moderator, dengan teknik :
menstandarkan skor indikator dari variabel laten yang dimoderasi
dan yang memoderasi, kemudian membuat variabel laten interaksi
dengan cara mengalikan nilai standar indikator yang dimoderasi
dengan yang memoderasi

59
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL

• Outer model refleksif :

– Convergent dan discriminant validity
– Composite realibility
• Outer model formatif :
– dievaluasi berdasarkan pada substantive
content-nya yaitu dengan melihat
signifikansi dari weight

60
GOODNESS OF FIT - OUTER MODEL
• Convergent validity
– Nilai loading 0.5 sampai 0.6 dianggap cukup,
untuk jumlah indikator dari variabel laten
berkisar antara 3 sampai 7

• Discriminant validity
– Direkomendasikan nilai AVE lebih besar dari
0.50.

AVE 
 i
 2

 i   i var( i )
 2

61
GOODNESS OF FIT - OUTER MODEL
Uji yang dilakukan pada outer model refleftif adalah:
• Convergent Validity. Nilai convergen validity adalah nilai loading
faktor pada variabel laten dengan indikator-indikatornya. Nilai yang
diharapkan > 0.7, tetapi untuk penelitian pertama nilai loading di atas
0,5 masih dianggap valid.
• Discriminant Validity. Nilai ini merupakan nilai cross loading faktor
yang berguna untuk mengetahui apakah konstruk memiliki
diskriminan yang memadai yaitu dengan cara membandingkan nilai
loading pada konstruk yang dituju harus lebih besar dibandingkan
dengan nilai loading dengan konstruk yang lain.
• Composite Reliability. Data yang memiliki composite reliability > 0.8
mempunyai reliabilitas yang tinggi.
• Average Variance Extracted (AVE). Nilai AVE yang diharapkan > 0.5.
• Cronbach Alpha. Uji reliabilitas diperkuat dengan Cronbach Alpha.
Nilai diharapkan > 0.6 untuk semua konstruk.

62
GOODNESS OF FIT - OUTER MODEL
Uji yang dilakukan pada outer model formatif adalah:
:
• Significance of weights
• Nilai weight indikator formatif dengan konstruknya harus
signifikan.
• Multicolliniearity
• Uji multicolliniearity dilakukan untuk mengetahui
hubungan antar indikator. Untuk mengetahui apakah
indikator formatif mengalami multicolliniearity dengan
mengetahui nilai VIF. Nilai VIF antara 5 - 10 dapat
dikatakan bahwa indikator tersebut terjadi
multicolliniearity.

63
GOODNESS OF FIT - OUTER MODEL
• Composite reliability
– Nilai batas yang diterima untuk tingkat reliabilitas
komposit (ρc) adalah ≥ 0.7, walaupun bukan
merupakan standar absolut.

(  i ) 2
c 
( i ) 2   i var( i )

64
GOODNESS OF FIT - INNER MODEL
Uji untuk model struktural (inner model) yaitu :
• R Square pada konstruk endogen. Nilai R Square adalah
koefisien determinasi pada konstruk endogen. Nilai R square
sebesar 0.67 (kuat), 0.33 (moderat) dan 0.19 (lemah).
• Estimate for Path Coefficients, merupakan nilai koefisen jalur
atau besarnya hubungan/pengaruh konstruk laten. Dilakukan
dengan prosedur Bootsrapping.
• Effect Size (f square) dilakukan untuk megetahui kebaikan
model.
• Prediction relevance (Q square) atau dikenal dengan Stone-
Geisser's. Uji ini dilakukan untuk mengetahui kapabilitas
prediksi dengan prosedur blinfolding. Apabila nilai yang
didapatkan 0.02 (kecil), 0.15 (sedang) dan 0.35 (besar). Hanya
dapat dilakukan untuk konstruk endogen dengan indikator
reflektif.

65
 GOODNESS OF FIT - INNER MODEL

• Diukur menggunakan Q-Square predictive

relevance
• Rumus Q-Square:
Q2 = 1 – ( 1 – R12) ( 1 – R22 ) ... ( 1- Rp2 )

– dimana R12 , R22 ... Rp2 adalah R-square

variabel endogen dalam model
– Interpretasi Q2 sama dg koefisien determinasi
total pada analisis jalur (mirip dengan R2 pada
regresi)
66
 LANGKAH KE-7
PENGUJIAN HIPOTESIS
• Hipotesis statistik untuk outer model:
H0 : λi = 0 lawan
H1 : λi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten eksogen
terhadap endogen:
H0 : γi = 0 lawan
H1 : γi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten endogen
terhadap endogen:
H0 : βi = 0 lawan
H1 : βi ≠ 0
• Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan
• Outter model signifikan: indikator bersifat valid
• Inner model signifikan: terdapat pengaruh signifikan
• PLS tidak mengasumsikan data berdistribusi normal:
menggunakan teknik resampling dengan metode Bootstrap
67
PENGARUH PENGALAMAN KERJA DAN
PELATIHAN TERHADAP KINERJA AUDITOR

Buka program Smart PLS, maka akan muncul

Window Smart PLS seperti di bawah ini:
Klik menu file untuk membuat model persamaan
struktural untuk variabel-variabel penelitian, dan klik
Create New Project:
Kemudian akan muncul Project PLS, lalu ketik judul
project dengan nama Regresi Berganda kemudian
klik Ok, seperti gambar berikut:
Klik Double-click to import data kemudian pilih file
DataPrimer-PLS1 dalam format csv lalu klik open
seperti gambar di bawah ini:
Kemudian klik Ok pada kotak create project:
Setelah klik Ok, akan muncul conten dari file
tersebut berupa scoring dari setiap indikator
pertanyaan:
Klik Reresi Berganda pada Project Explorer di
kiri atas, secara otomatis akan muncul menu-
menu lengkap dalam PLS terdiri dari File,
View, Selection, Calculate, Info dan ikon-ikon
dari lainnya:
Klik latent variable untuk menggambar
variable-variabel penelitian, lalu klik di window
kosong di bawahnya 3 kali untuk membuat 3
variabel, seperti gambar di bawah ini:
Langkah selanjutnya adalah mengedit nama-nama
variabel disesuaikan dengan nama variabel penelitian,
dengan meng klik gambar panah (Select) di bagian atas,
kemudian klik gambar variabel warna merah di bawahnya,
lalu klik kanan dan akan muncul pilihan sebagai berikut:
Kemudian pilih Rename dan tuliskan variabel
KINERJA AUDITOR kemudian klik Ok
Lakukan langkah yang sama untuk membuat variabel
Pengalaman Kerja dan Pelatihan, hasilnya seperti
gambar berikut:
Langkah berikutnya adalah membuat path atau jalur
untuk setiap variabel, klik tanda pada bagian atas,
kemudian klik pada variabel pengalaman kerja lalu
tarik garis ke variabel kinerja auditor dan klik di
gambar variabel kinerja auditor, lakukan langkah yang
sama untuk variabel lainnya, sehingga hasilnya
seperti gambar di bawah ini:
Kemudian buatlah indikator-indikator untuk setiap variabel
latennya dengan cara meng klik indikator sebelah kiri bawah
dari X1.1-X1.10 (tekan tombol Shift pada X1.1 dan secara
bersamaan tekan kursor ke bawah sampai di X1.10), lalu drug
indikator tersebut ke variabel Pengalaman kerja yang ada dalam
area gambar sehingga terlihat seperti gambar di bawah ini:
Indikator-indikator tersebut bisa dipindahkan letaknya di atas,
bawah kanan ataupun kiri dengan cara menekan tombol kanan
pada variable (laten) lalu tekan Align Indicator Left dan
seterusnya. Lakukan hal yang sama untuk variabel pelatihan
dan kinerja auditor, sehingga terlihat seperti gambar di bawah
ini:
Setelah menggambar model struktural di atas, kemudian
langkah berikutnya adalah menganalisis data dengan
menggunakan software Smart PLS (Partial Least Square),
dengan terlebih dahulu menguji validitas dan reliabilitas variabel-
variabel penelitian. Klik Calculate dan pilih PLS Algoritm
Kemudian klik Start Calculation pada
gambar seperti di bawah ini:
Untuk melihat output uji validitas dan reliabilitas (outer model),
dari hasil output PLS di atas klik Outer Loading untuk hasil uji
validitas dan Contstruct Reliability and Validity untuk hasil
pengujian reliabilitas serta Discriminant Validity untuk melihat
nilai validitas konstruk (AVE). Hasil uji validitas indikator-
indikator pertanyaan bisa juga dilihat dalam gambar Regresi
Berganda:
Berdasarkan nilai factor loading di atas, masih
terdapat faktor loading yang nilainya di bawah 0.5.
Karena memiliki nilai convergent validity yang rendah,
maka indikator-indikator yang memiliki loading factor
di bawah 0.5 tersebut harus di drop. Berdasarkan
output di atas, pada konstruk pengalaman kerja
terdapat dua indikator yang nilai loadingnya di bawah
0.5 yaitu X1.6 dan X1.8. Pada konstruk pelatihan,
terdapat 3 indikator yang nilai loadingnya di bawah
0.5 yaitu X2.5, X2.9 dan X2.10, dan pada konstruk
kinerja auditor terdapat 6 indikator yaitu Y.1, Y.2, Y.4,
Y.5, Y.6 dan Y.8 sehingga indicator-indikator tersebut
harus di drop.
Untuk menghapus indicator-indikator yang memiliki nilai outer
loading di bawah 0,5 yaitu dengan mengklik indicator-indikator yang
disebutkan di atas dengan menekan tombol Ctrl secara bersamaan,
kemudian klik kanan dan tekan Delete.
Setelah indicator-indikator tersebut di drop, analisis ulang
dengan mengklik Calculate dan Start Calculation:
.
• Terlihat hasil uji validitas dari indicator-indikator
pertanyaan tidak ada yang memiliki nilai di bawah 0,5
sehingga indicator tersebut dikatakan valid. Output
lainnya bisa dilihat dari Ms. Excel dengan terlebih
dahulu mengekspor output dari Samrt PLS dengan
cara Klik Export to Excel pada menu SmartPLS
 Pengujian Reliabilitas

Dalam penelitian, suatu variabel dikatakan cukup reliabel bila

variabel tersebut mempunyai nilai construct reliability lebih besar
dari 0,6. Berikut ini adalah tabel hasil pengujian reliabilitas pada
masing-masing variabel penelitian

Composite Cronbachs
Variabel
Reliability Alpha

Pengalaman Kerja (X1) 0. 849 0.813

Pelatihan (X2) 0.857 0.807

Kinerja Auditor (Y) 0.735 0.541

 Pengujian Reliabilitas

• Berdasarkan hasil output reliabilitas diatas, dapat

disimpulkan bahwa untuk variabel pengalaman kerja,
pelatihan dan Kinerja uditor memiliki composite
reliability di atas 0.6 dan cronbachs alpha di atas 0.6
kecuali kinerja auditor 0.541 tetapi masih dianggap
sub marginal dengan melihat nilai composite reliability
sebesar 0.735, sehingga dapat disimpulkan bahwa
indikator-indikator yang digunakan pada masing-
masing variabel mempunyai reliabilitas yang baik atau
mampu untuk mengukur konstruknya.
 Pengujian Reliabilitas

• Berdasarkan hasil output reliabilitas diatas, dapat

disimpulkan bahwa untuk variabel pengalaman kerja,
pelatihan dan Kinerja uditor memiliki composite
reliability di atas 0.6 dan cronbachs alpha di atas 0.6
kecuali kinerja auditor 0.541 tetapi masih dianggap
sub marginal dengan melihat nilai composite reliability
sebesar 0.735, sehingga dapat disimpulkan bahwa
indikator-indikator yang digunakan pada masing-
masing variabel mempunyai reliabilitas yang baik atau
mampu untuk mengukur konstruknya.
 Evaluasi Goodness of Fit Model Struktural
(Inner Model)

Evaluasi goodness of fit model penelitian diukur dengan

menggunakan nilai R-Square (R2). Nilai R-Square (R2)
pada output SPSS adalah 0,570 dan nilai Adjusted R-
Square (Adj-R2) sebesar 0,538. Artinya model kinerja
auditor dijelaskan oleh pengalaman kerja dan pelatihan
sebesar 57% sisanya dijelaskan oleh variable lainnya
diluar model penelitian.

92
 PENGUJIAN HIPOTESIS

Pada file Regresi Berganda, klik Calculate lalu tekan

Bootstrapping

93
 PENGUJIAN HIPOTESIS

Pada Test Type pilih One Tailed dengan Significance Level

0.05, lalu klik Start Calculation

94
 PENGUJIAN HIPOTESIS

• Berikut ini adalah gambar yang menjelaskan diagram jalur

untuk pengujian hipotesis:

95
 PENGUJIAN HIPOTESIS

Output uji hipotesis SmartPLS:

96
 PENGUJIAN HIPOTESIS

Output uji hipotesis SmartPLS:

97
 PENGUJIAN HIPOTESIS

Berdasarkan diagram path dan output pengujian

hipotesis di atas, semua indikator pada masing-
masing variabel mempunyai nilai tstatistics lebih besar
dari 1.96 (t tabel) sehingga indikator-indikator tersebut
mampu mengukur setiap konstruknya. Sedangkan
untuk menguji hubungan antar variabel (uji hipotesis),
maka digunakan nilai tstatistik dari output Smart PLS
yang dibandingkan dengan nilai ttabel ataupun dengan
melihat nilai signifikansinya dari P-Value. Berikut ini
adalah tabel yang memberikan hasil hubungan antar
konstruk (variabel).

98
 PENGUJIAN HIPOTESIS

Tabel 13.2. Pengujian Hipotesis

Koefisien
Pengaruh Antar Variabel t Statistics Keterangan
Parameter

Pengalaman Kerja -> Kinerja

0.254 1.362 Signifikan*
Auditor

Pelatihan -> Kinerja Auditor 0.590 3.144 Signifikan**

99
MODEL INTERVENING

100
MODEL MODERATING

101
MODEL SECOND ORDER CONFIRMATORY

102