PASCAL SMART CONSULTING
Jasa konsultan statistik untuk riset, survey, penelitian dll
SMARTER CHOICE FOR SMARTER PERSON

Jl. Flamboyan No. 22 Sampangan
Semarang 50236 Telp. 0817 9517473
Kami menyediakan layanan jasa bantuan untuk melakukan analisis data atau survey sesuai dengan apa yang anda inginkan. Kami tidak hanya mengolah data saja tetapi juga menginterpretasikan dan lebih lagi, kami akan membuat anda mengerti tentang makna statistik, paling tidak yang sesuai dengan apa yang anda perlukan.

Layanan yang kami berikan bisa anda aplikasikan untuk keperluan penelitian, studi S1, S2 atau S3, survey, pengambilan keputusan dalam perusahaan, atau dukungan data untuk presentasi bahkan untuk suksesi atau survey caleg, elektabilitas caleg dan sebagainya. Sebenarnya kami yakin bahwa sebenarnya anda sendiri mampu untuk menyelesaikan permasalahan Anda, akan tetapi kami akan membantu mempermudahnya sehingga Anda mempunyai banyak waktu untuk keperluan lain. Jika Anda mengalami kesulitan, maka kami akan dengan senang hati memberikan bantuan.

Anda bisa lebih mengenal kami dengan menyimak isi dari web ini. Ada ratusan bahkan ribuan pertanyaan yang telah masuk ke situs ini dan tentunya dengan tanggapan yang terbatas dari kami.

Jika Anda tertarik untuk menggunakan jasa analisis data silahkan isi formulir berikut: (untuk Semarang dan sekitarnya silahkan isi formulir di sini)

Simulasi Regresi Linear Berganda 03

A. Uji Asumsi Klasik
Model regresi yang digunakan pada awalnya adalah sebagai berikut:

Penjualan Emas = a + b1 Inflasi + b2 Harga emas + b3 Nilai tukar rupiah + b4 BI Rate + e

Model di atas dilakukan uji asumsi klasik, yang meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.

1. Uji Normalitas
Hasil uji normalitas menunjukkan bahwa nilai-nilai sebaran data terletak disekitar garis diagonal pada grafik Normal P-P Plot of Regression Standardized Residual. Terlihat bahwa sebaran data pada grafik bisa dikatakan tersebar disekeliling garis diagonal atau tidak terpencar jauh dari garis diagonal. Dengan demikian dapat disimpulkan bahwa persyaratan normalitas bisa dipenuhi.
Gambar 6
Uji Normalitas dengan P Plot

Jika digunakan uji normalitas grafik dengan histogram, maka memberikan hasil sebagai berikut:

Gambar 7
Uji Normalitas dengan Histogram

Tampak bahwa grafik di atas telah menyerupai bentuk lonceng yang menunjukkan bahwa asumsi normalitas telah terpenuhi. Agar tidak terjadi perbedaan pendapat di antara para pengamat, maka dilakukan uji normalitas secara statistik, yaitu dengan Uji Kolmogorov Smirnov:
Tabel 3
Uji Normalitas dengan Kolmogorov Smirnov

Tampak bahwa nilai signifikansi adalah sebesar 0,642 (> 0,05) yang menunjukkan bahwa residual mempunyai distribusi yang normal. Dengan demikian asumsi normalitas pada model telah terpenuhi.

2. Uji Multikolinearitas
Untuk mendeteksi adanya multikolinearitas dapat dilihat dari hasil Collinearity Statistics pada Tabel di bawah. Dalam Collinearity Statistics, jika nilai Variance Inflation Factor (VIF) lebih besar dari angka 10, maka terjadi multikoliniearitas.
Tabel 4
Uji Multikolinearitas dengan VIF

Nilai VIF dari variabel-variabel bebas tidak ada yang melebihi 10. Nilai VIF yang tertinggi adalah BI Rate yaitu sebesar 7,573. Hasil ini menunjukkan bahwa model telah terbebas dari gangguan multikolinearitas.

3. Uji Heteroskedastisitas
Hasil uji heteroskedastisitas dapat dibaca dari Scatterplot. Berdasarkan Scatterplot menunjukkan bahwa nilai-nilai sebaran data membentuk sebuah pola tertentu, yaitu menyempit pada daerah sebelah kiri, lalu melebar ke arah kanan.
Gambar 8
Uji Heteroskedastisitas dengan Scatterplot

Dicurigai adanya gangguan heteroskedastisitas pada model penelitian. Pengujian dengan metode grafis sering menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain. Dengan demikian, dilakukan uji statistik dengan metode Glejser. Metode Glejser dilakukan dengan meregresikan variabel bebas terhadap nilai absolut residualnya. Gangguan heteroskedastisitas ditemukan dengan adanya signifikansi antara variabel bebas terhadap nilai absolut residualnya. Langkahnya adalah dengan mencari nilai residual pada model regresi di atas, lalu mengambil absolut dari nilai residual tersebut. Kemudian dilakukan regresi antara keempat variabel bebas terhadap nilai absolut residual, yaitu sebagai berikut:
Tabel 5
Uji Heteroskedastisitas dengan Glejser

Tampak bahwa terdapat variabel yang signifikan mempengaruhi nilai absolut residual yaitu Harga Emas pada taraf signifikansi sebesar 5%. Tampak jelas bahwa terdapat gangguan heteroskedastisitas pada model penelitian.

4. Uji Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi digunakan metode Durbin-Watson (DW) yaitu sebagai berikut:
Tabel 6
Uji Autokorelasi dengan Durbin-Watson


Tampak bahwa nilai DW adalah 1,532. Adapun nilai DL untuk model dengan 4 variabel bebas dan 41 data adalah sebesar 1,285 dan nilai DU adalah sebesar 1,721. Dengan demikian tampak jelas bahwa DL < DW < DU (1,285 < 1,532 < 1,721) yang menunjukkan bahwa no decisions.
Kesimpulan uji asumsi klasik adalah bahwa model awal mempunyai gangguan heteroskedastisitas dan tidak ada keputusan apakah terdapat gangguan autokorelasi atau tidak. Upaya perbaikan gangguan heteroskedastisitas dilakukan dengan melakukan transformasi ke dalam bentuk logaritma natural (Ln). Transformasi Ln dapat mengurangi perbedaan varians dari masing-masing variabel sehingga diharapkan model menjadi lebih baik.

Adapun persamaan regresi transformasi adalah sebagai berikut:

Ln_Penjualan Emas = a + b1 Inflasi + b2 Ln_Harga emas + b3 LN_Nilai tukar rupiah + b4 BI Rate + e

Model di atas dilakukan uji asumsi klasik, yang meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.

1. Uji Normalitas Transformasi
Hasil uji normalitas dengan Normal P-P Plot of Regression Standardized Residual dan Histogram memberikan hasil sebagai berikut:

Gambar 9
Uji Normalitas dengan P Plot dan Histogram

Tampak bahwa kedua grafik di atas telah memenuhi asumsi yang diperlukan sehingga diinterpretasikan bahwa model transformasi memenuhi asumsi normalitas. Uji normalitas secara statistik, yaitu dengan Uji Kolmogorov Smirnov memberikan hasil sebagai berikut:
Tabel 8
Uji Normalitas Transformasi dengan Kolmogorov Smirnov 
Tampak bahwa nilai signifikansi adalah sebesar 0,898 (> 0,05) yang menunjukkan bahwa residual mempunyai distribusi yang normal. Dengan demikian asumsi normalitas pada model telah terpenuhi.

2. Uji Multikolinearitas
Uji multikolinearitas dengan VIF untuk model transformasi memberikan hasil sebagai berikut:
Tabel 9
Uji Multikolinearitas dengan VIF

Tampak bahwa tidak ada Nilai VIF dari variabel-variabel bebas yang melebihi 10. Nilai VIF yang tertinggi adalah BI Rate yaitu sebesar 8,149. Hasil ini menunjukkan bahwa model telah terbebas dari gangguan multikolinearitas.

3. Uji Heteroskedastisitas
Uji heteroskedastisitas model transformasi dengan Scatterplot memberikan hasil sebagai berikut:

Gambar 10
Uji Heteroskedastisitas Transformasi dengan Scatterplot

Tampak bahwa titik-titik pada grafik relatif menyebar secara merata dan tidak memberikan pola tertentu. Berarti tidak terdapat gangguan heteroskedastisitas pada model penelitian. Untuk memperkuat hasil tersebut, uji Glejser memberikan hasil sebagai berikut:
Tabel 10
Uji Heteroskedastisitas Transformasi dengan Glejser

Tampak bahwa tidak terdapat variabel yang signifikan mempengaruhi nilai absolut residual pada taraf signifikansi sebesar 5%. Tampak jelas bahwa tidak terdapat gangguan heteroskedastisitas pada model penelitian.

4. Uji Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi digunakan metode Durbin-Watson (DW) yaitu sebagai berikut:
Tabel 11
Uji Autokorelasi dengan Durbin-Watson
Tampak bahwa nilai DW adalah 1,756. Karena nilai DL dan DU tetap maka tampak jelas bahwa DU < DW < 4-DU (1,721 < 1,756 < 2,279 ) yang menunjukkan bahwa tidak terdapat gangguan autokorelasi.

Dengan demikian tampak bahwa dengan mentransformasikan variabel harga emas, nilai tukar rupiah dan penjualan emas, maka gangguan dapat diatasi, dan model dapat diinterpretasikan.

B. Uji F
Uji F digunakan untuk mengetahui apakah ada pengaruh/hubungan antara variabel independen secara bersama-sama terhadap variabel dependennya. Berikut adalah hasil perhitungan nilai F pada model penelitian yang telah ditransformasikan:
Tabel 12
Uji F

Tampak bahwa nilai Signifikansi adalah sebesar 0,000 < 0,05 yang menunjukkan bahwa variabel inflasi, harga emas, nilai tukar rupiah dan BI Rate secara serempak mempunyai pengaruh yang signifikan terhadap penjualan emas.

C. Koefisien Korelasi dan Determinasi
Koefisien korelasi (R) dan Determinasi (Adjusted R Square) yang didapat dari uji regresi linier berganda sebagaimana terlihat pada Tabel 13 di bawah:
Tabel 13
Korelasi dan Koefisien Determinasi

Tampak bahwa nilai R adalah sebesar 0,962 dan nilai koefisien determinasi adalah 0,918. Berarti 91,8% variasi perubahan dari variabel dependen (Penjualan emas) dapat dijelaskan oleh variasi perubahan variabel-variabel independen (inflasi, harga emas, nilai tukar rupiah dan BI Rate) dalam model. Sedangkan sisanya sebesar 8,2% dipengaruhi oleh variabel lain yang berada diluar persamaan (model) atau yang tidak diteliti.

D. Uji Koefisien Regresi secara individual (Uji t)
Uji t digunakan untuk mengetahui apakah masing-masing variabel independen mempunyai pengaruh secara signifikan terhadap variabel dependennya. Berikut adalah nilai parameter t hitung dan signifikansi pada model penelitian ini:
Tabel 14
Uji t

Jika disusun persamaan regresi, maka berdasarkan koefisien di atas berikut adalah persamaan regresi:

Ln_Penjualan Emas = -25,529 + 0,054 Inflasi + 4,104 Ln_Harga Emas + 1,376 Ln_ Nilai Tukar Rupiah – 0,907 BI Rate + e

Berdasarkan nilai standardized coefficients, maka nilai yang terbesar adalah harga emas yaitu sebesar 0,656. Dengan demikian, harga emas merupakan variabel yang paling dominan dalam mempengaruhi penjualan emas dibandingkan tiga variabel yang lain. Variabel yang paling tidak dominan dalam mempengaruhi penjualan emas adalah variabel nilai tukar rupiah karena mempunyai nilai absolut terendah, yaitu 0,0851.

Uji hipotesis (uji t) dilakukan dengan melihat nilai signifikansi pada tabel di atas. Tampak bahwa yang mempunyai pengaruh signifikan terhadap penjualan emas adalah variabel harga emas dan BI Rate. Variabel harga emas berpengaruh positif dan signifikan terhadap penjualan emas (t hitung 7,239; Sig. 0,00). Berarti semakin tinggi harga emas, maka semakin tinggi pula penjualan emas.

Sedangkan variabel BI Rate berpengaruh negatif dan signifikan terhadap penjualan emas (t hitung = -4,256; Sig. 0,00). Berarti semakin tinggi BI Rate maka semakin rendah penjualan emas, dan sebaliknya, semakin rendah BI Rate maka semakin tinggi penjualan emas.

Humor Statistik: Statistik Kecelakaan

Seorang mahasiswa statistik selalu mengendarai mobil dengan kecepatan sangat tinggi ketika melewati sebuah perempatan jalan. Temannya bertanya:

"Hei, mengapa kamu selalu ngebut kalo lewat perempatan situ?"
Jawabnya:
"Heh...loh tau kagak. Statistik kecelakaan di perempatan itu tinggi sekali. Paling tinggi di seluruh kota ini. Makanya gua kagak mau lama2 di situ!!

Baca humor statistik yang lain

Statistik adalah Seni (?)

Melihat dari judulnya saja, mungkin sudah kelihatan aneh. Statistik, biasanya sangat terkait dengan data yang relatif rumit dan seni, biasanya berkaitan dengan sesuatu yang indah. Agak bertolak belakang. Akan tetapi, bisa juga itu merupakan ungkapan yang latah, karena banyak juga ungkapan yang serupa, misalnya sepak bola adalah seni, atau bahkan, seni berperang!!

Setidaknya, berkaitan dengan normalitas, Wilfrid J. Dixon dan Frank J. Massey, Jr dalam bukunya Pengantar Analisis Statistik (1997) terjemahan oleh Sri Kustamini Samiyono dan Zanzawi Soejoeti, halaman 483 menulis: Pemilihan metode untuk …….., sampai saat ini tetap merupakan suatu seni.

Ungkapan itu memang tidak mewakili semua pendapat para pakar statistik, tapi setidaknya, ada yang menganggap bahwa statistik tetap merupakan sesuatu yang indah. Mungkin benar mungkin tidak, tapi Einstein juga pernah mengatakan bahwa ada hubungan antara matematika dengan musik. Atau mungkin ungkapan Pythagoras yang mengatakan bahwa harmoni dalam nada selaras dengan harmoni angka-angka dalam matematika.

Bagaimana dengan Anda?




Hubungi kami jika Anda memerlukan bantuan layanan analisis data.

Simulasi SmartPLS untuk Bidang Pertambangan

Outer Model
Outer model pada prinsipnya adalah melakukan analisis terhadap model pengukuran. Atau secara sederhana, apakah indikator yang dipergunakan untuk mengukur suatu konstruk valid atau tidak, reliabel atau tidak. Ukurannya relatif banyak, meskipun tidak sebanyak pada SEM berbasis covariance. Asumsi yang harus dipenuhi pada PLS tidak sebanyak asumsi yang harus dipenuhi pada SEM berbasis covariance. Untuk penggambaran model penelitian adalah sebagai berikut:

Gambar 1
Path Diagram
Gambar di atas menunjukkan bahwa konstruk Sesar hanya diukur dengan 1 indikator yaitu S (X1). Jika dengan AMOS dapat digambarkan langsung dengan kotak, maka untuk SmartPLS tidak tersedia menu itu sehingga tetap harus digambar dengan ellips dan ada 1 indikator. Hal serupa juga tampak pada konstruk Volume dengan 1 indikator yaitu V (Y). Konstruk Cleat diukur dengan 4 indikator yaitu X2, X3, X4 dan X5; sedangkan konstruk Reservoir diukur dengan 2 konstruk yaitu X6 dan X7.
Arah anak panah antara Sesar kepada Cleat menunjukkan pengaruh yang akan diestimasi pada model penelitian. Demikian juga anak panah antara Sesar dan Cleat terhadap Reservoir dan juga antara Sesar, Cleat dan Reservoir terhadap Volume. Setelah dilakukan running program maka diperoleh hasil sebagai berikut:


Gambar 2
Path Diagram Outer Model
Pada anak panah antara Sesar kepada S(X1) terdapat angka 1, yaitu loading factor indikator S(X1) terhadap konstruk Sesar. Ini terjadi karena hanya diukur dengan 1 indikator. Hal serupa juga tampak pada indikator V(Y) terhadap Volume. 

Uji Validitas
Uji validitas pada prinsipnya untuk melihat apakah indikator mampu membentuk konstruk yang dituju dengan baik. Untuk konstruk Cleat, maka loading factor indikator X2 adalah 0,871, indikator X3 adalah 0,911, X4 adalah (-)0,866 dan untuk indikator X5 adalah 0,723. Nilai yang disarankan adalah di atas 0,5 meskipun masih ditolerir untuk nilai di atas 0,4. (nilai rujukan ini bisa diperoleh di buku tentang SmartPLS atau PLS misalnya dari Imam Ghozali, atau Chin atau yang lain yang ada). Untuk konstruk Reservoir indikator X6 mempunyai loading factor 0,989 dan X7 juga sebesar 0,989.
Angka tersebut juga ditampilkan dalam tabel output yaitu sebagai berikut:
Tabel 1
Outer Model (Weights or Loading)

  Cleat Reservoir       Sesar        Volume
S(X1)            1.000000  
   V(Y)                             1.000000
X2     0.870717  
X3     0.910999  
X4        -0.865614  
X5     0.722754  
X6                                   0.988543  
X7                                 0.988613  

Hal yang perlu diperhatikan adalah bahwa nilai loading factor X4 adalah negatif yang berarti berkorelasi negatif dengan konstruk yang dituju yaitu Cleat. Oleh karena itu, nilai data pada indikator X4 dibalik atau Reserve untuk mendapatkan hasil korelasi yang positif, agar model pengukuran menjadi lebih baik. Dengan melakukan reserve pada data X4 maka diperoleh hasil sebagai berikut:

Gambar 3
Path Diagram Outer Model Reserve X4
Tampak bahwa terjadi perubahan loading factor pada X4 menjadi 0,866 yang nilainya sudah di atas 0,5. Sedangkan secara keseluruhan, loading factor adalah sebagai berikut:
Tabel 2
Outer Model (Weights or Loading) Reserve
  Cleat         Reservoir            Sesar         Volume
S(X1)         1.000000  
V(Y)                                     1.000000
X2 0.870717  
X3 0.910999  
X4 0.865614  
X5 0.722754  
X6                      0.988543  
X7                         0.988613  

Hal ini menunjukkan bahwa model pengukuran sudah fit dan pengujian bisa dilanjutkan.
Metode lain untuk melihat discriminant validity adalah dengan melihat nilai square root of average variance extracted (AVE). Nilai yang disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:
Tabel 3
AVERAGE VARIANCE EXTRACTED (AVE)
       AVE
Cleat 0.7149
Reservoir 0.9773
Sesar 1.0000
Volume 1.0000

Nilai yang disarankan adalah di atas 0,5. Tabel di atas memberikan nilai AVE di atas 0,5 untuk konstruk Cleat dan Reservoir. Hal ini menunjukkan bahwa indikator-indikator tersebut sudah valid membentuk konstruk yang dituju. Sedangkan untuk Sesar dan Volume, karena hanya dibentuk dari 1 indikator maka nilai AVE adalah 1.
Uji validitas yang bisa digunakan adalah cross loading. Pada uji ini, setiap indikator diharapkan mempunyai loading factor terbesar kepada konstruk yang dituju dari pada kepada konstruk yang lain. Berikut adalah hasil uji cross loading
Tabel 4
CROSS LOADING
                                                           Cleat  Reservoir     Sesar Volume
                                                 S(X1) -0.6699  -0.5625 1.0000 0.6083
                                                V(Y) -0.5973  -0.6134 0.6083 1.0000
                                                X2        0.8707   0.7177 -0.5384 -0.5760
                                                X3        0.9110   0.7453 -0.6347 -0.4384
                                                X4        0.8656   0.8863 -0.6154 -0.5042
                                                X5        0.7228   0.6973 -0.4630 -0.5021
                                                X6       0.9071   0.9885 -0.5540 -0.5859
                                                X7       0.8851   0.9886 -0.5582 -0.6268

Cross loading kurang lebih berguna untuk melihat suatu indikator, apakah indikator tersebut mempunyai loading factor tertinggi kepada konstruk yang dituju atau ada yang lebih tinggi kepada konstruk yang lain. Sebagai ilustrasi, indikator X1 mempunyai loading factor 1,00 kepada konstruk Sesar yang nilainya lebih tinggi dibandingkan loading factor kepada konstruk yang lain. Demikian juga dengan indikator V (Y) dengan nilai 1. Indikator X2 mempunyai loading factor 0,8707 yang nilainya lebih tinggi dari pada loading factor kepada konstruk Reservoir yaitu 0,7177 atau kepada konstruk Sesar yaitu sebesar -0,5384 atau juga kepada kosntruk Volume yaitu sebesar -0,5670. Cross loading digunakan untuk melihat bahwa indikator tersebut adalah paling tinggi kontribusinya kepada konstruk yang dituju dibandingkan kepada konstruk yang lain.
Hasil serupa juga tampak pada indikator X3, X5, X6 dan juga X7. Untuk X4 nilai loading factor kepada konstruk lain yaitu Reservoir (0,8863) ternyata lebih tinggi dibandingkan kepada konstruk Cleat (0,8656). Akan tetapi nilainya relatif dekat, sehingga ini bisa dikarenakan proses statistik bootstrapping saja. Atau apakah ada teori yang menyatakan bahwa indikator X4 merupakan indikator Reservoir? Jika ada bisa dilakukan perpindahan indikator X4 ke konstruk Reservoir, atau kepada dua konstruk sekaligus, yaitu Cleat dan Reservoir. Jika tidak ada teori yang mendukung, maka tetap seperti ini saja, karena selisihnya relatif kecil.

Uji Reliabilitas
Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok indikator yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai yang memuaskan jika di atas 0,7. Berikut adalah nilai composite reliability pada output:
Tabel 5
COMPOSITE RELIABILITY
                         Composite Reliability
Cleat 0.9088
Reservoir 0.9885
Sesar 1.0000
Volume 1.0000

Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk adalah di atas 0,7 yang menunjukkan bahwa semua konstruk pada model yang diestimasi memenuhi kriteria discriminant validity.
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 6
CRONBACH’S ALPHA
                            Cronbachs Alpha
Quality Culture 0.8642
TQM        0.9768
Sesar       1.0000
Volume       1.0000

Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa nilai Cronbach’s Alpha untuk semua kontruk berada di atas 0,6.

Pengujian Model Struktural (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Adapun output Bootstrapping adalah sebagai berikut:

Gambar 4
Full Model Bootstrapping

Angka yang tercantum pada diagram adalah t hitung. Tampak pada gambar di atas, bahwa nilai t hitung untuk semua anak panah di atas 1,96 yang menunjukkan bahwa semua dimensi telah signifikan dalam membentuk konstruk yang dituju. Yang agak mengherankan adalah t hitung untuk X6 dan X7 yang nilainya sangat besar sekali. Just curious, apakah ada persamaan yang menghubungkan antara X6 dan X7? Jika memang ada, maka keduanya tidak bisa dijadikan indikator yang berbeda. Sedangkan jika dalam output, maka tabelnya adalah sebagai berikut:

Tabel 7
T HITUNG INDIKATOR
                                       Cleat           Reservoir Sesar Volume
S(X1)       
V(Y)  
        X2    37.017295  
   X3   54.957414  
   X4  51.537574  
   X5  13.069027  
   X6                     520.446775  
        X7            502.558842  

Tampak bahwa nilai t hitung semua indikator telah berada di atas 1,96 yang berarti mempunyai signifikansi terhadap konstruk yang dituju. Sedangkan untuk t hitung antar konstruk adalah sebagai berikut:
Tabel 8
T HITUNG ANTAR KONSTRUK
                        Original Sample Sample Mean Standard Deviation Standard Error (STERR) T Statistics 
 Cleat -> Reservoir   0.9607       0.9620      0.0233           0.0233                 41.3164
    Cleat -> Volume   0.1446      0.1445      0.2022                  0.2022                  0.7151
Reservoir -> Volume-0.5088      -0.5137     0.1705              0.1705              2.9831
     Sesar -> Cleat     -0.6699     -0.6753     0.0383              0.0383              17.5018
 Sesar -> Reservoir   0.0811      0.0805      0.0319              0.0319               2.5410
    Sesar -> Volume  0.4190      0.4091      0.1150              0.1150              3.6438

Kolom paling kiri menggambarkan pengaruh antara dua konstruk. Kolom Original Sampel (O) adalah nilai koefisien regresi seperti yang sudah kita kenal. Sampel Mean (M) adalah nilai bootstrapping, sehingga nilainya diharapkan sama dengan O atau setidaknya mendekati. Standard Deviation adalah Standar deviasi, seperti yang sudah kita kenal dan Standard Error (STERR) adalah nilai bootstrapping sehingga diharapkan nilainya sama atau dekat sekali dengan STDEV. Nilai t hitung sebenarnya adalah O/STERR. 
T hitung di atas adalah di atas 1,96 untuk semua pengaruh kecuali antara Cleat terhadap Volume yaitu 0,7151 < 1,96. Berarti secara langsung, tidak ada pengaruh antara Cleat terhadap Volume.
Tanda + atau – pada O menggambarkan pengaruh positif atau negatif. Jadi Resevoir terhadap Volume berpengaruh negatif demikian juga, Sesar terhadap Cleat juga berpengaruh negatif dan signifikan.
Salah satu keunggulan SEM adalah bisa melihat pengaruh total (total effect) dari suatu model yang relatif rumit. Adapun hasilnya adalah sebagai berikut:
Tabel 9
T HITUNG ANTAR KONSTRUK TOTAL
                  Original Sample (O) Sample Mean (M) Standard Deviation (STDEV) Standard Error (STERR) T Statistics (|O/STERR|)
 Cleat -> Reservoir 0.9607 0.9620 0.0233 0.0233 41.3164
    Cleat -> Volume -0.3442 -0.3496 0.0972 0.0972 3.5429
Reservoir -> Volume -0.5088 -0.5137 0.1705 0.1705 2.9831
     Sesar -> Cleat -0.6699 -0.6753 0.0383 0.0383 17.5018
 Sesar -> Reservoir -0.5625 -0.5694 0.0395 0.0395 14.2355
    Sesar -> Volume 0.6083 0.6028 0.0659 0.0659 9.2359

Nilai t hitung pada tabel 8 dengan tabel 9 ada yang sama ada yang tidak. Pengaruh antara Sesar terhadap Cleat (Sesar -> Cleat) adalah dengan t hitung 17,5018, kedua tabel nilainya sama. Demikian juga Cleat terhadap Reservoir dan Reservoir terhadap Volume. Hal itu terjadi karena pengaruh antara kedua konstuk itu adalah pengaruh langsung, dan tidak ada pengaruh tidak langsungnya.
Berbeda halnya dengan Sesar terhadap Reservoir. Ada pengaruh langsungnya, tetapi ada juga pengaruh tidak langsung antara Sesar terhadap Reservoir melalui Cleat. Hal ini menjadikan nilai t hitung antara tabel 8 tidak sama dengan tabel 9. Pengaruh langsung antara Sesar terhadap Reservoir adalah dengan t hitung 2,5410. Akan tetapi, ada juga pengaruh tidak langsungnya melalui Cleat sehingga t hitung total adalah 14,2355.
Demikian juga pengaruh antara Cleat terhadap Volume, bisa secara langsung, bisa juga tidak langsung melalui Reservoir. Sehingga nilai t hitung pada tabel 8 (pengaruh langsung) berbeda dengan t hitung pada tabel 9 (pengaruh total). Pengaruh langsung tidak signifikan, akan tetapi pengaruh totalnya signifikan. 
Demikian juga, pengaruh antara Sesar terhadap Volume, bisa langsung, bisa tidak langsung. Bahkan pengaruh tidak langsung, bisa melalui Cleat, bisa juga melalui Cleat lalu Reservoir, baru Volume. Perhatikan juga tanda + dan – dari masing-masing pengaruh.
Untuk konteks pengaruh secara simultan, sebenarnya PLS tidak mengakomodir hal tersebut. SmartPLS tidak menampilkan nilai F secara langsung, hanya menampilkan nilai R Square, yaitu sebagai berikut:
Tabel 10
R-SQUARE
        R Square
Cleat 0.448710
Reservoir 0.825271
Sesar  
Volume 0.480605

Nilai R Square sebenarnya menggambarkan seberapa besar kemampuan variabel bebas dalam menjelaskan variabel terikat. Konstruk Sesar tidak mempunyai R Square karena tidak diprediksi oleh konstruk yang lain. Cleat mempunyai R Square sebesar 0,44871 berarti Sesar mampu menjelaskan variasi dari Cleat sebesar 44,871% di mana sisanya yaitu sebesar 55,129% dijelaskan oleh faktor selain Sesar (Bisa ditambahkan secara teori, apa saja itu).
Demikian juga, Reservoir mempunyai R Square sebesar 0,825271 berarti Sesar dan Cleat mampu menjelaskan varians Reservoir sebesar 82,527% di mana selebihnya yaitu sebesar 17,473% dijelaskan oleh faktor lain. Sedangkan Volume mampu dijelaskan oleh Cleat, Reservoir dan Volume sebesar 48,061% dan sisanya yaitu sebesar 51,939% dijelaskan oleh faktor yang lain.


Tentang Kami


PASCAL SMART CONSULTING
Jasa konsultan statistik untuk riset, survey, penelitian dll
SMARTER CHOICE FOR SMARTER PERSON

Jl. Flamboyan No. 22 Sampangan

Semarang 50236 Telp. 0817 9517473


Kami menyediakan layanan jasa bantuan untuk melakukan analisis data atau survey sesuai dengan apa yang anda inginkan. Kami tidak hanya mengolah data saja tetapi juga menginterpretasikan dan lebih lagi, kami akan membuat anda mengerti tentang makna statistik, paling tidak yang sesuai dengan apa yang anda perlukan.

Layanan yang kami berikan bisa anda aplikasikan untuk keperluan penelitian, studi S1, S2 atau S3, survey, pengambilan keputusan dalam perusahaan, atau dukungan data untuk presentasi bahkan untuk suksesi atau survey caleg, elektabilitas caleg dan sebagainya. Sebenarnya kami yakin bahwa sebenarnya anda sendiri mampu untuk menyelesaikan permasalahan Anda, akan tetapi kami akan membantu mempermudahnya sehingga Anda mempunyai banyak waktu untuk keperluan lain. Jika Anda mengalami kesulitan, maka kami akan dengan senang hati memberikan bantuan.

Anda bisa lebih mengenal kami dengan menyimak isi dari web ini. Ada ratusan bahkan ribuan pertanyaan yang telah masuk ke situs ini dan tentunya dengan tanggapan yang terbatas dari kami.

Jika Anda tertarik untuk menggunakan jasa analisis data silahkan isi formulir berikut: (untuk Semarang dan sekitarnya silahkan isi formulir di sini)

Cari Materi

Memuat...