Tampilkan postingan dengan label Partial Least Square. Tampilkan semua postingan
Tampilkan postingan dengan label Partial Least Square. Tampilkan semua postingan

Simulasi SmartPLS (Structural Equation Modeling berbasis Variance)

Pengujian hipotesis dalam penelitian ini menggunakan metode Partial Least Square (PLS). PLS merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat diestimasi dengan jumlah sampel yang relatif kecil. Alat bantu yang digunakan berupa program SmartPLS Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance. Program SmartPLS Versi 2 dapat diperoleh secara gratis di www.smartpls.com. Model struktural dalam penelitian ini ditampilkan pada Gambar 1 di bawah.
Gambar 1
MODEL STRUKTURAL
MODEL STRUKTURAL
Gambar tersebut menunjukkan bahwa konstruk Kepemimpinan (KM) diukur dengan 5 buah indikator yaitu KM1, KM2, KM3, KM4 dan KM5. Demikian juga konstruk Budaya Organisasi (BO) diukur dengan 3 indikator yaitu BO1, BO2 dan BO3, konstruk Motivasi (MT) diukur dengan 3 indikator yaitu MT1, MT2 dan MT3 dan kontruk Kinerja Pegawai (KP) diukur dengan 6 indikator yaitu KP1, KP2, KP3,KP4, KP5 dan KP6. Arah panah antara indikator dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian menggunakan indikator reflektif yang relatif sesuai untuk mengukur persepsi. Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk.


A.    Evaluasi Measurement (Outer) Model

1.      Uji Validitas

Suatu indikator dinyatakan valid jika mempunyai loading factor  di atas 0,5 terhadap konstruk yang dituju. Output SmartPLS untuk loading factor memberikan hasil sebagai berikut:
Tabel 1
Result for Outer Loading
 
BO
KM
KP
MT
BO1
0.89335
 
 

BO2
0.82232
 
 

BO3
0.84462
 
 

KM1
 
0.78001
 

KM2
 
0.84287
 

KM3
 
0.76889
 

KM4
 
0.80161
 

KM5
 
0.82647
 

KP1
 
 
0.70015

KP2
 
 
0.74459

KP3
 
 
0.74555

KP4
 
 
0.74742

KP5
 
 
0.78854

KP6
 
 
0.74880

MT1
 
 
 
0.78258
MT2
 
 
 
0.86810
MT3
 
 
 
0.80563

Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item dengan skor konstruknya. Pengukuran dengan indikator reflektif menunjukkan adanya perubahan pada suatu indikator dalam suatu konstruk jika indikator lain pada konstruk yang sama berubah (atau dikeluarkan dari model). Indikator reflektif cocok digunakan untuk mengukur persepsi sehingga penelitian ini menggunakan indikator reflektif. Tabel di atas menunjukkan bahwa loading factor memberikan nilai di atas nilai yang disarankan yaitu sebesar 0,5. Nilai paling kecil adalah sebesar 0,70015 untuk indikator KP1. Berarti indikator yang dipergunakan dalam penelitian ini adalah valid atau telah memenuhi convergent validity. Berikut adalah diagram loading factor masing-masing indikator dalam model penelitian:
Gambar 2
NILAI LOADING FACTOR
NILAI LOADING FACTOR
Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross loading sebagai berikut:
 
Tabel 2
Result for Cross Loading
 
BO
KM
KP
MT
BO1
0.89335
0.63664
0.62885
0.49597
BO2
0.82232
0.65175
0.65580
0.53919
BO3
0.84462
0.61946
0.57426
0.60406
KM1
0.62461
0.78001
0.65380
0.54003
KM2
0.68888
0.84287
0.58820
0.51648
KM3
0.44786
0.76889
0.47245
0.50685
KM4
0.62650
0.80161
0.58733
0.61814
KM5
0.58046
0.82647
0.56924
0.52591
KP1
0.47064
0.45977
0.70015
0.56813
KP2
0.64951
0.75447
0.74459
0.66285
KP3
0.39754
0.40267
0.74555
0.41818
KP4
0.38730
0.35028
0.74742
0.35960
KP5
0.62638
0.51969
0.78854
0.48857
KP6
0.59890
0.57461
0.74880
0.60346
MT1
0.53108
0.52631
0.63638
0.78258
MT2
0.51768
0.63783
0.59191
0.86810
MT3
0.52699
0.48718
0.53629
0.80563

Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada konstruk yang dituju dibandingkan loading factor kepada konstruk lain. Tabel di atas menunjukkan bahwa loading factor untuk indikator BO (BO1 sampai dengan BO3) mempunyai loading factor kepada konstruk BO lebih tinggi dari pada dengan konstruk yang lain. Sebagai ilustrasi loading factor BO1 kepada BO adalah sebesar 0,89335 yang lebih tinggi dari pada loading factor kepada KM (0,63664), KP (0,62885) dan MT (0,49597). Hal serupa juga tampak pada indikator-indikator yang lain.
Dengan demikian, kontrak laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok yang lain. 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)

Average variance extracted (AVE)
BO
0.729221
KM
0.647136
KP
0.556932
MT
0.671688

Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat pada model penelitian. Nilai terendah AVE adalah sebesar 0,556932 pada konstruk KP (Kinerja Pegawai).

2.      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 4
Composite Reliability

Composite Reliability
BO
0.889739
KM
0.901564
KP
0.882809
MT
0.859663

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. Nilai composite reliability yang terendah adalah sebesar 0,859663 pada konstruk MT (Motivasi).
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 4
Cronbach’s alpha

Cronbachs Alpha
BO
0.813561
KM
0.863653
KP
0.843144
MT
0.754684

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. Nilai terendah adalah sebesar 0,754684 (MT).
Pengukuran Communality dan Redundancy dengan program SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 4.5
communality dan redundancy

Communality
Redundancy
BO
0.729221
0.403785
KM
0.647136

KP
0.556931
0.193178
MT
0.671688
0.201730

Tampak bahwa nilai communality pada semua kontruk di atas 0,5 yang memperkuat hasil pengujian dengan Composite Reliability dan Cronbach’s Alpha. Lebih lanjut, nilai Redundancy BO adalah sebesar 0,403786 yang termasuk tinggi. Juga R untuk KP dan MT di atas 0,15 di mana nilai tersebut adalah masuk pada kategori tinggi.

B.     Pengujian Model Struktural (Inner Model)

Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Berikut adalah nilai R-Square pada konstruk:
Tabel 6
R-Square

R-square
BO
0.556247
KM

KP
0.660472
MT
0.498196

Tabel di atas memberikan nilai 0,556247 untuk konstruk BO yang berarti bahwa KM mampu menjelaskan varians BO sebesar 55,6247%. Nilai R juga terdapat pada KP yang dipengaruhi oleh KM, MT dan BO yaitu sebesar 0,660472 dan MT yang dipengaruhi oleh KM dan BO yaitu sebesar 0,498196. Pengujian hipotesis adalah sebagai berikut:
Tabel 7
UJI HIPOTESIS

Original Sample (O)
Sample Mean (M)
Standard Deviation (STDEV)
Standard Error (STERR)
T Statistics (|O/STERR|)
BO -> KP
0.32109
0.30654
0.11268
0.11268
2.84958
BO -> MT
0.30948
0.31831
0.09762
0.09762
3.17041
KM -> BO
0.74582
0.74832
0.04127
0.04127
18.07381
KM -> KP
0.24342
0.25176
0.09068
0.09068
2.68447
KM -> MT
0.44423
0.43422
0.11648
0.11648
3.81383
MT -> KP
0.34999
0.35972
0.08581
0.08581
4.07855

Tabel di atas menunjukkan bahwa hubungan antara KM dengan KP adalah signifikan dengan T-statistik sebesar 2,68447 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,24342 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H1 dalam penelitian ini yang menyatakan bahwa ‘Kepemimpinan berpengaruh terhadap kinerja pegawai’ diterima
Tabel di atas menunjukkan bahwa hubungan antara BO dengan KP adalah signifikan dengan T-statistik sebesar 2,8496 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,32109 yang menunjukkan bahwa arah hubungan antara BO dengan KP adalah positif. Dengan demikian hipotesis H2 dalam penelitian ini yang menyatakan bahwa ‘Budaya Organisasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara MT dengan KP adalah signifikan dengan T-statistik sebesar 4,07855 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,34999 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif. Dengan demikian hipotesis H3 dalam penelitian ini yang menyatakan bahwa ‘Motivasi berpengaruh terhadap kinerja pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan MT adalah signifikan dengan T-statistik sebesar 3,81383 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,44423 yang menunjukkan bahwa arah hubungan antara KM dengan MT adalah positif. Dengan demikian hipotesis H4 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara BO dengan MT adalah signifikan dengan T-statistik sebesar 3,17041 (> 1,96). Nilai original sample estimate  adalah positif yaitu sebesar 0,30948 yang menunjukkan bahwa arah hubungan antara BO dengan MT adalah positif. Dengan demikian hipotesis H5 dalam penelitian ini yang menyatakan bahwa ’Budaya organisasi berpengaruh terhadap motivasi pegawai’ diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan BO adalah signifikan dengan T-statistik sebesar 18,07381 (> 1,96). Nilai original sample estimate adalah positif yaitu sebesar 0,74582 yang menunjukkan bahwa arah hubungan antara KM dengan BO adalah positif. Dengan demikian hipotesis H6 dalam penelitian ini yang menyatakan bahwa ’Kepemimpinan berpengaruh terhadap budaya organisasi pegawai’ diterima.
Berdasarkan nilai original sample estimate maka diperoleh bahwa nilai tertinggi yang mempengaruhi motivasi (MT) adalah pada kepemimpinan (KM) yaitu sebesar 0,44423. Hal tersebut menunjukkan bahwa kepemimpinan mempunyai pengaruh terhadap motivasi lebih tinggi dari pada pengaruh antara budaya organisasi terhadap motivasi (0,30948). Lebih lanjut, dari tiga variabel yang mempengaruhi kinerja pegawai (KP) secara langsung, yaitu kepemimpinan, budaya organisasi dan motivasi, yang paling besar pengaruhnya adalah motivasi karena mempunyai nilai original sample estimate tertinggi yaitu sebesar 0,34999 dibandingkan dua variabel yang lain. Dengan demikian motivasi merupakan variabel yang paling dominan dalam mempengaruhi kinerja pegawai. Sedangkan variabel yang paling tidak dominan adalah kepemimpinan yaitu dengan original sample estimate terkecil yaitu sebesar 0,24342.
Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi 2:
Gambar 3
OUTPUT BOOTSTRAPPING
OUTPUT BOOTSTRAPPING

Share:

Structral Equation Modeling (SEM) Berbasis Variance

SEM (Structural Equation Modeling) memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikan teori dengan data, dibandingkan teknik multivariate yang berkembang sebelumnya yaitu principal component analysis, factor analysis, discriminant analysis atau multiple regression. Terdapat dua kelompok SEM akhir-akhir ini yaitu, berbasis covariance dan berbasis variance (component).

SEM berdasarkan pada Covariance

SEM berbasis covariance yang berkembang sekitar tahun 1973 mulai menarik perhatian para peneliti setelah keluarnya LISREL III yang dikembangkan oleh Joreskog dan Sorbom. Ide dasarnya adalah dengan menggunakan fungsi Maximum Likelihood (ML) sehingga covariance based SEM (CBSEM) sebenarnya berusaha meminimumkan perbedaan antara sample covariance dan covariance yang diprediksi oleh model teoritis. Penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain.

structural equation modeling berbasis variance dengan SmartPLS Versi 2
Path Diagram dengan SmartPLS
CBSEM sangat dipengaruhi oleh jumlah sampel, karena jumlah sample kecil dapat menghasilkan model yang jelek masih dapat menghasilkan model fit. CBSEM mengharuskan dalam membentuk variabel latent, indikator-indikatornya bersifat refleksif. Dalam model refleksif indikator atau manifest dipandang variabel yang dipengaruhi oleh variabel laten sesuai dengan teori pengukuran classical test theory. Pada model indikator refleksif, indikator-indikator pada satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama.


Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Sebagai ilustrasi indikator pendidikan, pekerjaan dan pendapatan mempengaruhi variabel laten status sosial ekonomi. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula. Kenaikan pada suatu indikator pendapatan akan meningkatkan variabel laten.


Penggunaan model indikator formatif dalam CBSEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan kausalitas model struktural dibangun atas dasar teori dan CBSEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.


Dengan beberapa keterbatasan yang ada maka sekarang banyak yang menggunakan SEM berbasis component atau variance yang terkenal dengan Partial Least Square (PLS).


SEM berbasis component atau variance – PLS

Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.


PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.


Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Anda juga bisa tanya sama Mbah Google :)


Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. Tapi gak tahu lho besok-besok. So, bagi yang butuh buruan aja…..

Update: Sekarang untuk SmartPLS sudah tersedia versi berbayar mulai SmartPLS Versi 3

Share:

Partial Least Square

Akhir-akhir ini, para peneliti mulai menemukan beberapa kesulitan ketika menggunakan metode statistik regresi linear, karena ada beberapa kesulitan metode tersebut yaitu ketika menangani model penelitian yang bertingkat dan rumit. Analisis regresi linear (yang biasanya diolah dengan Program SPSS) mengalami kesulitan ketika harus menguji hipotesis dengan variabel terikat lebih dari satu secara serempak, atau menguji hipotesis bolak-balik (recursive). Pengujian hipotesis juga tidak dilakukan serempak dengan pengujian keabsahan indikator yang dipergunakan untuk mengukur variabel konstruk.
PLS merupakan metode alternatif penyelesaian model bertingkat yang rumit yang tidak mensyaratkan jumlah sampel yang banyak. Di samping itu ada juga beberapa kelebihan PLS yaitu di antaranya akan mempunyai implikasi yang optimal dalam ketepatan prediksi
Path Diagram Partial Least Square dengan SmartPLS
Metode yang digunakan untuk melengkapi kebutuhan tersebut adalah dengan metode model persamaan struktural (Structural Equation Modelling/SEM). Dengan program yang sudah dikenal, misalnya Lisrel atau AMOS, peneliti dapat menguji hipotesis dari suatu model penelitian yang relatif rumit. Program tersebut sering disebut dengan Covariance Based Structural Equation Modelling (CBSEM) yang mensyaratkan jumlah sampel yang relatif banyak (sekitar di atas 100). Beberapa penelitian tidak mempunyai sampel sebanyak itu, sehingga dikembangkan model lain yang berbasis variance, yaitu Partial Least Square (PLS).

PLS merupakan metode alternatif penyelesaian model bertingkat yang rumit yang tidak mensyaratkan jumlah sampel yang banyak. Di samping itu ada juga beberapa kelebihan PLS yaitu di antaranya akan mempunyai implikasi yang optimal dalam ketepatan prediksi. Metode PLS merupakan metode analisis yang powerfull karena tidak mengasumsikan skala pengukuran data dan juga dapat dipergunakan untuk mengkonfirmasikan teori. Beberapa program yang dirancang untuk menyelesaikan PLS adalah SmartPLS, PLSGraph, VPLS atau PLS-GUI.
Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *