Tampilkan postingan dengan label SmartPLS. Tampilkan semua postingan
Tampilkan postingan dengan label SmartPLS. Tampilkan semua postingan

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.

Simulasi SmartPLS pada Actual System Usage

Pengujian hipotesis 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. Simulasi menggunakan alat bantu berupa program SmartPLS Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance. Model struktural dalam penelitian ini ditampilkan pada Gambar 1 di bawah.


Gambar 1 Model Struktural
Gambar tersebut menunjukkan bahwa konstruk computer self efficacy (CSF) diukur dengan 3 buah indikator yaitu CSF1, CSF2 dan CSF3. Demikian juga konstruk Organization factor (OF) diukur dengan 4 indikator yaitu OF1, OF2, OF3 dan OF4, konstruk perceived ease of use (PEOU) diukur dengan 6 indikator yaitu PEOU1, PEOU2, PEOU3, PEOU4, PEOU5 dan PEOU6, konstruk perceive usefulness (PU) diukur dengan 6 indikator yaitu PU1, PU2, PU3, PU4, PU5 dan PU6, konstruk attitude toward using (ATT) diukur dengan 5 indikator yaitu ATT1, ATT2, ATT3, ATT dan ATT5 dan kontruk actual system usage (ASU) diukur dengan 3 indikator yaitu ASU1, ASU2 dan ASU3. Arah panah antara indikator dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian menggunakan indikator reflektif.
Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk. Hipotesis H1a adalah pengaruh antara CSF terhadap PU, hipotesis H1b adalah pengaruh antara CSF terhadap PEOU, hipotesis H2a adalah pengaruh antara OF terhadap PU, hipotesis H2b adalah pengaruh antara OF terhadap PEOU, hipotesis H3a adalah pengaruh antara PEOU terhadap PU, hipotesis H3b adalah pengaruh antara PEOU terhadap ATT, hipotesis H4a adalah pengaruh antara PU terhadap ATT, hipotesis H4b adalah pengaruh antara PU terhadap ASU dan hipotesis H5 adalah pengaruh antara ATT terhadap ASU.

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
ASU
ATT
CSF
OF
PEOU
PU
 ASU1
 0.6510


 ASU2
 0.8973


 ASU3
 0.9018


 ATT1
 0.7202


 ATT2
 0.7273


 ATT3
 0.4959


 ATT4
 0.8581


 ATT5
 0.5218


 CSF1
 0.0000


 CSF2
 0.8724


 CSF3
 0.9333


  OF1
 0.8338


  OF2
 0.3098


  OF3
 0.1103


  OF4
 0.6591


PEOU1
 0.7461

PEOU2
 0.6961

PEOU3
 0.6961

PEOU4
 0.6299

PEOU5
 0.7284

PEOU6
 0.8588

  PU1

 0.8351
  PU2

 0.8382
  PU3

 0.8351
  PU4

 0.7971
  PU5

 0.8085
  PU6

 0.7940

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.
Kriteria yang digunakan adalah di atas 0,5. Tabel di atas menunjukkan bahwa terdapat beberapa indikator yang mempunyai loading factor di bawah 0,5 yaitu indikator ATT3 (0,4959), indikator CSF1 (0,000) indikator OF2 (0,3098) dan indikator OF3 (0,1103). Dengan demikian keempat indikator tersebut dinyatakan tidak valid dan harus dikeluarkan dari model penelitian. Dilakukan uji ulang tanpa keempat indikator tersebut sehingga diperoleh nilai loading factor sebagai berikut:

Tabel 2 Result For Outer Loading (Dropped 4 Indikator)
ASU
ATT
CSF
OF
PEOU
PU
 ASU1
 0.6447


 ASU2
 0.8993


 ASU3
 0.9042


 ATT1
 0.7460


 ATT2
 0.7410


 ATT4
 0.8543


 ATT5
 0.5528


 CSF2
 0.8724


 CSF3
 0.9333


  OF1
 0.8710


  OF4
 0.6435


PEOU1
 0.7468

PEOU2
 0.6969

PEOU3
 0.6969

PEOU4
 0.6299

PEOU5
 0.7275

PEOU6
 0.8581

  PU1

 0.8368
  PU2

 0.8367
  PU3

 0.8368
  PU4

 0.7955
  PU5

 0.8080
  PU6

 0.7941

Tabel di atas menunjukkan bahwa dengan mengeluarkan 4 indikator maka semua loading factor mempunyai nilai di atas 0,5.



 Gambar 2 Nilai Loading Factor
Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross loading sebagai berikut:
Tabel 3 Resulit for Cross Loading (Dropped 4 Indikator)
ASU
ATT
CSF
OF
PEOU
PU
 ASU1
 0.6447
 0.7279
 0.4660
 0.2272
 0.3817
 0.4790
 ASU2
 0.8993
 0.5648
 0.7076
 0.3810
 0.6028
 0.8025
 ASU3
 0.9042
 0.5949
 0.8053
 0.3396
 0.6458
 0.8363
 ATT1
 0.4841
 0.7460
 0.5430
 0.3744
 0.5781
 0.5852
 ATT2
 0.4803
 0.7410
 0.5639
 0.2624
 0.4284
 0.5762
 ATT4
 0.7790
 0.8543
 0.6015
 0.3500
 0.4984
 0.6486
 ATT5
 0.2996
 0.5528
 0.3027
 0.0146
 0.3335
 0.2799
 CSF2
 0.6335
 0.6160
 0.8724
 0.4836
 0.5627
 0.7235
 CSF3
 0.8203
 0.6621
 0.9333
 0.4737
 0.8799
 0.8805
  OF1
 0.3557
 0.3669
 0.4603
 0.8710
 0.3050
 0.4051
  OF4
 0.2256
 0.1876
 0.3362
 0.6435
 0.1875
 0.2662
PEOU1
 0.3175
 0.3102
 0.5340
 0.2128
 0.7468
 0.5275
PEOU2
 0.4315
 0.4042
 0.4201
 0.1113
 0.6969
 0.5096
PEOU3
 0.4315
 0.4042
 0.4201
 0.1113
 0.6969
 0.5096
PEOU4
 0.5117
 0.5554
 0.6287
 0.3737
 0.6299
 0.5670
PEOU5
 0.5106
 0.4712
 0.5739
 0.1005
 0.7275
 0.5951
PEOU6
 0.6555
 0.5627
 0.8727
 0.4297
 0.8581
 0.7481
  PU1
 0.6413
 0.6633
 0.7459
 0.3802
 0.7114
 0.8368
  PU2
 0.8272
 0.6117
 0.7345
 0.4141
 0.6379
 0.8367
  PU3
 0.6413
 0.6633
 0.7459
 0.3802
 0.7114
 0.8368
  PU4
 0.8272
 0.5430
 0.7020
 0.3616
 0.6186
 0.7955
  PU5
 0.6059
 0.4770
 0.6591
 0.1945
 0.6357
 0.8080
  PU6
 0.7330
 0.6709
 0.8010
 0.4395
 0.6390
 0.7941

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 ASU1 mempunyai loading factor kepada ASU sebesar 0,6447 yang ternyata lebih rendah dari pada loading factor kepada ATT yaitu sebesar 0,7279. Demikian juga indikator PU4 mempunyai loading factor kepada PU sebesar 0,7955 yang lebih rendah dari pada loading factor kepada ASU yaitu sebesar 0,8272.
Dengan men-drop kedua indikator tersebut maka diperoleh nilai cross loading sebagai berikut:
 Tabel 4 Result for Cross Loading (Dropped 6 Indikator)
ASU
ATT
CSF
OF
PEOU
PU
 ASU2
 0.9328
 0.5655
 0.7073
 0.3805
 0.6026
 0.7295
 ASU3
 0.9465
 0.5956
 0.8049
 0.3406
 0.6460
 0.8142
 ATT1
 0.4390
 0.7579
 0.5429
 0.3756
 0.5782
 0.5899
 ATT2
 0.4282
 0.7539
 0.5643
 0.2635
 0.4293
 0.6005
 ATT4
 0.6380
 0.8437
 0.6014
 0.3506
 0.4982
 0.6307
 ATT5
 0.1692
 0.5304
 0.3023
 0.0138
 0.3333
 0.2843
 CSF2
 0.6222
 0.6222
 0.8734
 0.4839
 0.5640
 0.7252
 CSF3
 0.8142
 0.6621
 0.9326
 0.4735
 0.8809
 0.8672
  OF1
 0.3456
 0.3738
 0.4605
 0.8767
 0.3060
 0.4041
  OF4
 0.2260
 0.1876
 0.3362
 0.6344
 0.1882
 0.2532
PEOU1
 0.3635
 0.3151
 0.5332
 0.2134
 0.7487
 0.5398
PEOU2
 0.4353
 0.4043
 0.4195
 0.1116
 0.6922
 0.4849
PEOU3
 0.4353
 0.4043
 0.4195
 0.1116
 0.6922
 0.4849
PEOU4
 0.4669
 0.5636
 0.6288
 0.3732
 0.6326
 0.5723
PEOU5
 0.4833
 0.4652
 0.5731
 0.1024
 0.7287
 0.6027
PEOU6
 0.6536
 0.5636
 0.8725
 0.4291
 0.8596
 0.7486
  PU1
 0.6037
 0.6676
 0.7456
 0.3805
 0.7127
 0.8822
  PU2
 0.8585
 0.6142
 0.7341
 0.4135
 0.6378
 0.7896
  PU3
 0.6037
 0.6676
 0.7456
 0.3805
 0.7127
 0.8822
  PU5
 0.6500
 0.4830
 0.6591
 0.1956
 0.6354
 0.8298
  PU6
 0.6898
 0.6728
 0.8012
 0.4404
 0.6390
 0.7810

Tampak bahwa indikator PU2 masih mempunyai loading factor kepada PU (0,7896) yang lebih rendah dari pada loading factor ke konstruk ASU (0,8585) sehingga indikator PU2 juga dikeluarkan dari model penelitian:
 Tabel 5 Result for Cross Loading (Dropped 7 Indikator)
ASU
ATT
CSF
OF
PEOU
PU
 ASU2
 0.9301
 0.5625
 0.7069
 0.3790
 0.6027
 0.6336
 ASU3
 0.9488
 0.5938
 0.8046
 0.3428
 0.6466
 0.7527
 ATT1
 0.4391
 0.7555
 0.5427
 0.3783
 0.5779
 0.5589
 ATT2
 0.4288
 0.7573
 0.5648
 0.2659
 0.4303
 0.6157
 ATT4
 0.6376
 0.8403
 0.6014
 0.3517
 0.4987
 0.5908
 ATT5
 0.1700
 0.5368
 0.3020
 0.0118
 0.3334
 0.2954
 CSF2
 0.6231
 0.6219
 0.8745
 0.4844
 0.5656
 0.7131
 CSF3
 0.8150
 0.6615
 0.9318
 0.4726
 0.8820
 0.8324
  OF1
 0.3458
 0.3714
 0.4606
 0.8905
 0.3069
 0.3909
  OF4
 0.2246
 0.1867
 0.3362
 0.6113
 0.1891
 0.2145
PEOU1
 0.3639
 0.3159
 0.5324
 0.2149
 0.7493
 0.5293
PEOU2
 0.4349
 0.4035
 0.4189
 0.1123
 0.6877
 0.4534
PEOU3
 0.4349
 0.4035
 0.4189
 0.1123
 0.6877
 0.4534
PEOU4
 0.4667
 0.5619
 0.6288
 0.3715
 0.6348
 0.5659
PEOU5
 0.4844
 0.4669
 0.5721
 0.1071
 0.7301
 0.5979
PEOU6
 0.6544
 0.5632
 0.8722
 0.4274
 0.8617
 0.7471
  PU1
 0.6052
 0.6675
 0.7452
 0.3809
 0.7140
 0.9264
  PU3
 0.6052
 0.6675
 0.7452
 0.3809
 0.7140
 0.9264
  PU5
 0.6510
 0.4822
 0.6590
 0.1983
 0.6353
 0.8184
  PU6
 0.6900
 0.6728
 0.8013
 0.4425
 0.6395
 0.7694

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 6 Average Variance Extracted (AVE)
Konstruk
Average variance extracted (AVE)
ASU
0.8827
ATT
0.5346
CSF
0.8165
OF
0.5833
PEOU
0.5310
PU
0.7445

Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat pada model penelitian. Nilai terendah AVE adalah sebesar 0,5310 pada konstruk PEOU.

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 7 Composite Reliability

Composite Reliability
ASU
0.9377
ATT
0.8177
CSF
0.8989
OF
0.7302
PEOU
0.8706
PU
0.9205

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 0,7302 pada konstruk OF.
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 8 Cronbach’s Alpha

Cronbachs Alpha
ASU
0.8678
ATT
0.7103
CSF
0.7796
OF
0.6112
PEOU
0.8239
PU
0.8830

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.
Berikut adalah nilai loading factor setelah dilakukan drop terhadap 7 indikator dalam penelitian ini:


Gambar 3 Nilai Loading Factor (Dropped 7 Indikator)

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 9 R Square

R-square
ASU
0.5627
ATT
0.5418
CSF

OF

PEOU
0.6906
PU
0.7608

Tabel di atas memberikan nilai 0,5627 untuk konstruk ASU yang berarti bahwa PU dan ATT mampu menjelaskan varians ASU sebesar 56,27%, di mana selebihnya dijelaskan oleh variabel selain PU dan ATT. Nilai R Square juga terdapat pada ATT yang dipengaruhi oleh PEOU dan PU yaitu sebesar 0,5418 yang berarti bahwa PEOU dan PU mampu menjelaskan varians ATT sebesar 54,18%. CSF dan OF mampu menjelaskan varians PEOU sebesar 69,06% dan konstruk CSF, OF dan PEOU mampu menjelaskan varians PU sebesar 76,08%.
Adapun pengujian hipotesis adalah sebagai berikut:
Tabel 10 Uji Hipotesis
Hipotesis
Original Sample (O)
Sample Mean (M)
Standard Deviation (STDEV)
Standard Error (STERR)
T Statistics (|O/STERR|)
 ATT -> ASU
0.1605
0.1777
0.0794
0.0794
2.0224
CSF -> PEOU
0.8947
0.8979
0.0451
0.0451
19.8523
  CSF -> PU
0.6809
0.6697
0.0867
0.0867
7.8510
 OF -> PEOU
-0.1364
-0.1385
0.0765
0.0765
1.7819
   OF -> PU
-0.0226
-0.0213
0.0636
0.0636
0.3551
PEOU -> ATT
0.1640
0.1670
0.1135
0.1135
1.4443
 PEOU -> PU
0.2336
0.2472
0.0757
0.0757
3.0858
  PU -> ASU
0.6250
0.6139
0.0887
0.0887
7.0472
  PU -> ATT
0.6001
0.6040
0.0928
0.0928
6.4644

Tabel di atas menunjukkan bahwa pengaruh CSF terhadap PU (CSF è PU) adalah signifikan dengan T-statistik sebesar 7,8510 (> 1,96). Nilai original sample estimate adalah positif yaitu sebesar 0,6809 yang menunjukkan bahwa arah hubungan CSF terhadap PU adalah positif. Dengan demikian terdapat pengaruh positif yang signifikan CSF terhadap PU (H1a). Demikian juga untuk H1b (CSF è PEOU) yang memberikan nilai T-statistik sebesar 19,8523 (> 1,96) dengan original sample estimate adalah positif yaitu sebesar 0,8947. Dengan demikian terdapat pengaruh positif yang signifikan CSF terhadap PEOU (H1b).
Hipotesis H2a adalah OF terhadap PU (OF èPU). Tampak pada tabel bahwa nilai T-statistik sebesar 0,3551 (< 1,96) dengan original sample estimate sebesar -0,0226. Berarti tidak terdapat pengaruh yang signifikan OF terhadap PU (H2a). pengaruh OF terhadap PEOU (OF èPEOU) memberikan nilai T-statistik sebesar 1,7819 (< 1,96) dengan original sample estimate sebesar -0,1364. Dengan demikian tidak terdapat pengaruh yang signifikan OF terhadap PEOU (H2b).
Berikutnya adalah uji hipotesis antara PEOU terhadap PU dan PEOU terhadap ATT. Tabel di atas memberikan nilai T-statistik untuk PEOU terhadap PU (PEOU è PU) sebesar 3,0858 (> 1,96) dengan original sample estimate sebesar 0,2336. Berarti terdapat pengaruh positif yang signifikan PEOU terhadap PU (H3a). nilai T-statistik PEOU terhadap ATT (PEOU èATT) adalah sebesar 1,4443 (< 1,96) dengan original sample estimate sebesar 0,1640. Berarti tidak terdapat pengaruh yang signifikan PEOU terhadap ATT (H3b).
Pengaruh PU terhadap ATT (PU è ATT) memberikan nilai T-statistik sebesar 6,4644 (> 1,96) dengan original sample estimate sebesar 0,6001. Berarti terdapat pengaruh positif yang signifikan PU terhadap ATT (H4a). nilai T-statistik PU terhadap ASU (PU èASU) adalah sebesar 7,0472 (> 1,96) dengan original sample estimate sebesar 0,6250. Berarti terdapat pengaruh positif yang signifikan PU terhadap ASU (H4b).
Hipotesis terakhir yaitu antara ATT terhadap ASU memberikan nilai T-statistik sebesar 2,0244 (> 1,96) dengan original sample estimate sebesar 0,1605. Dengan demikian terdapat pengaruh positif yang signifikan ATT terhadap ASU (H5).
Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi 2:

Gambar 4 Output Bootstrapping

Cari Materi

Berlangganan Gratis Lewat Email ?

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *