ANALISIS SEM-PLS
Goal-Setting Participaton And Goal Commitment :
Examining The Mediating Roles Of Procedural Fairness And Interpersonal
Trust In A UK Financial Services Organization
Dibuat untuk memenuhi tugas matakuliah Statistik Terapan
Dosen Pengampu : Wuryan Andayani, SE.,Ak.,M.Si
Oleh :
Kelompok 2
1. SITI NUR AISYAH NIM. 146020306011032
2. HERI SUPRIYONO NIM. 146020306011027
3. ROBITH ABDULLAH RIFQI NIM. 146020306011031
PROGRAM STUDI MAGISTER AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
TAHUN 2015
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 1
Analisis Data Menggunakan Partial Least Square (PLS)
Partial Least Square (PLS) menurut Wold merupakan metode analisis yang powerful
oleh karena tidak didasarkan banyak asumsi. PLS sebagai teknik analisis data dengan
software Smart PLS. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak
harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval
sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus besar.
Walaupun PLS digunakan untukmenkonfirmasi teori, tetapi dapat juga digunakan untuk
menjelaskan ada atau tidaknya hubungan antara variabel laten. PLS dapat menganalisis
sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini
tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi
unidentified model. PLS mempunyai dua model indikator dalam penggambarannya, yaitu:
a. Model Indikator Refleksif
Model Indikator Refleksif sering disebut juga principal factor model dimana covariance
pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari
konstruk laten. Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk
elips denganbeberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan
bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Model
Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator
diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran
indikator yang sama reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas
(cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas
konstruk tidak akan berubah jika satu indikator dihilangkan.
b. Model Indikator Formatif
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi
mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas
mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama
menentukan konsep atau makna empiris dari konstruk laten. Oleh karena diasumsikan bahwa
indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling
berkorelasi, tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau
secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar
indikator, karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 2
untuk menguji reliabilitas konstruk formatif. Kausalitas hubungan antar indikator tidak
menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah
(cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang
mempengaruhi konstruk laten. Jadi untuk menguji validitas dari konstruk laten, peneliti harus
menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model
Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik
dari konstruk laten dan merubah makna dari konstruk.
Langkah – langkah (standar) Analisis Data dengan PLS
Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS,
adalah sebagai berikut:
1. Merancang Model Struktural (Inner Model)
Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten
berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar variabel
laten didasarkan pada rumusan masalah atau hipotesis penelitian.
2. Merancang Model Pengukuran (Outer Model)
Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator
berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat
indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan
definisi operasional variabel.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 3
3. Konversi Diagram Jalur ke Sistem Persamaan
a. Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut:
Ŋ = β0 + βŋ + Гξ + ζ
Ŋj = Σi βji ŋi + Σi үjb ξb + ζj
b. Model persamaan dasar Outer Model dapat ditulis sebagai berikut:
X = Λx ξ + εx Y = Λy ŋ + εy
4. Estimasi : Weight, Koefisien Jalur, dan Loading
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least
square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan
berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3
hal, yaitu:
Weight estimate yang digunakan untuk menghitung data variabel laten.
Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara
variabel laten dengan indikatornya.
Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan
variabel laten.
5. Evaluasi Goodness of Fit
Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi
yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur
seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya.
Q2 = 1 – ( 1 - R12 ) ( 1 – R22 ) … (1 – Rp2)
Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).
6. Pengujian Hipotesis (Resampling Bootstraping)
Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang
dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t.
Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas
(distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan
sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan t-
test, bilamana diperoleh p-value <>
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 4
Tahap 1 Tabulasi Data
Input data melalui excel dan simpan dalam bentuk File NotePad (txt). Dengan cara klik Save As
pilih Other Formats beri anama file misalnya TAS. Pada kolom Save As type pilih text (tab
delimited) lalu klik save.
Tahap 2 Menjalankan Program WarpPLS3.0
a. Jalankan program VPLS dengan mengklik shortcut program WarpPLS 3.0 desktop layar
komputer
b. Muncul tampilan jendela program WarpPLS 3.0
c. KlikProceed to use software
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 5
d. Analisa melalui lima langkah
Langkah 1 : Membuka atau membuat file proyek
Membuat proyek atau pekerjaan baru dengan klik Create Project File dalam hal ini kami
memberi nama kelompok 2 belajar PLS dan disimpan dalam file komputer. File akan
tersimpan dalam bentuk “.prj” dan telah berisi komponen yang telah berisi komponen yang
diperlukan dalam melakukan analisis SEM.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 6
Langkah 2 : Membaca data mentah yang akan digunakan dalam anailsis SEM
Pembacaan data mentah dengan klik Read Raw Data File.
Selanjutnya kelompok kami memakai salah satu data yang telah disarankan sesuai dengan
artikel penelitian yang telah di presentasikan yaitu data BAR dalam bentuk notpad teks.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 7
Selanjutnya klik Open, maka akan muncul jendela dengan judul Import Wizard
Selanjutnya klik Next lalu Finish sehingga muncul jendela sepeti ini :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 8
Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal dan format yaitu
jumlah observasi pada baris dan nama-nama indikator variabl latn pada kolom, jika sudah
benar maka klik Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal
dan format yaitu jumlah observasi pada baris dan nama-nama indikator variabl latn pada
kolom, jika sudah benar maka klik YES jika belum maka daiadakan peengcekan ulang
dengan terlebih dahulu menghentikan program.
Langkah 3 : Pre-Process data untuk analisis SEM
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 9
Klik Pre-Process
Biasanya tampilan menunjukkan tidak ada masalah dalam data, seperti missing Vales, Zero
Variance Problem dan Rank Problems. Seingga muncul data yang telah terstandarisasi. Data
yang terstandarisasi umumnya bernilai antara -4 sampai dengan 4. Jika ada Missing Values
maka akan mnjadinol karna diganti dengan nilai rata-rata indikator pada kolom
Langkah 4 : Mendefinisi Model SEM
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 10
Klik proses 4
a) Menggambar variabel laten dan mengisinya dengan indikator
Letakkan kursor pada bidang untuk menggambar, lalu klik dan akan muncul jendela :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 11
Procdural Fairnes (PF)
Dan seterusnya sampai selesai pada model yang diharapkan
b) Membuat hubungan langsung (direct llink) dan hubungan moderasi (moderating link)
yang disebut sbagai Inner Model.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 12
Kemudian klik Save dan muncul
Langkah 5 : Menjelaskan Analisis SEM dan melihat hasilnya
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 13
Klik Perform SEM Analysis
Pembacaan output :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 14
1. General Result :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 15
Nilai P untuk APC dan ARS harus lebih kecil dari 0,05 taua berarti signifikan. Dari hasil
tersebut dapat dilihat bahwa nilai P untuk APC dan ARS lebih kecil dari 0,05. Nilai AVIF
sebagai indikator multikolinearitas harus lebih kecil dari 5. Dari data tersebut didapat nilai
1,246 maka nilai AVIF memenuhi kriteria.
2. Path Coefficients and P values
Kolom mnunjukkan cvariabl laten prediktor dan baris menunjukkan variabel laten kriterion.
Dari hasil tersebut koefoisien jalur pengaruh prosedural fairness (PF) terhadfap Trust 0,381
dan signifikan pada 0,000. Goal Test terhadap PF 0,47 dan signifikan pada 0,000. Goal set
terhadap Trust 0,30 tetapi tidak signifikan karena nilai p = 0,06. PF terhadap Goal
commitmen sebesar 0,458 dengan signifikan pada 0,000. Trust terhadap Goal Com sebesar
0,073 dengan nilai p = 0,295.
3. Standar Errors and Effect Size for Path Coeficient
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 16
Nilai effct size dikelompokkan menjadi tiga kategori yaitu lemah (0,02) medium (0,15) dan
besar (0,35). Jika nilai effect size sebesar 0,20 menunjukkan bahwa pengaruh variabel laten
prediktor sangat lemah dari pandangan praktis meskipun mempunyai nilai p yang signifikan.
4. Output Combined loadings and Cross-loadings
Terdapat 2 lriteria untuk meilai apakah outer model memenuhi validitas konvergen untuk
konstruk yang relatif.
a. Loading harus diatas nilai 0,70
b. Nilai signifikansi (<0,50)
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 17
Dari hasil tersebut didapatkan PF1 terhadap PF sebesar 0,909 dan ke Goal Set -0,043 dan
seterusnya.
5. Output patterns loading and cross-loadings
Output ini jarang dipakai karena sudah dijelaskaan pada tahap sebelumnya.
6. Structure Loading and Cross-Loadings
Output ini jarang digunakan karena belum memunculkan nilai P.
7. Indicator Weight
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 18
Karena dari tahap awal menggunakan konstruk relatif maka output ini mnjadi tidak relevan
dalam laporan penelitian. Tetapi jika memakai variabel laten formatif maka akan disajikan,
tetapi dikatakan variabel tersebut telah dikatakan layak dinilai apabila pada bobot P nilai
<0,05 dan nilai VIF kurang dari 3,3.
8. Laten Variabl Coefficients
Nilai R-square menunjukkan berapa presentase variasi konstruk endogen dapat dijelaskan
oleh konstruk yang dihipotesiskan mempengaruhinya (eksogen). Dari data diatas dapat dilihat
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 19
nilai R-square trust 0,331 menunjukkan bahwa variasi kinerja dapat dijelaskan sebesar 33,1%
oleh variasi Pf dan goal Com. Disini terdapat dua kriteria pengukuran reliabilitas yaitu dengan
cronbach alpha maupun composit reliabilty. Dimana nilai nya diatas 0,70. Nilaia AVE selain
untuk reliabilitas bisa dipergunakan sebagai validitas konvergen. Nilai VIF harus kurang dari
3,3 untuk menunjukkan bahwa model bebas dari masalah kolinearitas dan common method
bias.
9. Correlations among latent variables
Output ini dipergunakan untuk evaluasi validitas diskriminan . kriteria yang dipergunakan
adalah akar kuadrat AVE. Yaitu kolom diagonal yang diberi tanda kurung harus lebih tinggi
dari korelasi antarvariabel laten pada kolom yang sama.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 20
10. VIF
Bagian ini menunjukkan apakah model mempunyai maslah dalam kolinaritas vertikal, jika
menunjukkan angka kurang dari 3,3 maka menunjukkan bebas dari kolinearitas.
11. Correlation among Indicators
Tampilan ini hanya menunjukkan korelasi antar indikator.
12. Linear and Non linear Realtionship among Latent variabel
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 21
13. Inderect and Total Effect
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 22
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 23
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB 2015 Page 24