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