SEM

Kriteria PLS SEM AMOS/Lisrel SEMTujuan Prediksi ParameterPendekatan Variance CovarianceAsumsi Nonparametrik ParametrikSampel 30-100 200-800Model Besar (100 konstruk

dan 1000 indikatorKecil (<100 indikator)

Solusi AdmisableDeterminacyidentified

Mungkin InadmisableMungkin IndeterminacyMungkin unidentified

1

Praktek SEM –Praktek SEM –Partial Least Square (PLS)Partial Least Square (PLS)

ModelModel Adopsi

Usefulness

Ease of use

2

Variabel Laten

•ReflektifReflektif• Arah hub dr konstruk ke Arah hub dr konstruk ke

indikatorindikator

• Antar indikator berkorelasiAntar indikator berkorelasi

•FormatifFormatif• Arah hub dr indikator ke Arah hub dr indikator ke

konstrukkonstruk

• Antar indikator tidak Antar indikator tidak berkorelasiberkorelasi

X

X1 e1

X3

X2 e2

e2

X

X1

X1

X1

e

3

Indikator dan Konstruk

• Operationalizing the ConstructsOperationalizing the Constructs• Scales from Prior ResearchScales from Prior Research

• Usfulness (U)Usfulness (U) 6 items 6 items ((Pikkarainen, 2004)• Ease of use (T)Ease of use (T) 6 items 6 items (Kim & Prabhakar (2004). • Adoption (AD)Adoption (AD) 4 items 4 items ((Bhattacherjee dan Sanford (2006)

4

Menjalankan PLSMenjalankan PLS

1. Buka layar PLS : 1. Buka layar PLS :

Klik icon java web start dan Klik icon java web start dan akan tampakakan tampak

2. klik start dan akan 2. klik start dan akan tampaktampak

5

Menjalankan PLSMenjalankan PLS

3.Membuat file baru3.Membuat file baru• Klik file dan pilih newKlik file dan pilih new

• Isi nama file diingninkan Isi nama file diingninkan misal LatihPLSmisal LatihPLS

• Klik data dan cari file yg Klik data dan cari file yg diinginkan (file dg diinginkan (file dg ekstensi CSVekstensi CSV

• Pada CSV separators: Pada CSV separators: ganti pilihan semicolon ganti pilihan semicolon dengan Commadengan Comma

• Klik okKlik ok

6

Menjalankan PLS –Menu UtamaMenjalankan PLS –Menu Utama

Selection modeSelection mode

Drawing modeDrawing mode

Connection modeConnection mode

CalculateCalculate

BootstrappingBootstrapping

7

Menjalankan PLS –Menu UtamaMenjalankan PLS –Menu Utama

• Untuk menggambar variabel latent klik Drawing mode Untuk menggambar variabel latent klik Drawing mode (tanda bundar) kemudian diklikan kembali pada layar kerja(tanda bundar) kemudian diklikan kembali pada layar kerja

• Untuk memberi nama variabel latent, klik connection mode Untuk memberi nama variabel latent, klik connection mode kemudian klik variabel latent 2 kali. Kemudian tekan enterkemudian klik variabel latent 2 kali. Kemudian tekan enter

• Untuk menghubungkan antar variabel latent, klik selection Untuk menghubungkan antar variabel latent, klik selection mode. Klik satu variabel latent dan drag ke variabel latent mode. Klik satu variabel latent dan drag ke variabel latent lain. Misal mulai dr variabel independen ke dependenlain. Misal mulai dr variabel independen ke dependen

• Untuk menggambar dan memberi nama variabel observed, Untuk menggambar dan memberi nama variabel observed, blok nama2 indikator dan drag ke variabel latentblok nama2 indikator dan drag ke variabel latent

• Indikator dapat disembunyikan dengan mengklik var latent, Indikator dapat disembunyikan dengan mengklik var latent, kemudian klik kanan. Pilih opsi-opsi yang diinginkankemudian klik kanan. Pilih opsi-opsi yang diinginkan

8

Menjalankan PLSMenjalankan PLS

4. Gambar model 4. Gambar model struktural dengan struktural dengan tombol yg adatombol yg ada

9

Menjalankan PLSMenjalankan PLS

4. Properties diisi 4. Properties diisi seperti berikutseperti berikut

5. Untuk 5. Untuk menghasilkan menghasilkan output, pilih output, pilih calculate model calculate model dan Bootstrappingdan Bootstrapping

10

Ouput PLS-Grafik

11

Uji Validitas

•Convergent validity Convergent validity ditunjukan oleh ditunjukan oleh korelasi antara korelasi antara indikator dengan indikator dengan skor konstruk. skor konstruk.

•Faktor Loading Faktor Loading >|.5| pada outer >|.5| pada outer loadingloading

• Indikator R1 dan Indikator R1 dan R4 tidak validR4 tidak valid

  original sample estimate

mean of subsamples

Standard deviation

T-Statistic

Adopsi        

AD1 0.720 0.612 0.229 3.149

AD2 0.745 0.693 0.155 4.824

AD3 0.740 0.735 0.097 7.656

AD4 0.749 0.749 0.126 5.928

Usefulness        

U1 0.775 0.797 0.046 16.904

U2 0.725 0.721 0.072 10.122

U3 0.764 0.787 0.055 13.814

U4 0.775 0.760 0.110 7.057

U5 0.751 0.760 0.058 13.010

U6 0.716 0.730 0.076 9.435

ease of use        

R1 -0.185 -0.161 0.184 1.003

R2 0.735 0.748 0.082 9.017

R3 0.787 0.800 0.046 17.207

R4 0.070 0.072 0.186 0.378

R5 0.719 0.691 0.099 7.279

R6 0.697 0.690 0.094 7.391

R7 0.741 0.714 0.078 9.495

R8 0.775 0.750 0.094 8.212

12

Uji Validitas

Cross loadings

• Discriminant validity Discriminant validity ditunjukan oleh cross ditunjukan oleh cross loading antara loading antara indikator dengan skor indikator dengan skor konstruk. konstruk.

• Korelasi konstruk dg Korelasi konstruk dg indikatornya lebih indikatornya lebih tinggi dibandingkan tinggi dibandingkan korelasi dengan korelasi dengan indikator lainnya indikator lainnya kecuali R1 dan R4kecuali R1 dan R4

  Adopsi Usefulness

ease of use

AD1 0.720 0.184 0.147AD2 0.745 0.192 0.224AD3 0.740 0.185 0.205AD4 0.749 0.202 0.250R1 -0.087 -0.113 -0.185R2 0.150 0.228 0.735R3 0.180 0.285 0.787R4 -0.090 0.141 0.070R5 0.135 0.225 0.719R6 0.157 0.209 0.697R7 0.138 0.246 0.741R8 0.146 0.324 0.775U1 0.142 0.775 0.273U2 0.133 0.725 0.220U3 0.140 0.764 0.272U4 0.173 0.775 0.249U5 0.143 0.751 0.287U6 0.092 0.716 0.238

13

Uji Validitas

• Discriminant Validity juga bisa dilihat dengan membandingkan akar AVE setiap konstruk dengan korelasi konstruk dg konstruk lainnya

• Akar AVE > Korelasi

• Semua valid

  Adopsi Usefulness ease of use

Adopsi 1.000    

Usefulness 0.253 1.000  

ease of use 0.278 0.496 1.000

Correlations of the latent variables

  Average variance extracted (AVE)

Adopsi 0.546Usefulness 0.564ease of use 0.419

14

Uji Reliabilitas

•Menguji blok Menguji blok indikator yang indikator yang mengukur mengukur kosntrukkosntruk

•Composite Composite Reliability >.7Reliability >.7

  Composite Reliability

Adopsi 0.828Usefulness 0.886

ease of use 0.802

Composite Reliability

15

Menilai Inner Model (Model Struktural)(setelah R1 dan R4 dikeluarkan)

  original sample estimate

mean of subsamples

Standard deviation

T-Statistic

Usefulness -> Adopsi

0.154 0.197 0.136 1.136

ease of use -> Adopsi

0.201 0.227 0.110 1.829

ease of use -> Usefulness

0.492 0.549 0.072 6.876

•Melihat besar Melihat besar hubungan antar hubungan antar variabel latent variabel latent (konstruk)(konstruk)

•Signifikan bilsa t-Signifikan bilsa t-stat lebih besar dr stat lebih besar dr t-table (Misal 1,64 t-table (Misal 1,64 utk utk λλ 5%) 5%)

results for inner weights

16

Pengujian Hipotesa & Jumlah Varian

• Manfaat (U) Manfaat (U) berhubungan positif berhubungan positif dengan adopsi (AD)dengan adopsi (AD)

• Kemudahan Kemudahan penggunaan (R) penggunaan (R) berhubungan positif berhubungan positif dengan adopsi (AD)dengan adopsi (AD)

• Kemudahan Kemudahan penggunaan (R) penggunaan (R) berhubungan positif berhubungan positif dengan manfaatdengan manfaat

  original sample estimate

mean of subsamples

Standard deviation

T-Statistic

Usefulness -> Adopsi

0.154 0.197 0.136 1.136

ease of use -> Adopsi

0.201 0.227 0.110 1.829

ease of use -> Usefulness

0.492 0.549 0.072 6.876

  R-squareAdopsi 0.095Usefulness

0.242

ease of use

 17