PLS merupakan metode analisis yang dapat menganalisis data besar dan kecil serta tidak banyak asumsi. Metode ini digunakan untuk konfirmasi dan prediksi model penelitian dengan mengestimasi hubungan antar variabel laten dan indikatornya. Langkah-langkah analisis PLS meliputi konseptualisasi model, menentukan algoritma dan resampling, evaluasi model outer dan inner, serta pengujian signifikansi hubungan. Penggunaan software SmartPLS memudahkan proses anal
2. INTRODUCTION
•PLS mengakomodasi data besar (banyak) dan data kecil
(sedikit)
•PLS Tidak banyak asumsi
•PLS bisa untuk konfirmasi dan prediksi
•PLS menguji estimasi dan signifikansi dengan model
Resampling (Bootstrap)
•Tujuan Estimasi PLS adalah membuat komponen skor / bobot
terbaik dari variabel endogen, untuk memprediksi hubungan
variabel dengan indikatornya.
•Inner Model: Hubungan antar sesama variabel Laten.
•Outer Model: Hubungan antara indikator dengan variabel
latennya.
3. TAHAPAN ANALISIS
PLS - SEM
- Konseptualisasi
- Menggambar Diagram jalur
- Menentukan Metoda Analisis Algorithm
- Menentukan Metoda Resampling
- Evaluasi model
4. LANGKAH – LANGKAH
PENGGUNAAN SMART
PLS 03
- Siapkan data dalam format microsoft Excel
- Simpan (save) dalam bentuk csv. (comma dellimited)
- Buka aplikasi SMART PLS 02
6. LANGKAH – LANGKAH
PENGGUNAAN SMART
PLS 03
- Langkah selanjutnya Klik untuk membuat
rancangan
- Isi kolom nama yang anda inginkan, klik OK
7. LANGKAH – LANGKAH
PENGGUNAAN SMART
PLS 03
- Pilih opsi double-click to import data dan pilih file yang
sudah di simpan pada format csv (comma delimited)
- Klik, Hingga muncul tampilan seperti
8. LANGKAH – LANGKAH
PENGGUNAAN SMART
PLS 03
Setelah muncul tampilan seperti ini, pastikan :
Setiap sampel sudah sesuai melalui sample size
Setiap indikator sudah masuk kedalam rancangan model melalui
indicators
Setiap sampel tidak ada yang missing
9. MENGGAMBAR MODEL
PENELITIAN
Klik icon untuk memulai model
Klik icon untuk menggambar model, tempatkan pada
workspace
Klik icon untuk mendesain, merubah , dan
memindahkan model antar variabel, sesuai tampilan yang
diinginkan seperti pada
11. MENGGAMBAR MODEL
PENELITIAN
Setelah membuat model, maka cara untuk memasukan
indikator kedalam variabel adalah
• Highlight seluruh variabel indikator yang mewakili dari area
data indikator
• drag dan drop dengan mouse ke variabel laten yang
dikehendaki seperti pada
13. MENGGAMBAR MODEL
PENELITIAN
Note : Konstruk indikator dapat diubah tampilanya dengan cara,
klik kanan:
untuk mengubah tampilan menghadap ke atas.
untuk mengubah tampilan menghadap ke bawah.
untuk mengubah tampilan menghadap ke kiri.
untuk mengubah tampilan menghadap ke kanan.
untuk mengubah tampilan dengan
menyembunyikan tampilan indikator.
untuk mengubah tampilan
dengan menampilkan tampilan
indikator.
15. GOF
Kita akan melakukan 2 analisis GoF
[Goodness of Fit]…
Yaitu:
GoF Outer Model [Measurement Model]
GoF Inner Model [Structural Model]
16. GOF
Ada 2 output yang akan kita gunakan untuk analisis
kedua GoF tersebut…
Yaitu:
PLS Algorithm output
BOOTSTRAP output
Kedua output ini diberikan dalam bentuk:
Gambar Model [bisa disimpan sebagai image]
Text output [bisa berupa text atau HTML]
17. TAHAPAN ANALISIS
PLS – SEM
- Measurement (outer) model
- Discriminant Validity – Cross Loading
- Average Variance Extraced (AVE)
- Composite Reability
- Cronbach’s Alpha
19. OUTER MODEL (MODEL
MEASUREMENT)
Rule of thumb :
Convergent Validity
- Average Variance Extractred (AVE). Nilai AVE yang diharapkan
>0.5
- Communality >0,5
Discriminant Validity.
- Nilai ini merupakan nilai cross loading faktor yang berguna
untuk mengetahui apakah konstruk memiliki diskriminan yang
memadai yaitu dengan cara membandingkan nilai loading pada
konstruk yang dituju harus lebih besar dibandingkan dengan
nilai loading dengan konstruk yang lain.
Reability
- Composite Reliability. Data yang memiliki composite reliability
>0.7 mempunyi reliabilitas yang tinggi.
- Cronbach Alpha. Uji reliabilitas diperkuat dengan Cronbach
Alpha.Nilai diharapkan >0.6 untuk semua konstruk.
20. INNER MODEL (MODEL
STRUCTURAL).
- R Square pada konstruk endogen. Nilai R Square adalah
koefisien determinasi pada konstruk endogen. Menurut Hair
et al menyatakan 0,75 (kuat), 0,5 (kuat), 0,25 (lemah)
- Estimate for Path Coefficients, merupakan nilai koefisen jalur
atau besarnya hubungan/pengaruh konstruk laten. Dilakukan
dengan prosedur Bootrapping.
23. ANALISA ALGORITHM
Melihat nilai R
Square & Adjusted
R square
Melihat nilai f
Square
Melihat nilai Cronbach
alpha, composite
reablility, dan AVE
Melihat validitas
diskriminan
(cross loadings)
Melihat Nilai
OUTER & INNER VIF
24. ANALISA
BOOTSTRAPPING
- Dilihat dari outer loading, apabila T statistic >1,96 maka
hipotesis diterima
- Dilihat dari path coefficients, apabila T statistic >1,96 maka
hipotesis diterima (berpengaruh var independen terhadap
dependen) - signifikan atau tidak dapat dilihat pada tabel
Path Coefficients setelah dilakukan Bootstrap. Lihat nilai
T-statistics jika > 1,96 pada taraf kesalahan 5%.
25. ANALISA
BOOTSTRAPPING
Melihat nilai signifikansi :
1. T Statistics
2. P. Value
Melihat nilai signifikansi indirect
effect (mediasi- jika ada)
Melihat nilai signifikansi total
effect (mediasi- jika ada)
26. Melihat angka kuesioner
Melihat Ringkasan hasil
Melihat nilai redundancy
Melihat nilai cronbachs alpha
Melihat Nilai R’square
Melihat AVE
Melihat Nilai Communality
Melihat Nilai Composite Reablity
36. THINK OF INTEREST
1. Melihat apakah variabel dapat menjadi mediasi
1. Melihat nilai signifikansi
2. pengaruh langsung dan tidak langsung
1. Melihat jenis mediasi
1. Mediasi sempurna
2. Mediasi sebagian
39. SYARAT MEDIASI
- Mediasi Sempurna (Full Mediation) terjadi ketika X-Y tidak
signifikan, X-M-Y berpengaruh signifikan
- mediasi sebagian (Partial Mediation) terjadi ketika X-Y
berpengaruh signfifikan X-M-Y berpengaruh signifikan