Downloaded 56 times
Uploaded byMoh Sofyan
Pengolahan dan analisis data penelitian dengan smart pls 3
Ringkasan dokumen tersebut adalah: 1. Dokumen tersebut membahas tentang analisis data penelitian menggunakan Structural Equation Modeling (SEM) dan perbandingannya antara Partial Least Square Path Modeling (PLS-SEM) dengan Covariance-based Structural Equation Modeling (CB-SEM). 2. Diberikan pula kriteria dan kelebihan masing-masing pendekatan SEM beserta contoh evaluasi model outer dan inner. 3. Terdapat juga penjelasan singkat mengenai validitas dan reliab
More Related Content
Pengolahan dan analisis data penelitian dengan smart pls 3
- 1. PENGOLAHAN DAN ANALISISDATA PENELITIAN By Mohammad Sofyan, S.E., M.M https://scholar.google.com/citations?user=JPk48hgAAAAJ&hl=id
- 2. SEM (Structural EquationModeling) (Hair et al, 2006) • Suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM Covariance-based Structural Equation Modeling (CB-SEM) yang dikembangkan oleh Joreskog (1969) Partial Least Square Path Modeling (PLS-SEM) sering disebut Component- based Structural Equation Modeling yang dikembangkan oleh Wold (1974).
- 3. Kriteria PLS-SEM CB-SEM TujuanUntuk mengembangkan teori atau membangun teori (orientasi prediksi) Untuk menguji teori atau mengkonfirmasi teori (orientasi parameter) Pendekatan Berdasarkan variance Berdasarkan covariance Evaluasi Model dan Asumsi Normalitas Data Tidak mensyaratkan data terdistribusi normal dan estimasi parameter dapat langsung dilakukan tanpa persyaratan kriteria goodness of fit Mensyaratkan data terdistribusi normal dan memenuhi kriteria goodness of fit sebelum estimasi parameter Metode Estimasi Lease Square Maximum Likelihood (umumnya) Hubungan epistemic antara peubah laten dan indikatornya Dapat dalam bentuk indikator reflektif maupun formatif Hanya dengan indikator reflektif Implikasi Optimal untuk ketepatan prediksi Optimal untuk ketepatan parameter Kompleksitas Model Kompleksitas besar (100 konstruk dan 100 indikator) Kompleksitas kecil sampai menengah (kurang dari 100 indikator) Besar Sample • Kekuatan analisis didasarkan pada porsi dari model yang memiliki jumlah predictor terbesar. • Minimal direkomendasikan berkisar dari 30 – 100 • Kekuatan analisis didasarkan pada model spesifik. • Minimal direkomendasikan berkisar dari 200 sampai 800 Spesifikasi Model dan Parameter Model Component two loadings, path koefisien dan component weight Factors one loadings, path koefisien, error variances dan factor means Pengujian Signifikansi Tidak dapat diuji dan difalsifikasi (harus melalui prosedur bootstrap atau jackknife) Model dapat diuji dan difalsifikasi *Falsifikasi adalah kebalikan dari verifikasi, yaitu pengguguran teori lewat fakta-fakta.
- 4. ALASAN PENGGUNAAN PLS-SEM •PLS tidak terbatas hanya untuk hubungan antara indikator dengan konstrak latennya yang bersifat reflektif saja, tetapi juga dipakai untuk hubungan yang bersifat formatif. • PLS dapat digunakan untuk menaksir model path • PLS dapat digunakan untuk model yang sangat kompleks yaitu terdiri dari banyak peubah laten dan manifest tanpa mengalami masalah dalam estimasi data. • PLS dapat digunakan ketika distribusi data sangat miring atau tidak tersebar diseluruh nilai rata-ratanya. • PLS dapat digunakan untuk menghitung peubah moderator secara langsung, karena penelitian ini sendiri terdiri dari 1 peubah moderator. https://www.smartpls.com/downloads Pada kesempatan ini kita akan mempelajari hasil pengolahan data menggunakan Aplikasi Smart-PLS versi 3.3.2 yang dapat di download pada link berikut:
- 5. Gambar. Paradigma Penelitian ModelPenelitian: 𝜂1 = 𝛽1 𝜉1 + 𝛽2 𝜉2 + 𝜁1 Kepatuhan WP = PersepsiWP + PengetahuanWP + Epsilon1 𝜂2 = 𝛽1 𝜂1 + 𝛽2 𝜉1 + 𝛽3 𝜉2 + 𝜁2 Kesadaran WP = Kepatuhan WP + PersepsiWP + PengetahuanWP + Epsilon2
- 6. RINGKASAN EVALUASI PENGUKURANOUTER MODEL (Imam Ghozali, 2014) Validitas dan Reliabilitas Parameter Rule of Thumb Validitas Convergent Loading Faktor • > 0.70 untuk Confirmatory Research • > 0.60 untuk Explanatory Research Average Variance Extracted (AVE) • > 0.50 untuk Confirmatory maupun Explanatory Research Validitas Discriminant Cross Loading • > 0.70 untuk setiap peubah Reliabilitas Cronbach’s Alpha • 0.70 untuk Confirmatory Research • 0.60 masih dapat diterima untuk Explanatory Research Composite Reliability • 0.70 untuk Confirmatory Research • 0.60 masih dapat diterima untuk Explanatory Research Analisa outer model dilakukan untuk memastikan bahwa pengukuran yang digunakan valid dan reliabel.
- 7. Convergent Validity •Pengujian terhadap indikatordalam peubah laten untuk memastikan bahwa indikator yang digunakan dalam penelitian ini benar-benar mampu dipahami dengan baik oleh responden sehingga responden tidak mengalami kesalahpahaman terhadap indikator yang digunakan. Discriminant Validity •Pengukuran indikator refleksif berdasarkan cross loading dengan peubah latennya. Bilamana nilai cross loading setiap indikator pada peubah bersangkutan lebih besar dibandingkan dengan cross loading pada peubah laten lainnya maka dikatakan valid. •Metode lain dengan membandingkan nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antar konstruk lainnya dalam model. •Jika AVE konstruk lebih besar dari korelasi dengan seluruh konstruk lainnya maka dikatakan memiliki discriminant validity yang baik. Composite reliability •Indeks yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya untuk diandalkan. Bila suatu alat dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten maka alat tersebut reliabel. •Dengan kata lain, reliabilitas menunjukkan suatu konsistensi alat pengukur dalam gejala yang sama.
- 11. RINGKASANHASILUJIVALIDITAS Peubah Laten IndikatorNilai loading Faktor Keterangan Persepsi Wajib Pajak Persep1 0.735 Valid Persep2 0.710 Valid Persep3 0.817 Valid Persep4 0.839 Valid Persep5 0.748 Valid Persep6 0.779 Valid Pengetahuan Wajib Pajak Penget1 0.705 Valid Penget2 0.752 Valid Penget3 0.780 Valid Penget4 0.806 Valid Penget5 0.729 Valid Penget6 0.781 Valid Kepatuhan Wajib Pajak Patuh1 0.775 Valid Patuh2 0.857 Valid Patuh3 0.880 Valid Patuh4 0.860 Valid Patuh5 0.742 Valid Patuh6 0.776 Valid Kesadaran Wajib Pajak Sadar1 0.836 Valid Sadar2 0.836 Valid Sadar3 0.796 Valid Sadar4 0.913 Valid Sadar5 0.872 Valid
- 12. RINGKASAN HASIL UJIRELIABILITAS Peubah Laten Nilai Cronbach’s Alpha Keterangan Persepsi Wajib Pajak 0.864 Reliabel Pengetahuan Wajib Pajak 0.854 Reliabel Kepatuhan Wajib Pajak 0.899 Reliabel Kesadaran Wajib Pajak 0.905 Reliabel Sumber: Data Penelitian diolah
- 13. RINGKASAN EVALUASI PENGUKURANINNER MODEL (Imam Ghozali, 2014) Kriteria Rule of Thumb Signifikansi • > 1.65 (significance level = 10%) • > 1.96 (significance level = 5%) • > 2.58 (significance level = 1%) R-Square • 0.75 menunjukkan model kuat • 0.50 menunjukkan model moderate • 0.25 menunjukkan model lemah Analisa inner model/analisa struktural model dilakukan untuk memastikan bahwa model struktural yang dibangun akurat.
- 15. RINGKASAN OUTPUT INNERMODEL (Direct Effects)
- 17. RINGKASAN PENGARUH LANGSUNG,TAK LANGSUNG, DAN TOTAL Pengaruh Langsung Pengaruh Tak langsung Pengaruh Total Persepsi WP → Kepatuhan WP t_observasi 2.995 - 5.262 Koefisien Jalur 0.327 - 0.327 Pengetahuan WP → Kepatuhan WP t_observasi 11.589 - 10.634 Koefisien Jalur 0.634 - 0.634 Persepsi WP → Kesadaran WP t_observasi 2.995 2.609 3.698 Koefisien Jalur 0.224 0.175 0.399 Pengetahuan WP → Kesadaran WP t_observasi 0.829 2.609 3.648 Koefisien Jalur 0.148 0.338 0.486 Kepatuhan WP → Kesadaran WP t_observasi 3.715 - 3.715 Koefisien Jalur 0.534 - 0.534 Sumber: Data Penelitian diolah
- 18.
- 19. MY PROFILE • GoogleScholar https://scholar.google.com/citations?user=JPk48hgAAAAJ&hl=id • Sinta http://sinta.ristekbrin.go.id/authors/detail?id=6178187&view=overview • Orcid https://orcid.org/0000-0002-2216-9371 • Ketua Bidang Penelitian IAEI Komisariat Institut Ilmu Sosial dan Manajemen STIAMI • Penulis Buku Metodologi Penelitian Keuangan dan Bisnis https://drive.google.com/file/d/1lMSTppT5XOuJe0xCr0tZsxnVGmtC5bSA/view?usp=sharing • Ilomata International Journal https://www.ilomata.org/index.php/ijtc/about/editorialTeam https://www.ilomata.org/index.php/ijjm/about/editorialTeam https://www.ilomata.org/index.php/ijss/about/editorialTeam • Maker: Jurnal Manajemen https://maker.ac.id/index.php/maker/about/displayMembership/3 • Journal of Sharia Economics http://journal.iaialhikmahtuban.ac.id/index.php/JSE/about/editorialTeam • Sofyan Frozen https://sites.google.com/view/sofyan-frozen-food/
- 20.