Dokumen tersebut membandingkan karakteristik SEM berbasis Partial Least Square (PLS) dan SEM berbasis kovarians (AMOS/Lisrel). PLS lebih bersifat prediktif, nonparametrik, dan dapat menangani sampel kecil, sedangkan AMOS/Lisrel lebih bersifat parameter, asumsi parametrik, dan membutuhkan sampel besar. Kedua pendekatan memiliki kelebihan dan kekurangan dalam hal model, solusi, dan praktik penerapannya.

1. SEM
Kriteria PLS SEM AMOS/Lisrel SEM
Tujuan Prediksi Parameter
Pendekatan Variance Covariance
Asumsi Nonparametrik Parametrik
Sampel 30-100 200-800
Model Besar (100 konstruk Kecil (<100 indikator)
dan 1000 indikator
Solusi Admisable Mungkin Inadmisable
Determinacy Mungkin Indeterminacy
identified Mungkin unidentified
1

2. Praktek SEM –
Partial Least Square (PLS)
Useful
ness
Model Adops
i
Ease
of use
2

3. Variabel Laten
• Reflektif • Formatif
• Arah hub dr konstruk ke • Arah hub dr indikator ke
indikator konstruk
• Antar indikator berkorelasi • Antar indikator tidak
berkorelasi
X1 e1
X1
X X2 e2
e X X1
X3 e2 X1
3

4. Indikator dan Konstruk
• Operationalizing the Constructs
• Scales from Prior Research
• Usfulness (U) 6 items (Pikkarainen, 2004)
• Ease of use (T) 6 items (Kim & Prabhakar (2004).
• Adoption (AD) 4 items (Bhattacherjee dan Sanford (2006)
4

5. Menjalankan PLS
1. Buka layar PLS : 2. klik start dan akan
Klik icon java web start dan akan tampak
tampak
5

6. Menjalankan PLS
3.Membuat file baru
• Klik file dan pilih new
• Isi nama file diingninkan
misal LatihPLS
• Klik data dan cari file yg
diinginkan (file dg
ekstensi CSV
• Pada CSV separators:
ganti pilihan semicolon
dengan Comma
• Klik ok
6

7. Menjalankan PLS –Menu Utama
Selection mode
Drawing mode
Connection mode
Calculate
Bootstrapping
7

8. Menjalankan PLS –Menu Utama
• Untuk menggambar variabel latent klik Drawing mode
(tanda bundar) kemudian diklikan kembali pada layar kerja
• Untuk memberi nama variabel latent, klik connection mode
kemudian klik variabel latent 2 kali. Kemudian tekan enter
• Untuk menghubungkan antar variabel latent, klik selection
mode. Klik satu variabel latent dan drag ke variabel latent
lain. Misal mulai dr variabel independen ke dependen
• Untuk menggambar dan memberi nama variabel observed,
blok nama2 indikator dan drag ke variabel latent
• Indikator dapat disembunyikan dengan mengklik var latent,
kemudian klik kanan. Pilih opsi-opsi yang diinginkan
8

9. Menjalankan PLS
4. Gambar model
struktural dengan
tombol yg ada
9

10. Menjalankan PLS
4. Properties diisi
seperti berikut
5. Untuk menghasilkan
output, pilih calculate
model dan
Bootstrapping
10

11. Ouput PLS-Grafik
11

12. Uji Validitas
original mean of Standard T-Statistic
sample subsamples deviation
estimate
• Convergent validity Adopsi
AD1
0.720
0.612
0.229
3.149
ditunjukan oleh AD2
AD3
0.745
0.740
0.693
0.735
0.155
0.097
4.824
7.656
korelasi antara AD4
Usefulness
0.749
0.749
0.126
5.928
indikator dengan skor U1
U2
0.775
0.725
0.797
0.721
0.046
0.072
16.904
10.122
konstruk. U3
U4
0.764
0.775
0.787
0.760
0.055
0.110
13.814
7.057
• Faktor Loading >|.5|
U5 0.751 0.760 0.058 13.010
U6 0.716 0.730 0.076 9.435
pada outer loading
ease of use
R1 -0.185 -0.161 0.184 1.003
•
R2 0.735 0.748 0.082 9.017
Indikator R1 dan R4 R3
R4
0.787
0.070
0.800
0.072
0.046
0.186
17.207
0.378
tidak valid R5
R6
0.719
0.697
0.691
0.690
0.099
0.094
7.279
7.391
R7 0.741 0.714 0.078 9.495
R8 0.775 0.750 0.094 8.212
12

13. Uji Validitas
Cross loadings
• Discriminant validity Adopsi Usefulne
ss
ease of
use
ditunjukan oleh cross AD1
AD2
0.720
0.745
0.184
0.192
0.147
0.224
loading antara indikator AD3
AD4
0.740
0.749
0.185
0.202
0.205
0.250
dengan skor konstruk. R1
R2
-0.087
0.150
-0.113
0.228
-0.185
0.735
• Korelasi konstruk dg R3
R4
0.180
-0.090
0.285
0.141
0.787
0.070
indikatornya lebih tinggi R5
R6
0.135
0.157
0.225
0.209
0.719
0.697
dibandingkan korelasi R7
R8
0.138
0.146
0.246
0.324
0.741
0.775
dengan indikator lainnya U1
U2
0.142
0.133
0.775
0.725
0.273
0.220
kecuali R1 dan R4 U3
U4
0.140
0.173
0.764
0.775
0.272
0.249
U5 0.143 0.751 0.287
U6 0.092 0.716 0.238
13

14. Uji Validitas
Correlations of the latent variables
• Discriminant Validity juga Adopsi Usefulness ease of use
bisa dilihat dengan Adopsi 1.000
membandingkan akar Usefulness
ease of use
0.253
0.278
1.000
0.496
1.000
AVE setiap konstruk
dengan korelasi konstruk
dg konstruk lainnya
•
Average variance extracted
Akar AVE > Korelasi (AVE)
•
Adopsi 0.546
Semua valid Usefulness 0.564
ease of use 0.419
14

15. Uji Reliabilitas
• Menguji blok
indikator yang Composite Reliability
mengukur
kosntruk
Composite
Reliability
•
Adopsi 0.828
Composite Usefulness
ease of use
0.886
0.802
Reliability >.7
15

16. Menilai Inner Model (Model Struktural)
(setelah R1 dan R4 dikeluarkan)
• Melihat besar
hubungan antar
variabel latent
results for inner weights
(konstruk) original mean of Standard T-Statistic
• Signifikan bilsa t-stat
sample subsamples deviation
estimate
Usefulness 0.154 0.197 0.136 1.136
lebih besar dr t-table -> Adopsi
ease of use 0.201 0.227 0.110 1.829
(Misal 1,64 utk λ 5%)
-> Adopsi
ease of use 0.492 0.549 0.072 6.876
->
Usefulness
16

17. Pengujian Hipotesa & Jumlah Varian
• Manfaat (U) berhubungan
positif dengan adopsi
(AD)
original mean of Standard T-Statistic
sample subsamples deviation
•
estimate
Kemudahan penggunaan Usefulness 0.154 0.197 0.136 1.136
(R) berhubungan positif
-> Adopsi
ease of use 0.201 0.227 0.110 1.829
dengan adopsi (AD) -> Adopsi
ease of use 0.492 0.549 0.072 6.876
• Kemudahan penggunaan ->
Usefulness
(R) berhubungan positif
dengan manfaat R-square
Adopsi 0.095
Usefulness 0.242
ease of
use
17