際際滷

際際滷Share a Scribd company logo

A short introduction to Partial Least Squares Structural Equation Modeling

Bodhiya Wijaya Mulya
Bodhiya Wijaya Mulya

Dokumen tersebut memberikan informasi mengenai pendekatan Partial Least Squares Structural Equation Modeling (PLS-SEM) untuk analisis data, meliputi penjelasan tentang PLS-SEM, langkah-langkah analisis data dengan PLS-SEM, serta contoh analisis mediasi dan moderasi menggunakan PLS-SEM.

1 of 31
Downloaded 15 times
11/25/2017 1 Bodhiya Wijaya Mulya, S.Sos., M.M. Brief Profile Expertise Area: Research methodology Private Sector Development Social entrepreneurship Social statistics Sociology of religion Contact info: For consultation or detailed training, contact: bodhiyawijaya@gmail.com 息Bodhiya Wijaya Mulya
11/25/2017 2 息Bodhiya Wijaya Mulya Bodhiya Wijaya Mulya, S.Sos., M.M. Apa itu PLS-SEM ? Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah salah satu cara pendekatan SEM yang berfokus pada variance. Secara sederhana PLS-SEM bisa dibilang adalah versi non-parametric dari SEM PLS-SEM merupakan pendekatan dari SEM yang fleksibel tanpa terikat dengan asumsi dari distribusi data 息Bodhiya Wijaya Mulya
11/25/2017 3 Perkembangan PLS-SEM Dibuat pada pertengahan tahun 1960 Sampai pertengahan tahun 2000an belum ada perkembangan lebih lanjut agar PLS-SEM dapat dipakai dengan mudah Generasi pertama PLS-SEM yang biasa dipakai ada di tahun 1980an adalah LVPLS 1.8 yang masih berbasis program DOS 息Bodhiya Wijaya Mulya Perkembangan PLS-SEM Paket software PLS-SEM yang populer saat ini adalah WarpPLS (software komersial) dan SmartPLS (software freemium) 息Bodhiya Wijaya Mulya
11/25/2017 4 PLS-SEM (vs) CB-SEM Gunakan PLS-SEM: Tujuan dari penelitian adalah memperkirakan relasi antara variable-variable laten kunci atau mencari variable laten yang menjadi penggerak Terdapat indicator formatif Terdapat banyak variable laten dan banyak variable manifest atau model yang dihasilkan rumit Jumlah sample sedikit dan/atau tidak berdistribusi normal 息Bodhiya Wijaya Mulya PLS-SEM (vs) CB-SEM Gunakan CB-SEM: Tujuan penelitian adalah menguji atau mengkonfirmasi teori serta membandingkan antara beberapa alternative teori Terdapat hubungan dua-arah/ di dalam model Model relatif sederhana 息Bodhiya Wijaya Mulya
11/25/2017 5 Karakteristik PLS-SEM Hanya mengijinkan hubungan searah atau rekursif Terdiri atas variable: Variabel laten/unobserved variable/konstruk Variable manifest/observed variable/indikator 息Bodhiya Wijaya Mulya Karakteristik PLS-SEM Hubungan antara konstruk dan indikator dapat bersifat reflektif dan formatif Satu manifest hanya bisa dihubungkan dengan satu laten saja 息Bodhiya Wijaya Mulya
11/25/2017 6 Karakteristik PLS-SEM PLS SEM mewajibkan bebas multikolinearitas antar variable-variable eksogen-nya Tidak ada kriteria goodness of fit Dapat digunakan untuk riset-riset eksploratif Sangat berguna ketika sample sangat terbatas dan distribusi data tidak normal 息Bodhiya Wijaya Mulya Sample dalam PLS-SEM 息Bodhiya Wijaya Mulya
11/25/2017 7 Langkah-Langkah Analisis Data Dengan PLS-SEM Spesifikasi model structural dan pengukuran Pengumpulan data Mengukur model pengukuran (Reflektif) Mengukur model pengukuran (Formatif) Mengukur model struktural 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran Proses penyusunan model structural harus didasarkan pada teori yang ada Jenis-jenis variable laten di dalam PLS-SEM ada beberapa yakni: Variabel Eksogen Variabel Endogen Variabel Mediator Variabel Moderator 息Bodhiya Wijaya Mulya
11/25/2017 8 Spesifikasi model structural dan pengukuran Penyusunan model pengukuran adalah proses membuat indicator yang mengukur suatu konstruk/laten. Proses pembuatan ini dapat menggunakan penelitian terdahulu ataupun disusun oleh peneliti dengan mengacu pada beberapa referensi teoritis yang ada 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran Terdapat dua bentuk model pengukuran yakni Model reflektif atau Mode A: Indikator merupakan suatu kemungkinan kumpulan item yang digunakan untuk mengukur suatu konstruk. Dalam model ini, indicator bisa saling bertukar satu sama lain ataupun dikurangi selama masih mempertahankan reliabilitas. Indicator di dalam model reflektif juga akan saling berkorelasi satu sama lain 息Bodhiya Wijaya Mulya
11/25/2017 9 Spesifikasi model structural dan pengukuran Terdapat dua bentuk model pengukuran yakni Model formatif atau Mode B: Indikator- indicator lah yang menyusun suatu konsep. Dalam model ini, indicator mewakili aspek tertentu di dalam konstruk sehingga indikator tidak bisa saling bertukar satu sama lain. Pengurangan indicator akan berakibat pada makna yang berbeda pada konstruk. Indicator di dalam model formatif tidak diharapkan saling berkorelasi satu sama lain 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran 息Bodhiya Wijaya Mulya
11/25/2017 10 Pengumpulan (Pembersihan) Data Missing Data: PLS dapat secara otomatis menggantikan data yang tidak terisi dengan rata-rata kelompok. Bila dalam satu responden terdapat lebih dari 15% missing data maka data seluruh responden harus dihilangkan dari dataset 息Bodhiya Wijaya Mulya Pengumpulan (Pembersihan) Data Outliers harus dibersihkan dari data sebelum dianalisis dengan PLS-SEM. PLS-SEM tidak masalah dengan distribusi data yang tidak normal namun kalau data tersebut terlalu tidak normal, sebaiknya dilakukan pemeriksaan terlebih dahulu. Misalnya jika didapati skewness dan kurtosis lebih dari 1. 息Bodhiya Wijaya Mulya
11/25/2017 11 Model Pengukuran Reflektif Model pengukuran perupaya untuk melihat apakah indicator sudah menjadi alat ukur yang tepat bagi konstruk. Bagian utama dalam analisis model pengukuran adalah validitas dan reliabilitas Tidak ada goodness of fit di dalam PLS-SEM 息Bodhiya Wijaya Mulya Model Pengukuran Reflektif Reliability: Composite Reliability Indicator Reliability 息Bodhiya Wijaya Mulya
11/25/2017 12 Model Pengukuran Reflektif Convergent Validity Outer loading Average Variance Extracted (AVE) 息Bodhiya Wijaya Mulya Model Pengukuran Reflektif Discriminant Validity Cross-Loading Fornell-Larcker criterion 息Bodhiya Wijaya Mulya
11/25/2017 13 Model Pengukuran Formatif Redundancy Analysis 息Bodhiya Wijaya Mulya Model Pengukuran Formatif Collinearity Analysis Indikator-indikator dari model formatif tidak boleh saling berkorelasi satu sama lain Diuji dengan SPSS untuk melihat nilai tolerance dan VIF 息Bodhiya Wijaya Mulya
11/25/2017 14 Model Pengukuran Formatif Outer Weight Uji Significance outer weight dengan bootstrapping Outer Loading Uji Significance outer loading dengan bootstrapping 息Bodhiya Wijaya Mulya Model Struktural Memeriksa multikolinearitas antar variable laten Variabel-variabel laten eksogenus yang memengaruhi suatu variable laten endogenus yang sama tidak boleh memiliki korelasi satu sama lain 息Bodhiya Wijaya Mulya
11/25/2017 15 Model Struktural Menguji path coefficient beserta nilai significance-nya Path coefficient adalah nilai yang menunjukkan kekuatan dan arah korelasi antara satu variable dengan variable yang lain Nilai significance-nya didapatkan dari prosedur bootstrapping 息Bodhiya Wijaya Mulya Model Struktural Melihat nilai coefficient of determinantion (R2 value) Menunjukkan seberapa besar suatu variable endogen dipengaruhi oleh variable-variable eksogen-nya Berkisar antara 0 sampai 1 息Bodhiya Wijaya Mulya
11/25/2017 16 Model Struktural Menghitung effect size (f2 value) Sebagai tambahan atas analisis R2 untuk melihat apakah keberadaan suatu variable eksogenus tertentu memiliki dampak yang substansial terhadap variable endogen 息Bodhiya Wijaya Mulya Model Struktural Menghitung Q2 Nilai predictive relevance mengukur seberapa tepat model tersebut memprediksikan variable laten endogenus Didapatkan melalui mekanisme blindfolding Tahap ini hanya perlu dilakukan untuk variable endogen yang berindikator reflektif saja 息Bodhiya Wijaya Mulya
11/25/2017 17 Model Struktural Menghitung q2 Nilai predictive relevance relatif Mirip dengan f2 effect size Tahap ini hanya perlu dilakukan untuk variable endogen yang berindikator reflektif saja 息Bodhiya Wijaya Mulya Bodhiya Wijaya Mulya, S.Sos., M.M.
11/25/2017 18 Analisis Mediasi Variabel Mediasi adalah suatu variable yang menjadi penghubung antara variable Eksogen dan Endogen. 息Bodhiya Wijaya Mulya Analisis Mediasi 息Bodhiya Wijaya Mulya
11/25/2017 19 Analisis Mediasi Langkah-Langkah Analisis Mediasi 1. Melihat hubungan langsung antara eksogen dan endogen tanpa adanya mediasi Mengeluarkan variable mediasi dari model PLS Bila path coefficient signifikan maka lanjutkan Bila hasilnya tidak signifikan maka tidak ada efek mediasi 息Bodhiya Wijaya Mulya Analisis Mediasi Langkah-Langkah Analisis Mediasi 2. Melihat hubungan tidak langsung antara eksogen dan endogen melalui variable mediasi Masukkan variable mediasi ke model PLS Bila path coefficient hubungan tidak langsung menunjukkan hasil yang signifikan maka lanjutkan Bila hasilnya tidak signifikan maka tidak ada mediasi 息Bodhiya Wijaya Mulya
11/25/2017 20 Analisis Mediasi Langkah-Langkah Analisis Mediasi 3. Menghitung nilai Variance Accounted For = Total Effect adalah efek tidak langsung ditambah efek langsung 息Bodhiya Wijaya Mulya Analisis Mediasi Langkah-Langkah Analisis Mediasi 4. Menginterpretasi hasil VAF VAF > 80% Mediasi penuh VAF = 20%-80% Mediasi sebagian VAF < 20% Tidak ada mediasi 息Bodhiya Wijaya Mulya
11/25/2017 21 Analisis Moderasi Variabel moderator adalah variable yang memperkuat atau memperlemah hubungan antara variable eksogen dengan variable endogen Variabel moderator bahkan dapat mengubah arah dari suatu hubungan antara eksogen dan endogen 息Bodhiya Wijaya Mulya Analisis Moderasi Dalam hubungan antara kepuasan pelanggan dan loyalitas pelanggan dapat dimoderasi oleh income bulanan pelanggan 息Bodhiya Wijaya Mulya
11/25/2017 22 Analisis Moderasi Terdapat dua pendekatan dalam melakukan analisis moderasi 1. Product Indicator Approach 2. Two Stages Approach 息Bodhiya Wijaya Mulya Analisis Moderasi Product Indicator Approach Dilakukan dengan membuat sebuah variable baru yang merupakan hasil perkalian antara variable eksogen dan moderator Variabel ini bisa disebut sebagai variable interaksi Setiap indicator di masing-masing variabel juga dikalikan 息Bodhiya Wijaya Mulya
11/25/2017 23 Analisis Moderasi Product Indicator Approach 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach Pendekatan ini harus digunakan apabila ada indicator formatif dalam model Akan tetapi model dengan indicator reflektif juga bisa menggunakan pendekatan ini 息Bodhiya Wijaya Mulya
11/25/2017 24 Analisis Moderasi Two Stage Approach First Stage: Model diestimasi tanpa melihat interaksi antara variable eksogen dan moderator Hasil Latent Variable Score disimpan dan digunakan untuk Second Stage 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach First Stage: 息Bodhiya Wijaya Mulya
11/25/2017 25 Analisis Moderasi Two Stage Approach Second Stage: Buat variable interaksi yang merupakan perkalian antara eksogen dengan moderator Latent Variable Score di stage 1 dari masing-masing variable dijadikan indicator reflektif untuk variable terkait 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach Second Stage: Variabel perkalian antara eksogen dan moderator menggunakan indicator yang berasal dari perkalian LV score eksogen dan moderator di stage 1 息Bodhiya Wijaya Mulya
11/25/2017 26 Analisis Moderasi Two Stage Approach Second Stage: 息Bodhiya Wijaya Mulya Analisis Moderasi Interpretasi dilakukan dengan melihat path coefficient dan p-value dari variable interaksi Bila path coefficient menunjukkan hasil positif maka berarti variable moderator memperkuat hubungan antara eksogen dan endogen Sebaliknya hasil negative menunjukkan variable moderator justru memperlemah hubungan 息Bodhiya Wijaya Mulya
11/25/2017 27 Analisis Hierarchical Component Model Dalam beberapa kasus, suatu variable laten memiliki indicator yang juga berupa variable laten. 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Alasan menggunakan HCM Mengurangi kompleksitas model structural Mengatasi multikolinearitas antara variable eksogen Mengatasi indicator-indicator formative yang saling berkorelasi 息Bodhiya Wijaya Mulya
11/25/2017 28 Analisis Hierarchical Component Model Empat jenis HCM 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Terdapat dua pendekatan untuk melakukan analisis hierarchical component model Repeated Indicator Approach Two Stage Approach 息Bodhiya Wijaya Mulya
11/25/2017 29 Analisis Hierarchical Component Model Repeated Indicator Approach Menghubungkan ulang indicator dari dari setiap LOC ke HOC 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Two Stage Approach Digunakan ketika sifat hubungan LOC-HOC serta indicator-LOC berbeda Saat hubungan LOC-HOC bersifat formatif di mana HOC mendapat pengaruh dari variable lain 息Bodhiya Wijaya Mulya
11/25/2017 30 Analisis Hierarchical Component Model Two Stage Approach Lakukan uji repeated indicator untuk mendapatkan Latent Variable Score dari LOC Ubah LOC menjadi indicator dengan menggunakan Latent Variable Score yang didapat dari stage 1 Sifat hubungan tidak boleh diubah 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Two Stage Approach 息Bodhiya Wijaya Mulya
11/25/2017 31 Analisis Hierarchical Component Model Two Stage Approach 息Bodhiya Wijaya Mulya References Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). California: Sage Publications. Hair, J.F., Black, W.C., Anderson, R.E., Babin, B.J. (2010). Multivariate Data Analysis 7th Edition. New Jersey: Prentice Hall Sarwono, J. dan Narimawati, U. (2015). Membuat Skripsi, Tesis, dan Disertasi dengan Partial Least Square SEM. Yogyakarta: Penerbit Andi. Ghozali, I. (2008). Structural Equation Modelling Alternatif dengan Partial Least Square Edisi 2. Semarang: Badan Penerbit Universitas Diponegoro 息Bodhiya Wijaya Mulya

More Related Content

A short introduction to Partial Least Squares Structural Equation Modeling

  • 1. 11/25/2017 1 Bodhiya Wijaya Mulya, S.Sos., M.M. Brief Profile Expertise Area: Research methodology Private Sector Development Social entrepreneurship Social statistics Sociology of religion Contact info: For consultation or detailed training, contact: bodhiyawijaya@gmail.com 息Bodhiya Wijaya Mulya
  • 2. 11/25/2017 2 息Bodhiya Wijaya Mulya Bodhiya Wijaya Mulya, S.Sos., M.M. Apa itu PLS-SEM ? Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah salah satu cara pendekatan SEM yang berfokus pada variance. Secara sederhana PLS-SEM bisa dibilang adalah versi non-parametric dari SEM PLS-SEM merupakan pendekatan dari SEM yang fleksibel tanpa terikat dengan asumsi dari distribusi data 息Bodhiya Wijaya Mulya
  • 3. 11/25/2017 3 Perkembangan PLS-SEM Dibuat pada pertengahan tahun 1960 Sampai pertengahan tahun 2000an belum ada perkembangan lebih lanjut agar PLS-SEM dapat dipakai dengan mudah Generasi pertama PLS-SEM yang biasa dipakai ada di tahun 1980an adalah LVPLS 1.8 yang masih berbasis program DOS 息Bodhiya Wijaya Mulya Perkembangan PLS-SEM Paket software PLS-SEM yang populer saat ini adalah WarpPLS (software komersial) dan SmartPLS (software freemium) 息Bodhiya Wijaya Mulya
  • 4. 11/25/2017 4 PLS-SEM (vs) CB-SEM Gunakan PLS-SEM: Tujuan dari penelitian adalah memperkirakan relasi antara variable-variable laten kunci atau mencari variable laten yang menjadi penggerak Terdapat indicator formatif Terdapat banyak variable laten dan banyak variable manifest atau model yang dihasilkan rumit Jumlah sample sedikit dan/atau tidak berdistribusi normal 息Bodhiya Wijaya Mulya PLS-SEM (vs) CB-SEM Gunakan CB-SEM: Tujuan penelitian adalah menguji atau mengkonfirmasi teori serta membandingkan antara beberapa alternative teori Terdapat hubungan dua-arah/ di dalam model Model relatif sederhana 息Bodhiya Wijaya Mulya
  • 5. 11/25/2017 5 Karakteristik PLS-SEM Hanya mengijinkan hubungan searah atau rekursif Terdiri atas variable: Variabel laten/unobserved variable/konstruk Variable manifest/observed variable/indikator 息Bodhiya Wijaya Mulya Karakteristik PLS-SEM Hubungan antara konstruk dan indikator dapat bersifat reflektif dan formatif Satu manifest hanya bisa dihubungkan dengan satu laten saja 息Bodhiya Wijaya Mulya
  • 6. 11/25/2017 6 Karakteristik PLS-SEM PLS SEM mewajibkan bebas multikolinearitas antar variable-variable eksogen-nya Tidak ada kriteria goodness of fit Dapat digunakan untuk riset-riset eksploratif Sangat berguna ketika sample sangat terbatas dan distribusi data tidak normal 息Bodhiya Wijaya Mulya Sample dalam PLS-SEM 息Bodhiya Wijaya Mulya
  • 7. 11/25/2017 7 Langkah-Langkah Analisis Data Dengan PLS-SEM Spesifikasi model structural dan pengukuran Pengumpulan data Mengukur model pengukuran (Reflektif) Mengukur model pengukuran (Formatif) Mengukur model struktural 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran Proses penyusunan model structural harus didasarkan pada teori yang ada Jenis-jenis variable laten di dalam PLS-SEM ada beberapa yakni: Variabel Eksogen Variabel Endogen Variabel Mediator Variabel Moderator 息Bodhiya Wijaya Mulya
  • 8. 11/25/2017 8 Spesifikasi model structural dan pengukuran Penyusunan model pengukuran adalah proses membuat indicator yang mengukur suatu konstruk/laten. Proses pembuatan ini dapat menggunakan penelitian terdahulu ataupun disusun oleh peneliti dengan mengacu pada beberapa referensi teoritis yang ada 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran Terdapat dua bentuk model pengukuran yakni Model reflektif atau Mode A: Indikator merupakan suatu kemungkinan kumpulan item yang digunakan untuk mengukur suatu konstruk. Dalam model ini, indicator bisa saling bertukar satu sama lain ataupun dikurangi selama masih mempertahankan reliabilitas. Indicator di dalam model reflektif juga akan saling berkorelasi satu sama lain 息Bodhiya Wijaya Mulya
  • 9. 11/25/2017 9 Spesifikasi model structural dan pengukuran Terdapat dua bentuk model pengukuran yakni Model formatif atau Mode B: Indikator- indicator lah yang menyusun suatu konsep. Dalam model ini, indicator mewakili aspek tertentu di dalam konstruk sehingga indikator tidak bisa saling bertukar satu sama lain. Pengurangan indicator akan berakibat pada makna yang berbeda pada konstruk. Indicator di dalam model formatif tidak diharapkan saling berkorelasi satu sama lain 息Bodhiya Wijaya Mulya Spesifikasi model structural dan pengukuran 息Bodhiya Wijaya Mulya
  • 10. 11/25/2017 10 Pengumpulan (Pembersihan) Data Missing Data: PLS dapat secara otomatis menggantikan data yang tidak terisi dengan rata-rata kelompok. Bila dalam satu responden terdapat lebih dari 15% missing data maka data seluruh responden harus dihilangkan dari dataset 息Bodhiya Wijaya Mulya Pengumpulan (Pembersihan) Data Outliers harus dibersihkan dari data sebelum dianalisis dengan PLS-SEM. PLS-SEM tidak masalah dengan distribusi data yang tidak normal namun kalau data tersebut terlalu tidak normal, sebaiknya dilakukan pemeriksaan terlebih dahulu. Misalnya jika didapati skewness dan kurtosis lebih dari 1. 息Bodhiya Wijaya Mulya
  • 11. 11/25/2017 11 Model Pengukuran Reflektif Model pengukuran perupaya untuk melihat apakah indicator sudah menjadi alat ukur yang tepat bagi konstruk. Bagian utama dalam analisis model pengukuran adalah validitas dan reliabilitas Tidak ada goodness of fit di dalam PLS-SEM 息Bodhiya Wijaya Mulya Model Pengukuran Reflektif Reliability: Composite Reliability Indicator Reliability 息Bodhiya Wijaya Mulya
  • 12. 11/25/2017 12 Model Pengukuran Reflektif Convergent Validity Outer loading Average Variance Extracted (AVE) 息Bodhiya Wijaya Mulya Model Pengukuran Reflektif Discriminant Validity Cross-Loading Fornell-Larcker criterion 息Bodhiya Wijaya Mulya
  • 13. 11/25/2017 13 Model Pengukuran Formatif Redundancy Analysis 息Bodhiya Wijaya Mulya Model Pengukuran Formatif Collinearity Analysis Indikator-indikator dari model formatif tidak boleh saling berkorelasi satu sama lain Diuji dengan SPSS untuk melihat nilai tolerance dan VIF 息Bodhiya Wijaya Mulya
  • 14. 11/25/2017 14 Model Pengukuran Formatif Outer Weight Uji Significance outer weight dengan bootstrapping Outer Loading Uji Significance outer loading dengan bootstrapping 息Bodhiya Wijaya Mulya Model Struktural Memeriksa multikolinearitas antar variable laten Variabel-variabel laten eksogenus yang memengaruhi suatu variable laten endogenus yang sama tidak boleh memiliki korelasi satu sama lain 息Bodhiya Wijaya Mulya
  • 15. 11/25/2017 15 Model Struktural Menguji path coefficient beserta nilai significance-nya Path coefficient adalah nilai yang menunjukkan kekuatan dan arah korelasi antara satu variable dengan variable yang lain Nilai significance-nya didapatkan dari prosedur bootstrapping 息Bodhiya Wijaya Mulya Model Struktural Melihat nilai coefficient of determinantion (R2 value) Menunjukkan seberapa besar suatu variable endogen dipengaruhi oleh variable-variable eksogen-nya Berkisar antara 0 sampai 1 息Bodhiya Wijaya Mulya
  • 16. 11/25/2017 16 Model Struktural Menghitung effect size (f2 value) Sebagai tambahan atas analisis R2 untuk melihat apakah keberadaan suatu variable eksogenus tertentu memiliki dampak yang substansial terhadap variable endogen 息Bodhiya Wijaya Mulya Model Struktural Menghitung Q2 Nilai predictive relevance mengukur seberapa tepat model tersebut memprediksikan variable laten endogenus Didapatkan melalui mekanisme blindfolding Tahap ini hanya perlu dilakukan untuk variable endogen yang berindikator reflektif saja 息Bodhiya Wijaya Mulya
  • 17. 11/25/2017 17 Model Struktural Menghitung q2 Nilai predictive relevance relatif Mirip dengan f2 effect size Tahap ini hanya perlu dilakukan untuk variable endogen yang berindikator reflektif saja 息Bodhiya Wijaya Mulya Bodhiya Wijaya Mulya, S.Sos., M.M.
  • 18. 11/25/2017 18 Analisis Mediasi Variabel Mediasi adalah suatu variable yang menjadi penghubung antara variable Eksogen dan Endogen. 息Bodhiya Wijaya Mulya Analisis Mediasi 息Bodhiya Wijaya Mulya
  • 19. 11/25/2017 19 Analisis Mediasi Langkah-Langkah Analisis Mediasi 1. Melihat hubungan langsung antara eksogen dan endogen tanpa adanya mediasi Mengeluarkan variable mediasi dari model PLS Bila path coefficient signifikan maka lanjutkan Bila hasilnya tidak signifikan maka tidak ada efek mediasi 息Bodhiya Wijaya Mulya Analisis Mediasi Langkah-Langkah Analisis Mediasi 2. Melihat hubungan tidak langsung antara eksogen dan endogen melalui variable mediasi Masukkan variable mediasi ke model PLS Bila path coefficient hubungan tidak langsung menunjukkan hasil yang signifikan maka lanjutkan Bila hasilnya tidak signifikan maka tidak ada mediasi 息Bodhiya Wijaya Mulya
  • 20. 11/25/2017 20 Analisis Mediasi Langkah-Langkah Analisis Mediasi 3. Menghitung nilai Variance Accounted For = Total Effect adalah efek tidak langsung ditambah efek langsung 息Bodhiya Wijaya Mulya Analisis Mediasi Langkah-Langkah Analisis Mediasi 4. Menginterpretasi hasil VAF VAF > 80% Mediasi penuh VAF = 20%-80% Mediasi sebagian VAF < 20% Tidak ada mediasi 息Bodhiya Wijaya Mulya
  • 21. 11/25/2017 21 Analisis Moderasi Variabel moderator adalah variable yang memperkuat atau memperlemah hubungan antara variable eksogen dengan variable endogen Variabel moderator bahkan dapat mengubah arah dari suatu hubungan antara eksogen dan endogen 息Bodhiya Wijaya Mulya Analisis Moderasi Dalam hubungan antara kepuasan pelanggan dan loyalitas pelanggan dapat dimoderasi oleh income bulanan pelanggan 息Bodhiya Wijaya Mulya
  • 22. 11/25/2017 22 Analisis Moderasi Terdapat dua pendekatan dalam melakukan analisis moderasi 1. Product Indicator Approach 2. Two Stages Approach 息Bodhiya Wijaya Mulya Analisis Moderasi Product Indicator Approach Dilakukan dengan membuat sebuah variable baru yang merupakan hasil perkalian antara variable eksogen dan moderator Variabel ini bisa disebut sebagai variable interaksi Setiap indicator di masing-masing variabel juga dikalikan 息Bodhiya Wijaya Mulya
  • 23. 11/25/2017 23 Analisis Moderasi Product Indicator Approach 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach Pendekatan ini harus digunakan apabila ada indicator formatif dalam model Akan tetapi model dengan indicator reflektif juga bisa menggunakan pendekatan ini 息Bodhiya Wijaya Mulya
  • 24. 11/25/2017 24 Analisis Moderasi Two Stage Approach First Stage: Model diestimasi tanpa melihat interaksi antara variable eksogen dan moderator Hasil Latent Variable Score disimpan dan digunakan untuk Second Stage 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach First Stage: 息Bodhiya Wijaya Mulya
  • 25. 11/25/2017 25 Analisis Moderasi Two Stage Approach Second Stage: Buat variable interaksi yang merupakan perkalian antara eksogen dengan moderator Latent Variable Score di stage 1 dari masing-masing variable dijadikan indicator reflektif untuk variable terkait 息Bodhiya Wijaya Mulya Analisis Moderasi Two Stage Approach Second Stage: Variabel perkalian antara eksogen dan moderator menggunakan indicator yang berasal dari perkalian LV score eksogen dan moderator di stage 1 息Bodhiya Wijaya Mulya
  • 26. 11/25/2017 26 Analisis Moderasi Two Stage Approach Second Stage: 息Bodhiya Wijaya Mulya Analisis Moderasi Interpretasi dilakukan dengan melihat path coefficient dan p-value dari variable interaksi Bila path coefficient menunjukkan hasil positif maka berarti variable moderator memperkuat hubungan antara eksogen dan endogen Sebaliknya hasil negative menunjukkan variable moderator justru memperlemah hubungan 息Bodhiya Wijaya Mulya
  • 27. 11/25/2017 27 Analisis Hierarchical Component Model Dalam beberapa kasus, suatu variable laten memiliki indicator yang juga berupa variable laten. 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Alasan menggunakan HCM Mengurangi kompleksitas model structural Mengatasi multikolinearitas antara variable eksogen Mengatasi indicator-indicator formative yang saling berkorelasi 息Bodhiya Wijaya Mulya
  • 28. 11/25/2017 28 Analisis Hierarchical Component Model Empat jenis HCM 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Terdapat dua pendekatan untuk melakukan analisis hierarchical component model Repeated Indicator Approach Two Stage Approach 息Bodhiya Wijaya Mulya
  • 29. 11/25/2017 29 Analisis Hierarchical Component Model Repeated Indicator Approach Menghubungkan ulang indicator dari dari setiap LOC ke HOC 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Two Stage Approach Digunakan ketika sifat hubungan LOC-HOC serta indicator-LOC berbeda Saat hubungan LOC-HOC bersifat formatif di mana HOC mendapat pengaruh dari variable lain 息Bodhiya Wijaya Mulya
  • 30. 11/25/2017 30 Analisis Hierarchical Component Model Two Stage Approach Lakukan uji repeated indicator untuk mendapatkan Latent Variable Score dari LOC Ubah LOC menjadi indicator dengan menggunakan Latent Variable Score yang didapat dari stage 1 Sifat hubungan tidak boleh diubah 息Bodhiya Wijaya Mulya Analisis Hierarchical Component Model Two Stage Approach 息Bodhiya Wijaya Mulya
  • 31. 11/25/2017 31 Analisis Hierarchical Component Model Two Stage Approach 息Bodhiya Wijaya Mulya References Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). California: Sage Publications. Hair, J.F., Black, W.C., Anderson, R.E., Babin, B.J. (2010). Multivariate Data Analysis 7th Edition. New Jersey: Prentice Hall Sarwono, J. dan Narimawati, U. (2015). Membuat Skripsi, Tesis, dan Disertasi dengan Partial Least Square SEM. Yogyakarta: Penerbit Andi. Ghozali, I. (2008). Structural Equation Modelling Alternatif dengan Partial Least Square Edisi 2. Semarang: Badan Penerbit Universitas Diponegoro 息Bodhiya Wijaya Mulya