Tahapan analisis SEM-PLS perlu melalui lima proses tahapan yang saling
berkaitan. Setiap tahapan berpengaruh terhadap proses selanjutnya. Berikut tahapan dalam analisis SEM-PLS:
1. Konseptualisasi Model
Tahap awal yang perlu dilakukan adalah mendefinisikan secara konseptual
konstruk-kontruk yang akan diteliti beserta dimensionalitas dan arah hubungan.
Selain itu perlu menentukan penggunaan antara indikator formatif atau reflektif.
2. Algoritma Metode Analisis
Pogram WarpPLS setidaknya menyediakan empat pilihan algoritma analisis.
Warp 3 PLS Regression umum dipakai karena menyediakan hasil terlengkap
dengan model s-curve dan u-curve. Warp 2 PLS Regression menghasilkan dua
u-curve. Algoritma PLS Regression dan Robust Path Analysis merupakan
metode standar yang tidak menghasilkan s-curve dan u-curve.
3. Metode Resampling
Metode resampling atau penyampelan kembali adalah sebuah pendekatan dalam
menguji model teoritis dengan cara mengolah beberapa subsampel dari sampel
orisinil kemudian mengestimasi model untuk setiap subsampel. Hasil estimasi
dari setiap subsample lalu digabungkan (menggunakan rata-rata) hingga dapat
diperoleh nilai signifikansi statistik (nilai t dan p). Metode resampling
merupakan pendekatan nonparametrik yang tepat untuk analisis SEM-PLS guna
memperoleh nilai signifikansi statistik tanpa harus memenuhi asumsi-asumsi
yang ketat (Sholihin & Ratmono, 2013).
Program WarpPLS menyediakan empat pilihan metode resampling, yaitu
Bootstrapping, Jackknifing, Blinfolding dan Stable. Stable adalah default tanpa
menggunakan resampling. Bootstrapping menggunakan algoritma yang
menciptakan jumlah subsampel (resample) dengan mengambil sampel kemudian
menggantinya (resampling with replacement). Jackknifing bekerja dengan cara
menciptakan jumlah resample yang sama dengan ukuran orisinil dan di setiap
resample terdapat satu baris yang dibuang. Sehingga ukuran sampel setiap
resample sama dengan sampel awal dikurangi satu. Blinfolding bekerja dnegan
cara menciptakan jumlah resample dimana resample mempunyai jumlah tertentu
dengan rata-rata kolom terkait.
Jackknifing merupakan pilihan yang baik untuk mengatasi masalah adanya
outlier dan tetap mengahsilkan koefisien dan nilai p yang reliabel pada peneltian
dengan sampel kurang dari 100. Bootstrapping merupakan pilihan yang baik
dengan sampel di atas 100. Sedangkan blindfolding mempunyai karakter
diantara jackknifing dan bootstrapping. Jumlah resample yang disarankan adalah
100 atau lebih untuk menghasilkan nilai p yang reliabel.
4. Menggambar Diagram Jalur pada Program
5. Evaluasi Model
Evaluasi model merupakan proses menguji ketepatan indikator-indikator pada
masing-masing konstruk (outer model atau analisis model pengukuran) dan
menguji hubungan antar veriabel laten (inner model atau analisis model
struktural).
Analisis model pengukuran menguji multikolinearitas, reliabilitas, validitas
konvergen dan validitas diskriminan.
Uji multikolinearitas adalah uji ada tidaknya kolineraitas vertical dan lateral, uji
multikolinearitas perlu dilakukan guna menghindari misleading result atau
distorsi data. Multikolinearitas adalah kondisi terdapatnya hubungan linier atau
korelasi yang tinggi antara masing-masing variabel independen dalam model
regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang
digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah
multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya
melibatkan satu variabel independen. Pada analisisi SEM-PLS, nilai Average
Variance Inflation Factor (AVIF) dan Average full collinearity VIF (AFVIF)
kurang dari 3,3 menujuukan model bebas dari masalah multikolinearitas vertikal
dan lateral (Kock, 2015). Kolinearitas vertikal adalah kolinearitas antar variabel
laten prediktor, sedangkan kolinearitas lateral adalah kolinearitas antara variabel
laten prediktor dan kriterion.
Suatu data dapat dikatakan baik dan tepat dalam mengukur suatu ukuran atau
variabel apabila data memiliki kesahihan ukuran (validity of measure) dan
keandalan ukuran (reliability of measure). Uji reliabilitas merupakan derajar
sejauhmana ukuran menciptakan resopons yang sama sepanjang waktu dan
lintas situasi. Satu pengukuran adalah reliabel jika pengukuran tidak berubah
bila konsep yang diukur kembali konstan (Silalahi, 2009). Pada analisis SEMPLS reliabilitas data diuji menggunakan nilai Cronbach’s Alpha (dengan sayarat
> 0,7) dan Composite Reliability (dengan syarat > 0,7) (Kock, 2015). Model
dengan variabel laten formatif tidak memerlukan uji reliabilitas konstruk,
cronbach’s alpha dan nilai AVE (Latan & Ghozali, 2012).
Validitas atau kesahihan berkaitan dengan ketepatan alat pengukur suatu data.
Validitas adalah sejauh mana perbedaan skor dalam suatu instrumen atautau
kuisioner mencerminkan kebenaran perbedaan antara individu sampel (Silalahi,
30
2009). Validitas dibagi menjadi dua, yaitu validitas internal dan eksternal. Uji
validitas yang dilakukan dalam SEM adalah validitas internal. Validitas internal
menunjukkan kemampuan dari instrument penelitian untuk mengukur apa yang
seharusnya diukur dari suatu konsep (Latan & Ghozali, 2012). Validitas
diskriminan diuji melalui nilai cross loading (dengan syarat >0,7) dan
perbandingan nilai akar kuadrat Average Variance Extracted (AVE) dengan
nilai korelasi antar konstruk laten (dengan syarat akar kuadrat AVE > korelasi
antar knstruk laten).
Sedangkan validitas konvergen diuji melalui nilai loading factor (dengan syarat
> 0,7) dan nilai AVE (dengan syarat > 0,5).
Anlisis model struktural merupakan evalusi hubungan antar variabel laten dalam
model persamaan. Analisis model pengukuran dilakukan dengan menguji nilai
Relevansi prediktif, Effect sizes atau ukuran efek, dan Koefisien jalur beserta p
value.
Relevansi prediktif menunjukkan hubungan antara variabel criterion dan
prediktif. Relevansi prediktif ditunjukkan oleh koefisien Q-squared atau yang
juga dikenal sebagai Stone-Geisser Q-squared. Relevansi prediktif yang relevan
memiliki estimasi koefisien Q-squared lebih besar dari nol ( > 0).
Hasil estimasi effect size menunjukkan kekuatan hubungan atau kontribusi antar
variabel eksogen terhadap variabel endogen (Abdillah & Hartono, 2015).
Sedangkan koefisien jalur menunjukkan sifat hubungan. Nilai koefisien jalur
positif menadakan semakin tinggi nilai variabel prediktif diikuti peningkatan
nilai variabel kriterionnya. Dan sebaliknya. Hubungan yang signifikan
ditunjukkan dengan p value kurang dari 0,05. Jika koefisien jalur lebih besar
dari 0,5, hubungan dianggap tidak signifikan
Olah Data dan Pendampingan Penyusunan Artikel Ilmiah