ANALISIS SEM-PLS Goal-Setting Participaton And Goal Commitment : Examining The Mediating Roles Of Procedural Fairness And Interpersonal Trust In A UK Financial Services Organization
Dibuat untuk memenuhi tugas matakuliah Statistik Terapan Dosen Pengampu : Wuryan Andayani, SE.,Ak.,M.Si
Oleh : Kelompok 2 1. SITI NUR AISYAH 2. HERI SUPRIYONO 3. ROBITH ABDULLAH RIFQI
NIM. 146020306011032 NIM. 146020306011027 NIM. 146020306011031
PROGRAM STUDI MAGISTER AKUNTANSI FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS BRAWIJAYA TAHUN 2015
Analisis Data Menggunakan Partial Least Square (PLS) Partial Least Square (PLS) menurut Wold merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak asumsi. PLS sebagai teknik analisis data dengan software Smart PLS. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Walaupun PLS digunakan untukmenkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi unidentified model. PLS mempunyai dua model indikator dalam penggambarannya, yaitu: a. Model Indikator Refleksif Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips denganbeberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan. b. Model Indikator Formatif Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten. Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi, tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator, karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 1
untuk menguji reliabilitas konstruk formatif. Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten. Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk. Langkah – langkah (standar) Analisis Data dengan PLS Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai berikut: 1. Merancang Model Struktural (Inner Model) Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian. 2. Merancang Model Pengukuran (Outer Model) Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional variabel.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 2
3. Konversi Diagram Jalur ke Sistem Persamaan a. Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut: Ŋ = β0 + βŋ + Гξ + ζ Ŋj = Σi βji ŋi + Σi үjb ξb + ζj b. Model persamaan dasar Outer Model dapat ditulis sebagai berikut: X = Λx ξ + εx Y = Λy ŋ + εy 4. Estimasi : Weight, Koefisien Jalur, dan Loading Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu:
Weight estimate yang digunakan untuk menghitung data variabel laten.
Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.
Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.
5. Evaluasi Goodness of Fit Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Q2 = 1 – ( 1 - R12 ) ( 1 – R22 ) … (1 – Rp2) Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis). 6. Pengujian Hipotesis (Resampling Bootstraping) Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan ttest, bilamana diperoleh p-value <> Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 3
Tahap 1 Tabulasi Data Input data melalui excel dan simpan dalam bentuk File NotePad (txt). Dengan cara klik Save As pilih Other Formats beri anama file misalnya TAS. Pada kolom Save As type pilih text (tab delimited) lalu klik save.
Tahap 2 Menjalankan Program WarpPLS3.0 a. Jalankan program VPLS dengan mengklik shortcut program WarpPLS 3.0 desktop layar komputer
b. Muncul tampilan jendela program WarpPLS 3.0
c. KlikProceed to use software
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 4
d. Analisa melalui lima langkah Langkah 1 : Membuka atau membuat file proyek
Membuat proyek atau pekerjaan baru dengan klik Create Project File dalam hal ini kami memberi nama kelompok 2 belajar PLS dan disimpan dalam file komputer. File akan tersimpan dalam bentuk “.prj” dan telah berisi komponen yang telah berisi komponen yang diperlukan dalam melakukan analisis SEM.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 5
Langkah 2 : Membaca data mentah yang akan digunakan dalam anailsis SEM Pembacaan data mentah dengan klik Read Raw Data File.
Selanjutnya kelompok kami memakai salah satu data yang telah disarankan sesuai dengan artikel penelitian yang telah di presentasikan yaitu data BAR dalam bentuk notpad teks.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 6
Selanjutnya klik Open, maka akan muncul jendela dengan judul Import Wizard
Selanjutnya klik Next lalu Finish sehingga muncul jendela sepeti ini :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 7
Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal dan format yaitu jumlah observasi pada baris dan nama-nama indikator variabl latn pada kolom, jika sudah benar maka klik Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal dan format yaitu jumlah observasi pada baris dan nama-nama indikator variabl latn pada kolom, jika sudah benar maka klik YES jika belum maka daiadakan peengcekan ulang dengan terlebih dahulu menghentikan program. Langkah 3 : Pre-Process data untuk analisis SEM
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 8
Klik Pre-Process
Biasanya tampilan menunjukkan tidak ada masalah dalam data, seperti missing Vales, Zero Variance Problem dan Rank Problems. Seingga muncul data yang telah terstandarisasi. Data yang terstandarisasi umumnya bernilai antara -4 sampai dengan 4. Jika ada Missing Values maka akan mnjadinol karna diganti dengan nilai rata-rata indikator pada kolom
Langkah 4 : Mendefinisi Model SEM Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 9
Klik proses 4
a) Menggambar variabel laten dan mengisinya dengan indikator
Letakkan kursor pada bidang untuk menggambar, lalu klik dan akan muncul jendela : Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 10
Procdural Fairnes (PF)
Dan seterusnya sampai selesai pada model yang diharapkan
b) Membuat hubungan langsung (direct llink) dan hubungan moderasi (moderating link) yang disebut sbagai Inner Model. Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 11
Kemudian klik Save dan muncul
Langkah 5 : Menjelaskan Analisis SEM dan melihat hasilnya
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 12
Klik Perform SEM Analysis
Pembacaan output :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 13
1. General Result :
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 14
Nilai P untuk APC dan ARS harus lebih kecil dari 0,05 taua berarti signifikan. Dari hasil tersebut dapat dilihat bahwa nilai P untuk APC dan ARS lebih kecil dari 0,05. Nilai AVIF sebagai indikator multikolinearitas harus lebih kecil dari 5. Dari data tersebut didapat nilai 1,246 maka nilai AVIF memenuhi kriteria. 2. Path Coefficients and P values
Kolom mnunjukkan cvariabl laten prediktor dan baris menunjukkan variabel laten kriterion. Dari hasil tersebut koefoisien jalur pengaruh prosedural fairness (PF) terhadfap Trust 0,381 dan signifikan pada 0,000. Goal Test terhadap PF 0,47 dan signifikan pada 0,000. Goal set terhadap Trust 0,30 tetapi tidak signifikan karena nilai p = 0,06. PF terhadap Goal commitmen sebesar 0,458 dengan signifikan pada 0,000. Trust terhadap Goal Com sebesar 0,073 dengan nilai p = 0,295. 3. Standar Errors and Effect Size for Path Coeficient
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 15
Nilai effct size dikelompokkan menjadi tiga kategori yaitu lemah (0,02) medium (0,15) dan besar (0,35). Jika nilai effect size sebesar 0,20 menunjukkan bahwa pengaruh variabel laten prediktor sangat lemah dari pandangan praktis meskipun mempunyai nilai p yang signifikan. 4. Output Combined loadings and Cross-loadings
Terdapat 2 lriteria untuk meilai apakah outer model memenuhi validitas konvergen untuk konstruk yang relatif. a. Loading harus diatas nilai 0,70 b. Nilai signifikansi (<0,50) Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 16
Dari hasil tersebut didapatkan PF1 terhadap PF sebesar 0,909 dan ke Goal Set -0,043 dan seterusnya. 5. Output patterns loading and cross-loadings
Output ini jarang dipakai karena sudah dijelaskaan pada tahap sebelumnya. 6. Structure Loading and Cross-Loadings
Output ini jarang digunakan karena belum memunculkan nilai P. 7. Indicator Weight Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 17
Karena dari tahap awal menggunakan konstruk relatif maka output ini mnjadi tidak relevan dalam laporan penelitian. Tetapi jika memakai variabel laten formatif maka akan disajikan, tetapi dikatakan variabel tersebut telah dikatakan layak dinilai apabila pada bobot P nilai <0,05 dan nilai VIF kurang dari 3,3. 8. Laten Variabl Coefficients
Nilai R-square menunjukkan berapa presentase variasi konstruk endogen dapat dijelaskan oleh konstruk yang dihipotesiskan mempengaruhinya (eksogen). Dari data diatas dapat dilihat Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 18
nilai R-square trust 0,331 menunjukkan bahwa variasi kinerja dapat dijelaskan sebesar 33,1% oleh variasi Pf dan goal Com. Disini terdapat dua kriteria pengukuran reliabilitas yaitu dengan cronbach alpha maupun composit reliabilty. Dimana nilai nya diatas 0,70. Nilaia AVE selain untuk reliabilitas bisa dipergunakan sebagai validitas konvergen. Nilai VIF harus kurang dari 3,3 untuk menunjukkan bahwa model bebas dari masalah kolinearitas dan common method bias. 9. Correlations among latent variables
Output ini dipergunakan untuk evaluasi validitas diskriminan . kriteria yang dipergunakan adalah akar kuadrat AVE. Yaitu kolom diagonal yang diberi tanda kurung harus lebih tinggi dari korelasi antarvariabel laten pada kolom yang sama.
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 19
10. VIF
Bagian ini menunjukkan apakah model mempunyai maslah dalam kolinaritas vertikal, jika menunjukkan angka kurang dari 3,3 maka menunjukkan bebas dari kolinearitas. 11. Correlation among Indicators
Tampilan ini hanya menunjukkan korelasi antar indikator. 12. Linear and Non linear Realtionship among Latent variabel
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 20
13. Inderect and Total Effect
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 21
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 22
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 23
Statistik terapan. SEM-PLS oleh Aisyah, Heri dan Robith : PMA FEB UB
2015
Page 24
