41 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Tampilan layar SmartPLS seperti dibawah ini menunjukkan bahwa data telah diimpor dengan benar o Klik “Back” untuk kembali ke tampilan utama
42 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula TAHAP-TAHAP ANALISIS DATA
43 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Membuat Model Baru dalam Proyek Membuat model o Setelah data diimpor, pilih “Create Model” untuk membuat model baru dalam proyek yang sedang dikerjakan. o Pada dialog box, pada menu “Project”, pilihlah proyek yang sedang dikerjakan (dalam hal ini adalah “Analisa Kepuasan Pelanggan”), kemudian pilihlah PLS-SEM pada menu “Model type”. o Beri nama model sesuai dengan analisis yang akan dilakukan (misalnya, "Model Kepuasan Pelanggan") dan klik “Save”.
44 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Setelah model dibuat, area Workspace akan terbuka dan siap untuk menggambar model SEM-PLS.
45 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Tampilan antar muka SmartPLS4 Tampilan di atas adalah antarmuka SmartPLS 4 ketika sedang dalam mode pembuatan atau pengeditan model PLS-SEM: Model Kepuasan Pelanggan. Berikut adalah penjelasan dari elemen-elemen yang terlihat: o Panel Data (Kiri) ▪ Di sebelah kiri, terdapat daftar indikator data yang diimpor, masing-masing diberi nama sesuai dengan variabel dan indikatornya. Misalnya: − KUAL1-KUAL5: Indikator untuk variabel Kualitas Pelayanan (KUAL). − PRNI1-PRNI4: Indikator untuk variabel Persepsi Nilai (PRNI). − PUAS1-PUAS3: Indikator untuk variabel Kepuasan Pelanggan (PUAS).
46 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula − LOYL1-LOYL5: Indikator untuk variabel Loyalitas (LOYL). − HARG1-HARG6: Indikator untuk variabel Harga (HARG) yang akan digunakan untuk analisis tambahan atau moderasi. ▪ Setiap indikator diberi label ORD, yang menunjukkan bahwa data berskala ordinal. o Filter dan Pengurutan Data (Kiri Bawah) ▪ Di bagian kiri bawah panel data, terdapat dua ikon tambahan: − Icon Filter: Menyediakan opsi untuk menampilkan indikator berdasarkan kategori: * Show All: Menampilkan semua indikator.
47 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula * Show Used: Menampilkan indikator yang sudah digunakan dalam model. * Show Unused: Menampilkan indikator yang belum digunakan dalam model. − Icon Sort: Memungkinkan pengguna untuk mengurutkan indikator berdasarkan berbagai urutan: * Index Ascending: Mengurutkan berdasarkan indeks secara menaik. * Index Descending: Mengurutkan berdasarkan indeks secara menurun. * Name Ascending: Mengurutkan berdasarkan nama indikator secara alfabetis (A-Z).
48 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula * Name Descending: Mengurutkan berdasarkan nama indikator secara alfabetis terbalik (Z-A). o Toolbar (Atas) ▪ Toolbar ini berisi berbagai tombol untuk membantu membangun dan mengedit model, di antaranya: − Back: Untuk kembali ke halaman sebelumnya. − Save: Menyimpan proyek atau perubahan pada model. − Calculate: Untuk menghitung atau menjalankan analisis model setelah selesai dibangun. − Select: Untuk memilih elemen pada workspace. − Latent Variable: Untuk menambahkan variabel laten ke dalam model.
49 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula − Connect: Menghubungkan variabel laten dengan jalur hubungan antar variabel. − Quadratic Effect dan Moderating Effect: Untuk menambahkan efek kuadratik atau moderasi ke dalam model. − Gaussian Copula, Comment, dan Delete: Berfungsi untuk menambahkan efek khusus, memberikan catatan, atau menghapus elemen dari workspace. o Canvas (Area Kerja) Di bagian tengah yang kosong adalah Canvas atau area kerja tempat pengguna menggambar model SEM. Di sini, variabel laten, indikator, dan jalur hubungan antar variabel akan disusun.
50 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Panel Kontrol (Kanan) ▪ Di sebelah kanan terdapat panel kontrol yang memiliki beberapa opsi: − Canvas: Menyediakan tombol untuk mengubah tampilan canvas. − Coloring: Memilih skema warna elemen model untuk membedakan variabel laten dan indikator. − Defaults: Pengaturan default untuk tampilan dan warna model. o Tombol Tambahan di Kanan Bawah ▪ Toggle Alignment Tool (ikon magnet): Memudahkan pengguna untuk menyusun dan merapikan posisi elemen-elemen pada model secara otomatis. ▪ Show Special Marker (ikon marker): Menampilkan penanda khusus pada elemen model, berguna untuk
51 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula menandai elemen tertentu atau memberikan penekanan visual dalam analisis. ▪ Zoom: Menyesuaikan tingkat pembesaran area kerja untuk melihat model lebih jelas.
52 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Menggambar Model Menambahkan Variabel Laten (Latent Variables) o Tambahkan Variabel Laten ▪ Klik tombol Latent Variable di toolbar atas. ▪ Klik pada area canvas untuk menambahkan variabel laten. ▪ Ulangi langkah ini untuk setiap variabel laten yang ada, misalnya: − KUAL untuk Kualitas Pelayanan. − PRNI untuk Persepsi Nilai. − PUAS untuk Kepuasan Pelanggan. − LOYL untuk Loyalitas.
53 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Menggeser dan Merapikan Posisi Variabel Laten ▪ Klik tombol Select di toolbar atas untuk mengaktifkan mode seleksi. ▪ Klik dan seret variabel laten pada canvas untuk mengatur posisi agar lebih rapi dan sesuai dengan struktur model.
54 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Merapikan Posisi Secara Otomatis ▪ Klik ikon Toggle Alignment Tool (ikon magnet) di kanan bawah. ▪ Fitur ini akan secara otomatis merapikan posisi variabel laten sehingga garis hubungan antar elemen dalam model tampak lebih lurus dan terorganisir.
55 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Menghubungkan Variabel Laten dengan Indikator o Pilih Indikator dari Panel Data Di panel Data (Clean) di sebelah kiri, semua indikator dari dataset yang diimpor ditampilkan (misalnya, KUAL1, KUAL2, KUAL3, dst). o Drag and Drop Indikator (Single atau Multiple): ▪ Menambahkan Satu Indikator: − Klik dan tahan indikator (misalnya KUAL1) dari panel data. − Seret indikator tersebut ke lingkaran variabel laten yang sudah dibuat (misalnya KUAL), lalu lepaskan di dalam lingkaran untuk menambahkannya.
56 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Menambahkan Beberapa Indikator Sekaligus − Klik pada indikator pertama (misalnya KUAL1). − Tekan tombol Shift, lalu klik indikator terakhir yang diinginkan dalam daftar (misalnya KUAL5). Semua indikator di antaranya akan dipilih. − Drag semua indikator yang dipilih secara bersamaan, lalu drop ke lingkaran variabel laten (misalnya KUAL).
57 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Tambahkan Semua Indikator Sesuai dengan Variabelnya Ulangi langkah drag and drop untuk menambahkan indikator ke masingmasing variabel laten, seperti berikut: ▪ KUAL: Pilih KUAL1 hingga KUAL5 lalu drag and drop ke KUAL. ▪ PRNI: Pilih PRNI1 hingga PRNI4, lalu drag and drop ke PRNI. ▪ PUAS: Pilih PUAS1 hingga PUAS3, lalu drag and drop ke PUAS. ▪ LOYL: Pilih LOYL1 hingga LOYL5, lalu drag and drop ke LOYL.
58 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Rapi dan Sesuaikan Posisi Indikator Setelah indikator ditambahkan ke lingkaran variabel laten, indikator dapat dirapikan atau dipindahkan dengan menggunakan fitur align indicators. ▪ Klik kanan pada lingkaran variabel laten. ▪ Pilih salah satu opsi perataan indikator − Align Indicators to Left: Memindahkan semua indikator ke sisi kiri lingkaran variabel laten. − Align Indicators to Right: Memindahkan semua indikator ke sisi kanan lingkaran. − Align Indicators to Top: Memindahkan semua indikator ke sisi atas lingkaran.
59 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula − Align Indicators to Bottom: Memindahkan semua indikator ke sisi bawah lingkaran. o Tampilkan Jenis Data pada Model ▪ Klik tombol Show Special Marker (ikon penanda) di kanan bawah. ▪ Fitur ini akan menampilkan jenis data setiap indikator (misalnya ORD untuk data ordinal) di sebelah nama indikator pada canvas. ▪ Informasi jenis data juga akan terlihat pada variabel laten yang memuat indikator tersebut. ▪ Catatan: Jika model dirancang untuk tampilan yang lebih rapi, opsi ini dapat dinonaktifkan sehingga jenis data tidak ditampilkan pada model.
60 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o PENTING! Pastikan hubungan antara variabel laten dan indikator telah ditentukan dengan benar berdasarkan sifat hubungan (reflective atau formative): ▪ Reflective: − Arah panah mengarah dari variabel laten ke indikator. − Hubungan ini menunjukkan bahwa indikator adalah manifestasi dari variabel laten. (pada modul ini, sifat hubungan yang dicontohkan bersifat reflective)
61 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Formative: − Arah panah mengarah dari indikator ke variabel laten. − Hubungan ini menunjukkan bahwa indikator membentuk variabel laten. ▪ Sifat hubungan ini (reflective atau formative) harus berdasarkan literatur atau teori konseptual yang telah ditetapkan sebelum membuat model. ▪ Jangan ubah arah hubungan tanpa mempertimbangkan literatur atau tujuan penelitian. o Periksa Indikator yang Sudah Ditambahkan Pastikan semua indikator muncul di sekitar lingkaran variabel laten dengan garis penghubung antara indikator dan variabel laten.
62 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Hapus Indikator yang Tidak Tepat (Opsional) Jika indikator salah ditambahkan, klik kanan pada indikator di canvas dan pilih Delete untuk menghapusnya. Menghubungkan Variabel dalam Model Struktural o Hubungkan Variabel Laten ▪ Klik tombol Connect di toolbar atas. ▪ Klik pada variabel laten sumber (misalnya KUAL) dan seret ke variabel laten target (misalnya PUAS) untuk membuat jalur hubungan.
63 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Tambahkan Semua Hubungan Jalur Tambahkan jalur hubungan antar variabel sesuai dengan hipotesis model: ▪ KUAL → PUAS ▪ PRNI → PUAS ▪ PUAS → LOYL ▪ KUAL → LOYL ▪ PRNI → LOYL
64 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Path Model Estimation (Estimasi Model Jalur) Path Model Estimation adalah proses menghitung parameter dalam model jalur (path model) menggunakan pendekatan tertentu untuk menganalisis hubungan antara variabel laten (latent variables) dan indikator yang mengukurnya, serta hubungan antar variabel laten itu sendiri. Dalam konteks SEM-PLS (Structural Equation Modeling dengan pendekatan Partial Least Squares), estimasi model jalur melibatkan dua bagian utama yaitu Outer Model dan Inner Model.
65 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Contoh Kasus Penelitian Penelitian ini bertujuan untuk mengevaluasi bagaimana kualitas pelayanan (KUAL) dan persepsi nilai (PRNI) memengaruhi kepuasan pelanggan (PUAS), dan bagaimana PUAS memengaruhi loyalitas pelanggan (LOYL). Penelitian juga menguji peran PUAS sebagai variabel mediasi dalam hubungan antara KUAL dan LOYL, serta antara PRNI dan LOYL.
66 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Hipotesis Penelitian o H1: KUAL memiliki pengaruh positif terhadap PUAS. o H2: PRNI memiliki pengaruh positif terhadap PUAS. o H3: PUAS memiliki pengaruh positif terhadap LOYL. o H4: KUAL memiliki pengaruh positif terhadap LOYL o H5: PUAS memiliki pengaruh positif terhadap LOYL o H6: PUAS memediasi hubungan antara KUAL dan LOYL. o H7: PUAS memediasi hubungan antara PRNI dan LOYL.
67 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Menjalankan Perhitungan Model o Buka Model yang Sudah Dibuat.Pastikan model jalur yang telah Anda buat terbuka di canvas. o Pada toolbar atas, klik tombol Calculate untuk membuka dialog pengaturan kalkulasi. o Pilih opsi PLS-SEM Algorithm dari daftar pilihan kalkulasi. o Pada jendela pengaturan, pastikan parameter default digunakan: ▪ Weighting Scheme: Path
68 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Type of Result: Standardized ▪ Initial Weight: Default o Klik Start Calculation untuk menjalankan perhitungan. o Tunggu Hasil Kalkulasi Setelah kalkulasi selesai, hasil outer model akan muncul dalam berbagai tampilan seperti tabel dan visual. Model Pengukuran (Outer Model) Reflektif Parameter yang dihitung dalam hubungan antara indikator dan variabel laten yang bersifat reflektif adalah Outer Loading, Construct
69 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Reliablitiy dan Construct Validity (Construct Validity terdiri dari dua hal, yaitu Convergent Validity dan Discriminant Validity) PENTING! Dalam modul ini, model yang digunakan bersifat reflective, karena semua hubungan antara indikator dan variabel laten mencerminkan konsep yang diukur. Grafik 1. Proses pengujian outer model reflektif Factor Loading (>0.7) Construct Reliablitiy •Cornbach Alpha (>0.7) •Composite Reliablility (>0.7) Construct Validity •Convergent Validity (AVE>0.5) •Discriminant Validity (HTMT/ Fornell-Larcker)
70 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Outer Loadings (Loading Factor) o Tujuan: Mengukur kontribusi atau kekuatan hubungan antara indikator dengan variabel laten yang diukur. o Nilai loading factor adalah korelasi antara indikator dan variabel laten. o Loading factor berkisar antara -1 hingga +1: ▪ Nilai mendekati +1 menunjukkan bahwa indikator memiliki kontribusi kuat dan positif terhadap variabel laten. ▪ ≥ 0.7: Standar minimum yang diterima (indikator cukup merepresentasikan variabel laten). ▪ <6: pertimbangkan untuk menghapus indikator tersebut atau memberikan justifikasi teoretis. ▪ < 0.4: Indikator harus dihapus karena kontribusinya terlalu rendah.
71 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Langkah-langkah ▪ Pada hasil kalkulasi, buka tab Outer Loadings di panel hasil. ▪ Perhatikan nilai loading factor untuk setiap indikator. o Hasil ▪ Hasil menunjukkan bahwa indikator KUAL5 memiliki loading factor sebesar 0.533, yang berada di bawah batas minimal 0.7. ▪ Oleh karena itu, KUAL5 harus dikeluarkan dari model.
72 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Menghapus Indikator dengan Loading Rendah ▪ Kembali ke canvas model dengan klik Edit pada toolbar atas ▪ Klik Select pada toolbar atas kemudian klik kanan pada indikator KUAL5. ▪ Pilih Delete untuk menghapus indikator tersebut dari variabel laten KUAL. o Mengulang Perhitungan: ▪ Setelah indikator dihapus, klik kembali tombol Calculate.
73 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Pilih SEM-PLS Algorithm dan ulangi penghitungan untuk melihat perubahan hasil model. o Cek Ulang Factor Loading ▪ Setelah perhitungan ulang selesai, akses kembali tab Outer Loadings. ▪ Pastikan semua nilai loading factor sekarang ≥ 0.7. ▪ Jika ada indikator lain dengan nilai loading < 0.7, lakukan evaluasi serupa.
74 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o PENTING! ▪ Hapus Indikator Satu Per Satu − Jika terdapat lebih dari satu indikator dengan loading factor rendah, lakukan penghapusan indikator satu per satu mulai dari yang nilainya paling rendah. − Setelah setiap penghapusan, ulangi perhitungan menggunakan Calculate untuk melihat apakah nilai factor loading yang lain sudah membaik.
75 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Hapus Lebih dari Satu Indikator Sekaligus (Opsional) − Jika nilai factor loading sangat rendah (misalnya bawah 0.2 atau bahkan negatif), menghapus lebih dari satu indikator sekaligus diperbolehkan. Reliabilitas (Construct Reliablilty) Reliabilitas mengukur konsistensi internal indikator dalam mengukur suatu variabel laten. Dua metrik utama yang digunakan adalah Cronbach's Alpha dan Composite Reliability. o Cronbach's Alpha ▪ Tujuan: Mengukur konsistensi internal antar indikator dalam satu variabel laten. ▪ Cronbach's Alpha menggunakan ratarata korelasi antar indikator untuk mengestimasi reliabilitas.
76 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Nilai Cronbach's Alpha berkisar antara 0 hingga 1: − ≥ 0.7: Dianggap reliabel (standar minimum). − ≥ 0.8: Sangat reliabel. − < 0.6: Tidak reliabel. o Composite Reliability (CR) ▪ Tujuan: Mengukur konsistensi internal secara lebih akurat dibandingkan Cronbach's Alpha. ▪ Composite Reliability memberikan bobot yang lebih besar pada indikator dengan kontribusi tinggi terhadap variabel laten. ▪ Sama seperti Cronbach's Alpha, nilai Composite Reliability berkisar antara 0 hingga 1: − ≥ 0.7: Dianggap reliabel. − ≥ 0.8: Sangat reliabel.
77 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o PENTING! Cronbach's Alpha dan Composite Reliability digunakan untuk memastikan bahwa indikator dalam variabel laten bekerja secara konsisten. Composite Reliability lebih sering direkomendasikan dalam SEM-PLS karena lebih akurat dan fleksibel. o Langkah-langkah evaluasi Reliabilitas ▪ Buka tab Construct Reliability and Validity. ▪ Temukan nilai Composite Reliability (rho_c) untuk setiap variabel laten. ▪ Pada tab yang sama, periksa nilai Cronbach's Alpha untuk setiap variabel laten.
78 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Treatment Jika Cronbach's Alpha atau Composite Reliability Rendah − Jika ditemukan nilai Cronbach's Alpha atau Composite Reliability rendah (< 0.5), variabel tersebut memerlukan treatment sebagai berikut * Pergi ke tab Outer Loadings untuk memeriksa nilai Factor Loading dari indikator-indikator variabel tersebut. * Identifikasi indikator dengan nilai factor loading terendah,
79 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula meskipun indikator tersebut berwarna hijau (≥ 0.7). * Hapus indikator dengan loading factor terendah sebagai langkah pertama untuk meningkatkan reliabilitas variabel. − Cara Menghapus Indikator * Kembali ke canvas model. * Klik kanan pada indikator yang ingin dihapus. * Pilih Delete (cara ini sama seperti langkah penghapusan indikator pada evaluasi Factor Loading sebelumnya). * Ulangi proses penghitungan
80 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Validitas Convergent Validitas konvergen mengukur sejauh mana indikator-indikator dalam satu variabel laten benar-benar mewakili konstruk tersebut. Metrik utama yang digunakan adalah Average Variance Extracted (AVE). o Average Variance Extracted (AVE) ▪ Tujuan: Mengukur proporsi varian indikator yang dijelaskan oleh variabel laten, atau memberikan gambaran apakah indikator-indikator cukup berkorelasi dengan variabel laten. ▪ AVE dihitung sebagai rata-rata kuadrat loading factor dari indikator yang terkait dengan variabel laten. ▪ Nilai AVE berkisar antara 0 hingga 1: − ≥ 0.5: Dianggap valid (variabel laten menangkap setidaknya 50% varian indikatornya). − < 0.5: Tidak valid.
81 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Langkah-langkah − Pada tab Construct Reliability and Validity, temukan nilai AVE. − Kriteria Evaluasi: AVE ≥ 0.5: Variabel laten menangkap setidaknya 50% varian indikatornya, yang menunjukkan validitas konvergen. − Jika AVE < 0.5, periksa outer loadings untuk menemukan indikator yang memberikan kontribusi rendah, dan pertimbangkan untuk menghapusnya.
82 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Validitas Diskriminan Validitas diskriminan mengukur sejauh mana variabel laten berbeda secara empiris dari variabel laten lainnya dalam model. Dua pendekatan yang sering digunakan adalah Fornell-Larcker Criterion dan HTMT (Heterotrait-Monotrait Ratio). o Fornell-Larcker Criterion ▪ Tujuan: Memastikan variabel laten lebih berkorelasi dengan indikatorindikatornya sendiri daripada dengan variabel laten lainnya.
83 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Akar kuadrat AVE dari suatu variabel laten dibandingkan dengan korelasi antara variabel laten tersebut dengan variabel laten lainnya. ▪ Kriteria: Akar kuadrat AVE dari suatu variabel laten harus lebih besar daripada korelasi antara variabel tersebut dengan variabel lain. o HTMT (Heterotrait-Monotrait Ratio) ▪ Tujuan: Menilai validitas diskriminan secara lebih ketat dibandingkan FornellLarcker Criterion. ▪ HTMT adalah rasio antara rata-rata korelasi antar indikator dari konstruk berbeda (heterotrait) dengan rata-rata korelasi antar indikator dari konstruk yang sama (monotrait).
84 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Kriteria: − HTMT ≤ 0.9: Validitas diskriminan tercapai. − HTMT ≤ 0.85: Untuk model dengan standar ketat. o Langkah-langkah ▪ Gunakan Fornell-Larcker Criterion − Buka tab Discriminant Validity dan pilih metode Fornell-Larcker Criterion. − Periksa apakah akar kuadrat AVE dari suatu variabel laten lebih besar daripada korelasi dengan variabel laten lainnya. − Kriteria Evaluasi: Akar kuadrat AVE (terletak di kolom paling atas) harus lebih besar dari korelasi antar konstruk (nilai dibawahnya).
85 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula − Treatment Jika Tidak Memenuhi Kriteria * Jika akar kuadrat AVE tidak lebih besar dari korelasi antar konstruk, lakukan treatment berikut: − Langkah Treatment * Pergi ke tab Cross Loadings. * Periksa hubungan antara indikator dan variabel laten. Pastikan indikator memiliki loading tertinggi pada variabel
86 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula laten yang diukur (variabel asalnya), dibandingkan dengan loading terhadap variabel laten lainnya. * Jika ada satu atau lebih indikator yang memiliki loading lebih besar pada variabel laten lain (bukan variabel asalnya), hapus indikator tersebut. o Gunakan HTMT (Heterotrait-Monotrait Ratio) ▪ Pada tab yang sama, pilih metode HTMT.
87 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Periksa nilai HTMT untuk setiap pasangan variabel laten. ▪ Jika nilai HTMT tidak memenuhi kriteria, hampir mustahil untuk mentreatment masalah ini secara langsung. o Laporan Alternatif: ▪ Laporkan hasil Fornell-Larcker Criterion sebagai bukti validitas diskriminan. ▪ Jangan melaporkan hasil HTMT jika tidak memenuhi kriteria.
88 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula ▪ Jika Fornell-Larcker juga tidak memenuhi kriteria setelah ditreatment, gunakan Cross-Loading sebagai dasar pelaporan validitas diskriminan. Model Pengukuran (Outer Model) Formative Apabila hubungan antara indikator dan variabel latent bersifat formative, maka parameter yang dihitung adalah sebagai berikut Grafik 2. Proses pengujian outer model formatif Outer Weights o Tujuan: Mengukur kontribusi relatif setiap indikator terhadap variabel laten dalam model formative. Outer Weight/ Outer Loading Multikolinearitas (VIF<5)
89 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula o Outer weights menunjukkan sejauh mana setiap indikator memberikan kontribusi terhadap pembentukan variabel laten. o Interpretasi: ▪ Outer weights yang signifikan menunjukkan bahwa indikator tersebut penting untuk membentuk variabel laten. ▪ Jika outer weights tidak signifikan tetapi outer loading signifikan, indikator dapat dipertahankan sebagai kontributor sekunder. ▪ Parameter Signifikansi: − Diuji menggunakan bootstrapping untuk menghitung p-values dan tstatistics. − Kriteria: p-value < 0.05 atau tstatistics > 1.96 pada tingkat signifikansi 5%.
90 SmartPLS 101 Panduan Lengkap Analisis SEM-PLS untuk Pemula Outer Loadings o Tujuan: Mengukur kekuatan hubungan absolut antara indikator dan variabel laten. o Outer loadings digunakan sebagai pendukung tambahan ketika outer weights tidak signifikan. o Indikator dengan outer loading tinggi menunjukkan kontribusi kuat terhadap variabel laten. o Kriteria: ▪ ≥ 0.5: Dianggap cukup signifikan. ▪ Jika outer loadings signifikan tetapi outer weights tidak signifikan, indikator dapat tetap digunakan dengan justifikasi tambahan. Multikolinearitas Antar Indikator o Tujuan: Memastikan indikator dalam model formative tidak terlalu redundan atau berkorelasi tinggi (multikolinearitas).