Memulai Program SmartPLS: Klik start, Pilih Program, Pilih Java Web Start dan Klik Java Web Start, seperti tampak pada Gambar berikut:

Transkripsi

1 PENGOPERASIAN SEM dengan SmartPLS Oleh : Dr. Bambang Widjanarko Otok, M.Si bambang_wo@statistika.its.ac.id, otok_bw@yahoo.com Jurusan Statistika FMIPA - ITS Memulai Program SmartPLS: Klik start, Pilih Program, Pilih Java Web Start dan Klik Java Web Start, seperti tampak pada Gambar berikut: Setelah di Klik Java Web Start muncul Gambar berikut: SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id -

2 Selanjutnya juga tampak Gambar berikut: Pada Gambar di atas pilih Start dan Klik, akan tampak Gambar berikut: Pada Kotak Dialog di atas, terdapat menu File?, File terdiri dari New, Open dan Exit. Sedangkan? terdapat About SmartPLS Jika Klik File akan tampak Gambar berikut: SEM dengan Partial Least Square (PLS) - 2

3 Untuk memulai Klik New atau Ctrl+N, akan tampak seperti Gambar berikut: Gambar di atas berisi 3(tiga) kotak dialog yaitu (Model name, Data source and name, CSV Separators). Model name berisi nama model yang akan kita buat, misalnya ketik Kinerja, Data source and name berisi sumber dan nama data yang akan digunakan (sama halnya dengan AMOS, Smart PLS tidak disediakan untuk entry data. Jadi dalam menyiapkan data digunakan bantuan dari excel, SPSS, notepad (ASCII) yang disimpan dengan type:.csv. (atau jika masih dalam extension excel, SPSS, notepad (ASCII) simpan lagi dengan cara File save as kemudian pada type cari extension.csv) untuk mencari sumber dan nama data yang digunakan, Klik dan tersaji seperti Gambar berikut: SEM dengan Partial Least Square (PLS) - 3

4 Pilih Kinerja_PLS.csv Klik Open, akan tampak seperti Gambar berikut: Untuk CSV Separator berisi struktur dari data yang dipisahkan dengan koma atau colon, titik koma atau semicolon). Apabila kotak dialog sudah terisi sesuai dengan yang dikehendaki, maka Klik OK, akan muncul Gambar sebagai berikut: Gambar di atas merupakan tampilan Model Editor. SmartPLS model editor terdiri dari 3(tiga) area, yaitu Data, Properties dan Drawing board. Data berisi Manifest variables atau variable indicator, Properties berisi 4(empat) setting yaitu Output Setting, Bootstrapping Setting, Data Setting dan Algorithm setting. Sedangkan Drawing Board berisi bentuk tool bar sebagai berikut: SEM dengan Partial Least Square (PLS) - 4

5 Selecting Mode Drawing Mode Connection Mode Delete Grid on/off Original Size Zoom In Zoom Out Undo Redo Group Ungroup Bring to front Send to back Calculate Model Bootstraping Pandang Model Struktural pada Materi Teori PLS. Untuk membuat model tersebut dimulai dengan pembuatan variable latent, dengan cara Klik, seperti tampak pada Gambar berikut: SEM dengan Partial Least Square (PLS) - 5

6 Double Klik Pada lv0,, lv3 untuk memberi label pada variable latent. Selanjutnya Enter, seperti tampak pada Gambar berikut: SEM dengan Partial Least Square (PLS) - 6

7 Sekarang memasukkan variable indicator pada masing-masing variable latent, dimana variable latent (komitmen professional) terdiri dari 6(enam) indicator (KP, KP2,, KP6), dengan cara Klik KP pada Data (Manifest Variabel) dan Klik Kiri KP tekan terus dan letakkan ke variable latent (komitmen professional) (drag drop) seperti Gambar berikut. Lakukan hal yang sama sampai semua indicator masuk dalam variable latent seperti Gambar berikut. SEM dengan Partial Least Square (PLS) - 7

8 Jika semua indicator ingin diletakkan sebelah kiri dari variable laten, lakukan Klik Kanan pilih Order indicator dan pilih left, seperti pada Gambar berikut: dan hasilnya tampak seperti Gambar berikut. SEM dengan Partial Least Square (PLS) - 8

9 Lakukan sampai semua variabel latent terisi indikator-indikatornya, seperti gambar berikut: Untuk membuat jalur antar variable latent, Klik. Selanjutnya Klik variable latent yang akan dihubungkan variable latent yang lain, seperti Gambar berikut. SEM dengan Partial Least Square (PLS) - 9

10 Dari sini, siap dilakukan analisis, tetapi terlebih dulu output apa yang akan kita inginkan dapat dilihat dari Properties. Dalam praktikum ini isikan seperti Gambar berikut: Klik PLS Pilih Calculate Model, tampak gambar berikut SEM dengan Partial Least Square (PLS) - 0

11 SEM dengan Partial Least Square (PLS) -

12 Output tersimpan dalam file HTML yaitu sebagai berikut: PLS Output Table of contents Iterations of the PLS-Algorithm Inner weights (structural model) Outer weights (measurement model) Outer loadings (measurement model) Scores of the latent variables Correlations of the latent variables Iterations of the PLS-Algorithm iteration KK KK2 KK3 KK iteration KK5 KO KO2 KO iteration KO4 KO5 KP KP iteration KP3 KP4 KP5 KP iteration PK PK2 PK3 PK iteration PK SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 2

13 Inner weights (structural model) Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja Komitmen Profesional Komitmen Organisasi Perilaku Kerja 0.7 Kinerja Outer weights (measurement model) Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja KK KK KK KK KK KO KO KO KO KO KP 0.32 KP KP KP KP KP PK PK PK PK PK SEM dengan Partial Least Square (PLS) - 3

14 Outer loadings (measurement model) Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja KK KK KK KK KK KO KO KO KO KO KP KP KP KP KP KP PK PK PK PK PK Scores of the latent variables Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 4

15 SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 5

16 SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 6

17 SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 7

18 SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 8

19 Correlations of the latent variables Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja Goodness of fit measures Table of contents R-square Composite Reliability Average variance extracted (AVE) Cross loadings R-square R-square Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja SEM dengan Partial Least Square (PLS) - 9

20 Composite Reliability Composite Reliability Komitmen Profesional Komitmen Organisasi Perilaku Kerja 0.99 Kinerja Average variance extracted (AVE) Average variance extracted (AVE) Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja Cross loadings Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja KK KK KK KK KK KO KO KO KO KO KP KP KP KP KP KP PK PK PK PK PK SEM dengan Partial Least Square (PLS) - 20

21 Klik PLS Pilih Bootstraping, tampak seperti Gambar berikut SEM dengan Partial Least Square (PLS) - 2

22 Bootstrapping results Table of contents Settings results for inner weights results for outer loadings results for outer weights outer weights for each sample outer loadings for each sample inner weights for each sample Settings number of samples 70 number of cases in original sample 70 cases per sample 50 preprocessing option no changes results for inner weights original sample estimate mean of subsamples Standard deviation T- Statistic Komitmen Profesional -> Komitmen Organisasi Komitmen Profesional -> Perilaku Kerja Komitmen Organisasi -> Perilaku Kerja Komitmen Organisasi -> Kinerja Perilaku Kerja -> Kinerja SEM dengan Partial Least Square (PLS) - 22

23 results for outer loadings original sample estimate mean of subsamples Standard deviation T- Statistic Komitmen Profesional KP KP KP KP KP KP Komitmen Organisasi KO KO KO KO KO Perilaku Kerja PK PK PK PK PK Kinerja KK KK KK KK KK SEM dengan Partial Least Square (PLS) - 23

24 results for outer weights original sample estimate mean of subsamples Standard deviation T- Statistic Komitmen Profesional KP KP KP KP KP KP Komitmen Organisasi KO KO KO KO KO Perilaku Kerja PK PK PK PK PK Kinerja KK KK KK KK KK SEM dengan Partial Least Square (PLS) - 24

25 LATIHAN_, Gunakan data: kinerja.xls dengan model sebagai berikut: LATIHAN_2. Gunakan data: market.xls dengan model sebagai berikut: e9 e0 e Y Y2 Y3 e e2 e3 e4 e5 e6 e7 e8 X X2 X3 X4 X2 X22 X23 X24 e9 X X2 e20 Y Y2 e2 e22 Y3 e23 Y3 Y32 Y33 Y34 e5 e6 e7 e8 Y2 Y22 Y23 e2 e3 e4 SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 25

26 Daftara Pustaka Chin, W. W. (998). The partial least squares approach for structural equation modeling. In George A. Marcoulides (Ed.), Modern Methods for Business Research, Lawrence Erlbaum Associates, pp Chin, W. W., and Newsted, P. R. (999). Structural Equation Modeling analysis with Small Samples Using Partial Least Squares. In Rick Hoyle (Ed.), Statistical Strategies for Small Sample Research, Sage Publications, pp Falk, R. F., & Miller, N. B. (992). A primer for soft modeling. Akron: The University of Akron Press. Fornell, C. & Barclay, D. W. (983). Jackknifing in PLS. Graduate School of Business Administration, The University of Michigan, Ann Arbor, MI. Efron, B. & Tibshirani, R. J. (993). An introduction to the bootstrap. New York: Chapman and Hall. Gray, H. L & Schucany, W. R. (972). The generalized jackknife statistic. New York: Marcel Dekker. Wildt, A. R., Lambert, Z. V., & Durand, R. M. (982). Applying the jackknife statistic in testing and interpreting canonical weights, loadings, and crossloadings. Journal of Marketing Research, 9, pp SEM dengan Partial Least Square (PLS) bambang_wo@statistika.its.ac.id - 26