Uji Model dalam SmartPLS

Semakin kompleksnya permasalahan yang dihadapi ilmu sosial dan perilaku, meningkat pula berbagai faktor yang perlu dipertimbangkan dalam pengambilan keputusan. Hubungan kausalitas antarvariabel yang dimasa sebelumnya tidak serumit sekarang terkesan tidak dapat dihindari dan memerlukan alat yang memadai untuk memecahkannya. Disamping meningkatnya data yang dianalisis, banyak variabel penting yang tidak dapat diukur secara langsung.

Berbeda dengan ilmu pasti, kegiatan pengukuran dalam ilmu sosial dan perilaku banyak yang tidak dapat diukur secara langsung, tetapi harus melalui indikator-indikatornya; dengan argumentasi bahwa konsep atau variabel dalam ilmu sosial dan perilaku seringkali bersifat laten, sementara itu indikator-indikator dari konsep tersebut dapat diamati dan diukur secara langsung. Ringkasnya, mengukur variabel laten dapat dilakukan melalui indikator-indikatornya.

Nah, Partial Least Square (PLS) adalah salah satu teknik Structural Equation Modeling (SEM) yang mampu menganalisis variabel laten, variabel indikator, dan kesalahan pengukuran secara langsung. Ia dikembangkan sebagai alternatif apabila teori yang digunakan lemah atau indikator yang tersedia tidak memenuhi model pengukuran reflektif.

Dibandingkan Structural Equation Model (SEM) dengan pedekatan covariance based yang sudah banyak digunakan seperti LISREL, AMOS, EQS, COSAN, dan EZPATH, terdapat dua hal penting dari PLS yang menggunakan pendekatan variance based, yaitu kemampuan dia untuk menghindari dua masalah serius, yaitu solisi yang tidak dapat diterima, serta faktor yang tidak dapat ditentukan (inadmissible solution, dan factor indeterminacy).

Keunggulan SmartPLS.

Pada PLS yang berbasis varians tidak akan pernah terjadi masalah matriks singularity. Selain itu, karena PLS bekerja pada model struktural yang bersifat rekursif, maka masalah unidentified, under-unidentified atau over-identified juga tidak terjadi.

Yang kedua adalah, jika terjadi adanya lebih dari satu faktor yang terdapat dalam sekumpulan indikator sebuah variabel, khusus indikator yangbersifat formatif tidak memerlukan adanya common factor, sehingga selalu diperoleh variabel laten yang bersifat komposit.

Perbedaan Variance Based dan Covariance Based.
ASPEK VARIANCE BASED COVARIANCE BASED
Landasan Teori Kuat, Lemah, dan Eksploratif Kuat
Hubungan Linier Linier
Model Struktural Rekursif Rekursif & Resiprokal
Asumsi Distribusi Tidak diperlukan; Pendekatan resampling dengan bootstaping Normal atau; tidak diperlukan; pendekatan resampling dengan bootstraping
Model Pengukuran Reflektif; Formatif Reflektif
Ukuran Sample Minimal 30 Direkomendasikan minimal 100 – 200
Modifikasi Model Tidak diperlukan Jika model tidak fit, dapat dilakukan modifikasi, dengan penuntun indeks modifikasi
Goodness of fit Q-square predictive relevanve, prisnipnya sama dengan R² RMSEA, Chisquare/DF, dan lain-lain (terdapat 26 jenis GOF)
Pengujian Model Theory Trimming, membuang jalur yang non-signifikan Theory Trimming, membuang jalur yang non-signifikan
Output Pengukuran Model dan Uji Model Struktural Pengukuran Model dan Uji Model Struktural
Dasar Penggunaan Model Prediktif Pengujian Model
Uji Model dalam SmartPLS

Uji model dilakukan melalui outer model dan inner model. Outer model atau model pengukuran, pada prinsipnya adalah menguji indikator terhadap variabel laten, atau dengan kata lain menguur seberapa jauh indikator itu dapat menjelaskan variabel latennya.

Indikator reflektif diuji dengan convergent validity, discriminant validity atau dengan average variance extracted (AVE), dan composite reliability. Sedangkan indikator formatif diuji berdasarkan substantive content-nya. Yaitu dengan membandingkan besarnya relative weight dan melihat signifikansinya.

Adapun inner model atau model struktural pada prinsipnya adalah menguji pengaruh antara satu variabel laten dengan variabel laten lainnya baik eksogen maupun endogen. Boleh dikatakan juga menguji hipotesis antara satu variabel laten dengan variabel lainnya.

Pengujian dilakukan dengan melihat persentase varian yang dijelaskan yaitu R² untuk variabel laten dependen yang dimodelkan mendapat pengaruh dari variabel laten independen dengan menggunakan ukuran stone-geisser Q square test, serta melihat besarnya koefisien jalur strukturalnya.

Stabilitas dari estimasi ini diuji dengan menggunakan uji t-statistik yang diperoleh lewat prosedur bootstraping. Untuk lebih jelasnya dapat dilihat dari contoh kasus dibawah ini.

Contoh Kasus dalam Penelitian SDM

Contoh kasus pada penelitian SDM dilakukan untuk mengetahui besarnya pengaruh dua variabel independen (eksogen) terhadap satu variabel dependen (endogen). 2 variabel independen yang dimaksudkan adalah Program pelatihan, dan Pengawasan Disiplin. Sedangkan variabel dependennya adalah Motivasi Kerja dan Kinerja Pegawai. Data yang diikumpulkan merupakan data primer dengan instrumen pengumpulan data menggunakan kuesioner.

Hasil Penelitian:

 

Leave a Reply