WORKSHOP METODE

PENELITIAN KUANTITATIF
UTA45 JAKARTA Metode Structural Equation Modeling dan Interpretasi
Hasil Penelitian Dengan Menggunakan Program Smart PLS
(Partial Least Square)
Jumat, 20 Juni 2014
Intervening Variabel

Instruktur: Sihar Tambun, SE, M.Si, Ak.

Email: sihar.tambun@yahoo.com
Email: sihar.tambun@uta45jakarta.ac.id
Software download Gratis:
www.smartpls.de

1 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

 Introduction of PLS
Jika antar variabel independen terjadi korelasi (ada multikolinieritas),
maka analisis regresi tidak layak dipakai, sehingga PLS diciptakan
untuk solusi ini.
PLS mengakomodasi data besar (banyak) dan data kecil (sedikit)
PLS Tidak banyak asumsi
PLS bisa untuk konfirmasi dan prediksi
PLS bisa menggunakan indikator reflesif dan formatif
PLS menguji estimasi dan signifikansi dengan model Resampling
(Bootstrap)
Tujuan Estimasi PLS adalah membuat komponen skor / bobot
terbaik dari variabel laten endogen, untuk memprediksi hubungan
variabel laten dengan indikatornya.
Inner Model: Hubungan antar sesama variabel Laten.
Outer Model: Hubungan antara indikator dengan variabel latennya.

2 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

 PRAKTEK SEM PLS

MODEL INTERVENING VARIABEL

3 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

 Langkah Langkah PLS untuk Intervening
1. Memperoleh data data penelitian berdasarkan indikator pengukuran
variabel. Data diinput di Ms. Excel dan kemudian di Save As dalam
format CSV (Comma Delimited).
2. Aktifikan Program Smart PLS dengan menggunakan data penelitian
yang telah di Save As dalam format CSV (Comma Delimited).
3. Menggambar model penelitian sesuai dengan tujuan penelitian yang
didukung oleh grand theory, riset pendahuluan dan hipotesis yang
ingin diuji.
4. Mengolah data estimate, untuk mengetahui Hasil Outer Model
5. Mengolah data Resampling Bootstrapping, untuk mendapatkan
model terbaik.
6. Membaca goodness of fit dari model
7. Hasil pengujian hipotesis.

4 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 1: Input data di Excel, kemudian save as ke dalam format CSV (Comma
Delimited). Format ini yang akan dibaca program PLS. Untuk CSV adalah
singkatan Comma Separated Value.

5 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 2: Bukan program Smart PLS, maka akan tampak tampilan seperti dibawah ini. Klik File,
New, Create New Project. Ikut langkah langkah tersebut seperti dibawah ini.

6 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Beri nama project name Latihan1, kemudian klik Next, maka akan muncul tampilan seperti dibawah
(Kanan) ini.

7 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Cari data penelitian di laptop anda, yang akan diolah dengan software ini. Gunakan tombol yang berada disebelah
kotak file name. File yang dipilih hari file CSV. Klik finish bila sudah dipilih. Akan tampak nama project nya, yaitu
Latihan 1.

8 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 3: Menggambar Model Penelitian. Untuk menggambar model penelitian, harus
dimunculkan dulu data indikator penelitian.

9 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Gambar Model Penelitian ini. Judul Penelitian ini adalah: Pengaruh Kualitas Dosen dan Kualitas SAP Terhadap
Prestasi Belajar Mahasiswa, dengan Kualitas Proses Belajar Mengajar sebagai variabel Intervening.

10 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 4: Meng-calculate data penelitian untuk menguji Outer Model. Ikuti petunjuk dibawah ini.
Outer model digunakan untuk uji validitas.

11 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Hasil Outer loadings (measurement model) atau validitas konvergen digunakan untuk menguji unidimensionalitas
dari masing-masing konstruk. Menurut Chin (1998), nilai indikator loading factor yang lebih besar atau sama
dengan 0,5 dapat dikatakan valid. Contoh Variabel KDA, Nilai Outer Loadings = 0.776, 0.856, 0.877, 0.717.

12 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 5: Mengolah data dengan Resampling Bootstrapping, untuk mendapatkan model terbaik.
Klik Calculate, Bootsrapping. Selanjutkan ketik angka 74 (jumlah data) dan 250. Selanjutnya klik finish.

13 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Hasil Bootstapping dalam bentuk gambar akan dihasilkan seperti dibawah ini. Tampilan dalam bentuk
tabel dapat dilakukan dengan cara yang dijelaskan pada slide berikutnya.

14 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Mengeluarkan report Bootstrapping, klik Report, Html (Print) Report. Report akan ditampilkan
dalam halaman HTML seperti dibawah ini. Output ini nanti digunakan untuk menjawab hipotesis.

15 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Untuk mendapatkan hasil goodness of fit, seperti :composite reliability, cross loading, R Square, dan
lain lain dilakukan dengan cara seperti dibawah ini. Klik Calculate, PLS Algorithm, finish.

16 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Mengeluarkan report goodness of fit, seperti :composite reliability, cross loading, R Square, dan lain
lain dilakukan dengan cara seperti dibawah ini. Klik Report, Html (Print) Report.

17 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 6: Membaca goodness of fit dari model. Pertama, uji validitas dengan Outer Loadings
dapat dilihat pada langkah 4. Kedua, hasil Cross Loadings adalah sebagai berikut:

Output dari Cross

Loadings ini
menghendaki
bahwa nilai
korelasi dari
setiap indikator
dengan variabel
latennya, harus
lebih besar , bila
dibandingkan
dengan korelasi
antara indikator
KDA1, KDA2,
KDA3, KDA4,
dengan Variabel
Laten KPBM,
PBMA, dan SAP

18 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Ketiga, melihat output Composite Reliability. Keempat, menilai hasil dari Cronbach Alpha.
Tujuan menilai konsistensi responden dalam menjawab pertanyaaan.

Uji keandalan data dilakukan dengan composite

reliability. Chin W (1998) mengatakan bahwa The
unidimensionality of the block of variables may be
assessed by using composite reliability (should be
> 0.7). Memperhatikan hasil Composite Reliability
diatas, keseluruhan hasil uji berada diatas 0,70.
Maka dengan demikian dapat disimpulkan bahwa
data Kualitas Dosen Akuntansi (KDA), data
Kualitas Sillabus (KS), data Kualitas Proses
Belajar Mengajar (KPBM), dan Prestasi Belajar
Mahasiswa Akuntansi (PBMA) adalah reliabel dan
terandalkan dan dapat dipergunakan untuk uji
hipotesis.
Cronbach alpha adalah tingkat konsistensi
jawaban responden dalam satu variabel laten.
Umumnya untuk riset pada tingkat skripsi adalah
> 0,60 dan untuk riset untuk tesis dan disertasi
adalah > 0,70.

19 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

Langkah 7: Membaca Outer Weight , Path Coefficient (Pengujian Hipotesis), dan R Square.

Outer Weight memperlihatkan

bahwa tiap indikator signfikan
terhadap variabel latennya, karena
t statistiknya > 1,96..
Path Coefficient menunjukkan
bahwa semua pengujian variabel
antar variabel adalah signifikan.
Dengan demikian dapat
disimpulkan bahwa semua
hipotesis dapat diterima.
R Suare menujukkan kemampuan
variabel variabel eksogen dalam
menjelaskan variabel endogen.
Kemampuan variabel KDA dan
SAP dalam menjelaskan KPBM
adalah 69,01%. Sedangkan
kemampuan variabel KDA, SAP,
dan KPBM terhadap PBMA adalah
11,67%.

20 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt

 Sekian

21 SEM dengan Smart PLS Tim Dosen FEB UTA'45 Jkt