SEM PLS. Analisis Path SEM PLS merupakan salah satu teknik pemodelan persamaan struktural (SEM) dengan menggunakan pendekatan interatif untuk memaksimalkan varian yang dijelaskan oleh variabel endogen. Analisis SEM dengan PLS SEM ini sering digunakan dalam ilmu bisnis dan sosial yang bertujuan untuk menguji hubungan kausal antara variabel-variabel dalam suatu model.
Berikut adalah tahapan-tahapan dalam analisis PATH dengan SEM PLS.
Berikut adalah tahapan-tahapannya:
OUTER MODEL
Dalam pemodelan SEM yang berbasis varian atau PLS Path Modeling, terdiri dari Outer model (model pengukuran). Outer Model Atau Pengukuran Bagian Luar disebut juga sebagai model pengukuran. Uji outer model bertujuan untuk menspesifikasikan hubungan antar variabel laten dengan indikator-indikatornya. Uji outer model ini menggunakan bantuan prosedur PLS Algorithm. Tahap analisis pada outer model diukur menggunakan pengujian validitas dan reliabilitas.
Didalam Uji Outer Model terdiri dari beberapa syarat uji yang harus dipenuhi agar sebuah model dapat dikatakan layak atau baik. yaitu terdiri dari:
A. Convergent Validity
Uji Validitas Konvergen atau disebut Convergent Validity digunakan untuk mengukur besarnya korelasi antar konstruk dengan variabel laten. Pengujian convergent validity dapat dilihat dari nilai loading factor untuk tiap indikator konstruk. Nilai loading factor lebih besar dari 0,7 adalah nilai ideal. Dalam penelitian empiris, nilai loading factor lebih besar dari 0,5 masih diterima. Bahkan, sebagian ahli menerima 0,4. Nilai ini menunjukkan persentasi konstruk mampu menerangkan variasi yang ada dalam indikator (Haryono, 2017).
Sebagai suatu contoh dapat kita perhatikan bersama hasil uji Validitas Konvergen atau disebut Convergent Validity pada gambar dibawah ini:
 |
| Nilai Loading Factor - Convergent Validity |
Contoh Tabel Hasil Uji Convergent Validity
|
Indikator |
Loading Factor |
Rule of Thumb |
Ket |
|
NKA-1 |
0,758 |
0,700 |
Valid |
|
NKA-2 |
0,81 |
0,700 |
Valid |
|
NKA-3 |
0,847 |
0,700 |
Valid |
|
NKA-4 |
0,787 |
0,700 |
Valid |
|
NKA-5 |
0,841 |
0,700 |
Valid |
|
P-1 |
0,777 |
0,700 |
Valid |
|
P-2 |
0,809 |
0,700 |
Valid |
|
P-3 |
0,844 |
0,700 |
Valid |
|
P-4 |
0,825 |
0,700 |
Valid |
|
P-5 |
0,844 |
0,700 |
Valid |
|
P-6 |
0,863 |
0,700 |
Valid |
|
P-7 |
0,721 |
0,700 |
Valid |
|
P-8 |
0,831 |
0,700 |
Valid |
|
SK-1 |
0,827 |
0,700 |
Valid |
|
SK-10 |
0,798 |
0,700 |
Valid |
|
SK-11 |
0,695 |
0,700 |
Valid |
|
SK-12 |
0,816 |
0,700 |
Valid |
|
SK-2 |
0,734 |
0,700 |
Valid |
|
SK-3 |
0,738 |
0,700 |
Valid |
|
SK-4 |
0,847 |
0,700 |
Valid |
|
SK-5 |
0,711 |
0,700 |
Valid |
|
SK-6 |
0,753 |
0,700 |
Valid |
|
SK-7 |
0,828 |
0,700 |
Valid |
|
SK-8 |
0,892 |
0,700 |
Valid |
|
SK-9 |
0,816 |
0,700 |
Valid |
B. Discriminant Validity
Uji Validitas Diskriminan atau yang disebut sebagai Discriminant Validity. Discriminant validity terjadi jika dua instrumen yang berbeda yang mengukur dua konstruk yang diprediksi tidak berkorelasi menghasilkan skor yang memang tidak berkorelasi (Hartono dalam Jogiyanto, 2011). Discriminant validity dari model reflektif dievaluasi melalui cross loading kemudian dibandingkan nilai AVE dengan kuadrat dari nilai korelasi antar konstruk/membandingkan akar kuadrat AVE dengan korelasi antar konstruknya. Ukuran cross loading adalah membandingkan korelasi indikator dengan konstruk blok lainnya. Bila korelasi antara indikator dengan konstruknya lebih tinggi dari korelasi dengan blok lainnya, hal ini 65 menunjukkan konstruk tersebut memprediksi ukuran pada blok mereka dengan lebih baik dari blok lainnya.
Berikut adalah contoh hasil Uji Validitas Diskriminan atau yang disebut sebagai Discriminant Validity dapat dilihat pada gambar dibawah ini:
 |
| SEM PLS - Discriminant Validity |
Dari
hasil uji dengan Fornell-Larcker Criterion Discriminant Validity menunjukkan
bahwa nilai loading dari masing-masing item indikator terhadap konstruknya
lebih besar daripada nilai cross loading. Dengan demikian dapat disimpulkan
bahwa semua konstruk atau variabel laten sudah memiliki discriminant validity
yang baik, dimana pada blok indikator konstruk tersebut lebih baik daripada
indikator blok lainnya
Berikut adalah contoh tabel hasil uji dengan Fornell-Larcker Criterion Discriminant Validity dapat dilihat pada tabel dibawah ini:
|
|
Kesiapan Kerja |
Nilai Komputer Akuntansi |
Nilai Praktek Kerja Industri |
|
Kesiapan Kerja |
0.790 |
|
|
|
Nilai Komputer Akuntansi |
0.779 |
0.809 |
|
|
Nilai Praktek Kerja Industri |
0.703 |
0.741 |
0.815 |
C. Composite Reliability
Uji Composit Reliability digunakan untuk mengukur reablitas suatu konstruk menggunakan indikator reflesif dapat dilakukan dengan dua cara yaitu Cronbach’s Alpha dan Composite Reability atau Dillon-Goldstein’s (Ghozali dan Latan, 2015). Cronbach’s alpha mengukur batas bawah dari nilai reabilitas pada suatu konstruk sedangkan Composite reability mengukur nilai sesungguhnya reabilitas pada suatu konstruk sehingga lebih disarankan menggunakan Composite reability (Abdillah dan Jogiyanto, 2016). Rule of thumb nilai alpha atau composite reability harus lebih besar dari 0,7 meskipun nilai 0,6 masih dapat diterima (Hair et al dalam Abdillah dan Jogiyanto, 2016)
Berikut adalah contoh hasil Uji Composit Reliability dapat dilihat pada gambar dibawah ini:
 |
| SEM PLS - Construct Reliability |
Berdasarkan
hasil uji Construct Reliabiliti menunjukan bahwa hasil pengujian composite reliability
menunjukkan nilai > 0,60, nilai Cronbach's Alpha > 0,60 dan nilai AVE
> 0,5 yang berarti semua variabel dinyatakan reliabel.
Berikut adalah contoh tabel Hasil
Uji Construct Reliability
|
|
Cronbach's Alpha |
rho_A |
Composite Reliability |
Average Variance Extracted (AVE) |
|
Kesiapan Kerja |
0.945 |
0.948 |
0.952 |
0.624 |
|
Nilai Komputer Akuntansi |
0.868 |
0.873 |
0.905 |
0.655 |
|
Nilai Praktek Kerja Industri |
0.928 |
0.932 |
0.941 |
0.665 |
#sempls #plssem #analisispath #pathanalisis #outermodel #innermodel #convergentvaldity #discriminantvalidity #compositereliability #analisispatsempls #analisispathplssem #olahdata #olahdatasempls
