Transcript Contoh analisa cepat smartPLS

menuju…Universitas Indonesia Maju
Contoh Analisa Cepat smartPLS
by adiwjj-STIKIM 2013
based on Erny’s research
S2-IKM STIKIM 2012
[email protected]
@adiwjj
Thing of Interest…
•Kita akan melakukan 2 analisis GoF
[Goodness of Fit]…
Yaitu:
GoF Outer Model [Measurement Model]
GoF Inner Model [Structural Model]
Thing of Interest…
•Ada 2 output yang akan kita gunakan untuk
analisis kedua GoF tersebut…
Yaitu:
PLS Algorithm output
BOOTSTRAP output
Kedua output ini diberikan dalam bentuk:
Gambar Model [bisa disimpan sebagai image]
Text output [bisa berupa text atau HTML]
So,…
Let’s START…
First Model…why first? you’ll found the answer later…
PLS Algorithm output…
Cirinya…
Angkanya nol koma
Do GoF for outer models …
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X7 = 0.499
• X8 = 0.787
• X9 = 0.332
Valid…
hampir 0.5
Valid…
Jauh diatas 0.5
Tidak Valid…
Jauh dibawah 0.5
Namun, jangan buru-buru kita
buang indikator X9 ini dari model.
Kita cek di output lainnya untuk menguatkan.
Jadi saat ini baru kandidat untuk di-buang!
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X10 = 0.390
• X11 = 0.785
• X12 = 0.903
Valid…
Jauh diatas 0.5
Tidak Valid…
dibawah 0.5
Valid…
Jauh diatas 0.5
Namun, jangan buru-buru kita
buang indikator X10 ini dari model.
Kita cek di output lainnya untuk menguatkan.
Jadi saat ini baru kandidat untuk di-buang!
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X4 = 0.827
• X5 = 0.745
• X6 = 0.853
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X1 = 0.962
• X2 = 0.891
• X3 = 0.297
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Tidak Valid…
Jauh dibawah 0.5
Namun, jangan buru-buru kita
buang indikator X3 ini dari model.
Kita cek di output lainnya untuk menguatkan.
Jadi saat ini baru kandidat untuk di-buang!
Do GoF for outer models
Uji Validitas
Convergent Validity - result
Indikator  [loading factor]
Validitas
X1
0.962
Valid
X2
0.891
Valid
X3
0.297
Tidak Valid
X4
0.827
Valid
X5
0.745
Valid
X6
0.853
Valid
X7
0.499
Valid
X8
0.787
Valid
X9
0.332
Tidak Valid
X10
0.390
Tidak Valid
X11
0.785
Valid
x12
0.903
Valid
Ada 3 indikator yang perlu
di uji lanjutan
untuk menentukan apakah
dibuang
atau tetap dipertahankan!
Do GoF for outer models
Uji Validitas
Discriminant Validity…based on AVE value
Hint:
Indikator dikatakan valid
secara discriminant,
jika nilai AVE-nya [] > 0.5
Bidan, Kondisi, Motivasi …VALID
Suami…TIDAK VALID
Hal ini terjadi karena di variabel SUAMI
ada indikator yang tidak valid secara convergent validity…
Ini tanda bahwa indkator yang tidak valid di variabel SUAMI harus dibuang!
Do GoF for outer models
Uji Validitas
Discriminant Validity…based on cross validation
Hint:
Valid jika nilai
loading ke variabel
nya paling besar
dibandingkan
dengan ke variabel
lain.
Motivasi = x1,x2,x3
Kondisi = x4,x5,x6
Suami = x7,x8,x9
Bidan = x10,x11,x12
Valid
Tidak Valid
Ada 4 indikator yang tidak valid dari cross loading
yaitu: x3, x6, x9, x10
Do GoF for outer models
Uji Validitas
Tabulasi hasil validitas secara convergent dan discriminant validity…
Indikator
Convergent Discriminant
validity
validity
X1
Valid
Valid
X2
Valid
Valid
X3
Tidak Valid
Tidak Valid
X4
Valid
Valid
X5
Valid
Valid
X6
Valid
Tidak Valid
X7
Valid
Valid
X8
Valid
Valid
X9
Tidak Valid
Tidak Valid
X10
Tidak Valid
Tidak Valid
X11
Valid
Valid
x12
Valid
Valid
Ada 3 indikator yang
Dari kedua uji validitas
Hasilnya tidak valid
Yaitu: x3, x9, x10
Namun ada 1 indikator yang
tidak valid hanya
Secara discriminant validity
Dari hasil ini; x3, x9, x10 bisa saja
langsung kita buang sementara x6
kita pertahankan.
Namun, jika secara teori semua
indikator kuat, maka kita perlu
satu uji lagi untuk memastikan
siapa yang kita buang!
Do GoF for outer models
Untuk memastikan indikator mana
yang dibuang, maka terakhir….
Kita lihat melalui nilai t-value yang
digenerate dari BOOTSTRAP….
BOOTSTRAP output…
Do GoF for outer models
Uji Signifikansi
Hint:
Indikator dikatakan SIGNIFIKAN,
jika nilai t-value nya > 1.96
Note: z-score pada CI 95% = 1.96
Nilai t-value
•X7 = 2.540
•X8 = 9.633
•X9 = 1.814
Signifikan…
signifikan
Tidak signifikan
KANDIDAT KUAT untuk di-buang dari model!
Do GoF for outer models
Uji Signifikansi
Hint:
Indikator dikatakan SIGNIFIKAN,
jika nilai t-value nya > 1.96
Note: z-score pada CI 95% = 1.96
Nilai t-value
•X4 = 37.318
•X5 = 29.890
•X6 = 46.459
Signifikan…
signifikan
signifikan
Do GoF for outer models
Uji Signifikansi
Hint:
Indikator dikatakan SIGNIFIKAN,
jika nilai t-value nya > 1.96
Note: z-score pada CI 95% = 1.96
Nilai t-value
•X10 = 4.780
•X11 = 21.321
•X12 = 91.017
Signifikan…
signifikan
signifikan
Do GoF for outer models
Uji Signifikansi
Hint:
Indikator dikatakan SIGNIFIKAN,
jika nilai t-value nya > 1.96
Note: z-score pada CI 95% = 1.96
Nilai t-value
•X1 = 147.974
•X2 = 45.516
•X3 = 3.358
Signifikan…
signifikan
signifikan
Do GoF for outer models
Uji Validitas + Uji Signifikansi Indikator
Tabulasi hasil …
Indikator
Convergent
validity
Discriminant
validity
Uji
Signifikansi
X1
Valid
Valid
Signifikan
X2
Valid
Valid
Signifikan
X3
Tidak Valid
Tidak Valid
Signifikan
X4
Valid
Valid
Signifikan
X5
Valid
Valid
Signifikan
X6
Valid
Tidak Valid
Signifikan
X7
Valid
Valid
Signifikan
X8
Valid
Valid
Signifikan
X9
Tidak Valid
Tidak Valid
Tidak Signifikan
X10
Tidak Valid
Tidak Valid
Signifikan
X11
Valid
Valid
Signifikan
x12
Valid
Valid
Signifikan
Dari hasil examinasi, maka X9 dan X3 yang dibuang !!!
Hasil:
X9 – buang
X3,x6,x10
diserahkan
sepenuhnya ke
peneliti dan
dampak dari
hasil uji.
Sehingga disini
peneliti bisa
membuang satupersatu sambil
mencari modle
yang paling baik.
GoF for outer models
Dari hasil uji validasi dan uji
signifikansi, maka ada 2 indikator yang
dibuang…
Yaitu x3 dan x9…sehingga model
berubah…ini lah alasan kenapa tadi
disebut model awal [first model]…
Mari kita analisa model kedua…
Yang bisa jadi model akhir, jika semua
hasil memadai…
Last Model……
PLS Algorithm output…
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X7 = 0.613
• X8 = 0.907
Valid…
Diatas 0.5
Valid…
Jauh diatas 0.5
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X10 = 0.398
• X11 = 0.782
• X12 = 0.902
Valid…
Jauh diatas 0.5
Tidak Valid…
dibawah 0.5
Valid…
Jauh diatas 0.5
Peneliti mempertahankan indikator ini…
Karena uji lainnya menyatakan indikator ini
memadai dan secara teori kuat.
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X4 = 0.822
• X5 = 0.745
• X6 = 0.858
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Do GoF for outer models
Uji Validitas
Convergent Validity
Hint:
Indikator dikatakan valid secara konvergen,
jika nilai loading factor-nya [] >= 0.5
Nilai  [loading factor]
• X1 = 0.972
• X2 = 0.910
Valid…
Jauh diatas 0.5
Valid…
Jauh diatas 0.5
Do GoF for outer models
Uji Validitas
Discriminant Validity…based on AVE value
Hint:
Indikator dikatakan valid
secara discriminant,
jika nilai AVE-nya [] > 0.5
SEMUA …VALID
BOOTSTRAP output…
SEMUA INDIKATOR …SIGNIFIKAN
T-value > 1.96
GoF untuk outer model…DONE
Melaju ke fase kedua…
GoF inner model…
Do GoF for inner models
Pada GoF inner model ini…kita harus
pastikan semua pengaruh antar
variabel adalah SIGNIFIKAN…
Jika ada pengaruh variabel satu ke
variabel lainnya tidak signifikan, maka
garis pengaruh tersebut harus diBUANG!
Do GoF for inner models
Untuk menguji signifikansi pengaruh,
maka lihat t-value nya…
Kemudian bandingkan dengan z-score…
Jika t-value > z-score, maka SIGNIFIKAN!
Tabel z-score berdasarkan Confident Intervalnya pada hipotesis 2-tail
CI
Z-score
95 %
1.96
90 %
1.65
85 %
1.44
80 %
1.28
75 %
1.15
70 %
1.04
Do GoF for inner models
BOOTSTRAP output…
Uji Signifikasni Path
signifikan
signifikan
signifikan
signifikan
ALL PATH …SIGNIFIKAN
karena T-value > 1.96
Do GoF for inner models
PLS ALGORITHM output…
Hitung Q-square predictive relevance
R12 = 0.761
Q2
Q-square predictive relevance = 89.2 %
R22 = 0.547
= 1 – (1-R12)(1-R22)
= 1 – (1-0.761)(1-0.547)
= 1 - (0.239)(0.453)
= 1 - 0.108
= 0.892
KELAAAAAR…
Selesai….
Secara GoF sudah…tinggal diperdalam
pembahasannya…
Antara lain:
•Analisa besar pengaruh
•Analisa prosentase pengaruh
•dll
Semoga bermanfaat….have a nice day!
-adiwjj, STIKIM 2013-
MENGHITUNG
BESAR PENGARUH
ANALISA BESAR PENGARUH
Kita petakan dulu, siapa saja yang punya pengaruh
Langsung dan/atau Tidak Langsung ke variabel
ENDOGEN TERAKHIR.
Dari model kita, maka ENDOGEN Terakhir adalah
MOTIVASI.
Note:
Terminologi lain dari PENGARUH ini antara lain:
-Effect, sehingga ada Direct Effect dan Indirect Effect
-Path, sehingga ada Direct Path dan Indirect Path
Istilah “RHO” sebaiknya dihindari, karena “RHO” adalah istilah pengaruh
pada kajian “PATH ANALYSIS”…kita kan SEM, jadi agak beda istilah.
MEMETAKAN SIAPA PUNYA PENGARUH LANGSUNG/TIDAK LANGSUNG…
Jika dilihat dari gambar, maka yang maka berikut
daftar pengaruh:
Pengaruh
Path
Langsung Tidak Langsung
Suami -> Motivasi
YA
TIDAK
Kondisi -> Motivasi
YA
TIDAK
Bidan -> Motivasi
YA
YA [via Kondisi]
Bidan -> Kondisi
MENGHITUNG BESAR PENGARUH
Kondisi -> Motivasi
Pengaruh tidak langsung BIDAN thd MOTIVASI
via kondisi adalah:
= (bidan->kondisi) x (kondisi->motivasi)
= 0.872 x 0.887 = 0.773
Pengaruh
Dibulatkan
menjadi 0.310
LANGSUNG
Tidak LANGSUNG
Pengaruh
TOTAL
Suami -> Motivasi
0.310
-
0.310
Kondisi -> Motivasi
0.887
-
0.887
Bidan -> Motivasi
-0.320
0.773
-0.320 + 0.773 = 0.453
Path
HASIL PERHITUNGAN MANUAL BESAR PENGARUH vs HASIL SMARTPLS…
Pengaruh
LANGSUNG
Tidak LANGSUNG
Pengaruh
TOTAL
Suami -> Motivasi
0.310
-
0.310
Kondisi -> Motivasi
0.887
-
0.887
Bidan -> Motivasi
-0.320
0.773
-0.320 + 0.773 = 0.453
Path
Hampir sama…
Agak beda karena pembulatan angka..jika yang dioperasikan full angkanya
tanpa pembulatan, maka hasil akan sama…
MENGHITUNG
PROSENTASE PENGARUH
Menyajikan besar Pengaruh
dalam bentuk Prosentase…
Menghitung PROSENTASE PENGARUH
Untuk merubah dari PATH COEFFICIENT menjadi PROSENTASE,
Rumusnya:
= (path coefficient x Latent Variabel Correlation) x 100%
Menghitung PROSENTASE PENGARUH…SUAMI thd MOTIVASI
PATH
LVC
Contoh perhitungan % pengaruh SUAMI thd MOTIVASI:
= (PATHsuami -> motivasi x LVCsuami -> motivasi )
= 0.309540 x 0.400936 = 0.1241
Jadi, prosentasenya = 12.41%
= 0.1241 x 100% = 12.41%
Menghitung PROSENTASE PENGARUH…KONDISI vs MOTIVASI
PATH
LVC
Contoh perhitungan % pengaruh KONDISI thd MOTIVASI:
= (PATH kondisi -> motivasi x LVC kondisi-> motivasi )
= 0.887186 x 0.664127 = 0.5892
Jadi, prosentasenya = 58.92%
= 0.5892 x 100% = 58.92%
Menghitung PROSENTASE PENGARUH…BIDAN thd MOTIVASI
PATH
LVC
Contoh perhitungan % pengaruh BIDAN thd MOTIVASI:
= (PATHbidan -> motivasi x LVCbidan -> motivasi )
= -0.319643 x 0.520807 = -0.1665
Jadi, prosentasenya = -16.65%
= -0.1665 x 100% = -16.65%
Menghitung PROSENTASE PENGARUH…BIDAN thd KONDISI
PATH
LVC
Contoh perhitungan % pengaruh BIDAN thd KONDISI:
= (PATHbidan -> kondisi x LVCbidan -> kondisi )
= 0.872460 x 0.872460 = 0.7613
Jadi, prosentasenya = 76.13%
= 0.7613 x 100% = 76.13%
Summary PROSENTASE PENGARUH
Path
% Pengaruh
LANGSUNG Tidak LANGSUNG
% Pengaruh
TOTAL
Suami -> Motivasi
12.41 %
-
12.41 %
Kondisi -> Motivasi
58.92 %
-
58.92 %
Bidan -> Motivasi
-16.65 %
68.46 %
-16.65 % + 68.46 % =
51.81 %
% pengaruh tidak langsung Bidan thd Motivasi:
= (% PENGARUHbidan thd kondisi x % PENGARUH kondisi thd motivasi )
= (76.13 % x 89.92 % )
= (0.7613 x 0.8992) = 0.6846
= 0.6846 x 100 % = 68.46 %
Summary PROSENTASE PENGARUH
Path
% Pengaruh
LANGSUNG Tidak LANGSUNG
% Pengaruh
TOTAL
Suami -> Motivasi
12.41 %
-
12.41 %
Kondisi -> Motivasi
58.92 %
-
58.92 %
Bidan -> Motivasi
-16.65 %
68.46 %
-16.65 % + 68.46 % =
51.81 %
TOTAL
54.68 %
Perhatikan:
Nilai R2 pada variabel MOTIVASI = 0.547 = 54.7 %
Jika TOTAL % pengaruh langsung sama dengan R2,
maka perhitungan sudah benar [54.68 %  54.7 %]
DEMIKIAN…
Terima kasih…
have a nice research!!!
further discussion, send to:
……[email protected]