Ys
LAPORAN LABORATORIUM KOMPUTASI DAN MULTIMEDIA
MODUL V
SMARTPLS
DISUSUN OLEH
NAMA : DZAHRATUL UYUN
STAMBUK : 09120190014
KELAS. :C3
LABORATORIUM KOMPUTAS! & MULTIMEDIA
FAKULTAS TEKNOLOGI INDUSTRI
JURUSAN TEKNIK INDUSTRI
UNIVERSITAS MUSLIM INDONESIA
MAKASSAR
202014
BABI
PENDAHULUAN
Latar Belakang
Partial Least Square atau disingkat PLS adalah model persamaan
‘Structural Equation Modelling (SEM) yang berbasis komponen atau varian.
PLS ini pertama kali diperkenalkan secara umum oleh Herman Wold pada
tahun 1974, Menurut Ghozali (2006), PLS merupakan pendekatan alternatif
yang bergeser dari Irwan & Khaeryna Adam, Metode Partial Least Square
(PLS) dan Terapannya_ 55 pendekatan SEM berbasis kovarian menjadi
berbasis varian. SEM yang berbasis kovarian umumnya menguji model
kausalitas atau teori, sedangkan PLS lebih bersifat predictive model.
PLS merupakan metode analisis yang powerfull karena tidak didasarkan
pada banyak asumsi misalnya data tidak harus berdistribusi normal, sampel
tidak harus besar. PLS juga dapat digunakan untuk menjelaskan ada
tidaknya hubungan antar variabel laten. PLS dapat menganalisis sekaligus
konstruk yang dibentuk dengan indikator refleksif dan formatif. Kepopuleran
penggunaan PLS di antara para peneliti dan praktisi adalah karena empat
alasan.
Pertama, algoritma PLS tidak terbatas hanya untuk hubungan antara
indikator dengan variabel laten yang bersifat refleksif tetapi algoritma PLS
juga dipakai untuk hubungan yang bersifat formatif. Kedua, PLS dapat
digunakan untuk menaksir model path dengan ukuran sampel yang kecil
Ketiga, PLS dapat digunakan untuk model yang sangat kompleks (terdiri atas,
banyak variabel laten dan manifes) tanpa mengalami masalah dalam
estimasi data.1.2 Tujuan Praktikum
‘Adapun tujuan praktikum yang dilakukan adalah
1, Mahasiswa dapat mengetahui perbedaan hubungan dengan pengaruh
2. Mahasiswa dapat menyelesaikan risetnya menggunakan Smart Pls,24
BAB II
TINJAUAN PUSTAKA
Mengoperasikan Program SmartPLS 3.0
Partial Least Square (PLS) merupakan salah satu metode alternatif estimasi
model untuk mengelola Structural Equation Modelling (SEM). Desain PLS
dibuat untuk mengatasi keterbatasan metode SEM. Pada metode SEM
mengharuskan data berukuran besar, tidak ada missing values, harus
berdistribusi normal, dan tidak boleh memiliki multikolinieritas, sedangkan pada
PLS menggunakan pendekatan distribution free dimana data dapat
berdistribusi tertentu, Selain itu PLS juga dapat digunakan pada jumlah sampel
yang kecil. PLS merupakan teknik analisis multivariat yang digunakan untuk
memproyeksikan hubungan linear antar variabel-variabel pengamatan Tujuan
PLS adalah menguji teori yang lemah dan data yang lemah, seperti jumlah
sampel yang kecil atau terdapat masalah normalitas data, memprediksikan
pengaruh variabel eksogen tethadap variabel endogen, dan menjelaskan
hubungan teoritikal di antara kedua variable tersebut (Abdi, 2003). Langkah-
langkah yang harus dilakukan dalam PLS meliputi:
1. Perancangan model struktural (inner mode) menjelaskan hubungan antara
variabel laten yang satu dengan variabel laten lainnya;
2. Perancangan model pengukuran (outer model) yang menjelaskan
hubungan antara variabel laten dengan variabel indikatornya yang bersifat
reflektif_dalam penelitian ini;
3. Penyusunan konstruksi diagram jalur berdasarkan dua model, yaitu model
struktural dan model pengukuran;22
4. Konversi diagram jalur ke dalam model persamaan struktural (hubungan
antar variabel laten yang diteliti) dan model pengukuran (hubungan variabel
indicator dengan variable Jaten);
5. Pendugaan parameter di dalam PLS (model reffekti) yang dilakukan
dengan cara path estimate (estimasi jalur);
6. Evaluasi Goodness of Fit Dengan cara pengujian tethadap kesesuaian
model, yaitu outer model (Convergent valiaity, Discriminant validity, dan
Composite reliability) dan inner model (R-square, f-square, dan Q-
square predictive relevance); 7)
7. Pengujian hipotesis yang dilakukan dengan metode resampling bootstrap
dan statistik ui
Untuk melakukan analisa dengan PLS salah satu program yang bisa
digunakan adalah smartPLS 3.0.
Menggambar Model dan Memasukkan Data
Ketika baru pertama kali membuka program PLS dengan smartPLS 3.0
maka tampilan yang akan pertama kali dilayar adalah sebagai berikut:
“endela tempat projek
ang eta kerjakan
Jendela tempat
struktural model
gambar
Gambar 2.1 TampilSebelum menggambar ada beberapa istilah yang harus diketahui:
Tabel 2.1 Istilah SmartPLS
Istilah
pengertian
KonstrukExogen
Variabel yang tidak diprediksi oleh variabel-
variabelyang lainyang terdapat dalam model.
Konstruk eksogen adalah konstruk yang dituju
oleh garis dengan satu ujung anak panah.
Konstruk Endogen
Yang merupakan faktor-faktor yang diprediksi
oleh satu atau beberapa konstruk. Konstruk
endogen dapat memprediksi satu atau
beberapa kosntruk endogen lainnya,tetapi
konstruk endogen hanya dapat berhubungan
kausal dengan konstruk endogen.
Latent Variabel
Variabel laten adalah variabel yang nilal
kuantitatifnya tidak dapat diketahui secaral
tampak.
Observed Variabel
Variabel manifest adalah variable yang
besaran kuantitatifnya dapat diketahui secara
langsung, misalnya dari skor respons subjek
tethadap instrumen pengukuranGambar 2.2 Tampilan Diagram Inner Model
Gambar di atas menunjukkan mana saja yang merupakan variabel endogen
dan eksogen serta laten dan observend variabel. Sebelum mulai menggambar
model struktural yang harus dilakukan adalah menginput file yang akan kita
analisis. Untuk menjalankan smartPLS 3.0 data harus disimpan dalam format
sv. Setelah data disimpan dalam format csv sebelum dimasukkan/ di input ke
dalam smartPLS 3.0 alangkah lebih baik nya jika data di cek terlebih dahulu
apakah ada missing value atau tidak.
Gambar 2.3 Tampilan pemeriksaan missing valueMemeriksa missing value bisa dilakukan secara manual. Akan tetapi jika
data berjumlah banyak maka lebih balk gunakan menu find yang disediakan
oleh excel. Jika didapati ada data yang missing. Maka beri tandalah data
missing tersebut. Simbol yang sering digunakan untuk mengidentifikasi missing
data adalah 999. Maka gantilah data yang kosong dengan 999. Jika data sudah
di pastikan tidak ada yang missing maka langkah berikutnya adalah
memasukkan data ke dalam program smartPLS 3.0. Langkah pertama untuk
memasukkan data ke dalam smartPLS 3.0 adalah dengan cara membuat projek
yang akan kita kerjakan. Disudut kiri atas ada pil
an new project.
Gambar 2.4 Tampilan langkah awal
Setelah diketikkan nama projek dan di klik tombol OK maka projek akan
muncul pada layar di sebelah kiri. Untuk memasukkan data maka double klik
icon menu yang berada di atas nama file projek yang ingin dikerjakan. Setelah
di double klik maka akan muncul layar yang berisikan file dimana kita menaruh
data mentah. Jika layar yang dibuka bukan tempat kita menaruh data mentah
yang akan dikerjakan maka kita bisa mencari pada folderfolder lainnya.
Tampilan layar tersebut menunjukkan bahwa data mentah yang kita inputkan
sudah masuk kedalam program smartPLS. Indikator lainnya jika data sudah
masuk secara sempuma adalah icon watna hijau di bawah nama projek yangkita kerjakan. Jika warna icon tersebut hijau maka berarti data sudah komplit,
Tetapi jika icon berwarna kuning maka maknanya data masing mengandung
‘missing value.
Missing value tersebut harus diberi Kode 999 seperti Kode missing value
lainnya. Di layar tengah dapat ilihat bahwa ada deretan angga. Deretan angga
tersebut _menunjukkan indikator yang kita gunakan, meanfrata-rata, nilai
minimal dan nilai maksimal. Di kolom maksimal terlibat beberapa angka tertulis
nilai maksimal adalah 999. Padahal nilai 999 merupakan koding dari missing
value. Oleh karena itu harus diinputkan bahwa 999 adalah koding. Pada layar
di atas nya ada tulisa Missing Value Marker. Klik tulisan tersebut. Setelah di klik
‘akan muncul sebuah layar baru, Maka isikan 999 pada layar tersebut. Pengisian
angka 999 tersebut memberikan informasi kepada program smartPLS 3.0
bahwa angka 999 adalah koding untuk missing value. Jika sudah diisikan maka
tekan OK. Setelah tekan OK maka dapat dilihat bahwa angka 999 hilang. Di
kolong tengah tampak bahwa berapa jumlah data yang hilang. Setelah data
berh:
diinput dengan sempurna maka langkah berikutnya adalah
menggambar model struktural. Menggambar modek struktural dapat dimutai
dari melakukan double klik pada menu “Latihan PLS” yang ada pada layar
sebelah kiri. Setelah double klik maka akan muncul tab baru di bagian atas.
Untuk memulai menggambar maka klk icon laten variabel satu kali dan kik
sekali lagi dibidang gambar. Jika didalam model yang akan dibuat memiliki
empat laten variabel maka empat kali pula harus diulang langkah yang sama.
Setelah ke empat laten variabel tergambar di bidang gambar maka langkah
berikutnya adalah menggambar hubungan sebab-akibatnya. Hubungan sebab
akibat digambar dengan meng klik icon connect dan menghubungkan antara
laten variabel satu dengan lainnya23
Hasil gambar akan tampak seperti gambar ai atas. Gambar tersebut tampak
berwama merah. Hal tersebut dikarenakan masing-masing laten variabel masih
belum memiliki variabel manifesobserved variable. Untuk memasukkan
observed variabel ke dalam laten variabel maka kita cukup men-drag satu
persatu observed variabel yang ada pada layar sebelah kiri. Jika observed
variabel sudah dimasukkan semua kedalam laten variabel maka model akan
berubah menjadi biru.
‘Menu in unt menempatkan
cbserved variael tas, dibawah
stay 6 anan ida aten vaca
Gambar 2.5 Tampilan untuk menempatkan observed
Untuk mengganti nama dari masing-masing /aten variabel cukup klik kanan
Jaten variabel yang ingin diganti namanya kemudi
n pada pilihan rename bisa
langsung dituliskan nama yang diinginkan. Setelah nama laten variabel sudah
diganti maka hasil akhir dari model yang digambar adalah sebagai berikut
Analisa Model Struktural
Analisa pada PLS dilakukan dengan tiga tahap:
1. Analisa outer mode!
2. Analisa inner model
3. Pengujian Hipotesa.2.4
Analisa outer model dilakukan untuk memastikan bahwa measurement
yang digunakan layak untuk dijadikan pengukuran (valid dan reliabel).
Analisa outer mode! dapat dilihat dari beberapa indikator:
1. Convergent valiaity
2. Discriminant validiti
3. Unidimensionality
‘Sedangkan analisa inner model/analisa struktural model dilakukan untuk
memastikan bahwa model struktural yang dibangun robust dan akurat. Evaluasi
inner model dapat dilthat dari beberapa indikator yang meliput:
1. Koefision determinasi (R2)
2. Predictive Relevance
3. Goodness of Fit Index (GoF)
Untuk pengujian Hipotesa dilakukan dengan melihat nilai probabilitas
nya dan t- statistik nya. Untuk nilai probabilitas, nilai p-value dengan alpha 5%
adalah kurang dari 0,05. Nilai t-tabel untuk alpha 5% adalah 1,96. Sehingga
kriteria penerimaan Hipotesa adalah ketika t-statistik > t-tabel.
Analisa Outer Mode!
Analisa Outer Model ini menspesifikasi hubungan antar variabel laten
dengan indikator-indikatornya. atau dapat dikatakan bahwa outer model
mendefinisikan bagaimana setiap indikator berhubungan dengan variabel
latennya. Uji yang dilakukan pada outer model
1. Convergent Validity. Nilai convergen validity adalah nilai loading faktor
pada variabel laten dengan indikator-indikatornya. Nilai yang diharapkan
207.
2. Discriminant Validity. Nilai ini merupakan nilai cross loading faktor yang
berguna untuk mengetahui apakah konstruk memiliki diskriminan yang25
memadai yaitu dengan cara membandingkan nilai loading pada konstruk
yang dityju harus lebih besar dibandingkan dengan nilai loading dengan
konstruk yang lain.
3. Composite Reliability. Data yang memiliki composite reliability >0.7
mempunyi reliabilitas yang tinggi
4, Average Variance Extracted (AVE). Nilai AVE yang diharapkan >0.5.
5. Cronbach Alpha. Uji reliabilitas diperkuat dengan Cronbach Alpha.
Nilai diharapkan >0.6 untuk semua konstruk
Uji yang dilakukan diatas merupakan uji pada outer model untuk indikator
reflektit, Untuk indikator formatit dilakukan pengujian yang berbeda. Uji
untuk indikator formatif yaitu :
1. Significance of weights. Nilai weight indikator formatif dengan konstruknya
harus signifikan.
2. Multicoliiniearity. Uji mutticolliniearity dilakukan untuk mengetahui hubungan
antar indikator. Untuk mengetahui apakah indikator formatif mengalami
muttcolliniearity dengan mengetahui nilai VIF. Nilai VIF antara 5-10 dapat
dikatakan bahwa indikator tersebut terjadi multicolliniearity
Pengujian Hipotesa
Secara umum metode explanatory research adalah pendekatan metode
yang menggunakan PLS. Hal ini disebabkan pada metode ini terdapat
pengujian Hipotesa. Menguji hipotesis dapat dilihat dari nilai t-statistik dan nilai
probabilitas. Untuk pengujian hipotesis menggunakan nilai statistik maka untuk
alpha 5% nilai t-statistik yang digunakan adalah 1,96. Sehingga kriteria
penerimaan/penolakan Hipotesa adalah Ha diterima dan HO di tolak ketika t-
statistik >1,96. Untuk menolak/menerima Hipotesis menggunakan probabilitas
maka Ha di terima jika nilai p < 0,05.34
BABII
METODOLOG! PENELITIAN
Prosedur Praktikum
1. Smart PLS
a)
»)
a)
e)
o)
9)
)
Sebelum mulai menggambar model struktural yang harud dilakukan
adalah menginput file yang akan kita analisis. Untuk menjalankan
smartPLS 3.0 data harus disimpan dalam format,
Setelah data disimpan dalam format csv sebelum dimasukkan/ di input
ke dalam smartPLS 3.0 alangkah lebih baik nya jika data di cek
terlebih dahulu apakah ada missing value atau tidak
Memeriksa missing value bisa dilakukan secara manual. Akan tetapi jika,
data berjumlah banyak maka lebih balk gunakan menu find yang
disediakan oleh excel. Jika didapati ada data yang missing. Maka beri
tandalah data missing tersebut.
Langkah pertama untuk memasukkan data ke dalam smartPLS 3.0
adalah dengan cara membuat projek yang akan kita kerjakan. Disudut
Kiri atas ada pilihan new project.
Setelah diketikkan nama projek dan di klik tombol OK maka projek akan
muncul pada layar di sebelah kiri.
Untuk memasukkan data maka double Klik icon menu yang berada di
atas nama file projek yang ingin dikerjakan. Setelah di double klik maka
akan muncul layar yang berisikan file dimana kita menaruh data mentah
Jka layar yang dibuka bukan tempat kita menaruh data mentah
yang akan dikerjakan maka kita bisa mencari pada folder- folder.
Jika data sudah dimasukkan maka akan tampak dilayar smartPLS yang
dibuka.i)
%
n)
9)
»)
y
Tampilan layar tersebut menunjukkan bahwa data mentah yang kita
inputkan sudah masuk kedalam program smartPLS.
Di layar tengah dapat dilihat bahwa ada deretan angga. Deretan angga
tersebut menunjukkan indikator yang kita gunakan, mean/rata-rata, nilai
minimal dan nilai maksimal.
Jika sudah diisikan maka tekan OK. Setelah tekan OK maka dapat
dillhat bahwa angka 999 hilang. Di kolong tengah tampak bahwa berapa
jumiah data yang hitang.
Setelah data berhasil diinput dengan sempurna maka langkah
berikutnya adalah menggambar model structural
Nah jika tampilan sudah seperti gambar di atas maka model
struktural siap untuk digambarkan
Untuk memulai menggambar maka klik icon laten variabel satu kali dan
Klik sekali lagi dibidang gambar. Jika didalam model yang akan dibuat
memiliki empat laten variabel maka empat kali pula harus diulang
langkah yang sama. Setelah ke empat laten variabel tergambar di
bidang gambar maka langkah berikutnya adalah menggambar
hubungan sebab-akibatnya.
Hasil gambar akan tampak seperti gambar di atas. Gambar tersebut
tampak berwarna merah.
Jika observed variabel sudah dimasukkan semua kedalam laten
variabel maka model akan berubah menjadi biru.
Untuk mengganti nama dari masing-masing laten variabel cukup Klik
kanan laten variabel yang ingin diganti namanya kemudian pada pilihan
rename bisa langsung dituliskan nama yang diinginkan3.2 Flowchart
Latar Belakang
Tujuan Praktikum
Tinjauan Pustaka
Metodologi Penelitian
Pengumpulan Data
Pengolahan Data
‘SmartPLS
Analisa dan
Pembahasan
Kesimpulan dan Saran
Gambar 3.1 FlowchartBABIV
PENGOLAHAN DATA
4. Sumber Data
Data yang digunakan dalam penelitian ini berjudul “Analisis pengaruh tingkat
pengalaman dan coaching style terhadap kualitas kepemimpinan manajemen
proyek dalam upaya peningkatan produktivitas” di PT. JCI
4.2 Variabel Penelitian
Berdasarkan hasil penelitian diketahui bahwa Hasil penelitian ini menemukan
bahwa Tingkat Pengalaman Project Manager berpengaruh kuat serta signifikan
terhadap Kualitas Kepemimpinan Manager Project dengan Mediasi Parsial dari
Coaching Style, Hasil penelitian ini menemukan bahwa Tingkat Pengalaman
Project Manager berpengaruh kuat serta signifikan terhadap Coaching Style
yang dilakukan oleh Project Manager, Hasil penelitian ini mememukan bahwa
Coaching Style yang dilakukan oleh Project Manager berpengaruh kuat serta
signifikan terhadap Kualitas Kepemimpinan Manager Project, Hasil penelitian ini
menemukan bahwa Tingkat Pengalaman Project Manager berpengaruh kuat
serta signifikan tethadap Produktivitas karyawan dengan Mediasi Parsial dari
Coaching Style yang dijalankan dan Kualitas Kepemimmpinan yang baik dari
Project Manager, Hasil penelitian ini menemukan bahwa Coaching Style yang
dilakukan oleh Project Manager berpengaruh kuat serta signifikan terhadap
Produktivitas karyawan dengan Mediasi Parsial dari Kualitas Kepemimpinan
yang baik dari Project Manager, Hasil penelitian ini menemukan bahwa Kualitas
Kepemimpinan yang baik dari Project Manager berpengaruh kuat serta signifikan
terhadap Produktivitas para karyawan.
Data dikumpulkan dengan cara mengajukan pertanyaan dan melakukan tabulasi
jawabannya. Variabel dalam penelitian ini diklasifikasikan menjadi empat yaitu :1. Tingkat Pengalaman
2. Coaching Style
3. Kualitas Kepemimpinan
4. Produktivitas
43 Pengolahan Data
Tabel 4.1 Data Excel 1aie
Tabel 4.3 Output SmartPLS 1
Tabel 4.4 Output SmartPLS 2Tabel 4.5 Output SmartPLS 3
=
Gambar 4.1 Diagram Jalur
Tabel 4.6 Matrix Path Coefficents
oe abe? 7Histogram 4.1 Path Coefficients
Histogram 4.2 Path Coefficients
Histogram 4.3 Path Coefficients
Histogram 4.4 Path CoefficientsTabel 4.7 Matrix R Square
Histogram 4.5 Path Coefficients
anes Adurod
Histogram 4.6 Path Coefficients
Tabel 4.8 Matrix F Square
jogram 4.7 Path CoefficientTabel 4.9 Hasil Inner Model
Tabel 4.10 Hasil Outer Model 1
Tabel 4.11 Hasil Outer Model 2
Tabel 4.12 Hasil Outer Model 3Tabel 4.13 Hasil Outer Model 4Tabel 4.17 Hasil Indicator Data (Original) 4BABV
ANALISA DAN PEMBAHASAN
5.1 Analisa
Tabel 5.1 Output SmartPLS
Path R Square] F Square
Coefficients
Tingkat Pengalaman -0,678 0,459 0,850
Coaching style >
Kualitas Kepemimpinan 0,864 0,747 2,945,
Produktivitas 0,598 0,358 0.557
5.2 Pembahasan
Hasil pengukuran atau pengujian path coefficients terhadap tingkat
pengalaman menunjukkan bahwa hubungan variable tingkat pengalaman,
kualitas kepemimpinan dan produktivitas nilai koefisien jalur masing-masing
sebesar -0.678, 0.864, -0.598 dengan nilai variable pada table R Square tingkat
pengalaman, kualitas kepemimpinan dan produktivitas adalah 0.459, 0.747,
0.358. sedangkan pada table F Square nilai variable tingkat pengalaman, ku
kepemimpinan dan produktivitas masing-masing sebesar 0.850, 2.945, 0.557.
Hasil ini berarti bahwa ekspektasi pengguna memiliki hubungan positif dengan
loyalitas masyarakat.BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan studi yang dilakukan, terdapat beberapa kesimpulan yang dapat
dikemukakan, yaitu sebagai berikut :
1. Partial Least Square sebagai salah satu teknik pengukuran struktural memilki
kemampuan untuk memprediksi hubungan antar variabel, dan hubungan
variabel indikatornya. Selain itu, PLS juga dapat digunakan untuk mengukur
tingkat hubungan di antara variable tersebut.
2. PLS adalah menguji teori yang lemah dan data yang lemah, seperti jumlah
sampel yang kecil atau terdapat masalah normalitas data, memprediksikan
Pengaruh variable eksogen tethadap variabel endogen, dan menjelaskan
hubungan teoritikal di antara kedua variabel tersebut.
62 Saran
4. Saran untuk Asisten
Meskipun proses praktikum sekarang dilakukan secara daring, hendaknya
prosedur yang dikembangkan dapat diterapkan dengan baik sehingga
membuat proses praktikum lebih baik dan sebaiknya aplikasi yang digunakan
saat praktikum dipersiapkan dan dilengkapi agar proses praktikum berjalan
lancar.
2. Saran untuk Laboratorium
‘Saran untuk asisten agar dapat mengajarkan praktikannya lebih detail agar
semua dapat dipahami, kinerja yang diberikan oleh asisten kepada praktikan
sudah sangat baik saat melakukan asistensi dan cepat respon, dan semoga
dapat memberikan nilai yang baik.