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 202014 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 TampilSebelum 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 pengukuranGambar 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 value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. 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 yangkita 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 lainnya23 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 yang25 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 diinginkan3.2 Flowchart Latar Belakang Tujuan Praktikum Tinjauan Pustaka Metodologi Penelitian Pengumpulan Data Pengolahan Data ‘SmartPLS Analisa dan Pembahasan Kesimpulan dan Saran Gambar 3.1 FlowchartBABIV 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 1aie Tabel 4.3 Output SmartPLS 1 Tabel 4.4 Output SmartPLS 2Tabel 4.5 Output SmartPLS 3 = Gambar 4.1 Diagram Jalur Tabel 4.6 Matrix Path Coefficents oe abe? 7Histogram 4.1 Path Coefficients Histogram 4.2 Path Coefficients Histogram 4.3 Path Coefficients Histogram 4.4 Path CoefficientsTabel 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 CoefficientTabel 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 3Tabel 4.13 Hasil Outer Model 4Tabel 4.17 Hasil Indicator Data (Original) 4BABV 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.