PENGANTAR

PARTIAL LEAST SQUARES

STRUCTURAL EQUATION MODEL(PLS-SEM)

Dedi Rianto Rahadi

Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah metode

alternatif untuk SEM berbasis kovarians (CB-SEM) yang digunakan saat
menganalisis data menggunakan pemodelan persamaan struktural (SEM).

2023
PENGANTAR PARTIAL LEAST
SQUARES STRUCTURAL
EQUATION MODELING
(PLS-SEM)

DEDI RIANTO RAHADI

Lentera Ilmu Madani

 PENGANTAR PARTIAL LEAST
SQUARES STRUCTURAL EQUATION
MODELING (PLS-SEM)

DEDI RIANTO RAHADI

Desain Cover:
M. Iqbal Tawaqal

Tata Letak:
M. Mifta Farid

Editor:
Wijonarko

ISBN:

Cetakan Pertama:
Juli 2023

Hak Cipta 2023, Pada Penulis

Hak Cipta Dilindungi Oleh Undang-Undang

Copyright © 2023
by Penerbit Lentara Ilmu Madani
All Right Reserved

Dilarang keras menerjemahkan, memfotokopi, atau memperbanyak sebagian atau

seluruh isi buku ini tanpa izin tertulis dari Penerbit.

PENERBIT:
CV. LENTERA ILMU MADANI
Jln. Letjen Ibrahim ajie 51 A Tasikmalaya Provinsi Jawa Barat
Anggota IKAPI No. 411/JBA/2021

i
 KATA PENGANTAR

Alhamdulillah, komitmen dan istiqomah untuk terus berkarya melalui

penulisan baru yang diberi judul “PENGANTAR PARTIAL LEAST
SQUARES STRUCTURAL EQUATION MODELING (PLS-SEM)”.

Pemodelan persamaan struktural kuadrat terkecil parsial (PLS-SEM)

telah menjadi metode yang populer untuk memperkirakan model
jalur dengan variabel laten dan hubungannya.

Penulis berharap buku ini dapat mejadi rujukan bagi peneliti dalam
melakukan penelitian. Buku ini juga masih banyak kekurangan
masukan serta diskusi lebih lanjut sangat ditunggu.

Terima kasih bagi semua pihak yang banyak membantu terutama

keluarga serta kolega.

Juli, 2023

Dedi Rianto Rahadi

ii
 DAFTAR ISI
KATA PENGANTAR.............................................................................. ii
BAB 1 Pengatar Structural Equation Model (SEM) ............... 1
1.1. Pemodelan Persamaan Struktural (SEM) ? ........................................ 1
1.1.1. Diagram Model Persamaan Struktural ....................................... 4
1.1.2. Rekomendasi ad-hoc Mengenai Ukuran Sampel ....................... 6
1.2. Jenis Pemodelan Persamaan Struktural ............................................ 9
1.2.1. Analisis Jalur (Path Analysis)....................................................... 9
1.2.1.1. Memahami Analisis Jalur ................................................ 11
1.2.1.2. Analisis Jalur Dalam Praktiknya....................................... 13
1.2.2. Variabel Laten Dan Yang Dapat Diamati .................................. 14
1.2.3. Analisis Faktor Konfirmasi (CFA)............................................... 18
1.2.3.1. Langkah Proses Analisis Konfirmasi (CFA)....................... 20
1.3. Prinsip Pemodelan Persamaan Struktural ....................................... 23
1.3.1. Model Jalur dengan Variabel Laten .......................................... 23
1.3.2. Pengujian Hubungan Teoritis ................................................... 24
1.3.3. Teori Pengukuran ..................................................................... 25
1.3.4. Teori Struktural......................................................................... 26
1.4. Prosedur Analisis SEM ..................................................................... 27
1.5. Kapan Menggunakan Pemodelan Persamaan Struktural (SEM) ? ... 31
1.6. Latihan ............................................................................................. 33
BAB 2 Pengantar Partial Least Squares Structural
Equation Modeling (PLS-SEM)..................................................... 34
2.1. Karakteristik Utama Metode PLS-SEM ............................................ 34

iii
 2.1.1. Studi Tinjauan PLS-SEM Sebelumnya ....................................... 41
2.1.2. Kapan Menggunakan PLS-SEM ................................................. 42
2.1.3. Cara menggunakan PLS-SEM .................................................... 45
2.1.4. Topik Tingkat Lanjut ................................................................. 51
2.1.5. Diagram Jalur ............................................................................ 54
2.2. Pertanyaan....................................................................................... 56
BAB 3 Model Regresi PLS-SEM .................................................... 57
3.1. Model Regresi PLS ........................................................................... 57
3.2. Analisis Jalur (Path Analysis) ............................................................ 58
3.3. Model Jalur dengan Variabel Laten ................................................. 59
3.3.1. Asumsi Path Analysis ................................................................ 62
3.3.2. Syarat-Syarat Penggunaan Path Analysis ................................. 63
3.4. Analisis Faktor Konfirmatori (CFA)................................................... 64
3.4.1. Istilah Kunci Untuk Analisis Faktor Konfirmatori ...................... 66
3.4.2. Dasar-Dasar Analisis Faktor ...................................................... 68
3.3.5. Proses Analisis Faktor Konfirmatori ......................................... 71
3.3.6. Konsep Kunci Dalam Analisis Faktor Konfirmatori ................... 74
3.3.7. Statistik 76
3.3.8. Contoh Data Kesehatan dan Peserta ....................................... 78
3.4. Model Struktural Variabel Laten ..................................................... 80
3.5. Model Kurva Pertumbuhan ............................................................. 81
3.6. Pertanyaan....................................................................................... 82
BAB 4 Variabel Analisis Jalur ..................................................... 83
4.1. Variabel Endogen............................................................................. 83
iv
 4.1.1. SEM Dengan Satu Variabel Endogen ........................................ 85
4.1.2. Dua Atau Lebih Variabel Endogen ............................................ 86
4.2. Variabel Eksogen ............................................................................. 87
4.2.1. Contoh Penerapan Variavel Endogen Dan Exogen ................... 88
4.2.2. Istilah Interaksi ......................................................................... 90
4.3. Variabel Mediasi (Mediating variables) ........................................... 92
4.4. Variabel moderasi (Moderating variables) ...................................... 95
4.5. Efek Langsung, Tidak Langsung, Dan Total ...................................... 98
4.6. Istilah Interaksi................................................................................. 99
4.7. Pertanyaan..................................................................................... 100
BAB 5 Teknik Partial Least Squares Structural Equation
Modeling Menggunakan SmartPLS ........................................ 101
5.1. Pengantar SmartPLS ...................................................................... 101
5.1.1. Model Pengukuran ................................................................. 101
5.1.2. Model Struktural .................................................................... 103
5.2. Outer Model dalam Tutorial Partial Least Square ......................... 111
5.2.1. Pengujian Convergent Validity ............................................... 111
5.2.3. Discriminant Validity .............................................................. 115
5.2.4. Composite Reliability .............................................................. 118
5.3. Evaluasi Model Struktural (Inner Model) ...................................... 119
5.3.1. Uji Kebaikan Model (Model Fit).............................................. 121
5.3.2. Cross-validated Redundancy (Q2 ) ......................................... 123
5.4. Uji Hipotesis ................................................................................... 124
5.4.1. Hubungan Langsung (direct effects)....................................... 124

v
 5.4.2. Hubungan Tidak Langsung (indirect effects) .......................... 128
5.4.3. Hasil Analisis Total Effects ...................................................... 130
5.5. Latihan ........................................................................................... 131
DAFTAR PUSTAKA .................................................................................. 132
PROFIL PENULIS ..................................................................................... 136

vi
BAB 1
Pengatar Structural Equation
Model (SEM)

Setelah membaca bab ini, pembaca dapat:

1. Memahami prinsip-prinsip model persamaan struktural
(SEM)
2. Mendeskripsikan elemen dasar model persamaan struktural

1.1. Pemodelan Persamaan Struktural (SEM) ?

Structural Equation Modeling (SEM) adalah metode konfirmasi yang
memberikan sarana komprehensif untuk menilai dan memodifikasi
model pengukuran serta model struktural. Metode tersebut memiliki
kemampuan untuk menilai unidimensionalitas, validitas dan
reliabilitas suatu model pengukuran.

Pemodelan Persamaan Struktural adalah metode statistik yang

semakin banyak digunakan dalam studi ilmiah di bidang Ilmu Sosial.
Structural Equation Modeling terdiri dari dua dasar komponen
sebagai model struktural dan model pengukuran.

Pemodelan persamaan struktural (SEM) telah menjadi standar

sehubungan dengan analisis hubungan sebab akibat antara variabel
laten. Kemampuannya untuk memodelkan variabel laten sekaligus
mempertimbangkan berbagai bentuk kesalahan pengukuran
membuat SEM berguna untuk banyak pertanyaan penelitian (Babin
et al. 2008; Steenkamp dan Baumgartner 2000), khususnya di bidang
1
pemasaran, yang biasanya berfokus pada memeriksa fenomena yang
tidak dapat diamati seperti sikap konsumen, persepsi, dan niat.

Pemodelan Persamaan Struktural Memiliki dua tujuan utama:

✓ Untuk memahami pola korelasi/kovarians antar variabel dan

✓ Menjelaskan variannya sebanyak mungkin dengan model yang
ditentukan

Persamaan Struktural Memiliki juga memiliki beberapa keterbatasan

diataranya :

keterbatasan pertama, metode tipe regresi dibatasi untuk

memproses variabel yang dapat diamati, seperti usia atau penjualan
(dalam unit atau dolar). Konsep teoretis, yang merupakan "sifat atau
atribut abstrak, tidak dapat diamati dari unit sosial entitas" (Bagozzi
& Philipps, 1982), hanya dapat dipertimbangkan setelah validasi
berdiri sendiri sebelumnya melalui, misalnya, konfirmasi analisis
faktor (CFA). Akan tetapi, inklusi ex post dari ukuran-ukuran konsep
teoretis memiliki berbagai kekurangan.

keterbatasan kedua dan terkait dengan poin sebelumnya, harus

diingat bahwa setiap pengamatan dunia nyata disertai dengan
tingkat kesalahan pengukuran tertentu, yang bisa sistematis atau
acak. Teknik generasi pertama, tegasnya, hanya berlaku ketika
variabel yang diukur tidak mengandung kesalahan sistematis atau
acak.

Untuk mengatasi keterbatasan ini, para peneliti semakin beralih ke

teknik generasi kedua. Metode ini, disebut sebagai pemodelan
persamaan struktural (SEM). Hasilnya, metode tersebut memperoleh

2
pengukuran yang lebih tepat dari konsep teoretis yang diminati (Cole
& Preacher, 2014).

Structural Equation Modeling (SEM) adalah teknik analisis statistik

multivariat yang kuat yang menggabungkan analisis faktor dan
analisis regresi berganda. SEM mampu menganalisis hubungan antar
konstruk laten secara simultan dalam sebuah model. Konstruk laten
ini diukur dengan menggunakan sejumlah item dalam kuesioner.
SEM berbasis kovarians (CB-SEM) atau full SEM telah menjadi pilihan
bagi banyak peneliti dalam berbagai disiplin ilmu karena
kemampuannya untuk mengevaluasi hubungan yang kompleks
dengan menggunakan pendekatan statistik parametrik.
Peneliti juga dapat memilih SEM berbasis Varians (VB-SEM) atau
Partial Least Square-SEM (PLS-SEM) ketika data mereka gagal
memenuhi asumsi parametrik seperti distribusi normalitas
multivariat dan ukuran sampel minimum. Namun, pendekatan VB-
SEM atau PLS-SEM adalah non-parametrik, bukan pendekatan
parametrik di CB-SEM. Temuan dari kedua analisis menyarankan
bahwa CB-SEM atau SEM penuh lebih tepat untuk memvalidasi dan
mengkonfirmasi model pengukuran MSQoL.
Amos lebih ketat dibandingkan dengan Smart PLS (SPLS). Jika teori
formal dan ukuran sampel yang sesuai tidak tersedia, SPLS dapat
berfungsi, tetapi Amos tidak memberikan kesesuaian model yang
tepat. Dalam Hair (2017a), “kedua metode tersebut saling
melengkapi, bukan kompetitif.” Pemilihan metode berangkat dari
tujuan penelitian. Jika teori yang ada perlu diuji dan dikonfirmasi, CB-
SEM adalah yang terpilih. Namun demikian, untuk tujuan
pengembangan teori maupun prediksi, PLS-SEM lebih baik.

3
 1.1.1. Diagram Model Persamaan Struktural

Model Persamaan Struktural sangat kompleks karena mengandung

banyak koefisien dalam banyak arah dan diagram adalah cara terbaik
untuk memahami apa yang dilakukan oleh Model Persamaan
Struktural.
Model Persamaan Struktural sering mengikuti beberapa praktik
umum:

1. Variabel laten dilambangkan dengan lingkaran

2. Variabel terukur dilambangkan dengan kuadrat
3. Hubungan dilambangkan dengan panah
4. Varians dan residual dilambangkan dengan panah dari
variabel ke dirinya sendiri

Berikut adalah contoh SEM diagram :

Gambar 1.1. Structural Equation Modeling Diagram

4
Gambar 1.2, dijelaskan secara detail contoh diagram SEM. Contoh
diagram Pemodelan Persamaan Struktural, dapat membantu untuk
memahaminya dengan lebih baik:

Dalam gambar 1.2. dapat dilihat:

1. Kinerja Pekerjaan sebagai variabel laten dependen, dengan

tiga variabel terukur yang menyertainya di sebelah kanan.
2. tiga variabel laten independen Keterampilan Sosial,
Keterampilan Intelektual, dan Motivasi ada di sebelah kiri
JobPerf
3. anak panah dari ketiga variabel laten independen ke Prestasi
Kerja untuk menunjukkan bahwa ketiga variabel laten
tersebut diharapkan berdampak pada Prestasi Kerja.
4. keenam variabel terukur di sebelah kiri diharapkan masing-
masing mempengaruhi salah satu variabel independen laten.
Panah menunjukkan variabel laten mana yang dipengaruhi
oleh masing-masing variabel terukur

Gambar 1.2. Structural Equation Modeling Diagram

5
Sekarang, tujuan teknik pemodelan Persamaan Struktural adalah
memperkirakan koefisien untuk setiap panah dalam diagram. Setiap
panah adalah koefisien, dan kesalahan standar juga harus
diperkirakan. Estimasi tersebut akan memungkinkan mengukur
hubungan kompleks antara variabel terukur dan variabel laten.

1.1.2. Rekomendasi ad-hoc Mengenai Ukuran

Sampel

Penelitian menggunakan SEM menggunkan ukuran sampel yang

cukup besar. Dari berbagai referensi merekomensikan jumlah
sampel sebesar 100-200. Penelitian menggunakan PLS sampel yang
digunakan relative kecil yaitu minimal 30-50 sampel. PLS tidak
membutuhkan modifikasi, sebaliknya model SEM dibutuhkan
modifikasi untuk mencapai kelayakan model yang lebih baik. Untuk
pemodelan multi-grup, aturan praktisnya adalah 100
kasus/pengamatan per grup (Kline, 2005).

Ukuran sampel sering dipertimbangkan berdasarkan jumlah variabel

yang diamati. Untuk data yang terdistribusi normal, Bentler dan Chou
(1987) menyarankan rasio serendah 5 kasus per variabel akan cukup
ketika variabel laten memiliki beberapa indikator. Aturan praktis
yang diterima secara luas adalah 10 kasus/pengamatan per variabel
indikator dalam menetapkan batas bawah ukuran sampel yang
memadai (Nunnally, 1967). Beberapa studi simulasi dalam literatur
SEM telah menyarankan bahwa ukuran sampel yang besar
diperlukan untuk menghasilkan hasil yang dapat dipercaya. Dan
meskipun temuan ini hanya relevan untuk pengaturan tertentu
(salah satu contoh terkenal adalah apa yang disebut metode estimasi
"Asymptotically Distribution Free" atau ADF), studi ini memicu
6
kebijaksanaan konvensional bahwa SEM hanya dapat digunakan jika
ukuran sampel cukup besar. (misalnya, n > 500) atau bahkan sangat
besar (n > 2000).
Penelitian sebelumnya mencatat bahwa hasil yang masuk akal dapat
diperoleh dalam analisis SEM ketika N <200 (Gerbing dan Anderson,
1985), atau setidaknya di atas 100 (Boomsma, 1985). Walaupun
rekomendasi ini didukung oleh hasil Monte Carlo, jumlah variabel
dalam studi ini agak kecil. Bentler dan Chou (1987) kemudian
mencatat bahwa ukuran sampel N malah harus dianggap relatif
terhadap jumlah parameter q, dan rasio N:q dapat serendah 5:1
untuk data terdistribusi normal, dan 10:1 untuk sewenang-wenang
distribusi.
Penelitian terbaru menunjukkan bahwa, seiring peningkatan p, kita
sebenarnya membutuhkan N yang jauh lebih besar dari 200 agar
dapat berfungsi seperti yang diharapkan. Secara khusus, ditemukan
bahwa pada tingkat nominal 5%, Tml menolak model yang benar
100% ketika N = 200 dan p = 90 (Moshagen, 2012); dan menolak
model yang benar sekitar 85% ketika N = 1.000 dan p = 120 (Shi et al.,
2018). Selain itu, studi oleh Jackson (2001), Moshagen dan Shi et al.
menunjukkan bahwa perilaku Tml sedikit dipengaruhi oleh jumlah
parameter.

Masalah tidak memiliki ukuran sampel yang cukup besar juga

menjadi perhatian utama dalam analisis faktor eksplorasi (EFA)
karena skala psikologis yang paling terkenal mengandung banyak
item. Dalam konteks EFA, rekomendasinya cukup bervariasi,
termasuk misalnya untuk N berada di atas 100 dan bahkan sampai di
atas 1000 (Guilford, 1954; Kline, 1979; Gorsuch, 1983; Comrey dan
Lee, 1992), Dalam hal rasio N/p, telah disarankan perlu berada di
mana saja dari atas 1.2 hingga 10 (Everitt, 1975; Cattell, 1978; Barrett
dan Kline, 1981; Gorsuch, 1983; Arrindell dan van der Ende, 1985).
MacCallum et al. (1999), bagaimanapun, berpendapat bahwa N yang
7
diperlukan sebenarnya tergantung pada kondisi lain selain N/p,
termasuk komunalitas dan jumlah indikator per faktor. Menariknya,
de Winter et al. (2009) mencatat bahwa N bisa jauh lebih kecil dari p
jika ukuran komunalitas dan jumlah indikator per faktor tinggi.
Namun, diskusi dan rekomendasi mengenai ukuran sampel yang
dibutuhkan dalam EFA sebagian besar untuk tujuan pemulihan
faktor1 daripada evaluasi model secara keseluruhan atau inferensi
estimasi parameter.

Pemulihan faktor EFA berbeda secara konseptual dari masalah

inferensi statistik di SEM atau CFA. Fokus utama adalah estimasi dan
evaluasi model, diskusi dan ulasan kami pasti akan memberikan
wawasan tentang masalah inferensi di EFA juga. Secara khusus,
karena pemulihan faktor terkait erat dengan kesalahan standar
estimasi pemuatan faktor, kondisi atau metode yang sesuai dengan
estimasi parameter yang lebih efisien akan menghasilkan pemulihan
faktor yang lebih baik di EFA. Misalnya, Yuan dkk. (2010) telah
menunjukkan bahwa kesalahan standar (SE) estimasi pemuatan
faktor dalam CFA meningkat dengan ukuran varians kesalahan, dan
menurun dengan jumlah indikator per faktor dan ukuran pemuatan
faktor selain yang sesuai dengan SE itu sendiri.

Rekomendasi ukuran sampel diperlukan dalam literatur SEM dan EFA

semuanya hanyalah dugaan sementara. Meskipun didasarkan pada
studi simulasi kecil dengan N yang bervariasi tetapi nilai p yang
terbatas, mereka tidak dibenarkan secara statistik, atau
digeneralisasikan untuk kondisi dengan p besar, seperti juga dicatat
(Yang et al, 2018).

8
1.2. Jenis Pemodelan Persamaan Struktural
Ada berbagai jenis Model Persamaan Struktural. Sebelum masuk ke
implementasi kode dari dua di antaranya, pertama-tama dibahas
lanskap umum model SEM. Jika melihat definisi resmi, harus
mengakui banyak model sebagai jenis Pemodelan Persamaan
Struktural. Misalnya, model yang dapat dilihat sebagai jenis
Pemodelan Persamaan Struktural meliputi:

1.2.1. Analisis Jalur (Path Analysis)

Analisis jalur dikembangkan untuk mengukur hubungan antara

beberapa variable, itu nama awal SEM sebelum ada variabel laten,
dan sangat kuat dalam menguji dan mengembangkan hipotesis
struktural dengan efek kausal langsung dan tidak langsung. Namun,
kedua efek tersebut baru-baru ini disinonimkan. Analisis jalur dapat
menjelaskan hubungan sebab akibat antar variabel. Untuk
melakukan analisis jalur, cukup tuliskan nama variabel dalam kotak
persegi dan hubungkan kotak persegi dengan panah. Ini akan
menunjukkan efek satu sama lain, mirip dengan regresi.

Analisis jalur berlaku dalam dua cara; sebelum dan sesudah

menjalankan regresi. Mereka juga dikenal sebagai 'diagram jalur
masukan' dan 'diagram jalur keluaran'. Sementara diagram jalur
masukan mewakili hubungan sebab akibat antara variabel saat
mengajukan hipotesis, diagram jalur keluaran menunjukkan hasil
sebenarnya dari pengujian. Hasil ini membantu menguji hipotesis
yang diajukan dalam diagram jalur masukan.

9
Analisis jalur digunakan untuk memperkirakan sistem persamaan
dimana semua variabel diamati. Tidak seperti model regresi, model
jalur dapat mencakup beberapa variabel dependen (model sistem
regresi). Di SmartPLS, variabel model jalur dapat dimasukkan sebagai
konstruksi item tunggal. Ketika suatu variabel didasarkan pada
beberapa indikator, mereka diberi bobot yang sama untuk
mendapatkan skor konstruk. Pada prinsipnya, hanya hubungan
struktural antara variabel yang diamati (atau konstruksi berbobot
sama) dengan atau tanpa variabel kontrol yang dimodelkan. Jenis
model ini sering digunakan ketika satu atau lebih variabel memediasi
hubungan antara dua variabel lainnya (model mediasi). Pada saat
yang sama, mediasi yang dimoderasi dapat dimodelkan.

Gambar 1.3 menunjukkan contoh model jalurdi SmartPLS.

Gambar 1.3. Model Jalur di SmartPLS.

10
Contoh Analisis Jalur dalam Penelitian

Misalnya pernyataan hipotesis bahwa usia memiliki pengaruh

langsung terhadap kepuasan kerja. Hipotesis tersebut memiliki
dampak positif, dimana semakin tua usia seseorang, semakin puas
seseorang dengan pekerjaannya.

Dengan menggunakan analisis jalur, dapat dibuat diagram yang

menjelaskan hubungan antar variabel. Diagram tersebut akan
menunjukkan hubungan antara usia dan otonomi (semakin tua,
semakin besar otonomi yang dimiliki), dan (semakin berumur usia
seseorang maka pendapatan akan meningkat. Hubungan tersebut
menunjukkan hubungan antara dua set variabel independent dan
variabel dependen, yaitu kepuasan kerja.

Sebagai contoh, peneliti dapat menyimpulkan otonomi dan

pendapatan berhubungan dengan kepuasan kerja. Dua variabel
memiliki hubungan yang lebih kuat dengan kepuasan kerja daripada
yang lain, atau tidak ada variabel yang memiliki hubungan yang
signifikan dengan kepuasan kerja.

1.2.1.1. Memahami Analisis Jalur

Dalam studi kasus ini terdapat tiga variabel bebas; 'usia',

'pendapatan' dan 'kualifikasi'. Variabel-variabel ini mempengaruhi
'kepuasan kerja' karyawan. Oleh karena itu, 'kepuasan kerja' menjadi
variabel dependen dan tiga variabel bebas; 'usia', 'pendapatan' dan
'kualifikasi'menjadi variabel independen. Hipotesis untuk kasus ini
adalah:

✓ Hipotesis 1: Kualifikasi berpengaruh positif terhadap

kepuasan kerja.
11
 ✓ Hipotesis 2: Pendapatan berpengaruh positif terhadap
kepuasan kerja.
✓ Hipotesis 3: Usia mempunyai berpengaruh positif terhadap
kepuasan kerja.

Pertama, buat diagram jalur input untuk menunjukkan hubungan

sebab akibat yang diajukan dalam hipotesis ini. Diagram jalur untuk
hipotesis muncul seperti di bawah ini:

Gambar 1.4. Analisis Jalur Input Yang Dihipotesiskan

Diagram input di atas menampilkan gagasan intuitif tentang

bagaimana usia, kualifikasi, dan pendapatan memengaruhi kepuasan
kerja. Karena salah satu hipotesis di atas mengusulkan dampak
negatif usia terhadap kepuasan kerja, garis tersebut berwarna
merah. Diagramnya sederhana dan menganggap ketiga variabel
memiliki dampak langsung pada variabel dependen.

Dalam kasus di atas, analisis jalur input menunjukkan hubungan yang

dihipotesiskan. Selanjutnya, mencakup pengaruh variabel
independen terhadap variabel dependen. Namun, ketiga variabel
bebas tersebut juga dapat saling mempengaruhi. Oleh karena itu,
diagram jalur keluaran dapat dibangun setelah melakukan analisis
korelasi dan regresi.
12
 1.2.1.2. Analisis Jalur Dalam Praktiknya
Dari contoh gambar 1.4 menggunakan empat variabel dari survei
pekerjaan: usia, pendapatan, otonomi, dan kepuasan kerja. Peneliti
mengusulkan bahwa usia memiliki efek langsung pada kepuasan
kerja. Namun efek tidak langsung dari usia pada kepuasan kerja juga
disarankan; usia mempengaruhi pendapatan yang pada gilirannya
mempengaruhi kepuasan, usia mempengaruhi otonomi yang pada
gilirannya mempengaruhi kepuasan dan usia mempengaruhi
otonomi yang mempengaruhi pendapatan yang mempengaruhi
kepuasan. Otonomi dan pendapatan memiliki pengaruh langsung
terhadap kepuasan. Gambar 1..5. menjelskan input hubungan sebeb
akibat.

Gambar 1.5. Diagram input hubungan sebab akibat dalam survei

pekerjaan, menurut Bryman & Cramer (1990)

Untuk berpindah dari diagram masukan ini ke diagram keluaran,

perlu menghitung koefisien jalur. Koefisien jalur adalah koefisien
regresi standar (bobot beta). Penulis menghitung dengan
menyiapkan persamaan struktural, dalam hal ini:

kepuasan = b11age + b12otonomi + b13 pendapatan + e1

13
pendapatan = b21age + b22otonomi + e2
otonomi = b31age + e3

Penulis menggunakan notasi yang berbeda untuk koefisien dari

Bryman dan Cramer's, untuk memperjelas bahwa b11 pada
persamaan pertama berbeda dengan b21 pada persamaan kedua.
Istilah e1, e2, dan e3 adalah kesalahan atau istilah varians yang tidak
dapat dijelaskan. Untuk mendapatkan koefisien jalur, hanya
menjalankan tiga analisis regresi, dengan kepuasan, pendapatan, dan
otonomi menjadi variabel dependen pada gilirannya dan
menggunakan variabel independen yang ditentukan dalam
persamaan. Nilai konstanta (a1, a2, dan a3) tidak digunakan. Jadi
diagram jalur keluaran lengkap terlihat pada gambar 1.6

Gambar 1.6. Output diagram hubungan sebab akibat dalam survei

pekerjaan, menurut Bryman & Cramer (1990)

1.2.2. Variabel Laten Dan Yang Dapat Diamati

Model Variabel Laten dan Analisis Faktor memberikan pendekatan

yang komprehensif dan terpadu untuk analisis faktor dan pemodelan
variabel laten dari perspektif statistik.

14
Pemodelan variabel laten mengacu pada berbagai kelompok
prosedur statistik yang menggunakan satu atau lebih variabel (laten)
yang tidak teramati untuk menjelaskan dan mengeksplorasi
hubungan antara sekumpulan variabel yang diamati. Ada banyak
jenis analisis yang termasuk dalam judul umum ini, tetapi umumnya
dapat dikelompokkan menjadi empat kategori: model yang
menganggap satu atau lebih dimensi laten (analisis faktor eksplorasi
dan konfirmasi), satu atau lebih kategori laten (analisis kelas laten,
analisis profil laten), baik kategori dan dimensi laten (pemodelan
campuran faktor), atau model struktural yang mengandaikan
hubungan antar variabel laten.

Model variabel laten adalah model statistik yang tidak hanya

memuat variabel teramati tetapi juga variabel laten (tidak teramati).
Berbagai model tersebut, meliputi :

✓ Model bertingkat digunakan untuk data yang memiliki

struktur bertingkat, seperti siswa yang berada di ruang kelas
di sekolah dan tindakan berulang yang ada di dalam mata
pelajaran.

✓ Model persamaan struktural digunakan untuk mengevaluasi

hubungan struktural antara variabel terukur dan laten.
Contohnya adalah analisis faktor konfirmatori, model
pertumbuhan laten, dan model mediasi.

✓ Model Teori Respon Item menghubungkan ciri-ciri laten

(misalnya pengetahuan) dengan variabel yang diamati
(misalnya skor tes). Model tersebut digunakan untuk
konstruksi tes dan kuesioner, dan untuk tujuan penilaian
kemampuan.

15
 ✓ Jenis model variabel laten lainnya, seperti kelas laten dan
model campuran, analisis profil laten, dan model jaringan
saraf.

Contohnya adalah studi pencegahan dan penghentian merokok

berbasis sekolah. Pengacakan dilakukan di tingkat sekolah agar
semua mata pelajaran dalam satu sekolah mendapat perlakuan yang
sama. Data memiliki struktur bertingkat dengan siswa di dalam kelas
di sekolah. Variabel hasil seperti perilaku merokok mungkin bersifat
laten dan diukur menggunakan banyak item. Pengaruh kondisi
pengobatan pada hasil dapat dimediasi oleh variabel seperti niat.
Data dari studi intervensi semacam itu harus dianalisis dengan model
yang memungkinkan variabel laten, beberapa tingkat efek bersarang
dan mediasi, yaitu model persamaan struktural bertingkat.

Variabel laten adalah variabel yang tidak teramati, tetapi

pengaruhnya dapat diringkas melalui satu atau lebih variabel
indikator. Mereka berguna untuk menangkap properti kompleks atau
konseptual dari suatu sistem yang sulit untuk diukur atau diukur
secara langsung. Aplikasi awal variabel laten, misalnya, berfokus
pada pemodelan efek 'kecerdasan umum', yang merupakan konsep
abstrak yang tidak mungkin diukur secara aktual, tetapi dapat
didekati menggunakan skor dari berbagai tes kinerja kognitif (mis.,
memori, verbal, spasial, dll). Perhatikan contoh sederhana berikut
dari variabel laten ξ , dalam hal ini eksogen dan hanya diinformasikan
oleh satu prediktor x:

Gambar 1.7. Variabel Laten

16
Di sini, variabel laten ditunjukkan oleh lingkaran dan variabel
indikator tunggal x ditunjukkan oleh kotak persegi, seperti semua
variabel yang diamati. Anda akan mencatat beberapa keingintahuan
dibandingkan dengan model variabel yang diamati.

Pertama, arah kausalitas dibalik dari apa yang diharapkan: dari

variabel laten ke variabel yang diamati. Hal ini karena variabel
indikator merupakan manifestasi yang muncul dari fenomena yang
mendasari yang diwakili oleh variabel laten.

Kedua, ada kesalahan δ

terkait dengan indikatornya. Ini menyiratkan bahwa indikator

seringkali merupakan perkiraan yang tidak sempurna dari konstruk
laten. Dengan kata lain, diduga ada faktor-faktor lain yang
mempengaruhi korelasi antara variabel yang diamati dan variabel
laten.

Variabel laten dapat dikaitkan dengan variabel indikator dengan

menggunakan persamaan berikut:

x=λξ+δx

Di sini, nilai x adalah hasil dari variabel laten sebanding dengan λ

(pengaruhnya pada x) ditambah beberapa kesalahan δx.

SEM menerapkan analisis faktor konfirmatori untuk memperkirakan

konstruksi laten. Variabel atau konstruk laten tidak ada dalam
kumpulan data, karena merupakan faktor umum turunan dari
variabel lain dan dapat menunjukkan sebab atau akibat model.

17
 1.2.3. Analisis Faktor Konfirmasi (CFA)

Confirmatory factor analysis (CFA) berguna dalam penelitian

konfirmasi dimana struktur yang mendasari variabel dipahami
dengan baik dan peneliti ingin menguji hipotesis tertentu. Peneliti
menggunakan pengetahuan teori, penelitian empiris, atau keduanya,
mendalilkan pola hubungan apriori dan kemudian menguji hipotesis
secara statistik.

Confirmatory Factor Analysis (CFA) digunakan untuk memvalidasi

pemuatan faktor dan pengukuran yang terlibat dalam penelitian ini.
Di dalam CFA, peneliti menggunakan pendekatan ini untuk menguji
teori yang diusulkan (CFA adalah bentuk pemodelan persamaan
struktural), atau model dan berbeda dengan EFA, memiliki asumsi
dan ekspektasi berdasarkan teori sebelumnya mengenai jumlah
faktor, dan teori faktor mana atau model paling cocok. Sebelumnya,
prosedur EFA hanya bergantung pada pembebanan luar, namun
pendekatan ini menjadi perhatian pada dua hal yaitu pembebanan
faktor dan indeks fitness. Dengan kata lain, factor loading yang tinggi
tidak cukup untuk diterima selama indeks fitness tidak memenuhi
syarat. Penilaian indeks fitness terdiri dari tiga kategori yaitu
parsimonious fit, absolute fit, dan incremental fit. Memang, hal ini
sesuai dengan Dalila et al., (2020) penggunaan setidaknya satu indeks
kebugaran dari setiap kategori model fit. Oleh karena itu, peneliti
harus memastikan kedua lipatan ini memenuhi syarat.

Variabel laten multi-indikator juga dapat digunakan untuk menguji

hipotesis bahwa serangkaian variabel indikator dihasilkan oleh
proses dasar yang sama. Ini juga disebut analisis faktor konfirmatori.
Dengan kata lain, Anda sedang menguji gagasan bahwa variabel laten
telah memunculkan sifat-sifat muncul yang, berdasarkan penyebab

18
umum, berkorelasi. Pendekatan ini hanya menyangkut model
pengukuran dan dengan demikian merupakan pendahulu untuk
evaluasi model struktural di mana variabel laten muncul.

Sebaliknya, analisis faktor eksplorasi mengasumsikan bahwa semua

variabel laten ditunjukkan oleh semua variabel yang diamati. Analisis
faktor konfirmatori (CFA) adalah metode untuk mengukur variabel
laten. Ini mengekstrak konstruk laten dari variabel lain dan berbagi
varian paling banyak dengan variabel terkait. Misalnya, cekaman
abiotik sebagai variabel laten diukur dengan pengamatan perubahan
tanah (yaitu, salinitas tanah, bahan organik, ketinggian banjir;
Gambar. 1.8. Grace et al. 2010).

Gambar 1.8. Pengukuran Variabel Laten

Analisis faktor konfirmatori mengestimasi variabel laten berdasarkan

variasi yang berkorelasi dari kumpulan data (misalnya, asosiasi,
hubungan sebab akibat) dan dapat mengurangi dimensi data,
membakukan skala berbagai indikator, dan memperhitungkan

19
korelasi yang melekat pada kumpulan data (Byrne 2013). Oleh karena
itu, untuk mendalilkan variabel laten, seseorang harus
memperhatikan alasan untuk menggunakan variabel laten. Dalam
contoh cekaman abiotik yang diberikan di atas, tekanan dan
gangguan komunitas adalah variabel laten yang menjelaskan korelasi
dalam kumpulan data. Shao dkk. (2015) menerapkan CFA untuk
menyempitkan fitur nutrisi tanah menjadi satu variabel yang
memperhitungkan karbon organik tanah, nitrogen total serasah, dan
rasio karbon terhadap nitrogen. Juga, Capmouteres dan Anand
(2016) mendefinisikan fungsi habitat sebagai indikator lingkungan
yang menjelaskan tutupan tanaman dan kelimpahan burung asli
untuk ekosistem hutan dengan menggunakan CFA.

Selain CFA, ada jenis lain dari analisis faktor: analisis faktor eksplorasi
(EFA). Teknik estimasi statistik keduanya sama. CFA diterapkan ketika
indikator untuk setiap variabel laten ditentukan sesuai dengan teori
terkait atau pengetahuan sebelumnya (Joreskog 1969; Brown 2006;
Harrington 2009), sedangkan EFA diterapkan untuk menemukan
variabel laten yang mendasarinya.

Dalam prakteknya, EFA sering dilakukan untuk memilih konstruk

laten dasar yang berguna untuk CFA ketika ada sedikit pengetahuan
sebelumnya tentang konstruk laten.

1.2.3.1. Langkah Proses Analisis Konfirmasi (CFA)

Untuk menyelesaikan analisis faktor konfirmatori, penting untuk

mengikuti beberapa langkah kunci. Meskipun analisis faktor
konfirmatori sebagian besar merupakan prosedur perangkat lunak
otomatis, peneliti harus menyiapkan analisis, memilih variabel, dan
menginterpretasikan hasil. Berikut adalah langkah-langkah utama
dalam metode CFA:
20
1. Tentukan variabel laten
Mulailah dengan menentukan konsep apa yang ingin menganalisis
dan menetapkan definisi teoretisnya. Menetapkan garis dasar untuk
menggambarkan variabel laten memungkinkan mengevaluasi
keakuratan variabel yang diamati. Anda dapat menentukan variabel
laten dengan mencantumkan karakteristik atau mengumpulkan data
tambahan. Misalnya, jika ingin menggunakan CFA untuk
menentukan apakah survei asupan merupakan penilaian harga diri
yang baik, mulailah dengan mendefinisikan harga diri.

2. Menentukan metode pengukuran

Selanjutnya, identifikasi metode pengukuran yang ingin menguji dan
variabel observasi mana yang akan disertakan. Variabel ini biasanya
pertanyaan survei, dapat menyertakan beberapa pertanyaan dari
survei yang sama atau memilih pertanyaan dari survei yang berbeda
tergantung pada jenis analisis yang ingin dilakukan.

Berikut adalah beberapa contoh variabel yang diamati dari survei

yang menilai harga diri:

✓ Beri peringkat kepercayaan diri dari satu hingga lima.

✓ Setuju atau tidak setuju: Saya tidak nyaman menerima pujian
dari orang lain.
✓ Nilai kemampuan beradaptasi dari satu sampai lima.

3. Kumpulkan data
Kumpulkan informasi yang ingin digunakan dalam analisis faktor
konfirmatori. Putuskan apakah akan mengumpulkan tanggapan awal
dari penelitian sendiri atau menggunakan data luar dari sumber lain.
Cobalah untuk mendapatkan informasi ukuran sampel yang besar
untuk memastikan analisis yang akurat. Setelah memiliki informasi

21
berkualitas yang cukup, masukkan ke dalam perangkat lunak
pemodelan statistik.

4. Tetapkan parameter yang konsisten

Menggunakan perangkat lunak pemodelan statistik, buat parameter
standar untuk mengevaluasi variabel laten dan variabel yang diamati.
Putuskan sistem pengukuran apa yang ingin digunakan sebagai
standar dan biarkan perangkat lunak mengonversi semua nilai lain ke
pengukuran tersebut.

Misalnya, jika ingin menggunakan sistem peringkat satu sampai lima,

dengan satu berarti "tidak setuju" dan lima berarti "setuju", harus
mengonversi semua jenis pertanyaan lainnya ke format itu terlebih
dahulu.

5. Hitung datanya
Gunakan perangkat lunak pemodelan statistik untuk menghitung
pemuatan faktor untuk data. Ikuti petunjuk untuk antarmuka
perangkat lunak khusus untuk menghasilkan hasil. Sebagian besar
perangkat lunak analisis faktor menempatkan informasi ini dalam
sebuah tabel, meskipun beberapa menghasilkan grafik dan tabel
untuk mengungkapkan informasi yang sama.

6. Interpretasi
Tinjau kolom pemuatan faktor dari tabel analisis faktor untuk
menentukan seberapa baik setiap variabel yang diamati
berhubungan dengan variabel laten. Putuskan nilai pemuatan faktor
apa yang menunjukkan hubungan yang signifikan, dan gunakan itu
untuk memandu interpretasi. Misalnya, dapat memutuskan bahwa
setiap variabel dengan pemuatan faktor 0,75 valid untuk menilai
harga diri. Jika semua pertanyaan survei memiliki pemuatan faktor

22
lebih dari 0,75, dapat menyimpulkan bahwa survei Anda adalah
pengukuran keseluruhan yang baik.

1.3. Prinsip Pemodelan Persamaan Struktural

1.3.1. Model Jalur dengan Variabel Laten

Model variabel laten, seperti namanya, adalah model statistik yang

mengandung variabel laten, yaitu variabel yang tidak teramati.
Variabel laten tersirat oleh kovarian antara dua atau lebih variabel
terukur. Mereka juga dikenal sebagai faktor (yaitu, analisis faktor),
konstruksi atau variabel yang tidak teramati. Gambar 1.9.
memperlihatkan hubungan antar variable.

Gambar 1.9. Model Struktural

23
Konsep variabel laten dari analisis faktor konfirmatori dan
pemodelan persamaan struktural dapat dilihat secara paralel dengan
formulasi teori tes klasik. Variabel laten seperti skor sebenarnya yang
tidak diamati secara langsung, variabel yang diamati adalah
pengukuran yang diamati secara langsung, dan beberapa tingkat
kesalahan pengukuran acak mungkin ada sehingga skor yang diamati
tidak cocok dengan skor sebenarnya, dapat mengatakan bahwa skor
yang sebenarnya menyebabkan sebagian dari skor yang diamati
biasanya dengan sisa beberapa varian yang tidak terhitung. Hipotesis
kausal menunjukkan model regresi atau jalur yang dapat
digambarkan secara grafis dengan elips yang mewakili variabel laten
dan kotak persegi yang mewakili variabel terukur.

1.3.2. Pengujian Hubungan Teoritis

Model jalur dikembangkan berdasarkan teori dan sering digunakan

untuk menguji hubungan teoretis. Tujuan pengujian teori adalah
untuk memverifikasi validitas hipotesis yang disajikan tentang
struktur teoretis teori dalam realitas empiris. Sebuah teori harus
dikoreksi atau ditolak sama sekali jika tidak mendapat dukungan dari
data empiris. Sebuah teori dapat dianggap valid ketika hipotesis yang
disajikan mendapatkan dukungan empiris. Sebuah teori harus diuji
secara terus menerus, dan sebaiknya dengan kelompok sasaran yang
berbeda. Sebuah teori memiliki tingkat validitas yang lebih tinggi
karena hipotesis mengumpulkan lebih banyak dukungan empiris.

Dengan demikian, presumsi adalah terkaan individu, sedangkan dogma

adalah sejumlah presumsi yang secara reguler dihubungkan berikut dan
bisa diuji secara empiris. Dua rupa dogma diperlukan menjelang
melebarkan kaca jalur: dogma pemeringkatan dan dogma struktural. Teori
pemeringkatan mematok penanda mana dan bagaimana ini digunakan
menjelang mengerok coret-coretan teoretis tertentu. Sebaliknya, dogma
24
struktural mematok bagaimana formasi tergantung esa serupa lain bagian
dalam kaca struktural. Teori pengujian menggunakan PLS-SEM
mengikuti proses dua Langkah. Pertama menguji teori pengukuran
untuk mengkonfirmasi reliabilitas dan validitas model pengukuran.
Setelah model pengukuran dikonfirmasi, dilanjutkan ke pengujian
teori struktural. Logikanya adalah harus terlebih dahulu
mengkonfirmasi teori pengukuran sebelum menguji teori struktural,
karena teori struktural tidak dapat dikonfirmasi jika pengukurannya
tidak dapat diandalkan atau tidak valid.

1.3.3. Teori Pengukuran

Teori pengukuran menentukan bagaimana variabel laten (konstruksi)

diukur. Secara umum, ada dua cara berbeda untuk mengukur
variabel yang tidak dapat diamati. Satu pendekatan disebut sebagai
pengukuran reflektif, dan yang lainnya adalah pengukuran formatif.
Bangun Y1 dan Y2 di . Gambar 1.9 dimodelkan berdasarkan model
pengukuran formatif. Perhatikan bahwa panah arah menunjuk dari
variabel indikator (x1 ke x3 untuk Y1 dan x4 ke x6 untuk Y2) ke
konstruk, menunjukkan hubungan prediktif (kausal) ke arah itu.

Sebaliknya, Y3 di . Gambar 1.9 dimodelkan berdasarkan model

pengukuran reflektif. Dengan indikator reflektif, arah panah adalah
dari konstruk ke variabel indikator, menunjukkan asumsi bahwa
konstruk “menyebabkan” pengukuran (lebih tepatnya kovariasi) dari
variabel indikator. Seperti yang ditunjukkan di . Gambar 1.9. tindakan
reflektif memiliki istilah kesalahan yang terkait dengan setiap
indikator, tidak demikian halnya dengan tindakan formatif. Yang
terakhir dianggap bebas dari kesalahan (Diamantopoulos, 2006).
Akhirnya, perhatikan bahwa Y4 diukur menggunakan satu item

25
daripada ukuran multi-item. Oleh karena itu, hubungan antara
konstruk dan indikator tidak terarah.

Memutuskan apakah akan mengukur konstruk secara reflektif versus

formatif dan apakah akan menggunakan beberapa item atau ukuran
item tunggal merupakan hal mendasar saat mengembangkan model
jalur. Hair, Hult, Ringle, dan Sarstedt (202) menjelaskan pendekatan-
pendekatan ini untuk memodelkan konstruksi secara lebih rinci.

1.3.4. Teori Struktural

Teori struktural memperlihatkan bagaimana sebab laten tercantol tunggal

arah-arah lain (yaitu, itu memperlihatkan formasi dan pertalian jalurnya
bagian dalam arketipe struktural). Lokasi dan jajaran formasi didasarkan
hadirat aliran atau liku-liku kehidupan pengembara dan pengumpulan
tafsiran atau keduanya. Ketika arketipe urat dikembangkan, urutannya
adalah berasal kiri ke selatan. Variabel di faktor kiri arketipe urat adalah
sebab otonom, dan setiap sebab di faktor selatan adalah sebab dependen.
Selain itu, sebab di tala kiri ditampilkan secara berbaris menyusul dan
mengantisipasi sebab di tala selatan. Namun, saat sebab bersinggasana di
penyeling arketipe urat (ganggang sebab yang semata-mata berlaku seperti
sebab otonom atau dependen – Y3 ; . Gambar 1.9), berupaya berlaku
seperti sebab otonom dan dependen bagian dalam arketipe struktural.
Ketika variabel laten berfungsi sebagai variabel independen, disebut
variabel laten eksogen (Y1 dan Y2). Ketika variabel laten berfungsi
sebagai variabel dependen (Y4 ) atau sebagai variabel independen
dan dependen (Y3 ), disebut variabel laten endogen (Gambar 1.9).
Variabel laten apa pun yang hanya memiliki satu panah menuju
keluar darinya adalah variabel laten eksogen. Sebaliknya, variabel
laten endogen dapat memiliki panah berkepala tunggal masuk dan
keluar (Y3) atau hanya masuk ke dalamnya (Y4). Perhatikan bahwa

26
variabel laten eksogen Y1 dan Y2 tidak memiliki error term, karena
konstruk ini adalah entitas (variabel independen) yang menjelaskan
variabel dependen dalam model jalur.

1.4. Prosedur Analisis SEM

Pemodelan persamaan struktural (SEM) adalah analisis rumit yang

digunakan untuk membangun hubungan struktural antara variabel
terukur dan konstruksi laten. Jenis analisis ini memerlukan prosedur
khusus berikut. Artikel sebelumnya menjelaskan langkah-langkah
awal dalam melakukan analisis SEM. Ini melibatkan membangun
validitas dan reliabilitas. Pada sub bab ini memberikan penjelasan
rinci tentang prosedur analisis SEM.

Gambar 1.10 Prosedur Analisis SEM

27
Langkah 1: Tentukan modelnya

Dalam spesifikasi model, peneliti menentukan model dengan

menentukan setiap hubungan antar variabel yang relevan dengan
kepentingan peneliti. Untuk alasan ini, peneliti harus melakukan
studi literatur yang menyeluruh (Malkanthie, 2019).

Misalnya; Produktivitas seorang individu meskipun tergantung pada

berbagai faktor, tetapi sebuah penelitian berfokus pada pengujian
pengaruh stres psikologis terhadap produktivitas. Spesifikasi
keterkaitan menyatakan stres psikologis sebagai prediktor
sedangkan produktivitas adalah variabel hasil.

Gambar 1.11. SEM model specification

Langkah 2: Identifikasi model

Model yang teridentifikasi memiliki solusi unik untuk semua

parameter model. Perhatian utama dalam model yang diidentifikasi
adalah apakah peneliti dapat memperoleh nilai unik untuk setiap
parameter dari data yang diamati atau tidak. Itu ditentukan oleh
berbagai aspek seperti fiksasi spesifikasi, parameter bebas, dan
batasan dalam SEM (Shaheen et al., 2017). Estimasi parameter dapat
dipercaya jika model diidentifikasi. Ketika sebuah model tidak
teridentifikasi, derajat kebebasannya adalah nol atau negatif.
Namun, jika lebih banyak kendala ditempatkan, yaitu derajat
kebebasan sama atau melebihi satu, model seperti itu mungkin
terlalu teridentifikasi (Malkanthie, 2019).

28
Misalnya; model diidentifikasi dengan menyatakan hubungan antara
manajemen waktu, kurangnya kepuasan, dan stres.

Gambar 1.11. SEM model identification

Langkah 3: Perkirakan modelnya

Model yang ditentukan terdiri dari parameter, yang nilainya harus

diestimasi menggunakan statistik sampel oleh peneliti. Kemungkinan
maksimum (ML), kuadrat terkecil tergeneralisasi, kuadrat terkecil
tertimbang, dan kuadrat terkecil parsial adalah beberapa metode
estimasi yang digunakan dalam SEM. Pada gambar 1.12., sebuah
model diperkirakan menyatakan pengaruh guru terhadap prestasi
siswa di SBS dan sekolah.
Estimasi Kemungkinan Maksimum (ML) adalah metode yang paling
terkenal dan sering digunakan di area ini. (Shaheen et al., 2017). Di
sini, dengan mengestimasi parameter model, perangkat lunak
digunakan untuk menyajikan model terkait variabel masing-masing.
Misalnya;

29
 Gambar 1.12. SEM model (Kocakaya & Kocakaya, 2014)

Langkah 4: Uji kecocokan model

Model kebugaran berkontribusi terhadap memeriksa efisiensi mode.

Langkah ini didasarkan pada pengujian model fitness dari model
dengan menilai indeks fit model CMIN/Df, RMSEA, GFI, AGFI, SRMR,
TLI, NFI, PNFI, IFI, PGFI, dan PCFI (Malkanthie, 2015). Tabel 1.1
menunjukkan rentang penerimaan semua indeks model.

Table 1.1. Criteria range of the model fit indices

(Kocakaya & Kocakaya, 2014; Weston & Gore, 2006)

Model Fit Indices Nilai Diterima

CMIN/DF antara 2 dan 5
RMSEA Nilai > 0.10
GFI Nilai > 0.90
AGFI v 0.90
30
 SRMR Kurang dari 0.05
TLI Nilai > 0.90
NFI Nilai > 0.90
IFI Nilai > 0.90
PNFI Nilai > 0.05
PCFI Nilai > 0.05
PGFI Lebih besar dari 0.05
Langkah 5: Manipulasi model

Jika kebugaran model tidak memenuhi harapan, cobalah untuk

meningkatkan kebugaran model dengan menghilangkan beberapa
parameter, menambahkan parameter baru, atau mengubah model
(Shaheen et al., 2017). Modifikasi model dilakukan dengan
membangun kovarians yaitu memeriksa nilai indeks modifikasi dan
membangun kovarians antara error term untuk meningkatkan
efektivitas model.

Dengan demikian, mengikuti prosedur yang disebutkan di atas,

analisis SEM dapat digabungkan dan keterkaitan dibuat antara
variabel untuk menentukan status hubungan. Penilaian kecocokan
model memberikan gambaran umum tentang seberapa baik model
teoretis dapat menciptakan kembali data yang diamati.

1.5. Kapan Menggunakan Pemodelan Persamaan

Struktural (SEM) ?
Jadi, kapan menggunakan Structural Equation Modeling? Ada
beberapa pertimbangan untuk melihat apakah Structural Equation
Modeling bagus untuk kasus penggunaan tertentu.

31
Jika ingin menggunakan Structural Equation Modeling, penting untuk
memiliki konsep variabel terukur dan laten dalam kasus penggunaan.
Tujuan Structural Equation Modeling adalah untuk memodelkan
hubungan antara variabel terukur dan laten, atau antara beberapa
variabel laten. Jika ingin menggunakan Pemodelan Persamaan
Struktural, harus mencoba mengidentifikasi konsep dasar yang
penting tetapi tidak dapat diukur.

Kedua, Structural Equation Modeling banyak digunakan sebagai

metode konfirmasi dan pengujian. Seperti yang akan dilihat nanti di
artikel ini, memulai fase pemodelan dengan menentukan hipotesis
hubungan yang dipikirkan. Misalnya, jika membuat model
kecerdasan, harus mulai dengan mengidentifikasi berbagai variabel
terukur dan laten yang menurut dapat memengaruhi kecerdasan.

Oleh karena itu Pemodelan Persamaan Struktural tidak cocok sebagai

alat eksplorasi murni. Jika belum tahu bagaimana hubungan di kasus
penggunaan dapat dihubungkan, sebaiknya gunakan teknik lain yang
dibuat untuk eksplorasi masalah variabel laten. Analisis Faktor
Eksplorasi adalah alternatif yang bagus dalam kasus itu.

Model Persamaan Struktural bagus untuk analisis. Mereka

membantu belajar banyak tentang berbagai konsep yang
memengaruhi fenomena laten. Namun, Structural Equation Models
tidak selalu performant dalam hal kinerja prediktif. Jika hanya
mencari kinerja prediktif dan bukan untuk pemahaman dan
interpretasi, Pemodelan Persamaan Struktural mungkin merupakan
pilihan yang salah.

Model Persamaan Struktural memberi perkiraan koefisien

berdasarkan hubungan yang dihipotesiskan antara variabel. Itu tidak
dapat menemukan hubungan lain selain yang ditentukan. Cara yang
32
bagus untuk menggunakan Model Persamaan Struktural adalah
dengan menyediakan beberapa model hipotetis, memperkirakan
masing-masing model, dan kemudian menganalisis perbedaan di
antara mereka untuk bekerja menuju model yang lebih baik dan lebih
baik.

1.6. Latihan
1. Berikan penjelasan apa yang dimasud dengan Model
Persamaan Struktural

2. Berikan contoh Model Persamaan Struktural dan jelaskan

3. Berikan contoh model analisis jalur

4. Caba saudara jelaskan kapan seoarang meneliti mengguakan

analisis jalur dan beriakn contoh analisis jalur yang akan
digunakan

33
BAB 2
Pengantar Partial Least Squares
Structural Equation Modeling
(PLS-SEM)

Setelah membaca bab ini, pembaca harus:

1) Memahami konsep dasar Partial Least Squares Structural
Equation Modeling (PLS-SEM)
2) Memahami karakteristik utama Partial Least Squares
Structural Equation Modeling (PLS-SEM)

2.1. Karakteristik Utama Metode PLS-SEM

Model PLS-SEM memungkinkan peneliti untuk menganalisis

hubungan secara bersamaan dalam model kompleks yang terdiri dari
beberapa konstruksi, variabel indikator, dan jalur struktural. Model
PLS-SEM menjadi metode yang populer untuk memperkirakan model
jalur dengan variabel laten dan hubungannya.

Telah banyak perkembangan yang terjadi dalam pemodelan PLS-

SEM. Di antara yang paling menonjol adalah rilis terbaru perangkat
lunak SmartPLS. Perangkat lunak yang mudah digunakan membuat
sarjana ilmu sosial jauh lebih efisien dan efektif dalam mencapai
tujuan penelitian dan publikasi mereka. Ini terutama benar ketika
perangkat lunak menyertakan opsi untuk menyelesaikan analisis
paling mutakhir dengan metode statistik tertentu

34
Properti statistik dari algoritma PLS-SEM memiliki fitur penting yang
terkait dengan karakteristik data dan model yang digunakan. Selain
itu, sifat metode PLS-SEM mempengaruhi evaluasi hasil. Empat isu
kritis yang relevan dengan penerapan PLS-SEM : (1) karakteristik
data, (2) karakteristik model, (3) estimasi model, dan (4) model
evaluasi. . Tabel 1.2 merangkum karakteristik kunci dari metode PLS-
SEM.

Tabel 2.1. Karakteristik utama PLS-SEM

Karakteristik utama PLS-SEM

Karakteristik data
Ukuran sampel Ukuran sampel kecil tidak ada masalah .
Semakin besar ukuran sampel dapat
meningkatkan presisi (yaitu, konsistensi)
estimasi PLS-SEM
Distribusi Tidak ada asumsi distribusi; PLS-SEM
adalah metode nonparametrik
Outlier dan collinearity yang berpengaruh
dapat mempengaruhi hasil
Nilai yang hilang Sangat kuat selama nilai yang hilang berada
di bawah tingkat yang wajar (kurang dari
5%)
Skala pengukuran Bekerja dengan data metrik dan variabel
skala kuasi-metrik (ordinal).
Algoritma PLS-SEM berkode biner, tetapi
pertimbangan tambahan diperlukan saat
digunakan sebagai variabel kontrol dan
moderator dan dalam analisis data dari
eksperimen pilihan diskrit

35
Karakteristik
model
Jumlah item dalam Hubungan konstruksi yang diukur dengan
setiap model item tunggal dan multi-item
pengukuran
konstruk
Pengaturan model Tidak ada loop kausal (tidak ada hubungan
melingkar) yang diperbolehkan dalam
model structural
Kompleksitas Menangani model kompleks dengan
model banyak hubungan model structural
antara konstruksi Model pengukuran reflektif dan formatif
dan indikatornya digabungkan
Estimasi model
Objektif Bertujuan untuk memaksimalkan jumlah
varians yang tidak dapat dijelaskan dalam
ukuran dependen (yaitu, nilai R2)
Efisiensi Menggabungkan beberapa iterasi dalam
kondisi kompleks model dan/atau
kumpulan data besar ke solusi optimal
algoritma
Sifat konstruksi Dilihat sebagai proksi dari konsep laten
yang sedang diselidiki,
diwakili oleh komposit
Membangun skor Diperkirakan sebagai kombinasi linier dari
indikatornya dan digunakan untuk tujuan
prediktif.
Tidak tberdampak dengan keterbatasan
dan kekurangan data dan tetap dapat
dilakukan analisis.
Estimasi parameter Hubungan hubungan model pengukuran
umumnya terlalu tinggi dibandingkan
36
 dengan solusi yang diperoleh dengan
menggunakan data dari model faktor
umum.
Tidak bias dan konsisten saat
memperkirakan data dari model komposit
Tingkat kekuatan statistik yang tinggi
dibandingkan dengan metode alternatif,
seperti CB-SEM dan regresi berganda
dengan skor penjumlahan
Evaluasi Model
Evaluasi model Sebagaimana didefinisikan dalam CB-SEM
keseluruhan tidak berlaku untuk PLS-SEM. Upaya untuk
Konsep kecocokan memperkenalkan langkah-langkah
kecocokan model secara umum terbukti
tidak berhasil
Evaluasi model Model pengukuran reflektif dinilai atas
pengukuran dasar indikator reliabilitas, reliabilitas
konsistensi internal, konvergen validitas,
serta validitas diskriminan.
Model pengukuran formatif dinilai dengan
validitas konvergen, kolinearitas indikator,
signifikansi dan relevansi bobot indicator.
Evaluasi model Collinearity antara set konstruksi prediktor
struktural Signifikansi dan relevansi koefisien jalur
Kriteria yang tersedia untuk menilai sampel
dalam model (yaitu, penjelasan)
daya dan daya prediktif di luar sampel
(PLSpredict)
Analisis tambahan Penelitian metodologis telah secara
substansial memperluas aslinya
Metode PLS-SEM dengan memperkenalkan
pemodelan lanjutan, penilaian, dan
37
 prosedur analisis. Beberapa contoh
termasuk:
Analisis tetrad konfirmasi
Analisis komposit konfirmasi
Pemodelan pilihan diskrit
penilaian endogenitas
Konstruksi tingkat tinggi
Analisis kelas laten
Invarian model pengukuran
Analisis mediasi
Pemilihan model
Memoderasi efek, termasuk mediasi yang
dimoderasi
Analisis multigrup
Analisis kondisi yang diperlukan
Efek nonlinier
Sumber: Diadaptasi dan diperluas dari Hair et al. (2011)

PLS didefinisikan sebagai metode yang efektif di mana subjek

penelitiannya adalah eksplorasi atau pemodelan hipotesis.
Umumnya, SEM lebih memilih mengandalkan kovariansi saat subjek
analisis adalah pemodelan konfirmasi. PLS dianggap sebagai metode
dekomposisi karena memiliki tingkat ketajaman yang rendah dalam
mengidentifikasi penyebab minor dari fungsi kausal (Tobias, 1997: 1).

PLS-SEM memberikan beberapa keuntungan diantarnya

memberikan kemampuan untuk memodelkan banyak variabel dan
tingkat signifikansi yang lebih tinggi; mengatasi masalah
multikolinieritas pada dataset yang besar; kekokohan dalam
menangani masukan yang tidak lengkap dan hilang; dan kemampuan
untuk memajukan penyebab laten dengan lebih maju berdasarkan
38
muatan salib yang terkait dengan penyebab respons, sehingga
menghasilkan hipotesis yang lebih kuat. Kerugian dari penggunaan
PLS termasuk penurunan tingkat ketajaman dalam memahami
muatan penyebab laten (yang didasarkan pada ambang asosiasi
muatan dan penyebab respons, bukan pada ambang kovariansi
seperti pada SEM) dan karena tidak diketahuinya tingkat
kepercayaan, peneliti tidak dapat menilai keakuratan hasil kecuali
dengan menggunakan induksi bootstrap.

Secara keseluruhan, campuran keuntungan dan kerugian berarti PLS

disukai sebagai teknik prediktif dan bukan sebagai teknik
interpretatif, kecuali untuk analisis eksplorasi sebagai awal dari
teknik interpretatif seperti regresi linier berganda atau pemodelan
persamaan struktural berbasis kovarians.

Selain itu, berbeda dari CB-SEM berbasis kemungkinan maksimum,

yang membutuhkan data terdistribusi normal, PLS-SEM tidak
membuat asumsi distribusi (yaitu nonparametrik). Kekuatan statistik
yang lebih besar berarti bahwa PLS-SEM lebih cenderung membuat
hubungan tertentu menjadi signifikan ketika sebenarnya ada dalam
populasi. Hal yang sama berlaku untuk perbandingan dengan regresi
menggunakan data skor penjumlahan, yang juga ditandai dengan
kekuatan statistik yang lebih rendah daripada PLS-SEM (Hair,
Hollingsworth, et al., 2017). Karakteristik utama sebagai berikut :

Namun demikian, beberapa keterbatasan PLS-SEM. Dalam bentuk

dasarnya, teknik ini tidak dapat diterapkan ketika model struktural
mengandung loop kausal atau hubungan melingkar antara variabel
laten (yaitu, model non-rekursif). Ekstensi awal dari algoritma PLS-
SEM dasar yang belum diimplementasikan dalam paket perangkat
lunak PLS-SEM standar, bagaimanapun, memungkinkan penanganan
hubungan melingkar (Lohmöller, 1989). Selain itu, karena PLS-SEM
39
tidak memiliki ukuran good-of-fit global yang mapan,
penggunaannya untuk pengujian dan konfirmasi teori lebih terbatas
dalam situasi tertentu. Penelitian baru-baru ini telah berupaya untuk
mempromosikan langkah-langkah kesesuaian yang umum dalam
kerangka kerja PLS-SEM (Schuberth, Henseler, & Dijkstra, 2018)
tetapi dengan keberhasilan yang sangat terbatas. Konsep model fit
sebagaimana didefinisikan dalam CB-SEM tidak berlaku untuk PLS-
SEM karena metodenya.

Sebaliknya, estimasi dan penilaian model berbasis PLS-SEM

mengikuti paradigma kausal-prediktif, di mana tujuannya adalah
untuk menguji kekuatan prediksi model, yang berasal dari teori dan
logika. Dengan demikian, metode ini menyeimbangkan antara
metode pembelajaran mesin, yang sepenuhnya bersifat prediktif dan
CB-SEM, yang berfokus pada konfirmasi dan kecocokan model. Sifat
kausal-prediktifnya membuat PLS-SEM sangat menarik untuk
penelitian di bidang yang bertujuan untuk mendapatkan
rekomendasi untuk praktik. Misalnya, rekomendasi di bagian
implikasi manajerial dalam jurnal riset bisnis selalu menyertakan
pernyataan prediktif (“hasil kami menyarankan bahwa manajer
harus...”). Membuat pernyataan seperti itu membutuhkan fokus
prediksi pada estimasi dan evaluasi model (Sarstedt & Danks, 2021).

Pada penulisan awal, peneliti mencatat bahwa estimasi PLS adalah

"sengaja mendekati" untuk SEM berbasis, karakteristik yang
sebelumnya disebut sebagai bias PLS-SEM (misalnya, Chin, Marcolin,
& Newsted, 2003). Sejumlah penelitian telah menggunakan simulasi
untuk menunjukkan dugaan bias PLS-SEM. Menurut penelitian
sebelumnya tentang bias PLS-SEM, estimasi model pengukuran bias
ke atas, sedangkan estimasi model struktural bias ke bawah
dibandingkan dengan hasil CB-SEM. Studi menyimpulkan bahwa
perkiraan parameter akan mendekati apa yang telah diberi label nilai
40
parameter "benar" ketika jumlah indikator per konstruk dan ukuran
sampel meningkat (Hui & Wold, 1982).

Namun, semua studi simulasi yang disebutkan di atas menggunakan

CB-SEM sebagai tolok ukur untuk mengevaluasi estimasi PLS-SEM
dengan asumsi bahwa estimasi tersebut harus sama. Karena PLS-SEM
adalah pendekatan berbasis komposit, yang menggunakan varians
total untuk memperkirakan parameter, perbedaan dapat diharapkan
dalam penilaian tersebut. Faktanya, Sarstedt et al. (2016)
menunjukkan bahwa bias yang dihasilkan oleh CB-SEM jauh lebih
parah daripada PLS-SEM, ketika menerapkan metode pada jenis
model yang salah (yaitu, memperkirakan model komposit dengan CB-
SEM versus memperkirakan model faktor umum dengan PLS -SEM).
Terlepas dari masalah konseptual ini, studi simulasi menunjukkan
bahwa perbedaan antara perkiraan PLS-SEM dan CB-SEM, ketika
mengasumsikan yang terakhir sebagai standar perbandingan, sangat
kecil, asalkan model pengukuran memenuhi standar minimum yang
direkomendasikan dalam hal kualitas pengukuran. yaitu reliabilitas
dan validitas). Secara khusus, ketika model pengukuran memiliki
empat atau lebih indikator dan pemuatan indikator memenuhi
standar umum (≥ 0,70), praktis tidak ada perbedaan antara kedua
metode tersebut dalam hal akurasi parameter. Akhirnya, penelitian
metodologi telah secara substansial memperluas metode PLS-SEM
asli dengan memperkenalkan prosedur pemodelan, penilaian, dan
analisis lanjutan.

2.1.1. Studi Tinjauan PLS-SEM Sebelumnya

Argumen untuk PLS-SEM sebagai metodologi yang layak

mendapatkan penerimaan di banyak disiplin bisnis. Beberapa sarjana
telah menerbitkan penelitian yang meringkas penggunaan PLS-SEM
dalam bidangnya masing-masing. Kajian tersebut meringkas
41
penerapan PLS-SEM, termasuk tahun publikasi, rentang tahun yang
dicakup oleh tinjauan, jumlah artikel yang dianalisis, dan justifikasi
yang diberikan untuk penggunaan PLS-SEM. Artikel tersebut juga
melaporkan tiga alasan utama yang diberikan untuk menerapkan
PLS-SEM, yang meliputi distribusi data, ukuran sampel, dan
penggunaan indikator formatif.

2.1.2. Kapan Menggunakan PLS-SEM

PLS-SEM memberikan banyak keuntungan bagi peneliti yang bekerja

dengan model persamaan struktural. Mengingat popularitas CB-
SEM, penggunaan PLS-SEM seringkali memerlukan diskusi tambahan
untuk menjelaskan alasan di balik keputusan tersebut (Chin, 2010).
Seperti yang ditunjukkan oleh meta-analisis kami tentang studi
tinjauan PLS-SEM, pembenaran yang paling menonjol untuk
menggunakan PLS-SEM dikaitkan dengan:

✓ data tidak normal;

✓ ukuran sampel kecil; Dan
✓ konstruksi yang diukur secara formatif.

Konsep-konsep PLS-SEM dibahas di bawah ini.

(1) Data tidak normal

PLS-SEM menyediakan solusi akhir semua untuk model yang
menggunakan data tidak normal ada dua.
Pertama, peneliti harus menyadari bahwa data yang sangat miring
dapat mengurangi kekuatan statistik analisis. Lebih tepatnya,
evaluasi signifikansi parameter model bergantung pada kesalahan
standar dari bootstrap, yang mungkin membengkak ketika data
sangat miring (Hair et al., 2014).

42
Kedua, karena CB-SEM memiliki beragam prosedur estimasi
alternatif, mungkin bermasalah untuk mengasumsikan bahwa PLS-
SEM adalah pilihan otomatis saat mempertimbangkan distribusi data
(Hair et al., 2012b).

(2) Ukuran sampel kecil

PLS-SEM dapat digunakan dengan ukuran sampel yang lebih kecil,
meskipun modelnya sangat kompleks. Dalam situasi ini, PLS-SEM
umumnya mencapai tingkat kekuatan statistik yang lebih tinggi dan
menunjukkan perilaku konvergensi yang jauh lebih baik daripada CB-
SEM (Henseler, 2010; Reinartz et al., 2009). Ukuran sampel minimum
untuk model PLS memiliki kretia sebagai berikut :

✓ jumlah terbesar indikator formatif yang digunakan untuk

mengukur satu konstruk sebesar sepuluh kali ; atau
✓ jumlah terbesar jalur model dalam yang diarahkan pada
konstruk tertentu dalam model dalam sebesar sepuluh kali
(Barclay et al., 1995).

Namun, peneliti harus mendekati pedoman ini dengan hati-hati,

seperti kesalahpahaman telah menyebabkan skeptisisme tentang
penggunaan PLS-SEM secara umum (Hair et al., 2014). Seperti teknik
analisis data berbasis model lainnya, peneliti harus
mempertimbangkan ukuran sampel karena berkaitan dengan
kompleksitas model dan karakteristik data (Hair et al., 2011).
Misalnya, sementara rule of thumb dikemukakan oleh Barclay et al.
(1995) memberikan perkiraan kasar ukuran sampel minimum, gagal
memperhitungkan ukuran efek, reliabilitas, jumlah indikator, atau
faktor lain yang diketahui mempengaruhi kekuatan.

43
 (3) Indikator formatif dan reflektif
Sebuah konstruk formatif atau komposit mengacu pada indeks dari
jumlah variabel tertimbang. Dalam konstruk formatif, indikator-
indikator tersebut menyebabkan konstruk, sedangkan dalam
variabel laten yang lebih konvensional, terkadang disebut konstruk
reflektif, indikator-indikator tersebut disebabkan oleh variabel laten.
Biasanya, konstruk formatif didefinisikan sebagai berikut: Ada
sekumpulan k variabel eksogen (biasanya variabel terukur indikator
tunggal) yang digabungkan untuk membentuk indeks. Variabel laten
C dibuat yang tidak memiliki indikator atau gangguan. Salah satu jalur
k yang mengarah ke C ditetapkan menjadi satu. Biasanya, semua jalur
yang tersisa gratis, tetapi bisa diperbaiki. Korelasi atau kovarian
antara k variabel adalah parameter bebas yang diestimasi. Ada juga
satu lagi variabel endogen yang disebut dengan C.
Contoh konstruk formatif pada gambar 2.1. adalah kelas sosial
ekonomi atau SES yang indikatornya mungkin Pendidikan,
Pendapatan, dan Status pekerjaan. Konstruk itu menyebabkan Stres
dan Kesehatan Mental. Tidak perlu kasus yang menyebabkan atau
variabel formatif bersifat eksogen.

Gambar 2.1 Indikator Formatif dan Reflektif

44
 Selain itu, variabel formatif dapat memiliki gangguan, tetapi kendala
tambahan harus ditambahkan ke model. Untuk pembahasan lebih
lanjut, lihat Bollen dan Bauldry (2011, Psychological Methods).

2.1.3. Cara menggunakan PLS-SEM

Tahapan dalam menggunakan PLS-SEM, diantaranya 1) melakukan

spesifikasi model dalam dan luar, 2) melakukan pengecekan dan
pengumpulan data, 3) melakukan estimasi model aktual, dan 4)
evaluasi hasil.

(1) Spesifikasi model inner dan outer

Dalam analisis SEM (Structural Equation Modeling), inner model
adalah bagian dari model yang menggambarkan hubungan antar
variabel laten yang membentuk model.
Model Luar menentukan hubungan antara variabel laten dan
indikatornya. Istilah model persamaan struktural digunakan untuk
merujuk pada gabungan model struktural dan pengukuran.

Diawali dengan membuat model jalur yang menghubungkan variabel

dan konstruksi berdasarkan teori dan logika. Pada Gambar 2.2,
dijelaskan untuk membuat model jalur perlu membedakan antara
area konstruk dan hubungan diantaranya. Ada dua konstruksi yang
akan digunakan yaitu eksogen atau endogen. Konstruksi eksogen
bertindak sebagai variabel independen dan tidak memiliki panah
yang menunjuk ke (seperti Y 1 , Y 2 , dan Y 3 pada Gambar 2.2).
Konstruksi endogen dijelaskan oleh konstruksi exogen (seperti Y 4
dan Y 5). Saat menyiapkan model, peneliti perlu menyadari bahwa
dalam bentuk dasarnya, algoritma PLS-SEM hanya dapat menangani
model yang tidak memiliki hubungan melingkar. Persyaratan ini akan
45
dilanggar jika kita membalikkan hubungan Y 2 Y 5 pada Gambar 2.2.
Dalam situasi ini, Y 2 akan memprediksi Y 4 , Y 4 akan memprediksi Y
5 , dan Y 5 akan memprediksi Y 2 lagi, menghasilkan lingkaran
lingkaran (yaitu Y 2 Y4 Y5 Y 2 ). Setelah model dalam
dirancang, peneliti harus menentukan model luar.

Gambar 2.2. Model Jalur Sederhana

(2) Evaluasi model luar

Model outer measurement bertujuan untuk menghitung reliabilitas,
konsistensi internal, dan validitas variabel teramati (diukur melalui
kuesioner) bersama dengan variabel tak teramati.

Dalam metode partial least square, ketika mengevaluasi reliabilitas

model luar, peneliti harus menentukan model luar tersebut reflektif
atau informatif. Dalam model reflektif, perubahan konstruk
tercermin dalam pergeseran semua indikatornya, dan arah
kausalitasnya dari konstruk ke indikatornya. Dalam model Formatif,
46
arah kausalitas adalah dari indikator ke konstruk, dan bobot indikator
formatif mewakili pentingnya masing-masing indikator dalam
menjelaskan varian dari konstruk. Dalam diagram di bawah ini saya
telah menunjukkan bagaimana model pengukuran reflektif akan
terlihat untuk pengujian hipotesis. Untuk menguji kesesuaian model
luar Reflective, kita dapat menggunakan reliabilitas konsistensi
internal, reliabilitas indikator, validitas konvergen, dan validitas
diskriminan.

(3) Indikator reflektif

Dalam model reflektif, konstruk laten ada (dalam arti absolut)
terlepas dari ukuran. Karena indikator digunakan secara bergantian,
bahkan dengan penghapusan salah satu indikator, variabel laten
akan tetap ada. Sementara secara tradisional dinilai menggunakan
Cronbach'sa (Cronbach dan Meehl, 1955), reliabilitas komposit
memberikan ukuran reliabilitas konsistensi internal yang lebih tepat
untuk setidaknya dua alasan.

Pertama-tama, berbeda dengan Cronbach's a, keandalan komposit

tidak mengasumsikan bahwa semua indikator memiliki bobot yang
sama dalam populasi. Ini sesuai dengan prinsip PLS-SEM yang
memprioritaskan indikator berdasarkan keandalannya masing-
masing selama estimasi model. Selain itu, Cronbach cenderung
merendahkan keandalan konsistensi internal dan rentan terhadap
jumlah item dalam skala. Dengan menggunakan keandalan
gabungan, PLS-SEM dapat mengakomodasi indikator dengan
keandalan yang berbeda (yaitu, muatan indikator yang berbeda).

Langkah kedua adalah menilai validitas. Validitas diperiksa melalui

validitas konvergen dan validitas diskriminan. Validitas konvergen
dan validitas diskriminan keduanya merupakan subtipe validitas

47
konstruk. Bersama-sama, mereka membantu mengevaluasi apakah
suatu tes mengukur konsep yang dirancang untuk diukur.

Validitas diskriminan mengacu pada sejauh mana suatu tes tidak

terkait dengan tes lain yang mengukur konstruk yang berbeda. Di
sini, konstruk adalah perilaku, sikap, atau konsep, terutama yang
tidak dapat diamati secara langsung.

Harapannya adalah bahwa dua pengujian yang mencerminkan

konstruk yang berbeda tidak boleh terlalu terkait satu sama lain. Jika
ya, maka tidak dapat mengatakan dengan pasti bahwa mereka tidak
mengukur konstruk yang sama. Dengan demikian, validitas
diskriminan merupakan indikasi sejauh mana perbedaan antar
konstruk.

Validitas diskriminan dinilai dalam kombinasi dengan validitas

konvergen. Di beberapa bidang, validitas diskriminan juga dikenal
sebagai validitas divergen.

Indikator formatif. Kemampuan PLS-SEM untuk menguji model

menggunakan indikator formatif telah menarik perhatian lintas
disiplin ilmu, banyak peneliti yang menerapkan metode ini
mengabaikan langkah-langkah spesifik yang perlu diikuti saat
mengevaluasi model luar formatif (Hair et al., 2012a, b).
Validitas konten mengevaluasi sejauh mana indikator menangkap
aspek utama dari konstruk. Sederhananya, jika item penting
dihilangkan, sifat konstruk dapat diubah (Diamantopoulos et al.,
2008), dengan tujuan menghasilkan distribusi probabilitas untuk
setiap parameter model. Dari distribusi probabilitas ini, peneliti
dapat menghitung interval kepercayaan dan tingkat signifikansi
untuk setiap bobot indikator. Selain itu, peneliti juga
mempertimbangkan relevansi dari setiap indikator formatif dalam
48
konteks penelitian mereka dan mempertimbangkan untuk
menghapus indikator yang tidak mempunyai kontribusi yang
signifikan terhadap konstruk yang diukur. Dengan cara ini, peneliti
memperoleh estimasi model dalam jumlah besar (biasanya 5.000
atau lebih), yang dapat digunakan untuk menghitung kesalahan
standar dari setiap parameter model. Menggambar pada kesalahan
standar, signifikansi dari setiap parameter dapat ditentukan, dengan
menggunakan nilai-t. Penilaian relevansi indikator melibatkan
pembandingan bobot indikator untuk menentukan kontribusi
relatifnya terhadap pembentukan konstruk (Hair et al., 2014).

Dalam kasus tertentu (yaitu ketika bobot indicator tidak signifikan),

peneliti juga perlu mengevaluasi korelasi bivariat (pemuatan) antara
indikator (tidak signifikan) dan konstruk untuk memutuskan apakah
akan mengecualikan indikator dari model luar (Hair). et al., 2014).
Untuk menghilangkan indikator formatif dari model umumnya harus
menjadi pengecualian, karena teori pengukuran formatif
mensyaratkan bahwa langkah-langkah tersebut sepenuhnya
menangkap seluruh domain dari sebuah konstruk. Singkatnya,
menghilangkan indikator sama dengan menghilangkan bagian dari
konstruksi.

Evaluasi model internal. Bahwa model pengukuran itu valid dan

reliabel. Langkah selanjutnya adalah mengukur hasil Inner Structural
Model. Ini termasuk mengamati relevansi prediksi model dan
hubungan antara konstruksi. Sementara kriteria Fornell-Larcker
biasanya mengungkapkan masalah kolinearitas dalam model bagian
dalam lebih awal dalam proses evaluasi model, ini tidak terjadi ketika
konstruk yang diukur secara formatif terlibat. Alasannya adalah AVE
yang menjadi dasar penilaian Fornell-Larcker – bukanlah ukuran yang
berarti untuk indikator formatif. Oleh karena itu, penilaian

49
kolinearitas dalam model bagian dalam sangat penting ketika model
menyertakan konstruk yang diukur secara formatif.

Koefisien determinasi (R²). Koefisien jalur adalah ukuran hubungan

yang diharapkan antara variabel dalam model PLS. Selain itu,
koefisien jalur juga dapat memberikan informasi mengenai kekuatan
hubungan antar variabel. Koefisien determinasi (R²) mengukur
seberapa baik model statistik memprediksi hasil. Hasilnya diwakili
oleh variabel dependen model.

Nilai R² terendah yang mungkin adalah 0 dan nilai tertinggi yang

mungkin adalah 1. Sederhananya, semakin baik suatu model dalam
membuat prediksi, semakin dekat R²-nya dengan 1.

Contoh: Koefisien determinasi

Bayangkan Anda melakukan regresi linier sederhana yang
memprediksi nilai ujian siswa (variabel dependen) dari waktu yang
mereka habiskan untuk belajar (variabel independen).

1) Jika R² adalah 0, model regresi linier tidak memungkinkan

memprediksi nilai ujian lebih baik daripada sekadar
memperkirakan bahwa setiap orang memiliki nilai ujian rata-
rata.
2) Jika R² antara 0 dan 1, model ini memungkinkan
memprediksi sebagian nilai ujian. Estimasi model tidak
sempurna, tetapi lebih baik daripada hanya menggunakan
skor ujian rata-rata.
3) Jika R² adalah 1, model ini memungkinkan memprediksi skor
ujian siapa pun dengan sempurna.

Secara lebih teknis, R² adalah ukuran kecocokan. Ini adalah proporsi

varians dalam variabel dependen yang dijelaskan oleh
50
modelMeskipun koefisien jalur adalah alat yang berguna dalam
menilai hubungan antar variabel, peneliti harus berhati-hati untuk
tidak terlalu mengandalkan nilai koefisien jalur dan
mempertimbangkan relevansi dan signifikansi hubungan antar
variabel secara keseluruhan.Singkatnya, apakah ukuran koefisien
struktural bermakna? Seperti yang dikemukakan oleh Hair et al.
(2014), banyak penelitian mengabaikan langkah ini dan hanya
mengandalkan pentingnya efek. Jika langkah penting ini dihilangkan,
peneliti dapat fokus pada hubungan yang, meskipun signifikan,
mungkin terlalu kecil untuk mendapat perhatian manajerial

2.1.4. Topik Tingkat Lanjut

Aplikasi PLS-SEM yang berkembang disertai dengan berbagai

penelitian metodologis yang memperluas kotak alat metode ini.
Beberapa ekstensi ini berurusan dengan pendekatan yang
memungkinkan peneliti menentukan pengaturan model yang lebih
kompleks. Sederhananya form, model jalur PLS mempertimbangkan
hubungan langsung antara (kumpulan) konstruksi.
Namun, pengaturan model yang lebih kompleks mudah dibayangkan
seperti estimasi efek moderasi, efek mediasi, atau model komponen
hierarkis. Selain itu, kemajuan metodologi berurusan dengan
masalah struktur data yang heterogen, yang mengancam validitas
hasil. Satu aliran penelitian di bidang ini berkaitan dengan teknik
analisis multigrup untuk menilai apakah parameter (biasanya
koefisien jalur) berbeda secara signifikan di dua atau lebih kelompok
data. Aliran kedua berurusan dengan perlakuan heterogenitas yang
tidak teramati (yaitu heterogenitas yang tidak dapat dikaitkan
dengan satu variabel yang dapat diamati seperti variabel demografis)
melalui teknik kelas laten. Berikut ini, kami memberikan gambaran
singkat tentang topik yang baru-baru ini dibahas.

51
Moderasi
Moderasi terjadi ketika pengaruh konstruk eksogen pada konstruk
endogen bergantung pada nilai variabel lain, yang memengaruhi
(yaitu memoderasi) hubungan tersebut. Misalnya, dalam analisis
hubungan antara kemampuan dinamis dan kinerja organisasi, Wilden
et al. (2013) menunjukkan bahwa efek kinerja bergantung pada
intensitas kompetitif yang dihadapi oleh perusahaan serta struktur
organisasi perusahaan. Henseler dan Chin (2010) mengevaluasi
berbagai pendekatan moderasi dalam PLS-SEM dalam hal
penerapannya pada tindakan reflektif dan formatif, kekuatan
statistik atau kekuatan prediksi.

Mediasi
Variabel mediasi (atau mediator) menjelaskan proses di mana dua
variabel terkait, sedangkan variabel moderator (atau moderator)
memengaruhi kekuatan dan arah hubungan itu.
Menyertakan mediator dan moderator dalam penelitian membantu
melampaui mempelajari hubungan sederhana antara dua variabel
untuk mendapatkan gambaran yang lebih lengkap tentang dunia
nyata. Variabel-variabel ini penting untuk dipertimbangkan ketika
mempelajari hubungan korelasional atau kausal yang kompleks antar
variabel. Misalnya, dalam studi mereka tentang kinerja tim
konsultan, Klarner et al. (2013) menunjukkan bahwa hubungan
antara kompetensi tim konsultan dan kinerja mereka secara
berurutan dimediasi oleh komunikasi klien dan kemampuan
beradaptasi tim. Dengan demikian, analisis mereka berlawanan
dengan evaluasi sederhana dari efek langsung memberikan
gambaran yang lebih tepat tentang kinerja tim konsultan
manajemen. Beberapa penulis telah mengkritik pengabaian yang
luas untuk secara eksplisit memeriksa efek mediasi dalam model jalur
PLS, yang dapat dengan mudah mengarah pada kesimpulan yang
salah ketika menafsirkan estimasi model (Hair et al., 2013, 2012a, b).
52
Alasan potensial untuk pengabaian ini mungkin karena masih ada
ambiguitas tentang cara mengevaluasi efek mediasi dalam PLS-SEM.
Rambut dkk. (2014) memberikan ilustrasi awal tentang bagaimana
menganalisis efek mediasi tetapi penelitian lebih lanjut diperlukan
untuk memberikan panduan mengenai evaluasi efek yang lebih
kompleks seperti moderasi mediasi atau mediasi yang dimoderasi.

Model komponen hierarkis

Studi tentang kinerja tim konsultan manajemen, Klarner et al. (2013)
mengkonseptualisasikan kompetensi tugas sebagai konstruksi dua
dimensi dengan dimensi yang berkaitan dengan kompetensi generik
dan spesifik tim. Artinya, alih-alih memodelkan kedua jenis
kompetensi ini pada satu lapisan konstruksi, penulis meringkasnya
sebagai dua komponen tingkat rendah yang terkait dengan satu
konstruksi tingkat tinggi multidimensi tunggal. Pendekatan
pemodelan ini mengarah pada penghematan yang lebih teoretis,
mengurangi kompleksitas model dan dapat mencegah efek
pengganggu dalam struktur model multidimensi, seperti
multikolinearitas (Kuppelwieser dan Sarstedt, 2014; Ringle et al.,
2012). Secara teoritis, proses ini dapat diperluas ke beberapa lapisan,
tetapi peneliti biasanya membatasi pendekatan pemodelan mereka
menjadi dua lapisan.
Wilson dan Henseler (2007) serta Becker et al. (2012) memberikan
tinjauan dan evaluasi berbagai pendekatan untuk memodelkan
konstruksi tingkat tinggi menggunakan PLS-SEM. Rambut dkk. (2014)
menawarkan tutorial tentang cara menyiapkan dan mengevaluasi
model komponen hierarkis.

Analisis multigrup
Analisis multigroup adalah jenis analisis moderator dimana variabel
moderator bersifat kategoris (biasanya dengan dua kategori) dan
diasumsikan berpotensi mempengaruhi semua hubungan dalam
53
inner model. Misalnya, dengan menggunakan analisis multigrup,
Elbanna et al. (2013) menunjukkan bahwa peran intuisi dalam
pengambilan keputusan strategis berbeda secara signifikan dalam
situasi permusuhan lingkungan rendah vs tinggi. Penelitian telah
mengedepankan beberapa pendekatan analisis multigrup, yang
dibangun di atas uji-t sampel independen standar, prosedur
permutasi atau interval kepercayaan bootstrap. Sarstedt dkk. (2011a,
b) meninjau pendekatan yang berbeda dan mengusulkan uji omnibus
perbedaan antara lebih dari dua kelompok data, yang
menerjemahkan uji-F standar untuk digunakan dengan PLS-SEM.

Teknik kelas laten

Saat memperkirakan model jalur PLS, muncul situasi di mana
perbedaan yang terkait dengan heterogenitas yang tidak teramati
mencegah model untuk diestimasi secara akurat. Karena peneliti
tidak pernah tahu apakah heterogenitas yang tidak teramati
menyebabkan masalah estimasi, mereka perlu menerapkan teknik
pelengkap untuk segmentasi berbasis respons (teknik kelas laten)
yang memungkinkan untuk mengidentifikasi dan menangani
heterogenitas yang tidak teramati.

2.1.5. Diagram Jalur

Diagram jalur dapat digunakan untuk memvisualisasikan persamaan

matriks dengan lebih baik dalam SEM. Gambar 2.3. di bawah
mengilustrasikan banyak jenis variabel dan hubungan yang dapat
dicakup oleh SEM. Diagram Jalur memainkan peran mendasar dalam
pemodelan struktural. Diagram jalur yang akan berguna dalam
menjelaskan dan membaca tentang model analisis faktor
konfirmatori dan model persamaan struktural.

54
Setiap jalur melibatkan dua variabel (dalam kotak atau oval) yang
dihubungkan dengan panah (garis, biasanya lurus, dengan mata
panah di salah satu ujungnya) atau kabel (garis, biasanya
melengkung, tanpa mata panah), atau "sling" (dengan dua mata
panah).

Gambar 2.3 Contoh Diagram Jalur

Panah digunakan untuk menunjukkan hubungan "diarahkan", atau

hubungan linier antara dua variabel. Panah dari X ke Y menunjukkan
hubungan linier di mana Y adalah variabel dependen dan X variabel
independen. Kabel atau Sling digunakan untuk mewakili hubungan
"tidak terarah", yang mewakili varians (jika garis melengkung kembali
dari variabel ke dirinya sendiri) atau kovarians (jika garis melengkung
dari satu variabel ke variabel lainnya).

Konfigurasi symbol yang digunakan dan masing-masing disertai

dengan penjelasan singkat, adalah seperti Tabel 2.1.

55
 Tabel 2.1 Konfigurasi symbol Diagram Jalur

2.2. Pertanyaan

1) Coba saudara jelaskan dan gambarkan model structural

sebagai metode penelitian saudara.

2) Apa perbedaan covariance-based SEM (CB-

SEM) dan the partial least squares SEM (PLS-SEM) dan
berikan contoh

56
BAB 3
Model Regresi PLS-SEM

Setelah membaca bab ini, pembaca harus:

1) Dapat menjelaskan model regresi PLS-SEM.
2) Dapat menjelaskan model analisis jalur
3) Dapat menjelaskan Analisis faktor konfirmasi (CFA)

3.1. Model Regresi PLS

Regresi kuadrat terkecil parsial (regresi PLS) adalah metode statistik

yang memiliki beberapa hubungan dengan regresi komponen utama;
alih-alih menemukan hyperplanes varians maksimum antara respons
dan variabel independen, ia menemukan model regresi linier dengan
memproyeksikan variabel yang diprediksi dan variabel yang dapat
diamati ke ruang baru.

Model regresi PLS adalah alternatif untuk regresi OLS atau korelasi
kanonik. Regresi PLS telah digunakan, misalnya, untuk pemodelan
pertumbuhan ekonometrik. Membandingkan regresi OLS dan PLS,
satu studi simulasi menemukan "Dalam penelitian kami, hasil untuk
data simulasi, bagaimanapun, sangat mirip dengan yang dihasilkan
dari regresi OLS."

Regresi Partial Least Squares (PLS) adalah metode regresi yang cepat,
efisien dan optimal berdasarkan kovarians. Direkomendasikan dalam
kasus regresi dimana jumlah variabel penjelasnya tinggi, dan dimana

57
kemungkinan terdapat multikolinearitas antar variabel, yaitu bahwa
variabel penjelas berkorelasi.

3.2. Analisis Jalur (Path Analysis)

Teknik ini adalah suatu teknik yang digunakan dalam pemodelan
persamaan struktural untuk mengevaluasi pengaruh serangkaian
variabel pada hasil tertentu melalui beberapa jalur kausal, dan
merupakan prekursor dari teknik persamaan regresi linier
terstruktur.

Pertanyaan penelitian yang lebih menarik dapat diajukan dan

dijawab dengan menggunakan Analisis Jalur. Analisis Jalur adalah
jenis pemodelan persamaan struktural tanpa variabel laten. Salah
satu manfaat dari analisis lintasan adalah memasukkan keterkaitan
antara variabel yang berperan sebagai prediktor dalam satu model
tunggal. Salah satu contoh spesifik dan umum adalah model mediasi.
Meskipun ini bukan satu-satunya cara menilai mediasi, ini adalah
cara yang sangat intuitif dan efisien. Model ini di sini menunjukkan
beberapa hubungan mediasi yang berbeda. Salah satunya adalah
hubungan antara Olahraga dan Penyakit. Anda dapat melihat ada
jalur langsung dari Latihan ke Penyakit, tetapi ada juga jalur
perantara yang melewati Kebugaran.

Model ini menegaskan bahwa setidaknya sebagian dari efek Latihan

pada Penyakit adalah bahwa Latihan memengaruhi Kebugaran, dan
Kebugaran, pada gilirannya memengaruhi Penyakit.

58
 Gambar 3.1. Path Analysis Hanya Mengamati Variabel

3.3. Model Jalur dengan Variabel Laten

Model jalur variabel laten (LVPM) adalah model statistik dari
hubungan yang dihipotesiskan antara sekumpulan variabel laten dan
yang diamati. Ini juga dikenal sebagai model persamaan struktural
atau model persamaan simultan. Diagram jalur merupakan
gambaran visual yang dipakai untuk menunjukkan hipotesis dan
keterkaitan variabel yang diperiksa saat menerapkan SEM. Model
jalur dapat ditunjukkan pada Gambar 3.2

59
 Gambar 3.2. Struktural Model

Sumber : Model jalur sederhana. (Sumber: Hair et al., 2022,)

Konstruksi (yaitu, variabel yang tidak dapat diukur secara langsung),

juga disebut sebagai variabel laten, direpresentasikan dalam model
jalur sebagai lingkaran atau oval (Y1 hingga Y4). Perkakas pengukur,
yang juga dikenal sebagai item atau variabel manifest, yaitu variabel
yang diukur secara langsung dan berisi data mentah. Dalam model
jalur, mereka direpresentasikan sebagai bentuk persegi panjang (x1
hingga x10). Hubungan antara konstruk, serta antara konstruk dan
indikator yang ditetapkan, digambarkan sebagai anak panah. Dalam
PLS-SEM, anak panah selalu berarah tunggal, sehingga
merepresentasikan hubungan yang terarah. Panah berkepala tunggal
dianggap sebagai hubungan prediktif dan, dengan dukungan teoretis
yang kuat, dapat diartikan sebagai hubungan sebab akibat.

60
Model PLS jalur terdiri dari dua komponen. Pertama, terdapat model
struktural (juga dikenal sebagai model internal dalam konteks PLS-
SEM) yang menghubungkan konstruk (lingkaran atau oval). Model
struktural juga memperlihatkan hubungan (jalur) antara konstruk.
Kedua, terdapat model pengukuran (juga dikenal sebagai model
eksternal dalam PLS-SEM) dari konstruk yang menunjukkan
hubungan antara konstruk dan variabel indikator (persegi panjang).
Pada Gambar 3.2, Terdapat dua tipe model pengukuran: satu untuk
variabel laten eksogen (yaitu, konstruksi yang hanya menjelaskan
konstruksi lain dalam model) dan satu lagi untuk variabel laten
endogen (yaitu, konstruksi yang sedang dijelaskan dalam model).
Sebagai alternatif dari menyebutkan model pengukuran untuk
variabel laten eksogen dan endogen secara terpisah, para peneliti
umumnya menggunakan model pengukuran untuk satu variabel
laten spesifik. Sebagai contoh, x1 hingga x3 digunakan sebagai
indikator dalam model pengukuran Y1, sedangkan Y4 hanya
mempergunakan indikator x10 dalam model pengukuran.

Istilah kesalahan (misalnya, e7 atau e8; Gambar 3.2) terhubung ke

konstruksi (endogen) dan (secara reflektif) mengukur variabel
dengan panah berkepala tunggal. Istilah kesalahan mewakili varians
yang tidak dapat dijelaskan ketika model jalur diestimasi (yaitu,
perbedaan antara prediksi dalam sampel model dari suatu nilai dan
nilai yang diamati dari variabel manifes atau laten). Istilah kesalahan
e7 hingga e9 di Gambar 3.2 terhubung ke indikator yang
hubungannya mengarah dari konstruk (Y3) ke indikator (yaitu,
indikator yang diukur secara reflektif). Sebaliknya, indikator yang
diukur secara formatif x1 hingga x6, di mana hubungannya berjalan
dari indikator ke konstruk (Y1 dan Y2), tidak memiliki istilah
kesalahan (Sarstedt, Hair, Ringle, Thiele, & Gudergan, 2016).
Terakhir, untuk konstruk item tunggal Y4, arah hubungan antara
konstruk dan indikator tidak relevan, karena konstruk dan item
61
setara. Untuk alasan yang sama, tidak ada istilah kesalahan yang
terhubung ke x10. Model struktural juga mengandung istilah
kesalahan. Dalam Gambar 3.2, z3 dan z4 berasosiasi dengan variabel
laten endogen Y3 dan Y4 (perhatikan bahwa error term pada
konstruksi dan variabel terukur diberi label berbeda). Sebaliknya,
variabel laten eksogen (Y1 dan Y2) yang hanya menjelaskan variabel
laten lainnya dalam model struktural tidak memiliki error term,
terlepas dari apakah mereka ditentukan secara reflektif atau
formatif.

3.3.1. Asumsi Path Analysis

Beberapa asumsi dan prinsip “ prinsip dasar dalam path analysis
diantaranya ialah:
1) Linearitas. Hubungan antar variabel bersifat linier. Artinya,
saat digambar membentuk garis lurus dari kiri bawah ke
kanan atas.
2) kolinear; Menampilkan satu baris. Ini berarti bahwa beberapa
variabel eksogen mempengaruhi variabel endogen. Atau
sebaliknya, variabel eksogen mempengaruhi banyak variabel
endogen jika garis lurus ditarik untuk membentuk garis yang
sama.
3) Model rantai kausal: menunjukkan adanya model kausal di
mana urutan peristiwa pada akhirnya mengarah pada variasi
variabel dependen/endogen, seperti yang ditunjukkan di
bawah ini. Pada diagram di bawah ini, semua barisan kejadian
X1, X2, X3, X4 mengarah ke Y.

62
4) Data metrik skala interval. Semua variabel yang diamati
memiliki data skala interval (nilai skala). Jika data Anda tidak
dalam format skala interval, Anda harus menggunakan
Metode Interval Berkelanjutan (MSI) terlebih dahulu untuk
mengubah data Anda. Jika data non-metrik digunakan, nilai
koefisien korelasi ditampilkan. Nilai koefisien korelasi yang
kecil akan mengurangi nilai R2. Oleh karena itu, pemodelan
yang dibuat menggunakan analisis jalur tidak valid. Ini karena
indikator kecocokan model yang dibangun secara teoritis
adalah dengan melihat nilai R2 mendekati 1. Jika nilai ini
mendekati 1, maka model dianggap baik atau sesuai dengan
teori.
5) rekursi. Semua panah harus searah dan tidak boleh memiliki
loop atau keterkaitan.

3.3.2. Syarat-Syarat Penggunaan Path Analysis

Persyaratan mutlak yang harus dipenuhi saat menggunakan
analisis jalur antara lain:

1) data metrik skala interval

2) Model regresi berganda memiliki variabel independen
eksogen dan endogen, sedangkan model mediasi, model
gabungan regresi mediasi dan ganda, dan model gabungan
memiliki variabel antara.
3) Ukuran sampel yang sesuai, sebaiknya 100 atau lebih,
idealnya 400-1000
4) Pola hubungan antar variabel: Pola hubungan antar variabel
harus searah dan tidak timbal balik.
5) Kausalitas didasarkan pada teori-teori yang ada dengan
asumsi sebelumnya bahwa variabel yang diselidiki
sebenarnya kausal.

63
3.4. Analisis Faktor Konfirmatori (CFA)
Analisis faktor konfirmasi (CFA) adalah metode pemodelan statistik
yang menilai seberapa akurat sistem yang berbeda mengukur dan
mengevaluasi suatu konsep. Dengan metode ini, peneliti
menggunakan latar belakang pengetahuannya untuk
mengembangkan hipotesis tentang cara mengukurnya, kemudian
menerapkan CFA untuk menguji keakuratan gagasannya. Peneliti
menggunakan perangkat lunak pemodelan persamaan struktural
untuk melakukan analisis faktor konfirmatori karena memerlukan
pemrosesan set data yang kompleks dengan model dan persamaan
matematika tingkat lanjut.

CFA adalah prosedur penelitian dan analisis data yang populer dalam
ilmu sosial, khususnya psikologi, karena dapat menangani model dan
konsep teoretis yang sulit diukur, seperti emosi dan gejala psikologis.
Dalam ilmu sosial, sistem pengukuran ini biasanya berupa
pertanyaan survei, skala peringkat, dan inventaris lainnya. Misalnya,
seorang peneliti dapat menggunakan CFA untuk menentukan
seberapa baik setiap pertanyaan survei kesehatan mental
menunjukkan gejala gangguan kecemasan.
Meskipun sering menganggap Analisis Faktor Konfirmasi (CFA)
sebagai reduksi data, sebenarnya ini adalah salah satu tipe inti dari
model persamaan struktural. Analisis Faktor Eksplorasi sebelum CFA,
dan masih menggunakan keduanya di sebagian besar.

CFA masih sedikit eksplorasi, konfirmasi benar-benar menunjukkan

pengetahuan yang Anda miliki tentang teori di balik hubungan antara
konstruksi (diwakili oleh faktor) dan indikator yang diamati. Berikut
gambar 3.3., adalah diagram jalur sederhana dari CFA dua faktor:

64
CFA juga dikenal dalam SEM sebagai model pengukuran. Merupakan
langkah yang dilakukan untuk menentukan bagaimana faktor (ε1 dan
ε1) diukur dengan indikator (x1 sampai x8).

Peneliti menggunakan pengetahuan teori, penelitian empiris, atau

keduanya, mendalilkan pola hubungan apriori dan kemudian menguji
hipotesis secara statistik.

Gambar 3.3. Contoh CFA Pengukuran Model

Penggunaan CFA dapat dipengaruhi oleh

✓ hipotesis penelitian sedang diuji

✓ persyaratan ukuran sampel yang cukup (mis., 5-20 kasus per
estimasi parameter)
✓ instrumen pengukuran

65
 ✓ normalitas multivariat
✓ identifikasi parameter
✓ outlier
✓ data yang hilang
✓ interpretasi indeks kecocokan model (Schumacker & Lomax,
1996).

Pendekatan yang disarankan untuk CFA berlangsung melalui proses

berikut:

✓ Teori yang relevan dan literatur penelitian ditinjau untuk

mendukung spesifikasi model
✓ Tentukan model (angka, persamaan, dll.)
✓ tentukan identifikasi model (misalnya, jika nilai unik dapat
ditemukan untuk estimasi parameter; jumlah derajat
kebebasan, df, untuk pengujian model adalah positif)
✓ mengumpulkan data
✓ melakukan analisis statistik deskriptif awal (mis., penskalaan,
data yang hilang, masalah kolinearitas, deteksi outlier)
✓ mengestimasi parameter dalam model
✓ menilai kecocokan model
✓ mempresentasikan dan menginterpretasikan hasilnya.

3.4.1. Istilah Kunci Untuk Analisis Faktor

Konfirmatori

Berikut adalah beberapa istilah dasar yang perlu diketahui saat

melakukan analisis faktor konfirmatori:

66
 a. Variabel yang diamati (Observed variable)
Variabel yang diamati adalah elemen yang digunakan untuk
mengukur konsep. Variabel yang diamati meliputi data yang direkam
selama penelitian. Pertanyaan pada survei sering membahas variabel
yang diamati berbeda. Misalnya, pertimbangkan ahli kesehatan
mental yang menggunakan survei untuk menilai gejala kecemasan.
Satu pertanyaan survei meminta responden untuk menilai tingkat
stres mereka dari satu sampai lima. Karena tingkat stres responden
mungkin menunjukkan kecemasan, dan survei menyediakan sistem
terukur untuk mengukur stres, ini adalah variabel yang diamati.

b. Variabel laten (Latent variable)

Variabel laten, juga dikenal sebagai konstruk, adalah konsep bersama
yang dinilai oleh sistem pengukuran yang berbeda. Variabel laten
sulit untuk diamati secara langsung tetapi dapat mempengaruhi hasil
dari variabel yang diamati dalam suatu percobaan. Misalnya, variabel
laten kecemasan dapat memengaruhi hasil dari tingkat stres yang
dilaporkan seseorang. Seseorang dengan kecemasan mungkin
menilai stres mereka pada level lima, sementara seseorang tanpa
kecemasan cenderung memilih skor yang lebih rendah. Meskipun
menanyakan tentang stres tidak secara langsung mengukur
kecemasan, hal itu tetap dapat memberi peneliti wawasan tentang
hubungan antara stres dan kecemasan.

CFA ada untuk menilai hubungan tidak langsung antara variabel laten
dan variabel yang diamati.

c. Pemuatan factor (Factor loading)

Pemuatan faktor adalah angka yang menggambarkan seberapa dekat
hubungan variabel yang diamati dengan variabel laten. Biasanya
antara nol dan satu, meskipun beberapa kumpulan data dapat
menghasilkan pemuatan faktor lebih tinggi dari satu saat menghitung
67
banyak variabel. Pemuatan faktor dengan semakin tinggi nilainya,
semakin kuat korelasinya dengan variabel laten.

Misalnya, analisis data survei untuk variabel laten kecemasan

menghasilkan skor pemuatan faktor 0,85 untuk pertanyaan satu dan
0,33 untuk pertanyaan dua. Karena pemuatan faktor pada
pertanyaan satu lebih tinggi daripada pertanyaan dua, pertanyaan
satu mungkin lebih baik dalam mengidentifikasi orang yang memiliki
kecemasan daripada pertanyaan dua.

3.4.2. Dasar-Dasar Analisis Faktor

EFA adalah pendekatan berbasis data yang digunakan untuk

menentukan struktur yang mendasari sekumpulan variabel. Ini
mengurangi sejumlah besar variabel menjadi sejumlah kecil faktor
dan mengidentifikasi muatan yang dimiliki masing-masing variabel
pada faktor-faktor tersebut. Faktor-faktor ini tidak ditentukan
sebelumnya seperti dalam CFA, melainkan diturunkan melalui
analisis pola dalam data. PUS berguna dalam penelitian eksplorasi di
mana struktur yang mendasari variabel tidak dipahami dengan baik.

Misalnya, dalam studi tentang kepuasan pelanggan, EFA dapat

digunakan untuk mengidentifikasi faktor-faktor mendasar yang
mempengaruhi kepuasan pelanggan, seperti kualitas produk,
layanan pelanggan, dan harga. Dengan mengidentifikasi faktor-
faktor tersebut, perusahaan dapat berfokus pada peningkatan area
yang paling penting bagi pelanggan dan meningkatkan kepuasan
pelanggan secara keseluruhan.

68
 3.4.2.1. Analisis Faktor Eksplorasi Vs. Analisis Faktor
Konfirmatori

Sementara EFA dapat digunakan untuk mengidentifikasi struktur

yang mendasari variabel, itu tidak cocok untuk pengujian hipotesis,
di mana CFA berperan. Di CFA, peneliti menguji model teoretis yang
telah ditentukan sebelumnya, daripada membiarkan data
menentukan struktur yang mendasarinya. CFA berguna dalam
penelitian konfirmasi dimana struktur yang mendasari variabel
dipahami dengan baik dan peneliti ingin menguji hipotesis tertentu.

Misalnya, dalam studi kecerdasan, CFA dapat digunakan untuk

menguji model kecerdasan teoretis tertentu, seperti teori Cattell-
Horn-Carroll (CHC), yang menyatakan bahwa kecerdasan terdiri dari
banyak faktor seperti kecerdasan cairan, mengkristal kecerdasan,
dan pemrosesan visual-spasial. Dengan menguji model ini, peneliti
dapat menentukan apakah data mendukung teori dan membuat
kesimpulan tentang sifat kecerdasan.

3.4.2.2. Tujuan Dari Analisis Faktor Konfirmatori

Tujuan utama CFA adalah untuk memvalidasi model pengukuran

dengan menguji hubungan antara variabel laten dan variabel yang
diamati. Menguji model yang telah ditentukan sebelumnya
memungkinkan peneliti untuk membuat klaim yang lebih kuat
tentang reliabilitas dan validitas instrumen pengukuran. Namun, ada
banyak alasan lain mengapa CFA merupakan alat yang berharga
dalam penelitian.

69
a. Pengujian Hipotesis Dalam Penelitian
Pengujian hipotesis merupakan aspek penting dari penelitian, dan
CFA adalah alat yang ampuh untuk pengujian hipotesis. CFA
memungkinkan peneliti untuk menguji kebaikan kesesuaian model
teoretis dan untuk menentukan apakah model tersebut secara
akurat mewakili struktur yang mendasari sebuah konstruksi. Hal ini
sangat berguna ketika peneliti sedang mencoba untuk menentukan
hubungan antara beberapa variabel.

Misalnya, bayangkan seorang peneliti tertarik untuk meneliti

hubungan antara tingkat pendidikan seseorang dan pendapatannya.
Peneliti dapat menggunakan CFA untuk menguji model yang
mencakup pendidikan dan pendapatan sebagai variabel laten, dan
beberapa variabel observasi yang mengukur setiap konstruk. Dengan
demikian, peneliti dapat menentukan apakah ada hubungan yang
signifikan antara pendidikan dan pendapatan, dan apakah model
tersebut secara akurat mewakili struktur yang mendasari konstruksi.

b. Memvalidasi Model Pengukuran

CFA juga menyediakan cara untuk memvalidasi model pengukuran
dengan memeriksa hubungan antara variabel laten dan variabel yang
diamati. Peneliti dapat menilai konsistensi internal, validitas
konstruk, dan validitas konvergen dan diskriminan dari suatu model
pengukuran menggunakan CFA. Ini sangat berguna ketika peneliti
sedang mengembangkan instrumen pengukuran baru.

Misalnya, bayangkan seorang peneliti sedang mengembangkan

kuesioner baru untuk mengukur kecemasan. Peneliti dapat
menggunakan CFA untuk menguji validitas kuesioner dengan
memeriksa hubungan antara variabel yang diamati (misalnya
pertanyaan pada kuesioner) dan konstruk kecemasan yang
mendasarinya. Dengan demikian, peneliti dapat menentukan apakah
70
kuesioner secara akurat mengukur kecemasan, dan apakah ada
perubahan yang perlu dilakukan untuk memperbaiki instrumen.

c. Menilai Validitas Konstruk

CFA memungkinkan peneliti untuk menilai validitas konstruk, yaitu
sejauh mana instrumen pengukuran mengukur apa yang ingin diukur.
Validitas konstruk dapat diperkirakan dengan memeriksa sejauh
mana model cocok dengan data dan kekuatan hubungan antara
variabel yang diamati dan konstruk yang mendasarinya. Ini sangat
berguna ketika peneliti membandingkan instrumen pengukuran yang
berbeda.

Misalnya, bayangkan seorang peneliti tertarik untuk

membandingkan dua kuesioner berbeda yang mengukur depresi.
Peneliti dapat menggunakan CFA untuk menguji validitas kedua
kuesioner dengan memeriksa hubungan antara variabel yang diamati
dan konstruk yang mendasari depresi. Dengan demikian, peneliti
dapat menentukan kuesioner mana yang lebih valid dan reliabel, dan
mana yang harus digunakan dalam penelitian selanjutnya.

3.3.5. Proses Analisis Faktor Konfirmatori

Analisis faktor konfirmatori (CFA) adalah teknik statistik yang

digunakan untuk menguji validitas konstruksi teoretis dengan
memeriksa hubungan antara sekumpulan variabel yang diamati.
Berikut adalah rincian lebih rinci dari empat langkah utama yang
terlibat dalam proses CFA:

a. Mendefinisikan Model Pengukuran

Langkah pertama dalam CFA adalah mendefinisikan model
pengukuran. Ini melibatkan menentukan hubungan antara variabel

71
yang diamati dan konstruksi yang mendasarinya menggunakan
model yang dihipotesiskan. Model biasanya berasal dari teori yang
ada atau penelitian sebelumnya, dan digunakan untuk menguji
validitas konstruk yang diukur.

Misalnya, jika seorang peneliti ingin menguji konstruk "kepuasan

kerja", mereka mungkin berhipotesis bahwa kepuasan kerja terdiri
dari beberapa faktor mendasar, seperti "keseimbangan kehidupan
kerja", "gaji dan tunjangan", dan "keamanan kerja". " Peneliti
kemudian akan menentukan hubungan antara faktor-faktor ini dan
variabel yang diamati yang mengukurnya, seperti "jam kerja per
minggu", "gaji", dan "kemungkinan PHK".

b. Pengumpulan Dan Persiapan Data

Langkah selanjutnya adalah pengumpulan dan persiapan data.
Peneliti harus mengumpulkan data tentang variabel yang diperlukan
untuk model pengukuran yang dihipotesiskan. Ini biasanya
melibatkan pemberian survei atau kuesioner kepada sampel peserta,
dan mengumpulkan data tentang tanggapan mereka.

Setelah data dikumpulkan, itu harus disiapkan dalam format yang

sesuai untuk analisis statistik. Ini mungkin melibatkan pembersihan
data untuk menghilangkan kesalahan atau ketidakkonsistenan, dan
mengubah data untuk memastikan bahwa data tersebut memenuhi
asumsi model statistik yang digunakan.

c. Estimasi Dan Evaluasi Model

Langkah ketiga adalah estimasi dan evaluasi model. Peneliti
memperkirakan model menggunakan perangkat lunak statistik, dan
mengevaluasi kebaikan model, serta pentingnya pemuatan faktor
dan parameter model lainnya.

72
Kebaikan kesesuaian model biasanya dievaluasi menggunakan
beberapa indeks kecocokan, seperti uji chi-kuadrat, root mean
square error of approximation (RMSEA), dan indeks kecocokan
komparatif (CFI). Indeks ini memberikan informasi tentang seberapa
cocok model dengan data, dan apakah diperlukan modifikasi pada
model. Jika model tidak sesuai dengan data dengan baik, peneliti
mungkin perlu memodifikasi model dan memperkirakannya kembali.
Proses ini biasanya iteratif, dengan modifikasi yang dilakukan hingga
model sesuai dengan data dengan tepat.

d. Modifikasi Model Dan Respesifikasi

Langkah terakhir adalah modifikasi model dan respesifikasi. Jika
model awal tidak sesuai dengan data dengan baik, peneliti harus
memodifikasi dan menspesifikasikan ulang model sampai cocok
dengan data secara tepat.

Modifikasi mungkin termasuk menambah atau menghapus variabel

yang diamati, mendefinisikan kembali hubungan antara variabel
yang diamati dan konstruksi yang mendasarinya, atau
memungkinkan korelasi antara istilah kesalahan. Tujuannya adalah
untuk sampai pada model akhir yang sesuai dengan data dengan baik
dan memberikan tes yang valid dari konstruk yang diukur.

Kesimpulannya, CFA adalah alat yang ampuh untuk menguji validitas

konstruksi teoritis. Dengan mengikuti empat langkah ini, peneliti
dapat mengembangkan dan menyempurnakan model pengukuran
yang secara akurat mencerminkan konstruksi dasar yang mereka
coba ukur.

73
 3.3.6. Konsep Kunci Dalam Analisis Faktor
Konfirmatori

Analisis faktor konfirmatori (CFA) adalah teknik statistik yang

digunakan untuk menguji hubungan yang dihipotesiskan antara
variabel laten dan variabel yang diamati. Dalam teknik ini, peneliti
bertujuan untuk mengkonfirmasi model teoretis yang menentukan
hubungan antara sekumpulan variabel laten dan variabel observasi
yang sesuai. Berikut ini adalah beberapa konsep kunci dalam CFA:

a) Variabel laten dan variabel teramati

Variabel laten adalah konstruksi yang tidak teramati yang diukur oleh
beberapa variabel yang diamati. Misalnya, kecerdasan adalah
variabel laten yang dapat diukur dengan beberapa variabel yang
diamati, seperti kemampuan verbal, kemampuan spasial, dan
memori. Variabel yang diamati adalah variabel yang diukur secara
langsung, misalnya tanggapan terhadap kuesioner survei. CFA
berkaitan dengan pengujian hubungan antara variabel laten dan
variabel yang diamati.

Misalnya, katakanlah seorang peneliti tertarik untuk meneliti

hubungan antara depresi dan kecemasan. Depresi dan kecemasan
merupakan variabel laten yang dapat diukur dengan beberapa
variabel yang diamati, seperti suasana hati, tingkat energi, dan
kekhawatiran. CFA dapat digunakan untuk menguji apakah variabel
yang diamati ini terkait dengan depresi dan kecemasan seperti yang
dihipotesiskan.

b) Pemuatan faktor dan istilah kesalahan

Pemuatan faktor mewakili kekuatan hubungan antara variabel yang
diamati dan variabel laten. Beban faktor bisa positif, negatif, atau nol.
74
Loading faktor positif menunjukkan bahwa peningkatan variabel
observasi dikaitkan dengan peningkatan variabel laten. Loading
faktor negatif menunjukkan bahwa peningkatan variabel yang
diamati dikaitkan dengan penurunan variabel laten. Loading faktor
nol menunjukkan bahwa tidak ada hubungan antara variabel yang
diamati dan variabel laten.

Istilah kesalahan mewakili varian unik dari variabel yang diamati yang
tidak diperhitungkan oleh variabel laten. Istilah kesalahan bisa positif
atau negatif dan dianggap tidak berkorelasi dengan variabel laten.
CFA memungkinkan peneliti untuk memperkirakan beban faktor dan
istilah kesalahan.

c) Indeks Kecocokan Model

Indeks kecocokan model adalah ukuran statistik yang menilai sejauh
mana model yang dihipotesiskan cocok dengan data. Output CFA
biasanya mencakup beberapa indeks kecocokan model, seperti
statistik uji chi-kuadrat, root mean square error of approximation
(RMSEA), indeks kecocokan komparatif (CFI), dan residual root mean
square residual (SRMR).

Statistik uji chi-kuadrat menguji hipotesis nol bahwa model yang

dihipotesiskan sangat cocok dengan data. Statistik uji chi-squared
yang tidak signifikan menunjukkan kecocokan yang baik antara
model dan data. Namun, statistik uji chi-kuadrat peka terhadap
ukuran sampel dan dapat menjadi signifikan bahkan ketika model
sesuai dengan data dengan baik.

RMSEA adalah ukuran seberapa cocok model dengan data, dengan

mempertimbangkan kompleksitas model. RMSEA juga
memperhitungkan kompleksitas model karena mencerminkan
tingkat kebebasan juga. Nilai RMSEA yang lebih kecil dari 0,05 dapat
75
dikatakan menunjukkan kecocokan konvergensi terhadap data yang
dianalisis dari model sedangkan kecocokan mendekati baik jika
menghasilkan nilai antara 0,05 dan 0,08. Nilai RMSEA yang jatuh
antara kisaran 0,08 - 0,10 dinyatakan untuk menunjukkan kecocokan
yang tidak baik atau buruk.
Comparative Fit Index (CFI) adalah indeks kecocokan inkremental. CFI
adalah versi koreksi dari indeks non-sentralitas relatif. Sejauh mana
model yang diuji lebih unggul dari model alternatif yang ditetapkan
dengan matriks kovarian manifes dievaluasi (Chen, 2007). CFI adalah
ukuran seberapa baik model cocok dengan data, relatif terhadap
model nol yang mengasumsikan tidak ada hubungan antara variabel
laten dan variabel yang diamati. SRMR yang lebih rendah
menunjukkan kecocokan yang lebih baik antara model dan data.

Kesimpulan
Kesimpulannya, analisis faktor konfirmatori adalah metode statistik
yang digunakan untuk memvalidasi model pengukuran dengan
menguji hubungan antara variabel laten dan variabel yang diamati.
CFA adalah alat yang ampuh untuk pengujian hipotesis, memvalidasi
instrumen pengukuran, dan menilai validitas konstruk. Dengan
memahami dasar-dasar CFA, tujuan, proses, dan konsep utamanya,
peneliti dapat merancang instrumen pengukuran yang lebih baik dan
menarik kesimpulan yang lebih kuat dari penelitian mereka.

3.3.7. Statistik

Metode statistik tradisional biasanya menggunakan satu uji statistik

untuk menentukan signifikansi analisis.
Namun, Structural Equation Modeling (SEM), khususnya CFA,
bergantung pada beberapa uji statistik untuk menentukan
kecukupan kesesuaian model dengan data. Uji chi-square

76
menunjukkan jumlah perbedaan antara matriks kovarians yang
diharapkan dan yang diamati. Nilai chi-kuadrat yang mendekati nol
menunjukkan sedikit perbedaan antara matriks kovarian yang
diharapkan dan yang diamati. Selain itu, tingkat probabilitas harus
lebih besar dari 0,05 karena chi-kuadrat mendekati nol.

Comparative fit index (CFI) sama dengan fungsi perbedaan yang

disesuaikan dengan ukuran sampel. CFI berkisar dari 0 hingga 1,
dengan nilai yang lebih tinggi menunjukkan kecocokan model yang
lebih baik. Kecocokan model yang dapat diterima ditunjukkan
dengan nilai CFI 0,90 atau lebih (Hu & Bentler, 1999).

Perkiraan Root Mean Squared Error (RMSEA) berhubungan dengan

residual model. Nilai RMSEA berkisar dari 0 hingga 1, dengan nilai
RMSEA yang lebih rendah menunjukkan kecocokan model yang lebih
baik. Kesesuaian model yang dapat diterima ditunjukkan dengan nilai
RMSEA sebesar 0,06 atau kurang (Hu & Bentler, 1999).
Jika kecocokan model dapat diterima, estimasi parameter diperiksa.
Rasio masing-masing estimasi parameter terhadap kesalahan
standarnya didistribusikan sebagai statistik z dan signifikan pada
level 0,05 jika nilainya melebihi 1,96 dan pada level 0,01 nilainya
melebihi 2,56 (Hoyle, 1995). Estimasi parameter yang tidak standar
mempertahankan informasi penskalaan variabel dan hanya dapat
ditafsirkan dengan mengacu pada skala variabel. Estimasi parameter
standar adalah transformasi estimasi tidak standar yang
menghilangkan penskalaan dan dapat digunakan untuk
perbandingan informal parameter di seluruh model. Estimasi standar
sesuai dengan estimasi ukuran efek.

77
 3.3.8. Contoh Data Kesehatan dan Peserta

Contoh 1 menghipotesiskan dua konstruksi laten yang terkait dengan

kesehatan, fisik (kebugaran, olahraga, penyakit) dan mental (stres,
tahan banting). CFA menganalisis data dari sebuah studi di mana para
peneliti menyelidiki efek dari sifat tahan banting, stres, kebugaran,
dan olahraga terhadap masalah kesehatan (Roth, et al., 1989).
Mahasiswa (n = 373) melaporkan penyakit fisik, peristiwa kehidupan
yang penuh tekanan, tingkat partisipasi olahraga, tingkat kebugaran
yang dirasakan, dan komponen tahan banting. Sebelumnya, analisis
regresi berganda dan SEM meneliti efek yang berkaitan dengan
penyakit.
Subyek
Subjek adalah 163 pria dan 210 wanita yang terdaftar dalam kursus
psikologi pengantar di universitas Amerika Serikat bagian selatan.
Usia rata-rata subjek adalah 21,7 (sd = 5,5).

Fitness
fitness. Kuesioner fitness (Roth & Fillingim, 1988) adalah ukuran
fitness fisik yang dirasakan sendiri. Responden menilai diri mereka
sendiri pada 12 item yang berkaitan dengan fitness dan kapasitas
olahraga. Item berada pada skala 11 poin dari 0 = fitness sangat buruk
hingga 5 = fitness rata-rata hingga 10 = fitness sangat baik. Total skor
fitness dihitung dengan menjumlahkan 12 peringkat. Item termasuk
pertanyaan tentang kekuatan, daya tahan, dan fitness yang dirasakan
secara umum.

Exercise
Kuesioner Partisipasi Latihan (Roth & Fillingim, 1988) menilai
aktivitas exercise saat ini, frekuensi, durasi, dan intensitas. Skor
partisipasi exercise aerobik dihitung menggunakan respons terhadap

78
15 aktivitas latihan umum dan menyediakan ruang kosong untuk
menulis aktivitas tambahan.

Illness
Iliness Skala Peringkat Penyakit (Wyler, Masuda, & Holmes, 1968)
adalah daftar periksa laporan diri dari gejala dan Iliness fisik yang
umum dikenali dan memberikan ukuran masalah kesehatan fisik saat
ini dan baru-baru ini.
Setiap item dikaitkan dengan tingkat keparahan. Skor Iliness total
diperoleh dengan menambahkan peringkat keparahan item yang
didukung (gejala yang dialami dalam sebulan terakhir).

Stress
Survei Pengalaman Hidup (Sarason, Johnson, & Segal, 1978) Skala
untuk menilai kejadian dan dampak dari pengalaman hidup yang
penuh tekanan. Subjek menunjukkan peristiwa mana yang terjadi
dalam sebulan terakhir dan menilai tingkat dampak pada skala 7 poin
(-3 = dampak sangat negatif, 0 = tidak ada dampak, 3 = dampak
sangat positif). Dalam studi tersebut, total skor kejadian negatif
digunakan sebagai indeks stres kehidupan negatif (nilai absolut dari
jumlah item negatif).

Hal ini ditunjukkan pada Gambar 3.4.

79
 Gambar 3.4. Model data Kesehatan Peserta
Hardines
Dalam penelitian tersebut, sifat tahan banting meliputi komponen
komitmen, tantangan, dan kendali. Skor hardines komposit diperoleh
dengan menjumlahkan skor Z dari skala pada setiap komponen.
Komponen hardines termasuk satu skala sedangkan komponen
lainnya termasuk 2 skala. Oleh karena itu, skor hardines Z menjadi
dua kali lipat saat menghitung skor komposit tahan banting.
Komitmen dinilai dengan skala Keterasingan Dari Diri dan
Keterasingan Dari Pekerjaan dari Tes Keterasingan (Maddi, Kobasa,
& Hoover, 1979). Tantangan diukur dengan Skala Keamanan Jadwal
Evaluasi Tujuan Hidup California (Hahn, 1966

3.4. Model Struktural Variabel Laten

Langkah selanjutnya adalah menyesuaikan model struktural, dengan
SEM. Ini terutama menggunakan variabel laten yang diukur dalam
kerangka analisis jalur. Pemodelan persamaan struktural dengan
variabel laten diulas untuk situasi yang melibatkan campuran
indikator variabel laten dikotomis, terurut, dan kontinyu.

80
Setelah mendeklarasikan variabel laten, dapat berhipotesis dan
menguji hubungannya. Berikut adalah contoh model persamaan
struktur variabel laten penuh (perhatikan persamaannya dengan
contoh analisis jalur pada gambar 3.5. Model variabel laten untuk
model struktural. Grade1 = nilai ujian "mengajar dan belajar", Grade2
= nilai ujian "pengembangan kepribadian dan pendidikan". Paket 1–
4: paket dua item untuk setiap faktor. e1–e17: istilah kesalahan paket
dan nilai. Garis putus-putus menunjukkan jalur dengan koefisien
yang tidak signifikan.

Gambar 3.5. Model Struktural Laten Variabel

3.5. Model Kurva Pertumbuhan

Aplikasi lain yang populer dari Structural Equation Modeling adalah
model longitudinal, yang biasa disebut Model Kurva Pertumbuhan.
Model Kurva Pertumbuhan Laten terkait dengan dan alternatif untuk

81
menjalankan Model Campuran pada data longitudinal. Model
campuran ini sering disebut Model Kurva Pertumbuhan Individu.
(lihat diagram 3.6.).

Gambar 3.6. Model Kurva Pertumbuhan

Karena jalur dibatasi, kami mencoba untuk memperkirakan kurva

pertumbuhan yang memodelkan rata-rata variabel laten. Cara-cara
ini memberi kita intersep keseluruhan dan kemiringan keseluruhan
di semua mata pelajaran.

Model Kurva Pertumbuhan Laten terkait dengan dan alternatif untuk

menjalankan Model Campuran pada data longitudinal. Model
campuran ini sering disebut Model Kurva Pertumbuhan Individu.

3.6. Pertanyaan
1) Jelaskan model structural laten variable
2) Jelaskan dan berikan contoh Analisis faktor konfirmasi
(CFA)

82
BAB 4
Variabel Analisis Jalur

Setelah membaca bab ini, pembaca harus:

1) Dapat menjelaskan variable endogen

2) Dapat menjelaskan variable exogen
3) Dapat menjelaskan variable mediasi
4) Dapat menjelaskan variable mederating

4.1. Variabel Endogen

Variabel endogen, di sisi lain, identik dengan variabel hasil /
dependen. Setiap perubahan yang terjadi pada Variabel endogen
secara langsung atau tidak langsung disebabkan oleh variabel
eksogen.

Menurut Daniel Little, University of Michigan-Dearborn, variabel

endogen didefinisikan sebagai berikut: Suatu variabel xj dikatakan
endogen dalam model kausal M jika nilainya ditentukan atau
Dipengaruhi oleh tunggal atau lebih variable X (tidak termasuk
dirinya sendiri).

Variabel endogen adalah variabel yang bergantung pada variabel lain

dalam model statistik atau ekonomi. Jika nilainya berubah untuk
suatu variabel endogen, hal itu disebabkan karena ada perubahan
hubungannya dengan variabel lain dalam model yang sama. Oleh
karena itu, mirip dengan variabel dependen karena keduanya
dipengaruhi oleh satu atau lebih variabel independent.

83
Variabel endogen digunakan dalam ekonometrika dan terkadang
dalam regresi linier. Mereka mirip dengan (tetapi tidak persis sama
dengan) variabel dependen. Variabel endogen memiliki nilai yang
ditentukan Karena variabel lain dalam sistem (variabel "lainnya" ini
disebut variabel eksogen).

Contoh Variabel Endogen

1. Keseimbangan penawaran dan permintaan

Harga dan kuantitas ekuilibrium dalam model ekonomi penawaran

dan permintaan merupakan variabel endogen. Itu karena ada banyak
Faktor-faktor yang Mempengaruhi Penawaran dan Permintaan Yang
Mempengaruhi Harga dan Kuantitas Ekuilibrium.

Contoh Faktor-faktor yang mempengaruhi penawaran dan

permintaan termasuk perubahan pendapatan, perubahan preferensi
konsumen, pertumbuhan ekonomi, ketersediaan barang dan jasa
alternatif, dll.

2. Penghasilan

Dalam model ekonomi atau statistik yang memasukkan pendapatan,

dianggap sebagai variabel endogen. Misalnya, perubahan
pendapatan bergantung pada variabel seperti perubahan
pengeluaran konsumen atau perubahan daya beli konsumen.

3. Tingkat bunga

Dalam model ekonomi dengan tingkat bunga bersifat endogen

karena tingkat bunga dapat bergantung pada berbagai faktor, seperti
perubahan tingkat suku bunga utama, penguatan mata uang lokal,
dan fluktuasi penawaran dan permintaan uang.

84
4. Pertanian

Variabel endogen dapat ditemukan dalam bidang studi lain. Input

pertanian dianggap endogen. Misalnya, jumlah hasil panen bersifat
endogen karena bergantung pada banyak variabel lain, seperti cuaca,
kesuburan tanah, ketersediaan air, hama, dan penyakit.

5. Pendidikan

Tingkat dan kualitas pendidikan yang diterima oleh seorang individu

juga merupakan variabel endogen. Itu karena tingkat pendidikan
seseorang seringkali bergantung pada banyak faktor, termasuk
pendapatan, lokasi geografis, dan status sosial ekonomi.

4.1.1. SEM Dengan Satu Variabel Endogen

Regresi sederhana dan regresi berganda keduanya melibatkan satu
variabel endogen. Dalam regresi linier sederhana, ada satu variabel
eksogen yang memprediksi satu variabel endogen. Dalam regresi
berganda, beberapa variabel eksogen (dengan kovarians)
memprediksi satu variabel endogen. Variabel eksogen masing-
masing memiliki varians. Variabel endogen memiliki intersep
(segitiga) dan varian residual.

Gambar 4.1. Contoh Satu Variabel Endogen

85
 4.1.2. Dua Atau Lebih Variabel Endogen
a. Diamati (Observe)

Regresi multivariat dan analisis jalur keduanya memiliki dua atau

lebih variabel endogen yang diamati. Perbedaan utamanya adalah
regresi multivariat hanya memiliki variabel eksogen yang
memprediksi variabel endogen. Namun dalam analisis jalur, variabel
endogen juga dapat memprediksi variabel endogen lainnya.

Gambar 4.2. Contoh Dua Variabel Endogen

b. Laten

Analisis faktor dan regresi struktural keduanya memiliki dua atau

lebih variabel endogen. Perbedaan utamanya adalah analisis faktor
melihat bagaimana variabel laten dapat memprediksi variabel yang
diamati. Regresi struktural dapat menggunakan variabel laten untuk
memprediksi variabel laten lainnya.

86
 Gambar 4.3. Contoh Variabel Laten

4.2. Variabel Eksogen

Variabel eksogen merupakan kebalikan dari variabel endogen karena
merupakan variabel yang bergantung pada faktor eksternal Karena
berada di luar model, maka tidak dipengaruhi oleh variabel di dalam
model. Namun, dalam situasi kehidupan nyata, beberapa variabel
mungkin tidak sepenuhnya endogen, karena dapat dipengaruhi oleh
faktor eksternal dan internal model.

Perubahan yang terjadi pada variabel eksogen disebabkan oleh

karakteristik demografis responden sehingga tidak dapat dijelaskan
oleh model.

Variabel eksternal adalah variabel yang tidak dipengaruhi variabel

lain. Misalnya, ambil sistem kausal sederhana seperti bertani.
Variabel seperti cuaca, keterampilan petani, hama, dan ketersediaan
benih, semuanya eksogen terhadap produksi tanaman. Eksogen Itu
berasal dari bahasa Yunani exo, yang berarti "di luar", dan ggnomai,
yang berarti "menghasilkan". Sebaliknya, Variabel endogen adalah
variabel yang dipengaruhi oleh faktor lain dalam sistem. Dalam
contoh ini, pertumbuhan bunga dipengaruhi oleh sinar matahari dan
karenanya bersifat endogen.
87
Variabel eksogen…

✓ diperbaiki ketika mereka memasuki model.

✓ diambil sebagai "diberikan" dalam model.
✓ mempengaruhi variabel endogen dalam model.
✓ tidak ditentukan oleh model.
✓ tidak dijelaskan oleh model.

Istilah "variabel eksogen" hampir secara eksklusif digunakan dalam

ekonometrika. Namun, kadang-kadang digunakan dalam regresi
linier untuk menjelaskan variabel bebas x dalam model.

4.2.1. Contoh Penerapan Variavel Endogen Dan

Exogen
Contoh : Hasil Tanaman

Misalkan seorang petani tertarik untuk memahami faktor-faktor

yang mempengaruhi hasil panen total. Dia mengumpulkan data dan
membangun model regresi berikut:

Hasil Tanaman = B0 + B1(Pupuk) + B2(Jenis Tanah yang Digunakan) +

B3(Curah Hujan)

Berikut adalah cara mengidentifikasi setiap variabel dalam model:

✓ Hasil Tanaman: Variabel ini endogen karena dapat dijelaskan

oleh pupuk, jenis tanah yang digunakan, dan curah hujan.

✓ Pupuk: Variabel ini endogen karena efektivitasnya

dipengaruhi oleh jenis tanah yang digunakan.

88
✓ Jenis Tanah yang Digunakan : Variabel ini bersifat endogen
karena dipengaruhi oleh jenis tanah yang digunakan.

✓ Curah hujan: Variabel ini bersifat eksogen karena tidak

dipengaruhi oleh variabel lain dalam model. Dengan kata lain,
jumlah pupuk yang digunakan atau jenis tanah yang
digunakan tidak dapat mempengaruhi jumlah curah hujan
sama sekali.

Gambar 4.4. Contoh Variabel Endogen dan Exogen

89
 4.2.2. Istilah Interaksi
Istilah interaksi adalah variabel moderator eksogen yang
mempengaruhi variabel endogen melalui hubungan gabungan non-
aditif dengan variabel eksogen lainnya. Sementara itu mungkin juga
memiliki efek langsung pada variabel target endogen, interaksinya
adalah hubungan gabungan non-aditifnya. Pada diagram di bawah,
atas, tanpa efek interaksi, variabel laten A dan B dimodelkan sebagai
penyebab Y. Biarkan variabel moderator M ditambahkan sebagai
penyebab ketiga dari Y. Namun, peneliti mungkin menduga bahwa M
dan A memiliki efek bersama pada Y yang melampaui efek linear A
dan M yang terpisah – yaitu, efek interaksi dicurigai. Model interaksi
dapat dilihat pada gambar 4.5.

Ada dua metode populer untuk memodelkan interaksi yang

dihipotesiskan. Yang pertama, metode indikator produk,
diilustrasikan di bawah ini. Metode ini hanya dapat digunakan untuk
model reflektif. Dalam pendekatan ini, variabel laten baru (faktor
A*M) ditambahkan ke model yang indikatornya merupakan produk
dari setiap kemungkinan pasangan indikator untuk A dan untuk M.
Misalnya, indikator pertamanya adalah INDM1*INDA1, menjadi
produk dari indikator pertama untuk M dikalikan dengan indikator
pertama untuk A. Jika ada efek interaksi di luar efek linier terpisah
dari A dan M, maka jalur dari A*M ke Y akan menjadi signifikan.

90
 Gambar 4.5. Model Interaksi

Pendekatan kedua yang populer untuk memodelkan interaksi

digambarkan pada gambar di bawah ini. Ini adalah pendekatan skor
variabel laten (LVS), berdasarkan produk dari skor variabel laten.
Berbeda dengan pendekatan indikator produk, pendekatan skor
variabel laten dapat digunakan ketika variabel eksogen dimodelkan
secara formatif, seperti pada tahap 1 dari gambar di bawah ini, atau
dapat dimodelkan secara reflektif. Pendekatan LVS membutuhkan
dua tahap. Pada tahap 1 (bawah atas), A, B, dan M dimodelkan
sebagai penyebab eksogen Y, variabel endogen. Sebagai bagian dari
tahap 1, skor variabel laten dibuat untuk semua faktor dalam model.
91
4.3. Variabel Mediasi (Mediating variables)
Analisis mediasi menguji rantai kausal hipotetis di mana satu variabel
X mempengaruhi variabel kedua M dan, pada gilirannya, variabel
tersebut mempengaruhi variabel ketiga Y. Mediator
menggambarkan bagaimana atau mengapa hubungan (biasanya
mapan) antara dua variabel lain dan apakah kadang-kadang disebut
variabel perantara karena mereka sering menggambarkan proses di
mana suatu efek terjadi. Ini juga terkadang disebut efek tidak
langsung. Misalnya, orang dengan pendapatan lebih tinggi
cenderung hidup lebih lama tetapi efek ini dijelaskan oleh pengaruh
mediasi dari akses ke perawatan kesehatan yang lebih baik.

Analisis moderasi juga memungkinkan untuk menguji pengaruh

variabel ketiga, Z, pada hubungan antara variabel X dan Y. Daripada
menguji hubungan kausal antara variabel lain ini, moderasi menguji
kapan atau dalam kondisi apa suatu efek terjadi. Moderator dapat
memperkuat, melemahkan, atau membalikkan sifat suatu hubungan.
Misalnya, efikasi diri akademik (kepercayaan pada kemampuan
sendiri untuk berprestasi di sekolah) memoderasi hubungan antara
kepentingan tugas dan jumlah kecemasan ujian yang dirasakan siswa
(Nie, Lau, & Liau, 2011). Secara khusus, siswa dengan efikasi diri
tinggi mengalami lebih sedikit kecemasan pada tes penting daripada
siswa dengan efikasi diri rendah sementara semua siswa merasakan
kecemasan yang relatif rendah untuk tes yang kurang penting. Self-
efficacy dianggap sebagai moderator dalam hal ini karena
berinteraksi dengan pentingnya tugas, menciptakan efek yang
berbeda pada kecemasan ujian pada tingkat kepentingan tugas yang
berbeda.

Menyertakan mediator dan moderator dalam penelitian membantu

melampaui mempelajari hubungan sederhana antara dua variabel
untuk mendapatkan gambaran yang lebih lengkap tentang dunia

92
nyata. Variabel-variabel ini penting untuk dipertimbangkan ketika
mempelajari hubungan korelasional atau kausal yang kompleks antar
variabel.

Variabel mediator dapat dianggap sebagai perantara untuk dua

variabel. Misalnya kualitas tidur (variabel bebas) dapat
mempengaruhi prestasi akademik (variabel terikat) melalui mediator
kewaspadaan. Dalam hubungan mediasi, dapat menggambar panah
dari variabel independen ke mediator, lalu dari mediator ke variabel
dependen.

Gambar 4.6. Variabel Mediasi dan Moderator

Sebaliknya, moderator adalah sesuatu yang bertindak berdasarkan

hubungan antara dua variabel dan mengubah arah atau
kekuatannya. Misalnya, status kesehatan mental dapat memoderasi
hubungan antara kualitas tidur dan prestasi akademik: hubungan
tersebut mungkin lebih kuat untuk orang yang tidak terdiagnosis
kondisi kesehatan mentalnya daripada orang dengan kondisi
tersebut.

93
Variabel mediasi

Mediator adalah cara di mana variabel independen berdampak pada

variabel dependen. Itu bagian dari jalur kausal dari suatu efek, dan
ini memberi tahu bagaimana atau mengapa suatu efek terjadi.

Jika sesuatu adalah mediator:

✓ Itu disebabkan oleh variabel independen.

✓ Ini mempengaruhi variabel dependen

Ketika diperhitungkan, korelasi statistik antara variabel

independen dan dependen lebih tinggi daripada ketika tidak
dipertimbangkan.

Gambar 4.7. Contoh Variabel Mediasi

Gunakan desain penelitian deskriptif untuk penelitian ini. Setelah

mengumpulkan data pada masing-masing variabel tersebut,
dapat melakukan analisis statistik untuk memeriksa apakah:

✓ Status sosial ekonomi memprediksi tingkat pendidikan

orang tua,

94
 ✓ Tingkat pendidikan orang tua memprediksi kemampuan
membaca anak,

✓ Korelasi antara status sosial ekonomi dan kemampuan

membaca anak lebih besar jika tingkat pendidikan orang
tua diperhitungkan dalam model Anda.

4.4. Variabel moderasi (Moderating variables)

Variabel moderasi adalah jenis variabel yang mempengaruhi
hubungan antara variabel dependen dan variabel independen.

Moderasi menguji apakah variabel (Z) memengaruhi arah dan/atau

kekuatan hubungan antara (X) dan (Y). Dengan kata lain, tes
moderasi untuk interaksi yang mempengaruhi KETIKA hubungan
antar variabel terjadi. Moderator secara konseptual berbeda dari
mediator (kapan versus bagaimana/mengapa) tetapi beberapa
variabel mungkin menjadi moderator atau mediator tergantung pada
pertanyaan. Lihat dokumentasi paket mediasi untuk cara menguji
hubungan moderasi/moderasi mediasi yang lebih rumit.

Seperti mediasi, moderasi mengasumsikan bahwa ada sedikit atau

tidak ada kesalahan pengukuran dalam variabel moderator dan tidak
MENYEBABKAN moderator. Jika kesalahan moderator cenderung
tinggi, peneliti harus mengumpulkan beberapa indikator konstruk
dan menggunakan SEM untuk memperkirakan variabel laten. Cara
teraman untuk memastikan moderator tidak disebabkan dengan
memanipulasi variabel secara eksperimental atau mengumpulkan
pengukuran moderator.

Moderasi dapat diuji dengan mencari interaksi yang signifikan antara

variabel moderasi (Z) dan (X). Khususnya, penting untuk memusatkan
moderator dan untuk mengurangi multikolinearitas dan membuat
95
interpretasi lebih mudah. Pemusatan dapat dilakukan dengan
menggunakan fungsi skala, yang mengurangi rata-rata suatu variabel
dari setiap nilai dalam variabel tersebut. Untuk informasi lebih lanjut
tentang penggunaan pemusatan, lihat skala dan sejumlah buku teks
statistik yang mencakup regresi (Cohen, 2008).

Saat melakukan analisis regresi, sering tertarik untuk memahami

bagaimana perubahan variabel independen memengaruhi variabel
dependen. Namun, terkadang variabel moderasi dapat
memengaruhi hubungan ini.

Gambar 4.8. Contoh Variabel Moderating

Moderator biasanya membantu menilai validitas eksternal studi

dengan mengidentifikasi batasan kapan hubungan antar variabel
berlaku. Misalnya, meskipun penggunaan media sosial dapat
memprediksi tingkat kesepian, hubungan ini mungkin lebih kuat pada
remaja daripada orang dewasa yang lebih tua. Usia adalah
moderator di sini.

96
Moderator dapat berupa:

✓ Variabel kategori seperti etnis, ras, agama, warna favorit,

status kesehatan, atau jenis stimulus,

✓ Variabel kuantitatif seperti usia, berat badan, tinggi badan,

pendapatan, atau ukuran stimulus visual.

Contoh lainnya variabel moderator :

Dalam sebuah studi tentang pengalaman kerja dan gaji, Anda

berhipotesis bahwa:

✓ tahun pengalaman kerja memprediksi gaji, ketika

mengendalikan variabel yang relevan,

✓ identitas gender memoderasi hubungan antara pengalaman

kerja dan gaji.

Ini berarti bahwa hubungan antara tahun pengalaman dan gaji akan
berbeda antara laki-laki, perempuan, dan mereka yang tidak
mengidentifikasi sebagai laki-laki atau perempuan.

Gambar 4.9. Variabel Moderating

97
Untuk mengujinya secara statistik, dapat melakukan analisis regresi
berganda untuk data pengalaman kerja dan gaji, dengan identitas
gender ditambahkan dalam model. Anda membandingkan
signifikansi statistik model dengan dan tanpa menyertakan identitas
gender untuk menentukan apakah model tersebut memoderasi
hubungan antara pengalaman kerja dan gaji.

4.5. Efek Langsung, Tidak Langsung, Dan Total

Aturan perkalian jalur dapat digunakan untuk memperkirakan efek
langsung dan tidak langsung ketika, seperti dalam model yang pada
gambar 4.10, satu variabel (SES) memiliki efek langsung pada yang
lain (Motivasi) serta efek tidak langsung (dari SES ke Insentif ke
Motivasi) .

Gambar 4.10. Hubungan Langsung, Tidak Langsung dan Total

Efek langsungnya adalah koefisien struktural standar, juga dikenal

sebagai inner model loading SES pada Motivasi. Efek tidak langsung

98
adalah produk dari koefisien jalur untuk SES-> Insentif dikalikan
dengan koefisien jalur untuk Insentif -> Motivasi.

Efek total SES pada Motivasi adalah jumlah dari efek langsung dan
tidak langsungnya.

Pertimbangkan gambar 4.10 yang memiliki koefisien jalur standar

yang ditempatkan pada panahnya

Efeknya adalah ini:

✓ SES -> INSENTIF: Langsung =-0,437; Tidak langsung = n/a;

Jumlah = -0,437

✓ SES-> MOTIVASI: Langsung = -0,243; Tidak Langsung = -

0,437*0,512 = -0,224; Jumlah = -0,243 + (-0,224) = -0,466

✓ INSENTIF->MOTIVASI: Langsung = 0,512; Tidak langsung =

n/a; Total = 0,512

Mempartisi efek menunjukkan bahwa SES memiliki total efek absolut

yang lebih kecil pada MOTIVASI daripada INSENTIF (-,467 vs. 0,512),
dengan efek total SES negatif dan INSENTIF positif.

Tabel di bawah menunjukkan output SmartPLS yang sesuai.

“Koefisien Jalur” adalah efek langsung yang bila ditambahkan ke
“Efek Tidak Langsung” menghasilkan “Efek Total”.

4.6. Istilah Interaksi

Istilah interaksi adalah variabel moderator eksogen yang
mempengaruhi variabel endogen melalui hubungan gabungan non-
aditif dengan variabel eksogen lainnya. Sementara itu mungkin juga
memiliki efek langsung pada variabel target endogen, interaksinya
99
adalah hubungan gabungan non-aditifnya. Pada diagram di bawah,
atas, tanpa efek interaksi, variabel laten A dan B dimodelkan sebagai
penyebab Y. Biarkan variabel moderator M ditambahkan sebagai
penyebab ketiga dari Y. Namun, peneliti mungkin menduga bahwa M
dan A memiliki efek bersama pada Y yang melampaui efek linear A
dan M yang terpisah – yaitu, efek interaksi dicurigai.

Ada dua metode populer untuk memodelkan interaksi yang

dihipotesiskan. Yang pertama, metode indikator produk,
diilustrasikan di bawah ini. Metode ini hanya dapat digunakan untuk
model reflektif. Dalam pendekatan ini, variabel laten baru (faktor
A*M) ditambahkan ke model yang indikatornya merupakan produk
dari setiap kemungkinan pasangan indikator untuk A dan untuk M.
Misalnya, indikator pertamanya adalah INDM1*INDA1, menjadi
produk dari indikator pertama untuk M dikalikan dengan indikator
pertama untuk A. Jika ada efek interaksi di luar efek linier terpisah
dari A dan M, maka jalur dari A*M ke Y akan menjadi signifikan.

4.7. Pertanyaan
1) Berikan contoh diagram jalur hubungan langsung dan
tidak langsung

2) Berikan contoh diagram jalur mediasi dan moderating

100
BAB 5
Teknik Partial Least Squares
Structural Equation Modeling
Menggunakan SmartPLS

Setelah membaca bab ini, pembaca harus:

1) Memahami konsep dasar Partial Least Squares Structural
Equation Modeling (PLS-SEM)
2) Dapat memberikan contoh dan mneganalisis data dengan
menggunakan Partial Least Squares Structural Equation
Modeling (PLS-SEM)

5.1. Pengantar SmartPLS

SmartPLS digunakan peneliti maupun praktisi untuk melihat
kemampuan metode PLS-SEM untuk proyek mereka dengan
menjalankan perangkat lunak yang intuitif dan mudah digunakan.
Dalam SEM, sebuah model diuji kualitas pengukurannya
(Measurement Model) dan selanjutnya untuk keterkaitan antar
variabel (Structural Model). Sesi ini membahas secara detail Model
Pengukuran dan Struktural.

5.1.1. Model Pengukuran

Model Pengukuran meliputi penilaian Kualitas Konstruksi termasuk:

a) Keandalan

Reliabilitas adalah sejauh mana model pengukuran tersebut dapat

diandalkan dalam mengukur konstruk laten yang dimaksud.
101
Reliabilitas indikator diperoleh dari mengkuadratkan beban luar dari
konstruksi reflektif, dan setelah digunakan bersama. SMART-PLS
menggambarkan hubungan antara variabel laten dan ukurannya.
Keandalan dalam SMART-PLS dinilai menggunakan Cronbach’s Alpha
dan Composite Reliability.

b) Membangun Validitas

Validitas adalah penilaian apakah skala mengukur konsep apa yang

dimaksudkan untuk diukur. Validitas konstruk dinilai dengan
menetapkan Konvergen dan Diskriminan

c) Keabsahan.

Validitas Konvergen: Validitas konvergen dicapai ketika semua item

dalam model pengukuran signifikan secara statistik. Validitas ini juga
dapat diverifikasi melalui Average Variance Extracted (AVE). Nilai AVE
harus lebih besar atau sama dengan 0,5 untuk mencapai validitas.

Validitas Diskriminan: Validitas diskriminan dicapai ketika model

pengukuran bebas dari item yang berlebihan. Persyaratan lain untuk
validitas diskriminan adalah korelasi antara setiap pasangan konstruk
eksogen laten harus kurang dari 0,85. Selain itu, akar pangkat dua
dari AVE untuk konstruk harus lebih tinggi dari korelasi antara
masing-masing konstruk Validitas diskriminan dalam SMART-PLS
dibangun dengan menggunakan tiga teknik yang berbeda.

1. Kriteria Fornell dan Larcker

2. Beban Silang
3. Rasio Heterotrait-Monotrait (HTMT).

102
 5.1.2. Model Struktural
Model Struktural berfokus pada penilaian hubungan antar variabel.
Interrelationship mungkin hanya IV dan DV (Direct Relationship),
analisis mediasi dengan mediator dalam keterkaitan antara dua
variabel, atau analisis moderasi dengan variabel ketiga memperkuat
atau memperlemah hubungan yang ada antara dua variabel.

Contoh Grenn HRM berikut akan digunakan untuk menunjukkan cara

menggunakan aplikasi perangkat lunak SmartPLS. Tahapan yang
dapat dilakaukan saat menngunakan PLS SEM sebagai berikut :

a. Melaporkan Pengukuran dan Menetapkan Model

Struktural PLS SEM

Tahapan awal melakukan penetapan Model Struktural PLS SEM dan

selanjutnya melakukan pengukuran

Model Pengukuran meliputi penilaian Kualitas Konstruk termasuk

Reliabilitas dan Validitas. Pada sesi ini, fokusnya adalah bagaimana
melaporkan reliabilitas dan validitas konstruk dalam penelitian. Jika
model pengukuran pelaporan, sarjana harus memulai dengan
penilaian Pemuatan Faktor.

1. Pemuatan Faktor

Pemuatan faktor menunjukkan seberapa baik suatu item mewakili

konstruk yang mendasarinya. Biasanya, pemuatan faktor lebih dari
0,70 direkomendasikan (Vinzi, Chin, Henseler, & Wang, 2010),
peneliti sering mendapatkan pemuatan luar yang lebih lemah (<0,70)
dalam studi ilmu sosial. Namun, seseorang tidak boleh menghapus

103
item jika pemuatannya kurang dari 70. Sebaliknya, sarjana harus
menilai apakah menghapus item akan meningkatkan Keandalan
Komposit dan Ekstraksi Varian Rata-Rata (AVE) secara signifikan.

Selain Factor Loading, model pengukuran harus melaporkan

Reliabilitas (Cronbach’s Alpha and Composite Reliability) dan
Validitas (Validitas Konvergen dan Diskriminan). Peninjau mungkin
juga memerlukan statistik lain untuk dilaporkan seperti SRMR atau R-
Square.

Gambar 5.1. Model Struktural PLS SEM

Model Struktural berfokus pada penilaian hubungan antar variabel.

Interrelationship hanya boleh memiliki IV dan DV (Direct

104
Relationship), analisis mediasi dengan mediator dalam keterkaitan
antara dua variabel, atau analisis moderasi dengan variabel ketiga
memperkuat atau memperlemah hubungan yang ada antara dua
variabel.

Berdasarkan gambar 5.1, dapat dimodel yang akan diteliti adalah

“Pengaruh Leadership Ethics terhadap Firm Performance melalui
Green Creativity, Green Inovation dan Green HRM.”

Jadi, variabel exogen dalam model ini adalah Leadership Ethics,

sedangkan Green Inovation, Green HRM, Firm Performance dan
Green Creativity, adalah variabel endogen.

Khusus untuk variable Green HRM merupakan variabel mediator

yang menjadi perantara hubungan Leadership Ethics dengan Firm
Performance.

Khusus untuk variable Green Inovation merupakan variabel

mediator yang menjadi perantara hubungan Leadership Ethics
dengan Firm Performance.

Khusus untuk variable Green Creativity merupakan variabel

mediator yang menjadi perantara hubungan Leadership Ethics
dengan Firm Performance.

Dari model structural PLS-SEM, dapat dibuat hypothesis sebagai

berikut :

1. Pengaruh langsung Leadership Ethics terhadap Green

Inovation,

105
 2. Pengaruh langsung Leadership Ethics terhadap Green
Creativity,
3. Pengaruh langsung Leadership Ethics terhadap Green HRM,
4. Pengaruh langsung Green HRM terhadap Firm Performance,
5. Pengaruh langsung Green Creativity terhadap Firm
Performance,
6. Pengaruh langsung Green Inovation terhadap Firm
Performance,
7. Pengaruh tidak langsung Leadership Ethics terhadap Firm
Performance melalui Green HRM,
8. Pengaruh tidak langsung Leadership Ethics terhadap Firm
Performance melalui Green Creativity,
9. Pengaruh tidak langsung Leadership Ethics terhadap Firm
Performance melalui Green Inovation,

2. Persiapan Data Tutorial PLS SEM

Setelah model structural sudah dibuat, Langkah selanjutnya
mempersipkan kuesioner dan hasilnya ditabulasi dalam exel untuk
selanjutnya akan dikonversi kedalam bentuk format CSV. Gambar
5.2. Tabel data mentah excel dan tabel 5.3. data mentah setelah
dikonvernsi ke CSV.

106
 Tabel 5.1. Data Mentah di aplikasi Excel

Tabel 5.2. Data Mentah Versi Format CSV

Data tersebut yang akan digunakan dalam pengolahan PLS SEM dan
untuk menjawab hypothesis yang dibuat.

3. Membuat Project Baru Dalam SMARTPLS

Jika data sudah disiapkan dan telah sesuai dengan model struktural
yang akan dibentuk, maka tahap berikutnya adalah membuat proyek
baru dalam apliksi SMARTPLS. Adapun tampilan sebagai berikut :

107
 Gambar 5.2. Tampilan New Project

4. Membuat Path Model Baru PLS SEM

Selanjutnya membuat path model dan melakukan analisis data
menggunakan SMARTPLS. Setelah membuat new project selanjutnya
menjalankan drag and drop indikator setiap variabel latent sampai
terbentuk sebuah model baru sesuai path model yang diharapkan.
Misalnya memilih indikator EK1, EK2, EK3 dan seterusnya setiap
variable. Tarik secara bersamaan semua indicator setiap variabel ke
dalam jendela path model dan dilepaskan. Kalau semua variable
latent telah tersambung warnanya akan berubah menjadi menjadi
warna biru dalam bentuk bulat. Setiap indikator dalam bentuk kontak
akan berwarna kuning. Hasilnya dapat dilihat pada gambar 5.3
sebagai berikut :

108
 Gambar 5.3. Tampilan Analisis Jalur di SMARTPLS

Selanjutnya akan menganalisis outer model dan inner model.

Analisis dari Outer model menghasilkan nilai yang digunakan untuk

menganalisis uji validitas reliabilitas. Analisis tersebut meliputi Outer
Loading, Outer Weight. Nilai reliabilitas konstruk meliputi Cronbach’s
Alfa, Coefficient Rho dan Composythe Reliability. Untuk uji validitas
konstruk dapat juga diperoleh dari nilai Average Variance Extracted
(AVE).

Analisis validitas diskriminan atau convergen dapat diperoleh dari

nilai cross loading, forner larcker criterion dan Heterotrait Monotrait
(HTMT).

109
Nilai inner model yang dapat dihasilkan meliputi R Square, Adjusted
R Square, F Square, pengaruh langsung, pengaruh tidak langsung dan
pengaruh total. Hasil yang diperoleh hanya sebatas nilai koefisien.
Untuk tingkat signifikansi atau probabilitasnya diperoleh melalui
analisis bootstrapping.

5. Analisis Model PLS-SEM

Langkah selanjutnya setelah data sudah dimasukkan kita akan

melakukan analisis modelnya. Diawali dengan melakukan klik tombol
CALCULATE pada menu SMARTPLS kemudian pilih dan klik Partial
Least Square. Hasil dapat diperlihatkan pada gambar 5.6

Gambar 5.4. Hasil Olahan Model PLS_SEM

110
5.2. Outer Model dalam Tutorial Partial Least
Square

Validitas instrumen sangat penting untuk diperhatikan oleh peneliti.

Validitas didefinisikan sebagai ketepatan hasil suatu tes (Karakaya-
Ozyer, 2018). Validitas instrumen penelitian atau dataset mengukur
cakupan informasi aktual dari dataset yang dikumpulkan atau
dianalisis. Oleh karena itu, penting untuk menetapkan validitas
(Taherdoost, 2018). Dalam kasus analisis SEM, ini memberi para
peneliti bukti bahwa hasilnya dapat ditafsirkan secara akurat.

Saat memeriksa validitas, penilaian dapat dikategorikan menjadi dua

jenis utama:

✓ Validitas konvergen
✓ Validitas diskriminan

5.2.1. Pengujian Convergent Validity

Selanjutnya melakukan evaluasi Model Pengukuran (Outer Model).
Evaluasi tersebut dapat dilakukan dengan melihat gambar 5.3
maupun dapat melihat dari menu outer loadings.
Validitas konvergen mengacu pada korelasi antara respon variabel
yang berbeda dalam menilai konstruk yang sama. Validitas
konvergen memastikan bahwa variabel dikaitkan dengan konstruk
laten yang diukur. Akibatnya, faktor harus memiliki korelasi yang kuat
dengan konstruk laten. Untuk menetapkan validitas konvergen, nilai
AVE dinilai (Hamid, 2017; Engellant et al., 2016). Varians rata-rata
diekstraksi (AVE) sebagai uji validitas konvergen sesuai karena AVE
dapat menjelaskan sejauh mana item dibagi antara konstruksi.

111
(Sujati, 2020). Untuk mencapai validitas ini, nilai AVE harus lebih
besar atau sama dengan 0,5. (Ahmad, 2016)
Validitas konvergen adalah ukuran kualitas instrumen pengukuran di
mana instrumen itu sendiri biasanya berupa serangkaian
pertanyaan-pernyataan (Kock, 2020a). Instrumen pengukuran
memiliki validitas konvergen yang baik jika pertanyaan-pernyataan
(atau ukuran lain) yang terkait dengan masing-masing variabel laten
dipahami oleh responden dengan cara yang sama seperti yang
dimaksudkan oleh perancang pernyataan-pertanyaan (Kock, 2014).
Hasil pemrosesan outer loading disajikan dalam tabel 5.3.
Tabel 5.3. Hasil Dari Outer Loadings

Berdasarkan tabel 5.3, Indikator EK1, EK4, EK6 (Leadership Ethics),

GC4 (Green Creativity) dan FP 3 (Firm Performance) nilai outer
loading < 0,7. Apabila Nilai outer loading > 0,7 merupakan variabel
yang telah menjelaskan 50% atau lebih varians indikatornya. Peneliti
juga dapat menggunakan pendapat Chin & Wynne (1999), apabila
nilai outer loading antara 0,5 s/d 0,6 dapat dianggap cukup untuk
syarat convergent validity. Contoh yang yang digunakan Nilai outer
loading > 0,7, dapat disimpulkan indicator yang nilainya outer loading
112
< 0,7 belum memenuhi syarat validitas konvergen. Solusi yang dapat
dilakukan agar memenuhi syarat validitas konvergen dengan
mendrop indikator EK1, EK4, Ek6 GC4 dan FP3 secara bertahap,
sehingga didapatkan model struktural sebagai berikut:

Gambar 5.5. Analisis Jalur Hasil Modifikasi (1)

Dari gambar tersebut memperlihatkan semua nilai indicator sudah

diatas 0,7, kecuali indicator FP2 masih dibawah 0,7 selanjutkan
dilakukan modifikasi Kembali dengan mengeliminasi indikator FP2
(Firm Performance). Hasilnya setelah dilakukan eliminasi
menunjukkan semua nilai indicator sudah diatas 0,7 (lihat tabel 5.4
dan gambar 5.7.

113
Tabel 5.4. Hasil Dari Outer Loadings Modifikasi

Gambar 5.6. Analisis Jalur Hasil Modifikasi (2)

114
 5.2.3. Discriminant Validity

Validitas diskriminan menunjukkan apakah tes yang dirancang untuk

mengukur konstruk tertentu tidak berkorelasi dengan tes yang
mengukur konstruk yang berbeda. Hal ini didasarkan pada gagasan
bahwa kami tidak mengharapkan untuk melihat hasil yang sama dari
dua tes yang dimaksudkan untuk mengukur hal yang berbeda
(misalnya tes matematika vs tes ejaan).

Pembaca dapat menganalisis validitas diskriminan dengan

membandingkan hasil penilaian yang mengukur satu hal dengan tes
yang mengukur sesuatu yang lain sekaligus. Jika tidak ada korelasi
antar skor, tes tersebut dapat dikatakan memiliki validitas
diskriminan yang tinggi; korelasi yang kuat akan menunjukkan
validitas diskriminan rendah.

Validitas Diskriminan: Validitas diskriminan ditetapkan untuk

memastikan kekhasan konstruksi dalam penelitian. Hal ini
menunjukkan bahwa konstruk dalam penelitian memiliki identitas
masing-masing dan tidak terlalu berkorelasi dengan konstruk lain
dalam penelitian. Validitas diskriminan dalam SMART-PLS ditetapkan
menggunakan tiga teknik berbeda.

a) Kriteria Fornell dan Larcker: Menurut Kriteria Fornell dan

Larcker, Validitas pembeda ditetapkan jika Sq. Akar AVE untuk
konstruk tertentu lebih besar daripada korelasinya dengan
semua konstruk lainnya.

b) Pemuatan Silang: Menurut pemuatan Silang, item tertentu

harus memiliki pemuatan lebih tinggi pada konstruk induknya
115
 sendiri dibandingkan dengan konstruk lain dalam penelitian ini.
Jika suatu item dimuat dengan baik ke konstruk lain
dibandingkan dengan konstruk induknya sendiri, maka ada
masalah validitas diskriminan. Perbedaan pemuatan kurang
dari 0,10 juga menunjukkan bahwa item tersebut memuat
silang ke konstruk lain dan karenanya dapat menjadi ancaman
terhadap validitas diskriminan.
c) Rasio Heterotrait-Monotrait (HTMT): Berdasarkan penelitian
sebelumnya dan hasil studi simulasinya, Henseler et al. (2015)
menyarankan nilai ambang 0,90 jika model jalur mencakup
konstruksi yang secara konseptual sangat mirip (misalnya,
kepuasan afektif, kepuasan kognitif, dan loyalitas); yaitu, nilai
HTMT di atas 0,90 menggambarkan kurangnya validitas
diskriminan. Namun, ketika konstruksi dalam model jalur
secara konseptual lebih berbeda, peneliti harus
mempertimbangkan 0,85 sebagai ambang batas untuk HTMT
(Henseler et al. 2015).

Oleh karena itu penulis mengusulkan pendekatan alternatif,

berdasarkan matriks multitrait-multimethod, untuk menilai validitas
diskriminan: rasio korelasi heterotrait-monotrait (HTMT). Henseler,
Ringle, dan Sarstedt (2015) mendemonstrasikan kinerja unggul
pendekatan ini melalui studi simulasi Monte Carlo, di mana mereka
membandingkan pendekatan baru dengan kriteria Fornell-Larcker
dan penilaian beban silang (parsial). Akhirnya, mereka memberikan
pedoman tentang bagaimana menangani masalah validitas
diskriminan dalam pemodelan persamaan struktural berbasis
varians. Hasil pengujian discriminant validity disajikan pada tabel
berikut:

116
 Tabel 5.5. Nilai Discriminant Validity (Fornell-Larcker Criterion)

Merujuk dari tabel 5.5, nilai dari indikator memiliki nilai FLC terbesar
pada konstruk latennya sendiri, jika dibandingkan dengan nilai FLC
pada konstruk lainnya. Dapat disimpulkan indikator yang digunakan
telah memiliki discriminant validity yang baik. Hasil uji discriminant
validity juga dapat diperoleh melalui nilai Average Variant Extracted
(AVE). Model pengukuran yang baik bilamana nilai konstruk laten
memiliki nilai AVE > 0,5. Nilai AVE dari tabel 5.6. memperlihatkan
hasil sebagai berikut :

Tabel 5.6. Nilai Average Variant Extracted (AVE)

117
 5.2.4. Composite Reliability
Keandalan Komposit CR > 0,7 (Gefen et al., 2000), sehingga
menjawab pertanyaan penelitian bahwa konstruksi GMM dapat
diandalkan. Keandalan komposit mengukur seberapa baik variabel
yang mendasari konstruksi disajikan dalam pemodelan persamaan
struktural. Dalam SEM construct reliability digambarkan dengan
menggunakan confirmatory factor analysis (CFA). Keandalan
komposit diperkirakan berdasarkan analisis pemuatan faktor
(Lerdpornkulrat et al., 2017). Diijinkan untuk memiliki koefisien
reliabilitas build lebih besar dari 0,70. Nilai CR ≥ 0,7 diperlukan untuk
mencapai keandalan konstruk (Tentama & Anindita, 2020). Hasil
pengujian composite reliability pada tabel 5.7. sebagai berikut

Tabel 5. 7 Nilai Composite Reliability dan Cronbach’s Alpha

Nilai composite reliability sebesar > 0.7 dan nilai Cronbach’s alpha >
0.7, hasil tersebut memperlihatkan reliabilitas yang baik (Sarstedt, et
al., 2011) dan dapat disimpulkan semua nilai telah reliabel.

118
5.3. Evaluasi Model Struktural (Inner Model)
Evaluasi inner model dapat dilakukan dengan melihat nilai R-Square,
dimana perubahan nilai R-Square dapat digunakan untuk
menggambarkan ada atau tidaknya laten eksogen. Variabel secara
signifikan berpengaruh terhadap variabel laten endogen.

Langkah pertama adalah mengevaluasi model struktural untuk

melihat signifikansi hubungan antar konstruk/variabel. Hal ini terlihat
dari koefisien jalur yang menggambarkan kekuatan hubungan antar
konstruk. Tanda atau arah pada jalur (koefisien jalur) harus sesuai
dengan teori yang dihipotesiskan, signifikansinya dapat dilihat pada
uji t atau CR (critical ratio) yang diperoleh dari proses bootstrapping
(metode resampling).

Langkah kedua adalah mengevaluasi nilai R2. Interpretasi nilai R2

sama dengan interpretasi R2 regresi linier, yaitu besarnya variabilitas
variabel endogen yang dapat dijelaskan oleh variabel eksogen.
Menurut Chin (1998) kriteria R2 terdiri dari tiga klasifikasi yaitu: R2
bernilai 0,67, 0,33 dan 0,19 sebagai substansial, sedang (moderat)
dan lemah (lemah). Perubahan nilai R2 dapat digunakan untuk
melihat apakah pengaruh variabel laten eksogen terhadap variabel
laten endogen berpengaruh secara substantif. Ini dapat diukur
dengan ukuran efek f2. Menurut Cohen (1988) Effect Size yang
disarankan f2 adalah 0,02, 0,15 dan 0,35 dengan variabel laten
eksogen memiliki efek kecil, sedang dan besar pada level struktural.

Untuk memvalidasi keseluruhan model struktural digunakan

Goodness of Fit (GoF). Indeks GoF adalah ukuran tunggal untuk
memvalidasi kinerja gabungan dari model pengukuran dan model
struktural. Nilai GoF ini diperoleh dari akar pangkat dua dari rata-rata
indeks komunalitas dikalikan dengan nilai rata-rata model R2. Nilai
119
GoF berkisar antara 0 hingga 1 dengan interpretasi nilai: 0,1 (GoF
kecil), 0,25 (GoF sedang), dan 0,36 (GoF besar). Tes lain dalam
pengukuran struktural adalah Q2 predictive relevance yang berfungsi
untuk memvalidasi model. Pengukuran ini cocok jika variabel
endogen latin memiliki model pengukuran reflektif. Hasil dari Q2
predictive relevance dikatakan baik jika nilai > yang menunjukkan
variabel laten eksogen baik (tepat) sebagai variabel penjelas yang
mampu memprediksi variabel endogen. Model struktural dapat
diperoleh dari proses bootstrapping pada gambar 5.7, sebagai
berikut

Gambar 5.7. Hasil Proses Bootstrapping

120
 5.3.1. Uji Kebaikan Model (Model Fit)
R-Squared (R²) adalah ukuran statistik yang digunakan untuk
menentukan proporsi varians dalam variabel dependen yang dapat
diprediksi atau dijelaskan oleh variabel independen. R-Squared juga
dikenal sebagai koefisien determinasi. Ini adalah model yang baik
untuk analisis regresi linier.

Nilai koefisien determinasi ( R2 ) diharapkan antara 0 dan 1. Nilai R2

0,75, 0,50, dan 0,25 5 menunjukkan bahwa model kuat, moderat, dan
lemah. Nilai R-Square (R2) untuk mengetahui kekuatan prediksi
model struktural dalam analisis SEM-PLS. Kriteria nilai R square yang
mendekati 0.67 dinilai kuat, 0.33 sebagai moderat, dan 0.19 sebagai
lemah (Chin & Wynne, 1999). Nilai R-square dapat dilihat pada tabel
5.8. berikut :

Tabel 5.8. Nilai R-Square

Berdasarkan tabel tersebut, dapat diketahui sebagai berikut :

a) Nilai R-square variabel endogen Firm Performance adalah

sebesar 0,660. Nilai ini menjelaskan bahwa kekuatan variabel
121
 Green HRM, Leadership Ethics, Green Inovation, dan Green
Creativity dalam memprediksi Firm Performance adalah
sebesar 66,0%.

b) Nilai R-square variabel endogen Green HRM adalah sebesar

0,647. Nilai ini menjelaskan bahwa kekuatan variabel,
Leadership Ethics, Green Inovation, Firm Performance dan
Green Creativity dalam memprediksi Green HRM adalah
sebesar 64,7%.

c) Nilai R-square variabel endogen Green Creativity adalah

sebesar 0,440. Nilai ini menjelaskan bahwa kekuatan variabel,
Leadership Ethics, Firm Performance, Green Inovation, dan
Green HRM dalam memprediksi Green Creativity adalah
sebesar 44,0%.

d) Nilai R-square variabel endogen Green Inovation adalah

sebesar 0,444. Nilai ini menjelaskan bahwa kekuatan variabel,
Leadership Ethics, Firm Performance, Green HRM dan Green
Creativity dalam memprediksi Green Inovation adalah
sebesar 44,4%.

Dengan demikian, model penelitian ini dinyatakan memenuhi syarat

kebaikan (model fit).

122
 5.3.2. Cross-validated Redundancy (Q2 )
Pendekatan komunalitas tervalidasi silang mengukur kemampuan
model untuk memprediksi indikator secara langsung dari
pendukungnya dengan validasi silang menggunakan model
pengukuran. Pendekatan redundansi tervalidasi silang menggunakan
perkiraan model jalur untuk memprediksi titik data yang dihilangkan
menggunakan model struktural dalam dan model pengukuran luar.
Dalam model PLS Path yang dikembangkan, pendekatan cross
validated redundancy diterapkan untuk memprediksi titik data yang
dihilangkan. Q2 di atas 0 menunjukkan bahwa model memiliki
relevansi prediktif, sedangkan nilai Q2 < 0 menunjukkan bahwa
model kurang mempunyai relevansi prediktif. Untuk mengetahui
nilai Q Square, Jalankan prosedur Blindfolding di SMART-PLS.

Berdasarkan tabel 5.9, diketahui hasil penjumlahan nilai Q2 Square

pada kedua variabel endogen adalah sebesar 1,652. Hasil tersebut
berarti besarnya keragaman data yang dijelaskan oleh model
penelitian ini adalah sebesar 1,652%. Dengan demikian, model
penelitian ini dinyatakan memenuhi syarat kebaikan (model fit)

Tabel 5.9. Hasil Pengujian Q-square

123
5.4. Uji Hipotesis
Pengujian hipotesis, di mana pernyataan atau hipotesis spesifik
dihasilkan tentang parameter populasi, dan statistik sampel
digunakan untuk menilai kemungkinan bahwa hipotesis itu benar.
Hipotesis didasarkan pada informasi yang tersedia dan keyakinan
peneliti tentang parameter populasi. Proses pengujian hipotesis
melibatkan pengaturan dua hipotesis yang bersaing, hipotesis nol
dan hipotesis alternatif. Seseorang memilih sampel acak (atau
banyak sampel ketika ada lebih banyak kelompok pembanding),
menghitung ringkasan statistik dan kemudian menilai kemungkinan
bahwa data sampel mendukung penelitian atau hipotesis alternatif.

Tes nilai P. Untuk melakukan pengujian hipotesis bahwa 𝛽 > 0, pada

tingkat signifikansi 0,05 (yaitu, 1-95%), kami menghitung nilai P satu
sisi yang terkait dengan koefisien jalur. Secara umum, besaran ini
dapat diartikan sebagai probabilitas bahwa 𝛽 milik distribusi dengan
rata-rata nol dan standar deviasi 𝜎. Jika P ≤ 0,05 hipotesis diterima,
jika tidak maka ditolak. Hasil pengujian hipotesis dapat dilihat dari
hubungan langsung, tidak langsung dan total hubungan sebagai
berikut :

5.4.1. Hubungan Langsung (direct effects)

Variabel yang memengaruhi variabel dependen, atau variabel yang
diprediksi secara langsung dan signifikan secara statistik. Ada enam
hubungan yang dapat diperlihatkan pada tabel 5.9 sebagai berikut

124
 Tabel 5.10 Nilai Hubungan Langsung Antara Variabel
(direct effects)

Berdasarkan tabel 5.9 dapat dijelaskan Hubungan Langsung Antara

Variabel (direct effects) sebagai berikut :

a) Nilai pengaruh variabel Green HRM terhadap Firm

Performance dengan p-value sebesar 0,000 . Dimana nilai P
value 0,000 < 0,05 sehingga hypothesis diterima.

b) Nilai pengaruh variabel Green Creativity terhadap Firm

Performance dengan p-value sebesar 0,000 . Dimana nilai P
value 0,000 < 0,05 sehingga hypothesis diterima.

c) Nilai pengaruh variabel Green Inovation terhadap Firm

Performance dengan p-value sebesar 0,000 . Dimana nilai P
value 0,000 < 0,05 sehingga hypothesis diterima.

d) Nilai pengaruh variabel Leadership Ethics terhadap Green

HRM dengan p-value sebesar 0,000 . Dimana nilai P value
0,000 < 0,05 sehingga hypothesis diterima.

125
 e) Nilai pengaruh variabel Leadership Ethics terhadap Green
Creativity dengan p-value sebesar 0,000 . Dimana nilai P
value 0,000 < 0,05 sehingga hypothesis diterima.

f) Nilai pengaruh variabel Leadership Ethics terhadap Green

Inovation dengan p-value sebesar 0,000 . Dimana nilai P value
0,000 < 0,05 sehingga hypothesis diterima.

Dalam analisis PLS SEM, nilai direct effects ini istilahnya disebut juga
path coefficient. Selanjutnya dilakukan pengukuran path coefficients
antar konstruk untuk melihat signifikansi dan kekuatan hubungan
tersebut dan juga untuk menguji hipotesis. Nilai path coefficients
berkisar antara -1 hingga +1.

Nilai path coefficients semakin mendekati nilai +1, hubungan kedua

konstruk semakin kuat. Hubungan yang makin mendekati -1
mengindikasikan bahwa hubungan tersebut bersifat negatif (Sarstedt
dkk., 2017).

Tabel 5.11 Hasil Analisis Direct Effects PLS SEM

126
Berdasarkan hasil analisis direct effects inner model dalam tabel
5.10, dapat disimpulkan sebagai berikut:

a) Pengaruh langsung Green HRM terhadap Firm Performance

adalah sebesar -0,802 yang artinya jika Green HRM
meningkat satu satuan unit maka Firm Performance dapat
menurun sebesar 80,2%. Pengaruh ini bersifat negatif.
b) Pengaruh langsung Green Creativity terhadap Firm
Performance adalah sebesar 0,556 yang artinya jika Green
HRM meningkat satu satuan unit maka Firm Performance
dapat menurun sebesar 55,6%. Pengaruh ini bersifat positif.
c) Pengaruh langsung Green Inovation terhadap Firm
Performance adalah sebesar 1,060 yang artinya jika Green
HRM meningkat satu satuan unit maka Firm Performance
dapat menurun sebesar 100%. Pengaruh ini bersifat positif.
d) Pengaruh langsung Leadership Ethics terhadap Green HRM
adalah sebesar 0,804 yang artinya jika Leadership Ethics
meningkat satu satuan unit maka Green HRM dapat menurun
sebesar 80,4%. Pengaruh ini bersifat positif.
e) Pengaruh langsung Leadership Ethics terhadap Green
Creativity adalah sebesar 0,664 yang artinya jika Leadership
Ethics meningkat satu satuan unit maka Green Creativity
dapat menurun sebesar 66,4%. Pengaruh ini bersifat positif.
f) Pengaruh langsung Leadership Ethics terhadap Green
Inovation adalah sebesar 0,667 yang artinya jika Leadership
Ethics meningkat satu satuan unit maka Green Inovation
dapat menurun sebesar 66,7%. Pengaruh ini bersifat positif.

127
 5.4.2. Hubungan Tidak Langsung (indirect effects)
Efek tidak langsung dalam model mediasi sederhana: Efek tidak
langsung merupakan sejauh mana variabel X mempengaruhi variabel
Y melalui mediator. Efek tidak langsung dalam model mediasi
sederhana: Efek tidak langsung merupakan sejauh mana variabel X
mempengaruhi variabel Y melalui mediator.

Tabel 5.12 Nilai Hubungan Tidak Langsung Antara Variabel

(indirect effects)

Pada tabel 5.11 dapat dijelaskan Hubungan

Tidak Langsung Antara Variabel (indirect effects) sebagai berikut :

a) Hipotesis tentang Green HRM sebagai mediasi antara

Leadership Ethics terhadap Firm Performance menyatakan
bahwa Green HRM sebagai mediasi mempengaruhi secara
signifikan hubungan antara Leadership Ethics terhadap Firm
Performance. Dimana nilai P value 0,000 < 0,05 sehingga
hypothesis diterima.

b) Hipotesis tentang Green Creativity sebagai mediasi antara

Leadership Ethics terhadap Firm Performance menyatakan
bahwa Green Creativity sebagai mediasi mempengaruhi
secara signifikan hubungan antara Leadership Ethics
terhadap Firm Performance. Dimana nilai P value 0,000 <
0,05 sehingga hypothesis diterima.

128
 c) Hipotesis tentang Green Inovation sebagai mediasi antara
Leadership Ethics terhadap Firm Performance menyatakan
bahwa Green Inovation sebagai mediasi mempengaruhi
secara signifikan hubungan antara Leadership Ethics
terhadap Firm Performance. Dimana nilai P value 0,000 <
0,05 sehingga hypothesis diterima.

Berikut di bawah ini adalah hasil analisis indirect effects atau

pengaruh tidak langsung sebagai berikut :

Tabel 5.13 Hasil Analisis Indirect Effects PLS SEM

Berdasarkan tabel indirect effects dalam gambar diatas, maka dapat

disimpulkan bahwa:

Pengaruh tidak langsung Leadership Ethics terhadap Firm

Performance melalui Green HRM, Green Creativity dan Green
Inovation adalah sebesar 0,430 yang artinya jika Leadership Ethics
meningkat satu satuan unit maka Firm Performance dapat
meningkat secara tidak langsung melalui Green HRM, Green
Creativity dan Green Inovation sebesar 43,0%. Pengaruh ini bersifat
positif.

129
 5.4.3. Hasil Analisis Total Effects
Hasil analisis total effects dalam tutorial PLS SEM ini adalah sebagai
berikut:

Tabel 5.14 Hasil Total Effect

Pada tabel 5.14 dapat dijelaskan Hubungan total Antara Variabel

sebagai berikut :

a) Pengaruh Total Leadership Ethics terhadap Firm

Performance sebesar 0,804 dan bersifat positif. Artinya jika
X1 meningkat satu satuan unit maka Leadership Ethics
meningkat secara langsung dan tidak langsung melalui Green
HRM sebesar 80,4%.
b) Pengaruh Total Leadership Ethics terhadap Firm
Performance sebesar 0,664 dan bersifat positif. Artinya jika
X1 meningkat satu satuan unit maka Leadership Ethics
meningkat secara langsung dan tidak langsung melalui Green
Creativity sebesar 66,4%.

130
c) Pengaruh Total Leadership Ethics terhadap Firm
Performance sebesar 0,667 dan bersifat positif. Artinya jika
X1 meningkat satu satuan unit maka Leadership Ethics
meningkat secara langsung dan tidak langsung melalui Green
Inovation sebesar 66,7%.

5.5. Latihan
Buat perhitungan model ini dengan menggunakan smartpls

Tentukan sendiri nama variable dan indikatornya. Selanjutnya

buat hypothesis dan dianalisis menggunakan smart-pls

131
 DAFTAR PUSTAKA

Ahmadpoor Samani Ph in Management, S. D. (2016). Steps in Research

Process (Partial Least Square of Structural Equation Modeling (PLS-SEM)).
International Journal of Social Science and Business, 1(2), 55.

Albers, S. (2010), “PLS and success factor studies in marketing”, in

Esposito, V.V., Chin, W.W., Henseler, J. and Wang, H. (Eds), Handbook
of Partial Least Squares: Concepts, Methods and Applications in
Marketing and Related Fields, Springer, Berlin, pp. 409-425.

Babin, B.J., Hair, J.F. and Boles, J.S. (2008), “Publishing research in
marketing journals using structural equations modeling”, Journal
of Marketing Theory and Practice, Vol. 16 No. 4,
pp. 279-285.

Barclay, D.W., Higgins, C.A. and Thompson, R. (1995), “The partial

least squares approach to causal modeling: personal computer
adoption and use as illustration”, Technology Studies,
Vol. 2 No. 2, pp. 285-309.

Becker, J.-M., Klein, K. and Wetzels, M. (2012), “Hierarchical latent

variable models in PLS-SEM: guidelines for using reflective-formative
type models”, Long Range Planning, Vol. 45
Nos 5/6, pp. 359-394.

Becker, J.M., Rai, A., Ringle, C.M. and Vo ̈lckner, F. (2013),

“Discovering unobserved heterogeneity in structural equation
models to avert validity threats”, MIS Quarterly,
132
Vol. 37 No. 3, pp. 665-694.

Beebe, K.R., Pell, R.J. and Seasholtz, M.B. (1998), Chemometrics: A

Practical Guide, Wiley, New York, NY.

Bentler, P.M. and Huang, W. (2014), “On components, latent

variables, PLS and simple methods: reactions to Ridgon’s rethinking
of PLS”, Long Range Planning (in press).

Cassel, C., Hackl, P. and Westlund, A.H. (1999), “Robustness of partial

least-squares method for estimating latent variable quality
structures”, Journal of Applied Statistics, Vol. 26 No. 4,
pp. 435-446

Fan, Y., Chen, J., Shirkey, G., John, R., Wu, S. R., Park, H., & Shao, C. (2016).
Applications of structural equation modeling (SEM) in ecological studies: an
updated review. Ecological Processes, 5(1).
https://doi.org/10.1186/s13717-016-0063-3

Hayes, A. F. (2018). Introduction to Mediation, Moderation, and

Conditional Process Analysis: A Regression-Based Approach (2 ed.).
Guilford Press: New York, NY.

Hair JF, Black WC, Rabin BJ, Anderson RE. Multivariate data analysis.
7th ed. Englewood Cliffs, NJ: Prentice Hall; 2010.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer
on partial least squares structural equation modeling (PLS-SEM) (2nd
ed.). Thousand Oaks, CA: Sage.

Kline, R. B. (2011). Principles and Practice of Structural Equation Modeling.

133
Kocakaya, S., & Kocakaya, F. (2014). A Structural Equation Modeling on
Factors of How Experienced Teachers Affect the Students’ Science and
Mathematics Achievements. Education Research International, 1–8.
https://doi.org/10.1155/2014/490371

Kumar, K. (2012). A Beginner’s Guide to Structural Equation Modeling, 3rd

edn. In Journal of the Royal Statistical Society: Series A (Statistics in Society)
(Vol. 175, Issue 3). https://doi.org/10.1111/j.1467-985x.2012.01045_12.x

Malkanthie, A. (2015). Structural Equation Modeling with AMOS.

Malkanthie, A. (2019). Chapter-1 The Basic Concepts of Structural Equation

Modeling 1.1. Introduction. January.
https://doi.org/10.13140/RG.2.1.1960.4647

McDonald, R. P. (1996). Path Analysis with Composite Variables.

Multivariate Behavioral Research, 31(2), 239-270.

Novikova, S. I. (2013). Structural Equation Modeling.

Sarstedt, M., Hair, J. F., Nitzl, C., Ringle, C. M., & Howard, M. C. (2020).
Beyond a Tandem Analysis of SEM and PROCESS: Use of PLS-SEM
for Mediation Analyses! International Journal of Market Research,
62(3), 288-299.

Shaheen, F., Ahmad, N., Waqas, M., Waheed, A., & Farooq, O. (2017).
Structural Equation Modeling (SEM) in Social Sciences & Medical Research:
A Guide for Improved Analysis. International Journal of Academic Research
in Business and Social Sciences, 7(5). https://doi.org/10.6007/ijarbss/v7-
i5/2882

Taherdoost, H. (2018). Validity and Reliability of the Research Instrument;

How to Test the Validation of a Questionnaire/Survey in a Research. SSRN
Electronic Journal, January 2016. https://doi.org/10.2139/ssrn.3205040
134
Weston, R., & Gore, P. A. (2006). A Brief Guide to Structural Equation
Modeling. The Counseling Psychologist, 34(5), 719–751.
https://doi.org/10.1177/0011000006286345

Wright, S. (1921). Correlation and Causation. Journal of Agricultural

Research, 20, 557-585.

135
PROFIL PENULIS

Assoc Prof. Dr. Dedi Rianto Rahadi

Lahir di Palembang 05 Desember 1968. Sebagai dosen di
Universitas Presiden, Fakultas Bisnis, Jurusan
Manajemen. Kosentrasi mata kuliah Human Capital.
Email : dedi1968@president.ac.id

136
 SINOPSIS BUKU

Partial Least Squares Structural Equation Modeling (PLS-SEM)

mewakili teknik analisis data statistik generasi baru mendapatkan
popularitas di dunia akademis secara eksponensial, telah menarik
minat para sarjana dalam berbagai metodologi.
PLS-SEM melibatkan teknik analisis data multivariat yang
menggabungkan metodologi regresi dan analisis linier. Banyak
digunakan di bidang ilmu sosial, di mana diperlukan untuk menangani
variabel yang tidak dapat diamati atau laten. Hal ini memungkinkan
bersama-sama menganalisis hubungan antara variabel yang diamati
dan laten (evaluasi model pengukuran) dan hubungan antara variabel
laten (evaluasi model struktural).
Memungkinkan studi model kompleks dengan indikator yang tak
terhitung banyaknya untuk setiap variabel laten dan banyak hubungan
antar variabel laten.

137