Professional Documents
Culture Documents
2023
PENGANTAR PARTIAL LEAST
SQUARES STRUCTURAL
EQUATION MODELING
(PLS-SEM)
Tata Letak:
M. Mifta Farid
Editor:
Wijonarko
ISBN:
Cetakan Pertama:
Juli 2023
PENERBIT:
CV. LENTERA ILMU MADANI
Jln. Letjen Ibrahim ajie 51 A Tasikmalaya Provinsi Jawa Barat
Anggota IKAPI No. 411/JBA/2021
i
KATA PENGANTAR
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.
Juli, 2023
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)
2
pengukuran yang lebih tepat dari konsep teoretis yang diminati (Cole
& Preacher, 2014).
3
1.1.1. Diagram Model Persamaan Struktural
4
Gambar 1.2, dijelaskan secara detail contoh diagram SEM. Contoh
diagram Pemodelan Persamaan Struktural, dapat membantu untuk
memahaminya dengan lebih baik:
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.
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:
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.
10
Contoh Analisis Jalur dalam Penelitian
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.
15
✓ Jenis model variabel laten lainnya, seperti kelas laten dan
model campuran, analisis profil laten, dan model jaringan
saraf.
x=λξ+δx
17
1.2.3. Analisis Faktor Konfirmasi (CFA)
18
umum, berkorelasi. Pendekatan ini hanya menyangkut model
pengukuran dan dengan demikian merupakan pendahulu untuk
evaluasi model struktural di mana variabel laten muncul.
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.
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.
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.
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.
25
daripada ukuran multi-item. Oleh karena itu, hubungan antara
konstruk dan indikator tidak terarah.
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.
27
Langkah 1: Tentukan modelnya
28
Misalnya; model diidentifikasi dengan menyatakan hubungan antara
manajemen waktu, kurangnya kepuasan, dan stres.
29
Gambar 1.12. SEM model (Kocakaya & Kocakaya, 2014)
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.
1.6. Latihan
1. Berikan penjelasan apa yang dimasud dengan Model
Persamaan Struktural
33
BAB 2
Pengantar Partial Least Squares
Structural Equation Modeling
(PLS-SEM)
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.
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)
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).
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.
47
konstruk. Bersama-sama, mereka membantu mengevaluasi apakah
suatu tes mengukur konsep yang dirancang untuk diukur.
49
kolinearitas dalam model bagian dalam sangat penting ketika model
menyertakan konstruk yang diukur secara formatif.
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.
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.
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).
55
Tabel 2.1 Konfigurasi symbol Diagram Jalur
2.2. Pertanyaan
56
BAB 3
Model Regresi PLS-SEM
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.
58
Gambar 3.1. Path Analysis Hanya Mengamati Variabel
59
Gambar 3.2. Struktural Model
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.
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.
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.
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).
65
✓ normalitas multivariat
✓ identifikasi parameter
✓ outlier
✓ data yang hilang
✓ interpretasi indeks kecocokan model (Schumacker & Lomax,
1996).
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.
CFA ada untuk menilai hubungan tidak langsung antara variabel laten
dan variabel yang diamati.
68
3.4.2.1. Analisis Faktor Eksplorasi Vs. Analisis Faktor
Konfirmatori
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.
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.
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.
73
3.3.6. Konsep Kunci Dalam Analisis Faktor
Konfirmatori
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.
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
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.
77
3.3.8. Contoh Data Kesehatan dan Peserta
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).
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
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.
81
menjalankan Model Campuran pada data longitudinal. Model
campuran ini sering disebut Model Kurva Pertumbuhan Individu.
(lihat diagram 3.6.).
3.6. Pertanyaan
1) Jelaskan model structural laten variable
2) Jelaskan dan berikan contoh Analisis faktor konfirmasi
(CFA)
82
BAB 4
Variabel Analisis Jalur
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).
2. Penghasilan
3. Tingkat bunga
84
4. Pertanian
5. Pendidikan
85
4.1.2. Dua Atau Lebih Variabel Endogen
a. Diamati (Observe)
b. Laten
86
Gambar 4.3. Contoh Variabel Laten
88
✓ Jenis Tanah yang Digunakan : Variabel ini bersifat endogen
karena dipengaruhi oleh jenis tanah yang digunakan.
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.
90
Gambar 4.5. Model Interaksi
92
nyata. Variabel-variabel ini penting untuk dipertimbangkan ketika
mempelajari hubungan korelasional atau kausal yang kompleks antar
variabel.
93
Variabel mediasi
94
✓ Tingkat pendidikan orang tua memprediksi kemampuan
membaca anak,
96
Moderator dapat berupa:
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.
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.
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.
4.7. Pertanyaan
1) Berikan contoh diagram jalur hubungan langsung dan
tidak langsung
100
BAB 5
Teknik Partial Least Squares
Structural Equation Modeling
Menggunakan SmartPLS
a) Keandalan
b) Membangun Validitas
c) Keabsahan.
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.
1. Pemuatan Faktor
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.
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.
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,
106
Tabel 5.1. Data Mentah di aplikasi Excel
Data tersebut yang akan digunakan dalam pengolahan PLS SEM dan
untuk menjawab hypothesis yang dibuat.
107
Gambar 5.2. Tampilan New Project
108
Gambar 5.3. Tampilan Analisis Jalur di SMARTPLS
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.
✓ Validitas konvergen
✓ Validitas diskriminan
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
113
Tabel 5.4. Hasil Dari Outer Loadings Modifikasi
114
5.2.3. Discriminant Validity
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 :
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
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.
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.
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.
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.
124
Tabel 5.10 Nilai Hubungan Langsung Antara Variabel
(direct effects)
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.
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.
126
Berdasarkan hasil analisis direct effects inner model dalam tabel
5.10, dapat disimpulkan sebagai berikut:
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.
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.
129
5.4.3. Hasil Analisis Total Effects
Hasil analisis total effects dalam tutorial PLS SEM ini adalah sebagai
berikut:
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
131
DAFTAR PUSTAKA
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.
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
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.
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
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
135
PROFIL PENULIS
136
SINOPSIS BUKU
137