pengoperasian sem dengan smartpls · pdf filebuat, misalnya ketik kinerja, data source and...

SEM dengan Partial Least Square (PLS) [email protected] - 1

PENGOPERASIAN SEM dengan SmartPLS Oleh :

Dr. Bambang Widjanarko Otok, M.Si [email protected], [email protected]

Jurusan Statistika FMIPA - ITS

Memulai Program SmartPLS: Klik start, Pilih Program, Pilih Java Web Start dan Klik Java Web Start, seperti tampak pada Gambar berikut:

Setelah di Klik Java Web Start muncul Gambar berikut:


Selanjutnya juga tampak Gambar berikut:

Pada Gambar di atas pilih Start dan Klik, akan tampak Gambar berikut:

Pada Kotak Dialog di atas, terdapat menu File ?, File terdiri dari New, Open dan Exit. Sedangkan ? terdapat About SmartPLS Jika Klik File akan tampak Gambar berikut:


Untuk memulai Klik New atau Ctrl+N, akan tampak seperti Gambar berikut:

Gambar di atas berisi 3(tiga) kotak dialog yaitu (Model name, Data source and name, CSV Separators). Model name berisi nama model yang akan kita buat, misalnya ketik Kinerja, Data source and name berisi sumber dan nama data yang akan digunakan (sama halnya dengan AMOS, Smart PLS tidak disediakan untuk entry data. Jadi dalam menyiapkan data digunakan bantuan dari excel, SPSS, notepad (ASCII) yang disimpan dengan type: .csv. (atau jika masih dalam extension excel, SPSS, notepad (ASCII) simpan lagi dengan cara File save as kemudian pada type cari extension .csv) untuk

mencari sumber dan nama data yang digunakan, Klik dan tersaji seperti Gambar berikut:


Pilih Kinerja_PLS.csv Klik Open, akan tampak seperti Gambar berikut:

Untuk CSV Separator berisi struktur dari data yang dipisahkan dengan koma atau colon, titik koma atau semicolon). Apabila kotak dialog sudah terisi sesuai dengan yang dikehendaki, maka Klik OK, akan muncul Gambar sebagai berikut:

Gambar di atas merupakan tampilan Model Editor. SmartPLS model editor terdiri dari 3(tiga) area, yaitu Data, Properties dan Drawing board. Data berisi Manifest variables atau variable indicator, Properties berisi 4(empat) setting yaitu Output Setting, Bootstrapping Setting, Data Setting dan Algorithm setting. Sedangkan Drawing Board berisi bentuk tool bar sebagai berikut:


Selecting Mode

Drawing Mode

Connection Mode

Delete

Grid on/off

Original Size

Zoom In

Zoom Out

Undo

Redo

Group

Ungroup

Bring to front

Send to back

Calculate Model

Bootstraping Pandang Model Struktural pada Materi Teori PLS. Untuk membuat model

tersebut dimulai dengan pembuatan variable latent, dengan cara Klik , seperti tampak pada Gambar berikut:


Double Klik Pada lv0, …, lv3 untuk memberi label pada variable latent. Selanjutnya Enter, seperti tampak pada Gambar berikut:


Sekarang memasukkan variable indicator pada masing-masing variable latent, dimana variable latent (komitmen professional) terdiri dari 6(enam) indicator (KP1, KP2, …, KP6), dengan cara Klik KP1 pada Data (Manifest Variabel) dan Klik Kiri KP1 tekan terus dan letakkan ke variable latent (komitmen professional) (drag drop) seperti Gambar berikut.

Lakukan hal yang sama sampai semua indicator masuk dalam variable latent seperti Gambar berikut.


Jika semua indicator ingin diletakkan sebelah kiri dari variable laten, lakukan Klik Kanan pilih Order indicator… dan pilih left, seperti pada Gambar berikut:

dan hasilnya tampak seperti Gambar berikut.


Lakukan sampai semua variabel latent terisi indikator-indikatornya, seperti gambar berikut:

Untuk membuat jalur antar variable latent, Klik . Selanjutnya Klik variable latent yang akan dihubungkan variable latent yang lain, seperti Gambar berikut.


Dari sini, siap dilakukan analisis, tetapi terlebih dulu output apa yang akan kita inginkan dapat dilihat dari Properties. Dalam praktikum ini isikan seperti Gambar berikut:

Klik PLS Pilih Calculate Model, tampak gambar berikut


Output tersimpan dalam file HTML yaitu sebagai berikut: PLS Output Table of contents

Iterations of the PLS-Algorithm Inner weights (structural model) Outer weights (measurement model) Outer loadings (measurement model) Scores of the latent variables Correlations of the latent variables

Iterations of the PLS-Algorithm

iteration KK1 KK2 KK3 KK4

0 1.000 1.000 1.000 1.000

1 0.335 0.237 0.285 0.286

2 0.340 0.233 0.284 0.287

3 0.340 0.233 0.285 0.287

iteration KK5 KO1 KO2 KO3

0 1.000 1.000 1.000 1.000

1 0.154 0.273 0.311 0.227

2 0.153 0.272 0.312 0.221

3 0.152 0.272 0.312 0.221

iteration KO4 KO5 KP1 KP2

0 1.000 1.000 1.000 1.000

1 0.220 0.253 0.132 0.197

2 0.224 0.255 0.132 0.197

3 0.224 0.255 0.132 0.197

iteration KP3 KP4 KP5 KP6

0 1.000 1.000 1.000 1.000

1 0.209 0.236 0.247 0.174

2 0.209 0.236 0.246 0.176

3 0.209 0.236 0.246 0.176

iteration PK1 PK2 PK3 PK4

0 1.000 1.000 1.000 1.000

1 0.241 0.202 0.257 0.277

2 0.239 0.202 0.256 0.276

3 0.239 0.202 0.256 0.277

iteration PK5

0 1.000

1 0.221

2 0.224

3 0.223


Inner weights (structural model)

Komitmen Profesional

Komitmen Organisasi

Perilaku Kerja

Kinerja


0.215 0.167

Komitmen Organisasi

0.202 0.164

Perilaku Kerja 0.171

Kinerja

Outer weights (measurement model)

Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja

KK1 0.340

KK2 0.233

KK3 0.285

KK4 0.287

KK5 0.152

KO1 0.272

KO2 0.312

KO3 0.221

KO4 0.224

KO5 0.255

KP1 0.132

KP2 0.197

KP3 0.209

KP4 0.236

KP5 0.246

KP6 0.176

PK1 0.239

PK2 0.202

PK3 0.256

PK4 0.277

PK5 0.223


Outer loadings (measurement model)


KK1 0.824

KK2 0.687

KK3 0.789

KK4 0.807

KK5 0.682

KO1 0.750

KO2 0.846

KO3 0.742

KO4 0.761

KO5 0.774

KP1 0.704

KP2 0.879

KP3 0.797

KP4 0.916

KP5 0.842

KP6 0.826

PK1 0.804

PK2 0.813

PK3 0.840

PK4 0.895

PK5 0.810

Scores of the latent variables


0 -0.890 0.353 -0.365 -0.697

1 -0.103 0.718 -0.230 0.328

2 -0.160 -1.127 0.394 0.561

3 0.848 -0.022 -1.676 -0.700

4 0.087 0.161 1.511 0.556

5 0.860 -0.022 -1.175 1.527

6 -0.837 -1.127 -0.384 -0.223

7 -0.802 -0.761 0.234 -0.327

8 -0.456 -0.387 -0.959 0.395

9 0.784 -0.761 0.943 0.395

10 -0.731 -0.022 -0.107 0.026


11 0.701 -0.204 1.511 0.121

12 -0.731 -0.568 -1.175 -1.016

13 -0.879 -0.102 -0.384 0.058

14 0.924 -0.884 0.943 0.337

15 -1.031 0.679 -0.368 -0.334

16 -0.784 -0.147 -0.107 0.395

17 0.817 0.218 0.634 -1.522

18 -0.967 -0.063 -1.700 1.065

19 0.878 -1.339 -1.855 -1.294

20 -0.720 -0.579 0.909 -1.132

21 -0.174 0.141 0.048 0.164

22 0.358 0.556 -0.091 -0.223

23 0.484 -1.684 -0.666 -1.136

24 -1.129 -2.050 -2.071 -0.518

25 -1.185 -0.134 1.098 -1.090

26 -1.435 0.698 0.220 1.065

27 -0.872 -1.522 -0.477 -1.921

28 0.943 -0.894 0.762 -0.737

29 -0.872 -0.204 -0.350 0.121

30 -0.977 -1.705 -1.527 -0.506

31 -1.435 -1.705 -0.876 0.167

32 1.037 -0.406 0.082 0.623

33 -0.988 -0.184 -1.873 -2.265

34 -1.063 -0.568 -0.400 1.527

35 0.256 -0.856 0.039 -0.859

36 1.781 1.488 0.131 -0.801

37 -1.101 1.286 0.264 0.794

38 0.809 0.979 -0.583 -0.688

39 1.647 -0.713 0.503 0.389

40 -1.302 0.777 -0.057 1.511

41 -0.874 -1.541 0.952 0.161

42 -0.683 -0.618 -1.666 0.435

43 -1.008 -0.618 -0.537 0.161

44 -1.207 -0.252 0.832 0.784

45 -0.383 -0.099 -0.057 0.510

46 0.805 0.624 -0.356 0.510

47 0.620 -1.281 0.177 0.118

48 1.687 0.103 0.503 -0.899


49 -0.411 -1.281 -1.175 -1.915

50 1.478 0.056 0.832 0.118

51 -0.653 0.159 -1.391 -0.111

52 0.113 -0.663 0.986 0.118

53 0.045 -0.589 0.918 0.118

54 -1.020 -1.127 -1.364 -1.477

55 -0.923 -2.050 -0.287 0.392

56 0.904 -0.204 1.511 0.118

57 -0.757 -1.127 -1.175 -1.915

58 -0.290 1.641 -1.330 0.392

59 -0.081 0.103 -1.700 -1.477

60 1.644 0.718 0.366 -0.307

61 -1.110 -2.050 0.918 -0.581

62 0.694 1.641 1.134 -0.057

63 1.214 -0.204 0.211 -0.414

64 -0.874 0.718 0.334 1.801

65 0.729 0.718 -1.209 0.784

66 -1.142 0.718 0.643 0.784

67 -0.741 1.641 0.581 -0.240

68 -0.711 1.641 0.702 0.266

69 -0.363 -0.670 0.643 1.577

70 0.664 -1.243 1.511 -2.265

71 1.549 0.316 0.454 0.270

72 -1.153 -0.204 -1.546 -0.226

73 1.064 -1.270 1.322 -0.681

74 -0.581 0.262 0.979 -0.621

75 1.102 1.641 1.106 -1.248

76 0.659 0.718 0.770 1.075

77 0.968 1.641 0.581 -0.323

78 1.781 1.641 1.322 0.058

79 0.659 0.718 0.581 1.075

80 0.529 1.641 0.797 -0.166

81 1.175 0.718 0.486 1.303

82 -1.001 -1.127 -1.657 0.287

83 -0.854 -2.050 1.322 0.287

84 1.175 0.718 1.511 1.577

85 -1.331 0.718 0.581 0.784

86 1.090 -0.511 -0.394 -2.265


87 -0.736 -2.050 0.288 -0.232

88 0.658 1.641 0.118 0.784

89 0.995 -0.907 -2.071 -2.265

90 -0.526 1.641 1.322 0.784

91 1.184 -1.262 1.184 -2.265

92 0.975 -1.665 0.616 0.712

93 0.282 0.289 -1.314 0.105

94 0.533 -0.745 0.632 0.682

95 -1.158 1.236 1.322 1.065

96 0.026 0.779 -0.607 0.774

97 0.563 0.220 0.797 0.613

98 0.809 -0.289 0.427 1.339

99 -1.207 -0.196 0.115 -1.450

100 0.519 -0.882 0.523 -2.090

101 -1.041 -0.337 -1.873 -1.086

102 -1.114 1.641 -2.071 0.587

103 0.675 1.641 0.986 -0.185

104 -1.114 0.353 0.813 -1.226

105 1.553 1.458 1.134 -0.583

106 -1.207 0.718 0.543 0.956

107 -1.146 -0.761 -0.376 -0.368

108 1.622 0.901 0.002 0.034

109 1.781 0.901 1.322 0.317

110 1.454 0.748 -0.334 -1.638

111 1.500 1.641 0.132 0.613

112 -1.114 -0.204 -1.777 0.285

113 0.661 0.594 1.322 0.587

114 0.514 0.594 -1.504 1.058

115 1.224 1.305 -1.530 -0.234

116 -1.010 0.594 -0.782 1.177

117 0.805 0.856 -1.700 -1.137

118 -1.292 0.768 0.354 1.801

119 -1.193 -1.888 -1.873 0.236

120 1.781 0.911 -1.364 -1.741

121 -0.279 -0.511 0.493 0.328

122 0.154 -0.031 -0.094 -1.127

123 -0.131 1.034 0.488 0.067

124 -0.356 1.073 0.261 0.610


125 -0.818 0.241 0.832 0.825

126 -0.198 -0.178 0.461 -0.057

127 1.000 -0.042 0.770 1.527

128 1.781 0.589 -0.349 1.801

129 1.781 -0.202 -0.126 -0.021

130 1.037 0.660 -1.364 -1.813

131 0.486 -0.175 -0.030 1.573

132 1.781 0.165 0.122 0.556

133 -1.426 1.317 0.554 0.158

134 -0.121 -0.180 -0.711 -1.123

135 1.401 0.992 1.295 0.561

136 1.553 -1.166 -1.503 -0.700

137 -0.172 -0.812 0.666 0.008

138 -1.099 0.136 0.461 0.561

139 -1.439 1.439 0.632 0.117

140 0.606 1.641 1.372 0.176

141 -1.573 -1.121 -0.168 -0.235

142 0.482 0.883 0.616 0.212

143 -1.101 -2.050 -1.700 0.282

144 -0.858 -0.175 1.045 0.846

145 -1.008 -0.142 0.770 0.606

146 0.671 0.180 0.341 1.008

147 -0.963 -0.162 0.755 -0.700

148 0.190 0.371 0.770 0.298

149 0.398 0.456 0.450 1.573

150 1.024 -2.050 -1.348 1.573

151 -0.847 0.718 0.365 0.556

152 -0.967 -2.050 -1.159 0.846

153 -0.711 1.641 0.443 1.054

154 -0.363 -0.267 0.832 0.108

155 -1.013 -1.243 -1.314 -1.816

156 1.549 0.316 0.643 1.461

157 -1.154 -2.050 -1.546 0.556

158 1.064 -0.560 1.511 0.046

159 -0.581 0.165 1.168 0.113

160 -1.573 0.103 0.261 -2.265

161 -1.114 1.305 -1.777 0.631

162 0.661 0.901 1.322 0.817


163 1.352 0.901 0.616 1.058

164 0.805 0.856 -1.700 -1.925

165 -1.292 -0.038 0.354 1.801

166 -1.059 -0.641 -1.873 0.236

167 -0.995 0.307 0.427 -2.090

168 1.239 -0.511 0.493 -0.021

169 0.154 -0.031 -0.094 -1.477

Correlations of the latent variables


Komitmen Organisasi

Perilaku Kerja

Kinerja


1.000

Komitmen Organisasi

0.215 1.000

Perilaku Kerja 0.210 0.238 1.000

Kinerja -0.048 0.204 0.210 1.000 Goodness of fit measures

Table of contents

R-square Composite Reliability Average variance extracted (AVE) Cross loadings

R-square

R-square


Komitmen Organisasi 0.046


Kinerja 0.069


Composite Reliability

Composite Reliability

Komitmen Profesional 0.929



Kinerja 0.872

Average variance extracted (AVE)

Average variance extracted (AVE)

Komitmen Profesional 0.689



Kinerja 0.578

Cross loadings


KK1 0.024 0.208 0.173 0.824

KK2 -0.146 0.129 0.152 0.687

KK3 0.007 0.163 0.157 0.789

KK4 -0.065 0.149 0.183 0.807

KK5 -0.064 0.029 0.155 0.682

KO1 0.220 0.750 0.240 0.110

KO2 0.241 0.846 0.228 0.221

KO3 0.039 0.742 0.275 0.175

KO4 0.137 0.761 0.124 0.231

KO5 0.260 0.774 0.166 0.133

KP1 0.704 0.077 0.174 0.021

KP2 0.879 0.152 0.228 -0.033

KP3 0.797 0.231 0.161 -0.061

KP4 0.916 0.244 0.202 -0.055

KP5 0.842 0.237 0.274 -0.077

KP6 0.826 0.158 0.153 -0.036

PK1 0.162 0.153 0.804 0.219

PK2 0.201 0.185 0.813 0.140

PK3 0.175 0.219 0.840 0.188

PK4 0.201 0.184 0.895 0.241

PK5 0.216 0.270 0.810 0.092


Klik PLS Pilih Bootstraping, tampak seperti Gambar berikut


Bootstrapping results

Table of contents

Settings results for inner weights results for outer loadings results for outer weights outer weights for each sample outer loadings for each sample inner weights for each sample

Settings number of samples 170

number of cases in original sample 170

cases per sample 50

preprocessing option no changes

results for inner weights

original sample

estimate mean of

subsamples Standard deviation

T-Statistic

Komitmen Profesional -> Komitmen Organisasi

0.215 0.222 0.165 1.303

Komitmen Profesional -> Perilaku Kerja

0.167 0.187 0.136 1.223

Komitmen Organisasi -> Perilaku Kerja

0.202 0.241 0.172 1.175

Komitmen Organisasi -> Kinerja

0.164 0.201 0.192 0.850

Perilaku Kerja -> Kinerja 0.171 0.216 0.178 0.957


results for outer loadings

original sample

estimate mean of


T-Statistic


KP1 0.704 0.714 0.126 5.580

KP2 0.879 0.862 0.058 15.079

KP3 0.797 0.787 0.088 9.076

KP4 0.916 0.900 0.047 19.656

KP5 0.842 0.827 0.066 12.788

KP6 0.826 0.812 0.077 10.772

Komitmen Organisasi

KO1 0.750 0.724 0.138 5.425

KO2 0.846 0.845 0.061 13.831

KO3 0.742 0.737 0.147 5.058

KO4 0.761 0.770 0.091 8.381

KO5 0.774 0.756 0.097 7.976

Perilaku Kerja

PK1 0.804 0.808 0.066 12.121

PK2 0.813 0.821 0.061 13.342

PK3 0.840 0.833 0.068 12.391

PK4 0.895 0.891 0.031 29.058

PK5 0.810 0.797 0.080 10.187

Kinerja

KK1 0.824 0.796 0.144 5.727

KK2 0.687 0.653 0.169 4.060

KK3 0.789 0.762 0.159 4.958

KK4 0.807 0.769 0.136 5.931

KK5 0.682 0.658 0.198 3.437


results for outer weights

original sample

estimate mean of


T-Statistic


KP1 0.132 0.155 0.110 1.195

KP2 0.197 0.197 0.076 2.577

KP3 0.209 0.207 0.105 1.979

KP4 0.236 0.222 0.075 3.130

KP5 0.246 0.236 0.091 2.709

KP6 0.176 0.164 0.082 2.140

Komitmen Organisasi

KO1 0.272 0.243 0.111 2.448

KO2 0.312 0.298 0.080 3.903

KO3 0.221 0.225 0.117 1.889

KO4 0.224 0.245 0.089 2.506

KO5 0.255 0.241 0.089 2.862

Perilaku Kerja

PK1 0.239 0.244 0.075 3.210

PK2 0.202 0.219 0.064 3.176

PK3 0.256 0.248 0.070 3.646

PK4 0.277 0.266 0.048 5.781

PK5 0.223 0.212 0.066 3.376

Kinerja

KK1 0.340 0.327 0.168 2.028

KK2 0.233 0.217 0.148 1.576

KK3 0.285 0.268 0.133 2.134

KK4 0.287 0.256 0.119 2.410

KK5 0.152 0.157 0.202 0.754


LATIHAN_1, Gunakan data: kinerja.xls dengan model sebagai berikut:

LATIHAN_2. Gunakan data: market.xls dengan model sebagai berikut:

X1

X2

Y1

Y2

Y3X14e4

11

X13e31

X12e21

X11e11

X24e8

11

X23e71

X22e61

X21e51

Y11

e9

1

1

Y12

e101

Y13

e111

Y23

e14

1

1Y22

e13

1Y21

e12

1

Y31 e1511

Y32 e161

Y33 e171

Y34 e181

e19

1

e20

1

e211

e221

e23

1


Daftara Pustaka Chin, W. W. (1998). The partial least squares approach for structural equation

modeling. In George A. Marcoulides (Ed.), Modern Methods for Business Research, Lawrence Erlbaum Associates, pp. 295-336.

Chin, W. W., and Newsted, P. R. (1999). Structural Equation Modeling

analysis with Small Samples Using Partial Least Squares. In Rick Hoyle (Ed.), Statistical Strategies for Small Sample Research, Sage Publications, pp. 307-341.

Falk, R. F., & Miller, N. B. (1992). A primer for soft modeling. Akron: The

University of Akron Press. Fornell, C. & Barclay, D. W. (1983). Jackknifing in PLS. Graduate School of

Business Administration, The University of Michigan, Ann Arbor, MI. Efron, B. & Tibshirani, R. J. (1993). An introduction to the bootstrap. New York:

Chapman and Hall. Gray, H. L & Schucany, W. R. (1972). The generalized jackknife statistic. New

York: Marcel Dekker. Wildt, A. R., Lambert, Z. V., & Durand, R. M. (1982). Applying the jackknife

statistic in testing and interpreting canonical weights, loadings, and cross-loadings. Journal of Marketing Research, 19, pp. 99-107.

pengoperasian sem dengan smartpls · pdf filebuat, misalnya ketik kinerja, data source and...

Documents