pengoperasian sem dengan smartpls · pdf filebuat, misalnya ketik kinerja, data source and...
TRANSCRIPT
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:
SEM dengan Partial Least Square (PLS) [email protected] - 2
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:
SEM dengan Partial Least Square (PLS) [email protected] - 3
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:
SEM dengan Partial Least Square (PLS) [email protected] - 4
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:
SEM dengan Partial Least Square (PLS) [email protected] - 5
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:
SEM dengan Partial Least Square (PLS) [email protected] - 6
Double Klik Pada lv0, …, lv3 untuk memberi label pada variable latent. Selanjutnya Enter, seperti tampak pada Gambar berikut:
SEM dengan Partial Least Square (PLS) [email protected] - 7
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.
SEM dengan Partial Least Square (PLS) [email protected] - 8
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.
SEM dengan Partial Least Square (PLS) [email protected] - 9
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.
SEM dengan Partial Least Square (PLS) [email protected] - 10
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
SEM dengan Partial Least Square (PLS) [email protected] - 11
SEM dengan Partial Least Square (PLS) [email protected] - 12
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
SEM dengan Partial Least Square (PLS) [email protected] - 13
Inner weights (structural model)
Komitmen Profesional
Komitmen Organisasi
Perilaku Kerja
Kinerja
Komitmen Profesional
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
SEM dengan Partial Least Square (PLS) [email protected] - 14
Outer loadings (measurement model)
Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja
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
Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja
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
SEM dengan Partial Least Square (PLS) [email protected] - 15
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
SEM dengan Partial Least Square (PLS) [email protected] - 16
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
SEM dengan Partial Least Square (PLS) [email protected] - 17
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
SEM dengan Partial Least Square (PLS) [email protected] - 18
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
SEM dengan Partial Least Square (PLS) [email protected] - 19
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 Profesional
Komitmen Organisasi
Perilaku Kerja
Kinerja
Komitmen Profesional
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 Profesional
Komitmen Organisasi 0.046
Perilaku Kerja 0.083
Kinerja 0.069
SEM dengan Partial Least Square (PLS) [email protected] - 20
Composite Reliability
Composite Reliability
Komitmen Profesional 0.929
Komitmen Organisasi 0.883
Perilaku Kerja 0.919
Kinerja 0.872
Average variance extracted (AVE)
Average variance extracted (AVE)
Komitmen Profesional 0.689
Komitmen Organisasi 0.602
Perilaku Kerja 0.694
Kinerja 0.578
Cross loadings
Komitmen Profesional Komitmen Organisasi Perilaku Kerja Kinerja
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
SEM dengan Partial Least Square (PLS) [email protected] - 21
Klik PLS Pilih Bootstraping, tampak seperti Gambar berikut
SEM dengan Partial Least Square (PLS) [email protected] - 22
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
SEM dengan Partial Least Square (PLS) [email protected] - 23
results for outer loadings
original sample
estimate mean of
subsamples Standard deviation
T-Statistic
Komitmen Profesional
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
SEM dengan Partial Least Square (PLS) [email protected] - 24
results for outer weights
original sample
estimate mean of
subsamples Standard deviation
T-Statistic
Komitmen Profesional
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
SEM dengan Partial Least Square (PLS) [email protected] - 25
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
SEM dengan Partial Least Square (PLS) [email protected] - 26
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.