Inner Model PLS SEM dalam SMARTPLS

0
4112

Inner Model PLS SEM dalam SMARTPLS

Pada kesempatan ini kita akan melanjutkan bahasan tentang tutorial partial least square dalam PLS SEM menggunakan aplikasi SMARTPLS. Dalam tahap ini kita akan membahas lebih jauh cara melakukan dan interpretasi dari Inner Model PLS SEM dalam SMARTPLS.

Seperti yang teah dibahas sebelumnya, ada beberapa poin penting sebagai hasil analisis PLS SEM dalam konteks inner model. Konteks tersebut antara lain: Direct Effects atau pengaruh langsung, indirect effects atau pengaruh tidak langsung dan total effects atau pengaruh total, F Square, R Square dan Adjusted R Square.

Pengertian Direct Effects Inner Model PLS SEM

Direct effects adalah pengaruh langsung dari sebuah konstruk atau variabel latent exogen terhadap variabel latent endogen. Seperti dalam model path dalam tutorial ini, yaitu misalnya pengaruh langsung X1 terhadap Y, pengaruh langsung X2 terhadap Y, pengaruh langsung X1 terhadap Z, pengaruh langsung X2 terhadap Z dan pengaruh langsung Y terhadap Z.

Pengertian Indirect Effects Inner Model PLS SEM

Indirect effects adalah pengaruh tidak langsung dari sebuah konstruk atau variabel latent exogen terhadap variabel latent endogen melalui sebuah variabel perantara endogen. Seperti dalam model path dalam tutorial ini, yaitu misalnya pengaruh tidak langsung X1 terhadap Z melalui Y dan pengaruh tidak langsung X2 terhadap Z melalui Y.

Pengertian Total Effects Inner Model PLS SEM

Total effects adalah pengaruh total yang merupakan hasil penambahan pengaruh langsung denga pengaruh tidak langsung. Seperti dalam model path dalam tutorial ini, yaitu misalnya total langsung X1 terhadap Z, pengaruh total X2 terhadap Z, pengaruh total X1 terhadap Z, pengaruh total X2 terhadap Z dan pengaruh total Y terhadap Z.

Oleh karena pengaruh total X1 terhadap Y, X2 terhadap Y dan Y terhadap Z tidak ada variabel perantara, maka otomatis nilai pengaruh total sama dengan pengaruh langsungnya.

Penjelasan Hasil Analisis Direct Effects

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).

Berikut hasil analisis direct effects PLS SEM dalam tutorial ini:

Path Coefficient atau Direct Effects Inner Model PLS SEM
Path Coefficient atau Direct Effects Inner Model PLS SEM

Berdasarkan hasil analisis direct effects inner model dalam gambar diatas, dapat disimpulkan sebagai berikut:

  1. Pengaruh langsung X1 terhadap Y adalah sebesar 0,304 yang artinya jika X1 meningkat satu satuan unit maka Y dapat meningkat sebesar 30,4%. Pengaruh ini bersifat positif.
  2. Pengaruh langsung X2 terhadap Y adalah sebesar 0,357 yang artinya jika X2 meningkat satu satuan unit maka Y dapat meningkat sebesar 35,7%. Pengaruh ini bersifat positif.
  3. Pengaruh langsung X1 terhadap Z adalah sebesar 0,353 yang artinya jika X1 meningkat satu satuan unit maka Z dapat meningkat sebesar 35,3%. Pengaruh ini bersifat positif.
  4. Pengaruh langsung X2 terhadap Z adalah sebesar 0,221 yang artinya jika X2 meningkat satu satuan unit maka Z dapat meningkat sebesar 22,1%. Pengaruh ini bersifat positif.
  5. Pengaruh langsung Y terhadap Z adalah sebesar 0,320 yang artinya jika Y meningkat satu satuan unit maka Z dapat meningkat sebesar 32,0%. Pengaruh ini bersifat positif.

Penjelasan Hasil Analisis Indirect Effects

Berikut di bawah ini adalah hasil analisis indirect effects atau pengaruh tidak langsung dalam tutorial inner model PLS SEM ini:

Indirect Effects atau Pengaruh Tidak Langsung
Indirect Effects atau Pengaruh Tidak Langsung

Berdasarkan tabel indirect effects dalam gambar diatas, maka dapat disimpulkan bahwa:

  1. Pengaruh tidak langsung X1 terhadap Z melalui Y adalah sebesar 0,097 yang artinya jika X1 meningkat satu satuan unit maka Z dapat meningkat secara tidak langsung melalui Y sebesar 9,7%. Pengaruh ini bersifat positif.
  2. Pengaruh tidak langsung X2 terhadap Z melalui Y adalah sebesar 0,114 yang artinya jika X2 meningkat satu satuan unit maka Z dapat meningkat secara tidak langsung melalui Y sebesar 11,4%. Pengaruh ini bersifat positif.

Penjelasan Hasil Analisis Total Effects

Hasil analisis total effects dalam tutorial PLS SEM ini adalah sebagai berikut:

Total Effects atau Pengaruh Keseluruhan
Total Effects atau Pengaruh Keseluruhan

Berdasarkan tabel total effects dalam gambar diatas, maka dapat disimpulkan sebagai berikut:

  1. Pengaruh Total X1 terhadap Z adalah sebesar 0,450 yang artinya jika X1 meningkat satu satuan unit maka Z dapat meningkat secara langsung dan tidak langsung melalui Y sebesar 45,0%. Pengaruh ini bersifat positif.
  2. Pengaruh tidak langsung X2 terhadap Z melalui Y adalah sebesar 0,335 yang artinya jika X2 meningkat satu satuan unit maka Z dapat meningkat secara langsung dan tidak langsung melalui Y sebesar 33,5%. Pengaruh ini bersifat positif.

Penjelasan Nilai F Square dalam Partial Least Square

Selain menilai apakah ada atau tidak hubungan yang signifikan antar variabel, seorang peneliti hendaknya juga menilai besarnya pengaruh antar variabel dengan Effect Size atau f-square (Wong, 2013). Nilai f square 0,02 sebagai kecil, 0,15 sebagai sedang, dan nilai 0,35 sebagai besar. Nilai kurang dari 0,02 bisa diabaikan atau dianggap tidak ada efek (Sarstedt dkk., 2017).

Sebelum membahas tentang F Square, perlu diketahui bahwa nilai direct effects, indirect effects dan total effects diatas, hanya sebatas nilai koefisien estimasi saja. Sedangkan tingkat kemaknaan secara statistik atau yang disebut dengan istilah signifikansi atau probabilitas, tidak dapat dianalisis menggunakan partial least square. Melainkan harus dilakukan melalui analisis bootstrapping. Tentang bootstrapping tersebut akan dijelaskan pada artikel-artikel berikutnya.

Berikut hasil analisis F Square dalam tutorial PLS SEM ini:

Hasil analisis F Square PLS SEM
Hasil analisis F Square PLS SEM

Maka berdasarkan tabel nilai F Square diatas, yang efek size besar dengan kriteria F Square > 0,35 adalah tidak ada. Dan yang efek sedang yaitu dengan F Square antara ),15 sd 0,35 adalah pengaruh X1 terhadap Z. Pengaruh X1 terhadap Y, X2 terhadap Y, X2 terhadap Z dan Y terhadap Z termasuk kecil sebab nilai F Square berada dalam rentang 0,02 sd 0,15. Sedangkan pengaruh diabaikan tidak ada karena tidak ada yang mempunyai nilai f square < 0,02.

Koefisien Determinasi: R Square dan Adjusted R Square

Output Pengujian lainnya terhadap model dilakukan dengan melihat nilai R Square yang merupakan uji goodness-fit-model dalam inner model PLS SEM.

Pengertian R Square dan Adjusted R Square

Koefisien determinasi (R Square) merupakan cara untuk menilai seberapa besar konstruk endogen dapat dijelaskan oleh konstruk eksogen. Nilai koefisien determinasi (R Square) diharapkan antara 0 dan 1.

Nilai R Square sebesar 0,75, 0,50, dan 0,25 menunjukkan bahwa model kuat, moderat, dan lemah (Sarstedt dkk., 2017).

Chin memberikan kriteria nilai R Square sebesar 0,67, 0,33 dan 0,19 sebagai kuat, moderat, dan lemah (Chin, 1998 dalam Ghozali dan Latan, 2015).

Sedangkan Adjusted R Square adalah nilai R Square yang telah dikoreksi berdasarkan nilai standar error. Nilai Adjusted R Square memberikan gambaran yang lebih kuat dibandingkan R Square dalam menilai kemampuan sebuah konstruk exogen dalam menjelaskan konstruk endogen.

Hasil Analisis R Square dan Adjusted R Square

Berikut hasil analisis koefisien determinasi seperti pada gambar berikut:

R Square dan Adjusted R Square
R Square dan Adjusted R Square

Berdasarkan hasil analisis koefisien determinasi diatas, dapat disimpulkan sebagai berikut:

Nilai R Square pengaruh secara bersama-sama atau simultan X1 dan X2 Terhadap Y adalah sebesar 0,325 dengan nilai adjusted r square 0,311. Maka, dapat dijelaskan bahwa semua konstruk exogen (X1 dan X2) secara serentak mempengaruhi Y sebesar 0,311 atau 31,1%. Oleh karena Adjusted R Square kurang dari 33% maka pengaruh semua konstruk eksogen X1 dan X2 terhadap Y termasuk lemah.

Nilai R Square pengaruh secara bersama-sama atau simultan X1, X2 dan Y Terhadap Z adalah sebesar 0,530 dengan nilai adjusted r square 0,516. Maka, dapat dijelaskan bahwa semua konstruk exogen (X1, X2 dan Y) secara serentak mempengaruhi Z sebesar 0,516 atau 51,6%. Oleh karena Adjusted R Square lebih dari 33% namun kurang dari 67% maka pengaruh semua konstruk eksogen X1, X2 dan Y terhadap Z termasuk sedang.

Untuk menilai tingkat signifikansi pengaruh simultan ini, dapat dilakukan menggunakan analisis berikutnya yaitu analisis bootstrapping yang akan dijelaskan dalam artikel berikutnya tentang Bootstrapping.

Model Fit

Agar model memenuhi kriteria model fit, nilai SMSR harus kurang dari 0,05 (Cangur dan Ercan, 2015). Namun berdasarkan penjelasan dari situs SMARTPLS, batasan atau kriteria model fit antara lain: Nilai RMS Theta atau Root Mean Square Theta < 0,102, Nilai SRMR atau Standardized Root Mean Square <0,10 atau < 0,08 dan Nilai NFI > 0,9.

Berikut hasil penilaian model fit dalam tutorial ini:

Model Fit dalam Partial Least Square
Model Fit dalam Partial Least Square

Sesuai dengan gambar model fit diatas, maka nilai RMS Theta atau Root Mean Square Theta 0,245 > 0,102 dan Nilai NFI 0,680 < 0,9. Maka berdasarkan kedua penilaian model tersebut, tidak memenuhi kriteria model fit.

Namun berdasarkan Nilai SRMR atau Standardized Root Mean Square, nilainya sebesar 0,093 < 0,10 maka model fit. Sehingga dapat disimpulkan bahwa model fit dengan data.

Asumsi Inner Model Partial Least Square

Asumsi atau syarat pada analisis inner model partial least square adalah tidak terdapat masalah multikolinearitas yaitu terdapatnya interkorelasi yang kuat antar variabel latent.

SmartPLS versi 3 menggunakan Variance Inflation Factor (VIF) untuk mengevaluasi kolinearitas. Multikolinearitas cukup sering ditemukan dalam statistik.

Multikolinearitas merupakan fenomena di mana dua atau lebih variabel bebas atau konstruk eksogen berkorelasi tinggi sehingga menyebabkan kemampuan prediksi model tidak baik (Sekaran dan Bougie, 2016).

VIF

Nilai VIF harus kurang dari 5, karena bila lebih dari 5 mengindikasikan adanya kolinearitas antar konstruk (Sarstedt dkk., 2017).

Multikolinearitas atau adanya interkorelasi kuat antar variable bebas dalam tutorial PLS SEM ini ditunjukkan dalam nilai VIF Inner Model di bawah ini:

VIF inner model
VIF inner model

Berdasarkan nilai VIF dalam table diatas, tidak ada nilai VIF>5 maka tidak ada masalah multikolinearitas. Fakta tersebut didukung dengan tidak adanya korelasi antar variable bebas yang kuat seperti dalam table di bawah ini:

Korelasi Antar Konstruk

Korelasi Antar Variabel Latent
Korelasi Antar Variabel Latent

Tabel diatas menunjukkan bahwa tidak ada korelasi kuat (> 0,9 atau < -0,9) antar variable latent, maka tidak terdapat masalah multikolinearitas. Misalnya korelasi antara X1 dengan X2 sebesar 0,485<0,9. Oleh karena kurang dari 0,9 maka korelasi keduanya tidak kuat. Sehingga dapat disimpulkan bahwasanya dalam inner model ini tidak terdapat masalah pelanggaran asumsi multikolinearitas.

Demikian sementara kami cukupkan dulu tutorial PLS SEM ini pada bagian inner model. Untuk artikel selanjutnya akan membahas tentang bootstrapping. Analisis tersebut dapat menilai tingkat signifikansi dari berbagai nilai dalam analisis partial least square ini.

Baca: Bootstrapping PLS SEM Metode Basic SMARTPLS!

Tetap bersama kami, Anwar Hidayat dalam www.statistikian.com. PLS SEM menjadi mudah bersama kami. Salam sejahtera.

Referensi: https://www.smartpls.com/

Jasa Olah Data Aman Terpercaya

TINGGALKAN KOMENTAR

Please enter your comment!
Please enter your name here