PLS SEM R Studio Analisis Mediasi Model Reflektif: Library SEMinR

Sebelumnya pada artikel terdahulu kita telah membahas tata cara atau langkah-langkah melakukan uji CB SEM atau SEM berbasis covarians menggunakan aplikasi R Studio. Pada kesempatan ini kita akan membahas tutorial bagaimana cara untuk melakukan analisis Partial Least Square Structural Equation Modelling atau PLS SEM dengan R Studio yang didukung dengan library SEMinR.

Pelajari artikel sebelumnya tentang Tutorial Partial Least Square dalam PLS SEM!

Konsep Model PLS SEM R Studio Yang Dibangun

Dalam Tutorial ini kita akan coba melakukan uji PLS SEM disertai adanya variabel mediasi atau mediator variable. Model yang kita bentuk adalah “Pengaruh X1, X2 dan X3 Terhadap Y melalui M”. Jadi dalam hal ini M sebagai variabel mediasi atau perantara.

Identifikasi Variabel-variabel dalam PLS SEM dengan R Studio

Sedangkan variabel eksogen yang digunakan adalah X1, X2 dan X3. Dan sebagai variabel endogen adalah M dan Y, dimana M sebagai variabel terikat yang nanti pengaruh variabel eksogen dimediasi oleh M.

Apabila digambarkan dalam diagram adalah sebagai berikut:

Berdasarkan konsep model PLS SEM R Studio seperti dalam diagram diatas, variabel latent eksogen atau variabel bebas tidak terukur yaitu X1, X2 dan X3 masing-masing mempunyai 3 indikator atau variabel manifest. Dimana X1 misalnya mempunyai 3 indikator antara lain: X1.1, X1.2 dan X1.3.

Sedangkan variabel latent mediasi yaitu M terdiri dari 2 indikator antara lain: M.1 dan M.2. Dan Y sebagai variabel latent endogen terdiri dari 3 indikator yaitu Y.1, Y.2 dan Y.3.

Arah panah antara variabel latent dengan indikator adalah arah panah dari variabel latent menuju indikator, sehingga model ini adalah model reflektif bukan model formatif.

Pelajari juga tentang: Variabel PLS SEM, Data, Model Hubungan dan Asumsinya untuk mempelajari perbedaan antara PLS SEM model reflektif dengan model formatif serta materi tentang jenis-jenis variabel dalam PLS SEM.

Menetapkan Model Jalur atau Path Analysis

Berdasarkan diagram diatas, maka model jalur atau Path Analysis dalam analisis model PLS SEM R Studio yang akan diuji ini antara lain:

1. Direct Effects: Pengaruh langsung X1 terhadap M, Pengaruh langsung X2 terhadap M, Pengaruh langsung X3 terhadap M, Pengaruh langsung X1 terhadap Y, Pengaruh langsung X2 terhadap Y, Pengaruh langsung X3 terhadap Y dan Pengaruh langsung M terhadap Y.
2. Indirect Effects: Pengaruh tidak langsung X1 terhadap Y melalui M, Pengaruh tidak langsung X2 terhadap Y melalui M dan Pengaruh tidak langsung X3 terhadap Y melalui M.
3. Total Effects: Pengaruh total langsung X1 terhadap Y, Pengaruh total X2 terhadap Y dan Pengaruh total X3 terhadap Y.
4. Koefisien Determinasi: Pengaruh X1, X2 dan X3 Terhadap M serta Pengaruh X1, X2, X3 dan M Terhadap Y.

Persiapan Data

Silahkan agar anda dapat mengikuti tutorial ini dengan baik untuk kiranya dapat mendownload file excel yang merupakan file kerja tutorial ini di: Dataset File Kerja Tutorial PLS SEM R Studio. Selanjutnya anda simpan file tersebut di komputer di sebuah folder tersediri dimana nanti folder tersebut juga menjadi tempat menyimpan workplace analisis PLS SEM R Studio ini.

Tutorial PLS SEM dengan R Studio

Import Data Excel Ke R Studio

Buka aplikasi R Studio anda kemudian import data excel hasil download tadi menggunakan syntax seperti berikut:

library(readxl)
dataset <- read_excel("D:/Datablog 2024/Tutorial/PLS SEM R Studio/dataset.xlsx", sheet = "dataset")
View(dataset)
mydata=dataset

Kode atau syntax R Studio diatas menunjukkan bahwa data yang diimpor mempunyai nama dataset.xlsx yang tersimpan di folde: D:/Datablog 2024/Tutorial/PLS SEM R Studio/dataset.xlsx. Silahkan baris perintah ini anda ubah sesuai nama file dan folder tempat anda menyimpan file tersebut.

Kode dataset adalah nama sheet atau lembar kerja dalam file excel tersebut. Kemudian mydata adalah vector data yang dibentuk berdasarkan data yang ada dalam sheet dataset.

Import Library SEMinR

Untuk melakukan import library, pastikan komputer anda terhubung dengan internet. Kemudian ketikkan perintah di console sebagai berikut:

if(!require('seminr')) {
install.packages('seminr')
library('seminr')
}

Setelah selesai proses instalasi library tersebut, selanjutnya dalam tutorial PLS SEM R Studio ini, anda masuk pada tahap membentuk model pengukuran atau measurement model.

Perintah Measurement Model

Ketikkan perintah di console sebagai berikut:

model_mm <- constructs(
reflective("X1", multi_items("X1.", 1:3)),
reflective("X2", multi_items("X2.", 1:3)),
reflective("X3", multi_items("X3.", 1:3)),
reflective("M", multi_items("M.", 1:2)),
reflective("Y", multi_items("Y.", 1:3)))

Perintah reflective menunjukkan bahwa model yang dibangun adalah model reflektif. Variabel latent terdiri dari X1, X2, X3, M dan Y. Seperti yang telah dijelaskan sebelumnya diatas, masing-masing variabel latent mempunyai indikator yang diberi nama misalnya X.1, X.2 dan X.3.

Jika lebih dari 1 indikator maka menggunakan perintah multi_items misalnya: multi_items("X1.", 1:3)seperti diatas. Namun jika hanya 1 item misalnya maka kode diubah menjadi: single_items("X1.").

Nama model pengukuran tersebut diberi identifikasi sebagai: model_mm.

Perintah Structural Model

Untuk membnetuk model struktural maka ketikkan perintah di console sebagai berikut:

model_sm <- relationships(
paths(from = c("X1", "X2", "X3"), to = c("M")),
paths(from = c("X1", "X2", "X3", "M"), to = c("Y")))))

Perintah from menunjukkan bahwa model jalur yang dibentuk adalah panah dari dan to menunjukkan arahnya. Jadi kalau perintah: from = c("X1", "X2", "X3"), to = c("M")artinya jalur yang dibentuk adalah Pengaruh X1, X2 dan X3 Terhadap M.

Oleh karena ada 2 model regresi di dalam konsep ini maka kita menuliskan 2 model regresi juga yaitu:paths(from = c("X1", "X2", "X3"), to = c("M"))dan paths(from = c("X1", "X2", "X3", "M"), to = c("Y")).

Nama model struktural tersebut diberi identifikasi sebagai: model_sm.

Estimasi Model

Selanjutnya adalah running estimasi model PLS SEM R Studio yang sudah anda bentuk berdasarkan model pengukuran dan model struktural sebelumnya diatas. Perintahnya adalah:

my_model <- estimate_pls(data = mydata,
measurement_model = model_mm,
structural_model = model_sm,
inner_weights = path_weighting,
missing = mean_replacement,
missing_value = "-99")

Perintah diatas menunjukkan bahwa model pengukuran yang digunakan adalah yang sebelumnya diberi identifikasi sebagai:model_mm. Dan model struktural yang digunakan adalah yang sebelumnya diberi identifikasi sebagai:model_sm.

Model estimasi yang dibentuk tersebut kemudian diberi nama my_model.

Selanjutnya perintah berikut:

summary_model <- summary(my_model)

Setelah running perintah diatas, output yang dihasilkan tidak akan muncul begitu saja, melainkan harus ada perintah berikutnya berdasarkan vektor yang dibentuk dengan nama: summary_modelyang diambil dari hasil analisis my_model.

Model Pengukuran PLS SEM R Studio

Dalam model pengukuran ini akan ada beberapa output yang dapat kita hasilkan antara lain: Validitas Internal, Reliabilitas Internal, Validitas Konvergen dan Validitas Diskriminan atau Divergen.

Analisis Validitas Internal

Nilai loading di atas 0,7 menunjukkan bahwa konstruk dapat menjelaskan lebih dari 50% varians indikatornya (Wong K.K., 2013; Sarstedt dkk., 2017).

Untuk analisis ini menggunakan nilai factor loading. Jika nilai factor loading lebih dari 0,5 maka indikator tersebut dinyatakan valid.

summary_model$loadings

Output yang dihasilkan adalah:

Silahkan anda perhatikan bahwa semua indikator nilainya diatas 0,5 maka semua indikator valid. Misalnya X1.1 nilai factor loadingnya sebesar 0,742 dimana lebih dari 0,5 maka X1.1 dinyatakan valid.

Analisis Reliabilitas Internal dan Konvergen

Konsep Analisis Reliabilitas Internal dan Konvergen

Untuk analisis reliabilitas internal menggunakan nilai Cronbach’s Alpha dengan kriteria harus lebih dari 0,7. Nilai Reliabilitas Komposit berdasarkan nilai Composite Reliability (CR) dengan kriteria harus lebih dari 0,7. Nilai Unidimensionalitas model menggunakan nilai Rho A dengan kriteria harus lebih dari 0,7. Sedangkan reliabilitas konvergen menggunakan nilai Average Variance Extracted (AVE) dengan kriteria harus lebih dari 0,5.

Internal Consistency Reliability mengukur seberapa mampu indikator dapat mengukur konstruk latennya (Memon dkk., 2017). Alat yang digunakan untuk menilai hal ini adalah composite reliability dan Cronbach’s alpha. Nilai composite reliability 0,6 – 0,7 dianggap memiliki reliabilitas yang baik (Sarstedt dkk., 2017 ), dan nilai Cronbach’s alpha yang diharapkan adalah di atas 0,7 (Ghozali dan Latan, 2015).

Validitas konvergen ditentukan berdasarkan dari prinsip bahwa pengukur-pengukur dari suatu konstruk seharusnya berkorelasi tinggi (Ghozali dan Latan, 2015). Validitas konvergen sebuah konstruk dengan indikator reflektif dievaluasi dengan Average Variance Extracted (AVE). Nilai AVE seharusnya sama dengan 0,5 atau lebih. Nilai AVE 0,5 atau lebih berarti konstruk dapat menjelaskan 50% atau lebih varians itemnya (Wong K.K., 2013, Sarstedt dkk., 2017).

Uji unidimensionalitas adalah untuk memastikan bahwa sudah tidak ada masalah dalam pengukuran. Uji undimensionalitas dilakukan dengan menggunakan indikator composite reliability dan alfa cronbach. Untuk kedua indikator ini cut-value adalah 0,7.

Langkah Analisis Reliabilitas Internal dan Konvergen di PLS SEM R Studio

Syntax analisis reliabilitas dalam PLS SEM R Studio adalah sebagai berikut.

summary_model$reliability

Output yang dihasilkan adalah:

Berdasarkan gambar diatas, maka hasil analisis validitas dan reliabilitas dalam PLS SEM dengan R Studio dapat disimpulkan sebagai berikut:

1. Nilai Cronbach’s Alpha semua variabel diatas 0,7 kecuali M, maka semua variabel dinyatakan reliabel secara internal kecuali M. Misalnya X1 nilainya 0,756 dimana lebih dari 0,7.
2. Nilai rhoC atau Composite Reliability semua variabel diatas 0,7 kecuali M, maka semua variabel dinyatakan reliabel secara komposit kecuali M. Misalnya X2 nilainya 0,726 dimana lebih dari 0,7.
3. Nilai AVE semua variabel diatas 0,5 kecuali X2 dimana nilainya 0,470. Maka semua variabel dinyatakan reliabel secara konvergen kecuali X2.
4. Nilai rhoA atau Unidimensionalitas Model semua variabel diatas 0,7 kecuali M, maka semua variabel dinyatakan reliabel secara unidimensionalitas kecuali M. Misalnya X3 nilainya 0,818 dimana lebih dari 0,7.

Untuk melihat hasil analisis reliabilitas secara visual dalam bentuk diagram, ketikkan perintah:

plot(summary_model$reliability)

Diagram tersebut tampillannya sebagai berikut:

Tampak secara visual bahwa semua variabel telah reliabel kecuali M. Namun, pada penelitian yang sifatnya masih baru dikembangkan, batasan reliabilitas 0,6 atau AVE 0,4 masih dapat ditoleransi.

Analisis Validitas Diskriminan

Validitas diskriminan bertujuan untuk menentukan apakah suatu indikator reflektif benar merupakan pengukur yang baik bagi konstruknya berdasarkan prinsip bahwa setiap indikator harus berkorelasi tinggi terhadap konstruknya saja. Pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi tinggi (Ghozali dan Latan, 2015).

Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten benar-benar berbeda dengan konstruk lainnya. Nilai discriminant validity yang tinggi memberikan indikasi bahwa suatu konstruk adalah unik dan mempu menjelaskan fenomena yang diukur.

Untuk analisis diskriminan dalam PLS SEM R Studio dapat menggunakan nilai Cross Loading, Forner Larcker Criterion dan Heterotrait Monotrait (HTMT). Jika nilai factor loading lebih dari 0,5 maka indikator tersebut dinyatakan valid.

Berikut perintahnya:

summary_model$validity$cross_loadings
summary_model$validity$fl_criteria
summary_model$validity$htmt
boot_model_htmt <- bootstrap_model(seminr_model = my_model, nboot = 1000)
sum_boot_model_htmt <- summary(boot_model_htmt, alpha = 0.10)
sum_boot_model_htmt$bootstrapped_HTMT

Perintah diatas menunjukkan upaya ekstraksi nilai-nilai dari vektor yang telah dijalankan analisis sebelumnya dengan diberi identifikasi sebagai summary_model. Nilai yang diekstraksi antara lain: Cross Loading, Forner Larcker Criterion dan Heterotrait Monotrait (HTMT).

Cross Loading

Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan bahwa korelasi konstruk dengan item pengukuran lebih besar daripada konstruk lainnya. Nilai cross loading yang diharapkan adalah lebih besar dari 0,7 (Ghozali dan Latan, 2015).

Berdasarkan gambar diatas menunjukkan bahwa semua Nilai Cross Loading lebih besar dari pada korelasinya dengan indikator lainnya. Misalnya nilai cross loading indikator X1.1 sebesar 0,799 dimana lebih besar dari pada korelasinya dengan konstruk X2 sebesar 0,281. Dengan konstruk X3 sebesar 0,397. Dengan konstruk M sebesar 0,410 dan dengan konstruk Y sebesar 0,441. Oleh karena semua indikator Nilai Cross Loading lebih besar dari pada korelasinya dengan indikator lainnya, maka dapat dinyatakan bahwa semua indikator valid secara diskriminan.

Forner Larcker Criterion

Suatu konstruk dikatakan valid yakni dengan membandingkan nilai akar dari AVE (Fornell-Larcker Criterion) dengan nilai korelasi antar variabel latent. Nilai akar AVE harus lebih besar dr korelasi antar variable laten. Untuk menilai validitas diskriminan adalah dengan Fornell Larcker Criterion, yaitu sebuah metode tradisional yang telah digunakan lebih dari 30 tahun, yang membandingkan nilai akar kuadrat dari Average Variance Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam model (Henseler dkk., 2015).

Jika nilai akar kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antar konstruk dengan konstruk lainnya dalam model, maka model tersebut dikatakan memiliki nilai validitas diskriminan yang baik (Fornell dan Larker, 1981 dalam Wong, 2013).

Nilai Forner Larcker Criterion variabel X1 sebesar 0,719 dimana lebih besar dari pada korelasinya dengan konstruk lainnya yaitu dengan X2 sebesar 0,367, dengan X3 sebesar 0,509, dengan M sebesar 0,434 dan dengan Y sebesar 0,559. Maka kesimpulannya X1 valid secara diskriminan berdasarkan nilai Forner Larcker Criterion.

Berdasarkan hasil analisis diatas, maka nilai Forner Larcker Criterion semua variabel lebih besar dari pada korelasinya dengan konstruk lainnya sehingga dapat disimpulkan bahwa semua variabel telah valid secara diskriminan berdasarkan perhitungan Forner Larcker Criterion.

HTMT

Beberapa ahli berpendapat bahwa cross loading dan Fornell-Larcker Criterion kurang sensitif dalam menilai validitas diskriminan. HTMT merupakan metode alternatif yang direkomendasikan untuk menilai validitas diskriminan. Metode ini menggunakan multitrait-multimethod matrix sebagai dasar pengukuran. Nilai HTMT harus kurang dari 0,9 untuk memastikan validitas diskriminan antara dua konstruk reflektif (Henseler dkk., 2015).

Nilai HTMT semuanya tidak ada yang lebih dari atau sama dengan 0,9 maka semua variabel valid secara diskriminan berdasarkan perhitungan HTMT. Namun untuk memastikan sebaiknya dilakukan bootstrapping.

Perintah boot_model_htmt adalah perintah untuk membuat vektor dari upaya bootstrapping yang mana untuk mendapatkan nilai batas bawah dan batas atas nilai HTMT pada derajat kepercayaan 90% atau tingkat kesalahan 10% one tail dengan kodealpha = 0.10 . Nilai HTMT dapat disimpulkan bahwa variabel valid secara diskriminan jika batas atas HTMT pada derajat kepercayaan 90% one tail atau setara 95% two tail tidak lebih dari 0,9. Hasilnya sebagai berikut:

Hasil bootstrap terhadap HTMT ternyata masih ada nilai yang lebih dari 0,9 pada batas atas derajat kepercayaan 95% two tail yaitu X3 dengan M dan M dengan Y. Sehingga dapat disimpulkan bahwa masih terdapat masalah validitas diskriminan.

Namun dalam pembelajaran tutorial PLS SEM R Studio ini, masalah tersebut coba kita abaikan saja, selain itu hasil validitas diskriminan lainnya telah menunjukkan bahwa semua variabel telah valid secara diskriminan atau secara divergen.

Analisis Multikolinearitas Outer Level

Analisis multikolinearitas outer level digunakan untuk menilai kekuatan hubungan antar indikator. Model yang bagus adalah model yang antar indikatornya tidak ada korelasi kuat. Hal ini dapat ditandai berdasarkan nilai VIF indikator.

Analisis pada PLS SEM dengan R Studio adalah ketikkan perintah berikut:

# Inspect the measurement model VIF
summary_model$validity$vif

Perintah diatas menunjukkan upaya ekstraksi nilai vif dari vektor yang telah dijalankan analisis sebelumnya dengan diberi identifikasi sebagai summary_model. Hasilnya adalah sebagai berikut:

Berdasarkan output diatas, semua nilai VIF tiap indikator kurang dari 5 maka dapat disimpulkan bahwa pada analisis ini tidak ada masalah multikolinearitas.

Model Structural PLS SEM R Studio

Dalam model structural ini akan ada beberapa output yang dapat kita hasilkan antara lain: Direct Effects, Indirect Effects, Total Effects, Effect Size atau F-Square dan Koefisien Determinasi.

Direct Effects

Nilai path coefficients berkisar antara -1 hingga +1. Semakin mendekati nilai +1, hubungan kedua konstruk semakin kuat. Hubungan yang makin mendekati -1 mengindikasikan bahwa hubungan tersebut bersifat negatif (Sarstedt dkk., 2017).

Langkah

Cara melakukan analisis direct effects pada PLS SEM dengan R Studio adalah ketikkan perintah:

# Bootstrap the model
boot_model <- bootstrap_model(seminr_model = my_model, nboot = 1000)
sum_boot_model <- summary(boot_model, alpha = 0.05)

Perintah boot_model adalah langkah membuat vektor dengan cara bootstrapping terhadap vektor my_model yang nanti nilainya akan diekstraksi untuk memunculkan nilai-nilai Direct Effects, Specific Indirect Effects, Total Indirect Effects dan Total Effects.

Bootstrap yang dilakukan sebanyak nboot = 1000 yaitu 1000 kali pada probabilitas alpha = 0.05 yaitu 5% atau derajat kepercayaan 95%.

Sedangkan sum_boot_model merupakan vektor yang digunakan untuk menampung hasil bootstrapping sebelumnya untuk kemudian dapat ditampilkan di layar.

Setelah itu:

# Inspect the structural paths
sum_boot_model$bootstrapped_paths

Hasil

Maka hasil analisisnya adalah:

Berdasarkan output diatas, maka kami ambil contoh 2 saja interpretasinya terhadap nilai direct effects atau pengaruh langsung pada PLS SEM dengan R Studio ini, yaitu:

1. Pengaruh langsung X1 terhadap M sebesar -0,005 dengan nilai hasil bootstrap sebesar -0,004 yang bernilai negatif sehingga setiap peningkatan 1 unit X1 maka akan menurunkan M sebesar 0,4%. Pengaruh ini berdasarkan nilai Absolut T Hitung sebesar 0,035 dimana kurang dari t tabel 1,96 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.
2. Pengaruh langsung X3 terhadap M sebesar 0,617 dengan nilai hasil bootstrap sebesar 0,618 yang bernilai positif sehingga setiap peningkatan 1 unit X3 maka akan meningkatkan M sebesar 61,8%. Pengaruh ini berdasarkan nilai Absolut T Hitung sebesar 4,830 dimana lebih dari t tabel 1,96 maka terima H1 yang artinya pengaruh langsung tersebut signifikan.

Jadi kesimpulan analisis direct effects pada PLS SEM R Studio ini berdasarkan output diatas adalah: yang berpengaruh signifikan adalah X2 terhadap M dan X3 terhadap M.

Total Effects

Ketikkan perintah:

# Inspect the total efects
sum_boot_model$bootstrapped_total_paths

Hasilnya:

Berdasarkan output diatas, total effects yang signifikan dengan kriteria T Hitung lebih besar dari pada t tabel 1,96 adalah pengaruh total: X1 terhadap Y, X2 terhadap M, X3 terhadap M dan X3 terhadap Y.

Total Indirect Effects

Ketikkan perintah:

# Inspect total indirect efects
summary_model$total_indirect_effects

Hasilnya:

Pengaruh tidak langsung total X1 terhadap Y sebesar -0,002, X2 terhadap Y sebesar 0,134 dan X3 terhadap Y sebesar 0,203.

Specific Indirect Effects

Ketikkan perintah:

# Inspect indirect efects
specific_effect_significance(boot_model,
from = "X1",
through = "M",
to = "Y",
alpha = 0.05)
specific_effect_significance(boot_model,
from = "X2",
through = "M",
to = "Y",
alpha = 0.05)
specific_effect_significance(boot_model,
from = "X3",
through = "M",
to = "Y",
alpha = 0.05)

Hasilnya adalah:

Berdasarkan output PLS SEM R Studio diatas dapat disimpulkan sebagai berikut:

1. Pengaruh tidak langsung X1 terhadap Y melalui M sebesar -0,001574103 dengan hasil bootstrap sebesar 0,067, dimana absolut T Hitung sebesar 0,001 < 1,96 sehingga terima H0 yang artinya X1 tidak berpengaruh signifikan secara tidak langsung terhadap Y melalui M.
2. Pengaruh tidak langsung X2 terhadap Y melalui M sebesar 0,13407947 dengan hasil bootstrap sebesar 0,157, dimana absolut T Hitung sebesar 0,058 < 1,96 sehingga terima H0 yang artinya X2 tidak berpengaruh signifikan secara tidak langsung terhadap Y melalui M.
3. Pengaruh tidak langsung X2 terhadap Y melalui M sebesar 0,20294875 dengan hasil bootstrap sebesar 0,263, dimana absolut T Hitung sebesar 0,067 < 1,96 sehingga terima H0 yang artinya X2 tidak berpengaruh signifikan secara tidak langsung terhadap Y melalui M.

Effect Size atau F-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 0,02 sebagai kecil, 0,15 sebagai sedang, dan nilai 0,35 sebagai besar. Nilai kurang dari 0,02 bisa dabaikan atau dianggap tidak ada efek (Sarstedt dkk., 2017).

Perintahnya dalam PLS SEM R Studio adalah:

# Inspect the efect sizes
summary_model$fSquare

Hasilnya:

Maka efek size yang nilainya masuk kategori besar adalah pengaruh X2 terhadap M yaitu 0,621 dan pengaruh X3 terhadap M yaitu 1,093. Efek size yang masuk kategori kecil adalah pengaruh X1 terhadap Y, X3 terhadap Y dan M terhadap Y. Sedangkan yang masuk kategori sedang tidak ada. Serta yang diabaikan adalah pengaruh X1 terhadap M dan X2 terhadap Y.

Koefisien Determinasi

Output Pengujian lainnya terhadap model dilakukan dengan melihat nilai R – Square  yang merupakan uji goodness-fit-model.

Koefisien determinasi (R²) merupakan cara untuk menilai seberapa besar konstruk endogen dapat dijelaskan oleh konstruk eksogen. Nilai koefisien determinasi (R²) diharapkan antara 0 dan 1. Nilai R² 0,75, 0,50, dan 0,25 menunjukkan bahwa model kuat, moderat, dan lemah (Sarstedt dkk., 2017). Chin memberikan kriteria nilai R2 sebesar 0,67, 0,33 dan 0,19 sebagai kuat, moderat, dan lemah (Chin, 1998 dalam Ghozali dan Latan, 2015).

Caranya pada PLS SEM R Studio adalah ketikkan perintah:

# Inspect the model RSquared
summary_model$paths

Hasilnya:

Kesimpulan analisis koefisien determinasi adalah:

1. Pengaruh secara bersama-sama X1, X2 dan X3 terhadap M adalah sebesar 0,824 dengan Adjusted R Square sebesar 0,821. Sehingga secara bersama-sama X1, X2 dan X3 dapat menjelasakan M sebesar 82,1%. Oleh karena lebih dari 67% maka masuk kategori Kuat.
2. Pengaruh secara bersama-sama X1, X2, X3 dan M terhadap Y adalah sebesar 0,746 dengan Adjusted R Square sebesar 0,739. Sehingga secara bersama-sama X1, X2, X3 dan M dapat menjelasakan Y sebesar 73,9%. Oleh karena lebih dari 67% maka masuk kategori Kuat.

Multikolinearitas Inner Model

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).

Cara melakukan uji Multikolinearitas inner model pada PLS SEM R Studio adalah ketikkan perintah:

# Inspect the structural model collinearity VIF
summary_model$vif_antecedents

Hasilnya:

Berdasarkan output diatas, semua nilai VIF tiap konstruk latent tidak ada yang lebih dari 5 maka dapat disimpulkan bahwa tidak terdapat masalah Multikolinearitas.

Demikianlah secara keseluruhan cara atau tutorial prosedur analisis PLS SEM dengan menggunakan aplikasi R Studio dimana framework atau alat bantu library yang digunakan adalah SeminR.

Daftar Pustaka PLS SEM R dengan Studio

Cangur S. dan Ercan I. 2015. Comparison of Model Fit Indices Used in Structural Equation Modeling Under Multivariate Normality. Journal of Modern Applied Statistical Methods. Vol. 14, No. 1 : 152 – 167.

Ferdinand A. 2014. Metode Penelitian Manajemen, Pedomen Penelitian Untuk Penulisan Skripsi, Tesis, dan Disertasi Ilmu Manajemen. Ed. Ke-5. Badan Penerbit Universitas Diponegoro, Semarang.

G. David Garson and Statistical Associates Publishing (2016). PARTIAL LEAST SQUARES (PLS-SEM). School of Public & International Affairs North Carolina State University.

Ghozali I. dan Latan H. 2015. Partial Least Squares Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0. Ed. Ke-2. Badan Penerbit Universitas Diponegoro, Semarang.

Henseler J., Ringle C.M., dan Sarstedt M. 2015. A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science. Vol. 43 : 115 – 135.

Memon, M. A., Ting, H., Ramayah, T., Chuah, F., & Cheah, J. H. (2017), “A review of the methodological misconceptions and guidelines related to the application of structural equation modeling: A Malaysian scenario”, Journal of Applied Structural Equation Modeling, Vol. 1 No. 1, pp. i-xiii.

Sarstedt M., Ringle C.M., dan Hair J.F. 2017. Partial Least Square Structural Equation Modeling. Dalam : Homburg C., Klarmann M., Vomberg A. (eds) Handbook of Marketing Research. Springer, Cham.

Sekaran U. dan Bougie R. 2016. Research Methods for Business. 7 th ed. John Wiley & Sons Ltd, Chichester.

Wold, Herman (1985). Partial least squares, Pp. 581-591 in Samuel Kotz and Norman L. Johnson, eds., Encyclopedia of statistical sciences, Vol. 6, New York: Wiley, 1985.

Wong K.K. 2013. Partial Least Squares Structural Equation Modeling (PLS-SEM) Techniques Using SmartPLS. Marketing Bulletin. Vol.24: Technical Note1.

Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research. Vol. 37 : 197 – 206.