Warp PLS

Penelitian dengan Software Warp PLS 3.0

Langkah – langkah (standar) Analisis Data dengan PLS 

Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai berikut:

a.       Merancang Model Struktural (Inner Model)

Inner Model atau Model Struktural menggambarkan hubungan antar  variabel laten berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian. 

b.      Merancang Model Pengukuran (Outer Model) 

Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional variabel.

c.       Konversi Diagram Jalur ke Sistem Persamaan 

1)      Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut: 

Ŋ = β0 + βŋ + Гξ + ζ 

Ŋj = Σi βji ŋi + Σi үjb ξb + ζj 

2)      Model persamaan dasar Outer Model dapat ditulis sebagai berikut: 

X = Λx ξ + εx Y = Λy ŋ + εy 

d.      Estimasi : Weight, Koefisien Jalur, dan Loading 

Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu: 

1)      Weight estimate yang digunakan untuk menghitung data variabel laten.

2)  Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.

3)      Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.

e.       Evaluasi Goodness of Fit 

Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. 

Q2 = 1 – ( 1 - R12 ) ( 1 – R22 ) … (1 – Rp2) 

Besaran memiliki nilai dengan rentang 0-2 pada analisis jalur (path analysis). 

f.       Pengujian Hipotesis (Resampling Bootstraping) 

Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value.

Langkah-langkah penggunaan software WarpPLS 3.0

a.       Tahap 1: Tabulasi Data

Input data melalui excel dan menyimpan dalam bentuk  File NotePad (txt). Dengan cara klik  Save As pilih Other Formats  dan memberi nama file. Pada kolom Save As type pilih text (tab delimited) lalu klik save.

b.      Tahap 2: Menjalankan Program WarpPLS 3.0

1)      Jalankan program VPLS dengan mengklik shortcut program WarpPLS 3.0 desktop layar komputer

2)      Muncul tampilan jendela program WarpPLS 3.0

3)      Klik Proceed to use software

4)      Analisa melalui lima langkah :

a)      Langkah 1 : Membuka atau membuat file proyek 

Membuat proyek atau pekerjaan baru dengan klik Create Project File dan disimpan dalam file komputer.  File akan tersimpan dalam bentuk “.prj” dan telah berisi komponen yang telah berisi komponen yang diperlukan dalam melakukan analisis SEM.

b)      Langkah 2 : Membaca data mentah yang akan digunakan dalam anailsis SEM

Pembacaan data mentah dengan klik Read Raw Data File. 

Memilih data BAR dalam bentuk notpad teks. Selanjutnya klik Open, maka akan muncul jendela dengan judul Import Wizard. Selanjutnya klik Next lalu Finish.

Dalam langkah ini diharapkan dilakukan pemeriksanaan data tabulasi awal dan format yaitu jumlah observasi pada baris dan nama-nama indikator  variabel laten pada kolom, jika sudah benar maka klik  dan format yaitu jumlah observasi pada baris dan nama-nama indikator  variabl laten pada kolom, jika sudah benar maka klik YES  jika belum maka daiadakan peengcekan ulang dengan terlebih dahulu menghentikan program.

c)      Langkah 3 : Pre-Process data untuk analisis SEM

Klik  Pre-Process, biasanya tampilan menunjukkan tidak ada masalah dalam data, seperti missing Vales, Zero Variance Problem dan Rank Problems. Seingga muncul data yang telah terstandarisasi. Data yang terstandarisasi  umumnya bernilai antara -4 sampai dengan 4. Jika ada Missing Values maka akan mnjadi nol karena diganti dengan nilai rata-rata indikator pada kolom.

d)     Langkah 4 : Mendefinisi Model SEM

Klik proses 4  kemudian :

-       Menggambar variabel laten dan mengisinya dengan indikator

-       Membuat hubungan langsung (direct llink)  dan hubungan moderasi (moderating link) yang disebut sebagai Inner Model.

e)      Langkah 5 : Menjelaskan Analisis SEM dan melihat hasilnya

Pembacaan output :

-       General Result : 

Nilai P untuk APC dan ARS  harus lebih kecil dari 0,05 taua berarti signifikan. Dari hasil tersebut dapat dilihat bahwa nilai P untuk APC dan ARS lebih kecil dari 0,05. Nilai AVIF sebagai indikator multikolinearitas harus lebih kecil dari 5.

-       Path  Coefficients and P values

Kolom ini menunjukkan variabel laten prediktor dan baris menunjukkan variabel laten kriterion.

-       Standar Errors and Effect Size for Path Coeficient

Nilai effct size dikelompokkan menjadi tiga kategori  yaitu lemah (0,02)  medium (0,15) dan besar (0,35).  Jika nilai effect size sebesar 0,20 menunjukkan bahwa pengaruh variabel laten prediktor sangat lemah dari pandangan praktis meskipun mempunyai nilai p yang signifikan.

-       Output Combined loadings and Cross-loadings

Terdapat dua kriteria untuk menilai apakah outer model memenuhi validitas konvergen untuk konstruk yang relatif. Loading harus diatas nilai 0,70  dan nilai signifikansi (<0,50)

-       Indicator Weight

Karena dari tahap awal menggunakan konstruk relatif maka output ini menjadi tidak relevan dalam laporan penelitian. Tetapi jika memakai variabel laten formatif maka akan disajikan, tetapi dikatakan variabel tersebut telah dikatakan layak dinilai apabila pada bobot P nilai <0,05 dan nilai VIF kurang dari 3,3. 

-       Laten Variabel Coefficients

Nilai R-square  menunjukkan berapa presentase variasi konstruk endogen dapat dijelaskan oleh konstruk yang dihipotesiskan mempengaruhinya (eksogen). Nilai AVE selain untuk reliabilitas bisa dipergunakan sebagai validitas konvergen. Nilai VIF harus kurang dari 3,3 untuk menunjukkan bahwa model bebas dari masalah kolinearitas dan common method bias.

-       Correlations among latent variables

Output ini dipergunakan untuk evaluasi validitas diskriminan . kriteria yang dipergunakan adalah akar kuadrat AVE, yaitu kolom diagonal yang diberi tanda kurung harus lebih tinggi dari korelasi antar variabel laten pada kolom yang sama. 

-       VIF

Bagian ini menunjukkan apakah model mempunyai maslah dalam kolinaritas vertikal, jika menunjukkan angka kurang dari 3,3 maka menunjukkan bebas dari kolinearitas. 

-       Correlation among Indicators

Tampilan ini hanya menunjukkan korelasi antar indikator.

-       Linear and Non linear Realtionship among Latent variabel