Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013 based on Erny’s research S2-IKM STIKIM menuju…Universitas Indonesia Maju.

Presentasi serupa


Presentasi berjudul: "Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013 based on Erny’s research S2-IKM STIKIM menuju…Universitas Indonesia Maju."— Transcript presentasi:

1 Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013 based on Erny’s research S2-IKM STIKIM menuju…Universitas Indonesia Maju

2 Thing of Interest… Kita akan melakukan 2 analisis GoF [Goodness of Fit]… Yaitu: GoF Outer Model [Measurement Model] GoF Inner Model [Structural Model]

3 Thing of Interest… Ada 2 output yang akan kita gunakan untuk analisis kedua GoF tersebut… Yaitu: PLS Algorithm output BOOTSTRAP output Kedua output ini diberikan dalam bentuk: Gambar Model [bisa disimpan sebagai image] Text output [bisa berupa text atau HTML]

4 So,… Let’s START…

5 First Model… why first? you’ll found the answer later… PLS Algorithm output… Cirinya… Angkanya nol koma

6 Uji Validitas Do GoF for outer models … Nilai [loading factor] X7 = X8 = X9 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… hampir 0.5 Valid… Jauh diatas 0.5 Tidak Valid… Jauh dibawah 0.5 Namun, jangan buru-buru kita buang indikator X9 ini dari model. Kita cek di output lainnya untuk menguatkan. Jadi saat ini baru kandidat untuk di-buang!

7 Uji Validitas Do GoF for outer models Nilai [loading factor] X10 = X11 = X12 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Tidak Valid… dibawah 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5 Namun, jangan buru-buru kita buang indikator X10 ini dari model. Kita cek di output lainnya untuk menguatkan. Jadi saat ini baru kandidat untuk di-buang!

8 Uji Validitas Do GoF for outer models Nilai [loading factor] X4 = X5 = X6 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5

9 Uji Validitas Do GoF for outer models Nilai [loading factor] X1 = X2 = X3 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5 Tidak Valid… Jauh dibawah 0.5 Namun, jangan buru-buru kita buang indikator X3 ini dari model. Kita cek di output lainnya untuk menguatkan. Jadi saat ini baru kandidat untuk di-buang!

10 Uji Validitas Do GoF for outer models Convergent Validity - result Indikator [loading factor] Validitas X10.962Valid X20.891Valid X30.297Tidak Valid X40.827Valid X50.745Valid X60.853Valid X70.499Valid X80.787Valid X90.332Tidak Valid X Tidak Valid X Valid x Valid Ada 3 indikator yang perlu di uji lanjutan untuk menentukan apakah dibuang atau tetap dipertahankan!

11 Uji Validitas Do GoF for outer models Discriminant Validity…based on AVE value Hint: Indikator dikatakan valid secara discriminant, jika nilai AVE-nya [ ] > 0.5 Bidan, Kondisi, Motivasi …VALID Suami…TIDAK VALID Hal ini terjadi karena di variabel SUAMI ada indikator yang tidak valid secara convergent validity… Ini tanda bahwa indkator yang tidak valid di variabel SUAMI harus dibuang!

12 Uji Validitas Do GoF for outer models Discriminant Validity…based on cross validation Hint: Valid jika nilai loading ke variabel nya paling besar dibandingkan dengan ke variabel lain. Motivasi = x1,x2,x3 Kondisi = x4,x5,x6 Suami = x7,x8,x9 Bidan = x10,x11,x12 Valid Tidak Valid Ada 4 indikator yang tidak valid dari cross loading yaitu: x3, x6, x9, x10

13 Uji Validitas Do GoF for outer models Tabulasi hasil validitas secara convergent dan discriminant validity… Indikator Convergent validity Discriminant validity X1Valid X2Valid X3Tidak Valid X4Valid X5Valid X6ValidTidak Valid X7Valid X8Valid X9Tidak Valid X10Tidak Valid X11Valid x12Valid Ada 3 indikator yang Dari kedua uji validitas Hasilnya tidak valid Yaitu: x3, x9, x10 Namun ada 1 indikator yang tidak valid hanya Secara discriminant validity Dari hasil ini; x3, x9, x10 bisa saja langsung kita buang sementara x6 kita pertahankan. Namun, jika secara teori semua indikator kuat, maka kita perlu satu uji lagi untuk memastikan siapa yang kita buang!

14 Do GoF for outer models Untuk memastikan indikator mana yang dibuang, maka terakhir…. Kita lihat melalui nilai t-value yang digenerate dari BOOTSTRAP….

15 BOOTSTRAP output…

16 Uji Signifikansi Do GoF for outer models Nilai t-value X7 = X8 = X9 = Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… signifikan Tidak signifikan KANDIDAT KUAT untuk di-buang dari model!

17 Uji Signifikansi Do GoF for outer models Nilai t-value X4 = X5 = X6 = Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… signifikan

18 Uji Signifikansi Do GoF for outer models Nilai t-value X10 = X11 = X12 = Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… signifikan

19 Uji Signifikansi Do GoF for outer models Nilai t-value X1 = X2 = X3 = Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… signifikan

20 Uji Validitas + Uji Signifikansi Indikator Do GoF for outer models Tabulasi hasil … Indikator Convergent validity Discriminant validity Uji Signifikansi X1Valid Signifikan X2Valid Signifikan X3Tidak Valid Signifikan X4Valid Signifikan X5Valid Signifikan X6ValidTidak ValidSignifikan X7Valid Signifikan X8Valid Signifikan X9Tidak Valid Tidak Signifikan X10Tidak Valid Signifikan X11Valid Signifikan x12Valid Signifikan Hasil: X9 – buang X3,x6,x10 diserahkan sepenuhnya ke peneliti dan dampak dari hasil uji. Sehingga disini peneliti bisa membuang satu- persatu sambil mencari modle yang paling baik. Dari hasil examinasi, maka X9 dan X3 yang dibuang !!!

21 GoF for outer models Dari hasil uji validasi dan uji signifikansi, maka ada 2 indikator yang dibuang… Yaitu x3 dan x9…sehingga model berubah…ini lah alasan kenapa tadi disebut model awal [first model]…

22 Mari kita analisa model kedua… Yang bisa jadi model akhir, jika semua hasil memadai…

23 Last Model… … PLS Algorithm output…

24 Uji Validitas Do GoF for outer models Nilai [loading factor] X7 = X8 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… Diatas 0.5 Valid… Jauh diatas 0.5

25 Uji Validitas Do GoF for outer models Nilai [loading factor] X10 = X11 = X12 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Tidak Valid… dibawah 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5 Peneliti mempertahankan indikator ini… Karena uji lainnya menyatakan indikator ini memadai dan secara teori kuat.

26 Uji Validitas Do GoF for outer models Nilai [loading factor] X4 = X5 = X6 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5

27 Uji Validitas Do GoF for outer models Nilai [loading factor] X1 = X2 = Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [ ] >= 0.5 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5

28 Uji Validitas Do GoF for outer models Discriminant Validity…based on AVE value Hint: Indikator dikatakan valid secara discriminant, jika nilai AVE-nya [ ] > 0.5 SEMUA …VALID

29 BOOTSTRAP output… SEMUA INDIKATOR …SIGNIFIKAN T-value > 1.96

30 GoF untuk outer model…DONE Melaju ke fase kedua… GoF inner model…

31 Do GoF for inner models Pada GoF inner model ini…kita harus pastikan semua pengaruh antar variabel adalah SIGNIFIKAN… Jika ada pengaruh variabel satu ke variabel lainnya tidak signifikan, maka garis pengaruh tersebut harus di- BUANG!

32 Do GoF for inner models Untuk menguji signifikansi pengaruh, maka lihat t-value nya… Kemudian bandingkan dengan z-score… Jika t-value > z-score, maka SIGNIFIKAN! Tabel z-score berdasarkan Confident Intervalnya pada hipotesis 2-tail CIZ-score 95 % % % % % %1.04

33 BOOTSTRAP output… Do GoF for inner models signifikan ALL PATH …SIGNIFIKAN karena T-value > 1.96 Uji Signifikasni Path

34 PLS ALGORITHM output… Do GoF for inner models Hitung Q-square predictive relevance R 1 2 = R 2 2 = Q 2 = 1 – (1-R 1 2 )(1-R 2 2 ) = 1 – ( )( ) = 1 - (0.239)(0.453) = = Q-square predictive relevance = 89.2 %

35 KELAAAAAR… Selesai…. Secara GoF sudah…tinggal diperdalam pembahasannya… Antara lain: Analisa besar pengaruh Analisa prosentase pengaruh dll Semoga bermanfaat….have a nice day! -adiwjj, STIKIM 2013-

36 MENGHITUNG BESAR PENGARUH

37 ANALISA BESAR PENGARUH Kita petakan dulu, siapa saja yang punya pengaruh Langsung dan/atau Tidak Langsung ke variabel ENDOGEN TERAKHIR. Dari model kita, maka ENDOGEN Terakhir adalah MOTIVASI. Note: Terminologi lain dari PENGARUH ini antara lain: -Effect, sehingga ada Direct Effect dan Indirect Effect -Path, sehingga ada Direct Path dan Indirect Path Istilah “RHO” sebaiknya dihindari, karena “RHO” adalah istilah pengaruh pada kajian “PATH ANALYSIS”…kita kan SEM, jadi agak beda istilah.

38 MEMETAKAN SIAPA PUNYA PENGARUH LANGSUNG/TIDAK LANGSUNG… Jika dilihat dari gambar, maka yang maka berikut daftar pengaruh: Path Pengaruh LangsungTidak Langsung Suami -> Motivasi YATIDAK Kondisi -> Motivasi YATIDAK Bidan -> Motivasi YAYA [via Kondisi]

39 MENGHITUNG BESAR PENGARUH Path Pengaruh TOTAL LANGSUNGTidak LANGSUNG Suami -> Motivasi Kondisi -> Motivasi Bidan -> Motivasi = Pengaruh tidak langsung BIDAN thd MOTIVASI via kondisi adalah: = (bidan->kondisi) x (kondisi->motivasi) = x = Dibulatkan menjadi Bidan -> Kondisi Kondisi -> Motivasi

40 HASIL PERHITUNGAN MANUAL BESAR PENGARUH vs HASIL SMARTPLS… Path Pengaruh TOTAL LANGSUNGTidak LANGSUNG Suami -> Motivasi Kondisi -> Motivasi Bidan -> Motivasi = Hampir sama… Agak beda karena pembulatan angka..jika yang dioperasikan full angkanya tanpa pembulatan, maka hasil akan sama…

41 MENGHITUNG PROSENTASE PENGARUH Menyajikan besar Pengaruh dalam bentuk Prosentase…

42 Menghitung PROSENTASE PENGARUH Untuk merubah dari PATH COEFFICIENT menjadi PROSENTASE, Rumusnya: = (path coefficient x Latent Variabel Correlation) x 100%

43 Menghitung PROSENTASE PENGARUH…SUAMI thd MOTIVASI Contoh perhitungan % pengaruh SUAMI thd MOTIVASI: = (PATH suami -> motivasi x LVC suami -> motivasi ) = x = = x 100% = 12.41% Jadi, prosentasenya = 12.41% PATHLVC

44 Menghitung PROSENTASE PENGARUH…KONDISI vs MOTIVASI Contoh perhitungan % pengaruh KONDISI thd MOTIVASI: = (PATH kondisi -> motivasi x LVC kondisi-> motivasi ) = x = = x 100% = 58.92% Jadi, prosentasenya = 58.92% PATHLVC

45 Menghitung PROSENTASE PENGARUH…BIDAN thd MOTIVASI Contoh perhitungan % pengaruh BIDAN thd MOTIVASI: = (PATH bidan -> motivasi x LVC bidan -> motivasi ) = x = = x 100% = % Jadi, prosentasenya = % PATHLVC

46 Menghitung PROSENTASE PENGARUH…BIDAN thd KONDISI Contoh perhitungan % pengaruh BIDAN thd KONDISI: = (PATH bidan -> kondisi x LVC bidan -> kondisi ) = x = = x 100% = 76.13% Jadi, prosentasenya = 76.13% PATHLVC

47 Summary PROSENTASE PENGARUH % pengaruh tidak langsung Bidan thd Motivasi: = (% PENGARUH bidan thd kondisi x % PENGARUH kondisi thd motivasi ) = (76.13 % x % ) = ( x ) = = x 100 % = % Path % Pengaruh TOTAL LANGSUNGTidak LANGSUNG Suami -> Motivasi12.41 %- Kondisi -> Motivasi58.92 %- Bidan -> Motivasi %68.46 % % % = %

48 Summary PROSENTASE PENGARUH Perhatikan: Nilai R 2 pada variabel MOTIVASI = = 54.7 % Jika TOTAL % pengaruh langsung sama dengan R 2, maka perhitungan sudah benar [54.68 %  54.7 %] Path % Pengaruh TOTAL LANGSUNGTidak LANGSUNG Suami -> Motivasi12.41 %- Kondisi -> Motivasi58.92 %- Bidan -> Motivasi %68.46 % % % = % TOTAL54.68 %

49 DEMIKIAN… Terima kasih… have a nice research!!! further discussion, send to:


Download ppt "Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013 based on Erny’s research S2-IKM STIKIM menuju…Universitas Indonesia Maju."

Presentasi serupa


Iklan oleh Google