SEM PLS. Pengantar Y X1 X2 X3 REGRESI Melihat Pengaruh variabel bebas terhadap variabel terikat Semua Variabel dapat diukur langsung/diwakili.

Presentasi berjudul: "SEM PLS. Pengantar Y X1 X2 X3 REGRESI Melihat Pengaruh variabel bebas terhadap variabel terikat Semua Variabel dapat diukur langsung/diwakili."— Transcript presentasi:

1 SEM PLS

2 www.swanstatistics.com Pengantar Y X1 X2 X3 REGRESI Melihat Pengaruh variabel bebas terhadap variabel terikat Semua Variabel dapat diukur langsung/diwakili oleh 1 nilai Tidak memiliki variabel perantara (mediasi/intervening)

3 www.swanstatistics.com Pengantar Y1 X1 X2 X3 ANALISIS JALUR Melihat Pengaruh variabel bebas terhadap variabel terikat Memiliki variabel perantara (mediasi/intervening) Melihat Pengaruh tidak langsung variabel bebas (X1,X2,X3) terhadap Y2 Semua Variabel dapat diukur langsung/diwakili oleh 1 nilai Y2

4 Y1 X1 X2 STRUCTURAL EQUATION MODELING Melihat Pengaruh variabel Memiliki variabel yang tidak dapat diukur langsung (menggunakan Indikator) Dapat Melihat Pengaruh langsung dan tidak langsung variabel Variabel bebas x biasa dinyatakan dengan Variabel Latent Eksogen Variabel terikat y biasa disebut dengan Variabel Latent Endogen Y2 x11 x12 x13 x21 x22 x23 y11 y12 y13 y21 y22

5 SEM-PLS

6 www.swanstatistics.com Pengantar SEM-PLS SEM-PLS atau biasa juga di sebut SEM (Vbase) SEM-PLS pertama kali dikembangkan oleh Herman Wold SEM-PLS dikembangkan sebagai alternatif pemodelan persamaan stuktural yg dasar teorinya lemah, namun juga dapat digunakan sebagai konfirmasi teori

7 PERBEDAAN PRINSIP SEM DAN SEM PLS KriteriaSEMSEM-PLS ObjektifBerorientasi pada modelBerorientasi pada prediksi PendekatanBerdasarkan kovarianBerdasarkan Varian Asumsimultivariat normal distribusi- Koefisien PendugaKonsistenKonsisten saat koefisien dugaan dan ukuran sampel meningkat Nilai Variabel Laten Faktor yang tidak dapat ditentukan (Factor indeterminacy), Diduga dengan tegas Hubungan Antara peubah Laten dan indikator Umumnya hanya dapat dimodelkan oleh indikator reflektif Dapat dimodelkan secara formatif dan reflektif ImplikasiOptimal untuk akurasi parameter modelOptimal untuk akurasi prediksi Kompleksitas ModelKompleksitas kecil hingga sedang (contoh: <100 indikator) Kompleksitas besar (contoh: 100 konstruk dan 1000 indikator) Ukuran SampelMinimal rekomendasi 200 sampai 800Minimal rekomendasi 30 sampai 100 Skala PengukuranSangat disarankan minimal intervalBisa nominal, ordinal, interval dan ratio Chin & Newsted, 1999 In Rick Hoyle (Ed.), Statistical Strategies for Small Sample Research, Sage Publication, pp. 307 - 341. Sarjono & Julianita, 2015, Structural Equation Modeling, aplikasi untuk penelitian bisnis.

8 www.swanstatistics.com VARIABEL SEM-PLS Variabel laten merupakan konsep abstrak (unobserved), contoh : perilaku orang, sikap, perasaan, dll Variabel laten eksogen (penyebab) Variabel laten endogen (akibat) Variabel manifest/indikator merupakan variabel teramati (observed)

9 www.swanstatistics.com Variabel Laten Simbol Path Diagram dari Variabel Laten atau Variabel laten eksogen dan endogen Simbol untuk menunjukkan hubungan kausal Latent Eksogen Latent Endogen VARIABEL SEM-PLS

10 www.swanstatistics.com VARIABEL SEM-PLS Variabel Teramati (Manifest/Indikator) Reflektif : variabel-variabel teramati dipandang sebagai indikator-indikator yang di pengaruhi oleh konsep yang mendasarinya (variabel laten) Formatif : yang membentuk/menyebabkan adanya penciptaan/perubahan dalam sebuah variabel

11 www.swanstatistics.com VARIABEL SEM-PLS Bentuk hubungan variabel laten dengan variabel teramati ReflektifFormatif Latent x1 x2 x3 Latent x1 x2 x3

12 www.swanstatistics.com VARIABEL SEM-PLS Reflektif Formatif Contoh 1 sakit Suhu badan Denyut nadi Tekanan darah sakit Kebiasaan makan Kebiasaan bekerja Kebiasaan merokok

13 www.swanstatistics.com VARIABEL SEM-PLS VARIABEL: KEPUASAN KERJA (Refleksif) Riang Senyum Semangat VARIABEL: KEPUSAN KERJA (Formatif) Lingkungan kerja kondusif Teman kerja menyenangkan Pekerjaan menyenangkan Kepuasan Kerja Riang Semangat Senyum Lingkungan Pekerjaan Teman Kepuasan Kerja Contoh 2

14 www.swanstatistics.com NOTASI SEM-PLS

15 www.swanstatistics.com NOTASI SEM-PLS  = Ksi, variabel latent eksogen  = Eta, variabel laten endogen x = Lamnda (kecil), loading faktor variabel latent eksogen y = Lamnda (kecil), loading faktor variabel latent endogen  x = Lamnda (besar), matriks loading faktor variabel latent eksogen  y = Lamnda (besar), matriks loading faktor variabel laten endogen  = Beta (kecil), koefisien pngruh var. endogen terhadap endogen  = Gamma (kecil), koefisien pngruh var. eksogen terhadap endogen  = Zeta (kecil), galat model  = Delta (kecil), galat pengukuran pada variabel laten eksogen  = Epsilon (kecil), galat pengukuran pada variabel latent endogen

16 www.swanstatistics.com TAHAPAN SEM-PLS Merancang Model Struktural ( inner model ) Merancang Model Pengukuran ( outer model ) Mengkonstruksi Diagram Jalur ke Sistem Persamaan Estimasi: Koef. Jalur, Loading dan Weight Evaluasi Goodness of Fit Pengujian Hipotesis ( Resampling Bootstraping )

17 www.swanstatistics.com TAHAPAN SEM-PLS Pada SEM perancangan model adalah berbasis teori, akan tetapi pada PLS bisa berupa: Teori Hasil penelitian empiris Adopsi, hubungan antar variabel pada bidang ilmu yang lain Normatif, misal peraturan pemerintah, undang-undang, dan lain sebagainya Rasional PLS: Bisa ekplorasi hubungan antar variabel MERANCANG MODEL STRUKTURAL

18 www.swanstatistics.com TAHAPAN SEM-PLS Pada SEM semua bersifat refleksif Pada SEM-PLS perancangan outer model sangat penting: refleksif atau formatif Dasar: teori, penelitian empiris sebelumnya, atau rasional MERANCANG MODEL PENGUKURAN

19 www.swanstatistics.com TAHAPAN SEM-PLS MENGKONSTRUKSI KE SISTEM PERSAMAAN

20 www.swanstatistics.com TAHAPAN SEM-PLS MENGKONSTRUKSI KE SISTEM PERSAMAAN Outer model Untuk variabel latent eksogen 1 (reflektif) x 1 = x1  1 +  1 x 2 = x2  1 +  2 x 3 = x3  1 +  3 Untuk variabel latent eksogen 2 (formatif)  2 = x4 X 4 + x5 X 5 + x6 X 6 +  4 Untuk variabel latent endogen 1 (reflektif) y 1 = y1  1 +  1 y 2 = y2  1 +  2 Untuk variabel latent endogen 2 (reflektif) y 3 = y3  2 +  3 y 4 = y4  2 +  4 Inner model :  1 =  1  1 +  2  2 +  1  2 =  1  1 +  3  1 +  4  2 +  2

21 www.swanstatistics.com TAHAPAN SEM-PLS Weight estimate yang digunakan untuk menghitung data variabel laten Estimasi jalur (path estimate) yang menghubungkan antar variabel laten (koefisien jalur) dan antara variabel laten dengan indikatornya (loading) Estimasi nilai means Metode estimasi PLS: OLS dengan teknik iterasi ESTIMASI PARAMETER

22 www.swanstatistics.com TAHAPAN SEM-PLS Pengukuran model Reflektif Validitas dan Reliabilitas EVALUASI GOODNESS OF FIT Sumber: Chin (1995) dan Hair et al. (2006) dalam Jogiyanto dan Abdillah (2009) Uji ValiditasParameterRule of Thumbs Konvergen Faktor loading/Outer LoadingLebih dari 0,7 Average variance extracted (AVE)Lebih dari 0,5 DiskriminanCross loading Lebih dari 0,7 dan lebih besar dari variabel laten lain Uji Reliabilitas Cronbach’s alphaLebih dari 0,6 Composite reliabilityLebih dari 0,7

23 Pengukuran Model Struktural KriteriaDeskripsi R 2 variabel laten endogenNilai R2 sebesar 0,19 dikategorikan sebagai lemah Nilai R2 sebesar 0,33 dikategorikan sebagai moderate Nilai R2 sebesar 0,67 dikategorikan sebagai substansial(Chin, 1988) Nilai R2 sebesar > 0,7 dikategorikan sebagai kuat (Sarwono) Relevansi prediksi (Q2)Nilai Q 2 digunakan untuk melihat pengaruh relatif model struktural terhadap pengukuran observasi untuk variabel endogen Q 2 = 1 – ( 1 – R 1 2 ) ( 1 – R 2 2 )... ( 1- R p 2 ) EVALUASI GOODNESS OF FIT www.swanstatistics.com TAHAPAN SEM-PLS

24 Hipotesis statistik untuk outer model: H0 : λi = 0 lawan H1 : λi ≠ 0 Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen: H0 : γi = 0 lawan H1 : γi ≠ 0 Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen: H0 : βi = 0 lawan H1 : βi ≠ 0 Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan Outter model signifikan: indikator bersifat valid Inner model signifikan: terdapat pengaruh signifikan PLS tidak mengasumsikan data berdistribusi normal: menggunakan teknik resampling dengan metode Bootstrap PENGUJIAN HIPOTESIS www.swanstatistics.com TAHAPAN SEM-PLS

25 www.swanstatistics.com STUDI KASUS Minat Mahasiswa Universitas ABC dalam Penggunaan Internet Banking sebagai Transaksi Pembayaran SPP Tujuan Penelitian 1.Untuk menguji pengaruh persepsi kegunaan terhadap sikap penggunaan internet banking pada mahasiswa Universitas Brawijaya dalam transaksi pembayaran SPP. 2.Untuk menguji pengaruh persepsi kemudahan penggunaan terhadap sikap penggunaan internet banking pada mahasiswa Universitas Brawijaya dalam transaksi pembayaran SPP. 3.Untuk menguji pengaruh persepsi keamanan web terhadap sikap penggunaan internet banking pada mahasiswa Universitas Brawijaya dalam transaksi pembayaran SPP. 4.Untuk menguji pengaruh sikap penggunaan internet banking terhadap minat penggunaan internet banking pada mahasiswa Universitas Brawijaya dalam transaksi pembayaran SPP.

26 www.swanstatistics.com STUDI KASUS Variabel dan Indikator NOVARIABEL LATENINDIKATOR 1.Persepsi Kegunaan (Perceived Usefulness) (X1)  Penyelesaian aktifitas lebih cepat (PU1)  Kemudahan menyelesaikan tugas (PU2)  Bermanfaat dalam penggunaan (PU3)  Keuntungan dalam penggunaan (PU4) 2. Persepsi Kemudahan Penggunaan (Perceived Ease of Use) (X2)  Mudah untuk digunakan (PEOU1)  Pengaplikasiannya yang mudah dan dapat dimengerti (PEOU2)  Keterampilan dalam penggunaan (PEOU3)  Mudah dalam penggunaan (PEOU4) 3. Persepsi Keamanan Web (Perceived Web Security) (X3)  Rasa aman untuk membagi informasi yang sensitive (PWS1)  Merupakan sarana yang aman untuk membagi informasi yang sensitive (PWS2)  Muncul perasaan aman untuk membagi informasi pribadi (PWS3)  Sarana yang aman untuk bertukar informasi (PWS4) 4. Sikap (Attitude) (Y1)  Ide yang bagus (ATT1)  Kenyamanan saat menggunakan (ATT2)  Keinginan dalam penggunaan (ATT3)  Merupakan penggunaan yang bijaksana (ATT4) 5.Minat (Intention) (Y2)  Penggunaan internet banking secara teratur (IU1)  Selalu tetap menggunakan internet banking (IU2)  Penggunaan internet banking di masa depan (IU3)

27 PU PU1 PU2 PU3 PU4 PEO U PEOU1 2 PEOU1.3 PEOU1.4 PWS PWS1 PWS.2 PWS3 PWS4 ATT ATT1 ATT2 ATT3ATT4 IU IU1 IU2 IU3 www.swanstatistics.com STUDI KASUS Kerangka Konseptual Penelitian

28 www.swanstatistics.com HASIL Outer loading Koefisien Jalur R 2 (koefisien determinasi) PLS Algorithm

29 www.swanstatistics.com AVE ATT0.770643 IU0.802668 PEOU0.849436 PU0.750088 PWS0.846554 Nilai AVE ATTIUPEOUPUPWS ATT10.892 ATT20.846 ATT30.876 ATT40.897 IU1 0.847 IU2 0.944 IU3 0.895 PEOU1 0.883 PEOU2 0.929 PEOU3 0.918 PEOU4 0.955 PU1 0.881 PU2 0.699 PU3 0.941 PU4 0.921 PWS1 0.911 PWS2 0.919 PWS3 0.948 PWS4 0.901 Outer Loading Seluruh nilai AVE > 0.5, sedangkan untuk nilai outer loading, ada 1 indikator PU2, yang kurang dari 0.7, sehingga harus dilakukan re-estimaste indicator dengan menghilangkan nilai yang kurang dari 0.7. Evaluasi outer model Validitas Konvergen

30 www.swanstatistics.com Re-Estimate Outer Loading Nilai AVE > 0.5, sedangkan untuk nilai outer loading, seluruh indicator telah memiliki nilai yang lebih besar dari 0.7, sehingga dapat ditarik kesimpulan valid secara konvergen Evaluasi outer model Validitas Konvergen ATTIUPEOUPUPWS ATT10.892605 ATT20.844987 ATT30.87591 ATT40.897172 IU1 0.846633 IU2 0.943826 IU3 0.894631 PEOU1 0.883178 PEOU2 0.928864 PEOU3 0.918004 PEOU4 0.9551 PU1 0.875354 PU3 0.960766 PU4 0.940699 PWS1 0.911243 PWS2 0.919413 PWS3 0.947749 PWS4 0.901281 AVE ATT0.770721 IU0.802653 PEOU0.849435 PU0.858077 PWS0.846555 Nilai AVE

31 www.swanstatistics.com Evaluasi outer model Validitas Diskriminan Nilai cross loading Nilai cross loading menunjukkan besaran keragaman indicator baik terhadap variabel latennya maupun terhadap variabel latent yang lain. Nilai cross loading yang baik antara indikator AVE pada semua variabel lebih besar dari korelasi antar variabel laten. indikator-indikator yang digunakan untuk mengukur masing-masing variabel telah valid. ATTIUPEOUPUPWS ATT10.8926050.5573230.4880490.6642970.394768 ATT20.8449870.5638730.5885040.700540.406658 ATT30.875910.4833150.4198280.5552890.398683 ATT40.8971720.5153150.4738710.5436920.380897 IU10.3797370.8466330.504450.4987760.283046 IU20.5957720.9438260.5326010.5837190.336809 IU30.6056740.8946310.4333150.5472040.299326 PEOU10.4442950.5262920.8831780.5651630.313449 PEOU20.4637480.4568650.9288640.5640490.409788 PEOU30.6251570.5331530.9180040.614270.490866 PEOU40.5198010.4721630.95510.6090670.399306 PU10.5875350.5025250.5562030.8753540.405278 PU30.6539740.5697540.5924980.9607660.378371 PU40.7184040.6125130.6276450.9406990.476591 PWS10.4511620.2873840.4102110.4784750.911243 PWS20.3363230.2144650.3658810.3546090.919413 PWS30.4440460.3583970.420780.4474720.947749 PWS40.4098320.3846780.4346140.3756180.901281

32 www.swanstatistics.com Evaluasi outer model RELIABILITAS nilai cronbachs alpha lebih dari 0,6 dan nilai dari composite reliability adalah lebih dari 0,7. Sehingga dapat disimpulkan bahwa variabel-variabel yang digunakan dalam penelitian ini telah reliabel. Untuk mengukur reliabilitas bisa dengan alpha cronbach dan composite reliability (CR). Namun, composite reliability (CR) dinilai lebih baik dalam mengestimasi konsistensi internal suatu konstruk (Salisbury, Chin, Gopal, & Newsted, 2002). Composite Reliability Cronbachs Alpha ATT0.9307410.900907 IU0.9241150.879223 PEOU0.9575350.941367 PU0.9476720.916856 PWS0.9566350.939697

33 www.swanstatistics.com Evaluasi Inner model Kebaikan Model R 2 (koefisien determinasi)  Q 2 = 1 – ( 1 – R 1 2 ) ( 1 – R 2 2 ) = 1- (1-0.537)(1-0.368) =0.71  Hal tersebut diartikan bahwa secara keseluruhan variabel independen (X) yang terdiri dari persepsi kegunaan, persepsi kemudahan penggunaan, persepsi keamanan web dan sikap dapat menjelaskan sebesar 71% minat penggunaan internet banking. dan sisanya dijelaskan oleh variabel lain R Square ATT0.537097 IU0.368969

34 www.swanstatistics.com UJI HIPOTESIS  H0: Variabel Tidak berpengaruh  H1: persepsi kegunaan (PU) berpengaruh terhadap sikap (ATT) penggunaan internet banking  H2: persepsi kemudahan penggunaan (PEOU) berpengaruh terhadap sikap (ATT) penggunaan internet banking  H3: persepsi keamanan web (PWS) berpengaruh terhadap sikap (ATT) penggunaan internet banking  H4: sikap (ATT) berpengaruh terhadap minat (IU) penggunaan internet banking

35 www.swanstatistics.com Interpretasi 1.Berdasarkan hasil pengujian menunjukkan bahwa nilai p-value lebih kecil dari alpha (0.05), sehingga tolak H0. Terdapat pengaruh yang signifikan antara variabel persepsi kegunaan (PU) terhadap sikap perilaku (ATT) mahasiswa untuk menggunakan internet banking dalam transaksi pembayaran SPP. 2.Berdasarkan hasil pengujian menunjukkan bahwa nilai p-value lebih besar dari alpha (0.05), sehingga gagal tolak H0. Yang berarti tidak terdapat pengaruh yang signifikan dari variabel persepsi kemudahan penggunaan (PEOU) terhadap sikap perilaku mahasiswa (ATT) untuk menggunakan internet banking dalam transaksi pembayaran SPP. 3.Berdasarkan hasil pengujian menunjukkan bahwa nilai nilai p-value lebih besar dari alpha (0.05), sehingga gagal tolak H0. Yang berarti tidak terdapat pengaruh yang signifikan dari variabel persepsi keamanan web (PWS) terhadap sikap perilaku mahasiswa (ATT) untuk menggunakan internet banking dalam transaksi pembayaran SPP. 4.Berdasarkan hasil pengujian menunjukkan bahwa nilai p-value lebih kecil dari alpha (0.05), sehingga tolak H0. Terdapat pengaruh yang signifikan dari variabel sikap (ATT) terhadap minat mahasiswa (IU)untuk menggunakan internet banking dalam transaksi pembayaran SPP.

36 TERIMA KASIH www.swanstatistics.com