Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013

Presentasi berjudul: "Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013"— Transcript presentasi:

1 Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013
menuju…Universitas Indonesia Maju Contoh Analisa Cepat smartPLS by adiwjj-STIKIM 2013 based on Erny’s research S2-IKM STIKIM 2012 @adiwjj

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 Indikator dikatakan valid secara konvergen,
Do GoF for outer models … Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… hampir 0.5 Nilai  [loading factor]  X7 = 0.499  X8 = 0.787  X9 = 0.332 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 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Tidak Valid… dibawah 0.5 Nilai  [loading factor]  X10 = 0.390  X11 = 0.785  X12 = 0.903 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 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… Jauh diatas 0.5 Nilai  [loading factor]  X4 = 0.827  X5 = 0.745  X6 = 0.853 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5

9 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… Jauh diatas 0.5 Nilai  [loading factor]  X1 = 0.962  X2 = 0.891  X3 = 0.297 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 Convergent Validity - result Indikator  [loading factor] Validitas
Do GoF for outer models Uji Validitas Convergent Validity - result Indikator  [loading factor] Validitas X1 0.962 Valid X2 0.891 X3 0.297 Tidak Valid X4 0.827 X5 0.745 X6 0.853 X7 0.499 X8 0.787 X9 0.332 X10 0.390 X11 0.785 x12 0.903 Ada 3 indikator yang perlu di uji lanjutan untuk menentukan apakah dibuang atau tetap dipertahankan!

11 Indikator dikatakan valid secara discriminant,
Do GoF for outer models Uji Validitas 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 Ada 4 indikator yang tidak valid dari cross loading
Do GoF for outer models Uji Validitas 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 Ada 4 indikator yang tidak valid dari cross loading yaitu: x3, x6, x9, x10 Tidak Valid

13 Discriminant validity
Do GoF for outer models Uji Validitas Tabulasi hasil validitas secara convergent dan discriminant validity… Indikator Convergent validity Discriminant validity X1 Valid X2 X3 Tidak Valid X4 X5 X6 X7 X8 X9 X10 X11 x12 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 Untuk memastikan indikator mana yang dibuang, maka terakhir….
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 KANDIDAT KUAT untuk di-buang dari model!
Do GoF for outer models Uji Signifikansi Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… Nilai t-value X7 = 2.540 X8 = 9.633 X9 = 1.814 signifikan Tidak signifikan KANDIDAT KUAT untuk di-buang dari model!

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

18 Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96
Do GoF for outer models Uji Signifikansi Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… Nilai t-value X10 = 4.780 X11 = X12 = signifikan signifikan

19 Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96
Do GoF for outer models Uji Signifikansi Hint: Indikator dikatakan SIGNIFIKAN, jika nilai t-value nya > 1.96 Note: z-score pada CI 95% = 1.96 Signifikan… Nilai t-value X1 = X2 = X3 = 3.358 signifikan signifikan

20 Uji Validitas + Uji Signifikansi Indikator
Do GoF for outer models Uji Validitas + Uji Signifikansi Indikator Tabulasi hasil … Indikator Convergent validity Discriminant validity Uji Signifikansi X1 Valid Signifikan X2 X3 Tidak Valid X4 X5 X6 X7 X8 X9 Tidak Signifikan X10 X11 x12 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 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… Diatas 0.5 Nilai  [loading factor]  X7 = 0.613  X8 = 0.907 Valid… Jauh diatas 0.5

25 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Tidak Valid… dibawah 0.5 Nilai  [loading factor]  X10 = 0.398  X11 = 0.782  X12 = 0.902 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 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… Jauh diatas 0.5 Nilai  [loading factor]  X4 = 0.822  X5 = 0.745  X6 = 0.858 Valid… Jauh diatas 0.5 Valid… Jauh diatas 0.5

27 Indikator dikatakan valid secara konvergen,
Do GoF for outer models Uji Validitas Convergent Validity Hint: Indikator dikatakan valid secara konvergen, jika nilai loading factor-nya [] >= 0.5 Valid… Jauh diatas 0.5 Nilai  [loading factor]  X1 = 0.972  X2 = 0.910 Valid… Jauh diatas 0.5

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

29 SEMUA INDIKATOR …SIGNIFIKAN
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 Untuk menguji signifikansi pengaruh, maka lihat t-value nya…
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 CI Z-score 95 % 1.96 90 % 1.65 85 % 1.44 80 % 1.28 75 % 1.15 70 % 1.04

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

34 Q-square predictive relevance = 89.2 %
Do GoF for inner models PLS ALGORITHM output… Hitung Q-square predictive relevance R22 = 0.547 R12 = 0.761 Q2 = 1 – (1-R12)(1-R22) = 1 – ( )( ) = 1 - (0.239)(0.453) = = 0.892 Q-square predictive relevance = 89.2 %

35 Semoga bermanfaat….have a nice day!
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 Kita petakan dulu, siapa saja yang punya pengaruh
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 Langsung Tidak Langsung Suami -> Motivasi YA TIDAK Kondisi -> Motivasi Bidan -> Motivasi YA [via Kondisi]

39 Kondisi -> Motivasi
MENGHITUNG BESAR PENGARUH Dibulatkan menjadi 0.310 Bidan -> Kondisi Kondisi -> Motivasi Pengaruh tidak langsung BIDAN thd MOTIVASI via kondisi adalah: = (bidan->kondisi) x (kondisi->motivasi) = x = 0.773 Path Pengaruh TOTAL LANGSUNG Tidak LANGSUNG Suami -> Motivasi 0.310 - Kondisi -> Motivasi 0.887 Bidan -> Motivasi -0.320 0.773 = 0.453

40 HASIL PERHITUNGAN MANUAL BESAR PENGARUH vs HASIL SMARTPLS…
Path Pengaruh TOTAL LANGSUNG Tidak LANGSUNG Suami -> Motivasi 0.310 - Kondisi -> Motivasi 0.887 Bidan -> Motivasi -0.320 0.773 = 0.453 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 Untuk merubah dari PATH COEFFICIENT menjadi PROSENTASE, Rumusnya:
Menghitung PROSENTASE PENGARUH Untuk merubah dari PATH COEFFICIENT menjadi PROSENTASE, Rumusnya: = (path coefficient x Latent Variabel Correlation) x 100%

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

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

45 Jadi, prosentasenya = -16.65%
Menghitung PROSENTASE PENGARUH…BIDAN thd MOTIVASI PATH LVC Contoh perhitungan % pengaruh BIDAN thd MOTIVASI: = (PATHbidan -> motivasi x LVCbidan -> motivasi ) = x = = x 100% = % Jadi, prosentasenya = %

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

47 % pengaruh tidak langsung Bidan thd Motivasi:
Summary PROSENTASE PENGARUH Path % Pengaruh TOTAL LANGSUNG Tidak LANGSUNG Suami -> Motivasi 12.41 % - Kondisi -> Motivasi 58.92 % Bidan -> Motivasi % 68.46 % % % = % % pengaruh tidak langsung Bidan thd Motivasi: = (% PENGARUHbidan thd kondisi x % PENGARUH kondisi thd motivasi ) = (76.13 % x % ) = ( x ) = = x 100 % = %

48 Nilai R2 pada variabel MOTIVASI = 0.547 = 54.7 %
Summary PROSENTASE PENGARUH Path % Pengaruh TOTAL LANGSUNG Tidak LANGSUNG Suami -> Motivasi 12.41 % - Kondisi -> Motivasi 58.92 % Bidan -> Motivasi % 68.46 % % % = % 54.68 % Perhatikan: Nilai R2 pada variabel MOTIVASI = = 54.7 % Jika TOTAL % pengaruh langsung sama dengan R2, maka perhitungan sudah benar [54.68 %  54.7 %]

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