1,000 0,000
0,031 0,024
0,004 1,001
-0,146 0,110
-0,076 0,018
0,894 0,790
1,000
1,000 0,000
IC ROI
TI
SDM X11
X21 Y21
Y11 Y12
Y13
Gambar 4. Diagram Jalur
Output Algorithm SmartPLS
2.0 M3
5.4. Mengkonversi Diagram Jalur ke dalam Sistem Persamaan
Hasil konversi dari diagram jalur pada Gambar 4. maka dapat dibangun
persamaan, yang terdiri dari : 1.
Persamaan model pengukuran
outer modelmeasurement model.
Persamaan yang digunakan untuk menghubungkan indikator dengan variabel latennya.
1. Variabel Laten Eksogen X1 formatif TI =
X11
X
11 +
1
2. Variabel Laten Eksogen X2 formatif Sumber Daya Manusia =
X21
X
21 +
2
3. Variabel Laten Endogen Y1 formatif IC =
Y11
Y
11
+
Y12
Y
12
+
Y13
Y
13
+
1
4. Variabel Laten Endogen Y2 formatif
ROI
=
Y21
Y
21
+
2
Universitas Sumatera Utara
2. Persamaan model struktural
structural modelinner model
Persamaan yang digunakan untuk menyatakan hubungan antar variabel. 1. Variabel
IC
=
1
TI +
2
SDM +
1
2. Variable
ROI
=
1
IC
+
3
TI +
4
SDM +
2
3. Persamaan
Total Effect
Pengaruh Total variabel TI terhadap
ROI
melalui
IC
=
1
+
1
4. Persamaan
Total Effect
Pengaruh Total variabel SDM terhadap
ROI
melalui
IC
=
2
+
1
5. Persamaan
Indirect Effect
Pengaruh Tidak Langsung variabel TI terhadap
ROI
melalui IC =
1
x
1
6. Persamaan
Indirect Effect
Pengaruh Tidak Langsung variabel SDM terhadap
ROI
melalui
IC
=
2
x
1
5.5.
Outer Model Formatif
Konstruk dengan indikator formatif mengasumsikan bahwa setiap indikatornya mendefinisikan atau menjelaskan karakteristik domain konstruknya.
Outer model
dengan indikator formatif dievaluasi atau diuji melalui
substantive content
-nya yaitu membandingkan besarnya
relative weight
dan melihat signifikansi dari indikator konstruk tersebut Chin, 1998 dalam Latan dan
Ghozali, 2012. Untuk memperoleh signifikansi
weight
harus melalui prosedur resampling
bootstrapping
dan uji multikolinearitas. Tabel 13. menunjukkan korelasi antar variabel eksogen tidak ada yang
sangat tinggi, atau semua dibawah angka 1. Dengan demikian tidak terjadi multikolinieritas antar variabel eksogen yang digunakan dalam model.
Universitas Sumatera Utara
1,000 0,000
TI X11
0,790 1,000
ROI Y21
0,024 1,000
0,000
SDM X21
0,790 1,000
ROI Y21
-0,076
0,004 1,001
-0,146 0,018
0,894
IC Y11
Y12 Y13
0,790 1,000
ROI Y21
Tabel 13. : Uji multikolinearitas
Latent Variable Correlations
IC ROI
SDM TI
IC 1,000000
ROI 0,873054
1,000000 SDM
0,158629 0,056572
1,000000 TI
0,128624 0,067034
0,649359 1,000000
Sumber : Output Algorithm SmartPLS 2.0 M3, 2014
Gambar 5. Hasil
Outer Model
untuk indikator X11 dan Y21
Gambar 6. Hasil
Outer Model
untuk indikator X21 dan Y21
Gambar 7. Hasil
Outer Model
untuk indikator Y11, Y12, Y13 dan Y21
Gambar 5., 6. dan 7. merupakan hasil estimasi perhitungan dengan menggunakan
PLS
. Berdasarkan hasil pengujian dengan
PLS
, terlihat bahwa indikator X11, X21 dan Y12 ketiganya mempunyai
weight
1,000. Indikator X11, X21 dan Y12 dinyatakan valid karena nilai
weight
1,000 adalah nilai yang paling tinggi, sedangkan nilai
weight
indikator Y11 dan Y13 tidak memenuhi kriteria. Pada Tabel 11. dan Tabel 12. sudah dijelaskan bahwa indikator Y11 dan Y13
tidak signifikan karena memiliki nilai
weight or loading
T-tabel sebesar 1,655 dengan
significance level
5. Dengan ditemukannya indikator yang memiliki nilai
weight
yang lebih kecil dari yang direkomendasikan dan tidak signifikan,
Universitas Sumatera Utara
maka dalam hal ini perlu dilakukan evaluasi atau pengujian ulang dengan membuang indikator-indikator yang tidak signifikan.
Gambar 8. Diagram Jalur
Output Algorithm PLS
setelah Uji Indikator
Gambar 8. adalah diagram jalur hasil estimasi algoritma dengan
SmartPLS
2.0 M3 setelah dilakukan
re-calculation
berdasarkan data sekunder yang telah diolah setelah membuang indikator-indikator yang tidak signifikan dari variabel
penelitian.
Tabel 14. :
Outer Weights Mean, STDEV, T-Values
Outer Weights Mean, STDEV, T-Values
Original Sample O
Sample Mean M
Standard Deviation
STDEV Standard Erro
STERR T Statistics
|OSTERR| X11 - TI
1,000000 1,000000
0,000000 X21 - SDM
1,000000 1,000000
0,000000 Y12 - IC
1,000000 1,000000
0,000000 Y21 -
ROI
1,000000 1,000000
0,000000
Sumber : Output Bootstrapping re-calculation dengan SmartPLS 2.0 M3
Gambar 8., Tabel 14. dan Tabel 15. menunjukkan hasil dari evaluasi atau pengujian ulang dengan membuang indikator-indikator yang tidak signifikan.
Semua indikator yaitu X11, X21, Y12, Y21 masing-masing bernilai
weight
1,000
Universitas Sumatera Utara
sehingga dapat diambil kesimpulan bahwa indikator X11, X21, Y12, Y21 semuanya adalah valid.
Tabel 15. :
Outer Model Weights or Loadings
Outer Model Weights or Loadings
IC
ROI
SDM TI
X11 1,000000
X21 1,000000
Y12 1,000000
Y21 1,000000
Sumber : Output Algorithm re-calculation SmartPLS 2.0 M3
5.6.
Inner Model
Inner model
atau model struktural adalah untuk mengevaluasi atau menguji pengaruh antara satu variabel laten dengan variabel laten lainnya baik
eksogen maupun endogen.
Inner model
atau model struktural dievaluasi dengan menggunakan
R-square
untuk konstruk dependen,
Stone-Geisser Q-square test
untuk
predictive relevance
dan uji t serta signifikansi dari koefisien parameter jalur struktural.
Tabel 16. :
Hasil Evaluasi Model Goodness-of-Fit - GoF
R Square communality
H
2
redundancy F
2
CV Red. CV Com.
IC 0,02509
1,000000 0,022501
0,013769 0,013769
ROI 0,768459
1,000000 0,762128
0,153305 0,153305
SDM 1,000000
TI 1,000000
Average 0,3967745 2,000000
0,3923145 0,083537
0,083537 GoF =
√average R2 x average communality = 1,094709
Note: H2 = CV-Communality Index, F2 = CV-Redundancy Index Tenenhaus et al., 2005 Sumber : Output data sekunder SmartPLS 2.0 M3 diolah, 2014.
Universitas Sumatera Utara
1. Nilai
R Square
Pengaruh variabel eksogen TI dan SDM secara gabungan terhadap
IC
dapat dilihat dari hasil
output algorithm SmartPLS
2.0 M3 pada nilai
R square
yang tertera pada Tabel 16. Besarnya nilai
R square R
2
pada Tabel 16. adalah 0,02509 pada
IC
. Angka tersebut mempunyai makna besarnya pengaruh variabel-variabel eksogen
TI dan SDM terhadap variabel intervening
IC
secara gabungan. Angka 0,02509 dapat dibuat dalam bentuk angka persen dengan menghitung koefisien
determinasi, dengan mengalikannya dengan angka 100 sehingga didapat nilai koefisien determinasi sebesar 2,509. Angka 2,509 ini mempunyai makna
sebagai besarnya pengaruh variabel-variabel eksogen TI dan SDM terhadap variabel intervening
IC
secara gabungan. Dengan kata lain variabel intervening
IC
dapat dijelaskan atau diterangkan dengan menggunakan variabel-variabel eksogen TI dan SDM secara gabungan sebesar 2,509, sedang sisanya, pengaruh sebesar
0,97491 atau 97,491 disebabkan oleh variabel-variabel lain diluar penelitian ini. Nilai
R square
untuk variabel intervening
IC
dengan angka sebesar 0,02509 menunjukkan nilai tersebut termasuk dalam model kategori yang lemah.
Besarnya nilai
R square R
2
pada Tabel 16. juga menunjukkan angka 0,768459 pada
ROI
. Angka tersebut mempunyai makna besarnya pengaruh variabel eksogen TI, SDM dan
IC
terhadap
ROI
secara gabungan. Angka 0,768459 hitungan dalam persen sama dengan 76,846 mempunyai makna
sebagai besarnya pengaruh variabel eksogen TI, SDM dan
IC
terhadap
ROI
secara gabungan. Dengan kata lain variabel endogen
ROI
dapat dijelaskan atau diterangkan dengan menggunakan variabel-variabel eksogen TI, SDM dan
Universitas Sumatera Utara