variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain Ghozali, et al. 2005.
2. Covariance Based SEM CBSEM dan Partial Least Squares PLS
SEM dikembangkan berdasarkan 2 dua kelompok yaitu SEM berbasis kovarian CBSEM yang diwakili oleh LISREL dan SEM berbasis varian atau
component yang paling dominan adalah Partial Least Squares PLS. CBSEM mengharuskan dalam bentuk variabel laten dimana indikatornya bersifat refleksif
yaitu indikator atau manifest dipandang variabel yang dipengaruhi oleh variabel laten Ghozali, 2008. Masih menurut Ghozali 2008 sesungguhnya indikator
dapat dibentuk dalam bentuk formatif indikator model, yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Perbedaan utama CBSEM
dan PLS adalah pada CBSEM model yang dianalisis harus dikembangkan berdasarkan pada teori yang kuat dan bertujuan untuk mengkonfirmasi model
dengan data empirisnya. Sedangkan PLS lebih menitikberatkan pada model prediksi sehingga dukungan teori yang kuat tidak begitu menjadi hal terpenting
Ghozali, 2008. CBSEM bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas sebab-
akibat. Sedangkan PLS bertujuan mencari hubungan linear prediktif antar variabel Ghozali, 2008.
Menurut Ghozali 2008, masalah yang muncul dalam penggunaan Covariance Based SEM antara lain : 1 terjadinya improper solution karena
adanya nilai variance yang negatif Heywood case, 2 factor indeterminacy yang mengakibatkan program tidak memberikan hasil analisis karena model
unidentified, dan 3 Non-covergence algorithm. Jika hal ini terjadi maka tujuan penelitian diturunkan, tidak lagi mencari hubungan kausalitas antara variabel
menjadi hubungan linear prediktif optimal.
3. Bentuk Structural Equation Modelling SEM - Partial Least Squares PLS
PLS ditemukan dan dikembangkan oleh Wold sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk laten dengan multipel
indikator Ghozali, 2008. Wold 1985 seperti yang dikutip oleh Ghozali 2008
menyatakan bahwa PLS merupakan metode analisis yang powerfull, karena tidak didasarkan banyak asumsi, data tidak harus berdistribusi normal multivariate
indikator dengan skala kategori ordinal, interval sampai ratio dapat digunakan pada model yang sama, sampel tidak harus besar. PLS dapat digunakan untuk
mengkonfirmasi teori dan juga untuk menjelaskan ada atau tidak adanya hubungan antar variabel laten. PLS dapat menganalisis sekaligus konstruk yang
dibentuk dengan indikator refleksif dan indikator formatif. Model analisis jalur
semua variabel laten dalam PLS terdiri dari 3 tiga set hubungan, yaitu : a.
Inner Model Inner relation, structural model dan substantive theory
Menspesifikasi hubungan antar variabel laten berdasarkan pada teori. Model struktural dievaluasi dengan melihat nilai R-Square untuk konstruk laten
dependen, Stone Geisser Q-square test untuk predictive relevance dan uji t, serta signifikansi dari koefisien parameter jalur struktural. Perubahan nilai R-
square dapat digunakan untuk menilai pengaruh variabel laten independen terhadap variabel laten dependen. Interpretasinya sama dengan interpretasi
pada analisis regresi.
b. Outer Model Outer Reletion atau Measurement Model yang menspesifikasi
hubungan antar variabel laten dengan indikator. Outer Model terdiri dari 2 dua macam mode, yaitu mode reflective mode A dan mode formative mode
B. Mode reflektif merupakan relasi dari peubah laten ke peubah indikator atau ”effect”. Mode formatif adalah relasi dari perubah indikator membentuk
peubah laten ”causal”. Model pengukuran dengan indikator reflesi dievaluasi
dengan Convergent Validity dan Discriminant Validity dari indikatornya.
Convergent Validity dari model pengukuran dengan refleksif indikator dengan penilaian didasarkan pada korelasi antara item score dengan construk score.
Ukuran refleksif individual dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur.
Discriminat validity dari model pengukuran dengan indikator refleksif dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk
dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, maka hal itu menunjukkan bahwa konstruk laten memprediksi ukuran pada blok
mereka lebih baik daripada ukuran pada blok lainnya. Cara lain adalah melihat
nilai square root of average variance extracted AVE setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Jika nilai akar
AVE setiap konstruk lebih besar daripada nilai korelasi antara konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant
validity yang baik Fornell dan Larcker,1981 dalam Ghozali, 2008. Selain itu dievaluasi juga compositre reliability dari blok indikator. Composite reliabilty
blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan dua
macam ukuran yaitu internal consistensy dan Cronbach’s Alpha.
c. Weight Relation, Inner dan Outer model memberikan spesifikasi yang diikuti
dalam estimasi algoritma PLS. Nilai kasus untuk setiap varibel laten dapat diestimasi.
Gambar 1. Langkah - langkah Analisis PLS
Menurut Chin, 1998 seperti yang dikutip Ghozali 2008 menyatakan bahwa karena PLS tidak mengasumsikan adanya distribusi tertentu untuk estimasi
parameter, maka teknik parametrik untuk menguji signifikansi parameter tidak diperlukan. Model evaluasi PLS berdasarkan pada pengukutan prediksi yang
mempunyai sifat non parametrik.
Merancang Model Struktural inner model Merancang Model Pengukuran outer model
Mengkonstruksi Diagram Jalur Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Koef. Jalur, Loading dan Weight Evaluasi Goodness of Fit
Pengujian Hipotesis Resampling Bootstraping