3.5. Metode Pengolahan dan Analisis Data
Data dan informasi yang telah dikumpulkan kemudian diolah dengan menggunakan analisisStructural Equation Modeling SEM dengan Metode
Partial Least Score PLS dan bantuan program software komputer Smart PLS Versi 2.0.
3.6. Model Analisis Data
3.6.1. Karakteristik Responden
Data mengenai karakteristik responden yang diperoleh akan ditabulasi dan disajikan dalam bentuk tabel frekuensi disertai dengan
persentase yang memberikan informasi demografi responden penelitian. Pengolahan akan dilakukan dengan menggunakan
program Excell 2007.
3.6.2. Metode Analisis Structural Equation Modeling SEM dengan
Metode Partial Least Score PLS
Penelitian ini menggunakan analisis Structural Equation Modeling SEM dengan Metode Partial Least Score PLS dan
bantuan program software komputer Smart PLS Versi 2.0. PLS adalah model persamaan struktural SEM yang berbasis komponen atau
varian variance. Menurut Ghozali 2008 PLS merupakan pendekatan alternatif yang bergeser dari pendekatan SEM berbasis
covariance menjadi berbasis varian.SEM yang berbasis kovarian umumnya menguji kausalitasteori, sedangkan PLS lebih bersifat
predictive model. PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan pada banyak asumsi. Data tidak harus
terdistribusi normal multivariate indikator dengan skala kategori, ordinal, interval sampai ratio dapat digunakan pada model yang
sama, sampel tidak harus besar. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk
menjelaskan ada tidaknya hubungan antar variabel laten. Menurut Ghozali 2008, tujuan PLS adalah membantu peneliti
untuk mendapatkan nilai variabel laten untuk tujuan prediksi. Model formalnya mendefinisikan variabel laten adalah linear agregat dari
indikator-indikatornya. Weight estimate untuk menciptakan komponen skor variabel laten didapat berdasarkan bagaimana inner model
model struktural yang menghubungkan antar variabel laten dan outer model model pengukuran yaitu hubungan antar indikator dengan
konstruknya dispesifikasi. Hasilnya adalah residual variance dari variabel dependen keduanya variabel laten dan indikator
diminimumkan. Estimasi parameter yang didapat dengan PLS dapat
dikatagorikan menjadi tiga. Pertama, adalah weight estimate yang digunakan untuk menciptakan skor variabel laten. Kedua,
mencerminkan estimasi jalur path estimate yang menghubungakan variabel laten dan antar variabel laten dan blok indikatornya loading.
Ketiga adalah berkaitan dengan mean dan lokasi parameter nilai konstan regresi untuk indikator dan variabel laten. Untuk
memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama,
menghasilkan weight estimate, tahap kedua menghasilkan estimasi untuk inner model dan outer model, dan tahap ketiga menghasilkan
estimasi means dan lokasi konstanta. Dalam evaluasi model dengan menggunakan PLS ada 2 hal yang
dilakukan yaitu: 1.
Menilai Outer Model atau Model Pengukuran Menurut Ghozali 2008:24, ada tiga kriteria untuk menilai outer
model yaitu: a
Convergent validity, dari model pengukuran dengan indicator refleksif dinilai berdasarkan korelasi antara score item
component score dengan construct score yang dihitung dengan PLS. Ukuran refleksif individual dikatakan reliabel jika
berkorelasi 0.70 dengan construct yang ingin diukur. Namun demikian untuk penelitian tahap awal dari pengembangan skala
pengukuran nilai loading 0.50 sampai 0.60 dianggap cukup.
b Discriminant Validity, dari model pengukuran dengan indicator
refleksif dinilai berdasarkan crossloading pengukuran dengan construct. Jika korelasi construct dengan item pengukuran lebih
besar daripada ukuran construct lainnya, maka hal menunjukkan construct laten memprediksi ukuran pada blok mereka lebih
baik daripada ukuran pada blok lainnya.Metode lain untuk menilai discriminant validity adalah dengan membandingkan
nilai square root of average vatience extracted setiap
construct dengan korelasi antara construct dengan construct lainnya dalam model. Jika nilai akar kuadrat AVE setiap
construct lebih besar daripada nilai korelasi antar construct dengan construct lainnya dalam model, maka dikatakan
memiliki nilai
discriminant validity
yang baik.
Direkomendasikan nilai 0.50.
c Uji reliabilitas konstruk yang diukur dengan dua kriteria yaitu
composite reliability dan cronbach’s alpha dari blok indikator
yang mengukur konstruk. Konstruk dinyatakan reliabel jika nilai composite reliability maupun
cronbach’s alpha 0.60. 2.
Menilai Inner Model atau Model Struktural Menurut Ghozali 2008, pengujian inner model atau model
struktural dilakukan untuk melihat hubungan antara konstruk, nilai signifikansi dan nilai R-square dari model penelitian. Dalam
menilai model dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Interpretasinya sama dengan
interpretasi pada regresi. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten indepanden
tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang substantif. Disamping melihat model R-square,
model PLS juga dievaluasi dengan melihat Q-square predictive relevance untuk model konstruk. Q-square mengukur seberapa
baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya.Nilai Q-square 0 menunjukkan bawa model
mempunyai nilai predictive relevance, sedangkan nilai Q-square 0 menunjukkan bahwa model kurang memiliki predictive
relevance.
3.7. Pengujian Hipotesis