Karakteristik Responden Metode Analisis Structural Equation Modeling SEM dengan

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