Cara Membaca Hasil Pls

Mudahnya Partial Least Square Smartpls 2 M3 By Edy Supriyadi

Mempelajari dan memahami SmartPLS

Skripsi kadang menuntut kita untuk gigih berjuang memahami setiap topik yang dibahas dalam setiap sub-bab yang ada. selalu menjadi sebuah fikiran apa lagi saat memasuki pengolahan data, bahkan skripsi acap kali menjadi pacar baru yang selalu memenuhi firkiran pagi siang malam ^_^ sedikit ingin berbagi ilmu tentang SmartPLS, karena tak jarang saya mendapat telepon untuk sekedar menanyakan, cara menginput, mengolah ataupun cara membacanya. rumit? tidak bila kita memahaminya, jadi nggak usah stress apalagi uring-uringan ngegalau untuk memahami SmartPLS karena saya rasa itu nggak terlalu susah.

ada beberapa keunggulan dari software SmartPLS :

Orientasi analisis smartPLS lebih ke arah prediksi bukan konfirmasi model.
Pendekatan smartPLS dianggap powerful karena tidak mendasarkan pada berbagai asumsi.
SmartPLS mampu mengkonfirmasi teori dan menjelaskan hubungan.
Jumlah sampel yang dibutuhkan dalam analisis relatif kecil dan data dalam analisis samrtPLS tidak harus memiliki distribusi normal.
SmartPLS mampu menguji model formatif dan reflektif dengan skala pengukuran indikator berbeda dalam satu model. Apapun bentuk skalanya (rasio kategori, Likert, dam lain-lain) dapat diuji dalam satu model.

cara menginput data pada smartPLS:

save-as data yang ingin di input dalam bentuk notepad atau excel dengan type CSV (MS-DOS)
buka program SmartPLS kemudian create new project pada File
tuliskan nama project besar yang di inginkan kemudian next
akan muncul papan pengumuman seperti berikut
pilih data yang telah di simpan dalam bentuk notepad atau excel dengan type CSV (MS-DOS) kemudian finish
pastikan data yang anda input dalam bentuk notepad atau excel dengan type CSV (MS-DOS) benar di tunjukkan dengan tanda cecklist seperti gambar berikut
tetapi jika data yang anda input memberikan tanda silang (x) seperti berikut

menandakan ada kekeliruan yang terdapat pada data di notepad atau excel dengan type CSV (MS-DOS), silahkan cek kembali, kemungkinan terdapat huruf ataupun ada kekosongan pada salah satu item, atau tanpa sengaja memasukkan angka diluar 1-5
untuk membuat model >>> view > swicth to insertion mode
bentuk model sesuai jumlah variable yang anda gunakan, kemudian masukan item (indicator) pada seriap varible seperti
kemudian bentuk korelasi antara variable satu dengan yang lainnya >>> view > swicth to connection mode
pastikan korelasi antara varible benar dengan perubahan warna model dari merah ke biru
untuk melihat ouput >>>> calculate > PLS algorithm> finish
done ^_^

cara membaca dan memahami output of SmartPLS

A. validity

pilih calculate > PLS algorithm> finish kemudian report >> default report
untuk melihat nilai discriminant validity bisa lansung dilihat dari gambar atau untuk lebih jelas bisa di lihat pada output cross loading (report >> default report>> quality criteria>> cross loading). Menurut Ghozali (2008) suatu indikator dianggap valid jika memiliki nilai korelasi di atas 0,70. Namun untuk loading 0,50 sampai 0,60 masih dapat diterima dengan melihat output korelasi antara indikator dengan konstruknya.
Cross loadings berguna untuk menilai apakah konstruk memiliki discriminant validity yang memadai, yaitu dengan cara membandingkan korelasi indikator suatu konstruk tersebut dengan konstruk lainnya. Jika korelasi indikator konstruk memiliki nilai lebih tinggi dibandingkan dengan korelasi indikator tersebut terhadap konstruk lain, maka dikatakan konstruk memiliki discriminant validitas yang tinggi.
cara lain untuk mengukuran discriminant validity dapat dilihat pada AVE (>0,50) antara indikator dengan konstruknya. (report >> default report>> quality criteria>>overview>> AVE)
Metode lain untuk menilai discriminant validity adalah dengan membandingkan Square Root of Average (AVE) untuk setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Model mempunyai discriminant validity yang cukup jika akar AVE untuk setiap konstruk lebih besar dari pada korelasi antara konstruk dengan konstruk lainnya dalam model. (report >> default report>> quality criteria>>laten variable correlation)

B. reliability

report >> default report>> quality criteria>>overview>> Composite reliability
Uji reliability dilakukan dengan melihat nilai composite reliability dari blok indikator yang mengukur konstruk. Menurut Ghozali (2008) hasil composite reliability akan menunjukkan nilai yang memuaskan jika di atas 0,7.

C. pengujian model konstruk

report >> default report>> quality criteria>>overview>>r-square
r-square berfungsi menjelaskan kemampuan independent variable menjelaskan dependent variable. Semakin tinggi nilai R-square maka semakin besar kemampuan variabel independen tersebut dapat menjelaskan variabel dependen

D. Uji Hipotesis

calculate>>bootstrapping>>
pastikan jumlah cases dan sample yang di gunakan sesuai dengan jumlah data (kuesioner) yang ada pada data yang di input. kemuadian finish
report >> default report>>bootstrapping>>totaleffect (Mean, STDEV, T-Value)>>t-statistict
done^_^