Tiga Pendekatan Model Second Order Construct Pada PLS

Konstrak multidimensi dimana konstrak memiliki lebih dari satu dimensi atau beberapa subdimensi (berupa second order, third order dan seterusnya) disebut juga model Hierachical. Dalam design dasar PLS, indikator pada konstrak dapat berbentuk reflektif maupun formatif. Kedua pilihan bentuk tersebut dapat digunakan untuk mengestimasi hierachical model, tetapi pilihan itu pada level struktural. Jika pola hubungan antara lower order konstrak dan higher order konstrak berbentuk reflektif (pada tipe 1 dan tipe 3) maka disebut sebagai molecular model. Dalam beberapa literatur disebut juga dengan common latent construct, hierachical common factor model, dan principal factor model.

 

Namun sebaliknya jika hubungan antara lower order konstrak dengan higher order konstrak berbentuk formatif (pada tipe 2 dan tipe 4) maka disebut dengan molar model. Dalam beberapa literatur model ini disebut juga dengan composite latent construct, composite latent variable model.

Model Molecular dan Molar

Dalam hierachical model diasumsikan bahwa antar sesama Lower Order Construct (LOC) dapat saling berpengaruh karena memiliki aspek yang sama. Demikian pula antara LOC dan HOC tidak dapat dihipotesiskan. Karena hal tersebut dibutuhkan pendekatan khusus untuk mengestimasi higher order construct. Ada 3 (tiga) pendekatan yang digunakan saat ini yaitu repeated indikator approach, hybrid approach dan two stage approach.

Pendekatan Repeated Indicators (Repeated Indicator Approach) 

Pendekatan repeated indikator sudah sangat populer dibandingkan dengan pendekatan yang lain seperti gybrid dan two stage. Pendekatan repeated indikator dikembangkan oleh Herman Wold tahun 1980an. Prosedur reperated indicator dangat ah sederhana, yaitu dengan menggunakan semua indikator dikonstrak first order sebagai indikator pada second order dan seterusnya. Sebagai gambaran dapat dilihat pada gambar di bawah ini.

Model Repeated Indicator Approach

Dari gambar model di atas terlihat bahwa indikator-indikator pada konstrak dimensi first order yaitu System Reliability (SR1, SR2, SR3) System Efficiency (SE1, SE2, SE3) dan System Privacy (SP1, SP2, SP3) digunakan kembali sebagai pengukur pada konstrak System Quality sebagai second order, jadi konstrak System Quality diukur dengan indikator SR1, SR2, SR3, SE1, SE2, SP1, SP2, SP3).

Pendekatan Hybrid (Hybrid Approach) 

Pendekatan hybrid dalam menganalisis model higher construct dikembangkan oleh Wilson dan Hanseler (2007) yang bertujuan untuk mengatasi masalah yang ditimbulkan oleh pendekatan repeated indicator. 

Model Hybrid Approach

Prosedur dalam pendekatan model ini memiliki kemiripan dengan repeated indikator, tetapi indikator-indikator pada first order dipilih secara acak untuk digunakan sebagai indikator pada second order konstrak. Seperti dijelaskan pada gambar di atas, indikator SR2 (System Reliabilty), SE1 (System Efficiency), SP3 (System Privacy) yang merupakan indikator pada first order digunakan sebagai indikator pada higher order System Quality.

Pendekatan Two Stage (Two Stage Approach)

Pendekatan two stage dapat memberikan solusi dari masalah yang ditimbulkan oleh pendekatan Repeated indicator yaitu residual dari indikator akan saling berkorelasi. Dengan pendekatan repeated indikator pada type II dan type IV, dimana higher order konstrak yang berada sikonstrak dependen/endogen membuat nilai varians (nilai R-square) menjadi sangat tinggi mendekati 1. Hal ini terjadi karena higher order dijelaskan oleh lower order.

Dengan pendekatan two stage konstrak dimensi dibuat menjadi latent score sebagai indikator dari konstrak higher konstrak. Skor variabel laten diperoleh dengan menggunakan first order konstrak yang diestimasi untuk first stage atau dapat menggunakan analisis faktor atau principal component.

Gambaran model dengan pendekatan two stage selengkapnya disajikan pada model dibawah ini. 

Model Two Stage Approach

Baca juga :  

1. Model Moderator Structural Equation Modeling

2. Model Moderator Regression Analysis MRA

3. Model Moderator dengan Uji Selisih Mutlak

4. Model Moderator dengan Uji Residual

Referensi :

Becker, J.M, Kelin, K, and Wetzels, M. (2012). Hierachical Latent variable Models in PLS-SEM : Guidlines for Using Reflective -Formative Type Models. Long Range Planing (45), 359-394.

Ghozali, I and Latan, H. (2012). Partial Least Squares Konsep, Metode dan Aplikasi menggunakan Program WarpPLS 4.0. Semarang : Badan Penerbit  Universitas Diponegoro.

Model Moderator Structural Equation Modeling (SEM) Dengan AMOS

Dalam model moderasi, pada umumnya dengan pengaruh interaksi dilakukan moderated regression analysis (MRA) yakni spesifikasi regresi linier yang memasukan variabel ketiga berupa perkalian antara variabel independen dengan moderator sebagai variabel moderating (interaksi). Karena pada model sem dapat mengkorelasikan measurement eror/kesalahan pengukuran, maka koefisien estimasi MRA akan bias. Oleh karena interkasi tersebut akan dapat mengakibatkan timbulnya multikolinieritas pada variabel-variabel independen.

 

 Perhatikan Model SEM dengan variabel Moderating di bawah ini.

Model SEM dengan Variabel Moderating

Untuk mengatasi masalah tersebut di atas salah satu caranya dengan mengubah data menjadi bentuk mean centred sebelum di analisis. Mean centered merupakan transformasi data mentah menjadi selisih nilai dengan mean variabel tersebut.

Mean centered = data mentah (rawa) - rata-rata (mean)

Selain solusi dengan transformsi mean centered, untuk mengestimasi pengaruh moderating pada model SEM yang kompleks dapat dilakukan dengan Metode Ping (1995).

Untuk mmelakukan analisis moderating prosedur metode Ping dilakukan dengan 3 tahap yaitu :

1. Tahap 1 : Melakukan estimasi tanpa memasukan variabel interaksi yaitu hanya 2 variabel laten yaitu Motivation, Internet search dan variabel endogen Critical Thingking.

2. Tahap 2 : Dari hasil output model tersebut diatas, digunakan untuk menghitung nilai loading faktor variabel interaksi (Lamda Interaksi) dan nilai error variance dari indikator variabel laten interaksi dengan rumus sebagai berikut :

Rumus Lambda Interaksi dan Eror Variance

3. Tahap 3 : Setelah diperoleh nilai lambda interaksi dan nilai eror variance kemudian dimasukkan nilai-nilai tersebut ke dalam model dengan variabel interaksi. Hasil perhitungan manual dari loading faktor interaksi digunakan sebagai nilai parameter nilai loading interaksi dan hasil perhitungan manual eror variance variabel interaksi digunakan sebagai nilai parameter eror variance interaksi.

Langkah Analisis Model Moderating dengan AMOS

Langkah Pertama : lakukan pengujian model tanpa memasukan variabel interaksi, yaitu hanya variabel laten motivation, internet search dan critical thinking. Langkah analisis SEM AMOS seperti biasa pada umumnya. Hasil selengkapnya sebagai berikut :

Model SEM AMOS Tanpa Interaksi

Pada hasil model di atas memberikan nilai untuk model  fit, seperti nilai chi-square sebesar 42.783, cmin/df = 1.770, probabilitas 0.11, RMSEA 0.070, CFI 0.982, GFI 0.944 dan TLI sebesar 0.973. Dari hasil nilia tersebut menunjukan bahwa model secara umum dapat simpulkan model fit. 

Standard Loading Indikator Output AMOS

Dari hasil nilai standard loading indikator, memberikan hasil yang cukup baik. Hal ini terlihat pada nilai estimate atau nilai loading indikator-indikator pada variabel Motivation, internet search dan Internet thinking memperoleh nilai loading sebesar > 0.70 yang artinya bahwa indikator-indikator tersebut balid sebagi pengukur variabel latennya.

Nilai Variance Output AMOS

Untuk nilai variance variabel Motivation diperoleh sebesar 2.010, Internet search sebesar 2.508. Sedangkan nilai eror pada eror1 sebesar 0.558, eror2 0.496, eror3 0.712, eror4 1.245, eror5 0.733, eror6 1.245, eror7 0.741, eror8 1.302 dan eror9 sebesar 1.302.

Langkah kedua : dari hasil output pada pengujian di atas kemudian dimasukan nilai seperti nilai loading, variance dan nilai eror ke dalam rumus untuk mendapatkan nilai sebagai parameter estimasi variabel interaksi.

Perhitungan/rumus loading faktor interaksi

Perhitungan  Lambda Interaksi

Perhitungan/rumus eror interaksi

Perhitungan Eror Variance

Langkah ketiga : Dari hasil perhitungan diperoleh nilai parameter loading interaksi sebesar 6.494 dan eror interaksi sebesar 77.843. Kemudian kedua nilai tersebut dimasukan ke variabel interaksi seperti pada gambar di bawah ini.

Model AMOS Input Loading Interaksi dan Eror Interaksi

Cara memasukan nilai/angka tersebut pada model :

1. Klik kanan pada arah panah eror, pilih object properties : isi parameter dengan nilai 77.843. Pada arah panah indikator, klik kanan pilih object properties : dimenu parameter isi dengan angka 6.494.
2. Pada variabel laten Interaksi, klik kanan pilih object properties : isi variance sebesar 1.
3. Pada menu data input, buat variabel baru dengan nama Interak, untuk angak indikator diperoleh dari rumus (X1+X2+X3)(Z1+Z2+Z3).
4. Berikan tanda hubungan/korelasi antara variabel Interaksi dengan Motivation dan Interaksi dengan Internet Search.
5. Setelah selesai kemudian Klik Analyze> Calculate estimate. Lihat Hasil output model AMOS.

AMOS dengan Variabel Interaksi

 

Dari hasil output, diperoleh indeks goodness ot fit seperti  chi-square sebesar 48.963, cmin/df = 1.632, probabilitas 0.016, RMSEA 0.063, CFI 0.98, GFI 0.942 dan TLI sebesar 0.982. Dari hasil nilai tersebut menunjukan bahwa model secara keseluruhan dapat dikatakan model fit/layak.

Koefisien Pengaruh Eksogen ke Endogen

Pada hasil output estimasi koefisien pengaruh Internet terhadap Critical thinking sebesar 0.323 dengan nilai CR 2.973 dan probabilitas sebesar 0.003. Nilai estimasi Motivation sebesar 0.849 dengan nilai CR sebesar 6.667 dan probabilitas sebesar *** (0.000) karena nilai probabilitas <0.05 atau CR > 1.96 sehingga dapat disimpulkan bahwa kedua variabel Internet Search dan Motivation Signifikan berpengaruh terhadap Critical Thinking. Demikian halnya dengan variabel Interaksi, diperoleh nilai estimasi sebear 0.004 dengan CR 3.581 dan probabilitas *** (0.000) karena variabel Interaksi signifikan berpengaruh terhadap Critical Thinking maka dapat disimpulkan bahwa Motivation signifikan memoderasi hubungan pengaruh Internet Search terhadap Critical Thinking.

Baca juga :

1. Analisis Model Moderator Dengan Lisrel

2. Model Moderator dengan Selisih Mutlak

3. Model Moderator dengan uji Residual

Referensi :

Byrne, B.M (2016). Structural Equation Modeling With AMOS. New York : Taylor and Francis.

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen. Semarang : Badan Penerbit Universitas Diponegoro.

Ghozali, I. (2011). Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19. Semarang : Badan Penerbit Universitas Diponegoro.

Model Moderator Regression Analysis (MRA)

Dalam prosedur model Moderated Regression Analysis (MRA) ini masih mempertahankan integritas sampel sebagai dasar pengontrol pengaruh variabel moderator. Integritas ini terlihat dari penggunaan nilai variabel interaksi yang diperoleh dari perkalian antara variabel independen dengan variabel moderator. Meskipun dalam metode ini masih memiliki kekurangan yaitu terjadinya multikolinieritas yang tinggi antara variabel independennya.

Model MRA kali ini menggunakan 1 variabel independen (stress), 1 variabel moderator (dukungan sosial) dan 1 variabel dependen (depresi). Maka kita akan melakukan pengujian dalam 3 persamaan regresi. Prosedur pengujian juga dilakukan dengan 3 langkah. Perhatikan model gambar di bawah ini.

Model Depresi dengan Variabel Moderating

Persamaan dari model tersebut adalah

Persamaan Model Moderating

1. Persamaan 1 : persamaan regresi antara variabel independen (stress) terhadap dependen (Depresi).
2. Persaman 2 : persamaan regresi antara 2 variabel independen stress dan Dukungan Sosial terhadap variabel dependen (Depresi)
3. Persamaan 3 : persamaan regresi antara 3 variabel Stress, Dukungan Sosial dan Variabel Interaksi (Stress x Dukungan sosial).

Langkah-Langkah Analisis MRA dengan SPSS 

Buka SPSS data view. Terlihat ada 3 variabel yaitu stress, Dukungan Sosial dan Depresi

Iput Data SPSS

Pertama : melakukan analisis regresi dengan meregres variabel stress terhadap Depresi. Hasil regresi pertama sebagai berikut :

Koefisien Regresi Stress terhadap Depresi

Pada tabel hasil regresi 1 di atas terlihat bahwa nilai koefisien pengaruh stress terhadap Depresi sebesar 2.769, nilai t sebesar 3.766 dan signifikansi 0.000. Dari hasil tersebut membuktikan bahwa Stress berpengaruh positif terhadap tingkat depresi. Semakin tinggi Stress akan semakin bertambah tingkat depresi seseorang. 

Kedua : melakukan analisis regresi variabel Stress dan Dukungan sosial terhadap variabel Depresi. Hasil analisis regresi selengkapnya disajikan pada tabel di bawah ini.

Koefisien Regresi Stress dan Dukungan Sosial Terhadap Depresi

Pada tabel hasil regresi kedua menunjukkan bahwa koefisien pengaruh Stress terhadap depresi sebesar 2.436, nilai t sebesar 3.236. Sedangkan nilai koefisien dukungan sosial sebesar 1.269, nilai t 1.673 dan signifikansi 0.099. Dari hasil tersebut membuktikan bahwa Stress signifikan berpengaruh terhadap depresi sedangkan Dukungan sosial tidak signifikan berpengaruh terhadap Depresi karena nilai signifkansi 0.099 > 0.05.

Ketiga : Meregresikan variabel Stress, dukungan sosial dan variabel Interaksi terhadap Depresi. Variabel interaksi diperoleh dengan mengkalikan antara nilai standar stress dengan nilai standar Dukungan sosial. Hasil regresi ketiga selengkapnya disajikan pada tabel di bawah ini.

Koefisien Regresi Stress, Dukungan Sosial dan StressDSiksos terhadap Depresi

Dari tabel hasil regresi menunjukkan bahwa nilai variabel stress dan dukungan Sosial masing-masing memperoleh nilai signifikansi 0.022 dan 0.033 yang artinya memiliki pengaruh yang signifikan terhadap Depresi. Sedangkan nilai koefisien variabel Interaksi (Stres x Duksos) sebesar -2.295, nilai t sebesar -2.154 dan signifikansi sebesar 0.035. Artinya bahwa Dukungan Sosial signifikan mampu sebagai moderator pada hubungan pengaruh Stress terhadap Depresi. Nilai koefisien sebesar -2.295 (negatif) artinya bahwa Dukungan Sosial akan memperlemah hubungan pengaruh Stress terhadap Tingkat Depresi.

Baca juga : 

1. Model Moderator Dengan Uji Selisih Mutlak

2. Model Moderator dengan Uji Residual

3. Model Moderator pada SEM

Referensi : 

Hayes. A.F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis : A Regression Based Approach”. 2nd. New York : The Guilford Press.

Imam Ghozali. (2013). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro. 

Jose.P.E. (2013). Doing Statistical Mediation and Moderation. New York : The Guilford Press

Model Moderator dengan Uji Selisih Mutlak

Model moderator dengan uji nilaiselisih mutlak diperkenalkan oleh Frucot and Sharon di tahun 1991. Dalam prosedurnya, untuk mendapatkan nilai interaksi diperoleh dari nilai absolut dari nilai selisih antara variabel independen dengan moderator. 

 

 Dengan rumus persamaan sebagai berikut :

Persamaan Model Moderator dengan Uji Selisih mutlak

Model gambar moderasi sebagi berikut :

Model Kepuasaan dengan Interaksi

Model pengujian dengan selisih mutalk lebih disukai karena ekspektasi sebelumnya berhubungan dengan kombinasi antara X1 dan X2 berpengaruh terhadap Y. Dalam model kali ini kita memiliki variabel Kenyamanan sebagai independen, Pelayanan sebagai moderator dan Kepuasan sebagai dependen.

Langkah Analisis Moderator dengan uji selisih Mutlak di SPSS

- Buka data view di SPSS. Terlihat ada 3 variabel yaitu kenyamanan, pelayanan dan Kepuasan dengan jumlah sampel/responden sebanyak 70.

Input Data

 - Buat variabel baru "standardize Pelayanan (Zpelayanan) dan standardize kenyamanan (Zkenyamanan) dengan langkah-langkah nya seperti ini.

Pilih Analyze > Descriptive > Statistics > Descriptive

Langkah dengan SPSS

Kemudian variabel Kenyamanandan pelayanan dimasukan ke dalam menu variable (s) dan centang "save standardized values  as variables". Klik OK

Pada SPSS data editor akan muncul variable baru Zkenyamanan dan Zpelayanan

Langkah selanjutnya membuat selisih mutlak dari dua variabel.

- Dari SPSS data editor, pilih menu Transform > compute.

Langkah Compute Variable

Untuk membuat nama variabel baru, pada menu target variable ,ketik : AbsKeny_Pel. Untuk membuat nilai selisih absolut, pada menu Numeric expression, masukkan fungsi : Abs(Zkenyamanan-Zpelayanan). Klik OK

Hasilnya pada SPSS data editor ada variabel baru yaitu AbsKeny_Pel yang mana variabel ini merupakan nilai selisih mutlak dari variabel kenyamanan dengan pelayanan.

Hasil dari regresi sebagi berikut :

Nilai R-Square

Pada tabel uji koefisien determinasi diketahui bahwa R-square sebesar 0.431, artinya bahwa variabel kenyamanan, keramahan, dan interaksi (AbsKeny_Pel) mampu menjelaskan variasi pada variabel Kepuasan sebesar 43.1% (0.431 x 100%).

Nilai Uji F

Pada tabel uji F di atas uji signifikansi simultan (uji F) diperoleh sebesar 16.671 dengan signifikansi 0.000, yang artinya bahwa semua variabel kenyamanan, Keramahan dan Interaksi (AbsKeny_Pel) secara bersama-sama (simultan) signifikan terhadap variabel Kepuasan).

Nilai Koefisien Regresi Model Kepuasan

Pada tabel uji koefisien di atas menunjukkan bahwa koefisien pengaruh variabel Zkenyamanan sebesar 3.375 dengan nilai t sebesar 4.076 dan signifikansi 0.000. Variabel Zpelayanan memperoleh nilai koefisien sebesar 2.558 dengan nilai t-statistik 3.021 dan signifikansi 0.004. Kedua variabel Zkenyamanan dan Zpelayanan terbukti signifikan berpengaruh terhadap Kepuasan. Sedangkan nilai koefisien pengaruh variabel AbsKeny_Pel diperoleh sebesar 5.332 dengan nilai -t sebesar 5.113 dan signifikansi 0.000. Artinya bahwa terbukti pelayanan signifikan mampu memoderasi hubungan pengaruh kenyamanan terhadap kepuasan.

Baca juga : 

1. Model Moderator Regression Analysis (MRA)

2. Model Moderator dengan uji residual

Referensi :

Ghozali .I (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.

Hayes. A. F (2018). Introduction to Mediation, Moderation, and Conditional Process Analyisis : A Regression Based Approach". 2nd edition. New York : The Guilford Press.

Jose. P.E (2013). Doing statistical Mediation, Moderation. New York : The Guilford Press