Dalam analisis Structural Equation Modeling (SEM) seperti yang sudah kita kenal ada 2 metode pendekatan yaitu berdasarkan variance base yakni Partial Least Squares yang menggunakan software SmartPLS, XLStats, PLS Graph dan VisualPLS, kemudian untuk kovariance base yang menggunakan software AMOS, Lisrel, dan EQS.
Oleh karena itu pada kesempatan kali ini saya akan membandingkan hasil model CB SEM AMOS dengan CB SEM SmartPLS. Dengan menggunakan model SEM Staying Intention yang menggunakan 4 variabel laten masing-masing diukur dengan indikatornya dan sampel sebanyak 200 sampel :
1) Environmental Perceptions sebagai variabel endogen diukur dengan 3 indikator : X11, X12, X13.
2) Attitude toward Coworkers sebagai variabel endogen diukur dengan 3 indikator : X21, X22, X23.
3) Job Satisfaction sebagai variabel endogen diukur dengan 3 indikator : Y1, Y2 dan Y3.
4) Staying intention sebagai variabel endogen diukur dengan 5 indikator : Y21, Y22, Y23, Y24 dan Y25.
Berikut ini bentuk model dalam notasi
 |
| Model SEM dalam Notasi |
Model CB SEM AMOS diestimasi dengan menggunakan estimasi Maximum likelihood. Hasil model dibawah ini.
 |
|
Gambar. Model Analisis CB SEM dengan AMOS |
Sedangkan pada hasil model dengan SmartPLS ada 2 model yang dihasilkan. Yang pertama hasil model PLS Algorithm untuk pengujian Outer Model dan kedua hasil PLS Bootstraping untuk pengujian structural model.
 |
| Gambar. Model Analisis CB-SEM dengan SmartPLS (Algorithm) |
 |
| Gambar. Model Analisis CB-SEM dengan SmartPLS (Bootstraping) |
Hasil pengujian validitas pada indikator dapat dilihat pada nilai Regression weights standardized pada CB SEM AMOS dan nilai outer loading standardized hasil CB SEM SmartPLS dan yang diperoleh tiap indikator, selengkapnya dapat dilihat pada tabel di bawah ini.
 |
| Tabel. Regression weight CB SEM AMOS dan Outer Loading CB SEM SmartPLS |
Pada tabel diatas nilai standardized regression weight pada variabel Enviromental Perceptions, nilai loading indikator X11 sebesar 0.899, X12 0.832, X13 0.773. Variabel Attitudes toward Coworkers, indikator X21 sensar 0.727, X22 0.868, X23 0.773. Variabel Job satisfaction, nilai loading indikator Y1 sebesar 0.814, Y2 0.858, dan Y3 0.811. Variabel Staying Intention, nilai loading indikator Y21 sebesar 0.744, Y22 0.787, Y23 0.765, Y24 0.840 dan Y25 sebesar 0.754. Demikian juga untuk hasil CB SEM SmartPLS, semua nilai loading indikator (outer loading) memperoleh nilai loading yang sama dengan hasil CB SEM AMOS. Dari hasil tersebut nilai loading indikator > 0.7 menunjukkan bahwa indikator-indikator tersebut valid sebagai pengukur konstrak atau variabel latennnya.
1. Reliabilitas
Reliabilitas adalah ukuran mengenai konsitensi internal dari indikator sebuah variabel laten yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk/faktor laten yang umum. Hasil pengujian Composite reliability dan AVE CB SEM SmartPLS, pengujian contruct reliability dan variance extracted CB SEM AMOS selengkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Uji Composite Reliability dan AVE CB SEM SmartPLS, Construct Reliability dan Variance Extracted CB SEM AMOS |
Dari hasil pengujian composite reliability dan AVE CB SEM SmartPLS menunjukkan bahwa nilai composite reliability variabel Attitude toward coworkers sebesar 0.836, Environmental perceptions 0.874, Job satisfaction 0.865 dan Staying Intention sebesar 0.884. Demikian untuk nilai AVE variabel Attitude toward coworkers sebesar 0.627, Environmental perceptions 0.699, Job satisfaction 0.685 dan Staying Intention sebesar 0.606. semua variabel memenuhi syarat cutt of composite reliability > 0.7 dan syarat AVE > 0.5.
Berdasarkan hasil perhitungan reliabilitas di atas menunjukkan bahwa construct reliability variabel Attitudes toward coworkers 0.833, Environmental Perceptions sebesar 0.874, Job satisfaction 0.867 dan Staying Intention 0.885. Semua variabel memenuhi kriteria syarat cut off value >0.70. Demikian untuk nilai variance extracted variabel Attitudes toward coworkers 0.626, Environmental Perceptions sebesar 0.699, Job satisfaction 0.685 dan Staying Intention 0.606 memenuhi syarat cut off value >0.50 sehingga dapat disimpulkan bahwa masing-masing variabel laten memenuhi kriteria reliabilitas.
Uji Reliabilitas selain dengan pengujian diatas dapat dilakukan dengan uji validitas diskriminan untuk CB SEM AMOS dan uji Fornell Larcker pada CB SEM SmartPLS. Pengujian ini dilakukan dengan membandingkan antara nilai akar AVE dengan nilai korelasi antar variabel. Variabel dikatakan memiliki diskriminan yang baik jika nilai akar AVE lebih tinggi dari korelasi antar variabel yang lain. Hasil selengkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Diskiminan validitas (CB SEM AMOS) |
Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude to wards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.186, korelasi dengan job satisfaction 0.251 dan staying intention sebesar 0.444. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.
Hasil pengujian fornell larcker CB SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Fornell Larcker Criterion (CB SEM SmartPLS) |
Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude towards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.197, korelasi dengan job satisfaction 0.091 dan staying intention sebesar 0.402. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.
2. Absolute Fit Measures
Absolute fit measures adalah ukuran langsung digunakan untuk mengetahui seberapa baik model yang ditetapkan dalam penelitian mampu memproduksi data yang diamati. Berdasarkan hasil kesesuaian model yang fit, karena memenuhi indeks pengujian berdasarkan rule of thumb yang disyaratkan. Artinya model tersebut secara empirik dapat diujikan (terdapat kesesuaian dengan data). Chi-Square (χ2) merupakan ukuran fundamental dari overall fit, jika nilai chi-square kecil maka akan menghasilkan nilai probabilitas (p) yang besar, hal ini menunjukkan bahwa input matriks kovarian antara prediksi dengan observasi sesungguhnya, tidak berbeda secara signifikan. Dengan kata lain, pengujian ini nilai chi-square (χ2) yang rendah akan menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 sehingga tidak adanya perbedaan yang signifikan antara matriks kovarians data dan matriks kovarians yang diestimasi. CMIN/DF merupakan nilai chi-square dibagi dengan degree of freedom. Indeks ini diperoleh dengan cara CMIN (the Minimum sample discrepancy function) dibagi dengan degree of freedom-nya. Dalam hal ini CMIN/DF tidak lain adalah statistic χ2 dibagi df-nya sehingga disebut χ2-relatif. Nilai χ2 relatif kurang dari 2.00 atau bahkan kurang dari 3.00 adalah indikasi dari acceptable fit antara model dan data. Root mean square error of approximation (RMSEA) adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA yang lebih kecil dari 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model. Ukuran RMSEA lebih tahan dengan jumlah sampel atau tidak dipengaruhi oleh jumlah sampel yang digunakan. Goodness of Fit Index (GFI) adalah ukuran relative jumlah varians dan kovarians dalam S ((matriks kovarians data sampel) yang dijelaskan oleh ∑ (matrik kovarians populasi). GFI adalah ukuran nonstatistikal yang mempunyai rentang nilai antara 0-1. Nilai >0.9 menunjukkan model fit. Hasil selengkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Absolute Fit Measures |
Hasil estimasi CB SEM AMOS untuk chi square sebesar 77.061, cmin/df 1.070, Probabilitas (p-value) 0.320, RMSEA 0.019 dan GFI sebesar 0.949. Hasil estimasi dari analisis CB SEM SmartPLS untuk chi square sebesar 77.448, cmin/df 1.076, Probabilitas (p-value) 0.309, RMSEA 0.019 dan GFI sebesar 0.949. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks Chi square, cmin/df, probabilitas, RMSEA dan GFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit.
3. Incremental Fit Measures
Incremental fit Measures dimaksudkan untuk menilai seberapa baik model yang diestimasi ileh peneliti dibandingkan dengan beberapa model alternative. Beberapa ukuran Incremental fit Measures yaitu Adjusted Goodness Fit Index (AGFI), Tucker Lewis Index (TLI), (CFI) dan Normed Fit Index (NFI).
AGFI merupakan analog dari R2 dalam regresi berganda. Fit Index ini diperoleh dari di-adjust terhadap degress of freedom (df) yang tersedia untuk menguji diterima tidaknya model. Nilai AGFI yang direkomendasikan ≥0.90. Tucker Lewis index (TLI) adalah sebuah alternative incremental fit index yang membandingkan sebuah model yang diuji dengan terhadap baseline model. Nilai yang direkomendasikan criteria fit ≥0.95. Comparative Fit Index (CFI) merupakan nilai indeks dimana rentang nilai antara 0-1. Kriteria nilai CFI ≥0.95 dapat dikatakan model fit. Nilai Normed Fit Index (NFI) memiliki batas cut of value untuk indeks ini adalah mendekati 0.90. Hasil nilai estimasi nilai Incremental fit Measures pada CB SEM AMOS dan CB SEM SmartPLS selngkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Incremental Fit Measures |
Hasil estimasi CB SEM AMOS untuk AGFI sebesar 0.926, TLI 0.996, CFI 0.997 dan NFI sebesar 0.950. Hasil estimasi dari CB SEM SmartPLS untuk AGFI 0.926, TLI 0.995, CFI 0.996 dan NFI 0.950. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks AGFI, TLI, CFI dan NFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit.
Untuk menguji model structural dapat diketahui dari nilai R2 yang merupakan uji Goodness of the fit. Uji R-square diperoleh pada variabel laten/konstrak endogen, dimana variasi pada variabel laten/konstrak tersebut dapat dijelaskan oleh variabel/konstrak endogenya. Hasil nilai R-square pada model CB-SEM AMOS dan CB-SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.
 |
| Tabel. Nilai R-Square |
Pada tabel diatas menunjukkan bahwa nilai R-square dari output CB-SEM AMOS yaitu Squared Multiple Correlations. Nilai R-square variabel Job Satisfaction pada CB SEM AMOS sebesar 0.211 dan hasil CB SEM SmartPLS juga 0.211. Demikian untuk nilai R-square variabel Staying Intention memperoleh nilai masing-masing 0.420 baik pada CB SEM AMOS maupun pada CB SEM SmartPLS. Hasil kedua analisis menghasilkan nilai R-square yang sama.
4. Uji Kausalitas
Hasil pengujian kausalitas koefisien pengaruh dari model struktural selengkapnya disajikan pada tabel di bawah ini.
 |
|
Tabel. Pengujian Hipotesis |
Pengujian koefisien pengaruh dari variabel eksogen terhadap variabel endogen untuk CB-SEM AMOS menggunakan nilai critical ratio (CR) dan nilai signifikansi p-value, sedangkan CB SEM SmartPLS menggunkan nilai t statistik dan p-value < 0.05. Hasil pengujian hipotesis selengkapnya disajikan sebagai berikut :
1) Hipotesis 1
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Job Satisfaction sebesar 0.412, nilai CR 5.784 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.412, nilai statistik 5.354 dan p-value 0.000. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Job Satisfaction.
2) Hipotesis 2
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Staying Intention sebesar 0.193, nilai CR 2.954 dan p-value 0.003. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.193, nilai statistik 2.092 dan p-value 0.037. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Staying Intention.
3) Hipotesis 3
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Attitudes Towards Coworkes terhadap Staying Intention sebesar 0.324, nilai CR 4.316 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.363, nilai statistik 2.930 dan p-value 0.004. Hasil tersebut membuktikan bahwa Attitudes Towards Coworkes berpengaruh signifikan terhadap Staying Intention.
4) Hipotesis 4
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Job Satisfaction terhadap Staying Intention sebesar 0.341, nilai CR 4.371 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.341, nilai statistik 3.333 dan p-value 0.001. Hasil tersebut membuktikan bahwa Job Satisfaction berpengaruh signifikan terhadap Staying Intention.
5. Kesimpulan
- Hasil pengujian untuk nilai loading indikator (standard loadng) dari indikator terhadap variabel latennya menunjukan hasil nilai yang sama antara CB SEM SmartPLS dengan CB SEM AMOS. Bahkan untuk uji Reliabilitas (composite reliability dan variance extracted) memberikan hasil pengujian yang sama antara keduanya.
- Hasil pengujian fit model seperti chi square, cmin/df, Probabilitas, GFI, AGFI, CFI, TLI memperoleh nilai yang tidak jauh berbeda antara kedua pengujian tersebut dan masih dalam ketagori fit model.
- Nilai R square pengujian kedua model memperoleh nilai yang sama.
- Hasil uji hipotesis yaitu nilai koefisien pengaruh variabel eksogen terhadap endogen memperoleh nilai koefisien yang sama, tetapi nilai (Critical Ratio, nilai T statistic) dan p-value memiliki nilai yang tidak berbeda jauh. Tetapi untuk hasil keputusan hipotesis tidak ada perbedaan.
- CB SEM AMOS menggunakan pendekatan estimasi Maximum Likelihood dengan asumsi data distribusi normal, sedangkan CB-SEM SmartPLS menggunakan langkah PLS algorithm dan bootstraping dengan asumsi data tidak berdistribusi normal.
Referensi
Ghozali, I dan Kusumadewi, K, A. 2023. Partial Least Squares : Konsep, Teknik, dan Aplikasi Menggunakan Program SmartPLS 4.0. Semarang : Badan Penerbit Universitas Diponegoro.
Piaw, C, Y.2023. Step by Step Guide : PLS SEM Data Analysis Using SmartPLS 4.0
