29 Juli 2020

Tutorial Model Multi-Group Analysis (MGA)

Multi-Group Analysis (MGA) atau analisis multisampel dilakukan dengan tujuan untuk membandingkan analisis data berdasarkan data sampel karena memiliki karakteristik yang berbeda dengan 2 atau lebih karakter. Karakteristik tersebut bisa jenis kelamin (laki-laki dan wanita), status pernikahan (menikah dan tidak menikah), status karyawan (tetap dan kontrak) dan lain sebagainya.  Langkah yang dilakukan adalah dengan membandingkan nilai t-statistik dari masing-masing grup tersebut. 
 


Bagaimana gambaran dan caranya? sebagai contoh kita memiliki model pengaruh motivasi terhadap kinerja karyawan. Di sini kita memiliki karakteristik status karyawan yaitu karyawan tetap dan karyawan kontrak. Kita dapat membandingkan keduanya, apakah koefisien pengaruh dari Motivasi terhadap Kinerja pada grup karyawan tetap dan grup karyawan kontrak memiliki perbedaan yang signifikan.Sehingga sampel yang digunakan ada 2 sub sampel (grup) yaitu sub sampel karyawan tetap dan subsampel karyawan kontrak. Untuk menguji kedua grup, model analisis yang dilakukan dengan Multi-Group Analysis (MGA). Ada 3 pendekatan dalam analisis multi grup yaitu :
  1. Pendekatan Parametrik yaitu mengestimasi parameter model untuk tiap grup dan menggunakan standar error yang diperoleh dari boostraping sebagai input untuk parameter test. Karena PLS bersifat non-parametric atau distribution free maka pendekatan parametrik ini tidak sejalan. pendekatan ini dikemukakan Keit et al. (2000).
  2. Prosedur non parametric yaitu tidak mensyaratkan asumsi distribusinal. pendekatan ini diperkenalkan Hanseler (2007, 2012). Prosedur ini membandingkan setiap centered estimasi bootstrap untuk grup satu dan grup dua dengan seluruh sampel bootstrap.
  3. Prosedur Randomization atau permutation test yaitu menguji signifikansi ketika terjadi data yang tidak normal dan tentunya tidak mensyaratkan asumsi parametrik. Pendekatan ini diperkenalkan Chin (2000). Dalam perhitungan statistik mengikuti t-distribution dengan (n1+n2)-2 adalah degree of freedom (df) sehingga jika data grup sampel yang digunakan tidak normal maka variance kedua grup berbeda. Maka selanjutnya kita menggunakan Smith-Satterthwait Test dengan rumus sebagai berikut :


Dimana :
Path sampel-1 = nilai koefisien pada grup 1
Path sampel-2 = nilai koefisien pada grup 2
SE sampel-1 = nilai standar eror koefisien pada grup 1
SE sampel-2 = nilai standar eror koefisien pada grup 2

Sebagai contoh kali ini model Multi-Grup Analysis (MGA) yaitu model Kinerja Perusahaan, dimana terdapat Kepuasan sebagai konstrak eksogen dan Kinerja sebagai konstrak endogen. Kepuasan diukur dengan 8 indikator (Kep1-Kep5) sedangkan Kinerja diukur dengan 8 indikator (Kin1-Kin8). Karena kita akan membandingkan 2 karakteristik yang berbeda yaitu grup 1 karyawan tetap dan karyawan kontrak, maka dalam data input/raw data ditambahkan 1 kolom baru untuk status karyawan dengan kode 1 sebagai karyawan tetap dan kode 2 untuk karyawan kontrak.
Pengujian Inner model dan Outer model pada model ini tetap dilakukan sebelum menguji model Multi Group Analysis (MGA).
Setelah melakukan input data dan membuat model di SmartPLS akan tampak indikator pada menu raw data, pada kolom pertama terlihat nama status karyawan. kemudian Klik menu Generate Data Groups.

Menu Generate Data Groups

Pada menu Generate Data Groups, pilih Group Column 0 nama status (2 unique values) kemudian OK

Menu Grup column

Sekarang terlihat data grup sudah terbaca pada menu SmartPLS. Group_status (1.0) dan Group_2 (2.0). Dari kedua grup tersebut dapat diberinama sesuai dengan yang diinginkan dengan cara, Klik pada menu Edit pada Group_status (1.0).

Menu Group Edit

Pada menu Group name, ganti nama menjadi Karyawan tetap kemudian OK. Lakukan juga untuk Group_status (2.0) ganti nama menjadi Karyawan kontrak.

Configure data group

Kemudian lakukan langkah terakhir Calculate > Multi-Group Analyis (MGA)

Calculate Multi-Group Analysis (MGA)

Pada menu setup, di Groups A centang karyawan tetap dan di Groups B centang karyawan kontrak. Kemudian Klik Start Calculation.

Setup MGA

Hasil output menghasilkan nilai estimasi yaitu PLS MGA, parametric test dan Welch-Satterhwhite Test. Hasil selengkapnya disajukan pada tabel di bawah ini.

Output MGA

Hasil output MGA menunjukkan bahwa perbedaan nilai koefisien kepuasan terhadap kinerja pada grup (subsampel) karyawan tetap dengan karyawan kontrak sebesar 0.139 dan p-value sebesar 1.000 Untuk nilai parametric test juga menunjukkan nilai t-value 2.630 dan p-value 0.010. Demkian juga untuk nilai t-value Welch-Sattethwait test 2.630 dan p-value 0.012, karena nilai t-statistik 2.630 > 1.96 shingga dapat disimpulkan bahwa ada perbedaan yang signifikan nilai koefisien pengaruh kepuasan terhadap kinerja antara grup karyawan tetap dengan grup karyawan kontrak.

Baca juga :

Referensi :

Ghozali,I.(2011).Structural Equation Modeling Metode Alternatif dengan Partial Least Square PLS edisi 3.Semarang : Badan Penerbit Universitas Diponegoro.

Hair,J.F.,Hult.T, Christian.G.T.M.,Ringle,C and Sarstedt,M.(2014).A Primer On Partial Least Squares Structural Equation Modeling (PLS SEM).London Washington: Sage Publications

Hengky Latan,H and Noonan,R.(2017).Partial Least Squares Path Modeling : Basic Concepts, Methodological Issues And Applications.New York: Springer International Publishing.

Vinci,V.E.,Chin,W.W.,Hanseller,J and Wang,H.(2010).Handbook of Partial Least Square: concepts, Methods and Applications.Berlin, Heidelberger: Springer