Analisis Data Menggunakan Partial Least Square (PLS)^ [Part 2]

Bagian ini merupakan revisi dari tulisan sebelumnya yaitu PLS Part
1, dikarenakan beberapa pertimbangan dosen pembimbing akhirnya
metode analisis data ditambahkan Uji Asumsi (combine with SPSS)
Data yang diperoleh dari hasil penelitian kemudian diolah menggunakan teknik analisis
data yaitu Partial Least Square (PLS). PLS menurut Wold dalam Ghozali (2008)
merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak
asumsi. Penelitian ini menggunakan PLS sebagai teknik analisis data dengan software
SmartPLS versi 2.0.M3 yang dapat di-download dari http://www.smartpls.de. Metode
PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi
normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat
digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Hal ini sesuai
dengan jumlah sampel pada penelitian ini yaitu 93 responden. Walaupun PLS
digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan
ada atau tidaknya hubungan antara variabel laten.
Tahapan yang digunakan untuk menganalisis data, yaitu:
a. Confirmatory Factor Analysis (Analisis Faktor Konfirmatori). Church dan Burke dalam
Widhiarso (2004) mengatakan bahwa teknik Analisis Faktor Konfirmatori adalah salah
satu teknik yang cukup adekuat dalam menganalisis model sederhana dalam melihat
berfungsinya konstruk empirik (faktor) di sebuah model struktural. Salah satu kelebihan
Analisis Faktor Konfirmatori adalah tingkat fleksibilitasnya ketika diaplikasikan dalam
sebuah model hipotesis yang kompleks. Tujuan dari analisis faktor ini adalah
menjelaskan dan menggambarkan dengan mereduksi jumlah parameter yang ada

(Widhiarso, 2004). Confirmatory Factor Analysis konstruk digunakan untuk melihat

validitas dari masing-masing indikator dan untuk menguji reliabilitas dari konstruk
tersebut. Kriteria validitas indikator diukur dengan convergent validity. Indikator
dikatakan valid dengan convergent validity nilai loading 0.7 namun untuk penelitian
tahap awal dari pengembangan nilai loading 0.5 sampai 0.6 dianggap cukup, dan dapat
pula ditunjukkan oleh nilai Average Variance Extracted (AVE) yang diatas 0.50.
Reliabilitas konstruk diukur dengan Composite Reliability dan Cronbach Alpha. Konstruk
dikatakan reliabel jika memiliki nilai Composite Reliability dan Cronbach Alpha di atas
0.70 (Ghozali (2008).
Penelitian yang menekankan pada pembangunan model perlu diuji kesesuaiannya,
termasuk penelitian yang menggunakan structural equation modeling. Model Struktural
dievaluasi menggunakan Goodness of Fit Model, yaitu menunjukkan perbedaan antara
nilai-nilai yang diamati dan nilai-nilai yang diperkirakan oleh model. Pada model regresi,
Goodness of Fit (pengujian kesesuaian) yang menunjukkan nilai R 2 di atas 80%
dianggap baik (Jogiyanto, 2008).
b. Analisis Regresi Berganda, dimaksudkan untuk melihat pengaruh langsung antar
konstruk berdasarkan hipotesis yang telah diungkapkan dan model persamaan
struktural (Gambar 4.1).

Gambar 4.1. Model Persamaan Struktural

Berdasarkan model persamaan struktural tersebut, persamaan regresi dengan nilai

konstanta atau unstadardized adalah sebagai berikut:
X2 = 0 + 1X1
X3 = 0 + 1X1 + 2X2
Y = 0 + 1X1 + 2X2 + 3X3
Z = 0 + 1X1 + 2X2 + 3X3 + 4Y1 + e
Keterangan:
Z
= Actual system use

= konstanta
X1
= Perceived ease of use
X2
= Perceived usefulness
X3
= Attitude toward using
Y
= Behavior intention to use
e
= error
Output software PLS menggambarkan konstruk unidimensional dengan bentuk elips
dengan beberapa anak panah dari konstruk ke indikator (Gambar 4.1.). Model tersebut
menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi
perubahan pada indikator. Indikator harus memiliki internal konsistensi oleh karena

semua ukuran indikator diasumsikan semuanya valid mengukur suatu konstruk,

sehingga jika terdapat dua ukuran indikator yang sama reliabilitasnya dapat saling
dipertukarkan (Ghozali, 2008).

c. Path analysis (analisis jalur)

Gambar 4.2 menunjukkan hubungan langsung antar konstruk dan antara konstruk
dengan indikator. Langkah selanjutnya untuk menguji besarnya kontribusi yang
ditunjukkan koefisien jalur pada setiap diagram jalur dari hubungan kausal antar
konstruk, digunakan Path Analysis. Path Analysis akan mengungkapkan pengaruh
langsung dan pengaruh tidak langsung antar konstruk, didasarkan pada koefisien
regresi yang standardized.

d. Uji Asumsi Klasik

Uji ini dimaksudkan untuk membuktikan bahwa model regresi penelitian telah
memenuhi asumsi klasik, tidak terdapat masalah-masalah regresi yang tidak
diperbolehkan dalam pengolahan data regresi secara statistik. Uji asumsi klasik akan
diketahui hasilnya dengan batuan software SPSS versi 14. Ghozali (2005)
mengungkapkan bahwa uji ini terdiri atas empat bagian, yaitu:
1. 1) Normalitas; bertujuan untuk menguji kemungkinan variabel
pengganggu atau residual memiliki distribusi normal. Distribusi normal
akan membentuk satu garis lurus diagonal dan ploting data residual akan
dibandingkan dengan garis diagonal. Jika distribusi data residual normal
maka garis yang menggambarkan data sesungguhnya akan mengikuti

garis diagonalnya. Jika data menyebar disekitar garis diagonal dan

mengikuti arah garis diagonal atau grafik histogram/grafik normal plotnya
menunjukkan pola distribusi normal, maka model regresi memenuhi
asumsi normalitas.
1. 2) Heteroskedastisitas; bertujuan untuk menguji kemungkinan terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance satu pengamatan ke pengamatan lain berbeda
maka disebut heteroskedastisitas. Salah satu cara untuk mendeteksi ada
tidaknya heteroskedastisitas adalah melihat grafik plot antara prediksi
variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID.
Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan
melihat ada atau tidaknya pola tertentu pada grafik scatter plot antara
SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi,
dan sumbu X adalah residual (Y prediksi Y sesungguhnya) yang telah
disudentized. Apabila dari grafik scatter plot terlihat bahwa titik-titik
menyebar secara acak serta tersebar baik diatas maupun dibawah
angka nol pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas pada model regresi yang digunakan.
1. 3) Multikolinearitas; bertujuan untuk menguji penemuan korelasi antar
variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi
diantara variabel bebas. Jika variabel bebas saling berkorelasi, maka
variabel-variabel ini tidak ortogal (yaitu variabel bebas yang nilai korelasi
antar sesama variabel bebas sama dengan nol). Uji multikolonieritas
dapat juga dilihat dari: (1) nilai tolerance dan lawannya (2) variance
inflation factor (VIF). Tolerance mengukur variabilitas variabel
independen yang terpilih yang tidak dijelaskan oleh variabel independen
lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi
(VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan
adanya multikolonieritas adalah nilai tolerance < 0.10 atau sama dengan
nilai VIF > 10.
2. Linearitas; dimaksudkan untuk mengetahui linieritas hubungan antara variabel
bebas dengan variabel tergantung, selain itu uji linieritas ini juga diharapkan
dapat mengetahui taraf signifikansi penyimpangan dari linieritas hubungan
tersebut. Apabila penyimpangan yang ditemukan tidak signifikan, maka
hubungan antara variabel bebas dengan variabel tergantung adalah linier. Uji
linieritas ini menggunakan metode curve fit

Simulasi SmartPLS (Structural Equation Modeling berbasis Variance)

Pengujian hipotesis dalam penelitian ini menggunakan metode Partial Least Square (PLS).
PLS merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang
berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat diestimasi
dengan jumlah sampel yang relatif kecil. Alat bantu yang digunakan berupa program SmartPLS
Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance.
Program SmartPLS Versi 2 dapat diperoleh secara gratis di www.smartpls.de. Model struktural
dalam
penelitian
ini
ditampilkan
pada
Gambar
1
di
bawah.
Gambar 1
MODEL STRUKTURAL

Gambar tersebut menunjukkan bahwa konstruk Kepemimpinan (KM) diukur dengan 5

buah indikator yaitu KM1, KM2, KM3, KM4 dan KM5. Demikian juga konstruk Budaya
Organisasi (BO) diukur dengan 3 indikator yaitu BO1, BO2 dan BO3, konstruk Motivasi (MT)
diukur dengan 3 indikator yaitu MT1, MT2 dan MT3 dan kontruk Kinerja Pegawai (KP) diukur
dengan 6 indikator yaitu KP1, KP2, KP3,KP4, KP5 dan KP6. Arah panah antara indikator

dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian
menggunakan indikator reflektif yang relatif sesuai untuk mengukur persepsi. Hubungan yang
akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk
A. Evaluasi Measurement (Outer) Model
1. Uji Validitas
Suatu indikator dinyatakan valid jika mempunyai loading factor di atas 0,5 terhadap
konstruk yang dituju. Output SmartPLS untuk loading factor memberikan hasil sebagai berikut:
Tabel 1
RESULT FOR OUTER LOADING
BO
KM
KP
MT
BO1

0.89335

BO2

0.82232

BO3

0.84462

KM1

0.78001

KM2

0.84287

KM3

0.76889

KM4

0.80161

KM5

0.82647

KP1

0.70015

KP2

0.74459

KP3

0.74555

KP4

0.74742

KP5

0.78854

KP6

0.74880

MT1

0.78258

MT2

0.86810

MT3

0.80563

Pengujian validitas untuk indikator reflektif menggunakan korelasi antara skor item dengan
skor konstruknya. Pengukuran dengan indikator reflektif menunjukkan adanya perubahan pada
suatu indikator dalam suatu konstruk jika indikator lain pada konstruk yang sama berubah (atau
dikeluarkan dari model). Indikator reflektif cocok digunakan untuk mengukur persepsi sehingga
penelitian ini menggunakan indikator reflektif. Tabel di atas menunjukkan bahwa loading factor
memberikan nilai di atas nilai yang disarankan yaitu sebesar 0,5. Nilai paling kecil adalah
sebesar 0,70015 untuk indikator KP1. Berarti indikator yang dipergunakan dalam penelitian ini
adalah valid atau telah memenuhi convergent validity. Berikut adalah diagram loading factor
masing-masing indikator dalam model penelitian:

Gambar 2
NILAI LOADING FACTOR

Lebih lanjut, indikator reflektif juga perlu diuji discriminant validity dengan cross loading
sebagai berikut:
Tabel 2
RESULT FOR CROSS LOADING
BO
KM

KP

MT

BO1

0.89335

0.63664

0.62885

0.49597

BO2

0.82232

0.65175

0.65580

0.53919

BO3

0.84462

0.61946

0.57426

0.60406

KM1

0.62461

0.78001

0.65380

0.54003

KM2

0.68888

0.84287

0.58820

0.51648

KM3

0.44786

0.76889

0.47245

0.50685

KM4

0.62650

0.80161

0.58733

0.61814

KM5

0.58046

0.82647

0.56924

0.52591

KP1

0.47064

0.45977

0.70015

0.56813

KP2

0.64951

0.75447

0.74459

0.66285

KP3

0.39754

0.40267

0.74555

0.41818

KP4

0.38730

0.35028

0.74742

0.35960

KP5

0.62638

0.51969

0.78854

0.48857

KP6

0.59890

0.57461

0.74880

0.60346

MT1

0.53108

0.52631

0.63638

0.78258

MT2

0.51768

0.63783

0.59191

0.86810

MT3

0.52699

0.48718

0.53629

0.80563

Suatu indikator dinyatakan valid jika mempunyai loading factor tertinggi kepada konstruk
yang dituju dibandingkan loading factor kepada konstruk lain. Tabel di atas menunjukkan bahwa
loading factor untuk indikator BO (BO1 sampai dengan BO3) mempunyai loading factor kepada
konstruk BO lebih tinggi dari pada dengan konstruk yang lain. Sebagai ilustrasi loading factor
BO1 kepada BO adalah sebesar 0,89335 yang lebih tinggi dari pada loading factor kepada KM
(0,63664), KP (0,62885) dan MT (0,49597). Hal serupa juga tampak pada indikator-indikator
yang lain.
Dengan demikian, kontrak laten memprediksi indikator pada blok mereka lebih baik
dibandingkan dengan indikator di blok yang lain. Metode lain untuk melihat discriminant
validity adalah dengan melihat nilai square root of average variance extracted (AVE). Nilai yang
disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:
Tabel 3
AVERAGE VARIANCE EXTRACTED (AVE)
Average variance extracted (AVE)
BO

0.729221

KM

0.647136

KP

0.556932

MT

0.671688

Tabel di atas memberikan nilai AVE di atas 0,5 untuk semua konstruk yang terdapat pada
model penelitian. Nilai terendah AVE adalah sebesar 0,556932 pada konstruk KP (Kinerja
Pegawai).
2. Uji Reliabilitas
Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok indikator
yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai yang memuaskan
jika di atas 0,7. Berikut adalah nilai composite reliability pada output:
Tabel 4
COMPOSITE RELIABILITY
Composite Reliability
BO

0.889739

KM

0.901564

KP

0.882809

MT

0.859663

Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk adalah
di atas 0,7 yang menunjukkan bahwa semua konstruk pada model yang diestimasi memenuhi

kriteria discriminant validity. Nilai composite reliability yang terendah adalah sebesar 0,859663
pada konstruk MT (Motivasi).
Uji reliabilitas juga bisa diperkuat dengan Cronbachs Alpha di mana output SmartPLS
Versi 2 memberikan hasil sebagai berikut:
Tabel 4
CRONBACHS ALPHA
Cronbachs Alpha
BO

0.813561

KM

0.863653

KP

0.843144

MT

0.754684

Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa nilai
Cronbachs Alpha untuk semua kontruk berada di atas 0,6. Nilai terendah adalah sebesar
0,754684 (MT).
Pengukuran Communality dan Redundancy dengan program SmartPLS Versi 2
memberikan hasil sebagai berikut:
Tabel 4.5
COMMUNALITY DAN REDUNDANCY
Communality
Redundancy
BO

0.729221

0.403785

KM

0.647136

KP

0.556931

0.193178

MT

0.671688

0.201730

Tampak bahwa nilai communality pada semua kontruk di atas 0,5 yang memperkuat hasil
pengujian dengan Composite Reliability dan Cronbachs Alpha. Lebih lanjut, nilai Redundancy
BO adalah sebesar 0,403786 yang termasuk tinggi. Juga R untuk KP dan MT di atas 0,15 di
mana nilai tersebut adalah masuk pada kategori tinggi.
B. Pengujian Model Struktural (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan
pengujian model structural (Inner model). Berikut adalah nilai R-Square pada konstruk:
Tabel 6
R-SQUARE
R-square
BO

0.556247

KM
KP

0.660472

MT

0.498196

Tabel di atas memberikan nilai 0,556247 untuk konstruk BO yang berarti bahwa KM
mampu menjelaskan varians BO sebesar 55,6247%. Nilai R juga terdapat pada KP yang
dipengaruhi oleh KM, MT dan BO yaitu sebesar 0,660472 dan MT yang dipengaruhi oleh KM
dan BO yaitu sebesar 0,498196. Pengujian hipotesis adalah sebagai berikut:
Tabel 7
UJI HIPOTESIS
Standard
Standard
Original
Sample
T Statistics (|
Deviation
Error
Sample (O)
Mean (M)
O/STERR|)
(STDEV)
(STERR)
BO -> KP

0.32109

0.30654

0.11268

0.11268

2.84958

BO -> MT

0.30948

0.31831

0.09762

0.09762

3.17041

KM -> BO

0.74582

0.74832

0.04127

0.04127

18.07381

KM -> KP

0.24342

0.25176

0.09068

0.09068

2.68447

KM -> MT

0.44423

0.43422

0.11648

0.11648

3.81383

MT -> KP

0.34999

0.35972

0.08581

0.08581

4.07855

Tabel di atas menunjukkan bahwa hubungan antara KM dengan KP adalah signifikan

dengan T-statistik sebesar 2,68447 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,24342 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif.
Dengan demikian hipotesis H1 dalam penelitian ini yang menyatakan bahwa Kepemimpinan
berpengaruh terhadap kinerja pegawai diterima
Tabel di atas menunjukkan bahwa hubungan antara BO dengan KP adalah signifikan
dengan T-statistik sebesar 2,8496 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,32109 yang menunjukkan bahwa arah hubungan antara BO dengan KP adalah positif.
Dengan demikian hipotesis H2 dalam penelitian ini yang menyatakan bahwa Budaya Organisasi
berpengaruh terhadap kinerja pegawai diterima.
Tabel di atas menunjukkan bahwa hubungan antara MT dengan KP adalah signifikan
dengan T-statistik sebesar 4,07855 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,34999 yang menunjukkan bahwa arah hubungan antara MT dengan KP adalah positif.
Dengan demikian hipotesis H3 dalam penelitian ini yang menyatakan bahwa Motivasi
berpengaruh terhadap kinerja pegawai diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan MT adalah signifikan
dengan T-statistik sebesar 3,81383 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,44423 yang menunjukkan bahwa arah hubungan antara KM dengan MT adalah positif.
Dengan demikian hipotesis H4 dalam penelitian ini yang menyatakan bahwa Kepemimpinan
berpengaruh terhadap motivasi pegawai diterima.
Tabel di atas menunjukkan bahwa hubungan antara BO dengan MT adalah signifikan
dengan T-statistik sebesar 3,17041 (> 1,96). Nilai original sample estimate adalah positif yaitu
sebesar 0,30948 yang menunjukkan bahwa arah hubungan antara BO dengan MT adalah positif.
Dengan demikian hipotesis H5 dalam penelitian ini yang menyatakan bahwa Budaya organisasi
berpengaruh terhadap motivasi pegawai diterima.
Tabel di atas menunjukkan bahwa hubungan antara KM dengan BO adalah signifikan
dengan T-statistik sebesar 18,07381 (> 1,96). Nilai original sample estimate adalah positif yaitu

sebesar 0,74582 yang menunjukkan bahwa arah hubungan antara KM dengan BO adalah positif.
Dengan demikian hipotesis H6 dalam penelitian ini yang menyatakan bahwa Kepemimpinan
berpengaruh terhadap budaya organisasi pegawai diterima.
Berdasarkan nilai original sample estimate maka diperoleh bahwa nilai tertinggi yang
mempengaruhi motivasi (MT) adalah pada kepemimpinan (KM) yaitu sebesar 0,44423. Hal
tersebut menunjukkan bahwa kepemimpinan mempunyai pengaruh terhadap motivasi lebih
tinggi dari pada pengaruh antara budaya organisasi terhadap motivasi (0,30948). Lebih lanjut,
dari tiga variabel yang mempengaruhi kinerja pegawai (KP) secara langsung, yaitu
kepemimpinan, budaya organisasi dan motivasi, yang paling besar pengaruhnya adalah motivasi
karena mempunyai nilai original sample estimate tertinggi yaitu sebesar 0,34999 dibandingkan
dua variabel yang lain. Dengan demikian motivasi merupakan variabel yang paling dominan
dalam mempengaruhi kinerja pegawai. Sedangkan variabel yang paling tidak dominan adalah
kepemimpinan yaitu dengan original sample estimate terkecil yaitu sebesar 0,24342.
Berikut adalah diagram nilai T statistic berdasarkan output dengan SmartPLS Versi 2:
Gambar 3
OUTPUT BOOTSTRAPPING