SEM

Kriteria PLS SEM AMOS/Lisrel SEM

Tujuan Prediksi Parameter
Pendekatan Variance Covariance
Asumsi Nonparametrik Parametrik
Sampel 30-100 200-800
Model Besar (100 konstruk Kecil (<100 indikator)
dan 1000 indikator
Solusi Admisable Mungkin Inadmisable
Determinacy Mungkin Indeterminacy
identified Mungkin unidentified

1
 Praktek SEM
Partial Least Square (PLS)
Useful
ness

Model Adopsi

Ease
of use

2
 Variabel Laten

Reflektif Formatif
Arah hub dr konstruk ke Arah hub dr indikator ke
indikator konstruk
Antar indikator berkorelasi Antar indikator tidak
berkorelasi
X1 e1
X1

X X2 e2
e X X1

X3 e2 X1

3
 Indikator dan Konstruk

Operationalizing the Constructs

Scales from Prior Research

Usfulness (U) 6 items (Pikkarainen, 2004)

Ease of use (T) 6 items (Kim & Prabhakar (2004).
Adoption (AD) 4 items (Bhattacherjee dan Sanford (2006)

4
 Menjalankan PLS

1. Buka layar PLS : 2. klik start dan akan

Klik icon java web start dan akan tampak
tampak

5
 Menjalankan PLS

3.Membuat file baru

Klik file dan pilih new
Isi nama file diingninkan
misal LatihPLS
Klik data dan cari file yg
diinginkan (file dg
ekstensi CSV
Pada CSV separators:
ganti pilihan semicolon
dengan Comma
Klik ok
6
 Menjalankan PLS Menu Utama

Selection mode
Drawing mode
Connection mode

Calculate
Bootstrapping

7
 Menjalankan PLS Menu Utama

Untuk menggambar variabel latent klik Drawing mode

(tanda bundar) kemudian diklikan kembali pada layar kerja
Untuk memberi nama variabel latent, klik connection mode
kemudian klik variabel latent 2 kali. Kemudian tekan enter
Untuk menghubungkan antar variabel latent, klik selection
mode. Klik satu variabel latent dan drag ke variabel latent
lain. Misal mulai dr variabel independen ke dependen
Untuk menggambar dan memberi nama variabel observed,
blok nama2 indikator dan drag ke variabel latent
Indikator dapat disembunyikan dengan mengklik var
latent, kemudian klik kanan. Pilih opsi-opsi yang diinginkan

8
 Menjalankan PLS

4. Gambar model
struktural dengan
tombol yg ada

9
 Menjalankan PLS

4. Properties diisi
seperti berikut

5. Untuk menghasilkan
output, pilih calculate
model dan
Bootstrapping

10
Ouput PLS-Grafik

11
 Uji Validitas
original mean of Standard T-Statistic
sample subsamples deviation

Convergent validity
estimate

Adopsi
AD1 0.720 0.612 0.229 3.149

ditunjukan oleh AD2

AD3
0.745
0.740
0.693
0.735
0.155
0.097
4.824
7.656

korelasi antara AD4

Usefulness
0.749 0.749 0.126 5.928

indikator dengan skor U1

U2
0.775
0.725
0.797
0.721
0.046
0.072
16.904
10.122

konstruk. U3 0.764 0.787 0.055 13.814

Faktor Loading >|.5|

U4 0.775 0.760 0.110 7.057
U5 0.751 0.760 0.058 13.010
U6 0.716 0.730 0.076 9.435

pada outer loading

ease of use
R1 -0.185 -0.161 0.184 1.003

Indikator R1 dan R4
R2 0.735 0.748 0.082 9.017
R3 0.787 0.800 0.046 17.207
R4 0.070 0.072 0.186 0.378

tidak valid R5
R6
0.719
0.697
0.691
0.690
0.099
0.094
7.279
7.391
R7 0.741 0.714 0.078 9.495
R8 0.775 0.750 0.094 8.212

12
 Uji Validitas
Cross loadings

Discriminant validity Adopsi Usefulne

ss
ease of
use
ditunjukan oleh cross AD1 0.720 0.184 0.147

loading antara indikator

AD2 0.745 0.192 0.224
AD3 0.740 0.185 0.205

dengan skor konstruk. AD4 0.749 0.202 0.250

R1 -0.087 -0.113 -0.185

Korelasi konstruk dg R2
R3
0.150
0.180
0.228
0.285
0.735
0.787
indikatornya lebih tinggi R4
R5
-0.090
0.135
0.141
0.225
0.070
0.719
dibandingkan korelasi R6 0.157 0.209 0.697

dengan indikator lainnya

R7 0.138 0.246 0.741
R8 0.146 0.324 0.775

kecuali R1 dan R4 U1
U2
0.142
0.133
0.775
0.725
0.273
0.220
U3 0.140 0.764 0.272
U4 0.173 0.775 0.249
U5 0.143 0.751 0.287
U6 0.092 0.716 0.238

13
 Uji Validitas
Correlations of the latent variables
Discriminant Validity juga Adopsi Usefulness ease of use

bisa dilihat dengan Adopsi 1.000

membandingkan akar Usefulness 0.253 1.000

ease of use 0.278 0.496 1.000
AVE setiap konstruk
dengan korelasi konstruk
dg konstruk lainnya
Akar AVE > Korelasi
Average variance extracted
(AVE)

Semua valid
Adopsi
Usefulness
ease of use
0.546
0.564
0.419

14
 Uji Reliabilitas

Menguji blok
indikator yang Composite Reliability
mengukur
kosntruk
Composite
Reliability

Composite
Adopsi 0.828
Usefulness 0.886
ease of use 0.802

Reliability >.7

15
 Menilai Inner Model (Model Struktural)
(setelah R1 dan R4 dikeluarkan)

Melihat besar
hubungan antar
variabel latent
(konstruk) results for inner weights

Signifikan bilsa t-stat original

sample
estimate
mean of Standard
subsamples deviation
T-Statistic

lebih besar dr t-table Usefulness

-> Adopsi
0.154 0.197 0.136 1.136

(Misal 1,64 utk 5%) ease of use

-> Adopsi
0.201 0.227 0.110 1.829

ease of use 0.492 0.549 0.072 6.876

->
Usefulness

16
 Pengujian Hipotesa & Jumlah Varian

Manfaat (U) berhubungan

positif dengan adopsi
(AD)
original mean of Standard T-Statistic
sample subsamples deviation

Kemudahan penggunaan Usefulness -

estimate
0.154 0.197 0.136 1.136

(R) berhubungan positif > Adopsi

ease of use - 0.201 0.227 0.110 1.829
dengan adopsi (AD) > Adopsi

ease of use - 0.492 0.549 0.072 6.876

Kemudahan penggunaan > Usefulness

(R) berhubungan positif

R-square
dengan manfaat
Adopsi 0.095
Usefulness 0.242
ease of
use
17