analisa data statistik

Indonesia

Your Trust Is Everithink For Us To Serve You The Best

 

Hubungi Kami

WA. 08125253494

Email :

Aura Consultant@gmail.com

Alamat :

Jl. Manggar No. 50C-1 Lowokwaru Kota Malang

As Author Scopus at

Aura Statistics Consultant

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Analisis SEM (Structural Equation Modelling) Dengan
SMARTPLS (Partial Least Square)

Structural Equation Modelling

Pemodelan Persamaan Struktural (Structural Equation Modelling) atau lebih
dikenal dengan SEM memiliki beberapa sebutan lain, seperti analisis struktur kovarian
(covariance structure analysis), analisis variabel laten (latent variable analysis) analisis
faktor konfirmatori (confirmatory factor analysis) dan analisis Linier Structural
Relations (Lisrel) (Hair, dkk. 1998). Berdasarkan sebutan-sebutan tersebut, SEM dapat
dideskripsikan sebagai suatu analisis yang menggabungkan pendekatan analisis faktor
(factor analysis), model struktural (structural model) dan analisis jalur (path analysis).
SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data SEM
berbeda dengan melakukan olah data regresi atau analisis jalur. Olah data SEM lebih rumit, karena SEM dibangun oleh model pengukuran dan model struktural. Structural
Equation Modeling (SEM) adalah sekumpulan teknik statistika yang memungkinkan
pengujian sebuah rangkaian hubungan yang relatif rumit yang tidak dapat diselesaikan
oleh persamaan regresi linear. SEM dapat juga dianggap sebagai gabungan dari analisis
regresi dan analisis faktor. Disisi lain disebut juga Path Analysis atau Confirmatory factor
Analysis, karena keduanya merupakan jenis-jenis khusus dari SEM. Hubungan tersebut
dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau
beberapa varibel independen
Di dalam SEM terdapat 3 (tiga) kegiatan secara bersamaan, yaitu pemeriksaan
validitas dan reliabilitas instrumen (confirmatory factor analysis), pengujian model
hubungan antara variabel (path analysis), dan mendapatkan model yang cocok untuk
prediksi (model struktural dan analisis regresi). Sebuah pemodelan lengkap pada
dasamya terdiri dari model pengukuran (measurement model) dan structural model atau
causal model. Model pengukuran dilakukan untuk menghasilkan penilaian mengenai
validitas dan validitas diskriminan, sedangkan model struktural, yaitu pemodelan yang
menggambarkan hubungan-hubungan yang dihipotesakan. Untuk melakukan olah data
SEM dengan lebih mudah dapat menggunakan bantuan software statistik. Saat ini sudah
tersedia berbagai macam software untuk olah data SEM diantaranya adalah Lisrel,
AMOS dan Smart PLS.
Dalam memudahkan kita mengolah data dengan analisa statistika dapat
menggunakan berbagai macam alat bantu atau software. Adapun software statistika
yang dapat digunakan sangatlah banyak namun tidak semuanya memiliki keakuratan
yang baik. Ada beberapa software statistika yang sering digunakan baik dalam dunia
pendidikan ataupun dalam bidang yang lain yaitu : SPSS (Statistical Package for the
Social Software), Minitab, SAS (Statistical Analysis System), Lisrel (Linear Structural
Relationship), SMARTPLS (PARTIAL LEAST SQUARE), AMOS (Analysis of Moment
Structure), EVIEWS (Economic Views), R-Software, STATA (Statistika dan Data).
Kelebihan SMARTPLS
1. Smart PLS atau Smart Partial Least Square adalah software statistik yang sama
tujuannya dengan Lisrel dan AMOS yaitu untuk menguji hubungan antara
variabel.
2. Pendekatan smartPLS dianggap powerful karena tidak mendasarkan pada
berbagai asumsi.

3. Jumlah sampel yang dibutuhkan dalam analisis relatif kecil. Penggunaan Smart
PLS sangat dianjurkan ketika kita mememiliki keterbatasan jumlah sampel
sementara model yang dibangung kompleks. hal ini tidak dapat dilakukan ketika
kita menggunakan kedua software di atas. Lisrel dan AMOS membutuhkan
kecukupan sampel.
4. Data dalam analisis smartPLS tidak harus memiliki distribusi normal karena
SmartPLS menggunakan metode bootstraping atau penggandaan secara acak.
Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain
terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS
tidak mensyaratkan jumlah minimum sampel.
5. SmartPLS mampu menguji model SEM formatif dan reflektif dengan skala
pengukuran indikator berbeda dalam satu model. Apapun bentuk skalanya (rasio
kategori, Likert, dam lain-lain) dapat diuji dalam satu model.

Langkah-Langkah Pengolahan Data dengan SmartPLS yaitu : Download

Ditulis Oleh : Lenni Khotimah Harahap, M.Pd