Langkah-Langkah Analsis Partial Least Square

8/19/2019 Langkah-Langkah Analsis Partial Least Square

1/27

ANAL

PROGRAMFA

ISIS PARTIAL LEAST SQUARE

(PLS)

MUFASSIR HASRAN

041514153003

EPARTEMEN MANAJEMEN

TUDI MAGISTER SAINS MANAJEMENULTAS EKONOMI DAN BISNIS

NIVERSITAS AIRLANGGA

2015


2/27

1

1.1 Partial Least Square

Partial Least Square (PLS) adalah suatu metode yang berbasis keluarga regresi yang

dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan model dan metode

untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS memiliki asumsidata penelitian bebas distribusi ( Distribution-Free ), artinya data penelitian tidak mengacuh pada

salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan metode alternatif dari

Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan

hubungan diantara variabel yang kompleks namun ukuran sampel datanya kecil (30 sampai 100),

mengingat SEM memiliki ukuran sampel data minimal 100 (Hair et.al. , 2010).

PLS digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak

yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua

persamaan, yaitu inner model dan outer model . Inner model menentukan spesifikasi hubungan

antara konstrak dan konstrak yang lain, sedangkan outer model menentukan spesifikasi

hubungan antara konstrak dan indikator-indikatornya. Konstrak terbagi menjadi dua yaitu

konstrak eksogen dan konstrak endogen. Konstrak eksogen merupakan konstrak penyebab,

konstrak yang tidak dipengaruhi oleh konstrak lainnya. Konstrak eksogen memberikan efek

kepada konstrak lainnya, sedangkan konstrak endogen merupakan konstrak yang dijelaskan oleh

konstrak eksogen. Konstrak endogen adalah efek dari konstrak eksogen (Yamin dan Kurniawan,

2009).PLS dapat bekerja untuk model hubungan konstrak dan indikator-indikatorya yang

bersifat reflektif dan formatif, sedangkan SEM hanya bekerja pada model hubungan yang

bersifat reflektif saja (Ghazali, 2006). Model hubungan yang bersifat reflektif berarti bahwa

1. arah hubungan kausalitas dari konstrak menuju indikator.

2. diantara hubungan indikator diharapkan saling berkorelasi.

3. menghilangkan salah satu indikator dari model pengukuran tidak akan mengubah makna

konstrak.

4. menentukan measurement error (kesalahan pengukuran) pada tingkat indikator.

Sedangkan, model hubungan yang bersifat formatif berarti bahwa

1. arah hubungan kausalitas dari indikator menuju konstrak.

2. diantara hubungan indikator diasumsikan tidak saling berkorelasi.


3/27


4/27

3

1.2 Kasus Untuk di Analisis

Seorang manajer Perusahaan yang bergerak di bidang online marketing akan membuat

keputusan terkait dengan kelangsungan operasional perusahaannya, manajer tersebut menitik

beratkan pada apa saja yang menjadi faktor penentu konsumen tersebut memutuskan untuk

melakukan pembelian produknya secara online, dari beberapa data dia menemukan bahwa yang

mempengaruhi keputusan pembelian konsumen yaitu tingkat pengetahuan teknologi internet

mereka, kualitas produk yang ditawarkan oleh perusahaannya, tingkat kepercayaan konsumen

terhadap produk serta besaran harga yang ditawarkan kepada konsumen. Dari hal-hal tersebut

maka manajer ingin menganalisis keterkaitan antara semua variabel tersebut hingga membentuk

keputusan pembelian konsumen. dalam kasus ini variabel yang akan di gunakan dalam

menganalisis masalah tersebut adalah pengetahuan teknologi internet, kualitas produk,

kepercayaan, harga dan keputusan pembelian online.Dari kasus tersebut maka dibuat kerangka konsep dan hipotesis untuk dasar dalam

melakukan analisis. Di bawah ini digambarkan kerangka konsep dan hipotesis penelitian.

Gambar 1

Kerangka Konsep

H1

Kualitas

Produk

KepercayaanPengetahuan

TeknologiInternet

Harga

KeputusanPembelian

online

H2

H3

H4

H5

H6

H7


5/27

4

Hipotesis

H1 : pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk

H2 : pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan

H3 : kualitas produk berpengaruh signifikan terhadap kepercayaan

H4 : kualitas produk berpengaruh signifikan terhadap harga

H5 : harga berpengaruh signifikan terhadap kepercayaan

H6 : harga berpengaruh signifikan terhadap keputusan pembelian online

H7 : kepercayaan berpengaruh signifikan terhadap keputusan pembelian online

1.3 Analisis

Adapun langkah-langkah dalam melakukan analisis adalah sebagai berikut :

Setelah Hipotesis atau dugaan sementara telah ditetapkan, maka dilakukan pengumpulandata dari para responden yaitu konsumen yang melakukan pembelian produk pada perusahaan

tersebut secara online. Data yang terkumpul seperti di bawah ini :

Tabel 1Tabulasi Data responden

Harga Kepercayaan PTI Kualitas Produk Keputusan Pem. OnlineH1 H2 H3 K1 K2 K3 K4 PI1 PI2 PI3 KPM1 KPM2 KPM3 KPO1 KPO2 KPO3

3 3 3 4 3 3 3 4 3 4 3 3 3 4 3 3

4 4 3 3 4 4 4 3 3 3 4 4 3 3 4 2

3 3 3 3 3 3 4 3 3 4 3 3 3 3 2 4

5 4 4 4 5 5 5 5 4 4 5 4 4 4 4 4

5 4 5 5 5 5 5 5 4 4 4 5 4 5 5 4

4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4

5 5 5 4 4 5 5 5 4 4 4 4 4 4 5 4

4 4 4 3 4 4 4 4 4 3 4 4 4 3 4 4

5 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4

4 4 5 5 5 5 4 4 5 4 4 4 4 5 5 4

4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3

4 4 4 4 4 4 4 4 4 4 4 4 3 5 4 4

4 4 4 4 5 4 4 5 4 4 4 4 4 5 4 4

5 5 4 5 4 4 4 4 4 4 4 4 4 5 3 4

4 5 5 4 5 5 4 4 4 4 4 4 4 4 5 5

4 3 4 3 3 3 3 3 4 3 3 3 3 3 4 3

3 4 3 4 3 4 4 4 4 4 3 3 3 4 3 2

3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3

3 3 3 3 4 4 3 3 3 3 3 3 4 3 3 3

3 3 3 4 4 4 4 4 3 4 4 3 3 4 3 3

3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3

4 4 4 4 3 4 4 3 3 4 3 4 3 4 4 4

3 3 3 3 3 4 4 3 4 3 3 3 3 3 3 3

4 4 3 3 4 3 3 3 3 3 3 3 3 3 3 3

3 3 4 4 4 4 4 4 3 4 4 4 3 4 4 4

4 4 5 4 4 4 4 4 4 4 4 4 4 4 5 4


6/27

5

3 4 4 3 4 3 3 3 3 3 3 3 3 3 4 4

3 3 4 4 4 4 4 4 3 3 4 3 3 4 4 4

4 4 3 4 4 4 4 4 4 3 3 3 3 4 3 3

4 3 3 3 4 4 4 4 4 4 3 4 3 3 3 3

4 4 4 4 3 4 4 4 4 4 3 4 3 4 4 3

4 4 4 4 3 4 4 4 4 3 3 4 4 4 4 4

4 3 3 3 4 4 4 4 4 3 3 4 3 3 3 3

4 3 4 3 4 4 4 4 4 3 3 3 3 2 4 3

4 3 4 4 3 4 4 4 4 4 3 3 3 4 4 4

4 4 3 3 4 4 4 4 4 3 3 3 3 3 3 3

4 4 5 5 5 4 4 5 5 4 3 3 3 5 5 4

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

4 3 4 4 3 3 3 3 3 3 3 3 4 5 4 4

3 3 3 3 3 3 3 3 3 3 3 4 4 3 3 3

3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3

3 3 3 4 3 3 4 4 4 3 4 4 3 4 2 3

4 4 3 4 3 3 4 4 4 4 4 4 4 4 3 3

3 3 3 3 3 3 3 3 3 4 4 4 3 3 3 3

3 3 3 3 3 3 3 4 3 4 4 4 4 3 3 3

3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3

3 3 3 4 3 3 3 3 3 4 4 4 4 3 3 3

3 3 4 4 3 3 3 3 4 3 4 3 4 4 4 3

3 3 3 3 3 3 4 3 4 4 4 4 4 3 3 3

3 3 3 4 3 3 3 3 3 4 4 4 3 4 4 3

3 4 3 4 3 4 4 4 3 3 4 4 3 4 4 4

4 4 4 3 4 4 3 4 4 4 3 4 4 4 4 3

3 4 3 4 4 3 4 3 4 4 4 4 4 4 4 3

2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3

3 3 3 4 4 4 3 3 3 4 4 4 4 4 4 4

5 4 4 4 4 4 5 4 4 4 4 4 4 4 4 3

3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 3

3 3 3 3 4 4 3 4 3 4 4 4 4 3 3 34 4 3 3 4 4 3 3 3 4 3 4 4 4 4 4

4 4 4 4 4 5 4 4 4 4 4 4 4 4 3 3

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

3 3 4 4 4 4 4 3 3 3 3 3 4 4 4 4

4 4 4 4 4 4 3 4 4 4 4 4 4 4 3 3

3 3 4 4 4 4 4 4 4 4 4 4 5 4 3 3

3 3 3 4 3 4 4 3 3 3 4 4 5 5 4 4

3 3 3 4 4 3 3 3 3 3 4 4 4 3 4 4

3 3 3 3 3 3 3 3 2 3 3 3 3 3 2 2

3 4 3 3 3 4 4 3 4 4 3 3 3 3 3 3

4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3

3 4 3 4 4 3 3 3 4 4 4 3 3 5 3 3

4 4 4 4 3 3 3 3 4 4 3 3 3 4 3 2

4 4 4 3 3 3 4 4 4 4 3 3 3 4 4 4

5 5 4 4 4 4 4 4 4 4 4 4 4 5 3 3

4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3

4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3

3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 4

3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4

3 3 3 3 3 3 4 4 4 4 3 4 4 3 3 3

3 3 3 3 3 3 3 4 4 4 4 3 3 5 4 4


7/27

6

4 4 4 4 4 3 4 3 3 4 4 3 3 4 4 4

4 4 4 4 3 3 3 3 3 3 3 3 3 4 4 4

4 4 3 3 3 3 3 3 3 3 3 3 3 4 3 3

3 2 3 2 3 2 3 3 3 2 3 2 3 3 3 2

4 3 3 4 3 4 4 3 3 3 3 3 3 4 4 4

4 3 4 4 4 4 4 3 3 3 4 4 3 4 3 3

4 4 4 4 4 4 4 4 3 3 4 4 3 2 2 2

4 4 4 4 4 4 3 3 3 3 4 4 3 3 3 3

5 4 5 4 5 5 3 3 3 3 4 4 3 3 3 3

3 3 4 4 4 4 4 4 3 3 4 4 3 3 4 4

4 3 3 3 3 3 4 4 3 4 4 4 4 4 4 4

3 3 3 3 3 3 3 3 4 4 3 3 4 4 4 4

3 4 3 3 3 4 4 4 3 3 4 4 3 3 3 3

3 4 4 3 4 4 4 4 3 3 3 4 3 3 3 3

4 4 4 4 4 4 4 4 4 4 4 4 3 4 3 3

3 4 3 3 3 3 3 4 4 3 4 3 3 4 4 4

3 4 4 4 4 4 4 4 4 4 4 3 3 4 3 4

4 4 3 4 4 3 4 4 4 4 3 3 4 4 4 3

• Bukan Data sebenarnya

Setelah data di tabulasi, kita akan mengolah data tersebut menggunakan program

SmartPLS, data yang telah di tabulasi di MS. Excel di save dengan format CSV (Comma

Delimited) atau txt karena program SmartPLS hanya dapat membaca data dengan format CSV

dan TXT.

Langkah-Langkah Running dengan Aplikasi SmartPLS 2.0 M3

Buka aplikasi SmartPLS, disini saya menggunakan aplikasi SmartPLS versi 2.0 M3 ,

tampilannya sebagai berikut.

Setelah aplikasinya terbuka, langkah pertama yang dilakukan adalah membuat project

baru untuk melakukan analisis dengan mengklik menu File > New > Create New Project

seperti gambar di bawah ini


8/27

7

Kemudian akan muncul form create a project, pada project name isikan dengan nama

project, namanya bisa apa saja disini saya memberikan nama project saya dengan nama

“olahdata ”. Setelah memberikan nama project kemudian klik next dan akan muncuk form untuk

memasukan data yang akan diolah. Pada file name cari file tabulasi yang telah di save tadi

dengan format CSV, setelah ketemu kemudian klik finish.


9/27

8

Setelah klik finish, akan muncul di jendela sebelah kiri atas pada tab project nama project

yang telah kita buat beserta data ang telah kita masukan, jika data yang ada di dalam aplikasi

PLS berwarna hijau sperti pada lingkaran merah itu artinya bahwa data kita siap untuk di olah

tapi jika berwarna merah berarti ada eror pada data kita dan tidak dapat di baca oleh SmartPLS


10/27

9

Langkah selanjutnya adalah menggambar modelnya, untuk menggambar model pertama

klik olahdata.splsm untuk membuka sheet untuk menggambar model, kemudian gunakan tool

bar untuk menggambarkan modelnya

Berikut penjelasan tool bar beserta fungsinya

Selection Mode : Tool ini di gunakan untuk seleksi dan memindahkan objek. Objek

pada drawing board dapat di pilih dan di pindahkan dengan selection


11/27

10

mode, tekan [SHIF] key untuk multiple selection object, objek pada

drawing board dapat di edit dengan double click tombol mouse kiri

Drawing Mode : Tool ini di gunakan untuk menggambar variabel laten. Klik dengan

mouse kiri pada drawing area untuk membuat variabel laten barudengan tool ini. Nama variabel laten dapat diubah dengan double klik

mouse pada variabel laten dan isiskan nama variabel kemudian enter

Connection Mode : Tool ini di gunakan untuk menghubungkan antara variabel laten satu

dengan variabel laten lainnya.

Gunakan tool boar tersebut untuk menggambar model analisisnya, hasil drawing model

penelitian dapat di lihat di bawah ini

Kemudian beri nama setiap variabel laten yang telah di buat dengan cara klik kanan >

rename object pada gambar variabel laten kemudian tuliskan nama untuk variabelnya lalu enter


12/27

11

Setelah member nama variabel, selanjutnya memasukan indikator setiap variabel laten

dengan cara drag dan drop, pertama klik indikator variabel yang berada di panel kiri kemudian

klik tahan dan drop ke dalam gambar variabel laten sesuai dengan indikatornya.

Drag dan drop semua indikator ke masing-masing variabel latennya, untuk merubah

posisi indikator agar tidak tumpang tindih dengan klik kanan pada variabel laten kemudian

pilih align Top/Bottom/Left/Righ .


13/27

12

Kemudian setelah model telah selesai di bentuk, langkah selanjutnya adalah melakukan

analisis, untuk langkah pertama adalah melakukan analisis outer model dengan klik menu

Calculate > PLS Algorithm


14/27

13

Setelah mengklik menu Calculate akan muncul form Run the PLS Algorithm Algorithm

kemudian klik Finish dan hasilnya seperti di bawah ini


15/27

14

Untuk melihat hasil outpunya dapat di lakukan dengan klik menu Report > Html Report

Langkah kedua adalah analisis inner model, caranya dengan klik menu Calculate >

Bootstrapping . Kemudian akan muncul form Run the Bootstrapping Algorithm.


16/27

15

Untuk bootstrapping supaya hasilnya konsisten gunakan minimal 500 sample, untuk

cases karena pada kasus ini menggunakan 100 responden maka isiskan cases dengan 100

kemudian klik finish dan untuk melihat outpunya dapat mengklik Report > Html Report .


17/27

16

1.4 Hasil Analisis Partial Least Square

Dalam analisis Partial Least Square dilakukan dua pengujian yanitu outer model dan

inner model, untuk outer model yang akan di lihat yaitu Covergent Validity, Discriminant

Validity, Composite Reliability, Cronbachs Alpha. Sedangkan untuk inner model output yang di

gunakan adalah Uji path coefisien, Goodnes Of fit dan uji Hipotesis.

Gambar 1Outer Model

Output Analisis

1.4.1 Evaluasi Outer Model

Pada bagian evaluasi outer model ini akan dilakukan pengujian convergent validity ,

discriminant validity dan composite reliability . Berikut ini akan dijelaskan hasil pada masing-

masing pengujian:

1. Convergent ValidityConvergent validity dari measurement model dengan indikator refleksif dapat di lihat dari

korelasi antara score item/indikator dengan score konstruknya. Pada pengujian Convergent

Validity digunakan nilai loading factor . Suatu indikator dinyatakan memenuhi Convergent

Validity apabila nilai loading factor > 0,7, namun pada riset tahap pengembangan skala loading


18/27

17

0.5 sampai 0.6 masih dapat diterima. Berikut adalah nilai loading factor dari masing-masing

indikator pada variabel penelitian:

Tabel 2.

Outer Loadings (Mean, STDEV, T-Values)Original

Sample (O)Sample

Mean (M)Standard

Deviation (STDEV)Standard

Error (STERR)T Statistics

(|O/STERR|)

H1


19/27

18

Tabel 3. Cross Loadings

Harga KPO Kepercayaan KualitasProdukPengetahuan

Internet

H1 0.865563 0.296216 0.611184 0.320189 0.473959

H2 0.833693 0.318287 0.589621 0.323304 0.524442

H3 0.860484 0.477462 0.709738 0.338106 0.488443

K1 0.596709 0.517938 0.779647 0.461116 0.505891

K2 0.643951 0.315106 0.812513 0.450354 0.486042

K3 0.66148 0.313285 0.879351 0.477039 0.517146

K4 0.530715 0.296775 0.768919 0.404224 0.630246

KPM1 0.321851 0.266755 0.512676 0.846179 0.389813

KPM2 0.376384 0.157356 0.498564 0.872767 0.380398

KPM3 0.197642 0.295739 0.281084 0.672661 0.307785

KPO1 0 .377288 0.803306 0.406394 0.263918 0.454877

KPO2 0 .387941 0.847719 0.356867 0.190985 0.283758

KPO3 0 .307143 0.827193 0.348782 0.249391 0.261689

PI1 0.541175 0.339588 0.663162 0.416126 0.866849

PI2 0.505174 0.328603 0.48499 0.217701 0.809689

PI3 0.365146 0.33987 0.425141 0.440291 0.770276

Berdasarkan output data dalam tabel 3 di atas dapat diketahui bahwa masing-masing

indikator pada variabel penelitian memiliki nilai cross loading terbesar pada variabel yangdibentuknya dibandingkan dengan nilai cross loading pada variabel lainnya. Berdasarkan hasil

yang diperoleh tersebut dapat dinyatakan bahwa indikator-indikator yang digunakan dalam

penelitian ini telah memiliki discriminant validity yang baik dalam menyusun variabelnya

masing-masing.

Selain mengamati nilai cross loading , discriminant validity juga dapat diketahui melalui

metode lainnya yaitu dengan membandingkan nilai dari akar AVE tiap variabel dengan korelasi

antar variabel. Jika nilai dari akar AVE lebih besar dibandingkan korelasi-korelasi yang terjadi

maka variabel memiliki discriminant vailidity yang baik. Berikut adalah sajian data terkait

dengan nilai AVE, akar AVE serta korelasi antar variabel:


20/27

19

Tabel 4. Output Uji Discriminant Validity

Latent Variable Correlations

Harga KPO Kepercayaan Kualitas Produk PengetahuanInternet

Harga 1

KPO 0.435729 1

Kepercayaan 0.751995 0.450892 1

Kualitas Produk 0.384131 0.284469 0.554485 1

Pengetahuan Internet 0.579816 0.410182 0.657101 0.449873 1

AVE

AVE

Harga 0.728225

KPO 0.682725

Kepercayaan 0.65813

Kualitas Produk 0.643405

Pengetahuan Internet 0.666783

Tabel 5. AVE, Akar AVE, dan Korelasi antara Variabel

AVE AkarAVE Harga KPO Kepercayaan Kualitas

ProdukPengetahuan

Internet

Harga 0.728 0.853 1

KPO 0.683 0.826 0.436 1

Kepercayaan 0.658 0.811 0.752 0.451 1

Kualitas Produk 0.643 0.802 0.384 0.284 0.554 1

Pengetahuan Internet 0.667 0.817 0.580 0.410 0.657 0.450 1

Berdasarkan sajian data dalam tabel 5 diketahui bahwa nilai AVE semua variabel > 0,5.

Diketahui juga bahwa semua nilai korelasi lebih kecil dari nilai akar AVE. Berdasarkan hasil

tersebut dapat dinyatakan bahwa setiap variabel telah memiliki discriminant validity yang baik.

3. Composite Reliability

Composite reliability merupakan bagian yang digunakan untuk menguji nilai reliabilitas

indikator-indikator pada suatu variabel. Suatu variabel dapat dinyatakan memenuhi composite


21/27

20

reliability apabila memiliki nilai composite reliability > 0,7. Berikut adalah nilai composite

reliability dari masing-masing variabel yang digunakan dalam penelitian ini:

Tabel 6. Composite Reliability

Composite Reliability

Harga 0.889336

KPO 0.865815

Kepercayaan 0.884775


PengetahuanInternet 0.856918

Berdasarkan sajian output data dalam tabel 6 di atas dapat diketahui bahwa nilai

composite reliability semua variabel penelitian > 0,7. Hasil ini menunjukkan bahwa masing-masing variabel telah memenuhi composite reliability sehingga dapat disimpulkan bahwa

keseluruhan variabel memiliki level internal consistency reliability yang tinggi

4. Cronbach Alpha

Memperkuat hasil uji reliabilitas di atas, digunakan juga nilai cronbach alpha. Dimana

suatu variabel dapat dinyatakan memenuhi cronbach alpha apabila memiliki nilai cronbach

alpha > 0,6. Berikut adalah nilai cronbach alpha dari masing-masing variabel:

Tabel 7. Cronbachs Alpha

Cronbachs Alpha

Harga 0.814653

KPO 0.768204

Kepercayaan 0.825748


Pengetahuan Internet 0.753123

Berdasarkan sajian output data dalam tabel 7 di atas dapat diketahui bahwa nilai

cronbach alpha dari masing-masing variabel peneliti > 0,6. Sehingga hasil ini dapat

menunjukkan bahwa masing-masing variabel penelitian telah memenuhi persyaratan nilai

cronbach alpha , sehingga dapat disimpulkan bahwa keseluruhan variabel memiliki level internal

consistency reliability yang tinggi


22/27

21

1.4.2 Evaluasi Inner Model

Pada evaluasi inner model dalam penelitian ini akan dijelaskan mengenai hasil uji

goodness-of-fit dan uji hipotesis.

Gambar 2Inner Model

1. Uji Path CoefficientEvaluasi path coefficient digunakan untuk menunjukkan seberapa kuat efek atau

pengaruh variabel independen kepada variabel dependen. Sedangkan coefficient determination

digunakan untuk mengukur seberapa banyak variabel endogen dipengaruhi oleh variabel lainnya.

Dalam marketing research , nilai R 2 di atas 0,75 ke atas dikategorikan substansial, nilai 0,50 –

0,75 dikategorikan sedang, dan nilai 0,25 – 0,50 artinya lemah.

Berdasarkan gambar 2 yang telah ditampilkan di atas yaitu gambar inner model dapat

dijelaskan bahwa nilai path coefficient terbesar ditunjukkan dengan pengaruh harga terhadap

kepercayaan sebesar 7,357. Kemudian diikuti oleh pengaruh pengetahuan tehnologi intenet

terhadap kualitas produk sebesar 5,014. Kemudian pengaruh kualitas produk terhadap harga

sebesar 4,472. Pengaruh kualitas produk terhadap kepercayaan sebesar 3,562. Diikuti dengan

pengaruh pengetahuan teknologi internet terhadap kepercayaan sebesar 3.420 dan kepercayaan


23/27

22

terhadap keputusan pembelian online sebesar 1.939. Dan terakhir adalah pengaruh harga

terhadap keputusan pembelian online sebesar 1.691.

Berdasarkan uraian hasil tersebut di atas menunjukkan bahwa keseluruhan variabel dalam

model ini memiliki path coefficient dengan angka yang positif. Hal ini menunjukkan bahwa jika

semakin besar nilai path coefficient pada satu variabel independen terhadap variabel dependen,

maka semakin kuat juga pengaruh antara variabel independen terhadap variabel dependen

tersebut.

2. Uji Goodness-Of-Fit

Berdasarkan output data dari hasil analisis yang diperoleh, diperoleh nilai R-Square dari

output sebagai berikut:

Tabel 8

Nilai R-Square

R Square

Harga 0.147557

KPO 0.224807

Kepercayaan 0.68571


Pengetahuan Internet

Berdasarkan sajian output data dalam tabel 8 di atas dapat diketahui bahwa nilai R-Square untuk harga adalah sebesar 0,148. Perolehan nilai tersebut menjelaskan bahwa persentase

besarnya harga dapat dijelaskan oleh Pengetahuan teknologi internet sebesar 14,8%. Sedangkan

untuk nilai R-Square untuk keputusan pembelian online adalah sebesar 0,225. Hasil ini

menjelaskan bahwa keputusan pembelian online dapat dijelaskan oleh Pengetahuan teknologi

internet sebesar 22,5%. Sedangkan untuk nilai R-Square untuk kepercayaan adalah sebesar

0,686. Hasil ini menjelaskan bahwa kepercayaan dapat dijelaskan oleh Pengetahuan teknologi

internet sebesar 68,6%. Sedangkan untuk nilai R-Square untuk kualitas produk adalah sebesar

0,202. Hasil ini menjelaskan bahwa kualitas produk dapat dijelaskan oleh Pengetahuan teknologi

internet sebesar 20,2%

Penilaian goodness of fit diketahui dari nilai Q-Square. Nilai Q-Square memiliki arti yang

sama dengan koefisien determinasi (R-Square) pada analisis regresi, dimana semakin tinggi Q-


24/27

23

Square, maka model dapat dikatakan semakin fit dengan data. Adapun hasil perhitungan nilai

nilai Q-Square adalah sebagai berikut:

Q-Square = 1 – [(1-0,148) x (1-0,225) x (1-0,686) x (1-0,202)]

= 1 – (0,852 x 0,775 x 0,314 x 0,798)

= 1 – 0,166

= 0,834

Berdasarkan hasil perhitungan di atas diperoleh nilai Q-Square sebesar 0,834. Hal ini

menunjukkan besarnya keragaman dari data penelitian yang dapat dijelaskan oleh model

penelitian adalah sebesar 83,4%, sedangkan 16,6% sisanya dijelaskan oleh faktor lain yang

berada di luar model penelitian ini. Berdasarkan hasil tersebut, maka model pada penelitian ini

dapat dinyatakan telah memiliki goodness of fit yang baik.

3. Uji Hipotesis

a. Uji Pengaruh Parsial Variabel

Berdasarkan output data yang di dapatkan, peneliti dapat menggunakan untuk menjawab

hipotesis yang di ajukan. Uji hipotesis dalam penelitian ini dilakukan dengan membandingkan

nilai t hitung dan t tabel (t tabel signifikan 5% = 1.96). Hipotesis penelitian dapat dinyatakan

diterima apabila nilai t hitung lebih besar dari nilai t tabel (t hit > 1.96). Berikut adalah hasil yang

diperoleh dalam uji hipotesis dalam penelitian ini melalui inner model :

Tabel 9. Path Coefficients (Mean, STDEV, T-Values)

OriginalSample (O)

SampleMean (M)

Standard Deviation(STDEV)

Standard Error(STERR)

T Statistics(|O/STERR|)

Harga -> KPO 0.222461 0.237253 0.131545 0.131545 1.691133

Harga ->Kepercayaan

0.513345 0.508807 0.069778 0.069778 7.3568

Kepercayaan ->KPO

0.283603 0.27208 0.046277 0.046277 2.93881

Kualitas Produk ->Harga

0.384131 0.389886 0.085905 0.085905 4.471609

Kualitas Produk ->Kepercayaan 0.245211 0.24131 0.068834 0.068834 3.562341

PengetahuanInternet ->Kepercayaan

0.249142 0.255495 0.072847 0.072847 3.420057

PengetahuanInternet ->Kualitas Produk

0.449873 0.45193 0.089729 0.089729 5.013669


25/27

24

H1 : pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk

Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.449 yang

berarti terdapat pengaruh positif pengetahuan internet terhadap kualitas produk, sedangkan untuk

nilai t statistik sebesar 5.014 > 1.96 yang berarti pengetahuan internet berpengaruh positif

signifikan terhadap kualitas produk, maka H1 dapat diterima

H2 : pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan


berarti terdapat pengaruh positif pengetahuan internet terhadap kepercayaan, sedangkan untuk

nilai t statistik sebesar 3.420 > 1.96 yang berarti pengetahuan internet berpengaruh positif

signifikan terhadap kepercayaan, maka H2 dapat diterima

H3 : kualitas produk berpengaruh signifikan terhadap kepercayaan

Berdasarkan tabel output 9 di atas, diperoleh nilai koefisien parameter sebesar 0.245 yang berarti terdapat pengaruh positif kualitas produk terhadap kepercayaan, sedangkan untuk nilai t

statistik sebesar 3.562 > 1.96 yang berarti kualitas produk berpengaruh positif signifikan

terhadap kepercayaan, maka H3 dapat diterima

H4 : kualitas produk berpengaruh signifikan terhadap harga


berarti terdapat pengaruh positif kualitas produk terhadap harga, sedangkan untuk nilai t statistik

sebesar 4.471 > 1.96 yang berarti kualitas produk berpengaruh positif signifikan terhadap harga,

maka H4 dapat diterima

H5 : harga berpengaruh signifikan terhadap kepercayaan


berarti terdapat pengaruh positif harga terhadap kepercayaan, sedangkan untuk nilai t statistik

sebesar 7.357 > 1.96 yang berarti harga berpengaruh positif signifikan terhadap kepercayaan,

maka H5 dapat diterima

H6 : harga berpengaruh signifikan terhadap keputusan pembelian online


berarti terdapat pengaruh positif harga terhadap keputusan pembelian online, sedangkan untuk

nilai t statistik sebesar 1.691 < 1.96 yang berarti harga berpengaruh positif tidak signifikan

terhadap keputusan pembelian online, maka H6 diditolak


26/27

25

H7 : kepercayaan berpengaruh signifikan terhadap keputusan pembelian online


berarti terdapat pengaruh positif kepercayaan terhadap keputusan pembelian online, sedangkan

untuk nilai t statistik sebesar 2.939 > 1.96 yang berarti kepercayaan berpengaruh positif

signifikan terhadap keputusan pembelian online, maka H7 dapat diterima

1.5 Kesimpulan

1. Pengetahuan teknologi internet berpengaruh signifikan terhadap kualitas produk. Artinya

bahwa semakin tinggi pengetahuan responden/konsumen terhadap internet maka mereka

semakin baik juga dalam membedakan kualitas barang yang akan mereka beli dari online

shop. Semakin konsumen mengerti tentang internet maka kualitas produk yang mereka

beli dari online shop juga semakin baik karena mereka dapat membedakan mana gambar

yang editan dan mana yang tidak.2. Pengetahuan teknologi internet berpengaruh signifikan terhadap kepercayaan. Artinya

bahwa semakin tinggi pengetahuan konsumen terhadap internet maka semakin tinggi juga

tingkat kepercayaan mereka dikarenakan dengan semakin baiknya mereka mengetahui

internet, mereka dapat membedakan mana perusahaan yang melakukan penipuan dan

mana yang tidak dengan berbagai cara.

3. Kualitas produk berpengaruh signifikan terhadap kepercayaan. Artinya bahwa semakin

baik kualitas produk maka semakin percaya konsumen tersebut dengan produk yang

ditawarkan, konsumen yang memesan produk secara online kemudian memperoleh

barang yang dipesannya dengan kualitas yang baik maka akan meningkatkan

kepercayaan mereka terhadap penjual barang tersebut.

4. Kualitas produk berpengaruh signifikan terhadap harga. Artinya semakin baik kualitas

sebuah produk maka harganya pun semakin tinggi, harga selalu mengikuti tingkat

kualitas dari sebuah produk, semakin baik kualitas produknya semakin mahal pula

harganya.

5. Harga berpengaruh signifikan terhadap kepercayaan. Artinya bahwa semakin tinggi

harganya maka tingkat kepercayaan juga akan tinggi, hal ini mengindikasikan bahwa

harga selalu menyangkut kualitas produk dan dengan harga tinggi yang di tawarkan oleh

perusahaan maka akan membuat kepercayaan konsumen menjadi semakin baik terhadap

produk tersebut.


27/27

6. Harga tidak berpengaruh signifikan terhadap keputusan pembelian online. Artinya bahwa

semakin tinggi harga yang ditawarkan maka keputusan pembelian secara online akan

semakin menurun, secara umum telah kita tau bersama bahwa semakin tinggi harga

sebuah produk maka konsumen juga akan berfikir ulang untuk melakukan pembelian

pada produk tersebut, maka dari hasil penelitian ini, untuk meningkatkan penjualan, maka

harga perlu disesuaikan dengan jenis produk yang ditawarkan.

7. Kepercayaan berpengaruh signifikan terhadap keputusan pembelian online. Artinya

bahwa semakin tinggi tingkat kepercayaan dari konsumen terhadap produk yang

ditawarkan maka keputusan pembelian online konsumen akan semakin tinggi pula, maka

dari itu kepercayaan kepada konsumen harus terus dipertahankan agar penjualan terus

meningkat.

Documents

Langkah-Langkah Analsis Partial Least Square