^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 R² 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 = β₀ + β₁X₁

X₃ = β₀ + β₁X₁ + β₂X₂

Y  = β₀ + β₁X₁ + β₂X₂ + β₃X₃

Z  = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + β₄Y₁ + e

Keterangan:

Z             = Actual system use

β             = 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