Aminullah Assagaf_P1_Statistik Ekonometrika_PLS SPSS.pptx

Aminullah Assagaf

1. 1_URL: https://scholar.google.com/citations?user=gWNthy8AAAAJ&hl= id 2_gen.lib.rus.ec: http://libgen.rs/search.php?req=principles+of+managerial+finance&open=0&res=25&view=simple&phrase=1&column=title 3_Slideshare : https://www2.slideshare.net/search/slideshow?searchfrom=header&q=aminullah+assagaf+&ud=any&ft=all&lang=**&sort= 4_Youtube_ https://www.youtube.com/channel/UC26u-Ys3fjKlcJAACrsnAeQ/videos STATISTIK DAN EKONOMETRIKA TERAPAN IMPLEMENTASI PLS4, SPSS, EVIEWS, STATA Dosen : Prof. Dr. Dr. H. Aminullah Assagaf , SE., MS., MM., M.Ak HP: 08113543409, Email: [email protected] PART - 1

2. Content Ekonometrika, Statistik , dan Statistik Multivariate , 3-27 Data penelitian , 28-52 Populasi dan sampel , 53-61 Variabel penelitian dan Kerangka konseptual , 62-75 Tahap analisis PLS4 - Metode analisis dan Results (Chapter 3 & 4) , 76-295 Aplikasi PLS4 SEM (Input data, graphical, dan calculate) , 296-313 Hasil calculate PLS4 SEM (PLS Algorithm & Bootstrapping ), 314-594 Aplikasi PLS 4 Regression , 595-621 Perbandingan PLS4 SEM & SPSS , 622-636 Aplikasi SPSS, EVIEWS, STATA , 637-1050 PART - 3 PART - 1 PART - 2

3. 1_Ekonometrika, Statistik , dan Statistik Mulitivariate

4. Ekonometrika & MUltivariate

5. Statistik & Statistik Multivariate

6. 3 Jenis Statistik 1. Statistik Deskriptif : Statistik deskriptif digunakan untuk menggambarkan atau meringkas data dalam bentuk grafik , tabel , atau ukuran numerik seperti mean (rata-rata), median, dan modus. Contoh : Menampilkan rata-rata nilai ujian siswa dalam satu sekolah , Membuat diagram batang untuk menunjukkan tren penjualan produk dalam satu tahun . 2. Statistik Inferensial : Statistik inferensial digunakan untuk menarik kesimpulan tentang populasi berdasarkan sampel data. Statistik ini sering digunakan dalam pengujian hipotesis dan prediksi . Contoh : Memprediksi hasil pemilu berdasarkan survei yang dilakukan pada sampel populasi tertentu , Menentukan apakah ada hubungan antara kebiasaan olahraga dan tingkat stres seseorang . 3. Statistik Probabilitas: Statistik probabilitas berfokus pada teori peluang dan digunakan untuk memprediksi kemungkinan kejadian tertentu . Contoh: Menghitung peluang seorang pelanggan membeli produk setelah melihat iklan online, Memprediksi cuaca berdasarkan data historis . Reference: https://tsurvey.id/portal/apa-itu-statistik-pengertian-jenis-contoh-dan-fungsinya

7. Statisik dan Multivariate " Statistik dan Analisis Multivariat merupakan teknik analisis yang penting karena dibutuhkan oleh para peneliti maupun mahasiswa , baik pada jenjang (S-1) ataupun (S-2) pada berbagai program studi perguruan tinggi yang melakukan riset empiris atau kuantitatif . Statistik dan Analisis Multivariat merupakan metode statistik yang memungkinkan melakukan penelitian terhadap satu atau lebih dari dua variabel secara bersamaan . Dengan menggunakan teknik analisis ini maka dapat menganalisis perbedaan atau hubungan beberapa variabel terhadap variabel lainnya dalam waktu yang bersamaan . Tujuan utama dari statistik dan multivariat adalah untuk mengukur derajat , menjelaskan , menguji , dan memprediksi hubungan diantara variate-variate ( kombinasi variabel terbobot ). Dasar dari kajian ini adalah analisis komparatif dan asosiasi untuk satu atau lebih dari dua variabel secara bersamaan . Khusus teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis dependensi dan analisis interdependensi . "

8. Analisis Bivariate, Univariate, Multivariate Univariate adalah data yang memiliki satu variabel dependen (variabel tidak bebas) pada setiap objek yang diamati. M ultivarit dapat dijelaskan sebagai data dimana pada data tersebut terdapat lebih dari satu variabel dependen pada setiap objek yang diamati. Analisis univariat melihat distribusi satu variabel , analisis bivariat menguji hubungan antar dua variabel , sedangkan analisis multivariat menentukan variabel mana yang paling berpengaruh terhadap variabel dependen dengan mengontrol variabel lain.

9. Analisis univariat melihat distribusi satu variabel, analisis bivariat menguji hubungan antar dua variabel, sedangkan analisis multivariat menentukan variabel mana yang paling berpengaruh terhadap variabel dependen dengan mengontrol variabel lain.

10. Ekonometrika Ekonometrika atau ekonometri ( bahasa Inggris : econometrics , bahasa Belanda : econometrie ) adalah ilmu ekonomi dan matematika ekonomi yang membahas fenomena ekonomi yang bersifat kualitatif dalam bentuk angka . Analisis di dalam ekenometrika menggabungkan antara teori ekonomi , matematika , dan statistika ke dalam satu sistem analisis yang lengkap . Ekonometrika umumnya menganalisis fenomena ekonomi dengan statistika inferensi sehingga pengujian empiris dapat dilakukan terhadap teori ekonomi yang telag dianalisis . Kajian ekonometrika secara umu terbagi menjadi empat . Pertama , kajian mengenai hubungan antara variabel -variabel ekonomi . Kedua , penggunaan data empiris untuk menguji teori ekonomi . Ketiga pengujian hipotesis melalui perilaku ekonomi . keempat , perkiraan perilaku ekonomi dari variabel ekonomi . [1] Teorama-teorama yang persifat apriori pada ilmu ekonomi dinyatakan terlebih dahulu dalam bentuk matematik sehingga dapat dilakukan pengujian terhadap teorama-teorama itu . Bentuk matematik teorama ekonomi ini disebut model . Pembuatan model ekonometri merupakan salah satu sumbangan ekonometrika di samping pembuatan prediksi ( peramalan atau forecasting ) dan pembuatan berbagai keputusan alternatif yang bersifat kuantitatif sehingga dapat mempermudah para pengambil keputusan untuk menentukan pilihan . Salah satu bagian paling penting dari ekonometri adalah analisis regresi . Analisis ini digunakan untuk mengetahui kaitan antara satu variabel dengan variabel yang lain. Berdasarkan data yang digunakan , ekonometri dibagi menjadi tiga analisis , yaitu analisis runtun waktu ( time series ), antar -wilayah ( cross section ), dan analisis data panel . Analisis runtun waktu menjelaskan mengenai perilaku suatu variabel sepanjang beberapa waktu berturut-turut , berbeda dengan analisis antar -wilayah yang menjelaskan antara beberapa daerah dalam satu waktu tertentu ( snapshot ). Sementara itu analisis data panel menggabungkan antara data runtun waktu dengan data antar -wilayah.

11. Analisis Multivariate Analisis multivariat adalah salah satu teknik dalam statistika yang digunakan untuk menganalisis secara simultan variabel lebih dari satu . Perhitungan dalam analisis data multivariat lebih kompleks dibandingkan dengan analisis univariat, sehingga penggunaan program statistika akan mempermudah dalam analisis. Analisis multivariat merupakan salah satu metode dalam statistika yang penghitungannya perlu alat pengolahan data seperti SPSS dan SAS. Bagi data analyst dan data scientist , analisis multivariat termasuk metode yang umum digunakan . Analisis multivariat adalah teknik mengumpulkan beberapa kelompok data dan menganalisis hubungan antara lebih dari dua variabel yang terkait dengan data tersebut .   Analisis multivariat digunakan ketika berhadapan dengan data yang memiliki setidaknya tiga variabel yang berbeda . Bisa meliputi 2 variabel independen dan 1 variabel dependen , atau sebaliknya . Variabel dependen biasa disebut dengan variabel Y, variabel yang dipengaruhi , variabel respons , atau variabel terikat . Sedangkan variabel independen disebut juga dengan variabel X, variabel bebas , variabel prediktor , atau variabel yang memengaruhi .  Meskipun termasuk dalam penghitungan statistika , analisis multivariat digunakan dalam berbagai bidang di antaranya linguistik , natural sciences , layanan asuransi dan finansial , dan humanities. 

12. Reference: https://www.statistikian.com/2016/11/analisis-multivariat.html Analisis Multivariat Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak , dimana tujuannya adalah untuk mencari pengaruh variabel-variabel tersebut terhadap suatu obyek secara simultan atau serentak . Pengertian Analisis Multivariat Metode analisis multivariat adalah suatu metode statistika yang tujuan digunakannya adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga antar variabel tersebut saling berhubungan satu sama lain. Analisis multivariat adalah salah satu dari teknik statistik yang diterapkan untuk memahami struktur data dalam dimensi tinggi . Dimana variabel-variabel yang dimaksud tersebut saling terkait satu sama lain. Berdasarkan beberapa definisi Analisis Multivariat di atas , maka statistikian menyimpulkan bahwa yang dimaksud dengan Analisis Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih dari atau sama dengan 3 variabel . Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta terdapat korelasi atau keterikatan antara satu variabel dengan variabel lainnya . Maka dapat diartikan bahwa Analisis Multivariat juga merupakan analisis yang melibatkan cara perhitungan yang kompleks . tujuannya adalah agar dapat memahami struktur data berdimensi tinggi dan saling terkait satu sama lain.

13. Teori Analisis Multivariat Teori dari Metode analisis multivariat dalam hal ini sebenarnya telah diketahui sejak lama sekali , hanya saja karena cara perhitungannya yang rumit maka jarang sekali diterapkan . Tetapi akhir-akhir ini , bersamaan dengan berkembangnya teknologi . Dimana muncul aplikasi komputer seperti SPSS untuk menghitung atau menganalisis metode statistik dengan mudah . Maka barulah Analisis Multivariat ini sering digunakan oleh para peneliti karena kemudahan-kemudahan yang diberikan oleh aplikasi komputer dan banyaknya informasi yang bisa didapat dari Analisis Multivariat ini . Statistikian juga berpendapat bahwa telah sering terjadi kesalahpahaman yang mendasar dari para mahasiswa atau bahkan para peneliti . Yaitu tentang definisi Analisis Multivariat , yaitu kerancuan dalam memahami perbedaan antara Analisis Multivariat dan analisis multiple. Perlu dipahami dan diperhatikan , bahwa pengertian Analisis Multivariat benar-benar berbeda dengan analisis multiple atau disebut juga analisis multivariabel . Kalau tentang Analisis Multivariat sudah dibahas di atas , saatnya kita coba kupas tentang analisis multivariabel .

14. Perbedaan Dengan Analisis Multivariabel Analisis multivariabel adalah analisis yang melibatkan lebih dari satu variabel bebas . Dalam pengertian tersebut , kita tidak perlu mengetahui apakah di antara beberapa variabel tersebut , baik variabel bebas maupun variabel terikat terdapat keterikatan atau korelasi satu sama lain. Maka statistikian dapat menyimpulkan perbedaan antara Analisis Multivariat dan analisis multivariabel , yaitu : Analisis Multivariat pastilah analisis multivariabel , sedangkan analisis multivariabel belum tentu Analisis Multivariat . Baiklah , untuk meningkatkan pemahaman para pembaca , kami coba jelaskan lebih jauh pengertian harfiah dari Variate. Alasan statistikian perlu menjelaskannya adalah karena Analisis Multivariat tidak pernah bisa lepas dari variate. Maka, pertanyaannya : apakah yang disebut dengan variate?

15. Pengertian Variat Titik penyusun bangunan atau pondasi dari Analisis Multivariat adalah variat itu sendiri Variat adalah suatu kombinasi linear dari variabel-variabel yang memiliki bobot empiris yang telah ditentukan Suatu variate dari sejumlah n variabel yang terbobot (X1 sampai dengan Xn )   dapat dinyatakan secara matematis adalah sebagai berikut : nilai variate = w1X1+ w2X2+ w3X3+…+ wnXn . Sebelum melangkah lebih jauh , penting sekali bagi para pembaca , bahwa Analisis Multivariat adalah salah satu bentuk dari analisis inferensial . Analisis inferensial artinya analisis yang melibatkan sejumlah sampel saja . Dan dimana hasilnya nanti digunakan sebagai alat generalisasi untuk keseluruhan populasi . Oleh karena itu , nantinya dalam Analisis Multivariat tidak akan lepas dari istilah-istilah signifikansi dan juga tingkat kesalahan dan derajat kepercayaan .

16. Jenis Data Dalam Analisis Multivariat Seperti halnya analisis statistik lainnya , Analisis Multivariat yang kita bahas ini juga tidak lepas dari jenis data atau skala data . Skala data yang digunakan ada dua macam , yaitu data metrik dan data non metrik . Data metrik adalah data yang bersifat numerik atau berisi angka-angka dan dapat dilakukan perhitungan matematis di dalamnya , misal nilai ujian , tingkat IQ, berat badan, dll . Data metrik disebut juga dengan data numerik atau data kuantitatif . Dalam hal ini data metrik ada 2 macam , yaitu data interval dan data rasio . Untuk lebih jelasnya pelajari artikel kami tentang skala data. Sedangkan data non metrik adalah data non numerik atau disebut juga data kualitatif atau data kategorik . Ada dua macam jenis data non metrik ini , yaitu data nominal dan data ordinal. Sekali lagi , agar anda lebih paham lagi maka untuk lebih jelasnya silahkan pelajari artikel kami tentang skala data. Baiklah , sepertinya pembukaan atau pengantar tentang Analisis Multivariat telah kita lalui . Selanjutnya kita bahas lebih dalam lagi tentang klasifikasi Analisis Multivariat .

17. Klasifikasi Analisis Multivariat Klasifikasi analisis multivariat ada tiga macam , yaitu yang pertama adalah teknik dependensi atau istilah english versionnya adalah dependent technique. Yang kedua adalah teknik interdependensi atau english versionnya adalah interdependent technique. Dan yang ketiga atau yang terakhir adalah dan model struktural atau english versionnya disebut dengan istilah structural model. Para pakar ada yang menyebutkan bahwa Analisis Multivariat hanya dikelompokkan ke dalam 2 klasifikasi saja . Yaitu analisis dependensi dan analisis interdependensi . Menurut statistikian , tidak ada masalah tentang perbedaan ini , sebab para pakar yang berpendapat bahwa ada dua klasifikasi , telah memasukkan Model Struktural atau struktural equation modelling sebagai bagian dari klasifikasi analisis dependensi .

18. Teknik Dependensi Analisis Multivariat Teknik Dependensi Analisis Multivariat adalah suatu metode Analisis Multivariat dimana variabel atau kumpulan variabel yang diidentifikasi sebagai variabel dependen atau variabel terikat dapat diprediksi atau dijelaskan oleh variabel lain yang merupakan variabel independen atau variabel bebas . Analisis dependensi berfungsi untuk menerangkan atau memprediksi variabel terikat dengan menggunakan dua atau lebih variabel bebas . Sehingga berdasarkan pengertian di atas , maka analisis yang termasuk di dalam klasifikasi analisis dependensi antara lain: analisis regresi linear berganda atau multiple linear regression, analisis diskriminan atau discriminant analysis, analisis varian multivariate ( MANOVA ), dan analisis korelasi kanonikal atau canonical correlations.

19. Jenis-Jenis Analisis Dependensi Berikut kami tampilkan jenis-jenis analisis dependensi dalam bentuk tabel beserta skala data dan jumlah variabel yang dianalisis : Teknik Dependensi Analisis Multivariat Dari tabel diatas , dapat kami jelaskan bahwa : Regresi linear dan regresi logistik digunakan jika jumlah variabel dependen ada 1. Perbedaannya adalah , regresi linear digunakan jika skala data variabel terikat adalah metrik . Sedangkan regresi logistik , skala data variabel terikat adalah non metrik . Analisis diskriminan juga melibatkan satu variabel terikat , namun sama halnya dengan regresi logistik , skala data variabel terikat adalah data non metrik . Analisis diskriminan lebih dekat dengan regresi linear dari pada regresi logistik , sebab analisis diskriminan mewajibkan variabel bebas yang berskala data numerik haruslah berdistribusi normal.

20. Perbedaan Analisis Konjoin dengan Regresi Logistik Sedangkan regresi logistik tidak mewajibkan asumsi tersebut . Analisis konjoin hampir sama dengan analisis diskriminan , namun pada analisis konjoin , semua data yang digunakan adalah data non metrik . Analisis Kanonikal lebih mirip dengan analisis diskriminan , hanya saja jumlah variabel terikat yang digunakan lebih dari satu . Sedangkan MANOVA lebih mirip dengan analisis kanonikal , dimana perbedannya adalah pada MANOVA atau yang biasa disebut dengan Multivariate Analysis of Variance menggunakan data non metrik pada variabel bebas . Agar anda lebih paham lagi , kami jelaskan beberapa pengertian tentang analisis dependensi yang sudah disebutkan di atas . Multiple Linear Regression atau Regresi Linear Berganda Regresi Linear Berganda adalah metode analisis ini bertujuan menguji hubungan antara dua variabel bebas atau lebih dan satu variabel terikat . Silahkan pelajari lebih jauh tentang Analisis Regresi Korelasi .

21. Multiple Discriminant Analysis atau Analisis Diskriminan Berganda Analisis Diskriminan Berganda adalah suatu teknik statistika yang bertujuan untuk memprediksi atau meramalkan probabilitas dari objek yang termasuk ke dalam dua atau lebih kategori mutual yang eksklusif pada variabel terikat yang berdasarkan pada beberapa variabel bebas . Asumsi dari analisis Diskriminan Berganda adalah adalah variabel bebas harus berupa data metrik dan berdistribusi normal. Silahkan pelajari lebih jauh tentang Analisis Diskriminan . Multiple Logit Regression atau Multiple Logistic Regression atau Regresi logistik Berganda Regresi logistik Berganda adalah model regresi dimana satu variabel terikat non metrik yang diprediksi atau diramalkan oleh beberapa variabel bebas berskala data metrik atau non metrik . Teknik ini hampir sama dengan analisis diksriminan , hanya saja dalam perhitungannya menggunakan prinsip perhitungan regresi seperti halnya regresi linear . Silahkan pelajari lebih jauh tentang regresi logistik .

22. Multivariate Analysis of Variance (MANOVA) Suatu teknik statistik yang menyediakan suatu uji signifikansi simultan perbedaan rata-rata antara kelompok-kelompok untuk dua atau lebih variabel dependen . Silahkan pelajari lebih jauh tentang MANOVA . Conjoint Analysis atau Analisis Konjoin Analisis Konjoin adalah sebuah teknik statistik yang bertujuan untuk memahami preferensi responden terhadap suatu produk atau jasa . Analisis ini juga dikenal dengan istilah english versionnya sebagai trade off analysis. Canonical Correlation atau Korelasi Kanonikal Korelasi Kanonikal adalah bentuk pengembangan dari analisis regresi linear berganda . Tujuan dari analisis korelasi kanonikal adalah untuk mengkorelasikan secara simultan beberapa variabel terikat dengan beberapa variabel bebas . Perbedaannya dengan regresi linear berganda adalah : regresi linear berganda hanya menggunakan satu variabel terikat dengan beberapa variabel bebas . Sedangkan pada korelasi kanonikal ini menggunakan beberapa variabel terikat yang akan dikorelasikan dengan variabel bebas .

23. Teknik Interdependensi Analisis Multivariat Teknik Interdependensi Analisis Multivariat adalah Analisis Multivariat yang melibatkan analisis secara serentak dari semua variabel dalam satu kumpulan , tanpa membedakan antara variabel yang terikat ataupun variabel yang bebas . Teknik analisis interdependensi berguna dalam memberikan makna terhadap sekelompok variabel atau membuat kelompok kelompok secara bersama-sama . Jenis Analisis Interdependensi Berikut kami tampilkan jenis analisis interdependensi menggunakan tabel : Teknik Interdependensi Analisis Multivariat Berikut kami coba jelaskan satu persatu tentang jenis-jenis analisis interdependensi diatas .

24. Factor Analysis atau Analisis Faktor Analisis faktor adalah sebuah teknik statistika untuk menganalisis struktur dari hubungan timbal balik diantara sejumlah besar variabel yang bertujuan untuk menentukan kumpulan faktor dari common underlying dimensions. Dalam analisis faktor ada dua jenis analisis , yaitu Principal Components Analysis atau PCA dan Common Factor Analysis. Silahkan pelajari lebih detail di artikel kami: Analisis Faktor . Cluster Analysis atau Analisis Kluster Analisis Kluster adalah sebuah teknik statistika yang bertujuan untuk mengelompokkan sekumpulan objek   sehingga setiap objek tersebut mirip dengan objek yang lainnya dalam suatu gugusan atau kluster dan berbeda   dari objek yang berada pada semua gugusan lainnya . Dalam analisis kluster , ada dua jenis analisis , yaitu analisis kluster hirarki dan analisis kluster non hirarki . Silahkan pelajari lebih detail di artikel kami: Analisis Kluster .

25. Multidimensional Scaling atau Penskalaan Multi Dimensi Multidimensional Scaling adalah sebuah teknik statistika yang bertujuan dalam mengukur objek pada skala multidimensi yang berdasarkan pada keputusan dari responden terhadap kesamaan objek . Correspondence Analysis atau Analisis Korespondensi Analisis Korespondensi adalah suatu teknik statistika yang menggunakan data-data non metrik dan bertujuan untuk melakukan evaluasi terhadap hubungan linear atau hubungan non linear. Dimana langkah tersebut sebagai bentuk usaha dalam mengembangkan perceptual map yang menggambarkan asosiasi atau hubungan antara objek dengan seperangkat karakteristik deskriptif dari objek tersebut . .

26. Teknik Model Struktural Atau Structural Model Analisis Multivariat Teknik yang terakhir ini , yaitu Teknik Model Struktural adalah sebuah teknik yang yang mencoba menganalisis hubungan secara simultan variabel dependen dan independen secara bersamaan . Model seperti ini dikenal dengan istlah model persamaan struktural atau english versionnya adalah Structural Equation Model dan biasa disingkat dengan SEM. Kelebihan SEM adalah dapat meneliti hubungan antara beberapa kelompok variabel secara bersamaan atau serentak . Baik variabel bebas maupun variabel terikat . Bahkan metode ini juga dapat menggabungkan adanya variabel laten. Variabel laten dalam hal ini adalah variabel yang sebenarnya keberadaannya tidak dapat diukur secara langsung ke dalam analisis

27. 2_Data penelitian

28. Unit analisis & Informan Unit Analisis adalah sesuatu yang berkaitan dengan fokus atau komponen yang diteliti . Unit analisis suatu penelitian dapat berupa individu , kelompo , organisasi , benda , dan waktu tertentu sesuai dengan focus permasalahannya . Mis: unit analisis UKM. Informan atau narasumber dalam penelitian merupakan seseorang yang memiliki informasi maupun data yang banyak terkait masalah dan objek yang sedang diteliti sehingga nantinya akan dimintai informasi mengenai objek penelitian tersebut . ( Sugiyono , 2016:54) Reference: http://eprints.umg.ac.id/5359/7/BAB%20III.pdf

29. Unit analisis & Informan Unit Analisis adalah sesuatu yang berkaitan dengan fokus atau komponen yang diteliti . Unit analisis suatu penelitian dapat berupa individu , kelompo , organisasi , benda , dan waktu tertentu sesuai dengan focus permasalahannya . Mis: unit analisis UKM. Informan atau narasumber dalam penelitian merupakan seseorang yang memiliki informasi maupun data yang banyak terkait masalah dan objek yang sedang diteliti sehingga nantinya akan dimintai informasi mengenai objek penelitian tersebut . ( Sugiyono , 2016:54) Reference: http://eprints.umg.ac.id/5359/7/BAB%20III.pdf

30. 3 _Populasi dan Sampel

31. Unit analisis & Informan Unit Analisis adalah sesuatu yang berkaitan dengan fokus atau komponen yang diteliti . Unit analisis suatu penelitian dapat berupa individu , kelompo , organisasi , benda , dan waktu tertentu sesuai dengan focus permasalahannya . Mis: unit analisis UKM. Informan atau narasumber dalam penelitian merupakan seseorang yang memiliki informasi maupun data yang banyak terkait masalah dan objek yang sedang diteliti sehingga nantinya akan dimintai informasi mengenai objek penelitian tersebut . ( Sugiyono , 2016:54) Reference: http://eprints.umg.ac.id/5359/7/BAB%20III.pdf

32. Populasi dan Sampel Teknik Pengambilan Sampel –  Sampel merupakan bagian populasi penelitian yang digunakan untuk memperkirakan hasil dari suatu penelitian . Sedangkan teknik sampling adalah bagian dari metodologi statistika yang berkaitan dengan cara-cara pengambilan sampel .

33. Pengambilan Sampel Tujuan Pengambilan Sampel ; Populasi terlalu banyak atau jangkauan terlalu luas sehingga tidak memungkinkan dilakukan pengambilan data pada seluruh populasi . Keterbatasan tenaga , waktu , dan biaya . Adanya asumsi bahwa seluruh populasi seragam sehingga bisa diwakili oleh sampel . Tahapan Pengambilan Sample diantaranya ; Mendefinisikan populasi yang akan diamati Menentukan   kerangka sampel dan kumpulan semua peristiwa yang mungkin Menentukan teknik atau metode  sampling yang tepat Melakukan pengambilan sampel ( pengumpulan data) Melakukan pemeriksaan ulang pada proses sampling

34. Teknik Sampling

35. PROBABILITY SAMPLING Pengambilan Sampel Acak Sederhana (Simple Random Sampling) Pengambilan sampel acak sederhana disebut juga Simple Random Sampling.   teknik penarikan sampel menggunakan cara ini memberikan kesempatan yang sama bagi setiap anggota populasi untuk menjadi sampel penelitian . Cara pengambilannya menggunakan nomor undian . 2) Pengambilan Sampel Acak Sistematis   (Systematic Random Sampling)  Metode pengambilan sampel acak sistematis menggunakan interval dalam memilih sampel penelitian . Misalnya sebuah penelitian membutuhkan 10 sampel dari 100 orang, maka jumlah kelompok intervalnya 100/10=10. Selanjutnya responden dibagi ke dalam masing-masing kelompok lalu diambil secara acak tiap kelompok . 3) Pengambilan Sampel Acak Berstrata (Stratified Random Sampling) Metode Pengambilan sampel acak berstrata mengambil sampel berdasar tingkatan tertentu . Misalnya penelitian mengenai motivasi kerja pada manajer tingkat atas , manajer tingkat menengah dan manajer tingkat bawah . Proses pengacakan diambil dari masing-masing kelompok tersebut . 4) Pengambilan Sampel Acak Berdasar Area (Cluster Random Sampling) Cluster Sampling adalah teknik sampling secara berkelompok . Pengambilan sampel jenis ini dilakukan berdasar kelompok / area tertentu . Tujuan   metode Cluster Random Sampling antara lain untuk meneliti tentang suatu hal pada bagian-bagian yang berbeda di dalam suatu instansi . 5) Teknik Pengambilan Sampel Acak Bertingkat (Multi Stage Sampling) Proses pengambilan sampel jenis ini dilakukan secara bertingkat . Baik itu bertingkat dua , tiga atau lebih . Misalnya -> Kecamatan -> Gugus -> Desa -> RW – RT

36. NON- PROBABILITY SAMPLING / NON RANDOM SAMPLE 1) Purposive Sampling Purposive Sampling   adalah teknik sampling yang cukup sering digunakan . Metode ini menggunakan kriteria yang telah dipilih oleh peneliti dalam memilih sampel . Kriteria pemilihan sampel terbagi menjadi kriteria inklusi dan eksklusi . 2) Snowball Sampling Snowball Sampling adalah teknik pengambilan sampel berdasarkan wawancara atau korespondensi . Metode ini meminta informasi dari sampel pertama untuk mendapatkan sampel berikutnya , demikian secara terus menerus hingga seluruh kebutuhan sampel penelitian dapat terpenuhi . 3) Accidental Sampling Pada metode penentuan sampel tanpa sengaja (accidental) ini , peneliti mengambil sampel yang kebetulan ditemuinya pada saat itu . Penelitian ini cocok untuk meneliti jenis kasus penyakit langka yang sampelnya sulit didapatkan . 4) Quota Sampling Metode pengambilan sampel ini disebut juga Quota Sampling. Tehnik sampling ini mengambil jumlah sampel sebanyak jumlah yang telah ditentukan oleh peneliti . 5) Teknik Sampel Jenuh Teknik Sampling Jenuh adalah teknik penentuan sampel yang menjadikan semua anggota populasi sebagai sampel . dengan syarat populasi yang ada kurang dari 30 orang.  

37. Penentuan sampling “ Slovin ”

38. 4 _Variabel Penelitian dan Kerangka K onseptual

39. VARIABEL PENELITIAN

40. Kerangka konseptual

41. KERANGKA KONSEPTUAL X1 X2 C I Y M Variabel Moderating Variabel Independent Variabel Intervening Variabel Dependent Variabel Control

42. CONTOH “KERANGKA KONSEPTUAL”

43. Contoh Kerangka konseptual

44. 6_TAHAP ANALISISI_CHAPTER 3 DAN 4

45. Tahap Analisis Ch. 3 dan 4 Tahap analisis PLS4 menggunakan contoh data penelitian pada table berikut ini , dan pengolahan data pada PLS4 mengukuti tahap analisis PLS4 tersebut diatas . Tahap analisis Chapter 3 dan 4, dipilih sesuai kepentingan analisis yg diperoleh dari hasil calculate PLS Algorithm dan Bootstrapping. Hasil perhitungan yang lengkap didasarkan pada calculate : (a) PLS Algorithm dengan Type of results Unstandardized, dan (b) Bootstrapping mengikuti pilihan type of results Unstandardized. Kedua calculate tsb menghasilkan intercepts atau constant. Bila menggunakan Type of results Unstandardized, maka model persamaan regresi :  Y = λ + λ 1 + λ 2 + λ 3 + ………..+ e Sedangkan type results Standardized ,maka model persamaan regresi tanpa constant: Y = λ 1 + λ 2 + λ 3 + ………..+ e

46. Data Y = Sales X1= Product X2= Promotion Z = Satisfaction

47. 5_Tahap analisis - Metode Analisis dan Results (Chapter III & IV) Validity Reliability Collinearity statistic atau Multicollinearity (VIF ) Normality Linearity Autocorrelation (Regression) Heteroscedasticity ( Regression) Descriptives statistics Correlation PLS Algorithm Bootstrapping Model fit ( Kecocokan model) Coeffisient of determination (R-square Adjusted) F-Statistic (Regression) t-Statistic Path coefficients (Regression analysis) Intercepts (Constants) Specific indirect effects - Variable intervening Variabel interaksi - Variabel Moderasi – Path coefficient & f square

48. Reference: https://www.youtube.com/watch?v=dQv4H7VIAaA KRITERIA PENGUJIAN INNER MODEL

49. 1_Uji validitas Uji Validitas adalah Uji ketepatan atau ketelitian suatu alat ukur dalam mengukur apa yang sedang ingin diukur .  Uji validitas adalah uji yang bertujuan untuk menilai apakah seperangkat alat ukur sudah tepat mengukur apa yang seharusnya diukur . Alat ukur yang seperti itu , haruslah memenuhi kriteria , yaitu valid dan reliabel . Valid berarti sahih atau tepat apa yang diukur sedangkan reliabel adalah handal , yaitu digunakan kapan saja dan dimana saja maka hasilnya tetaplah sama . uji validitas dan reliabilitas ? keduanya adalah dua hal yang benar-benar berbeda , namun saling melengkapi satu sama lain. Keduanya perlu dilakukan dengan tujuan agar  alat ukur yang kita gunakan   dapat menghasilkan data yang benar-benar dapat digunakan untuk menjawab permasalahan penelitian . Reference: https://www.statistikian.com/2012/08/uji-validitas.html

50. 2_Penilaian model pada pengukuran formatif Penilaian model pada pengukuran formatif dapat disimpulkan : Validitas nomologi : Hubungan antara indeks formatif dan variabel-variabel laten lainnya dalam suatu model jalur tertentu , yang harus sudah terbukti dalam riset sebelumnya , harus signifikan dan kuat . Validitas eksternal : Indeks formatif harus menjelaskan sebagian besar varian dari pengukuran reflektif alternatif variabel laten yang terkait . Signfikansi bobot : Bobot estimasi model pengukuran formatif harus signifikan . Multikolinieritas : Variabel manifest/ indikator-indikator dalam suatu blok formatif harus diuji multikolinieritasnya . Pengujian terjadi atau tidaknya multikolinieritas antar indikator dalam blok formatif menggunakan nilai VIF. Jika nilai VIF > 10 terjadi kolinieritas antar indikator dalam satu blok formatif tersebut .

51. INNER MODEL ATAU PENGUKURAN BAGIAN DALAM Inner Model Atau Pengukuran Bagian Dalam disebut juga sebagai model struktural . Model struktural adalah model yang menghubungkan antar variabel laten. Pengukuran model struktural PLS SEM dapat disimpulan sebagai berikut : R 2 variabel laten endogenous Nilai R 2 sebesar 0,67 dikategorikan sebagai substansial , Nilai R 2 sebesar 0,33 dikategorikan sebagai moderate, Nilai R 2 sebesar 0,19 dikategorikan sebagai lemah (Chin, 1988), Nilai R 2 sebesar > 0,7 dikategorikan sebagai kuat (Sarwono). Estimasi untuk koefisien jalur Nilai- nilai yang diestimasi untuk hubungan jalur dalam model struktural harus dievaluasi dalam perspektif kekuatan dan signifikansi hubungan .

52. Outer Model Atau Pengukuran Bagian Luar Outer model atau pengukuran bagian luar PLS SEM ada 2 : Pengukuran reflektif Pengukuran formatif . Pengukuran reflektif , dinilai dengan menggunakan : Reliabilitas Validitas Pengukuran formatif : pengukuran pada model formatif memerlukan dua lapisan : Pengukuran pada tataran konstruk ( variabel laten), Pengukuran pada tataran indikator ( variabel manifest).

53. Ukuran pengaruh f 2 Nilai F Square dalam Partial Least Square Selain menilai apakah ada atau tidak hubungan yang signifikan antar variabel , seorang peneliti hendaknya juga menilai besarnya pengaruh antar variabel dengan Effect Size atau f-square (Wong, 2013). Nilai f square 0,02 sebagai kecil , 0,15 sebagai sedang , dan nilai 0,35 sebagai besar . Nilai kurang dari 0,02 bisa diabaikan atau dianggap tidak ada efek (Sarstedt dkk ., 2017). Ukuran pengaruh f 2 Nilai f 2 sebesar 0,02 dikategorikan sebagai pengaruh lemah variabel laten prediktor ( variabel laten eksogenous ) pada tataran struktural , Nilai f 2 sebesar 0,15 dikategorikan sebagai pengaruh cukup variabel laten prediktor ( variabel laten eksogenous ) pada tataran struktural , Nilai f 2 sebesar 0,35 dikategorikan sebagai pengaruh kuat variabel laten prediktor ( variabel laten eksogenous ) pada tataran struktural .

54. Relevansi prediksi (Q 2 dan q 2 ) Nilai Q 2 > 0 menunjukkan bukti bahwa nilai-nilai yang diobservasi sudah direkonstruksi dengan baik dengan demikian model mempunyai relevansi prediktif . Sedang nilai Q 2 < 0 menunjukkan tidak adanya relevansi prediktif . Nilai q 2 digunakan untuk melihat pengaruh relatif model struktural terhadap pengukuran observasi untuk variabel tergantung laten ( variabel laten endogenous). Nilai Beta untuk koefisien jalur pada PLS SEM Koefesien jalur individual pada model struktural diinterpretasikan sebagai koefisien beta baku dari regresi OLS ( ordinary least square ).

55. 1_ Validity PLS Algorithm: Graphical 1 Outer loadings: 2.5.1 dan 2.5.2 Construct reliability and validity: 3.3.1 Discriminant validity: 4.1.1 & 4.1.2 & 4.1.4 & 4.1.5 Bootstrapping: Outer weight: 2.6.1 & 2.6.2 & 2.6.3 PLS Algorithm Bootstrapping Tahap Analisis

56. Uji validity Convergent validity Outer loading: Graphical output, Outerloading Outer weight Average variance exctracted (AVE): pada table Construct reliability and validity Descriminant validity Hetrotrait-Monotrait ratio (HTMT) Farnell-Larcker criterion Cross loading

57. Uji Validitas Pengertian validitas menurut para akhli , adalah tingkat keakuratan antara data yang terkumpul dengan realitas yang terjadi pada objek penelitian . Validitas menunjukkan sejauh mana alat ukur mampu mengukur konsep yang ingin diukur . Uji validitas digunakan untuk mengevaluasi instrumen penelitian , seperti kuesioner , agar data yang dihasilkan sesuai dengan tujuan penelitian Uji validitas , dimaksudkan untuk : (a) menentukan sejauh mana suatu instrumen mampu mengukur apa yang seharusnya diukur , karena instrumen yang valid akan menghasilkan data yang sesuai dengan realitas , (b) menilai apakah instrumen mengukur variabel yang dimaksud , (c) uji validitas focus pada ketepatan dan kecocokan , (d) menghasilkan data yang sesuai dengan konsep yang diukur atau diuji . Refeneces : https://tsurvey.id/portal/uji-validitas-dan-reliabilitas-pengertian-langkah-dan-rumus file:///C:/Users/Lenovo/Downloads/167-Article%20Text-423-1-10-20200528.pdf https://bpmbkm.uma.ac.id/2022/09/01/pengertian-dan-jenis-validitas/

58. Beberapa pandangan tentang validitas : Validitas berasal dari kata validity yang berarti keabsahan atau kebenaran . V aliditas adalah suatu ukuran yang menunjukan tingkat kevalidan atau kesahihan suatu instrumen. Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya . Validitas mempunyai arti sejauh mana ketepatan dan kecermatan alat ukur mampu melakukan fungsi ukurnya . Validitas adalah suatu indeks yang menunjukkan alat ukur itu benar-benar mengukur apa yang hendak diukur . Prinsip validitas adalah pengukuran atau pengamatan yang berarti prinsip keandalan instrumen dalam mengumpulkan data. Instrumen harus dapat mengukur apa yang seharusnya diukur. Refeneces : https://tsurvey.id/portal/uji-validitas-dan-reliabilitas-pengertian-langkah-dan-rumus file:///C:/Users/Lenovo/Downloads/167-Article%20Text-423-1-10-20200528.pdf https://bpmbkm.uma.ac.id/2022/09/01/pengertian-dan-jenis-validitas/  

59. Uji Validitas Uji validity: (a) Outer loading ( Corelsi santar indicator dengan latent), dan (b) Outer weight ( signifikansi pengaruh indicator terhadap konstruk atau latent) Uji validitas bertujuan untuk mengukur tingkat keakuratan model SEM PLS dalam mewakili fenomena yang sebenarnya . Berikut adalah beberapa cara untuk menguji validitas : 1. Convergent Validity Convergent validity menunjukkan korelasi yang tinggi antara variabel laten yang diukur dengan indikator yang berbeda . Convergent validity dapat diuji dengan melihat ( a) nilai loading dan (b) Average variance Extracted (AVE) 2. Discriminant Validity Discriminant validity menunjukkan bahwa variabel laten yang berbeda tidak saling berkorelasi tinggi . Discriminant validity dapat diuji dengan melihat (a) nilai HTMT, (b) Fornell-Larcker Criterion (Fornell-Larcker Index) dan (c) Cross loadings. 3. Cross-Validation Cross-validation digunakan untuk menguji validitas model pada data yang tidak digunakan untuk membangun model. Nilai Q² dan RMSE yang tinggi pada cross-validation menunjukkan bahwa model memiliki validitas yang baik . Reference: https://cattleyapublicationservices.com/?p=814

60. 1. Uji Validitas Menurut Ghozali & Latan (2015:74) uji validitas digunakan untuk mengukur valid atau sah tidaknya kuesioner . Uji validitas ini perlu dilakukan guna mengetahui apakah alat ukur yang disusun benar-benar mengukur apa yang perlu diukur . Menurut Ghozali (2021:67) terdapat dua kriteria untuk menilai uji validitas dalam outer model yaitu convergent validity dan discriminant validity.. a. Convergent Validity (uji validitas konvergen ): Pengukuran ini bertujuan untuk mengetahui validitas setiap Hubungan antara indikator dengan konstruk atau variabel latennya . Menurut Ghozali (2021:68) indikator individual dengan nilai korelasi di atas 0,7 dianggap reliabel . Namun dalam studi kenaikan skala , nilai loading factor 0,5 hingga 0,6 masih dapat diterima , validitas konvergen dapat terpenuhi pada saat setiap variabel memiliki nilai AVE diatas 0,5 ( Ghozali , 2021:68). b. Discriminant Validity ( uji validitas diskriminan ): Bertujuan untuk mengetahui apakah konstruk memiliki diskriminan yang memadai , yaitu dengan cara membandingkan nilai loading pada konstruk yang di tuju harus lebih besar dengan nilai yang lain ( Ghozali & Latan, 2015:126). Dalam aplikasi smart PLS 3.2.9 uji validitas diskriminan menggunakan nilai cross loadings dan fornell larcker (Henseler et.al., 2015:127). Reference : http://repository.stei.ac.id/8420/4/SKRIPSI_UMMU%20AFIFAH_21180500467%20Bab%203.pdf

61. Covergent validity Convergent validity dapat ditentukan berdasarkan dari prinsip bahwa pengukur-pengukur dari suatu konstruk seharusnya berkorelasi tinggi ( Ghozali dan Latan, 2015). Validitas konvergen sebuah konstruk dengan indikator reflektif dievaluasi dengan Average Variance Extracted (AVE). Nilai AVE seharusnya sama dengan 0,5 atau lebih . Nilai AVE 0,5 atau lebih berarti konstruk dapat menjelaskan 50% atau lebih varians itemnya (Wong K.K., 2013, Sarstedt dkk ., 2017). Berdasarkan nilai Average Variance Extracted (AVE) untuk mengetahui tercapainya syarat validitas konvergen , maka semua konstruk telah tercapai syarat validitas konvergen sebab nilai AVE semuanya >0,50. Misalnya AVE dari variable latent Y sebesar 0.633 > 0,5 maka Y valid secara konvergen . Begitu pula dengan variabel lainnya untuk X1=0.774, X2=0.728, dan Z=0.889 yang nilainya >0,5 sehingga dinyatakan semuanya valid.

62. Uji Validitas Convergent validity  menunjukkan validitas hubungan antara indikator dengan konstruk atau variabel latennya Validitas dalam PLS SEM, terdiri dari : (a) validitas konvergen , dan (b) validitas diskriminan . Validitas konvergen , bermakna seperangkat indikator mewakili satu variabel laten dan yang mendasari variabel laten tersebut . Perwakilian tersebut dapat diekspresikan melalui nilai rata-rata varian yang diekstraksi atau Average Variance Extracted (AVE ). Validitas dapat diukur dari nilai AVE minimal 0,5 untuk menunjukkan bahwa nilai validitas konvergen yang memadai , yang berarti bahwa satu variabel laten mampu menjelaskan lebih dari setengah varian dari indikator-indikatornya dalam rata-rata ( Ghozali , 2016). Hasil perhitungan sebagaimana table 3.3.1 diperoleh nilai AVE antara 0.633 sampai dengan 0.889 yang berarti memenuhi nilai validitas yang mamadai . Reference: https://accounting.binus.ac.id/2021/08/12/memahami-validitas-konvergen-convergent-validity-dalam-penelitian-ilmiah/

63. Validity Convergent validity  bertujuan untuk mengetahui validitas setiap hubungan antara indikator dengan konstruk atau variabel latennya . Terdapat dua jenis validitas dalam PLS SEM, yaitu validitas konvergen dan validitas diskriminan . Validitas konvergen mempunyai makna bahwa seperangkat indikator mewakili satu variabel laten dan yang mendasari variabel laten tersebut . Perwakilian tersebut dapat didemonstrasikan melalui unidimensionalitas yang dapat diekspresikan dengan menggunakan nilai rata-rata varian yang diekstraksi ( Average Variance Extracted / AVE ). Nilai AVE setidak-tidaknya sebesar 0,5. Nilai ini menggambarkan validitas konvergen yang memadai yang mempunyai arti bahwa satu variabel laten mampu menjelaskan lebih dari setengah varian dari indikator-indikatornya dalam rata-rata ( Ghozali , 2016). Dalam melakukan pengujian convergent validity dapat dinilai berdasarkan outer loadings atau loading factor dan Average Variance Extracted (AVE). Biasanya dalam penelitian digunakan batas loading factor sebesar 0,70. Suatu indikator dapat dinyatakan memenuhi convergent validity dan memiliki tingkat validitas yang tinggi ketika nilai outer loadings > 0,70, sedangkan nilai Average Variance Extracted (AVE) > 0,50 (Chin & Todd, 1995).   Sebagai contoh masing-masing indikator pada variabel penelitian memiliki nilai outer loadings > 0,70, sehingga dapat disimpulkan bahwa semua indikator telah memenuhi convergent validity dan memiliki nilai yang tinggi . Sebagai contoh nilai Average Variance Extracted (AVE) pada masing-masing variabel penelitian > 0,50. Oleh sebab itu dapat disimpulkan bahwa seluruh variabel penelitian telah memenuhi convergent validity yang baik (Sekaran & Bougie, 2016). Reference: https://accounting.binus.ac.id/2021/08/12/memahami-validitas-konvergen-convergent-validity-dalam-penelitian-ilmiah/

64. Convergent validity  bertujuan untuk mengetahui validitas setiap hubungan antara indikator dengan konstruk atau variabel latennya . Terdapat dua jenis validitas dalam PLS SEM, yaitu validitas konvergen dan validitas diskriminan . Validitas konvergen mempunyai makna bahwa seperangkat indikator mewakili satu variabel laten dan yang mendasari variabel laten tersebut . Perwakilian tersebut dapat didemonstrasikan melalui unidimensionalitas yang dapat diekspresikan dengan menggunakan nilai rata-rata varian yang diekstraksi ( Average Variance Extracted / AVE ). Nilai AVE setidak-tidaknya sebesar 0,5 . Nilai ini menggambarkan validitas konvergen yang memadai yang mempunyai arti bahwa satu variabel laten mampu menjelaskan lebih dari setengah varian dari indikator-indikatornya dalam rata-rata ( Ghozali , 2016). Dalam melakukan pengujian convergent validity dapat dinilai berdasarkan outer loadings atau loading factor dan Average Variance Extracted (AVE). Biasanya dalam penelitian digunakan batas loading factor sebesar 0,70. Suatu indikator dapat dinyatakan memenuhi convergent validity dan memiliki tingkat validitas yang tinggi ketika nilai outer loadings > 0,70, sedangkan nilai Average Variance Extracted (AVE) > 0,50 (Chin & Todd, 1995).   Sebagai contoh masing-masing indikator pada variabel penelitian memiliki nilai outer loadings > 0,70, sehingga dapat disimpulkan bahwa semua indikator telah memenuhi convergent validity dan memiliki nilai yang tinggi . Sebagai contoh nilai Average Variance Extracted (AVE) pada masing-masing variabel penelitian > 0,50. Oleh sebab itu dapat disimpulkan bahwa seluruh variabel penelitian telah memenuhi convergent validity yang baik (Sekaran & Bougie, 2016). Validity Reference: https://accounting.binus.ac.id/2021/08/12/memahami-validitas-konvergen-convergent-validity-dalam-penelitian-ilmiah/

65. Discriminan validity Discriminant validity dimaksudkan untuk menentukan apakah suatu indikator reflektif benar merupakan pengukur yang baik bagi konstruknya berdasarkan prinsip bahwa setiap indikator harus berkorelasi tinggi terhadap konstruknya saja . Pengukur konstruk yang berbeda seharusnya tidak berkorelasi tinggi ( Ghozali dan Latan, 2015). Dalam aplikasi SmartPLS , uji discriminant validity menggunakan : (a) Heterotrait-Monotrait (HTMT) (b) Fornell-Larcker Criterion, dan (c) nilai cross loadings, (Henseler dkk ., 2015). Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten benar benar berbeda dengan konstruk lainnya . Nilai discriminant validity yang tinggi memberikan indikasi bahwa suatu konstruk adalah unik dan mampu menjelaskan fenomena yang diukur .

66. Mangatasi data yang tidak valid Melakukan drop terhadap angket atau pertanyaan yang tidak valid Memperbaiki pertanyaan dalam angket yang tidak valid, kemudian membagikan ulang kepada responden untuk dijawab . Melakukan prediksi terhadap nilai angket yang tidak valid Mempertimbangkan responden atau sampel yang tidak mewakili populasi Gunakan angket uji coba dengan menyebar angket dalam jumlah kecil , sehingga dapat mengatasi jika terjadi permasalahan yang tidak valid. Reference: https://www.konsistensi.com/2014/03/mengatasi-angkettidak-valid.html

67. Variabel Konstruk /Laten Konstruk adalah suatu ukuran yang abstrak , tidak dapat diamati langsung ( unobservable ). Jenis konstruk atau variabel laten: a. Variabel eksogen ( exogeneous variable ) : sama dengan variabel independen / variabel bebas , yakni variabel yang bersifat mempengaruhi variabel lain, disimbolkan dengan ξ ( dibaca ksi ) dan dan ditandai dengan variabel dimana anak panah berawal  b. Variabel endogen ( endogeneous variable ) : sama dengan variabel dependen / variabel terikat , yakni variabel yang dipengaruhi , disimbolkan dengan η ( dibaca eta) dan ditandai dengan variabel dimana anak panah berakhir Indikator /Manifest/Observed : Umumnya disebut sebagai item atau variabel manifest, yakni variabel yang dapat teramati / terukur ( observed variables ). VARIABEL DALAM PLS Reference: https://cattleyapublicationservices.com/?p=814

68. Uji validity Convergent validity Outer loading: Graphical output, Outerloading Outer weight Average variance exctracted (AVE): pada table Construct reliability and validity Descriminant validity Hetrotrait-Monotrait ratio (HTMT) Farnell-Larcker criterion Cross loading

69. 1_Outer Loading

70. Outer loadings Outer Model atau pengukuran bagian luar disebut juga sebagai model pengukuran outer. Uji outer model bertujuan untuk menspesifikasikan hubungan antar variabel laten dengan indikator-indikatornya . Uji outer model ini menggunakan bantuan prosedur PLS Algorithm . Outer model atau nilai loading faktor menunjukan korelasi antara indikator dengan konstruknya . Indikator dengan nilai loading yang rendah menunjukan bahwa indikator tersebut tidak bekerja pada model pengukurannya . nilai loading yang diharapkan > 0.7. Biasanya dalam penelitian digunakan batas loading factor sebesar 0,70. Suatu indikator dapat dinyatakan memenuhi convergent validity dan memiliki tingkat validitas yang tinggi ketika nilai outer loadings > 0,70, sedangkan nilai Average Variance Extracted (AVE) > 0,50 (Chin & Todd, 1995).   Hasil calculate sebagaimana table outer loading dan Graphical out berikut ini , menunjukkan bahwa outer loading pada kisaran 0.876 sampai dengan 1.112 yang berati telah memenuhi syarat validity atau nilai outer loading > 0.7. https://accounting.binus.ac.id/2021/08/12/memahami-uji-outer-model-pengukuran-bagian-luar-dalam-smart-pls/ Reference:

71. 2.5 Outer loadings 2.5.1 Outer loading - Matrix Content Tahap Analisis

72. 2.5.2 Outer loading - List Content Tahap Analisis

73. Graphical output – Unstandardized : Outer loading, Coefficients, R square Tahap Analisis

74. 2_Outer Weight

75. Outer weight Pada model hubungan formatif , outer weight ( penimbang ) setiap indikator dbandingkan satu dengan yang lain untuk menentukan indikator yang memberikan kontribusi terbesar dalam satu konstruk . Pada alpha 5 % indikator dengan penimbang terkecil (t- statistik > 1.96). Selain signifikansi nilai weight, evaluasi dilakukan apakah terdapat multikolinieritas pada indikatornya . Untuk mengujinya dengan mengetahui nilai Variance Inflation factor (VIF). Nilai VIF < 10 mengindikasikan tidak terdapat multikolinieritas . Dalam pengujian nilai weight akan sering didapatkan nilai weight yang tidak signifikan , dengan menghilangkan indikator satu indikator formatif tersebut akan menjadi masalah yang sangat serius karena akan mengubah makna dari konstruk formatif tersebut . Sebagai solusinya , jika nilai weight tidak signifikan dan nilai loading faktor > 0.5 maka indikator tersebut masih bisa dipertahankan . tetapi jika nilai weight tidak signifikan dan nilai loading faktor < 0.5, maka indikator tersebut dapat dikeluarkan dari model dengan persyaratan dukungan teori yang ada .  Ketidaksignifikansi weight ini dapat disebabkan dari problem multikolinieritas , banyaknya indikator dan adanya nilai weight positif dan negatif ( suppresor effect). Reference: https://www.youtube.com/watch?v=2Vpk5HXQblg

76. Outer weight (OW) Nilai OW (0.422 dan 0.558) sebagai koefisien regresi indiktor formatif (X11, X12) terhadap latent X1 Indikator formatif perlu memeriksa OW karena panah dari Indokator (X11 dan X12) ke Latent (X1). Sedangkan indicator reflektif tidak perlu memeriksa OW karena panah dari Lantent ke Indikator Utk mengetahui signifikan hubugan Indikator dan Latent, perlu proses Regresi dengan menggunakan data indicator formatif (X11 dan X12) dan data latent (X1). Hal ini bisa menggunakan regresi dalam PLS4 atau melihat P values pengaruh indicator terhadap Latent. Pada Path coefficient.

77. Kesimpulan penilaian Outer Weight Evaluasi OW hanya terhadap indicator formatif atau panah dari indicator ke konstruk atau latent. Indikator reflektif tidak perlu evaluasi OW karena panah dari latent ke indicator. Nilai OW pada table Outer weight seperti terlampir , pada kolom original samples, dan signifikan pada kolom P values Bila nilai OW signifikan (P Values < 0.05), maka indicator formatif dipertahankan Bila nilai OW tidak signfikan (P values > 0.05), tetapi Outer Loading > 0.5( kolom original sample), maka indicator formatif dipertahankan Bila Nilai OW signifikan (P values < 0.05) dan outer loadings < o.5 maka indicator formatif dipertahankan Bila Nilai OW tidak signifikan (P values > 0.05), dan outer loading < 0.5, maka indicator formatif di drop atau delete. Berdasarkan table Outer weight berikut ini , menunjukkan bahwa semua indicator indicator signifikan (P Values < 0.05), dan Outer loading > 0.7 atau bervariasi pada kisaran 0.876 sampai dengan 1.044, sehingga dinyatakan telah memenuhi syarat validitas https://www.youtube.com/watch?v=2Vpk5HXQblg Reference:

78. 2_Outer weight - Bootstrapping

79. Outer Weight = Original sample (Koefisien) & P Values (sig <0.05)

80. Outer Loadings (Original sample > 0.7)

81. Reference: https://www.youtube.com/watch?v=2Vpk5HXQblg

82. 3_Average Variance Extracted (AVE) > 0.5

83. Uji Validity - AVE Dalam melakukan pengujian convergent validity dapat dinilai berdasarkan outer loadings atau loading factor dan Average Variance Extracted (AVE). Biasanya dalam penelitian digunakan batas loading factor sebesar 0,70 . Suatu indikator dapat dinyatakan memenuhi convergent validity dan memiliki tingkat validitas yang tinggi ketika nilai outer loadings > 0,70 , sedangkan nilai Average Variance Extracted (AVE) > 0,50 (Chin & Todd, 1995). Bila masing-masing indikator pada variabel penelitian memiliki nilai outer loadings > 0,70, sehingga dapat disimpulkan bahwa semua indikator telah memenuhi convergent validity. Berdasarkan table. Berdasarkan graphical output dan table 2.5.1 dan 2.5.2 terlampir menunjukkan nilai outer loading >0,70 sehingga dinyatakan memenuhi syarat validitas . Bila nilai Average Variance Extracted (AVE) pada masing-masing variabel penelitian > 0,50. dapat disimpulkan bahwa seluruh variabel penelitian telah memenuhi convergent validity yang baik (Sekaran & Bougie, 2016). Berdasarkan table 3.3.1 terlampir menunjukkan nlai AVE antara 0.633 sampai dengan 0.889 atau > 0.50, sehingga dinyatakan memenuhi syarat validitas . Reference: https://accounting.binus.ac.id/2021/08/12/memahami-validitas-konvergen-convergent-validity-dalam-penelitian-ilmiah/

84. 3_Average variance Extracted (AVE)- Construc Reliability and validity

85. 4,5,6_Discriminant validity

86. Discriminant validity Heterotrait – Monotrait Ratio (HTMT): syarat validity HTMT < 0.9 Fornell Lacker Criterion: Nilai FLC = pada X1X1 seharusnya ( syarat validity) nilai FLC 0.880 lebih besar dari nilai corelasi variabel latent dibawahnya X2X1=0.641, YX1= 0.927, ZX1= 0.382  Lihat : table Cosntruct reliability and validity & table Discriminant validity Cross loadings: Nilai loading pada table outer loadings, mis: Z1=0.986 lebih besar dari nilai pada table cross loading Z1 ke konstruk lainnya , yaitu 0,325 ke X1, 0,472 ke X2 dan 0,396 ke Y.  lihat table Outer loadings & table Cross loadings  

87. 4_ Heterotrai-Monotrait Ratio (HTMT)

88. 4_Heterotrait-Monotrait Ratio Of Correlations (HTMT) Nilai HTMT < 0.9 sebagai dasar untuk memastikan validitas diskriminan antara dua konstruk reflektif (Henseler dkk ., 2015). Berikut adalah hasil analisis HTMT pada Tutorial Partial Least Square PLS SEM ini : HTMT Berdasarkan hasil calculasi berikut ini , menunjukkan bahwa tidak semua nilai HTMT < 0.9 sepert : X2<=>X1 : 0.960, Y< => X1: 1.677, dan Y < = > X2: 1.274 Nilai HTMT > 0.9 menynunjukkan bahwa bahwa tidak semua variabel konstruk memenuhi syarat validitas diskriminan .

89. Heterotrai – Monotrait ratio (HTMT)

90. HTMT - List

91. 5_Fornel-Larcker Criterion

92. 5_Fornell-Larcker Criterion Suatu konstruk dikatakan valid yakni dengan membandingkan nilai akar dari AVE (Fornell-Larcker Criterion) dengan nilai korelasi antar variabel latent. Nilai akar AVE harus lebih besar dr korelasi antar variable laten (Fornell dan Larker, 1981 dalam Wong, 2013). Fornell-Larcker Criterion, adalah membandingkan antara nilai akar dari AEV dengan nilai korelasi antara variabel latent. Mis: AEV untuk X1 pada table Cosntruct Reliability and Validity = 0.774 atau nilai akar menjadi 0.880 atau sama dengan nilai X1 kolom Fornel -Larcker Criterion pada table Discriminant Validity terlampir . Nilai fornell -Larcker criterion = 0.880 seharusnya lebih besar dari nilai korelasi antara variabel latent dibawahnya , mis: X2=0.641, Y=0.927, Z=0.382 Hasil perhitungan tsb menunjukkan bahwa nilai korelasi Y dan X1 sebesar 0.927 ternyata lebih besar dari nilai Fornel -Larcker criterion 0.880. Hal ini berarti bahwa tidak memenuhi syaratdsicriminant validity. Kesimpulan Fornell-Larker Criterion= Nilai akar AVE X1 > korelasi antara variabel laten X1 dengan lainnya X2, Y dan Z  matrix antara variabel laten & Laten Kesimpulan cross loadings = Nilai loading Z1 terhadap konstruknya Z > Nilai loading Z1 terhadap konstruk lainnya X1, X2, dan Y  matriks antara indicator dengan variabel latent

93. Discriminant validity – Fornell-Larcker criterion

94. Average variance Extracted

95. 6_Cross loading

96. Cross Loading Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan bahwa korelasi konstruk dengan item pengukuran lebih besar daripada konstruk lainnya . Nilai cross loading yang diharapkan adalah lebih besar dari 0,7 ( Ghozali dan Latan, 2015). Cross-loading adalah metode lain untuk mengetahui discriminant validity, yakni dengan melihat nilai cross loading. Apabila nilai loading dari masing-masing item terhadap konstruknya lebih besar daripada nilai cross loadingnya . Di bawah ini adalah table cross loading yang telah di expor ke dalam excel: Dari table diatas dapat dilihat bahwa semua loading indicator terhadap konstruk > cross loadingnya . Misalnya pada konstruk Z, dimana nilai loading semua indikatornya lebih besar dari pada semua cross loadingnya ke konstruk lainnya . Contoh adalah indicator Z.1 dimana nilai loadingnya adalah 0,931 lebih besar dari pada cross loadingnya ke konstruk lainnya , yaitu Z1 ke X1=0.325, Z1 ke X2= 0,472, dan Z1 ke Y= 0,396 . Begitu juga dengan semua indikator lainnya dinilai dengan cara yang sama , dan hasilnya apakah nilai loading ke konstruknya > cross loading ke konstruk lainnya . Bila semua indicator nilai loadingnya terhadap konstruknya > cross loadingnya , maka model yang digunakan telah memenuhi syarat validitas diskriminan .

97. 6_Cross loadings Nilai loading lebih besar dari cross loadings terhadap konstruk atau latent lainnya . Misalnya pada konstruk Z, dimana nilai loading semua indikatornya mis: Z1 ke Z lebih besar dari pada semua cross loadingnya ke konstruk lainnya (mis: Z1 ke X1, Z1 ke X2, dan Z1 ke Y) . Nilai loading pada table Cross loading: nilai loadings Z1 ke Z=0.931 lebih besar dari nilai pada table cross loading Z1 ke konstruk lainnya , yaitu Z1 ke X1=0,325, Z1 ke X2= 0,472, dan Z1 ke Y = 0,396  lihat table table Cross loadings Berdasarkan nilai outer loading tsb diatas yang lebih besar dari cross loading terhadap kosntruk lainnya , maka dinyatakan bahwa telah memenuhi syarat discriminant validity. Kesimpulan cross loadings = Nilai loading Z1 terhadap konstruknya Z > Nilai loading Z1 terhadap konstruk lainnya X1, X2, dan Y Kesimpulan: Kesimpulan Fornell-Larker Criterion= Nilai akar AVE X1 > korelasi antara variabel laten X1 dengan lainnya X2, Y dan Z  matrix antara variabel laten & Laten Kesimpulan cross loadings = Nilai loading Z1 terhadap konstruknya Z > Nilai loading Z1 terhadap konstruk lainnya X1, X2, dan Y  matriks antara indicator dengan variabel latent

98. Cross loading

99. Contoh : Cross loading ( variabel X1) Dari hasil estimasi cross loading pada Tabel 4.11,menunjukkan bahwa bahwa nilai loading dari masing-masing item indikator terhadap konstruknya (X1) lebih besar dari pada nilai cross loading nya . Mis: baris X1.1 ke kolom X1 ( kualitas system) =0.902 lebih besar dari nilai cross loadingnya , yaitu : X1.1 ke kepuasan pelanggan = 0.788 X1.1 ke kualitas informasi = 0.732 X1.1 ke kualitas layanan = 0.558 X1.1 ke manfaat …= 0.778 X1.1 ke penggunaan …= 0.566 Sehingga dinyatakan memenuhi discriminant validity – cross loading Reference: https://repository.dinamika.ac.id/id/eprint/2260/6/BAB_IV.pdf

100. https://repository.dinamika.ac.id/id/eprint/2260/6/BAB_IV.pdf Reference:

101. 2_Reliability PLS Algorithm: Construct reliability and validity: 3.3.1 Graphical output - Cosntructs Crombach,s alpha: 6.3.4 Bootstrapping: Graphical output - Construcs Crombach,s alpha: 8.3.4 PLS Algorithm Bootstrapping Tahap Analisis

102. Variabel Konstruk /Laten Konstruk adalah suatu ukuran yang abstrak , tidak dapat diamati langsung ( unobservable ). Jenis konstruk atau variabel laten: a. Variabel eksogen ( exogeneous variable ) : sama dengan variabel independen / variabel bebas , yakni variabel yang bersifat mempengaruhi variabel lain, disimbolkan dengan ξ ( dibaca ksi ) dan dan ditandai dengan variabel dimana anak panah berawal  b. Variabel endogen ( endogeneous variable ) : sama dengan variabel dependen / variabel terikat , yakni variabel yang dipengaruhi , disimbolkan dengan η ( dibaca eta) dan ditandai dengan variabel dimana anak panah berakhir Indikator /Manifest/Observed : Umumnya disebut sebagai item atau variabel manifest, yakni variabel yang dapat teramati / terukur ( observed variables ). VARIABEL DALAM PLS Reference: https://cattleyapublicationservices.com/?p=814

103. Uji Reliability Uji reliabilitas dalam PLS dapat mennggunakan dua metode yaitu cronbach’s alpha dan composite reliability. Cronbach’s alpha mengukur batas bawah nilai reliabilitas suatu konstruk sedangkan composite reliability mengukur nilai sesungguhnya reliabilitas suatu konstruk . Composite reliaility dinilai lebih baik dalam mengestimasi konsistensi internal suatu konstruk . Rule of thumb yang digunakan untuk nilai Composite Reliability lebih besar dari 0,7 serta nilai cronbach’s alpha lebih besar dari 0,7 ( Ghozali , 2016). Composite reliability mengukur nilai reliabilitas sesungguhnya dari suatu variable sedangkan Cronbach alpha mengukur nilai terendah reliabilitas suatu variable sehingga nilai composite reliability > 0.6 dan niali Cronbach Alpha > 0.60.   Sebagai contoh Composite Reliability untuk semua konstruk berada di atas nilai 0,60. Referensce : https://accounting.binus.ac.id/2021/08/12/memahami-composite-reliability-dalam-penelitian-ilmiah

104. Dengan demikian dapat disimpulkan bahwa semua konstruk memiliki reliabilitas yang baik . Dengan melihat nilai Cronbach Alpha dari blok indikator yang mengukur konstruk . Konstruk dinyatakan reliabel jika nilai Cronbach Alpha lebih besar dari 0,60.   Uji reliabilitas dilakukan dengan melihat nilai  composite reliability  dari blok indikator yang mengukur konstruk . Loading baku absolut bagian luar dengan nilai > 0,7. Jadi jika < 0,7 maka tidak reliabel . Uji reliabilitas dilakukan untuk membuktikan akurasi , konsistensi , dan ketepatan instrumen dalam mengukur konstruk . Untuk dapat memenuhi reliabilitas yang baik , nilai composite reliability dan nilai cronbach’s alpha harus lebih besar dari 0,70 (Chin, 1998). Nilai pada composite reliability dapat digunakan dalam menguji nilai reliabilitas masing-masing indikator pada suatu variabel . Hair et al. (2014) menyatakan bahwa nilai composite reliability harus > 0,70 meskipun nilai 0,60 masih dapat diterima . Suatu konstruk dapat dikatakan memiliki nilai reliabilitas yang tinggi jika nilai composite reliability > 0,70. Reabilitas berhubungan dengan ketepatan dan ketelitian dari pengukuran . Pengujian realibilitas dilakukan untuk menguji apakah data yang diperoleh dari instrument penelitian menunjukkan konsistensi internal yang memadai . Pengujian realibilitas pada penelitian ini dilakukan dengan melihat nilai Cronbach’s Alpha . Suatu intstrumen penelitian dikatakan dapat diandalkan ( reliable ) apabila nilai Cronbach’s Alpha > 0,60 ( Ghozali , 2016). Maka dari itu , kriteria pengambilan keputusan dalam uji realibilitas adalah sebagai berikut : Referensce : https://accounting.binus.ac.id/2021/08/12/memahami-composite-reliability-dalam-penelitian-ilmiah/   Uji Reliability

105. K omposit: omega-a (rho a) dan omega-c (rho c). Ketika semua elemen dipandang sebagai satu skala, omega-a (rho a) merupakan ukuran dependabilitas skala komposit. Nilai ini ditentukan sebagai jumlah varians rata-rata terekstraksi (AVE) dan korelasi kuadrat item satu sama lain. Ketika semua item dimaksudkan untuk menguji konstruk dasar yang sama dan tidak ada alasan untuk berasumsi bahwa item-item tersebut mengukur aspek yang berbeda dari konstruk tersebut, Omega-a cocok untuk digunakan. Ketika komponen-komponen dipandang sebagai skala yang berbeda, omega-c (rho c) merupakan ukuran dependabilitas skala komposit. Nilai ini ditentukan sebagai total AVE setiap item dibagi dengan jumlah AVE setiap item dan korelasi kuadrat satu sama lain. Ketika item-item tersebut dimaksudkan untuk menilai bagian-bagian yang berbeda dari konstruk yang mendasarinya, atau ketika item-item tersebut tidak sepenuhnya terkait satu sama lain, Omega-c dapat diterima. Karena korelasi antar item dipertimbangkan, omega-a cenderung lebih besar daripada omega-c. . Komposit reliability Rho a dan Rho c https://www.researchgate.net/post/What_is_the_difference_between_Composite_reliability_rho_a_and_Composite_reliability_rho_c Reference:

106. Jika item-item tersebut mengevaluasi fitur-fitur yang berbeda dari konstruk yang mendasarinya, omega-c dapat menjadi indikator reliabilitas yang lebih baik. Sifat topik penelitian dan struktur skala Anda akan menentukan ukuran reliabilitas komposit yang harus di gunakan pada suatu studi . Jika menganggap bahwa item-item pada skala tertentu mengukur satu konstruk yang mendasari dan tidak memiliki alasan untuk mencurigai bahwa item-item tersebut menilai berbagai elemen konstruk, maka gunakan omega-a. Jika Anda mengantisipasi bahwa item-item pada skala pengukuran r elemen-elemen yang berbeda dari konsep yang mendasarinya, atau jika item-item tersebut tidak sepenuhnya terkait, maka gunakannlah omega-c . Komposit reliability Rho a dan Rho c https://www.researchgate.net/post/What_is_the_difference_between_Composite_reliability_rho_a_and_Composite_reliability_rho_c Reference:

107. Uji Reliabilitas Uji reliabilitas bertujuan untuk mengukur tingkat konsistensi internal model SEM PLS. Berikut adalah beberapa cara untuk menguji reliabilitas : 1. Cronbach’s Alpha Nilai Cronbach’s Alpha yang tinggi ( umumnya di atas 0.7 ) menunjukkan bahwa model memiliki reliabilitas yang baik . Nilai Cronbach’s Alpha yang rendah menunjukkan bahwa model perlu diperbaiki . 2. Composite Reliability (CR) Nilai CR yang tinggi ( umumnya di atas 0.7) menunjukkan bahwa model memiliki reliabilitas yang baik . Nilai CR yang rendah menunjukkan bahwa model perlu diperbaiki . Reference: https://cattleyapublicationservices.com/?p=814

108. Uji Reliabilitas Menurut Ahli (Pakar) Menurut Sugiono (2005), reliabilitas adalah serangkaian pengukuran atau serangkaian alat ukur yang memiliki konsistensi bila pengukuran yang dilakukan dengan alat ukur itu dilakukan secara berulang . Menurut Sukadji (2000), uji reliabilitas adalah seberapa besar derajat tes mengukur secara konsisten sasaran yang diukur . Reliabilitas dinyatakan dalam bentuk angka , biasanya sebagai koefesien . Koefisien yang tinggi berarti reliabilitas yang tinggi . Menurut Anastasia dan Susana (1997), reliabilitas adalah sesuatu yang merujuk pada konsistensi skor yang dicapai oleh orang yang sama ketika mereka diuji ulang dengan tes yang sama pada kesempatan yang berbeda , atau dengan seperangkat butir-butir ekuivalen (equivalent items) yang berbeda , atau di bawah kondisi pengujian yang berbeda . Reference: https://www.statistikian.com/2021/04/tutorial-partial-least-square-dalam-pls-sem.html

109. Uji Reliabilitas Pada uji reliabilitas alat yang digunakan untuk mengukur reliabilitas suatu konstruk adalah composite reliability dan Cronbach's alpha. Nilai composite reliability 0,6-0,7 dianggap memiliki reliabilitas yang baik ( Ghozali , 2021:70), dan nilai Cronbach's alpha yang diharapkan adalah di atas 0,7 ( Ghozali & Latan, 2015:130). Reference : http://repository.stei.ac.id/8420/4/SKRIPSI_UMMU%20AFIFAH_21180500467%20Bab%203.pdf

110. Uji Reliabilitas Reliabilitas diterjemahkan dari kata reliability yang berarti hal yang dapat dipercaya atau tahan uji. Pengertian realibilitas menurut pada ahli , adalah tingkat kestabilan hasil pengukuran bila dilakukan pengukuran ulang pada waktu yang berbeda . Reliabilitas menunjukkan sejauh mana suatu instrumen memberikan hasil yang konsisten . Uji reliabilitas digunakan untuk mengevaluasi instrumen penelitian , seperti kuesioner , agar data yang dihasilkan sesuai dengan tujuan penelitian . Uji reliabilitas , dimaksudkan untuk : (a) mengukur konsistensi atau keandalan instrumen penelitian dalam menghasilkan data yang sama pada pengukuran yang berbeda , (b) menilai tingkat kestabilan hasil pengukuran bila dilakukan pengukuran ulang pada waktu yang berbeda , (c) uji reliabilitas focus pada stabilitas dan keandalan , (d) uji reliabilitas menghasilkan data yang konsisten pada pengukuran ulang .

111. Reliabilitas adalah indeks yang menunjukkan sejuh mana suatu alat pengukur dapat dipercaya atau diandalkan . Hal ini menunjukkan sejauh mana hasil pengukuran itu tetap konsisten bila dilakukan dua kali atau lebih terhadap gejala yang sama , dengan menggunakan alat ukur yang sama . Alat ukur dikatakan reliabel jika memiliki hasil yang sama meskipun dilakukan pengukuran berkali -kali. Sebuah tes dikatakan mempunyai reliabilitas yang tinggi jika tes tersebut memberikan data dengan hasil yang ajeg ( tetap ) walaupun diberikan pada waktu yang berbeda kepada responden yang sama . Refeneces : https://tsurvey.id/portal/uji-validitas-dan-reliabilitas-pengertian-langkah-dan-rumus file:///C:/Users/Lenovo/Downloads/167-Article%20Text-423-1-10-20200528.pdf https://bpmbkm.uma.ac.id/2022/09/01/pengertian-dan-jenis-validitas/ Uji Reliabilitas

112. Menangani data  yang kurang reliabel Amatilah output reliabilitas bagian Item-Total Statistics, pada kolom Cronbach's Alpha Pilih nilai dari bagian item yang tidak memenuhi syarat , kemudian digugurkan atau deleted, dan diuji ulang reliabilitasnya , maka koefisien reliabilitas akan meningkat . Pertimbangkan kecukupan item yang digugurkan dari variabel yang bersangkutan agar tidak menjadikan data kurang representatif .  Ulangi proses tsb diatas , bila hasilnya masih kurang reliabel sesuai nilai nilai yang diharapkan . Reference: https://bariqlanajasaanalisis.blogspot.com/2016/01/cara-menangani-angket-yang-kurang.html

113. Costruct reliability and validity - Overview Reliability: Crombach’s alpha > 0.7 Composite reliability ( rhoa ) > 0.7 Composite reliability (rho c) > 0.7 Validity: Average varianve extracted > 0.5

114. Uji reliabilitas Uji reliabilitas dapat menggunakan Cronbach’s Alpha dengan besaran nilai minimal 0.7. Pengukuran lainnya , dapat menggunakan nilai C omposite reliability dengan nilai minimal 0.7 sama dengan nilai Cronbach’s Alpha . Nilai Crombach’s alpha sebagaimana table 3.3.1 menunjukkan , yaitu : (a) Variabel Y= 0.425, dan X2=0.629 atau memiliki nilai Crombach’s alpha yang relative kecil atau < 0.7, sehingga dinyatakan kedua variabel tsb tidak memenuhi syarat reliability. (b) Variabel X1= 0.71 dan Z=0.874 atau memiliki nilai Crombach’s alpha > 0.7, sehingga dinayatakan kedua variabel tsb memenuhi syarat reliability Nilai Composite reliability, menunjukkan variabel Y dan X1 < 0.7 sehingga tidak memenuhi syarat reliability. Sedangkan variabel X1 dan Z memiliki nilai comp[ osite reliability > 0.7 sehingga kedua variabel tsb dinyatakan memenuhi syarat reliability. Composite reliability ( rho_a ): menunjukkan hasil yang relevan dengan pengukuran Crombach’s alpha karena variabel X2 dan Y tidak memenuhi syarat nilai Composite reliability harus > 0.7 Composite reliability ( rho_c ): menunjukkan semua variabel memiliki nilai > 0.7 sehingga dinyatakan semua variabel memenuhi syarat reliability.

115. 3.3.1 Costruct reliability and validity - Overview

116. 3.3 Cosntruct reliability and validity 3.3.1 Costruct reliability and validity - Overview Content Tahap Analisis

117. Content 6.3.4 Constructs Tahap Analisis

118. 8.3.4 Costructs – Crombach’s alpha) Content -Bootstrapping Tahap Analisis

119. 3.3.1 Costruct reliability and validity - Overview

120. 3.3 Cosntruct reliability and validity 3.3.1 Costruct reliability and validity - Overview Content Tahap Analisis

121. Internal Consistency Reliability Internal Consistency Reliability mengukur seberapa mampu dari indikator dapat mengukur konstruk latennya . (Memon dkk ., 2017). Alat yang digunakan untuk menilai hal tersebut adalah composite reliability dan Cronbach’s alpha. Nilai composite reliability 0,6 – 0,7 dianggap memiliki reliabilitas yang baik (Sarstedt dkk ., 2017), dan nilai Cronbach’s alpha yang diharapkan adalah di atas 0,7 ( Ghozali dan Latan, 2015). Dan berdasarkan table diatas , terlihat bahwa dua konstruk (X1, X2 dan Z) memiliki nilai cronbach’s Alpha > 0,6 bahkan dua diantaranya (X1 dan Z) memiliki > 0.7, sehingga dapat dinyatakan tidak sepenuhnya reliable. Dari segi Composite reliability ( rho_c ), semua konstruk reliabel karena nilainya > 0.7 Tapi dari Composite ( rho_a ), hasilnya konsisten dengan hasil Cronbach’s alpha, yaitu hanya Hanya X1, X2 dan Z yang reliable karena nilainay > 0.7 sedangkan Y tidak reliable karena nilainya < 0.6 https://www.statistikian.com/2021/04/tutorial-partial-least-square-dalam-pls-sem.html Reference:

122. Analisis Unidimesionalitas Model. Uji unidimensionalitas adalah untuk memastikan bahwa sudah tidak ada masalah dalam pengukuran . Uji undimensionalitas dilakukan dengan menggunakan indikator composite reliability dan Cronbach’s alfa. Untuk kedua indikator ini cut-value adalah 0,7. Maka berdasarkan tabel diatas , semua konstruk telah memenuhi syarat unidimensionalitas sebab nilai composite reliability > 0,7. Misalnya Composite reliability dari variable latent X2 sebesar 0,890 > 0,7 maka X2 reliabel . Begitu pula dengan variabel lainnya dimana nilainya >0,7 sehingga semuanya reliabel . https://www.statistikian.com/2021/04/tutorial-partial-least-square-dalam-pls-sem.html Reference:

123. 3_Collinearity Statistic atau Muliticollinearity (VIF) PLS Algorithm: 3.5.1 3.5.2 3.5.3 PLS Algorithm Bootstrapping Tahap Analisis

124. Asumsi klasik Multicollinearity: VIF di collinearity  SEM & Reg ( Memenuhi bila VIF < 10) Normality: Skewness dan Kurtosis di Descriptives  SEM & Reg ( memenuhi bila nilai -2 sd +2 atau -2.58 sd +2.58 Linearity: Quadratik effects- pilih secara bergantian fungsi Y dan Z – Calculate – Boostrapping – Start calculation  SEM (QE: memenuhi bila P values > 0.05) Autocorrelation: DW  Reg (DW statistic vs DW table) Heteroskedasticity: Quality criteria – Breusch Pagan test Reg (P Values > 0.05

125. Multicollinearity Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda . Uji multikolinearitas dilakukan untuk menguji apakah terdapat korelasi antar variabel bebas dalam model regresi. Multikolinearitas berarti adanya hubungan linier yang sempurna antara beberapa atau semua variabel yang menjelaskan model regresi (Ajija, 2011). Reference: https://accounting.binus.ac.id/2021/08/06/memahami-uji-multikolinearitas-dalam-model-regresi/

126. Uji muliticollinearity Pengujian dapat dilakukan dengan melihat nilai Tolerance dan Variance Inflation Factor (VIF) pada model regresi . Kriteria pengambilan keputusan terkait uji multikolinearitas adalah sebagai berikut ( Ghozali , 2016) : Jika nilai VIF < 10 atau nilai Tolerance > 0,01, maka dinyatakan tidak terjadi multikolinearitas . Jika nilai VIF > 10 atau nilai Tolerance < 0,01, maka dinyatakan terjadi multikolinearitas . Jika koefisien korelasi masing-masing variabel bebas > 0,8 maka terjadi multikolinearitas . Tetapi jika koefisien korelasi masing-masing variabel bebas < 0,8 maka tidak terjadi multikolinearitas . Berdasarkan hasil perhitungan pada butir 3.5.2 dan 3.5.3 terlampir menunjukkan nilai VIF pada kisaran antara 1.525 sampai dengan 2.214 atau VIF < 10, sehingga dinyatakan tidak terjadi multicollinearity. Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut : Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi . Menambah jumlah observasi . Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau first difference delta Reference: https://accounting.binus.ac.id/2021/08/06/memahami-uji-multikolinearitas-dalam-model-regresi/

127. 3.5.2 Collinearity statistics (VIF) - Inner model - Matrix Content Tahap Analisis

128. 3.5 Collinearity statistics (VIF) 3.5.1 Collinearity statistics (VIF) - Outer model - List Content Tahap Analisis

129. 3.5.3 Collinearity statistics (VIF) - Inner model - List Content Tahap Analisis

130. 4_ Normality PLS Algorithm: 2.7.4 (Kurtoses & Skewness) Normal bila Nilai Skewness ( ukuran kemiringan ) dan Kurtosis ( ketinggian ) pada rentang nilai -2 sd 2 ( Ghozali , 2016) PLS Algorithm Bootstrapping Tahap Analisis

131. Uji normalitas https://www.statistikian.com/2013/01/uji-normalitas.html Reference: Uji Normalitas , y aitu sebuah uji untuk menilai sebaran data pada variabel atau kelompok data, apakah berdistribusi normal ataukah tidak . Jika data berdistribusi normal dapat diasumsikan bahwa data diambil secara acak dari populasi normal. Secara umum dinyatakan bahwa normalitas dapat dinilai dengan berbagai cara yang jika dikelompokkan pada dasarnya ada dalam 2 kelompok , yaitu analisis secara visual dan analisis secara statistik . Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Untuk memberikan kepastian , data yang dimiliki berdistribusi normal atau tidak , maka sebaiknya digunakan uji normalitas .

132. Penyebab data tidak berdistribusi normal dan cara mengatasinya Penyebab data tidak berdistribusi normal adalah terutama adanya data extreme atau data pencilan yang biasa disebut dengan istilah outlier. Dengan adanya outlier tersebut , maka sebaran data bisa menjadi condong ke kiri atau condong ke kanan . Dimana jika sebaran data ini kita nilai secara visual misalnya menggunakan histogram, maka seharusnya data yang berdistribusi normal akan membentuk sebaran seperti lonceng menghadap ke atas . Jika anda menghadapi situasi dimana data tidak berdistribusi normal, maka langkah yang dapat anda lakukan adalah dengan menilai apakah data tersebut ada outlier atau pencilan data. Jika memang ada , maka selanjutnya anda bisa melakukan Trimming yaitu mengeliminasi data yang menjadi penyebab terjadinya outlier. Cara lain yang dapat dilakukan misalnya transformasi data. Namun cara tersebut haruslah disesuaikan dengan tujuan mengapa dibutuhkan data yang berdistribusi normal. Tentunya bahasan ini akan dibahas pada artikel-artikel lainnya dalam website ini . Reference: https://www.statistikian.com/2013/01/uji-normalitas.html

133. Uji normalitas Untuk mendeteksi data berdistribusi normal, dpat menggunakan uji normalitas dengan melihat nilai Skewness dn Kurtosis. Dinyatakan data berdistrubsi normal bila nilainya berada diatara -2 sampai dengan 2. Pendapat lain menyatakan berdistribusi normal bila nilai Skewness dan Kurtosis berada diantara -2.58 sampai 2.58. Hasil calculate pada butir 2.7.4 terlampir , menunjukkan bahwa nilai kurtosis dan Skewness berada diantara -2 dan 2, sehingga dinyatakan bahwa data tsb berdistribusi normal. Nilai Kurtosis: kisaran antara -0.237 sampai dengan 0.744, yang berarti memenuhi syarat normalitas Nilai Skewness: 0.075 sampai dengan 0,908, yang berarti memenuhi syarat normalitas . Reference: https://www.youtube.com/watch?v=zszqAUJH0lo

134. 2.7.4 Latent variable - Descriptives Content Tahap Analisis

135. 2.7.4 Latent variable - Descriptives Content Tahap Analisis

136. 5_Linearity

137. Linearity Asumsi linearitas adalah salah satu persyaratan statistik yang harus dipenuhi dalam analisis regresi linier. Asumsi ini berfungsi untuk mengetahui apakah hubungan antara variabel independen dan dependen bersifat linear atau tidak . Dalam analisis regresi linier, asumsi linearitas digunakan untuk memastikan bahwa model yang dibangun memiliki hubungan yang linear antara variabel independen dan dependen Asumsi Linearitas: Asumsi pertama dalam regresi linear klasik adalah bahwa hubungan antara variabel dependen dan variabel independen bersifat linear. Dalam analisis regresi, penting untuk memeriksa apakah hubungan ini memenuhi asumsi linearitas. Linearitas: Ketika asumsi linearitas dilanggar, ini terutama berarti bahwa tidak ada hubungan linear antara variabel independen dan variabel dependen .

138. Asumsi klasik Tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolienearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional. Analisis uji asumsi klasik tidaklah digunakan dalam SMART PLS. Hal itu disebabkan karena dalam SMART PLS menggunakan metode pendekatan Partial Least Square – Structural Equation Modeling (PLS-SEM). Ghozali (2016) menyatakan bahwa PLS merupakan suatu metode analisis yang powerfull , dikarenakan tidak berdasarkan pada banyaknya asumsi dan data juga tidak harus berdistribusi normal serta ukuran sampel tidak harus besar . Uji asumsi klasik yang biasa digunakan yaitu uji normalitas , uji multikolinearitas , uji heteroskedastisitas , dan uji autokorelasi . Regresi Linear sederhana atau disebut dengan   simple linear regression , adalah regresi linear dengan satu variabel bebas dan satu variabel terikat . Sedangkan   regresi linear berganda   atau disebut juga dengan   multiple linear regression   adalah regresi linear dengan satu variabel terikat dan beberapa variabel bebas .

139. Linearity Uji linearity dapat dilakukan melalui proses perhitungan , yaitu : Buka PLS & import data: New project – Nama:AAA3 – input data file – File di laptop – open – import Buat gambar graphic: Back – PLS EM – Model nama:AAA4 – Save – geser variabel Y dan Xi – Contact – Edit Lokasi dan nama Hitung : Calculate – PLS Algorithm – Unstandardized – Start calculation – Graphical output. Hitung linearitas : Edit – Quadrat effect – klik garis yang menghubungkan X dengan Y pada kotak dalam garis - Calculate – Bootstrapping – Test type: one tailed – Start calculation. Output: lihat Final results – Path coeffisients : Mean, STDEV, T values, P values – Tabel pada QE (X1 Y): Koefisien dan P values – Tabel terlampir Hasil P Value variable Quadreatik menunjukkan P value untuk X1, X2 dan Z ternyata tidak signifikan , dan dinyatakan tidak memenuhi syarat linearitas , seperti berikut ini : P values (X1)=>Y = 0.434  seharusnya < 0.05 P values (X2) => Y : 0.100  seharusnya < 0.05 P values Z => Y : 0.371  seharusnya < 0.05

140. Uji Linearity

141. Uji linearity

142. Uji linearity

143. Uji Linearity

144. 6_ Autocorrelation

145. 6_Autocorrelation Autokorelasi, atau korelasi serial, menganalisis data deret waktu untuk mencari korelasi nilai pada titik-titik yang berbeda dalam deret waktu. Metode analisis utama ini mengukur bagaimana suatu nilai berkorelasi dengan dirinya sendiri. Contoh Autocorrelation: Secara konseptual, metode ini mirip dengan korelasi antara dua deret waktu yang berbeda, tetapi autokorelasi menggunakan deret waktu yang sama dua kali: sekali dalam bentuk aslinya dan sekali lagi setelah satu periode waktu atau lebih. Misalnya, jika hari ini hujan, data menunjukkan bahwa kemungkinan hujan besok lebih besar daripada jika hari ini cerah .

146. Autocorrelation Fungsi Autokorelasi : mengacu pada derajat korelasi variabel yang sama antara dua interval waktu yang berurutan. Autokorelasi mengukur bagaimana versi tertinggal dari nilai suatu variabel terkait dengan versi aslinya dalam deret waktu . Autokorelasi, sebagai konsep statistik, juga dikenal sebagai korelasi serial. Autocorrelation atau yang juga disebut sebagai korelasi diri ) adalah salah satu pelanggaran asumsi dalam regresi linier  ... Metode umum untuk menguji autokorelasi adalah uji Durbin-Watson Uji Durbin-Watson menghasilkan statistik uji dengan rentang nilai 0 hingga 4

147. Autokorelasi Langkah dalam pehitungan uji Autokrelasi , pada tahap awal mengikuti proses pada perhitungan Heteroskedasticity dan menggunakan contoh data penelitian terlampir . Autokorelasi pada PLS4 dihitung melalui analisis regresi . S edangkan analisis regresi tidak menggunakan data indikator , sehingga untuk analisis ini menggunakan nilai rata-rata item variabel YR, X1R, X2R, dan ZR, sebagaimana contoh data penelitian terlampir Langkah perhitungan Autocorrelation . Langkah perhitungan : Input data di excel - save seperti biasa ( tanpa csv) - buka PLS4 – New project – nama: AA20 – create – import data file (kiri atas ) – ambil file dari laptop – open – import ( bagian bawah ). Buat gambar sebagai dasar perhitungan : Back – Regression – Model nama: AA20 – Save – geser kekanan variabel Y – geser kanan variabel X dan letakkan dikotak Y – Edit melalui Select Hitung : Calculate – Regression analysis – one type – start calculation – hasilnya di Quality criteria – pada R-square - Durbin Watson - hasilnya diterima setelah membandingkan dengan DW table: DW hitung > nilai dU yaitu tdk terdapat gejala Autokorelasi DW hitung berada diantara nilai dL dan dU , yaitu Autocokelasi tidak dapat dipastikan .

148. Hasil perhitungan Autocorrelation Berdasarkan data dan Langkah perhitungan tsb diatas , diperoleh hasil sebagaimana terlampir , yaitu : Durbin Watson Test =2.356 Tabel DW, n:30, Alpha:5%, diperoleh dL= 1.2837 dan dU = 1.5666 Kesimpulan: Tidak ada Autocorrelation karena DW statistic = 2.356 lebih besar dari dU = 1.5666

149. 1.2837 DW statistic= 2.356 1.5666

150. Data Y = Sales X1= Product X2= Promotion Z = Satisfaction

151. 7_Hateroscedasticity

152. 6_Heteroscedasticity (Breusch – Pagan Test) Uji heteroskedastisitas adalah suatu pengujian yang bertujuan untuk menilai adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi linear. Uji heteroskedastisitas merupakan uji asumsi klasik yang harus dilakukan pada model regresi linear. Uji heteroskedastisitas bertujuan untuk mengetahui apakah varians kesalahan (residual) dalam model regresi tidak konstan . Heteroskedastisitas dapat menyebabkan estimasi parameter regresi menjadi tidak efisien dan mengganggu akurasi model. Apabila asumsi heteroskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan.

153. Cici Heteroskedastisitas Keadaan terjadinya ketidaksamaan varian dari error untuk semua pengamatan setiap variabel bebas pada model regresi , akan mengakibatkan timbulnya ciri-ciri heteroskedastisitas di dalam model regresi . Keadaan tersebut apabila diaplikasikan dalam prakteknya , maka akan terjadi korelasi kuat antara Y prediksi dengan Residualnya . Dimana Y Prediksi adalah Y hasil persamaan Regresi . Sedangkan residual adalah selisih antara Y atau variabel terikat dengan Y Prediksi . Hal ini disebabkan oleh adanya korelasi kuat salah satu atau beberapa variabel bebas dengan residual hasil persamaan regresi . Maka dalam setiap uji heteroskedastisitas yang ada , akan menggunakan prinsip tersebut yaitu menilai korelasi antara variabel bebas dengan residualnya . Misalnya saja Uji Glejser , yang menguji hal tersebut dengan cara melakukan regresi variabel bebas terhadap absolut residual.

154. Heteroscedasticity Heteroskedasticity pada PLS4 dihitung melalui analisis regresi . Sedangkan analisis regresi tidak menggunakan data indictor, sehingga untuk analisis ini menggunakan nilai rata-rata item variabel YR, X1R, X2R, dan ZR sebagaimana contoh data penelitian terlampir . Langkah perhitungan : Input data di excel - save seperti biasa ( tanpa csv) - buka PLS4 – New project – nama: AA20 – create – import data file (kiri atas ) – ambil file dari laptop – open – import ( bagian bawah ). Buat gambar sebagai dasar perhitungan : Back – Regression – Model nama: AA20 – Save – geser kekanan variabel Y – geser kanan variabel X dan letakkan dikotak Y – Edit melalui Select Hitung : Calculate – Regression analysis – one type – start calculation – hasilnya di Quality criteria – pada Breusch-Pagan Test- hasilnya dinyatakan tidak terdapat indikasi heteroscedasticity bila P values > 0.05. Sebaliknya bila P value < 0.05 maka dinyatakan terdapat gejala heterscedasticity .

155. 6_Heteroscedasticity (Breusch – Pagan Test) Heterscedasticity , di calculate melalui Regression Hasil calculate, dapat diperoleh dari Quality criteria - Breusch-Pagan Test Heteroscedasticity memenuhi asumsi klasik bila nilai Breusch-Pagan test memperoleh P values > 0.05 Hasil calculate terlampir diperoleh P values = 0.618 atau tidak signifikan , sehingga dinyatak tidak terdapat gejala Heterscedastisicy .

156. Cara Mengatasi Heteroskedastisitas Baiklah kita langsung masuk ke dalam tahap bahasan tentang bagaimana cara mengatasi heteroskedastisitas dalam regresi linear. Pada prinsipnya , ada 3 cara yaitu antara lain: Dengan cara transformasi data Mengatasi Pelanggaran Heteroskedastisitas dengan Transformasi : Cara yang pertama adalah dengan menggunakan trasformasi data, yaitu dengan mengubah bentuk data yang digunakan dalam model regresi . Transformasi yang sering atau direkomendasikan untuk cara mengatasi heteroskedastisitas dengan transformasi adalah transformasi inverse logaritma natural dan transformasi logaritma natural. Cara Mengatasi Heteroskedastisitas dengan Transformasi inverse logaritma natural: Dalam model transformasi ini , variabel-variabel di dalam ditransformasi ke dalam bentuk satu per logaritma natural dari variabel , yaitu misalnya variabel X1 menjadi 1/(LN X1). Sehingga apabila model awalnya adalah : Y = b0 + b1 X1 + b2 X2 + e, maka akan diubah menjadi 1/LN(Y) = b0 + b1 1/LN(X1) + b2 1/LN(X2) + e. Cara Mengatasi Heteroskedastisitas dengan Transformasi Logaritma Natural

157. Data Y = Sales X1= Product X2= Promotion Z = Satisfaction

158. 8_Descriptive statistics PLS Algorithm : 2.7.4 PLS Algorithm Bootstrapping Tahap Analisis

159. Statistika deskriptif Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna (Walpole, 1995). Statistik deskriptif berfungsi untuk mendeskripsikan atau memberi gambaran terhadap objek yang diteliti melalui data sampel atau populasi ( Sugiyono , 2007). Statistika deskriptif adalah ilmu pengetahuan yang mempelajari tentang cara mendapatkan, mengolah, serta menyajikan suatu data penelitian. Pada statistika ini, d iajak untuk meringkas serta menyajikan suatu data dalam bentuk tabel, grafik, maupun histogram.

160. Statistik menurut para ahli Sugiyono , yaitu analisis yang dilakukan untuk mengetahui keberadaan variabel mandiri , baik hanya pada satu variabel atau lebih tanpa membuat perbandingan variabel itu sendiri dan mencari hubungan dengan variabel lain. Iqbal Hasan, yaitu bagian dari statistika yang mempelajari tentang cara pengumpulan data dan penyajian data sehingga mudah dipahami . Bambang Suryoatmono , yaitu statistika yang menggunakan data pada suatu kelompok untuk menjelaskan atau menarik kesimpulan tentang kelompok itu saja . Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna (Walpole, 1995) Statistik deskriptif berfungsi untuk mendeskripsikan atau memberi gambaran terhadap objek yang diteliti melalui data sampel atau populasi (Sugiyono, 2007).

161. Tujuan Statistika Deskriptif Memudahkan proses analisis data guna penarikan kesimpulan . Memberikan gambaran umum sebaran data. Memberikan gambaran umum variabel di dalam penelitian . Perbedaan Statistika Deskriptif dan Statistika Inferensial Menurut Quipperian : Statistika deskriptif hanya mencakup pada bagaimana data itu diolah sehingga lebih mudah untuk dipahami . Itu artinya , statistika deskriptif belum bisa digunakan untuk menarik Kesimpulan. Statistika inferensial mencakup penarikan kesimpulan dari keseluruhan data.

162. 1. Penyajian data 2. Pemusatan data 3. Penyebaran data 1. Mean (rata-rata) 1. Median data tunggal 3. Diagram garis 2. Diagram lingkaran 2. Grafik (Diagram) 1. Tabel Statistik Deskriptif 3. Simpangan baku ( Standar deviasi ) 1. Simpangan rata-rata: selisih mutlak antara jumlah semua nilai dan rata2nya 2. Median yg tepat ditengah 3. Median ( nilai tengah ) 2. Modus ( memiliki frekuensi terbanyak ) 1. Diagram batang 2. Tabel distribusi frekuensi data berkelompok 1. Tabel distribusi frekuensi data tunggal 2. Ragam (Varian) JENIS STATISTIK DESKRIPTIF Reference: https://www.detik.com/edu/detikpedia/d-6952619/rumus-varians-pengertian-jenis-cara-menghitung-dan-contohnya

163. Keterangan Gambar Diagram: penyajian data dalam bentuk dua dimensi , misalnya diagram batang dan diagram lingkaran . Modus: data yang memiliki frekuensi terbanyak . Misalnya , diketahui data 1, 1, 2, 2, 2, 2, 2, 3, 3. Modus dari data tersebut adalah 2 karena memiliki frekuensi terbanyak . Median: mengurutkan data mulai data terkecil hingga terbesarnya . Median data tunggal ditentukan dengan membagi data menjadi dua bagian yang sama . Data yang tepat di tengah itulah yang disebut median. Simpangan rata-rata merupakan nilai rata-rata dari selisih setiap data dengan nilai mean atau rataan hitungnya. Simpangan rata-rata sering dilambangkan dengan SR. Ragam atau variasi adlah nilai yang menunjukkan besarnya penyebaran data pada kelompok data. S impangan baku adalah ilmu statistika yang dimanfaatkan untuk mencari tahu kedekatan sebaran data pada sampel dengan rata-ratanya. Reference: https://www.quipper.com/id/blog/mapel/matematika/statistika-deskriptif/

164. Mean adalah metode untuk menemukan angka rata-rata dari suatu kumpulan data.  Misalnya , jumlah baju anak yang terjual dari bulan Januari - Juni berturut-turut adalah 34, 56, 78, 45, 25, 56. m Mean = (34 + 56 + 78 + 45 + 25 + 56) / 6, maka mean data tersebut adalah 49. Median adalah nilai yang berada tepat di tengah kumpulan data. Sebelum menentukan median , himpunan bilangan terlebih dahulu harus disusun berurutan dari nilai terkecil hingga terbesar . Contohnya , himpunan data penjualan baju anak disusun dari urutan rendah ke tinggi dan didapatkan hasil sebagai berikut : 25, 34, 45, 56, 56, 78 Angka tengah dari kumpulan data tersebut adalah 45 dan 56. Maka, median - nya adalah (45 + 56) / 2 = 50,5 Modus adalah angka yang nilainya paling sering muncul atau memiliki frekuensinya paling banyak . Misalnya , himpunan 34, 56, 78, 45, 25, 56 menunjukkan angka 56 muncul sebanyak 2 kali, lebih banyak dari angka lainnya . Maka, modus- nya adalah 56. Reference: https://www.revou.co/kosakata/statistika-deskriptif

165. Varians digunakan untuk mengetahui bagaimana sebaran data terhadap mean atau nilai rata-rata. Sederhananya , varians adalah ukuran statistik jauh dekatnya penyebaran data dari nilai rata- ratanya . Simbol yang digunakan untuk mendefinisikan varians adalah σ2 untuk data populasi . Varian untuk sampel menggunakan symbol Jenis Varians a) Terdapat dua jenis varians dalam statistik yaitu varians populasi dan varians sampel . Varians populasi adalah ukuran penyebaran data yang digunakan untuk menganalisis bagaimana setiap titik data dalam seluruh populasi bervariasi dari nilai rata-rata populasi . Populasi merujuk pada seluruh kelompok individu atau elemen yang sedang diteliti . Varians populasi mengukur seberapa jauh masing-masing titik data dalam populasi tersebut berjarak kuadrat dari nilai rata-rata populasi . Varians sampel digunakan ketika data populasi sangat besar atau ketika kita hanya memiliki akses terhadap sebagian kecil dari populasi tersebut , yang disebut sampel . Varians sampel mengukur seberapa jauh masing-masing titik data dalam sampel berjarak kuadrat dari nilai rata-rata sampel . Penting untuk dicatat bahwa saat menghitung varians sampel , kita menggunakan rata-rata dari sampel , bukan rata-rata populasi . Dalam kedua jenis varians , kita mengukur seberapa jauh data tersebar dari nilai tengah , tetapi varians populasi digunakan untuk populasi keseluruhan , sementara varians sampel digunakan ketika kita hanya memiliki data sampel atau ingin menghindari perhitungan yang sangat besar untuk populasi penuh . Refrence : https://www.detik.com/edu/detikpedia/d-6952619/rumus-varians-pengertian-jenis-cara-menghitung-dan-contohnya Varian:

166. Tabel distribusi frekuensi data berkelompok Tabel distribusi frekuensi data berkelompok adalah tabel yang datanya dibagi ke dalam interval kelas tertentu . Tabel ini lebih efektif digunakan untuk menyajikan data yang jumlahnya banyak , misalnya 100 data. Adapun langkah-langkah untuk membuat tabel frekuensi data berkelompok adalah sebagai berikut . (a) Menentukan daerah jangkauan ( R ), misal data terbesar 80 dan data terkecilnya 75 berarti jangkauannya 5. (b) Menentukan banyak kelompok kelas dengan persamaan K = 1 + 3,3 log n dengan n = banyaknya data. (c ) Membuat interval kelas dengan persamaan ., (d) Menentukan batas atas dan batas bawah kelas ., € Menentukan tepi atas dan tepi bawah kelas . Contoh . Berikut ini merupakan data berat badan 45 46 45 50 55 47 48 46 50 51 44 46 46 47 48 44 50 51 50 50 44 45 45 45 46 47 50 51 50 51 46 47 48 49 48 52 52 53 55 51 45 50 51 55 47 48 46 55 52 46 Pembahasan : Mula- mula , tentukan range atau jangkauan dari data tersebut .; Data terbesar = 55; Data terkecil = 44; R = 55 – 44 = 11 Banyak kelompok kelas K = 1 + 3,3 log n ; =  1 + 3,3 log50; = 1 + 3,3 (1,699) = 6,6 ≈ 6 ( jika diambil 7, jumlah interval tidak memenuhi banyaknya kelas ). Terdapat 6 Interval kelas : (44 – 45), (46 – 47), (48 – 49), (50 – 51), (52 – 53), (54 – 55). Jika dinyatakan dalam bentuk tabel frekuensi data berkelompok , menjadi seperti berikut Reference: https://www.detik.com/edu/detikpedia/d-6952619/rumus-varians-pengertian-jenis-cara-menghitung-dan-contohnya

167. 2.7.4 Latent variable - Descriptives Content Tahap Analisis

168. 2.7.4 Latent variable - Descriptives Content Tahap Analisis

169. 9 _Correlations PLS Algorithm: 2.7.2 5.5.1 5.5.2 5.5.3 5.5.4 PLS Algorithm Bootstrapping Tahap Analisis

170. Correlations Korelasi adalah keeratan hubungan antara variabel. Menurut Kamus Besar Bahasa Indonesia (KBBI), korelasi adalah hubungan timbal balik atau sebab akibat. Secara sempit, korelasi artinya suatu hubungan. Dalam suatu statistik, korelasi merupakan ukuran hubungan linier antara dua variabel Pengertian korelasi adalah ukuran sejauh mana dua variabel berkaitan . Pada dasarnya , fungsi korelasi yaitu untuk melakukan standarisasi pada hasil kovarians ( ukuran hubungan antara dua variabel ) yang didapat . Korelasi sederhana yaitu keterikatan antara 2 variabel , yakni variabel bebas (independent) disimbolkan "X" dan variabel terikat (dependent) disimbolkan "Y". Tujuan korelasi sederhana adalah mengetahui hubungan kekuatan antara dua variabel yang ada . Reference: https://www.detik.com/jabar/berita/d-6254141/korelasi-adalah-bentuk-analisis-contoh-dan-jenisnya

171. Correlations A. Terjadinya Korelasi antara dua variabel , karena : Korelasi yang benar-benar ditimbulkan oleh faktor kebetulan saja . Memang ada beberapa hal kebetulan yang bisa menunjukan adanya korelasi . Kedua variabel yang memiliki hubungan sulit ditunjukan sebagai faktor penyebab dan mana yang menjadi faktor akibat . Contoh , antara permintaan dan penawaran di pasar. Variabel yang berkorelasi sebenarnya dipengaruhi oleh variabel atau faktor lain. isalnya , harga cabai dan harga baju yang sangat dipengaruhi oleh faktor ketiga yakni penghasilan atau harga barang-barang yang lain. Artinya , hubungan sebab akibat mungkin ada , tapi korelasinya menjadi tidak penting . B. Nilai Korelasi Nilai korelasi berkisar antara -1 hingga +1. Nilai -1 menunjukan korelasi linier negatif sempurna antara dua variabel . Nilai 0 menyatakan hubungan yang lemah atau menunjukkan tidak ada korelasi linier antara dua variabel . Nilai 1 menunjukkan korelasi linier positif sempurna antara dua variabel . Nilai korelasi yang mendekati -1 atau +1 artinya menyatakan hubungan yang makin kuat . Nilai di atas nol akan menunjukkan korelasi positif , sedangkan nilai di bawah nol berarti menunjukkan korelasi negatif . Nilai positif menunjukan arah hubungan searah . Artinya jika X naik, maka Y naik dan begitu juga sebaliknya .

172. C. Bentuk Analisis Korelasi Korelasi Positif : Hubungan searah antara dua variabel atau variabel yang bergerak dalam arah yang sama . Mis: penawaran berkorelasi positif dengan harga pasar. Korelasi Negatif : Hubungan berlawanan antara dua variabel atau peningkatan satu variabel menyebabkan penurunan variabel lainnya . Mis: harga dan permintaan Korelasi Nol (Zero Correlation): Tidak ada hungan antara dua variabel . Mis: permintaan bahan bakar dan prestasi mahasiswa D. Jenis korelasi Korelasi Pearson (Pearson Correlation): Korelasi pearson adalah jenis korelasi yang digunakan untuk mengukur hubungan di antara hasil-hasil suatu pengamatan dari populasi dengan 2 varian (bivariate), berdistribusi normal. Biasanya juga digunakan untuk rasio atau data berskala interval. Korelasi Spearman (Spearman Correlation): Korelasi Spearman yaitu korelasi yang dipakai untuk mengukur keeratan hubungan antara hasil pengamatan dari populasi yang memiliki 2 varian yang berdistribusi tidak normal. Biasanya jenis korelasi ini digunakan untuk data berskala ordinal. Korelasi Kendall's Tau (Kendall's Tau Correlation): Korelasi Kendall's Tau adalah ukuran nonparametrik (uji statistik yang tidak memerlukan asumsi-asumsi mengenai persebaran data populasi ), dari kuatnya dan arah hubungan yang ada antara dua variabel . Ukuran itu diukur setidaknya pada skala ordinal.

173. E. Manfaat korelasi : Menjadi penentu dari adanya hubungan serta besarnya hubungan antara 2 variabel.Mengetahui adanya hubungan antara 2 variabel atau lebih , untuk bisa mengadakan peramalan terhadap variabel lainnya . Dengan mengetahui adanya hubungan 2 variabel , maka akan diketahui 1 variabel bisa dilakukan penaksiran terhadap 1 variabel lain, melalui bantuan garis regresi . Membantu membuat keandalan ( ukuran yang konsisten ) dan juga keandalan antar-penilai ( apakah pengamat konsisten ). Korelasi memungkinkan peneliti untuk menyelidiki variabel alami , yang mungkin tidak praktis untuk diuji secara eksperimental .   Reference: https://www.detik.com/jabar/berita/d-6254141/korelasi-adalah-bentuk-analisis-contoh-dan-jenisnya

174. 2.7.2 Latent variable - correlation Content Tahap Analisis

175. 2.7.2 Latent variable - Correlation Content Tahap Analisis

176. Indicator data (Correlations)

177. 5.5 Indicator data (correlations) 5.5.1 Indicator data (correlations) - Empirical correlation matrix Content Tahap Analisis

178. 5.5.2 Indicator data (correlations) - Model implied saturated correlation matrix Content Tahap Analisis

179. 5.5.3 Indicator data (correlations) - Model Model implied estimated correlation matrix Content Tahap Analisis

180. 5.5.4 Indicator data (Correlation) Empirical covariance matrix Content Tahap Analisis

181. 10_Model Fit ( Kecocokan model)

182. Model Fit ( Kecocokan model) Model fit: uji Kecocokan Model (Model Fit), adalah digunakan untuk mengetahui suatu model memiliki kecocokan dengan data. Pada uji kecocokan model atau Model fit, dapat diperoleh pada output PLS, bagian Quality criteria – Model fit: SRMR (Standardized Root Mean Square Residual): fit bila SRMR < 0.10 dan perfect bila SRMR < 0.08. Hasil calculate diperoleh SRMR = 0.134 menunjukkan model kurang fit. SRMR ( Standardized Root Mean Square) pada Quality criteria-PLS Algorithm , nilai SRMR < 0,10 maka model fit atau dapat disimpulkan bahwa model fit d_ULS (the squared Euclidean distance): fit bila nilai d_ULS < 0.05. Hasil calculate diperoleh nilai d_ULS = 0.163 menunjukkan model kurang fit d-G (the geodesic distance): fit bilai d_G < 0.05. Hasil calculate diperoleh nilai d_G = 0.163 menunjukkan model kurang fit Chi-square: bila nilai Chi-square > 0.05. Hasil calculate diperoleh nilai Chi square =81.215, menunjukkan model kurang fit NFI (Normal fit index): range skor sd 1, semakin mendekati satu semakin baik . Hasil calculate diperoleh nilai NFI = 0.491 menunjukkan model kurang fit

183. Reference: https://www.youtube.com/watch?v=dQv4H7VIAaA KRITERIA PENGUJIAN INNER MODEL

184. Model Fit ( Kecocokan model) f square: digunakan untuk mengetahui kebaikan model. f square, efek saize tang disarankan adalah 0.02, 0.15, dan 0.35 dengan variabel latent eksogen memiliki pengaruh kecil , moderat , dan besar pada level structural. Hasil calculasi , diperoleh f square tiap variabel latent sebagaimana terlampir , yaitu : M= 0.173, efek moderat X1=080, efek hampir moderat X2= 0.016, efek kecil MX1 = 0.240 ., efek besar Reference: https://www.youtube.com/watch?v=f6bguKnWTR0

185. 11_R-square adjusted (Coefficient of determination) - PLS Algorith : 3.1.1 6.3.6 - Blootsrapping 8.3.6 PLS Algorithm Bootstrapping Tahap Analisis

186. Quality criteria 3.1 R-square 3.1.1 R-square - Overview Content Tahap Analisis

187. Content 6.3.6 Constructs Tahap Analisis

188. 8.3.6 Costructs – R-squares adjusted Content -Bootstrapping Tahap Analisis

189. 12_F-Statistic

190. F- Statistik Ronald Aylmer Fisher (1989-1962), adalah salah satu matematikawan dan statistikawan paling berpengaruh dalam sejarah , yang sering disebut sebagai “Bapak Statistik Modern”. Fisher lahir pada 17 Februari 1890 di London, Inggris , dan meninggal tahun 1962. Sepanjang hidupnya memberikan kontribusi luar biasa dalam pengembangan teori statistik yang membentuk dasar banyak teknik analisis data yang digunakan hingga saat ini . Dalam kariernya yang luar biasa , ia memperkenalkan beberapa konsep kunci dalam statistika , seperti analisis varians (ANOVA), estimasi maksimum likelihood, serta desain eksperimen , yang semuanya memainkan peran penting dalam statistik dan metodologi ilmiah modern. Uji F digunakan untuk menguji hipotesis tentang varians antar kelompok dalam konteks ANOVA, dan telah menjadi alat penting dalam pengujian hipotesis statistik . Fisher memperkenalkan distribusi F sebagai cara untuk mengevaluasi apakah perbedaan antara kelompok lebih besar dari variasi yang terjadi secara kebetulan , memberikan kerangka statistik yang lebih kuat dan lebih andal untuk analisis eksperimen . Reference: https://math.fmipa.ugm.ac.id/id/ronald-a-fisher-bapak-statistik-modern/

191. F-Statistic: ANOVA F-Statistic pada PLS4 dihitung melalui analisis regresi . sedangkan analisis regresi tidak menggunakan data indikator , sehingga untuk analisis ini menggunakan nilai rata-rata item variabel YR, X1R, X2R, dan ZR, sebagaimana contoh data penelitian terlampir Langkah perhitungan F-Statistics. Langkah perhitungan : Input data di excel - save seperti biasa ( tanpa csv) - buka PLS4 – New project – nama: AA20 – create – import data file (kiri atas ) – ambil file dari laptop – open – import ( bagian bawah ). Buat gambar sebagai dasar perhitungan : Back – Regression – Model nama: AA20 – Save – geser kekanan variabel Y – geser kanan variabel X dan letakkan dikotak Y – Edit melalui Select Hitung : Calculate – Regression analysis – one type – start calculation – hasilnya pd Final Results di Summary ANOVA sebagaimana terlampir . Hasil calculate menunjukkan nilai F statistic = 26.800 dan tingkat signifikan P values = 0.000. Hal ini menunjukkan bahwa variebl independent secara simultan atau menyeluruh berpengaruh signifikan terhadap variabel dependen Y.

192. 13_t-Statistic Blootstrapping : 1- Graphical output 2.1.1 8.1.1 8.1.2 8.1.3 8.1.4 PLS Algorithm Bootstrapping Tahap Analisis

193. t-statistic Uji t adalah metode statistik yang digunakan untuk membandingkan perbedaan antara rata-rata dua kelompok atau sampel yang berbeda . Metode ini ditemukan oleh seorang ilmuwan statistik bernama William Sealy Gosset, yang menggunakan nama samaran "Student" untuk menerbitkan penemuannya pada tahun 1908 . Pada dasarnya , uji t membandingkan perbedaan antara rata-rata dua kelompok dengan memperhitungkan variasi atau dispersi data di dalam kelompok tersebut . Tujuan dari uji t adalah untuk menentukan apakah perbedaan yang diamati antara dua kelompok adalah signifikan secara statistik , ataukah mungkin terjadi secara kebetulan . Penalaran mengenai metode ilmiah dalam pembuatan bir yang biasanya untuk sampel besar , mendorong Gosset untuk mencari tahu bagaimana metode ilmiah pembuatan bir untuk sampel kecil . Sehingga , tercetuslah Uji T-Student. Nama Student digunakan Gosset sebagai nama samaran dalam publikasinya . Uji t adalah metode statistik yang digunakan untuk membandingkan rata-rata dua kelompok atau sampel yang berbeda . Uji t didasarkan pada perhitungan perbedaan antara rata-rata sampel dan mengukur sejauh mana perbedaan tersebut signifikan secara statistik. Raference : file:///C:/Users/Lenovo/Downloads/Artikel%20Statistik-Mayang%20Marisya-1.pdf Reference: https://www.sopiyudin.com/blog/william-sealy-gosset/

194. t-statistic Dalam menguji secara parsial pengaruh tiap variabel independent terhadap variabel dependent, maka digunakan uji statitik -t Dalam uji t- statstic dilakukan dengan membandingkan antara t- hitung atau t- statistic dengan t- tabel . Bila t- hitung > t-table pada alpha misalnya 5%, maka dinyatakan hipotesis H1 diterima atau berpengaruh signifikan pada alpha 5%. Dalam aplikasi tidak lagi menggunakan table t atau tidak lagi mebandingkan antara t-statistic dengan t- tabel , karena telah tersedia pada kolom P valus . Nilai pada P valus menunjukkan t-table, misalnya P values=0.02 artinya t-statistic yang diperoleh , adalah setara dengan nilai table 2%, sehingga dinyatakan signifikan , karena batas signifikan ditetapkan misalnya P valus <0.05. Hal ini juga berlaku pada uji F dengan nilai F hitung dan P Values sebagai tingkat signifikan .

195. t- statistik Dalam analisis ini dikemukakan t-stat dalam bentuk : (a) tabel , (b) graphical output t- hitung atau t values, dan (c)graphical output P val atau Tingkat signifikan . Tabel memberikan informasi : T values dan P values T values diperoleh dari koefisien dibagi standar deviasi P values menunjukkan Tingkat signifkan , dinyatakan signifikan bila P values < 0.05 Pendapat lainnya menggunakan batas signifikan 10% atau dinyatakan signifikan bila P valus < 0.10

196. 1_t-statstic :Tabel - pada 2.1.1 P values menujukkan bahwa hasil uji t diperoleh : Pengaruh X1 terhadap Y, adalah signifikan pada P values = 0.000 Pengaruh variabel lainnya ternyata signifikan , karena P values > 0.05 dengan perolehan tingkat signifikan P values antara 0.195 sampai dengan 0.963 atau tidak signifikan.t statistic bervariasi antara

197. 2.1.1 Path coefficients – Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

198. 2.1 Path coefficients 2.1.1 Path coefficients – Mean, STDEV – T Values – T Values Content -Bootstrapping Tahap Analisis

199. 2_ Graphical output: P value Garis antara variabel independent X1 dengan variabel dependen Y menunjukkan angka 0.000 atau signifikan pada alpha < 1% Sedangkan variabel lainnya misalnya Z ke Y menunjukkan nilai P values =0.554, dan X2 ke Y nilai P value = 0.728. Hal ini berarti bahwa kedua variabel ini , tidak memiliki pengaruh yang signifikan terhadap Y Demikian seterusnya untuk Tingkat signifikansi pengaruh variabel X1 dan X2 terhadap variabel Z. Ternyata hasilnya tidak signifikan karena nilai t-statistic > 0.05

200. (2)_Graphical output: P Value

201. (2)_Graphical output: T Value Gambar berikut mencatat nilai t-statistic mis: 4.955 pada garis penghubung antara variabel independent X1 dengan variabel dependen Y. T- Statixtic tsb kemudian dibandingkan dengan table t, mis: 5% dan bila t-statistic > t-table, maka dinyatakan signifikan . Demikian sebaliknya . Dalam aplikasi , tidak lagi menggunakan table t, karena telah disiapkan anagka signifikansi pada kolom P Values. Nilai P Value mewakili t-table yang sama pada angka t-statistic tsb , mis: 0.02, sehingga dinyatakan signifikan karena < 0.05

202. (3)_Graphical output: T value

203. 14_Path coeffisients (Regression analysis) PLS Algorithm Bootstrapping Tahap Analisis

204. Unit analisis & Informan Unit Analisis adalah sesuatu yang berkaitan dengan fokus atau komponen yang diteliti . Unit analisis suatu penelitian dapat berupa individu , kelompo , organisasi , benda , dan waktu tertentu sesuai dengan focus permasalahannya . Mis: unit analisis UKM. Informan atau narasumber dalam penelitian merupakan seseorang yang memiliki informasi maupun data yang banyak terkait masalah dan objek yang sedang diteliti sehingga nantinya akan dimintai informasi mengenai objek penelitian tersebut . ( Sugiyono , 2016:54) Reference: http://eprints.umg.ac.id/5359/7/BAB%20III.pdf

205. Coefficients Koefisien regresi (β1\beta_1) mengukur seberapa besar perubahan yang terjadi pada variabel dependen (Y) ketika variabel independen (X) mengalami perubahan satu unit. Koefisien regresi adalah salah satu komponen penting dalam analisis regresi yang digunakan untuk mengukur kekuatan dan arah hubungan antara variabel independen dan variabel dependen dalam model statistik. Koefisien regresi dapat digunakan untuk estimasi, yaitu tiap perubahan variabel independent akan menyebabkan perubahan variabel dependen sebesar koefisien variabel independent tsb, sehingga dapat digunakan untuk estimasi variabel dependent. Referensi : https://tesis.id/blog/koefisien-regresi-pengertian-jenis-interpretasi-dan-penggunaannya-dalam-analisis-statistik/

206. Path coefficients Hasil dan pembahasan : Tabel coefficients unstandardized Tabel intercept unstandardized Graphical coefficient and P values Graphical coefficient and T value Perbandingan Unstandardized dan Standardized coefficients Tabel coefficients unstandardized Tabel intercept unstandardized Tabel coefficients standardized Perbandingan PLS SEM dan Regression PLS SEM-Tabel coefficient unstandardized PLS SEM - Tabel Intercepts unstandardized PLS SEM – table standardized Tabel regression

207. A_Hasil dan Pembahasan

208. Path coefficients Hasil dan pembahasan : Tabel coefficients unstandardized Tabel intercept unstandardized Graphical coefficient and P values Graphical coefficient and T value Perbandingan Unstandardized dan Standardized coefficients Tabel coefficients unstandardized Tabel intercept unstandardized Tabel coefficients standardized Perbandingan PLS SEM dan Regression PLS SEM-Tabel coefficient unstandardized PLS SEM - Tabel Intercepts unstandardized PLS SEM – table standardized Tabel regression

209. A1_Path coefficients – Unstandardized

210. A2_Intercepts – Unstandardized

211. A3_Path coefficients - Outer loadings

212. A4_Path coefficients & P values

213. A5_Path coefficients & T values

214. B_Perbandingan Unstandardized dan Standardized

215. Path coefficients Hasil dan pembahasan : Tabel coefficients unstandardized Tabel intercept unstandardized Graphical coefficient and P values Graphical coefficient and T value Perbandingan Unstandardized dan Standardized coefficients Tabel coefficients unstandardized Tabel intercept unstandardized Tabel coefficients standardized Perbandingan PLS SEM dan Regression PLS SEM-Tabel coefficient unstandardized PLS SEM - Tabel Intercepts unstandardized PLS SEM – table standardized Tabel regression

216. Unstandardized Vs Standardized Perbedaan Unstandardized dan Standardized: Unstandardized, menghitung koefisien dan constant atau intercept dengan menggunakan data real sesuai hasil pengamatan Standardized menggunakan data real dikurangi rata-rata tiap variabel , atau varian antara pengamatan dan nilai rata-rata, mis: Data real dari 5 pengamatan variabel Y= 2, 3, 4, 5, 1 Rata-rata variabel Y= (2+3+4+5+1)/5 = 3 Data real dikurangi rata-rata tiap pengamatan Y = (2-3), (3-3), (4-3), (5-3), (1-3) = -1, 0, 1, 2, -2 Jumlahnya nol = (-1) + 0 + 1 + 2 + (-2) = 0 Selanjutnya dari jumlah nol tsb , tiap angka dibagi standar deviasi variabel Y, dan menghasilkan jumlah nol. Angka inilah yang akan dioleh sebagai varaibel Y dalam regresi . Dengan cara yang sama , diperlakukan juga untuk variabel lainnya , mis: X 1 … dst Berdasarkan data butir e dan f , kemudian diolah dalam regresi untuk mendapatkan nilai koefisien λ 1 dan Constant λ Formula constant λ = Rata-rata Y – (Koefisien λ 1 x Rata-rata X 1 ) Karena jumlah e dan f nol , maka rata-rata variabel Y dan X 1 juga nol , sehingga formula butir h hasilnya nol , yang berarti nilai contant = 0

217. Unstandardized Vs Standardized Model analisis : berdasarkan butir 2.i diatas , maka model analisis Standardized tidak ada constant atau intercept = 0, seperti berikut ini . Unstandardized, ada constant  Y = λ + λ 1 X 1 + λ 2 X 2 + λ 3 X 3 + …. λ n X n + e Standardized, constant = 0  Y = λ 1 X 1 + λ 2 X 2 + λ 3 X 3 + …. λ n X n + e PLS 4 telah dilengkapi dengan perhitungan Unstandardized seperti pada SPSS, sehingga penggunaan Unstandardized dapat menghasilkan estimasi berdasarkan data real yang memiliki nilai constant dan dapat digunakan memprediksi secara langsung sesuai data real. Mis, sesuai data real dan model analisis Y = λ + λ 1 X 1 diperoleh hasil analisis : Y=5 + 0.5 X 1 maka prediksi Y dapat diperoleh secara langsung bila nilai X1=10, kemudian berubah atau bertambah satu menjadi X1=11, maka Y akan naik sebesar 0.5. Nilai Y semula = 5 + 0.5(10) = 10, kemudian bertambah menjadi Y = 5 + 0.5 (11) = 10.5. Hal ini membuktikan bila X naik=1, maka Y naik = 0.5 sesuai besarnya koefisien X1=0.5. Prediksi [ ada model Persamaan Standardized tidak dapat dilakukan seperti pada butir 5 diatas , kecuali harus dikembalikan yaitu prediksi tsb dikali standar deviasi Y, kemudian ditambah rata- arata Y. Kesimpulan: penelitian dengan aplikasi PLS 4, dapat menggunakan model analisis dengan model Unstandardized dan Standardized, seperti pada model analisis butir 3 diatas .

218. B1_Path coefficients –Unstandardized

219. B2_Intercepts – Unstandardized

220. B3_Path coefficients - Standardized

221. C_ C_Perbandingan PLS SEM & Regression

222. Path coefficients Hasil dan pembahasan : Tabel coefficients unstandardized Tabel intercept unstandardized Graphical coefficient and P values Graphical coefficient and T value Perbandingan Unstandardized dan Standardized coefficients Tabel coefficients unstandardized Tabel intercept unstandardized Tabel coefficients standardized Perbandingan PLS SEM dan Regression PLS SEM-Tabel coefficient unstandardized PLS SEM - Tabel Intercepts unstandardized PLS SEM – table standardized Tabel regression

223. PLS SEM Vs Regression Menggunakan data rata-rata sebagaimana data penelitian terlampir , karena regresi tidak menghitung data indicator PLS4 telah tersedia perhitungan Regression, dengan data rata-rata PLS4, menghitung unstandardized dan standardized secara terpisah Regresi , menghitung Unstandardized & Standardized

224. Data penelitian : - Menggunakan nilai rata-rata

225. C1_PLS SEM_Path Coefficients-Unstandardized

226. C2_PLS SEM: Intercept - Unstandardized

227. C3_PLS SEM: Path coefficients - Standardized

228. C4_Regression - Unstandardized & Standardized

229. C5_Regresi- Graphical output

230. 15_Intercepts (Constants) PLS Algorithm: 2.2.1 2.2.2 Bootstrapping: 2.2.1 2.2.2 2.2.3 Tahap Analisis

231. Intercept atau Contant I ntercept adalah nilai perubahan variabel Y ketika X bernilai 0 . Variabel b, dan b merupakan konstanta untuk menunjukkan besar perubahan variabel y untuk setiap kenaikan 1 variabel X, dan e merupakan nilai error Interpretasi dari konstanta (b0) adalah nilai prediksi dari variabel dependen (Y) ketika semua variabel independen (X1, X2, ..., Xn ) bernilai nol. Dalam konteks ini , konstanta memberikan estimasi nilai awal atau baseline dari variabel dependen tanpa adanya kontribusi dari variabel independen . Reference: https://id.quora.com/Bagaimana-cara-mengintepretasikan-konstanta-pada-persamaan-regresi-linear-berganda-Dan-apa-arti-dari-konstanta-tersebut

232. 2.2 Intercepts 2.2.1 Intercepts - Inner model - list Content Tahap Analisis

233. 2.2.2 Intercepts - Outer model - list Content Tahap Analisis

234. 2.2 Intercepts 2.2.1 Inntercepts – Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

235. 2.2.1 Inntercepts – Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

236. 2.2.2 Intercepts- Confidence intervals Content -Bootstrapping Tahap Analisis

237. 2.2.2 Intercepts- Confidence intervals Content -Bootstrapping Tahap Analisis

238. 2.2.3 Intercepts – Confindence interval bias corrected Tahap Analisis

239. 2.2.3 Intercepts – Confindence interval bias corrected Content -Bootstrapping Tahap Analisis

240. 16_Specific indirect effects - Variabel intervening Bootstrapping: 2.4.1 2.4.2 2.4.3 PLS Algorithm Bootstrapping Tahap Analisis

241. 2.4.1 Specific indirect effects: Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

242. 2.4.1 Specific indirect effects: Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

243. 2.4.1 Specific indirect effects – Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

244. 2.4.1 Specific indirect effects – Mean, STDEV, T values, P values Content -Bootstrapping Tahap Analisis

245. 2.4.2 Specific indirects effects –Confidence intervals Content -Bootstrapping Tahap Analisis

246. 2.4.2 Specific indirects effects –Confidence intervals Content -Bootstrapping Tahap Analisis

247. 2.4.3 Specific indirect effects – Conficence interval bias corrected Content -Bootstrapping Tahap Analisis

248. 2.4.3 Specific indirect effects – Conficence interval bias corrected Content -Bootstrapping Tahap Analisis

249. 17_Variabel interaksi -Variabel moderasi

250. Variabel moderasi – Variabel interaksi Eavaluasi terhadap variabel moderasi , dilakukan melalui : Buat graphical – connect variabel M ke garis antara Z dan Y – Calculate – PLS Algorithm – Unstandardized – Start calculation. Hasilnya dapat dilihat sbb : Path coefficient ( Blootstrapping ): Tabel Path coefficient-Mean, STDEV, T values, P values Graphical output ( Bloostrapping ): coefficient (P values): sig bila < 0.05 f square: efek moderasi atau variabel interaksi terhadap pengaruh Hubungan Z dan M (PLS Argorithm – Quality criteria). Nilai efek rendah = 0.02, sedang = 0.15, dan tinggi = 0.35 Gambar grafik : melalui Simple plot analysis. Grafik sejajar , maka tidak ada interaksi , grafik miring ada interaksi , hijau diatas merah , mak iinteraksi tinggi . Hasil yang diperoleh sebagaimana terlampir , yaitu : Coefficient = 0.137 dan Sig. atau P value = 0.159 F square = 0.240 memiliki efek moderasi yang sedang terhadap Hubungan Z dan M Gambar grafik dari simple plot analysis Reference: https://www.youtube.com/watch?v=f6bguKnWTR0

251. Langkah Variabel Moderasi Langkah variabel Moderasi : Buat gambar - Rename ke M utk variabel moderasi - connect garis dari variabel moderasi ke garis yg menghungkan Y dan X1 – Calculate – PLS Algorithm – Start calculation – buka Path coefficient untuk tabel tsb diatas dan graphical out put Coefficient dan Sig di gambar : klik calculate – Boostrapping – Start calculation Efek moderasi : di PLS Algorithm – buka f square matrix – pada variabel interaksi = 0.240 adalah efek sedang ( efek rendah =0.005, sedang =0.010, tinggi = 0.35)  Reference: https ://www.youtube.com/watch?v=f6bguKnWTR0 Nilai F square =0.240 mengindikasikan effect size kategori sedang variabel moderasi M yang digunakan dapat membantu hubungan pengaruh dari variabel independent X1 terhadap variabel dependent Y Lihat Simple Plot: gambar untuk melihat arah gambar sejajar atau miring, dst

252. Variabel moderasi : - Terdapat variabel moderasi M dan variabel interaksi MX1 Nilai F square =0.240 mengindikasikan effect size kategori sedang variabel moderasi yang digunakan dapat membantu hubungan pengaruh dari variabel independent terhadap variabel dependent

253. f-Square Fungsi f-Square adalah untuk mengetahui menilai besarnya pengaruh antar variabel dengan Effect Size atau f-square (Wong, 2013) dan (Sarstedt dkk., 2017 ) F - Square adalah ukuran yang digunakan untuk menilai dampak relatif dari suatu variabel yang mempengaruhi ( independen ) terhadap variabel yang dipengaruhi Nilai F square mengindikasikan effect size variabel moderasi yang digunakan dapat membantu hubungan pengaruh dari variabel independent terhadap variabel dependent Nilai F square mengindikasikan effect size atau proporsi keragaman variabel eksogen terhadap endogen

254. Contoh : f-Square atau effect size (f 2 ) Kategori koefisien F square adalah : Kategori kecil untuk F square antara 0.02 hingga 0.15, Kategori sedang , untuk F square antara 0.15 hingga 0.35, K ategori besar , untuk F square lebih dari 0.35 . Reference: https://repository.upnjatim.ac.id/15400/5/1612010225.-bab4.pdf.pdf

255. Path coefficient Variabel moderasi : terdapat variabel moderasi M dan variabel interaksi MX1 Langkah variabel Moderasi : Buat gambar - Rename ke M utk variabel moderasi - connect garis dari variabel moderasi ke garis yg menghungkan Y dan X1 – Calculate – PLS Algorithm – Start calculation – buka Path coefficient untuk tabel tsb diatas dan graphical out put Coefficient dan Sig di gambar : klik calculate – Boostrapping – Start calculation Efek moderasi : di PLS Algorithm – buka f square matrix – pada variabel interaksi = 0.240 ( efek rendah =0.005, sedang =0.010, tinggi = 0.35)  Reference: https ://www.youtube.com/watch?v=f6bguKnWTR0 Lihat Simple Plot: gambar untuk melihat arah gambar sejajar atau miring, dst

256. W a s s a l am