MODUL

ANALISIS MULTIVARIAT
STRUCTURAL EQUATION MODELING (SEM) DENGAN PARTIAL LEAST
SQUARES (PLS)
Menggunakan Program SmartPLS 3.0

PROGRAM STUDI MANAJEMEN

FAKULTAS BISNIS, HUKUM DAN ILMU SOSIAL
UNIVERSITAS MUHAMMADIYAH SIDOARJO
2020
 DAFTAR ISI

DAFTAR ISI .................................................................................................................................. ii

KATA PENGANTAR ................................................................................................................... iii
BAB I KONSEP DASAR PARTIAL LEAST SQUARE (PLS).................................................... 1
1. Sejarah SEM dan PLS ...................................................................................................................... 1
2. Model Pengukuran dan Model Struktural ........................................................................................ 2
3. Langkah-langkah menggunakan SmartPLS ..................................................................................... 3
4. Estimasi ............................................................................................................................................ 6
5. Evaluasi Goodness of Fit .................................................................................................................. 7
BAB II SOFWARE SMARTPLS ................................................................................................. 12
2. Menjalankan SmartPLS 3.0 ............................................................................................................ 12
3. Tool Bar pada SmartPLS Versi 3.0 ................................................................................................ 16
BAB III ANALISIS DENGAN EFEK MEDIASI ........................................................................ 32
1. Langkah-langkah Analisis Dengan Efek Mediasi Menggunakan SmartPLS 3.0........................... 33
2. Evaluasi Measurement (Outer Model) ........................................................................................... 38
3. Evaluasi Model Struktral (Inner Model). ....................................................................................... 41
BAB IV ANALISIS DENGAN EFEK MODERASI .................................................................... 47
1. Langkah-langkah Analisis Dengan Efek Moderasi Menggunakan SmartPLS 3.0. ....................... 49
2. Evaluasi Measurement (Outer Model) ........................................................................................... 55
3. Evaluasi Model Struktral (Inner Model). ....................................................................................... 57

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 ii

 KATA PENGANTAR

Assalamualaikum Wr Wb
Puji Syukur penulis panjatkan ke-hadirat Allah SWT, karena atas berkat rahmat dan
karuniaNyalah Modul Analisis Multivariat Structural Equation Modeling (SEM) Dengan Partial
Least Squares (PLS) Menggunakan Program SmartPLS 3.0 dapat terselesaikan. Modul ini
merupakan lanjutan modul Analisis Multivariat dengan Menggunakan SPSS dan EViews, selain
itu Modul berikutnya adalah modul Analisis Multivariat dengan SEM menggunakan aplikasi
AMOS.
Penulis mengucapkan terima kasih kepada Dekan FBHIS UMSIDA, Kaprodi Manajemen
FBHIS UMSIDA, Laboran Prodi Manajemen FBHIS UMSIDA yang telah memberikan
kesempatan dan mendukung sehingga Modul Matakuliah Analisis Multivariat Prodi Manajemen
ini dapat terselesaikan.
Penulis menyadari bahwa modul ini masih belum sempurna, sehingga kritik dan saran
sangat diharapkan untuk pengembangan selanjutnya bagi penulis ataupun pihak yang
berkepentingan.
Harapan penulis semoga modul ini dapat berguna bagi pihak yang membutuhkan.
Bilahifisabililhaq fastabiqul khairot
wassalamualaikum wr wb

Sidoarjo, Desember 2020

Penulis

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 iii

 BAB I

KONSEP DASAR PARTIAL LEAST SQUARE (PLS)

1. Sejarah SEM dan PLS

Pada saat ini metode dengan uji regresi merupakan metode yang sering digunakan oleh
mahasiswa, dosen dan juga peneliti untuk melakukan penelitian kuantitatif. Namun
semakin berkembangnya metode penelitian dibidang sosial maka metode analisa dengan
regresi dirasa kurang mampu untuk menjawab permasalahan - permasalahan penelitian
yang diangkat oleh peneliti, sehingga muncul Model Persamaan Struktural untuk
mengatasi kelemahan yang ada pada regresi.
Model Persamaan Struktural atau Structural Equation Modeling (SEM) umumnya diwakili
oleh software AMOS, EQS LISREL, GSeCA, SmartPLS, WarpPLS, MPlus, dll merupakan
Teknik yang sangat popular digunakan dalam ilmu sosial. Teknik analisis tersebut
merupakan gabungan dari dua metodelogi disiplin ilmu yaitu perspekstif ekonometrika
yang memfokuskan pada prediksi dan psychometrika yang mampu untuk menggambarkan
konsep model dengan variabel laten (variabel yang tidak dapat di ukur secara langsung)
tetapi diukur melalui indikator – indikatornya (manifest variabel).
Herman Wold 1966 (dalam Ghozali, 2015) memperkanalkan dua metoda interative yaitu
yang pertama meggunakan metoda estimasi Least Square (LS) untuk single model dan
multi komponen model dan yang kedua untuk canocial correlation dengan menggunakan
algorithm NILES (nonlinier iterative least square). NILES menawarakan metoda estimasi
untuk Principal Componen Analysis (PCA) NILES menghitung Principal component dari
rata – rata iterasi yang dihasilkan oleh regresi linier sederhana.
Tahun 1974, wold memperkenalkan PLS secara Umum dengan algorithm NIPALS
(nonliner iterative partial least squares) yang merupakan perkembangan dari alghorithm
sebelumnya yaitu NILES.
Partial Least Square merupakan metoda analisis yang powerfull dan sering disebut juga
sebagai soft modeling karena meniadakan asumsi – asumsi OLS (Ordinary Least Squares)
regresi, seperti data harus berdistribusi normal secara multivariat dan tidak adanya problem

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 1

 multikolinieritas antar variabel eksogen (Wold, 1982). Penelitian sosial khususnya bisnis
dan manajemen dibidang manajemen pemasaran dan manajemen sumber daya manusia
yang melakukan pengukuran persepsi akan kesulitan mendapatkan data yang berdistribusi
normal, dan akan kesulitan mendapatkan persamaan regresi yang Best Linier Unbiased
Estimate (BLUE), maka PLS salah satu metode analisis yang direkomendasikan.
PLS dapat digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten
(prediction), PLS juga dapat digunakan untuk mengkonfirmasi teori (Chin dan Newsted
1999). PLS menggunakan iterasi algorithm yang terdiri dari seri OLS (ordinary least
square) sehingga persoaalan identifikasi model tidak menjadi masalah untuk model
recursive (model yang mempunyai satu arah kausalitas) dan menghindarkan masalah untuk
model yang bersifat non-recursive (model yang bersifat timbal – balik atau reciprocal antar
variabel) yang dapat diselesaikan oleh SEM berbasis covariance. Sebagai alternatif analisis
covariance based SEM, pendekatan variance based dengan PLS mengubah orientasi
analisis dari menguji model kausalitas (model yang dikembangkan berdasarkan teori) ke
model prediksi komponen (Chin dan Newated 1999 dalam Ghozali, 2015).
2. Model Pengukuran dan Model Struktural
Analisis PLS-SEM biasanya terdiri dari dua sub model yaitu model pengukuran
(measuremen model) atau biasanya disebut outer model dan model struktural (structural
model) atau biasanya disebut inner model. Model pengukuran menunjukkan bagaimana
variabel manifest atau observed variabel mempresentasi variabel laten untuk diukur.
Sedangkan model struktural menunjukkan kekuatan estimasi antar variabel laten atau
konstruk (Ghozali, 2015).

Gambar 1. Model Persamaan Struktural

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 2

 Variabel laten yang dibentuk dalam PLS–SEM, indikatornya dapat berbentuk refleksif
maupun formatif. Indikator reflektif atau sering disebut Mode A merupakan indicator yang
bersifat manifestasi terhadap konstruk dan sesuai dengan Clasical Test Theory yang
mengasumsikan bahwa variance didalam pengukuran score variabel laten merupakan
fungsi dari true score ditambah dengan eror. Sedangkan indikator formatif atau sering
disebut Mode B merupakan indikator yang bersifat mendefinisikan karakteristik atau
menjelaskan konstruk.

Gambar 2. Konstruk dengan Indikator refleksif Gambar 3. Konstruk dengan Indikator formatif
(Mode B)
(Mode A)

Partial Least Square (PLS) dengan pendekatan variance based maka sampel yang
digunakan tidak harus besar. Peneliti dapat menggunakan sampel kecil yang berkisar antara
30 – 100 sampel. Jika menggunakan CBSEM, karena dasarnya adalah covariance, maka
sampel yang digunakan harus besar kisaran antara 200 - 800 sampel. Jumlah konstruk dan
indikator yang digunakan baik PLS atau CBSEM juga berbeda. PLS dapat menggunakan
sampai 100 konstruk dan 1000 indikator, tetapi pada CBSEM hanya bisa menggunkan
maksimal 100 indikator.

3. Langkah-langkah menggunakan SmartPLS

a. Merancang Model Struktural (inner model)
Langkah pertama yang dilakukan adalah merancang model struktural (inner model)
yaitu merancanghubungan antar variabel laten pada PLS dengan didasarkan pada
hipotesis penelitian yang telah di buat.
b. Merancang Model Pengukuran (outer model)
Langkah kedua, merancang model pengukuran (outer model) yaitu: merancang
hubungan variabel laten dengan indikatornya. Pada PLS perancangan outer model
sangat penting, refleksif atau formatif.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 3

c. Konstruksi Diagram Jalur
Langkah ketiga, mengkonstruksi diagram jalur berdasarkan dari perancangan outer
model dan inner model. Hasil perancangan outer model dan innermodel dinyatakan
dalam bentuk diagram jalur agar lebih mudah untuk dipahami sebelum di analisis.
d. Konversi Diagram Jalur ke Sistem Persamaan
1) Outer Model
Outer model, yaitu spesifikasi hubungan antara konstrak laten dan indikatornya.
Outer model, yang disebut juga dengan outer relation atau measurement model,
mendefinisikan karakteristik konstruk dengan variabel manifesnya. Persamaan
outer model dari model indikator refleksif (mode A) adalah:
x = ⋀x 𝜉 + εx
y = ⋀y η + εy
dimana:
x dan y merupakan manifest variabel atau indikator yang berhubungan dengan
konstruk laten eksogen (𝜉) dan endogen (η).
⋀x dan ⋀y merupakan matriks loading yang menggambarkan koefisien regresi
sederhana yang menghubungkan variabel laten dengan indikatornya.
εx dan εy merupakan residual kesalahan pengukuran (measurenment error).
Sedangkan untuk outer model formative (mode B) Adapun persamaan untuk
model indikator formatif dapat ditulis sebagai berikut:

𝜉 = ∏! x + δ!

η = ∏η 𝑦+ δη

dimana:
(𝜉) dan (η) merupakan konstruk laten eksogen dan endogen.
x dan y merupakan manifest variabel atau indikator untuk konstruk laten eksogen
(𝜉) dan endogen (η).
∏" dan ∏# merupakan koefisien regresi berganda untuk variabel laten dan blok

indikator.
δx dan δy merupakan residual dari regresi.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 4

2) Inner Model
Inner model, yaitu spesifikasi yang menunjukkan hubungan – hubungan atau
kekuatan estimasi antar variabel laten (structural model) atau konstruk
berdasarkan pada substantive theory. Persamaan inner model dapat ditulis sebagai
berikut:
η = 𝛽0 + 𝛽η +Γξ + ς
dimana:
η adalah vector konstruk laten endogen.
ξ adalah vector konstruk laten eksogen.
ς adalah vector variabel residual (unexplained variance)

Pada dasarnya PLS didesain untuk model recursive (model yang mempunyai satu
arah kusalitas), maka hubungan antara variabel laten eksogen terhadap setiap
variabel laten eksogen terhadap setiap variabel laten endogen disebut dengan
causal chain system yang dapat di spesifikasi sebagai berikut:

ηj = Σi 𝛽ji ηj +Σi γjb ξb +ςj

dimana:
𝛽ji dan γjb merupakan koefisien jalur yang menghubungkan variabel laten endogen

(η) dengan eksogen (ξ).

𝑖 dan b merupakan range indices.
ςj merupakan inner residual variabel.

3) Weight Relation
Weight relation, estimasi nilai kasus variabel latent. Inner dan outer
modelmemberikan spesifikasi yang diikuti dengan estimasi weight relation dalam
algoritmaPLS. Nilai kasus untuk setiap variabel laten yang diestimasi dalam PLS
mengikuti:
ξb = Σkb 𝜔kb xkb
η.b = Σki 𝜔ki yki

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 5

 Dimana:
𝜔kb dan 𝜔ki adalah k weight yang digunakan untuk mengestimasi variabel laten ξb
dan η.b .
Jadi, estimasi variabel laten adalah linier aggregate dari indikator yang nilai
weightnya didapat melalui prosedur estimasi PLS dengan dispesifikasi oleh inner
dan outer model dimana η adalah vector variabel endogen dan ξ adalah vector
variabel eksogen, ς merupakan vector residual serta B dan Γ adalah matrik
koefisien jalur.

4. Estimasi
Pendugaan parameter dalam PLS diperoleh melalui proses iterasi tiga tahap dan disetiap
tahap menghasilkan estimasi. Berikut adalah langkah-langkah estimasi parameter PLS:
a. Estimasi bobot (weight estimate)
Tahap pertama menghasilkan estimasi bobot (weight eastimate) wjh, digunakan untuk
menciptakan skor variabel laten. Estimasi bobot wjh diperoleh melalui dua jalan, yaitu
mode A dan mode B. Mode A dirancang untuk memperoleh estimasi bobot dengan
tipe indikator refleksif, sedangkan mode B dirancang untuk memperoleh estimasi
bobot dengan tipe indikator formatif.
b. Estimasi jalur (path estimate)
Tahap kedua menghasilkan estimasi jalur yang menghubungkan antar variabel laten
dan estimasi loading antara variabel laten dengan indikatornya. Estimasi ini diperoleh
melalui estimasi inner model dan outer model.
c. Estimasi rata-rata (Means) dan lokasi parameter (konstanta)
d. Pada tahap ini, estimasi didasarkan pada matriks data asli dan hasil estimasi bobot dan
koefisien jalur pada tahap kedua, tujuannya untuk menghitung rata-rata dan lokasi
parameter.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 6

5. Evaluasi Goodness of Fit

a. Evaluasi Model Pengukuran (Outer Model)

1) ConvergentValidity
Convergent validity mengukur besarnya korelasi antara konstrak dengan variable
laten. Dalam evaluasi convergent validity dari pemeriksaan individual item
realibility, dapat dilihat dari standardized loading factor. Standardize loading
factor menggambarkan besarnya korelasi antar setiap item pengukuran (indikator)
dengan konstraknya. Korelasi dapat dikatakan valid apabila loading factor memiliki
nilai > 0,7.
2) DiscriminantValidity
Membandingkan niliai discriminant validity dan squareroot of average variance
extracted (AVE). Model pengukuran dinilai berdasarkan pengukuran cross loading
dengan konstruk. Jika kolerasi konstruk dengan setiap indikatornya lebih besar dari
pada ukuran konstrak lainnya, maka konstruk laten memprediksi indikatornya lebih
baik dari pada konstruk lainnya. Jika nilai AVE lebih tinggi dari pada nilai kolerasi
diantara konstruk, maka discriminant validity yang baik tercapai.
Direkomendasikan Jika nilai AVE lebih besar dari 0,5 (Tasha Hoover, 2005 dalam
Sofyan Yamin, 2009). Berikut rumus untuk menghitung AVE:
(∑λ2i ) var F
AVE=
(∑λ2i ) + var F+ ∑θii

dimana:

𝜆% adalah factor loading

F adalah factor variance
θii adalah eror variance

Selain itu terdapat cara lain untuk menguji discriminant validity yaitu dengan
membandingkan akar kuadrat AVE untuk setiap konstruk dengan nilai korelasi
antar konstruk dalam model. Discriminant validity yang baik di tunjukkan dari akar

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 7

 kuadrat AVE untuk setiap konstruk lebih besar dari korelasi antar konstruk dalam
model (Fornell dan Larcker, 1981).

3) Composite Reliability
Uji reliabilitas dilakukan untuk membuktikan akurasi, kosistensi dan ketepatan
instrument dalam mengukur konstruk. Dalam PLS-SEM dengan menggunakan
SmartPLS 3.0, untuk mengukur reliabilitas suatu konstruk dengan indikator
refleksif dapat dilakukan dengan dua acara yaitu: dengan Cronbach’s Alpha dan
Composite Reliability sering disebut Dillon Goldstein’s.
Rule of Thumb yang biasanya digunakan untuk menilai reliabilitas konstruk yaitu
nilai Composite Reliability harus lebih besar dari 0,7 untuk penelitian yang bersifat
confirmatory dan 0.6 – 0.7 untuk penelitian yang bersifat explorantory.

(∑𝜆% )& var F

pc =
(∑𝜆% )& var F + ∑θii

dimana:

𝜆% adalah factor loading

F adalah factor variance
θii adalah eror variance

Dalam PLS, uji reliabilitas diperkuat dengan adanya Cronbach Alpha dimana
konsistensi setiap jawaban diujikan. Cronbach alpha dikatakan baik apabila α>0,5
dan dikatakan cukup apabila α>0,3. Menurut (Ghozal, 2015) Rule of Thumb yang
biasanya digunakan untuk menilai reliabilitas konstruk yaitu nilai Cronbach's
Alpha harus lebih besar dari 0,7 untuk penelitian yang bersifat confirmatory dan
0.6 – 0.7 untuk penelitian yang bersifat explorantory. Ringkasan Rule of Thumbs
uji reliabilitas konstruk dengan indikator reflektif dapat dilihat pada tabel berikut

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 8

 Tabel 1. Ringkasan Rule of Thumbs Evaluasi Model Pengukuran (Mode A)
Validitas dan Reliabilitas Parameter Rule of Thumbs

Validitas Convergent Loading Factor • > 0.70 untuk Confirmatory

Research
• > 0.60 untuk Exploratory
Research
• > 0.50 untuk Exploratory
Research (Chin, 1998)
Average Variance > 0.50 untuk Confirmatory maupun
Extracted (AVE) Exploratory Research
Communality > 0.50 untuk Confirmatory maupun
Exploratory Research
Validitas Diskriminant Cross Loading > 0.70 untuk setiap variabel
Akar kuadrat AVE dan Akar kuadrat AVE > Korelasi antar
Korelasi antar Konstruk Konstruk Laten
Laten
Reliabilitas Cronbach's Alpha • > 0.70 untuk Confirmatory
Research
• > 0.60 masih dapat diterima untuk
Exploratory
Research
Composite Reliability • 0.70 untuk Confirmatory Research
• 0.60 - 0.70 masih dapat diterima
untuk Exploratory
Research
Sumber: Ghozali (2015:76)

Jika konstruk berbentuk formatif (mode B), maka evaluasi model pengukuran
dilakukan dengan melihat signifikasi weightnya. Sehingga uji validitas dan uji
reliabilitas tidak diperlukan. Untuk memperoleh signifikasi weigt harus melalui
prosdur resampling (jackknifing atau bootstrapping). Selain itu uji multikolinieritas
untuk konstruk formatif mutlak diperlukan dengan menghitung nilai Varian
Inflation Factor (VIF) dan lawannya Tolerance. Jika didapat nilai signifikasi
weight T-statistik > 1.96 maka dapat disimpulkan bahwa indikator konstruk (mode
B) adalah valid. Untuk VIF direkomendasikan <10 atau < 5 dan tolerance > 0.10
atau > 0.20. Ringkasan rule of thumb evaluasi model pengukuran (mode B) dapat
dilihat pada tabel berikut:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 9

 Tabel 2. Ringkasan Rule of Thumbs Evaluasi Model Pengukuran (Mode b)

Kriteria Rule of Thumbs

Signifikansi Weight • >1,65 (signifikansi level 10%)

• >1,96 (signifikansi level 5%)
• >2,58 (signifikansi level 1%)

Multicollinearity • VIF <10 atau <5

• Tolerance >0,1 atau >0,2
Sumber: Ghozali (2015:78)

b. Evaluasi Model Pengukuran (Inner Model)

Dalam menilai model struktural dengan PLS dievaluasi dengan melihat persentase
varians yang dijelaskan yaitu dengan melihat R-Square untuk konstruk laten endogen
sebagai kekuatan prediksi dari model struktural. Interprestasinya sama dengan
interprestasi pada OLS regresi. Perubahan nilai R-Square dapat digunakan untuk
menjelaskan pengaruh variabel laten eksogen tertentu terhadap variabel laten endogen
apakah mempunyai pengaruh yang substantive. Nilai R-Square 0.75, 0.50 dan 0.25
dapat disimpulkan bahwa model kuat, moderat, dan lemah. Hasil dari PLS R-Square
merepresentasi jumlah variance dari konstruk yang dijelaskan oleh model.
Selain dengan melihat nilai R square dapat juga dengan melihat nilai Q2 predictive
relevance. Teknik ini dapat merepresentasikan synthesis dari cross validation dan
fungsi fitting. Nilai Q2 >0 maka mempunyai predictive relevance sedangkan apabila
nilai Q2 <0 maka model kurang memiliki predictive relevance. Nilai Q2 predictive
relevance 0.02,0.15 dan 0.35 memiliki arti berada pada lemah,moderate dan kuat.
(Ghozali dan Latan,2015:81)
Tabel 3. Ringkasan Rule of Thumbs Evaluasi Model Struktural
Kriteria Rule of Thumbs
R-Square Menurut (Chin 1998)
• 0.67 menunjukkan model kuat
• 0.33 menunjukkan model moderat
• 0.19 menunjukkan model lemah
Menurut (Hair et al. 2011)
• 0.75 menunjukkan model kuat
• 0.50 menunjukkan model moderat
• 0.25 menunjukkan model kecil
Menurut (Widarjono, 2015)
• ≥ 0.75 model baik

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 10

Effect size f 2 • 0.02 kecil
• 0.15 sedang
• 0.35 besar
Q 2 predictive relevance • Q 2 > 0 model memiliki predictive relevance
• Q 2 < 0 model kurang memiliki predictive relecance
q 2 predictive relevance • 0.02 lemah
• 0.15 moderat
• 0.35 kuat
Signifikansi (two tailed) t-value 1.65 (signifikan level = 10%, 1.96 (significance level = 5%),
dan 2.58 (significance level = 1)
Sumber: Ghozali (2015:81)

Uji Hipotesis (resampling bootstrapping)

Pengujian hipotesis (β, γ dan λ) dilakukan dengan metode resampling bootstrap.
Statistik uji yang digunakan adalah statistik t atau uji t, dengan hipotesis statistik
sebagai berikut:
1) Hipotesis statistik untuk outer model:
H0 : λi = 0
H1 : λi ≠ 0
2) Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen:
H0 : γi = 0
H1 : γi ≠ 0
3) Penerapan metode resampling, memungkinkan berlakunya data terdistribusi
bebas (distribution free), tidak memerlukan asumsi distribusi normal, serta tidak
memerlukan sampel yang besar (sampel minimum 30).

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 11

 BAB II

SOFWARE SMARTPLS

Sofware Structural Equation Modeling (SEM) untuk menganalisis component based PLS pertama
kali dikembangkan oleh Jan-Bernd Lohmoller (1984, 1987, 1989) under DOS dan disebut LVPLS
versi 1.8 (Laten Variabel Pertial Least Squares). Kemudian dikembangkan lebih lanjut oleh Wynne
W Chin (1998, 1999, 2001) menjadi under windows dengan graphical interface dan tambahan
perbaikan Teknik validasi dengan memasukkan bootstrapping dan jacknifing. Software yang
dikembangkan oleh Chin tersebut diberi nama PLS GRAPH versi 3.0. masih versi beta, versi
student dapat didownload secara gratis. Sofware PLS SmartPLS 3.0 yang dikembangkan di
Universitas of Hamburg jerman dapat di download gratis dari [Link] (Ghozali, 2015).
Jika menggunakan gratis yang versi student karena tidak full versi maka memiliki kekurangan
antara lain: sampel maksimal 100, output tidak bisa di save, di copy dan juga tidak bisa di export
ke dalam bentuk Excel.

2. Menjalankan SmartPLS 3.0

Sebelum mulai menjalankan Aplikasi SmartPLS, terlebih dahulu menyiapkan data penelitian.
Jika penelitian menggunakan angket atau kuesioner maka harus ditabulasi kedalam Excel,
namun jika kuesioner disebar menggunakan geogle form maka anda harus mendownload
dalam bentuk excel lalu di susun ulang suapaya data siap di analisis. Untuk menjalankan
smartPLS 3.0 data harus dalam format CSV (Comma delimited) atau Comma Separated Value
(CSV), maka data yang sudah disiapkan dalam bentuk excel kemudian di save as ke CSV,
dapat di lihat pada gambar di bawah:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 12

a. Membuka Aplikasi SmartPLS.
Gambar dibawah merupakan Main Window SmartPLS Versi 3.0

Jendela tempat
Proyek yang dibuat
/ yang akan
Jendela tempat
dikerjakan
Struktural model di
gambar

b. Membuat projek baru (Create New Project)

Langkahnya File à New atau klik , pada file name isi nama file yang akan di
olah à Ok.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 13

c. Impor data dengan cara klik Double clik to import data.

d. Cari data Riset [Link] (diderektori diaman file tersebut disimpan) lalu klik
Open File.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 14

e. Tampak tampilan window seperti dibawah ini. Projek Green Marketing berisi file
Green Markering (100 record).

f. Klik Riset Marketing maka akan tampak lembar kerja dibawah ini:

Dari tampilan di atas tampak indikator dan working area tempat untuk
menggambarkan model dan tool bar untuk menggambar variabel laten dan
indikatornya.
ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 15
3. Tool Bar pada SmartPLS Versi 3.0

Modelling Mode
Tiga jenis modelling yang dapat digunakan untuk menggambar atau mendesasin dan
merubah model, yaitu: selection mode, drawing mode dan connection mode, lebih
detail dapat dilihat dibawah ini:

Fungsi select untuk memilih dan memindahkan objek

pada drawing board. Tekan (SHIFT) key untuk multiple
selection objects. Objek yang ada pada drawing board
dapat diedit dengan double click pada tombol mouse kiri.

Laten varibel difungsikan untuk membuat atau

menambahkan laten variabel pada drawing mode,
dengan cara click dengan tombol mouse kiri pada
drawing area untuk membuat variabel laten baru dengan
standart label (laten variabel 1, laten variabel 2, dst,
mengikuti jumlah laten variabel yang dibuat). Untuk
mengubah nama laten variabel dengan cara click kanan
pada laten variabel dan pilih rename lalu click OK.

Connection Mode difungsikan untuk membuat hubungan

antar variabel laten, dengan cara menekan mouse tombol
kiri dan tarik ke target laten variabel yang akan diberikan
hubungan.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 16

 • Delete : digunakan untuk menghapus variabel
laten maupun indikator.
• Rename : digunakan untuk merubah nama atau
label variabel.
• Swith between formatif / reflektif : digunakan
untuk merubah indikator dalam bentuk formatif
menjadi reflektif atau sebaliknya
• Hide indicators of selected construct :
digunakan untuk menyembunyikan variabel
indikator dari model (digunakan jika model
komplek dengan indikator yang terlalu banyak
sehingga drawing area tidak cukup)
• Align : digunakan untuk melatakkan indikator,
atau merubah tata letak indikator apakah di atas
(top), dibawah (bottom), di kanan (right), di kiri
(left), dari variabel laten.

Manggambar Model
Cara membuat laten variabel dengan indikator, maka terlebih dahulu membuat
variabel laten dengan drawing mode klik Ketika sudah nyala lalu Click di
area drawing, highlight variabel indikator dari area data variabel indikator, lalu drag
dan drop dengan mouse ke variabel laten sesuai dengan variabel yang telah dibuat.
Membuat laten variabel dan diberi hubungan seperti dibawah:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 17

Rename Laten Variabel
Click dua kali pada laten variabel 1 dan rename Minat Membeli, kemudian click dua
kali pada laten variabel 2 dan rename Keputusan Pembelian.

Sehingga hasilnya seperti dibawah ini:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 18

Drag indikator masing – masing konstruk kedalam Varaibel Laten, sehingga terlihat
sebagai berikut:

Model siap di estimasi dengan cara klik menu utama lalu pilih calculate à PLS
algorithm

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 19

Sehingga muncul window seperti dibawah:
Algoritma Setting
• Weight Shceme : path
• Maximum Interation : 300

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut:

Dari diagram datas dapat dilihat terdapat satu indikator yang memiliki nilai loading
factor atau outer loading dibawah 0.70 atau tidak valid yaitu KP2 yang merupakan
indikator dari variabel Keputusan Pembelian, Oleh karena tidak memenuhi kriteria
convergent validity maka indikator KP2 dikeluarkan dari model, lalu di calculate
ulang. Sehingga hasilnya seperti dibawah:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 20

Setelah di calculate ulang semua loading factor atau outer loading diatas 0.70 semua,
atau tidak ada yang di bawah 0.70.

• Jika ingin menyimpan path diagram maka klik file à export as image to file. Ada
acara lain yaitu dengan klik export yang ada di tema lalu pilih PNG.
• Untuk melihat hasil analisis klik Open this report atau dengan klik PLS
Alghorithm:

• Untuk menyimpan hasil analisis secara keseluruhan maka di save as, dan jika ingin
menyimpan dalam bentuk excel maka klik PLS Algorithm lalu klik export to excel.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 21

 • Maka tampilan output dalam bentuk excel seperti dibawah, anda bisa memanfaatkan
navigation untuk melihat nilai Report hasil analisis anda.

Interprestasi
A. Evaluasi Measurement (Outer Model)
1) Convergent Validity
Hasil analisis terdapat satu indikator yang memiliki nilai loading factor dibawah
0.70 atau tidak valid yaitu KP2 yang merupakan indikator dari variabel Keputusan
Pembelian, Oleh karena tidak memenuhi kriteria convergent validity maka
indikator KP2 dikeluarkan dari model.

Tabel 4. Convergent Validity (AVE)

Average Variance Keterangan
Extracted (AVE)
Minat Membeli 0,661 Valid
Keputusan Pembelian 0,810 Valid
Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 22

 Hasil output AVE dari Smart PLS pada tabel 4. yang dihasilkan oleh semua
konstruk memiliki nilai > 0.50, sehingga masing – masing kostruk telah memenuhi
persyaratan.

2) Discriminant Validity
Tingkat validitas konstruk dapat diukur dengan cara yang kedua yaitu
menggunakan diskriminan validity, disajikan dalam tabel …… berikut:

Tabel 5. Hasil Uji Discriminant Validity (Fornell-Larcker Criterion)

Keputusan Minat
Pembelian Membeli
Keputusan Pembelian 0,900
Minat Membeli 0,518 0,813

Sumber: Output pengolahan dengan SmartPLS 3.0.

Dari tabel 5. dapat dilihat bahwa nilai diagonal yang dicetak tebal adalah akar

kuadrat AVE dan nilai dibawahnya adalah korelasi antar konstruk, nilai akar

kuadrat AVE lebih besar daripada korelasi antar konstruk, maka dapat disimpulkan

bahwa model valid karena memenuhi diskriminant validity.

3) Composite Reliability
Nilai composite reliability dan cronbach's alpha untuk masing-masing konstruk
disajikan dalam tabel 6. berikut:

Tabel 6. Hasil Uji Composite Reliability dan Cronbach's Alpha

Cronbach's Composite
Keterangan
Alpha Reliability
Reliable
Keputusan Pembelian 0,766 0,895

Minat Membeli 0,741 0,853 Reliable

Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 23

 Nilai Cronbach’s Alpha yang dihasilkan semua konstruk sangat baik karena nilai
diatas >0.70 sehingga dapat disimpulkan bahwa indicator kosnstruk adalah reliabel
atau dapat dikatakan memenuhi uji reliabilitas. Nilai Composit Reliability yang
dihasilkan semua konstruk sangat baik karena diatas >0.70 sehingga dapat
disimpulkan bahwa semua indicator konstruk adalah reliabel atau memenuhi uji
reliabilitas.

B. Evaluasi Model Struktral (Inner Model)

Estimasi telah memnuhi kriteria Outer Model, langkah berikutnya melakukan uji model
structural (Inner model). Menurut (Ghozali, 2011) tujuan evaluasi model structural
(Inner model) untuk memprediksi hubungan antar variabel laten. Dalam menilai inner
model dengan SmartPLS dilihat dari nilai R-Square (𝑅& ) untuk setiap variabel laten
endogen. Koefisien determinasi R-square (𝑅& ) menunjukkan seberapa besar variabel
exsogen menjelaskan variabel endogennya. Nilai R-Square (𝑅& ) adalah nol sampai
dengan satu.

1. Uji R-Square (𝑹𝟐 )

Tabel 7. Hasil Uji R-Square (𝑅& )
R Square R Square Adjusted
Keputusan Pembelian 0,268 0,260

Sumber: Output pengolahan dengan SmartPLS 3.0.

Dari tabel diatas dapat dilihat nilai koefisien determinasi (R2 ) sebesar 0.268 untuk

variabel keputusan pembelian, artinya variabel minat membeli menjelaskan varian

variabel keputusan pembelian sebesar 26.8%.

2. Path Koefisien
Untuk mendapatkan nilai Path Koefisien atau t – statistik maka terlebih dahulu harus
di estimasi bootstrapping dengan cara klik menu utama lalu pilih calculate à
bootstrapping.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 24

 Bootstrapping Setting
• Subsampel : 500
• Sign Changes : No Sign Changes

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 25

• Jika ingin menyimpan path diagram maka klik file à export as image to file. Ada
acara lain yaitu dengan klik export yang ada di tema lalu pilih PNG.
• Untuk melihat hasil analisis klik Open this report atau dengan klik Bootstrapping:

• Untuk menyimpan hasil analisis secara keseluruhan maka di save as, dan jika
ingin menyimpan dalam bentuk excel maka klik bootstrapping lalu klik export to
excel.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 26

• Maka tampilan output dalam bentuk excel seperti dibawah, anda bisa
memanfaatkan navigation untuk melihat nilai Report hasil analisis anda.

• Setelah mendapatkan nilai path koefisien, maka Langkah selanjutnya

menginterprestasikan, seperti dibawah ini:

Tabel 8. Path Koefisien

Original Sample Standard
T Statistics
Sample Mean Deviation P Values
(|O/STDEV|)
(O) (M) (STDEV)
Minat Membeli ->
0,518 0,523 0,080 6,496 0,000
Keputusan Pembelian
Sumber: Output pengolahan dengan SmartPLS 3.0.

Besarnya koefisien parameter 0.518 yang berarti terdapat pengaruh positif antara

Minat Membeli terhadap Keputusan Pembelian. Semakin tinggi minat membeli

maka semakin tinggi keputusan pembelian, dengan nilai t-statistik sebsar 6,496

signifikan (t-tabel signifikan 5% = 1,96), karena nilai t-statistik lebih besar dari t

tabel 1.96.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 27

3. Uji Prediktif Relevance

Untuk mendapatkan nilai Q² dalam Uji Prediktif Relevance maka terlebih dahulu

harus di estimasi Blindfolding dengan cara klik menu utama lalu pilih calculate à

Blindfolding.

Blindfolding Setting
Omission Distance : 7

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 28

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing

area sebagai berikut:

• Jika ingin menyimpan path diagram maka klik file à export as image to file. Ada
acara lain yaitu dengan klik export yang ada di tema lalu pilih PNG.
• Untuk melihat hasil analisis klik Open this report atau dengan klik Blindfolding:

• Untuk menyimpan hasil analisis secara keseluruhan maka di save as, dan jika
ingin menyimpan dalam bentuk excel maka klik Blindfolding lalu klik export to
excel.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 29

 • Maka tampilan output dalam bentuk excel seperti dibawah, anda bisa
memanfaatkan navigation untuk melihat nilai Report hasil analisis anda.

• Setelah mendapatkan nilai Q², maka Langkah selanjutnya menginterprestasikan,

seperti dibawah ini:
Tabel 9. Uji Prediktif Relevance
SSO SSE Q² (=1-SSE/SSO)
Keputusan Pembelian 200,000 158,605 0,207
Minat Membeli 300,000 300,000
Sumber: Output pengolahan dengan SmartPLS 3.0.

Berdsarkan perhitungan Prediktive Relevance (Q& ) pada tabel diatas menunjukkan

nilai 0.207, maka dapat disimpulkan bahwa model memiliki nilai prediktif relevan.

c) Evaluasi Model Fit

Evaluasi model fit pada penelitian ini, menggunakan model pengujian Normal Fit Index
(NFI).
Tabel 10. Uji Evaluasi Model Fit
Saturated Model Estimated Model
NFI 0,668 0,668

Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 30

Hasil penelitian menunjukkan bahwa nilai saturated model (measurement) fit dan nilai
estimate model (structural model) memiliki nilai yang sama. Dari hasil tersebut bahwa
dapat disimpulkan bahwa model dalam penelitian memiliki nilai normal fit index (NFI)
yang menunjukkan bahwa model dalam penelitian ini 66.8% lebih baik dari pada model
null model.

Ketarangan: Nilai NFI dapat di lihat pada Output PLS algorithm Model Fit.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 31

 BAB III

ANALISIS DENGAN EFEK MEDIASI

Structural Equation Modeling (SEM) dengan efek mediasi merupakan hubungan antara konstruk
eksogen dengan endogen melalui variabel penghubung atau antara. Menurut Sugiyono (2016),
variabel intervening atau mediasi adalah variabel yang secara teoritis mempengaruhi hubungan
antara variabel independent (eksogen) dengan variabel dependen (endogen) menjadi hubungan
yang tidak langsung dan tidak dapat diamati dan di ukur. Perngaruh variabel laten eksogen
terhadap variabel laten endogen bisa secara langsung tetapi juga bisa melalui variabel antara atau
mediasi. Menurut Ghozali (2015) pengujian efek mediasi menggunakan SmartPLS 3.0
menggunakan prosedur yang dikembangakan oleh Baron dan Kenny 1986. Terdapat tiga tahapan
model untuk menguji efek mediasi (Baron dan Kenny 1986), tahapan tersebut antara lain:
a. Model pertama, menguji pengaruh variabel eksogen (X) terhadap variabel endogen (Y)
dan harus signifikan pada t-statistik >1.96.
b. Model kedua, menguji pengaruh variabel eksogen (X) terhadap variabel mediasi (M)
dan harus signifikan pada t-statistik >1.96.
c. Model ketiga, menguji secara simultan pengaruh variabel eksogen (X) dan variabel
mediasi (M) terhadap variabel endogen (Y). pada pengujian tahap terakhir diharapkan
pengaruh variabel eksogen (X) terhadap variabel endogen (Y) tidak signifikan sedang
pengaruh variabel mediasi (M) terhadap variabel endogen (Y) harus signifikan pada t-
statistik >1.96.
Supaya lebih memahami SEM efek mediasi maka, mari dipraktekkan dengan model penelitian
sebagai berikut:

H1 H4

H3

H2 H5

Gambar 4. Model Penelitian Green Marketing

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 32

1. Langkah-langkah Analisis Dengan Efek Mediasi Menggunakan SmartPLS 3.0.

A. Open aplikasi SmartPLS 3.0. dengan cara dluble klik, window tampilan seperti dibawah
ini:

B. Membuat projek baru (Create New Project), Langkahnya File à New atau klik ,
pada file name isi nama file yang akan di olah à Ok.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 33

C. Impor data dengan cara klik Double clik to import data.

D. Cari data Riset [Link] (diderektori diaman file tersebut disimpan) lalu klik Open
File.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 34

E. Tampak tampilan window seperti dibawah ini. Projek Green Marketing berisi file Green
Markering (100 record).

F. Klik Riset Marketing maka akan tampak lembar kerja dibawah ini:

G. Membuat laten variabel dengan indikator, maka terlebih dahulu membuat variabel laten
dengan drawing mode klik Ketika sudah nyala lalu Click di area drawing, highlight
variabel indikator dari area data variabel indikator, lalu drag dan drop dengan mouse ke
variabel laten sesuai dengan variabel yang telah dibuat. Membuat laten variabel, rename
variabel, beri hubungan dengan klik , dan masukkan idikator. Sehingga terbentuk
seperti dibawah:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 35

H. Model siap di estimasi dengan cara klik menu utama lalu pilih calculate à PLS
algorithm

o Weight Shceme : path

o Maximum Interation : 300

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 36

I. Click Start calculation akan muncul output dalam bentuk path diagram pada drawing area
sebagai berikut:

Dari diagram datas dapat dilihat terdapat satu indikator yang memiliki nilai loading factor
dibawah 0.70 atau tidak valid yaitu GM3 yang merupakan indikator dari variabel green
marketing, dan KP2 yang merupakan indikator dari variabel Keputusan Pembelian, Oleh
karena tidak memenuhi kriteria convergent validity maka indikator GM3 dan KP2
dikeluarkan dari model. Lebih detail indikator yang tidak valid dapat di lihat pada outer
loading nilai yang berwarna merah berikut:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 37

 J. Selatah GM3 dan KP2 dikelurkan dari model dengan cara klik kanan pada indikator
kemudian delete, langkah berikutnya calculate ulang. Sehingga hasilnya seperti dibawah:

Setelah di calculate ulang semua loading factor atau outer loading diatas 0.70, atau tidak
ada yang di bawah 0.70. dapat dilihat pada output outer loading bahwa nilainya sudah tidak
ada yang berwarna merah.

2. Evaluasi Measurement (Outer Model)

a. Convergent Validity
Hasil analisis terdapat dua indikator yang memiliki nilai loading factor dibawah 0.70 atau
tidak valid yaitu GM3 yang merupakan indikator dari variabel green marketing, dan KP2

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 38

 yang merupakan indikator dari variabel Keputusan Pembelian, Oleh karena tidak
memenuhi kriteria convergent validity maka indikator GM3 dan KP2 dikeluarkan dari
model atau di drop dari analisis.

Tabel 11. Convergent Validity (AVE)

Average Keterangan
Variance
Extracted
(AVE)
Green Marketing 0,700 Valid
Keputusan Pembelian 0,810 Valid
Lingkungan dan Kesehatan 0,580 Valid
Minat Membeli 0,661 Valid
Sumber: Output pengolahan dengan SmartPLS 3.0.

Hasil output AVE dari Smart PLS pada tabel diatas yang dihasilkan oleh semua konstruk
memiliki nilai > 0.50, sehingga masing – masing kostruk telah memenuhi persyaratan
validitas konvergen.

b. Discriminant Validity
Tingkat validitas konstruk dapat diukur dengan cara yang kedua yaitu menggunakan
diskriminan validity, disajikan dalam tabel 12 berikut:

Tabel 12. Hasil Uji Discriminant Validity (Fornell-Larcker Criterion)

Green Keputusan Lingkungan dan Minat Membeli

Marketing Pembelian Kesehatan
Green Marketing 0,837
Keputusan
-0,195 0,900
Pembelian
Lingkungan dan
-0,172 0,565 0,762
Kesehatan
Minat Membeli -0,104 0,510 0,581 0,813
Sumber: Output pengolahan dengan SmartPLS 3.0.

Dari tabel 12. dapat dilihat bahwa nilai diagonal yang dicetak tebal adalah akar kuadrat
AVE dan nilai dibawahnya adalah korelasi antar konstruk, nilai akar kuadrat AVE lebih
besar daripada korelasi antar konstruk, maka dapat disimpulkan bahwa model valid
karena memenuhi diskriminant validity.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 39

 Ada metode lain yang dapat digunakan untuk menguji discriminant validity yaitu
dengan melihat dari tabel cross loading.

Dari tabel di atas dapat dilihat bahwa nilai cros loading dari masing-masing item terhadap
konstruk nya lebih besar dari pada nilai cross loading nya. Maka dapat disimpulkan bahwa
tidak terdapat permasalahan discriminant validity.

c. Composite Reliability
Nilai composite reliability dan cronbach's alpha untuk masing-masing konstruk disajikan
dalam tabel berikut:

Tabel 13. Hasil Uji Composite Reliability dan Cronbach's Alpha

Cronbach's Composite
Keterangan
Alpha Reliability
Green Marketing 0,892 0,920 Reliable
Keputusan Pembelian 0,766 0,895 Reliable
Lingkungan dan
0,763 0,847 Reliable
Kesehatan
Minat Membeli 0,741 0,854 Reliable
Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 40

 Nilai Cronbach’s Alpha yang dihasilkan semua konstruk sangat baik karena nilai diatas >0.70
sehingga dapat disimpulkan bahwa indicator kosnstruk adalah reliabel atau dapat dikatakan
memenuhi uji reliabilitas. Nilai Composit Reliability yang dihasilkan semua konstruk sangat
baik karena diatas >0.70 sehingga dapat disimpulkan bahwa semua indicator konstruk adalah
reliabel atau memenuhi uji reliabilitas.

3. Evaluasi Model Struktral (Inner Model).

a. Uji R-Square (𝑹𝟐 )
Tabel 14. Hasil Uji R-Square (𝑅& )
R Square R Square Adjusted
Keputusan Pembelian 0,379 0,359
Minat Membeli 0,338 0,324
Sumber: Output pengolahan dengan SmartPLS [Link] tabel diatas dapat dilihat nilai

koefisien determinasi (R2 ) sebesar 0.379 untuk variabel keputusan pembelian, artinya

variabel green marketing, lingkungan dan kesehatan, serta minat membeli menjelaskan

varian variabel keputusan pembelian sebesar 37.9%, sedangkan variabel green marketing,

lingkungan dan kesehatan, menjelaskan varian variabel Minat Membeli sebesar 33.8%.

b. Path Koefisien
Untuk mendapatkan nilai Path Koefisien atau t – statistik maka terlebih dahulu harus di
estimasi bootstrapping dengan cara klik menu utama lalu pilih calculate à bootstrapping.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 41

 Bootstrapping Setting
• Subsampel : 500
• Sign Changes : No Sign Changes

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut

• Setelah mendapatkan nilai path koefisien, maka open this report pilih path
coefficients langkah selanjutnya menginterprestasikan, seperti dibawah ini:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 42

 Tabel 15. Path Koefisien
Original Sample Standard T Statistics P Values
Sample Mean Deviation (|O/STDEV|)
(O) (M) (STDEV)
Green Marketing -> -0,100 -0,102 0,096 1,037 0,300
Keputusan Pembelian
Green Marketing -> Minat -0,004 -0,011 0,097 0,046 0,963
Membeli
Lingkungan dan Kesehatan -> 0,389 0,397 0,098 3,989 0,000
Keputusan Pembelian
Lingkungan dan Kesehatan -> 0,581 0,582 0,082 7,123 0,000
Minat Membeli
Minat Membeli -> Keputusan 0,273 0,267 0,115 2,379 0,018
Pembelian
Sumber: Output pengolahan dengan SmartPLS 3.0.

Dari tabel diatas dapat dilihat bahwa: lingkungan dan kesehatan berpengaruh positif

signifikan terhadap keputusan pembelian dengan nilai t- statistic >1.96, lingkungan dan

kesehatan berpengaruh positif signifikan terhadap minat membeli dengan nilai t- statistic

>1.96, minat membeli berpengaruh positif signifikan terhadap keputusan pembelian

dengan nilai t- statistic >1.96. Namun ada dua yang tidak berpengaruh, yaitu: Green

marketing terhadap keputusan pembelian dan green marketing terhadap minat membeli,

karena nilai t- statistic < 1.96 dan p-value > 0.05.

c. Uji Indirect Effect atau Mediasi

Tabel 16. Uji Indirect Effect atau Mediasi

Original Sample Standard T Statistics P Values

Sample Mean Deviation
Green Marketing ->
-0,001 -0,007 0,030 0,041 0,967
Keputusan Pembelian
Green Marketing -> Minat
Membeli
Lingkungan dan Kesehatan -
0,159 0,154 0,069 2,298 0,022
> Keputusan Pembelian
Lingkungan dan Kesehatan -
> Minat Membeli
Minat Membeli ->
Keputusan Pembelian
Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 43

 Dari tabel diatas dapat disimpulkan terdapat pengaruh tidak langsung yaitu: Lingkungan
dan Kesehatan -> Minat Membeli -> Keputusan Pembelian sebesar 0,159 dengan nilai t
2.298 dan signifikan 5%

Selain itu, Green Marketing -> Minat Membeli -> Keputusan Pembelian sebesar -0,001
dengan nilai t 0,041 dan signifikasi 0,967, karena signifikasi > 0.05 maka dapat
disimpulkan tidak terdapat hubungan mediasi.

d. Uji Prediktif Relevance

Untuk mendapatkan nilai Q² dalam Uji Prediktif Relevance maka terlebih dahulu harus di
estimasi Blindfolding dengan cara klik menu utama lalu pilih calculate à Blindfolding.

Blindfolding Setting
Omission Distance : 7

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 44

 Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut:

• Setelah mendapatkan nilai Q², maka Langkah selanjutnya menginterprestasikan,

seperti dibawah ini:
Tabel 17. Uji Prediktif Relevance
SSO SSE Q² (=1-SSE/SSO)
Green Marketing 500,000 500,000
Keputusan Pembelian 200,000 143,274 0,284
Lingkungan dan Kesehatan 400,000 400,000
Minat Membeli 300,000 238,808 0,204
Sumber: Output pengolahan dengan SmartPLS 3.0.

Berdsarkan perhitungan Prediktive Relevance (Q& ) pada tabel diatas menunjukkan nilai
0.284 dan 0.204, maka dapat disimpulkan bahwa model memiliki nilai prediktif relevan.

e. Evaluasi Model Fit

Evaluasi model fit pada penelitian ini, menggunakan model pengujian Normal Fit Index
(NFI).
Tabel 18. Uji Evaluasi Model Fit
Saturated Model Estimated Model
NFI 0,685 0,685

Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 45

Hasil penelitian menunjukkan bahwa nilai saturated model (measurement) fit dan nilai
estimate model (structural model) memiliki nilai yang sama. Dari hasil tersebut bahwa
dapat disimpulkan bahwa model dalam penelitian memiliki nilai normal fit index (NFI)
yang menunjukkan bahwa model dalam penelitian ini 68.5% lebih baik dari pada model
null model.

Ketarangan: Nilai NFI dapat di lihat pada Output PLS algorithm Model Fit.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 46

 BAB IV

ANALISIS DENGAN EFEK MODERASI

Structural Equation Modeling (SEM) dengan efek moderasi menunjukkan interaksi variabel
eksogen dengan variabel moderator dalam mempengaruhi variabel endogen (Baron dan Kenny
1986 dalam Henseler dan Fassott 2010). Variabel moderator variabel yang mempengaruhi
(memperkuat dan memperlemah) hubungan antara eksogen dengan endogen (Sugiyono, 2015).
Menurut Baron dan Kenney (1986) dalam (Hartono dan Abdillah, 2014), pengujian efek moderasi
hanya dapat dilakukan jika efek utama variabel eksogen terhadap variabel endogen adalah
signifikan. Jika tidak terpenuhi, maka pengujian efek moderasi tidak perlu dilanjutkan karena
hasilnya juga tidak akan signifikan. Asumsi ini juga berlaku untuk pengujian pada model yang
terdapat variabel mediating di dalamnya. Menurut Ghozali (2015) Moderated Regression Analisis
(MRA) merupakan cara umum yang dapat digunakan pada analisis regresi linier berganda dengan
memasukkan variabel ketiga berupa perkalian antara dua variabel eksogen sebagai variabel
moderating. Hal ini akan menimbulka hubungan non-linier sehingga kesalahan pengukuran dan
koefisien estimasi MRA jika menggunakan varibel laten menjadi tidak konsisten dan bias. Untuk
mengatasi hal tersubut maka dapat menggunakan model persamaan structural SEM, karena SEM
dapat mengoreksi kesalahan pengukuran dengan cara memasukkan pengaruh interaksi kedalam
model yang kita buat.
Terdapat empat cara dalam melakukan uji efek moderasi menggunakan SmartPLS 3.0. mengikuti
konstruk eksogen dan moderator apakah berbentuk reflektif atau formatif, cara tersbut antara lain:
a. Produk Indikator Approach
Jika konstruk eksogen dan moderator berbentuk refleksif maka, metode yang tepat
menggunakan Produk Indikator Approach, dengan cara membuat perkalian antara
indikator variabel eksigen dengan moderator untuk mrmbrntuk konstruk interaksi.
b. Two-Stage Approach
Digukan jika konstruk eksogen atau moderator ada yang berbentuk formatif. Dengan cara:
1) Menguji efek utama model PLS untuk mendapatkan skor variabel laten. Skor
variabel laten di hitung dan di simpan untuk analisis selanjutnya.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 47

 2) Membuat interaksi dengan cara skor variabel laten eksogen dan moderator dikalikan
kemdian di regres sebagai variabel interaction term terhadap variabel endogen.
c. The Gybrid Approach
Untuk menguji model PLS non-linier. Pendekatan ini megangap model dalam bentuk
quadratic dan hungungan non-linier antar variabel laten (heseler et al. 2012)
d. The Orthogonalizing Approach
Merupakan perluasan dari residual centring untuk moderated multiple regression. Residual
centring menggunakan prosedur two-stage OLS.

Supaya lebih memahami SEM efek medorasi maka, mari dipraktekkan dengan model penelitian
yang sudah di modifikasi sebagai berikut:

Gambar 5. Model Penelitian SDM

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 48

1. Langkah-langkah Analisis Dengan Efek Moderasi Menggunakan SmartPLS 3.0.

A. Open aplikasi SmartPLS 3.0. dengan cara dluble klik, window tampilan seperti dibawah
ini:

B. Membuat projek baru (Create New Project), Langkahnya File à New atau klik ,
pada file name isi nama file yang akan di olah à Ok.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 49

C. Impor data dengan cara klik Double clik to import data.

D. Cari data Moderating [Link] (diderektori diaman file tersebut disimpan) lalu klik
Open File.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 50

E. Tampak tampilan window seperti dibawah ini. Projek SmartPLS dengan Moderasi berisi
file Moderating SmartPLS (141 records).

F. Klik SmartPLS dengan Moderasi maka akan tampak lembar kerja dibawah ini:

G. Membuat laten variabel dengan indikator, maka terlebih dahulu membuat variabel laten
dengan drawing mode klik Ketika sudah nyala lalu Click di area drawing, highlight
variabel indikator dari area data variabel indikator, lalu drag dan drop dengan mouse ke
variabel laten sesuai dengan variabel yang telah dibuat. Membuat laten variabel, rename
variabel, beri hubungan dengan klik connect, dan masukkan idikator. Sehingga terbentuk
seperti dibawah:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 51

H. Membuat variabel interaksi antara motivasi dan kinerja karyawan sebagai variabel
moderator dengan cara pilik konstruk kinerja karyawan lalu klik kanan mouse dan create
interaction effek atau pilih add moderating effect, pada moderator variabel isi Gaya
kepemimpinan, pada independent variabel isi motivasi, dan pada calculation isi Product
Indikator karena indikator semua refleksif. Sesuaikan seperti dibawah ini:

I. Sehingga hasilnya moderating effect sudah terbentuk seperti dibawah ini:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 52

J. Model siap di estimasi dengan cara klik menu utama lalu pilih calculate à PLS
algorithm

o Weight Shceme : path

o Maximum Interation : 300

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 53

K. Click Start calculation akan muncul output dalam bentuk path diagram pada drawing area
sebagai berikut:

Dari diagram datas dapat dilihat bahwa bayak indikator yang memiliki nilai outer loading
dibawah 0.70 atau tidak valid atau tidak memenuhi kriteria convergent validity maka
indikator - indikator yang tidak valid dikeluarkan dari model. Lebih detail indikator yang
tidak valid dapat di lihat pada outer loading nilai yang berwarna merah berikut:

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 54

 L. Cara mengeluarka indikator yang tidak valid dari model dengan cara klik kanan pada
indikator kemudian delete, langkah berikutnya calculate ulang. Sehingga hasilnya seperti
dibawah:

Setelah di calculate ulang semua loading factor atau outer loading diatas 0.70, atau tidak
ada yang di bawah 0.70. dapat dilihat pada output outer loading bahwa nilainya sudah tidak
ada yang berwarna merah.

2. Evaluasi Measurement (Outer Model)

d. Convergent Validity
Hasil analisis terdapat dua indikator yang memiliki nilai loading factor dibawah 0.70 atau
tidak valid yaitu GM3 yang merupakan indikator dari variabel green marketing, dan KP2
yang merupakan indikator dari variabel Keputusan Pembelian, Oleh karena tidak
memenuhi kriteria convergent validity maka indikator GM3 dan KP2 dikeluarkan dari
model atau di drop dari analisis.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 55

 Tabel 19. Convergent Validity (AVE)
Average Variance Keterangan
Extracted (AVE)
Gaya Kepemimpinan 0,562 Valid
Kinerja Karyawan 0,577 Valid
Moderating Effect 1 0,602 Valid
Motivasi 0,711 Valid
Pengembangan Karir 0,647 Valid
Reward Ekstrinsik 0,662 Valid
Reward Instrinsik 0,646 Valid
Sumber: Output pengolahan dengan SmartPLS 3.0.

Hasil output AVE dari Smart PLS pada tabel diatas yang dihasilkan oleh semua konstruk
memiliki nilai > 0.50, sehingga masing – masing kostruk telah memenuhi persyaratan
validitas konvergen.

e. Discriminant Validity
Tingkat validitas konstruk dapat diukur dengan cara yang kedua yaitu menggunakan
diskriminan validity, disajikan dalam tabel …… berikut:

Tabel 20. Hasil Uji Discriminant Validity (Fornell-Larcker Criterion)

Gaya Kinerja Moderating Pengembangan Reward Reward

Motivasi
Kepemimpinan Karyawan Effect 1 Karir Ekstrinsik Instrinsik
Gaya
0,749
Kepemimpinan
Kinerja
0,625 0,759
Karyawan
Moderating
-0,314 -0,164 0,776
Effect 1
Motivasi 0,339 0,502 -0,341 0,843
Pengembangan
0,362 0,492 -0,090 0,389 0,804
Karir
Reward
0,291 0,352 -0,096 0,269 0,582 0,814
Ekstrinsik
Reward
0,288 0,436 -0,116 0,398 0,529 0,324 0,803
Instrinsik
Sumber: Output pengolahan dengan SmartPLS 3.0.

Dari tabel diatas dapat dilihat bahwa nilai diagonal yang dicetak tebal adalah akar
kuadrat AVE dan nilai dibawahnya adalah korelasi antar konstruk, nilai akar kuadrat
AVE lebih besar daripada korelasi antar konstruk, maka dapat disimpulkan bahwa model
valid karena memenuhi diskriminant validity.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 56

 f. Composite Reliability
Nilai composite reliability dan cronbach's alpha untuk masing-masing konstruk disajikan
dalam tabel berikut:

Tabel 21. Hasil Uji Composite Reliability dan Cronbach's Alpha

Cronbach's
Composite Reliability
Alpha
Gaya Kepemimpinan 0,740 0,837
Kinerja Karyawan 0,633 0,803
Moderating Effect 1 0,917 0,923
Motivasi 0,594 0,831
Pengembangan Karir 0,818 0,880
Reward Ekstrinsik 0,503 0,795
Reward Instrinsik 0,453 0,784

Sumber: Output pengolahan dengan SmartPLS 3.0.

Nilai Cronbach’s Alpha yang dihasilkan bebarapa konstruk ada yang kurang baik karena
ada yang <0.70 dan sisanya sangat karena nila Cronbach’s Alpha diatas >0.70. sehingga
untuk meningkatkan nilai Cronbach’s Alpha supaya reliabel maka dapat mengeluarkan
indikator yang outer lodingnya terkecil . Nilai Composit Reliability yang dihasilkan semua
konstruk sangat baik karena diatas >0.70 sehingga dapat disimpulkan bahwa semua
indicator konstruk adalah reliabel atau memenuhi uji reliabilitas.

3. Evaluasi Model Struktral (Inner Model).

a. Uji R-Square (𝑹𝟐 )

Tabel 22. Hasil Uji R-Square (𝑅& )
R Square R Square Adjusted
Kinerja Karyawan 0,537 0,519
Motivasi 0,204 0,187
Sumber: Output pengolahan dengan SmartPLS [Link] tabel diatas dapat dilihat nilai

koefisien determinasi (R2 ) sebesar 0.537 untuk variabel kinerja karyawan, artinya variabel
reward esktrinsik, motivasi, pengembangan karir dan gaya kepemimpinan menjelaskan
varian variabel kinerja karyawan sebesar 53.7% yang termasuk dalam kategori moderat,
sedangkan, variabel reward ekstrinsik, reward instrinsik dan pengembanan karir
menjelaskan varian variabel motivasi sebesar 20.4%, yang termasuk dalam kategori lemah.
ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 57
b. Path Koefisien
Untuk mendapatkan nilai Path Koefisien atau t – statistik maka terlebih dahulu harus di
estimasi bootstrapping dengan cara klik menu utama lalu pilih calculate à bootstrapping.

Bootstrapping Setting
• Subsampel : 500
• Sign Changes : No Sign Changes

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 58

• Setelah mendapatkan nilai path koefisien, maka open this report pilih path
coefficients langkah selanjutnya menginterprestasikan, seperti dibawah ini:

Tabel 23. Path Koefisien

Original Sample Standard T Statistics P Values
Sample Mean Deviation (|O/STDEV|)
(O) (M) (STDEV)
Gaya Kepemimpinan -> Kinerja
0,480 0,477 0,089 5,427 0,000
Karyawan
Moderating Effect 1 -> Kinerja
0,172 0,137 0,150 1,146 0,253
Karyawan
Motivasi -> Kinerja Karyawan 0,291 0,280 0,079 3,681 0,000
Pengembangan Karir -> Kinerja
0,197 0,191 0,082 2,413 0,016
Karyawan
Pengembangan Karir -> Motivasi 0,214 0,214 0,113 1,893 0,059
Reward Ekstrinsik -> Kinerja
0,030 0,038 0,084 0,350 0,727
Karyawan
Reward Ekstrinsik -> Motivasi 0,059 0,067 0,119 0,497 0,620
Reward Instrinsik -> Motivasi 0,265 0,263 0,090 2,944 0,003
Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 59

 Dari tabel diatas dapat dilihat bahwa: gaya kepempimpinan berpengaruh positif signifikan
terhadap kinerja karyawan dengan nilai t- statistic >1.96, motivasi berpengaruh positif
signifikan terhadap kinerja karyawan dengan nilai t- statistic >1.96, pengembangan karir
berpengaruh positif signifikan terhadap kinerja karyawan dengan nilai t- statistic >1.96,
reward intrinsik berpengaruh positif signifikan terhadap motivasi dengan nilai t- statistic
>1.96, pengembangan karir tidak berpengaruh terhadap motivasi dengan nilai t- statistic <
1.96 dan P value >0.05, reward estrinsik tidak berpengaruh terhadap kinerja karyawan
dengan nilai t- statistic < 1.96 dan P value >0.05, reward estrinsik tidak berpengaruh
terhadap motivasi dengan nilai t- statistic < 1.96 dan P value >0.05.
Untuk variabel moderating antara motivasi dan gaya kepemimpinan terhadap kinerja
karyawan diperoleh nilai nilai t- statistic 1.146 < 1.96 dan P value >0.05, sehingga dapat
di simpulkan bahwa variabel gaya kepemimpinan bukan merupakan variabel moderator,
atau tidak dapat memoderasi hubungan antara motivasi dan kinerja karyawan.

c. Uji Prediktif Relevance

Untuk mendapatkan nilai Q² dalam Uji Prediktif Relevance maka terlebih dahulu harus di
estimasi Blindfolding dengan cara klik menu utama lalu pilih calculate à Blindfolding.

Blindfolding Setting
Omission Distance : 7

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 60

Click Start calculation akan muncul output dalam bentuk path diagram pada drawing
area sebagai berikut:

• Setelah mendapatkan nilai Q², maka Langkah selanjutnya menginterprestasikan,

seperti dibawah ini:
Tabel 18. Uji Prediktif Relevance
SSO SSE Q² (=1-SSE/SSO)
Gaya Kepemimpinan 564,000 564,000
Kinerja Karyawan 423,000 301,042 0,288
Moderating Effect 1 1128,000 1128,000
Motivasi 282,000 250,130 0,113
Pengembangan Karir 564,000 564,000
Reward Ekstrinsik 282,000 282,000
Reward Instrinsik 282,000 282,000
Sumber: Output pengolahan dengan SmartPLS 3.0.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 61

 Berdsarkan perhitungan Prediktive Relevance (Q& ) pada tabel ….. menunjukkan nilai
0.288 dan 0.113, maka dapat disimpulkan bahwa model memiliki nilai prediktif relevan.

d. Evaluasi Model Fit

Evaluasi model fit pada penelitian ini, menggunakan model pengujian Normal Fit Index
(NFI).
Tabel 24. Uji Evaluasi Model Fit
Saturated Model Estimated Model
NFI 0,454 0,450
Sumber: Output pengolahan dengan SmartPLS 3.0.

Hasil penelitian menunjukkan bahwa nilai saturated model (measurement) fit dan nilai
estimate model (structural model) memiliki sedikit perbedaan. Dari hasil tersebut bahwa
dapat disimpulkan bahwa model dalam penelitian memiliki nilai normal fit index (NFI)
yang menunjukkan bahwa model dalam penelitian ini 45.4% lebih baik dari pada model
null model.

Ketarangan: Nilai NFI dapat di lihat pada Output PLS algorithm Model Fit.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 62

 DAFTAR PUSTAKA

Aprilia, K. dan Imam G. 2013. Generalized Structured Componen Analysis (GSeCA) Model
Persamaan Struktural Berbasis Komponen. Semarang: Universitas Diponegoro.

Fornell, C., and Larcker, D.F. 1981. Evaluating Struktural Equation Models with Unobserbvable
Variabel and Measurement Error. Journal of Marketing Reseach (18.1), pp. 39-50.

Henseler J and Fassott G (2010) Testing Moderating Effects in PLS Path Models: an illustration
of available procedures. In Handbook of Partial Least Squares: Concepts, Methods, and
Applications. Vol. II of Computational Statistics (ESPOSITO VINZI V, CHIN WW,
HENSELER J and WANG H, Eds). Springer, Heidelberg. pp 713–735,

Ghozali, Imam dan Hengky Latan. 2015. Partial Least Squares Konsep, Teknik, dam Aplikasi
SmartPLS 3.0 Untuk Penelitian Empiris. Semarang: Universitas Diponegoro.

Irwan dan K. Adam. 2015. Metode Partial Least Square (PLS) dan Terapannya: Studi Kasus
Analisis Kepuasan Pelanggan terhadap Layanan PDAM Unit Camming Kab. Bone. Jurnal
Teknosains. Volume 9 Nomor 1,hlm. 53 – 68.

Sugiyono. 2016. Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung: Alfabeta.

Widarjono, A. 2015. Analisis Multivariat Terapan Dengan Program SPSS, AMOS, dan
SMARTPLS. Yogyakarta: UPP STIM YKPM.

ANALISIS MULTIVARIAT MENGGUNAKAN SMART 3.0 63