TUTORIAL SEM PLS: METODE ANALISIS DATA

Summary

This video tutorial explains the Structural Equation Modeling (SEM) method for data analysis, building on the previously discussed multiple linear regression method. SEM allows researchers to analyze complex relationships between variables more efficiently. The presenter highlights key concepts like outer and inner models, validity and reliability tests, and demonstrates using Smart PLS software to conduct SEM analysis. The tutorial covers steps for managing models, testing hypotheses, and generating regression equations. The video also outlines future tutorials focusing on SEM with intervening and moderating variables. The tutorial aims to simplify SEM for research purposes.

Takeaways

• 📊 Structural Equation Modeling (SEM) is a multivariate analysis technique used for examining complex relationships between variables, both direct and indirect.
• 🔄 SEM allows researchers to analyze relationships in one test, unlike multiple regression, where relationships are tested separately.
• 📉 SEM is especially helpful when dealing with multiple variables, including intervening or moderating variables.
• 📈 SEM includes testing for outer models and inner models, where outer models focus on indicator validity, and inner models test reliability and structural relationships.
• 📝 Convergent validity is evaluated by outer loading values, where a value greater than 0.5 is considered valid.
• 🔍 Discriminant validity ensures that indicators for one latent variable are distinct from others, using AVE (Average Variance Extracted) values greater than 0.5.
• ⚠️ Collinearity is checked using the VIF (Variance Inflation Factor), where values greater than 5 indicate a potential issue.
• 🛠 Reliability is tested through Cronbach's Alpha and Composite Reliability, with acceptable values being above 0.7.
• 🔬 R-squared values show how well the independent variables predict the dependent variables, with higher values indicating better predictive power.
• 📊 Hypothesis testing in SEM uses P-values and T-statistics, where P-values less than 0.05 indicate a significant relationship between variables.

Q & A

What is Structural Equation Modeling (SEM)?

Structural Equation Modeling (SEM) is a multivariate analysis technique that allows researchers to test complex relationships between variables, including both unidirectional and bidirectional relationships, to obtain a comprehensive understanding of a model. According to Ghozali (2008), SEM can simultaneously test both structural models and measurement models.

How does SEM differ from multiple linear regression?

SEM allows for the simultaneous analysis of multiple relationships between variables, including both direct and indirect effects, while multiple linear regression analyzes one relationship at a time. SEM can handle more complex models with intervening and moderating variables, making it more flexible compared to the more rigid approach of multiple linear regression.

What are the steps involved in SEM analysis using PLS (Partial Least Squares)?

The steps in SEM using PLS include: 1) Testing the outer model, which focuses on the reliability and validity of the measurement model, and 2) Testing the inner model or structural model, which examines relationships between latent variables. Key tests include convergent validity, discriminant validity, and collinearity.

What is the purpose of convergent validity in SEM?

Convergent validity is used to demonstrate that each indicator can effectively explain its latent variable. An outer loading value of 0.5 or higher is considered strong evidence of convergent validity, according to Hair et al. (2010).

How is discriminant validity assessed in SEM?

Discriminant validity tests whether indicators of a specific latent variable differ from those of other latent variables. It can be evaluated using the Average Variance Extracted (AVE) values, where the AVE should be greater than 0.5. Additionally, the square root of the AVE should be higher than the correlation between the latent variable and other variables.

What does a Variance Inflation Factor (VIF) indicate in SEM?

The VIF measures collinearity between indicators within a latent variable. A VIF value below 5 indicates that there is no problematic collinearity between indicators, ensuring that the model's predictive power remains stable and reliable.

How do you assess reliability in SEM models?

Reliability is assessed using Cronbach's Alpha and Composite Reliability, where values should be greater than or equal to 0.7. Indicators with these values are considered reliable, and in the PLS software, this is indicated when the values appear in green.

What does the R-Squared value represent in SEM?

The R-Squared value represents how well the independent variables explain the variance in the dependent variable. A higher R-Squared value indicates that the model has stronger predictive power. For example, an R-Squared value of 0.513 means that 51.3% of the variance in the dependent variable is explained by the independent variables.

How is hypothesis testing conducted in SEM?

Hypothesis testing in SEM involves checking the P-value and the T-statistic. A P-value below 0.05 indicates that the relationship is statistically significant, while the T-statistic is compared against a critical value (such as 1.661 for a 95% confidence level) to further confirm significance.

What happens if an indicator in SEM has an outer loading below 0.5?

If an indicator has an outer loading below 0.5, it is considered weak in terms of validity and can be removed from the model. The model is then recalculated to ensure all remaining indicators have an acceptable level of outer loading (above 0.5).

Outlines

00:00

📊 Introduction to SEM (Structural Equation Modeling)

This paragraph introduces the SEM (Structural Equation Modeling) method for data analysis in research. The speaker contrasts SEM with multiple linear regression, explaining that SEM is more advantageous because it allows for simultaneous testing of complex relationships between variables. SEM is a multivariate analysis technique that helps examine both direct and indirect relationships between variables, offering a comprehensive model overview. SEM simplifies complex regression models and is more efficient, especially in cases where multiple equations and variable relationships are involved.

05:03

🔍 Validity and Reliability in SEM Testing

The paragraph explains the different stages of SEM analysis, focusing on the outer and inner models. It covers how to conduct various validity tests, including convergent and discriminant validity, and checks for collinearity. Convergent validity ensures each indicator is valid in explaining the latent variable, with a focus on 'outer loading' values. Discriminant validity examines whether indicators of one latent variable differ from others, using AVE (Average Variance Extracted). The collinearity test looks at VIF (Variance Inflation Factor) to ensure no strong correlation between indicators. Values greater than 0.5 for AVE and smaller than 5 for VIF indicate a valid and reliable model.

10:07

📈 Reliability and Hypothesis Testing in SEM

This section delves into testing the reliability of the model, focusing on Cronbach’s alpha and Composite Reliability values, both of which should be greater than 0.7 for the model to be considered reliable. It then transitions into testing hypotheses using the R-squared and Adjusted R-squared values to evaluate the model's predictive power. A high R-squared value indicates good model prediction. Additionally, p-values and t-statistics are used to test the significance of the relationships between variables. Variables are considered to have a significant effect if their p-value is less than 0.05, and t-statistic is greater than the t-table value.

15:09

🖥️ Practical Application Using Smart PLS Software

This paragraph provides a step-by-step tutorial on using Smart PLS software to build and analyze a model. The speaker explains how to set up a new project, import data, and organize variables into the SEM framework. They outline the process of creating constructs for each variable (e.g., online marketing mix, digital content marketing, and marketing performance) and assigning indicators. The paragraph highlights the importance of adjusting the layout for clear visualization and how to link variables in the software. The focus is on the ease of manipulation within the software, emphasizing that a visual and logical flow of indicators and variables improves model clarity.

20:11

📊 Bootstrapping and Interpreting SEM Results

Here, the discussion turns to the final steps of running the analysis, focusing on bootstrapping and interpreting the results. The paragraph explains how to calculate coefficients, test the effects of variables (positive or negative), and use p-values and t-statistics to assess significance. The speaker describes how to create regression equations based on the coefficients, indicating how each independent variable (e.g., online marketing mix, online representation) influences the dependent variable (marketing performance). A detailed explanation is provided for determining which variables have significant effects based on p-values being below 0.05.

25:11

📋 Conclusion and Future Tutorials

This final paragraph summarizes the entire SEM process, emphasizing its benefits over multiple linear regression, particularly when dealing with complex models. The speaker concludes by announcing future tutorials that will cover more advanced SEM topics, such as intervening and moderating variables. They encourage viewers to stay tuned for these upcoming tutorials and express hope that the video has been helpful. The closing remarks are a polite sign-off, wishing viewers well and ending with an Islamic greeting.

Keywords

💡Structure Equation Model (SEM)

Structure Equation Model (SEM) is a multivariate analysis technique that allows researchers to examine complex relationships between variables, both one-directional and bidirectional, in a single comprehensive model. In the video, SEM is compared to multiple linear regression, explaining how SEM simplifies the process by testing structural and measurement models simultaneously, whereas linear regression requires multiple steps.

💡Multiple Linear Regression

Multiple Linear Regression is a statistical method used to model the relationship between two or more independent variables and a dependent variable. The video explains that while linear regression is useful, it becomes cumbersome when dealing with complex models involving multiple equations. SEM is introduced as a more efficient alternative.

💡Outer Model

The Outer Model in SEM refers to the measurement model that evaluates how well indicators represent their latent variables. In the video, the Outer Model is tested using validity and reliability metrics such as outer loading and composite reliability. This ensures that the indicators effectively capture the constructs they are intended to measure.

💡Inner Model

The Inner Model, also known as the structural model, examines the relationships between latent variables in SEM. The video explains how the inner model is used to test hypotheses about the influence of independent variables (exogenous) on dependent variables (endogenous) and evaluates the model's predictive power using metrics like R-Square.

💡Convergent Validity

Convergent Validity measures whether indicators that are supposed to represent the same construct actually correlate. In the video, it is explained that this validity is tested through outer loading values, with a threshold of 0.5 or higher. If the values are valid, the indicators are considered to adequately measure the latent variable.

💡Discriminant Validity

Discriminant Validity assesses whether indicators from one construct are distinct from those of other constructs. In the video, the Fornell-Larcker criterion and the Average Variance Extracted (AVE) are used to test discriminant validity. A value of 0.5 or higher for AVE indicates that the indicators for a latent variable are sufficiently different from other variables.

💡Collinearity

Collinearity refers to a situation in which two or more predictor variables in a model are highly correlated, undermining the reliability of the model’s predictions. In the video, collinearity is discussed in the context of SEM and tested using the Variance Inflation Factor (VIF). A VIF value below 5 indicates that there is no problematic collinearity.

💡Composite Reliability

Composite Reliability measures the internal consistency of the latent variables, ensuring that the indicators reliably measure the construct. The video emphasizes that a value of 0.7 or higher indicates strong reliability, and the software (Smart PLS) flags values in green to show which variables meet this criterion.

💡P-Value

P-Value is a statistical measure used to determine the significance of relationships in a model. The video explains that in hypothesis testing, a P-Value less than 0.05 is considered significant, meaning that there is strong evidence to support the relationship between variables. This is demonstrated in the context of testing the effect of marketing variables on performance.

💡R-Square

R-Square is a measure of how well the independent variables explain the variance in the dependent variable within a model. In the video, the R-Square value of 0.513 indicates that 51.3% of the variation in the dependent variable (marketing performance) is explained by the independent variables, which suggests a good model fit.

Highlights

Introduction to data analysis using SEM (Structural Equation Modeling) as an alternative to multiple linear regression.

SEM allows researchers to test complex relationships between variables, both unidirectional and reciprocal, for a comprehensive model understanding.

SEM provides advantages over multiple linear regression by enabling simultaneous testing of structural and measurement models.

Multiple linear regression requires separate equations for each relationship, while SEM simplifies analysis by integrating all relationships into one test.

Example of SEM application: leadership and compensation's effect on work motivation, with an intervening variable.

Key steps in SEM analysis: testing outer model (validity of indicators) and inner model (reliability of constructs and model relationships).

Convergent validity ensures each indicator accurately reflects its latent variable, with an outer loading threshold of 0.5 or higher.

Discriminant validity ensures indicators of a latent variable are distinct from those of other latent variables, using AVE (Average Variance Extracted) as a criterion.

Collinearity issues in SEM can negatively affect prediction power; VIF (Variance Inflation Factor) values less than 5 indicate no collinearity.

Reliability in SEM is measured through Cronbach's Alpha and Composite Reliability, with thresholds above 0.7 indicating high reliability.

R-squared value shows how well the exogenous variables explain the endogenous variable; a higher R-squared indicates better predictive accuracy.

Hypothesis testing in SEM uses p-values (significant if <0.05) and T-statistics to determine if relationships between variables are significant.

Practical example: the positive and significant influence of online marketing mix (X1) on marketing performance (Y) with a p-value of 0.000.

The example also shows the negative and non-significant influence of online representation (X2) on marketing performance (Y), with a p-value of 0.063.

Tutorial concludes with step-by-step SEM model construction using SmartPLS software, demonstrating how to create and evaluate the model's results.

Transcripts

Halo assalamualaikum warahmatullahi

wabarakatuh saya balik lagi untuk

menjelaskan dan memberikan tutorial

mengenai salah satu metode analisis data

yang bisa kita gunakan dalam penelitian

yaitu metode analisis data dengan Sam

atau structure equation modal Nah

setelah sebelumnya kita melakukan

analisis dengan menggunakan metode

regresi linear berganda sekarang kita

gunakan metode Sam gitu Jadi apa sih

bedanya Sam itu apa sih gitu pertama

saya jelaskan dulu sebelum kita ke

tutorial jadi Sam ini sendiri merupakan

teknik analisis multivariat yang

memungkinkan peneliti menguji hubungan

antar variabel yang kompleks baik itu

hubungan yang searah maupun hubungan

bolak-balik untuk memperoleh gambaran

yang komprehensif mengenai keseluruhan

model ini pengertian yang diberikan oleh

Ghozali tahun 2008 Nah dengan kita

menggunakan Sam Kita sebenarnya dapat

lebih banyak

keuntungan lebih mudah karena

Sam ini bisa memungkinkan kita untuk

menguji secara bersama-sama model

struktur istilahnya dan model jadi

bagaimana

indikator-indikator tersebut bisa

menunjukkan sebuah variabel atau bisa

merepresentasikan sebuah variabel Dan

juga bagaimana hubungan antar konstruk

independen dengan dependent nya ini bisa

dilakukan bersama-sama kalau regresi

linier berganda itu kita lakukan satu

persatu dan agak merepotkan Nah contoh

seperti ini pada gambar 1.3 kita lihat

diagram model regresi linear berganda

kepemimpinan berpengaruh terhadap

motivasi kerja kompensasi berpengaruh

terhadap motivasi kerja ini masih

memungkinkan pakai regresi linear

berganda masih tidak merepotkan tapi

kalau gambar modelnya seperti

satu titik tiga yang B ini sudah mulai

agak ribet karena nanti Artinya kita

akan melakukan

sekurang-kurangnya ya dua persamaan

regresi kita akan membuat dua persamaan

regresi karena di sini ada beberapa

hubungan yang bisa dilihat di sini ada

variabel intervening nah ini harus

dibuat lagi nanti hubungan apa namanya

persamaan regresinya dan menggunakan

send itu memungkinkan dengan satu kali

uji

kemudian bagaimana melakukan uji

Sam pls nah yang pertama yang dilakukan

adalah

outer model yang kedua adalah structure

model atau inner model itu apa aja sih

Oke dalam manajemen model di sini kita

akan melakukan tiga uji ada uji

validitas konvergent ada uji validitas

diskriminan sama uji kolinearitasnya nah

uji validitas konvergent ini berfungsi

untuk membuktikan bahwa masing-masing

indikator bisa diterima dan mampu

menjelaskan variabel latennya menurut

hair tahun 2010 nilai dilihat dari nilai

outer loading ya dan nilai outer loading

sebesar 0,5 atau lebih barulah bisa

dianggap validitasnya kuat Gitu sehingga

bisa kita pakai dalam penelitian

kemudian uji validitas diskriminan uji

validitas diskriminan ini digunakan

untuk melihat apakah suatu indikator

dari variabel latihan tertentu

berbeda dari indikator variabel laten

lainnya

sehingga bisa dianggap layak untuk

menjelaskan variabel latihan tersebut

ini dilihat dari nilai Ave

Nah di sini nilainya harus lebih besar

dari 0,5 sebenarnya nanti dalam pls

muncul kalau dia ijo berarti itu

apa namanya udah bagus gitu

indikator ini

juga bisa dilihat dari

nilai akar ape-nya Kalau lebih besar

dari korelasi antara semua variabel

latihan berarti uji validitas

diskriminannya juga udah bagus gitu

kemudian yang selanjutnya adalah uji uji

kolinearitas di sini kolinearitas ini

seperti yang sudah juga dijelaskan

sebelumnya Ketika kita membahas tentang

regresi linear berganda ini adalah

terjadinya sebuah korelasi antar

indikator pada variabel laten dalam

suatu model sehingga kekuatan

prediksinya tidak bagus tidak handal

tidak stabil ini dilihat dari nilai

vif di mana Kalau lebih kecil dari 5

maka tidak terjadi kolinearitas kalau

lebih dari itu nanti dalam

aplikasi Smart plsnya yang muncul juga

warnanya akan merah nah artinya itu udah

terjadi kolinearitas dan tidak bagus ya

Nah selanjutnya adalah structure model

atau inner model Nah di sini kita akan

melakukan uji reliabilitas di sini hasil

uji reliabilitasnya bisa kita lihat dari

nilai crown baalpha kemudian juga dari

composed reliability ini nilainya harus

lebih besar dari 0,7 gampangnya itu

kalau kita lihat pokoknya indikatornya

warna hijau aja berarti itu udah

reliable kalau validitas itu juga

artinya udah valid Nah di sini karena

kita Sedang membahas uji reliabilitas

kita lihat nilai komposit reliability

dan gelombang alphanya Apakah ijo atau

enggak kita lihat lebih besar dari 0,7

itu ya kemudian di sini juga kita akan

melihat

pengaruh masing-masing variabel laten

terhadap

eksogennya terhadap variabel laten

endogennya ini kita lihat dari nilai art

Square Jadi bagaimana model penelitian

ini dalam model penelitian ini variabel

X1 X2 dan seterusnya mampu menjelaskan

atau memprediksi

variabel y kita ini kita lihat dari

nilai art Square adjustted are Square

nanti jadi semakin tinggi semakin bagus

berarti nilai prediksinya gitu ya

Nah untuk uji hipotesis juga sama kita

akan mulai dari P value atau sebelumnya

Kalau dari linear berganda ada nilai

signifikansinya itu kemudian juga dari

nilai T statistik atau t hitung kita

lihat di sini

contoh original sample ini adalah

koefisiennya Jadi kalau X1 terhadap y

0,146 artinya positif ya kemudian

P value kita lihat dari P value aja

karena ini kita nggak tahu berapa apa

namanya sampelnya dan jadi kita nggak

tahu ini tes statistiknya berapa cuman

di sini kita bisa lihat dari P value

Apakah dia signifikan atau

tidaknya ini harus lebih kecil dari 0,05

baru bisa dikatakan signifikan Sehingga

dalam kasus contoh ini X1 terhadap y

memiliki pengaruh positif yaitu 0,146

dan

signifikan berdasarkan nilai be valuenya

Begitu juga dengan x2 x3 dan X4 karena

di sini kita lihat P valuenya semua di

bawah 0,05 artinya signifikan Kemudian

dari original sample ini semuanya

positif artinya dengan demikian variabel

X1 x2 x3 X4 ini semua berpengaruh

terhadap y secara positif dan signifikan

seperti itu ya details contohnya saya

akan lakukan tutorial

sebentar saya siapkan datanya dulu ya di

sini saya menggunakan Smart pls yang

versi ketiga Jadi kalian buka Smart pls

nya

di sini setelah ini

kemudian kalian klik new Project di sini

new Project kalian bikin nama saya

Anggaplah ini saya udah buat contoh ya

nama nama projectnya adalah mahasiswa 5

sini juga akan muncul mahasiswa 5 dan

kita double klik di sini untuk

mengimport data masuk ke dalam

smartplacenya saya pakai ini data satu

ini ini seperti apa kita simpan dalam

format csv kalau kalian pakai Excel atau

format txt ini akan otomatis kalau

kalian menggunakan

ke apa menyimpan data di notepad Saya di

sini pakai notepad Jadi tinggal kita

Open data satu Oke tunggu running nah

seperti ini ini artinya datanya sudah

siap dan kita tinggal

membuat

konsepnya jadi caranya adalah

Klik di sini gambar satu

kemudian gambar 2

nomor 3 dan nah ini entar bisa di adjust

kita kecilin dulu

dan kita adjust posisinya biar bagus

seperti ini

apa di sini ya

kemudian

klik connect untuk menghubungkan

setiap variabelnya seperti ini ini kita

menggunakan contoh

x nya ada tiga

sekarang kita rename dulu ini kita

rename

yang X1 adalah online

opsi online kita kasih nama sesuai nama

variabel kita di sini saya kasih contoh

online Marketing Mix sebagai X1

kemudian

X2 nya adalah

online

represent

sebagai X2

kemudian X3 nya yaitu

online

oh bukan ya ketiganya digital

digital

content

marketing ini adalah contoh penelitian

pemasaran ya

kemudian Y nya adalah

kinerja

pemasaran atau marketing performance

kita pakai bahasa Indonesia aja Y di

sini nah jadi kita di sini punya tiga

variabel x yaitu X1 x2 x3 dengan satu

variabel y nah kemudian sekarang langkah

berikutnya adalah

kita masukkan yang ini kita drag ke sini

ini adalah

indikator-indikator untuk variabel X1

kemudian or ini saya kasih kode sesuai

apa namanya

nama variabelnya Oh untuk online r nya

representation ini ada tiga kemudian

saya geser ke sini

di CM ini untuk digital content

marketing ini inisial inisial dari nama

variabelnya ya kemudian

Cafe ini untuk kinerja pemasaran Jadi

kalau udah biru muncul biru-biru berubah

dari warna merah tadi artinya udah udah

lengkap dimasukin indikatornya Nah ini

kan posisinya di sini nggak enak dilihat

ya Jadi ini kita bisa pindahin ke

sebelah kanan kita bisa adjust ini kita

Klik di sini kemudian kita Klik Kanan

sampai muncul ini baru kalian pilih yang

lain indicators right nah ini akan

pindah ke sebelah kanan seperti ini jadi

agak bagus gitu Ini juga sebenarnya bisa

dipindahin manual Kayak gini cuman

masih kalau masih bagus dengan cara

kayak tadi ya udah oke sekarang

kita udah siap untuk melakukan analisis

yang pertama kita lakukan management

modal jadi kita klik kalkulate

di sini

kemudian klik

pls yang ini ya paling atas bls algoritm

kita klik

kemudian

ini sebenarnya 300 ya dasarnya ya

kemudian kita start kalkulation seperti

ini nah akan muncul

sekarang tinggal kita lihat hasil

management modelnya yang pertama kita

lihat dari oto loading nih bisa dilihat

dari sini kita klik tadi kan di sini ya

sekarang kita Klik di bagian yang ada

gambar ininya kita balik lagi ke gambar

sini nah nilai outer loading itu kita

bisa lihat dari angka-angka yang ada di

sini nah kita lihat seperti disebutkan

sebelumnya nilai outer loading itu harus

lebih besar dari 0,5 baru dikatakan

valid Nah kalau kita lihat di sini ini

valid semua nih

valid valid ya karena ini lebih besar

dari 0,5 ini kalau ada yang tidak valid

sama seperti dalam regresi linear

berganda itu kita bisa hapus kita klik

kemudian kita hapus

delete gitu nanti kita ulang lagi

setelah itu

sampai kemudian menjadi lebih dari 0,5

aja yang tersisa gitu ya Nah ini kan

udah hasilnya ini seperti saya udah

buatkan juga di sini

uji validitas konvergent di sini kita

bisa lihat X1 x2 x3 dan Y ini semua

nilai other loadingnya lebih tinggi dari

0,5 maka semua indikator variabel

latihannya ini dianggap valid ya

kemudian

selanjutnya

kita balik lagi ke sini kita udah lihat

dari nilai konvergen validitynya

sekarang kita lihat dari sini kita lihat

di diskriminan validity seperti yang

disebutkan sebelumnya

atau bisa juga dilihat dari Ave ini ya

kita lihat

extrated jadi di sini kalau udah Ijo

kayak gini nilai AB nya artinya juga

sudah valid lebih tinggi dari 0,5 aja

ini udah hijau semuanya gitu ya atau

juga bisa kita lihat dari diskriminan

bisa kita lihat dari sini

nilai formal lorder

kriteria di sini kita lihat nilai apa

namanya

akar dari ave-nya di sini harus lebih

besar dari korelasi dengan variabel yang

lain

kita lihat

di sini ya

nah

kita lihat

0,8

0,830 nilai dari akar ape sih Digital

content ini lebih tinggi daripada

digital content dengan kinerja pemasaran

korelasi Digital wonten marketing dengan

kinerja pemasaran itu 0,5570 kemudian

dengan Ummat itu 0,632 dengan or itu

0,552 ini lebih tinggi begitu juga

dengan kinerja pemasaran ini ini lebih

tinggi daripada ini dan ini begitu juga

seterusnya ini lebih tinggi semua

sehingga bisa dikatakan bahwa

validitas diskriminannya juga memenuhi

itu ya seperti itu Jadi bisa dilihat

dari seperti yang saya bilang fournal

larger kriterianya nah kemudian kita

akan melakukan uji kolinearitas kita

akan melihat hasil uji kolinearitasnya

ini dilihat dari sini nilai bif nya kita

klik ini udah muncul semua nih Ini udah

ijo semua

ijo semua seperti ini artinya tidak

terjadi kolinearitas nanti kalau

misalkan ada yang merah di sini biasanya

Kita akan menghapus yang paling kecil

dari nilai outer loading kita pilih

mana-mana yang paling kecil biasanya itu

dapat membantu nilai vif nya juga gitu

ya Oke kita balik ke sini dulu artinya

nilai vif nya lebih kecil dari 5 semua

ya artinya tidak terjadi kolinearitas

Oke Artinya kita sudah selesai melakukan

apa namanya

negaramen model itu selanjutnya

kita akan melihat dari reliabilitas

reliabilitas sekarang kita lihat dari

nilai crown paham yang ini dan komposit

reliability jadi di sini ingat nilai

krom Alfa dan komposit reliability harus

lebih besar dari 0,7 lebih besar atau

sama dengan 0,7 baru dikatakan relaiable

di sini kalau kita lihat nilainya udah

di atas 0,7 semua Pokoknya kalau udah

hijau seperti ini indikasinya kalau kita

gunakan Smart pls kalau udah hijau aja

berarti sudah memenuhi ya oke kemudian

setelah ini udah relay sudah valid semua

Sekarang kita akan melihat

uji hipotesis kita bagaimana pengaruhnya

kita lihat Ar Squad dulu di sini kita

bisa lihat art Square nya

0,513

0,513 berarti

51,3%

51,3% itu sudah bagus kalau kita lihat

di sini

tanda hijau ini menunjukkan bahwa

apa namanya model ini sudah baik dalam

menjelaskan apa variabel-variabel yang

ada dalam penelitian kita sudah bagus

untuk menjelaskan model penelitiannya

gitu itu artinya Nah selanjutnya

Bagaimana pengaruh masing-masing

variabel kita klik lagi di sini Di

gambar ini ya sampai muncul seperti ini

nah ini kalian akan copy nanti gambar

ini ke

apa namanya ke lampiran Jadi kalau

misalkan kalian nggak pakai yang

profesional Pro yang smart plsnya

makanya kalian bisa pakai yang ini apa

ini ya snapping tool Jadi kalian klik

seperti ini kayak gini

kemudian tinggal kalian buka World aja

Misalkan seperti ini nah kalian copy

kayak gini Kayak gini

nah ini hasil dari uji

outer loadingnya loading factornya

kalian bisa taruh sebagai lampiran

Kemudian untuk sebagai dasar ya karena

kalian akan bikin tabel nanti untuk

nunjukin Berapa nilai outer loading

masing-masing

variabel ini indikator masing-masing

variabelnya itu kalian akan Buat tabel

secara detail dasarnya kan ini ya jadi

makanya ini harus dijadikan sebagai

lampiran

kemudian saya lanjutkan lagi

nah yang saya buat yang ini juga di sini

ini kalian akan jadikan lampiran semua

nih

apa namanya hasil-hasil ujinya yang tadi

hasil ujian ini

Construct reliability ini kalian juga

screenshot ini juga

begitu juga yang lain harus Square juga

sama oke ya kita lanjut ke pengaruh kita

klik kalkulate lagi Kemudian

bootstrapping yang di bawahnya ini ya

butter kita klik seperti ini

kita biarkan ini ya tetap nggak usah

diubah kemudian

kalau kulit kalau sudah selesai Nah di

sini akan muncul

di sini kita bisa lihat

pengaruhnya Apakah positif atau negatif

bisa dilihat dari original sample ini

kita klik seperti ini dulu

original sample

digital X1 dulu ya online Marketing Mix

ke kinerja pemasaran original sampelnya

atau koefisiennya

0,699 artinya positif kemudian kita

lihat dari P value

0,0000 artinya ini lebih kecil dari

0,05 berarti pengaruhnya

positif dan signifikan kalau kita lihat

t hitungnya juga ini t hitungnya adalah

7,597 kemudian kalau t hitung Sorry T

tabel untuk

95 sampel dengan 3 variabel independen

adalah 1

,661 ini ya 1,661

nah

ini sebentar saya copy dulu ya

saya jadikan lampiran

seperti ini

kemudian

ini saya taruh di sini nah

kita lihat online Marketing Mix

sebenarnya 0,6

99 artinya pengaruhnya positif kemudian

P valuenya untuk X1 terhadap y adalah

0,00 ini lebih kecil dari 0,05 artinya

lebih

artinya pengaruhnya signifikan kemudian

kita lihat dari t statistik adalah

,597

7,597 ini lebih kecil dari t tabel untuk

sampel 95 dengan jumlah variabel

independen 3 adalah 1,661 artinya ini

juga pengaruhnya signifikan tapi bisa

kok cukup dilihat dari be value aja

artinya

online Marketing Mix ini berpengaruh

positif dan signifikan terhadap kinerja

pemasaran yaitu untuk X1 kemudian kita

lihat dari X2 X2 online

ini kita lihat original sampelnya -0,206

artinya pengaruhnya negatif kemudian

bevelnya 0,063,063

artinya ini lebih besar dong dari 0,05

artinya tidak signifikan kalau kita

lihat dari t hitung juga ini t hitungnya

1

,8

61 walaupun ini lebih besar dari t tabel

tapi bedanya tidak terlalu jauh ini

makanya artinya

tidak

signifikan ya dan juga terdukung oleh

nilai P value yang lebih besar dari 0,05

Artinya kita bisa menyimpulkan bahwa

online representation atau X2

berpengaruh negatif dan tidak signifikan

terhadap kinerja pemasaran atau dengan

kata lain bisa kita katakan bahwa online

representation tidak berpengaruh

terhadap kinerja pemasaran

selanjutnya yaitu digital content

marketing Kalau kita lihat di sini

nilai koefisiennya adalah 0,243.243

artinya pengaruhnya positif dan kalau

kita lihat dari P value

0,002,02 lebih kecil dari

0,05 artinya signifikan t hitung adalah

3,120

3

tabelnya 1,661 artinya signifikan karena

demikian

digital content marketing berpengaruh

positif dan signifikan terhadap kinerja

pemasaran Nah sekarang kita lihat

persamaan regresinya bagaimana

y =

di sini kita lihat nol koma 699

X1

untuk S2 Min 0,2 06

Plus

0,243 X3 ini adalah error nilai errornya

jadi ini adalah persamaan regresi kita

Oke seperti itu ya Ini adalah

bentuk mudahnya kita menggunakan metode

Sam ini untuk analisis data kita karena

bisa kita lakukan sekaligus tidak

seperti dengan menggunakan metode

regresi linear berganda Saya harap video

ini bisa membantu kalian Memiliki

gambaran tentang metode analisis Sam

untuk selanjutnya nanti saya akan

membuat juga tutorial

metode analisis dengan Sam di mana

persamaan kita memiliki variabel

intervening dan juga variabel moderasi

nanti saya buat satu persatu menyusul ya

baiklah Semoga tutorial ini bermanfaat

sampai ketemu lagi dalam video

berikutnya da assalamualaikum

warahmatullahi wabarakatuh