| Konstruk | Nama.variabel. | Pertanyaan |
|---|---|---|
| Work-life Balance (WLB) | WLB1 | Saya dapat menyeimbangkan tuntutan pekerjaan dan kehidupan pribadi saya. |
| Work-life Balance (WLB) | WLB2 | Saya jarang membawa pekerjaan ke rumah. |
| Work-life Balance (WLB) | WLB3 | Waktu saya untuk keluarga tidak terganggu oleh pekerjaan. |
| Work-life Balance (WLB) | WLB4 | Saya merasa puas dengan keseimbangan antara pekerjaan dan kehidupan pribadi saya. |
| Work-life Balance (WLB) | WLB5 | Saya memiliki cukup waktu untuk aktivitas di luar pekerjaan. |
| Work-life Balance (WLB) | WLB6 | Stres pekerjaan tidak memengaruhi hubungan saya dengan keluarga. |
| Employee Engagement (EE) | EE1 | Saya merasa bersemangat saat bekerja. |
| Employee Engagement (EE) | EE2 | Saya tenggelam dalam pekerjaan saya. |
| Employee Engagement (EE) | EE3 | Saya merasa pekerjaan saya bermakna. |
| Employee Engagement (EE) | EE4 | Saya bangga dengan pekerjaan saya. |
| Employee Engagement (EE) | EE5 | Saya merasa termotivasi setiap hari kerja. |
| Employee Engagement (EE) | EE6 | Saya ingin berkontribusi lebih banyak dalam organisasi. |
| Competency (COMP) | COMP1 | Saya memiliki kemampuan teknis yang diperlukan untuk pekerjaan saya. |
| Competency (COMP) | COMP2 | Saya terus mengembangkan keterampilan saya. |
| Competency (COMP) | COMP3 | Saya dapat bekerja secara efektif dalam tim. |
| Competency (COMP) | COMP4 | Saya memiliki pengetahuan yang cukup untuk melaksanakan tugas. |
| Competency (COMP) | COMP5 | Saya mampu mengambil keputusan dalam situasi sulit. |
| Competency (COMP) | COMP6 | Saya dapat menyesuaikan diri dengan perubahan di tempat kerja. |
| Job Characteristic (JC) | JC1 | Pekerjaan saya memerlukan berbagai keterampilan. |
| Job Characteristic (JC) | JC2 | Saya memiliki otonomi dalam mengambil keputusan. |
| Job Characteristic (JC) | JC3 | Saya tahu seberapa baik saya melakukan pekerjaan saya. |
| Job Characteristic (JC) | JC4 | Pekerjaan saya memberikan kontribusi berarti bagi organisasi. |
| Job Characteristic (JC) | JC5 | Saya mendapatkan umpan balik atas hasil pekerjaan saya. |
| Job Characteristic (JC) | JC6 | Saya merasa pekerjaan saya menantang dan tidak monoton. |
| Turn-over Intention (TI) | TI1 | Saya sering memikirkan untuk meninggalkan instansi saya. |
| Turn-over Intention (TI) | TI2 | Saya sedang mencari pekerjaan di tempat lain. |
| Turn-over Intention (TI) | TI3 | Jika memungkinkan, saya ingin berhenti dari pekerjaan ini. |
| Turn-over Intention (TI) | TI4 | Saya merasa tidak akan bertahan lama di instansi ini. |
| Turn-over Intention (TI) | TI5 | Saya tidak memiliki komitmen jangka panjang terhadap organisasi. |
| Turn-over Intention (TI) | TI6 | Saya merasa bekerja di tempat lain akan lebih baik. |
1 Pendahuluan
Halaman ini adalah tutorial dalam bentuk markdown sebagai penunjang kegiatan Pembinaan Agen Pojok Statistik Universitas Islam Riau dan Universitas Riau.
Berikut adalah presentasi dari saya:
Topik yang kita angkat pada tutor kali ini adalah Pengaruh Work Life Balance, Employee Engagement, Competency, dan Job Characteristic terhadap Turnover Intention pada Karyawan Generasi Milenial Perusahaan XYZ. Rincian variabel konstruk dapat dilihat pada Table 1 berikut.
1.1 Install dan load package
Package yang akan digunakan dalam tutor kali ini adalah SEMinR, jalankan kode install.packages("seminr") pada console untuk memasangnya pada Rstudio.
# Load package
library(seminr)1.2 Load dan menampilkan data
Pertama kali, load dataset yang akan kita gunakan untuk memodelkan SEM-PLS menggunakan fungsi read.csv( ... ). π₯ Unduh Dataset dataset.csv
data <- read.csv("dataset.csv", header = TRUE, sep = ',')
data <- data[,-1] # menghapus kolom IDDataset ini terdiri dari 250 observasi dan 30 variabel.
head(data)
DISCLAIMER - Data ini merupakan Data Dummy yang di-generate menggunakan bantuan ChatGPT dan hanya bertujuan untuk kepentingan tutorial.
2 Pembangunan model
2.1 Membuat model measurement
Fungsi contructs() digunakan untuk mendefinisikan semua konstruk ke dalam model measurement. Konstruk yang dapat dibuat antara lain:
composite(): untuk konstruk individuinteraction_term(): untuk konstruk yang saling berinteraksi
Lalu, untuk composite() yang terdiri dari beberapa variabel menggunakan multi_items(), sedangkan untuk yang hanya terdiri dari 1 variabel menggunakan single_item().
Sebagai contoh, untuk konstruk WLB disusun atas variabel WLB1 sampai WLB6. Maka, model measurement-nya dapat didefinisikan sebagai berikut.
# Definisikan konstruk (measurement model)
mm <- constructs(
composite("WLB", multi_items("WLB", 1:6)),
composite("EE", multi_items("EE", 1:6)),
composite("COMP", multi_items("COMP", 1:6)),
composite("JC", multi_items("JC", 1:6)),
composite("TI", multi_items("TI", 1:6))
)2.2 Membuat model struktural
# Definisikan hubungan antar konstruk (structural model)
sm <- relationships(
paths(from = c("WLB", "EE", "COMP", "JC"), to = "TI")
)2.3 Estimasi model
# Estimasi model dengan metode Partial Least Square (PLS)
pls_model <- estimate_pls(data = data,
measurement_model = mm,
structural_model = sm,
inner_weights = path_weighting)Generating the seminr modelAll 250 observations are valid.plot(pls_model)2.4 Interpretasi hasil estimasi
Setelah model diestimasi, hasil ringkasannya dapat di-generate dengan menjalankan fungsi summary() lalu kita simpan hasil estimasi model ke dalam summary_model.
summary_pls_model <- summary(pls_model)Menampilkan koefisien jalur dan nilai Adjusted R2 dengan menjalankan kode berikut.
summary_pls_model$paths TI
R^2 0.033
AdjR^2 0.017
WLB -0.060
EE -0.097
COMP -0.106
JC -0.074# Validitas
#summary_pls_model$validity3 Evaluasi model
3.1 Evaluasi model measurement
3.1.1 Indicator reliability
summary_pls_model$loadings WLB EE COMP JC TI
WLB1 0.806 0.000 -0.000 -0.000 -0.000
WLB2 0.832 0.000 -0.000 -0.000 -0.000
WLB3 0.861 0.000 0.000 -0.000 -0.000
WLB4 0.856 0.000 -0.000 -0.000 -0.000
WLB5 0.935 0.000 0.000 0.000 -0.000
WLB6 0.788 0.000 0.000 -0.000 -0.000
EE1 0.000 0.860 0.000 0.000 -0.000
EE2 0.000 0.807 0.000 0.000 -0.000
EE3 0.000 0.663 0.000 0.000 0.000
EE4 0.000 0.873 0.000 0.000 -0.000
EE5 0.000 0.901 0.000 0.000 -0.000
EE6 0.000 0.777 0.000 0.000 -0.000
COMP1 0.000 -0.000 0.862 0.000 -0.000
COMP2 0.000 0.000 0.903 -0.000 -0.000
COMP3 -0.000 0.000 0.819 0.000 -0.000
COMP4 0.000 0.000 0.833 0.000 -0.000
COMP5 0.000 0.000 0.882 0.000 -0.000
COMP6 0.000 0.000 0.843 -0.000 -0.000
JC1 0.000 0.000 0.000 0.908 -0.000
JC2 -0.000 0.000 -0.000 0.839 -0.000
JC3 -0.000 0.000 -0.000 0.798 -0.000
JC4 -0.000 0.000 -0.000 0.856 -0.000
JC5 0.000 0.000 0.000 0.844 -0.000
JC6 -0.000 0.000 0.000 0.867 -0.000
TI1 -0.000 -0.000 -0.000 -0.000 0.858
TI2 -0.000 -0.000 -0.000 -0.000 0.871
TI3 -0.000 -0.000 -0.000 -0.000 0.824
TI4 -0.000 -0.000 -0.000 -0.000 0.849
TI5 -0.000 -0.000 -0.000 -0.000 0.843
TI6 -0.000 -0.000 -0.000 -0.000 0.834Reliabilitas indikator dapat diperoleh dari kuadrat nilai loadings.
summary_pls_model$loadings^2 WLB EE COMP JC TI
WLB1 0.650 0.000 0.000 0.000 0.000
WLB2 0.692 0.000 0.000 0.000 0.000
WLB3 0.741 0.000 0.000 0.000 0.000
WLB4 0.733 0.000 0.000 0.000 0.000
WLB5 0.875 0.000 0.000 0.000 0.000
WLB6 0.620 0.000 0.000 0.000 0.000
EE1 0.000 0.739 0.000 0.000 0.000
EE2 0.000 0.651 0.000 0.000 0.000
EE3 0.000 0.439 0.000 0.000 0.000
EE4 0.000 0.763 0.000 0.000 0.000
EE5 0.000 0.811 0.000 0.000 0.000
EE6 0.000 0.604 0.000 0.000 0.000
COMP1 0.000 0.000 0.744 0.000 0.000
COMP2 0.000 0.000 0.815 0.000 0.000
COMP3 0.000 0.000 0.671 0.000 0.000
COMP4 0.000 0.000 0.693 0.000 0.000
COMP5 0.000 0.000 0.777 0.000 0.000
COMP6 0.000 0.000 0.711 0.000 0.000
JC1 0.000 0.000 0.000 0.824 0.000
JC2 0.000 0.000 0.000 0.705 0.000
JC3 0.000 0.000 0.000 0.636 0.000
JC4 0.000 0.000 0.000 0.732 0.000
JC5 0.000 0.000 0.000 0.713 0.000
JC6 0.000 0.000 0.000 0.752 0.000
TI1 0.000 0.000 0.000 0.000 0.735
TI2 0.000 0.000 0.000 0.000 0.758
TI3 0.000 0.000 0.000 0.000 0.680
TI4 0.000 0.000 0.000 0.000 0.721
TI5 0.000 0.000 0.000 0.000 0.711
TI6 0.000 0.000 0.000 0.000 0.6963.1.2 Internal consistency reliability
Cronbachβs alpha < rhoA < rhoC
summary_pls_model$reliability alpha rhoC AVE rhoA
WLB 0.929 0.939 0.718 1.211
EE 0.924 0.923 0.668 0.836
COMP 0.931 0.943 0.735 1.004
JC 0.931 0.941 0.727 1.016
TI 0.922 0.938 0.717 0.934
Alpha, rhoC, and rhoA should exceed 0.7 while AVE should exceed 0.53.1.3 Convergent validity
Nilai AVE minimal 0.5
summary_pls_model$reliability alpha rhoC AVE rhoA
WLB 0.929 0.939 0.718 1.211
EE 0.924 0.923 0.668 0.836
COMP 0.931 0.943 0.735 1.004
JC 0.931 0.941 0.727 1.016
TI 0.922 0.938 0.717 0.934
Alpha, rhoC, and rhoA should exceed 0.7 while AVE should exceed 0.53.1.4 Discriminant validity
Untuk memastikan bahwa setiap konstruk dari variabel laten berbeda dengan variabel lainnya. Hal ini ditandai dengan nilai loadings pada dari setiap indikator dari suatu variabel laten memiliki nilai yang paling besar dibandingkan nilai loadings lain pada variabel laten lainnya. Hasilnya adalah sebagai berikut.
summary_pls_model$validity$cross_loadings WLB EE COMP JC TI
WLB1 0.806 0.079 -0.023 -0.024 -0.022
WLB2 0.832 0.051 -0.012 -0.040 -0.028
WLB3 0.861 0.078 0.037 -0.034 -0.054
WLB4 0.856 0.054 -0.016 -0.023 -0.032
WLB5 0.935 0.052 0.018 0.013 -0.093
WLB6 0.788 0.100 0.021 -0.035 -0.008
EE1 0.041 0.860 0.029 0.089 -0.078
EE2 0.072 0.807 0.024 0.083 -0.040
EE3 0.110 0.663 0.037 0.043 0.028
EE4 0.088 0.873 0.014 0.063 -0.097
EE5 0.063 0.901 0.047 0.040 -0.106
EE6 0.090 0.777 0.055 0.033 -0.004
COMP1 0.036 -0.006 0.862 0.015 -0.085
COMP2 0.002 0.013 0.903 -0.010 -0.132
COMP3 -0.025 0.078 0.819 0.090 -0.035
COMP4 0.003 0.058 0.833 0.054 -0.055
COMP5 0.008 0.038 0.882 0.000 -0.120
COMP6 0.023 0.039 0.843 -0.012 -0.064
JC1 0.033 0.092 0.009 0.908 -0.105
JC2 -0.025 0.126 -0.015 0.839 -0.038
JC3 -0.015 0.082 -0.061 0.798 -0.001
JC4 -0.055 0.023 -0.014 0.856 -0.055
JC5 0.012 0.040 0.042 0.844 -0.054
JC6 -0.067 0.043 0.024 0.867 -0.067
TI1 -0.048 -0.093 -0.125 -0.116 0.858
TI2 -0.060 -0.095 -0.099 -0.074 0.871
TI3 -0.048 -0.104 -0.038 -0.087 0.824
TI4 -0.058 -0.126 -0.069 -0.010 0.849
TI5 -0.077 -0.070 -0.054 -0.055 0.843
TI6 -0.056 -0.073 -0.146 -0.057 0.834Atau lebih mudahnya dapat melihat nilai kriteria Fornell-Larcker (Fornel & Larcker, 1981) berikut.
summary_pls_model$validity$fl_criteria WLB EE COMP JC TI
WLB 0.848 . . . .
EE 0.071 0.817 . . .
COMP 0.012 0.033 0.857 . .
JC -0.016 0.074 0.012 0.853 .
TI -0.067 -0.110 -0.111 -0.082 0.847
FL Criteria table reports square root of AVE on the diagonal and construct correlations on the lower triangle.3.2 Evaluasi model struktural
3.2.1 Pengujian hipotesis (bootstrap)
boot_pls_model <- bootstrap_model(seminr_model = pls_model,
nboot = 1000,
cores = NULL,
seed = 123)Bootstrapping model using seminr...SEMinR Model successfully bootstrappedsum_boot_pls_model <- summary(boot_pls_model)sum_boot_pls_model$bootstrapped_paths Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI 97.5% CI
WLB -> TI -0.060 -0.063 0.099 -0.610 -0.195 0.165
EE -> TI -0.097 -0.083 0.134 -0.723 -0.238 0.225
COMP -> TI -0.106 -0.109 0.082 -1.304 -0.211 0.155
JC -> TI -0.074 -0.074 0.104 -0.720 -0.205 0.178sum_boot_pls_model$bootstrapped_loadings Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
WLB1 -> WLB 0.806 0.739 0.207 3.892 0.087
WLB2 -> WLB 0.832 0.765 0.208 3.993 0.136
WLB3 -> WLB 0.861 0.769 0.210 4.089 0.178
WLB4 -> WLB 0.856 0.789 0.202 4.235 0.234
WLB5 -> WLB 0.935 0.822 0.219 4.263 0.214
WLB6 -> WLB 0.788 0.742 0.209 3.774 0.070
EE1 -> EE 0.860 0.753 0.214 4.019 0.089
EE2 -> EE 0.807 0.728 0.223 3.618 0.028
EE3 -> EE 0.663 0.641 0.272 2.437 -0.234
EE4 -> EE 0.873 0.755 0.215 4.068 0.070
EE5 -> EE 0.901 0.777 0.220 4.092 0.084
EE6 -> EE 0.777 0.721 0.245 3.169 -0.095
COMP1 -> COMP 0.862 0.823 0.144 6.006 0.469
COMP2 -> COMP 0.903 0.858 0.160 5.647 0.453
COMP3 -> COMP 0.819 0.775 0.155 5.289 0.398
COMP4 -> COMP 0.833 0.793 0.152 5.474 0.459
COMP5 -> COMP 0.882 0.839 0.156 5.651 0.397
COMP6 -> COMP 0.843 0.803 0.151 5.592 0.440
JC1 -> JC 0.908 0.812 0.224 4.054 0.085
JC2 -> JC 0.839 0.774 0.202 4.149 0.256
JC3 -> JC 0.798 0.755 0.200 3.985 0.101
JC4 -> JC 0.856 0.783 0.189 4.522 0.236
JC5 -> JC 0.844 0.767 0.196 4.308 0.165
JC6 -> JC 0.867 0.791 0.191 4.549 0.185
TI1 -> TI 0.858 0.846 0.026 33.337 0.796
TI2 -> TI 0.871 0.867 0.022 38.957 0.815
TI3 -> TI 0.824 0.825 0.030 27.676 0.760
TI4 -> TI 0.849 0.852 0.024 34.957 0.797
TI5 -> TI 0.843 0.852 0.024 34.684 0.801
TI6 -> TI 0.834 0.829 0.029 28.449 0.764
97.5% CI
WLB1 -> WLB 0.905
WLB2 -> WLB 0.913
WLB3 -> WLB 0.923
WLB4 -> WLB 0.921
WLB5 -> WLB 0.957
WLB6 -> WLB 0.921
EE1 -> EE 0.910
EE2 -> EE 0.897
EE3 -> EE 0.925
EE4 -> EE 0.924
EE5 -> EE 0.934
EE6 -> EE 0.923
COMP1 -> COMP 0.909
COMP2 -> COMP 0.938
COMP3 -> COMP 0.892
COMP4 -> COMP 0.899
COMP5 -> COMP 0.926
COMP6 -> COMP 0.898
JC1 -> JC 0.942
JC2 -> JC 0.912
JC3 -> JC 0.940
JC4 -> JC 0.912
JC5 -> JC 0.907
JC6 -> JC 0.921
TI1 -> TI 0.890
TI2 -> TI 0.903
TI3 -> TI 0.876
TI4 -> TI 0.893
TI5 -> TI 0.891
TI6 -> TI 0.876