RINGKASAN MATA KULIAH

AKUNTANSI KEPERILAKUAN

DISUSUN OLEH KELOMPOK 7:

1. MUHAMMAD KHAIRUS SHOLIHIN
2. AZIZ IRWANDI

PROGRAM MAGISTER AKUNTANSI

PASCASARJANA UNIVERSITAS MATARAM
TAHUN AKADEMIK 2017 / 2018
 RINGKASAN

• Pelajari bagaimana fungsi PLS-SEM dan bagaimana menjalankan algoritma.

Algoritma PLS-SEM menggunakan data empiris untuk indikator dan secara iteratif menentukan
skor konstruk, koefisien jalur, pemuatan indikator dan bobot, dan nilai R2. Secara khusus,
setelah menentukan skor untuk setiap konstruk, algoritma memperkirakan semua sisa hubungan
yang tidak diketahui dalam model jalur PLS. Algoritma pertama mendapatkan hasil model
pengukuran, yang merupakan hubungan antara konstruk dan variabel indikatornya. Kemudian,
algoritma menghitung koefisien jalur, yang merupakan hubungan antara konstruk dalam model
struktural, bersama dengan nilai R2 konstruk endogen. Semua hasil distandardisasi, yang berarti
bahwa, misalnya, koefisien jalur dapat dibandingkan satu sama lain.

• Memahami sifat statistik dari metode PLS-SEM.

PLS-SEM adalah metode berbasis regresi OLS, yang menyiratkan bahwa properti statistik yang
diketahui dari OLS juga berlaku untuk PLS-SEM. PLS-SEM berfokus pada prediksi satu set
hubungan hipotesis tertentu yang memaksimalkan varian dijelaskan dari variabel dependen.
Hasil kunci awal dari estimasi model jalur PLS adalah skor konstruk. Skor ini diperlakukan
sebagai pengganti sempurna untuk variabel indikator dalam model pengukuran dan oleh karena
itu menggunakan semua varian yang dapat membantu menjelaskan konstruk endogen. Selain itu,
mereka memfasilitasi memperkirakan semua hubungan dalam model jalur PLS. Perkiraan
hubungan ini, bagaimanapun, tunduk pada bias PLS-SEM, yang berarti bahwa hasil model
pengukuran biasanya terlalu tinggi sementara hasil model struktural biasanya dinilai kurang
waktu. Namun, dalam kondisi yang biasa ditemui dalam situasi penelitian, bias ini dapat
diabaikan. Selain itu, efisiensi estimasi parameter PLS-SEM memberikan tingkat kekuatan
statistik yang tinggi dibandingkan dengan CB-SEM. Akibatnya, PLS-SEM lebih baik
mengidentifikasi hubungan populasi dan lebih cocok untuk tujuan penelitian eksplorasi-fitur
yang lebih didukung oleh persyaratan yang kurang ketat dalam hal pengaturan model,
kompleksitas model, dan karakteristik data.

• Memahami opsi dan pengaturan parameter untuk menjalankan algoritma.

Untuk menerapkan algoritma PLS-SEM, peneliti perlu menentukan beberapa pengaturan

parameter. Keputusan termasuk memilih skema pembobotan model struktural, metrik data, nilai
awal untuk memulai algoritma PLS-SEM, kriteria berhenti, dan jumlah maksimum iterasi.
Skema penimbangan jalan memaksimalkan nilai R2 dari konstruk endogen, sehingga opsi harus
dipilih. Untuk metrik data, biasanya menguntungkan untuk z-standarisasi data (yaitu, setiap
indikator memiliki rata-rata 0 dan varians 1) sebagai hasil PLS-SEM standar lebih mudah
ditafsirkan. Sebagian besar aplikasi perangkat lunak menawarkan opsi untuk menstandardisasi
data input secara otomatis. Akhirnya, nilai awal (misalnya, + 1) untuk hubungan dalam model
pengukuran, kriteria berhenti (sejumlah kecil seperti 1 • 1 o-5), dan jumlah maksimum iterasi
yang cukup besar (misalnya, 300) harus dipilih. Algoritma PLS-SEM berjalan sampai
konvergensi tercapai atau jumlah iterasi maksimum telah tercapai. Skor konstruk yang dihasilkan
kemudian digunakan untuk memperkirakan semua model regresi parsial dalam model struktural
dan model pengukuran untuk mendapatkan estimasi model akhir.

• Jelaskan bagaimana menginterpretasikan hasil.

Metode PLS-SEM memperkirakan beban luar standar, bobot luar, dan koefisien jalur model
struktural. Pembebanan indikator dan bobot indikator dihitung untuk setiap model pengukuran
dalam model jalur PLS. Ketika model pengukuran reflektif digunakan, peneliti menafsirkan
beban luar, sedangkan bobot luar adalah kriteria utama ketika model pengukuran formatif
diinterpretasikan (catatan, bagaimanapun, bahwa pemuatan juga memainkan peran dalam
penilaian model pengukuran formatif). Untuk model struktural, koefisien standar dari hubungan
antara konstruk disediakan serta nilai R2 untuk konstruk endogen. Kriteria evaluasi PLS-SEM
yang lebih maju lainnya yang digunakan dalam menilai hasil diperkenalkan dalam Bab 4 hingga
6.

• Penerapan algoritma PLS-SEM menggunakan perangkat lunak SmartPLS.

Contoh reputasi perusahaan dan data empiris yang tersedia dengan buku ini memungkinkan
Anda menerapkan algoritma PLS-SEM menggunakan perangkat lunak SmartPLS. Pilihan menu
yang dipilih memandu pengguna dalam memilih opsi algoritma dan pengaturan parameter yang
diperlukan untuk menjalankan algoritma PLS-SEM. Laporan hasil SmartPLS memungkinkan
pengguna untuk memeriksa apakah algoritma berkumpul (yaitu, kriteria berhenti tercapai dan
bukan jumlah maksimum iterasi) dan untuk mengevaluasi hasil awal untuk bobot luar, beban
luar, koefisien jalur model struktural, dan R2 nilai-nilai. Langkah-langkah diagnostik tambahan
untuk analisis yang lebih maju dibahas dalam bab-bab selanjutnya.