KONSEP DASAR PLS A YBSEM (PLS-SEM) va. CB: 2 uicuran Sampel dalam GBSEM (AMOS dan LISRE) 5 Tahapan Analisis PLS 1. Estimasi Model dalam PLS-SEM 2, Evaluasi Model dalam PLS-SEM a, Evaluasi Outer Model \gukur: 1. Evaluasi Model Penk ete 2, Evaluasi Model Pengukuran Formatif b, Evaluasi Inner Model (Model Struktural) £ Kriteria Penilaian dalam PLS-SEM F _Jenis Software PLS-SEM dalam Praktek sie ear earner A. Pengertian PLS Dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan di antara variable yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan tersebut. Terdapat dua pendekatan dalam Structural Equation Modeling (SEM), yaitu SEM berbasis covariance (Covariance Based-SEM) disingkat CB-SEM dan SEM berbasis variance (Variance Based-SEM) (VB-SEM) disingkat VB-SEM dengan teknik Partial Least Squares Path Modeling (PLS-PM). Partial Least Square disingkat PLS merupakan jenis analisis SEM yang berbasis Komponen dengan sifat Konstruk formatif. PLS pertama kali digunakan untuk mengolah data di bidang economertrics sebagai alternative teknik SEM dengan dasar teori yang lemah, PLS hanya berfungsi sebagai alat analisis prediktor, bukan uji model. PLS-PM atau PLS-SEM kini telah menjadi alat analisis yang popular dengan banyaknya jumal internasional atau penelitian ilmiah yang menggunakan metode ini. Dalam satu dekade terakhir, sanaan SEM semakin meningkat tajam, Sebetum tahun 1990, diilustrasikan ee bn marketing, nya es al mig me 2007, lebih dari 2/3 dari keseluruhan artikel yang ¢ipu eee nn Spwnakan SEM. Perkembangan signifikan dalam penggunsin SEM juga terjaclt dam bidang lain seperti psikologi, sosiologi, Semula PLS lebih banyak digwnstt a eeterbatasan analisis regresi dengan teknik chemistry, Disain PLS dimaksudkan untuk mental ry i seperti : (1) ukuran i stil fa mengalami masalah, seperti ? ketika karakteristik datanya men’! See OLS (Oniinary Least Square) value, (3) bentuk sebaran data tidak aoe ( Dee sls ma ime ae " a biasanya menghasitkan date Yan tidak stabil apat multikolinearitas, OLS regre: penn nn AE NS Te tudi bidang analytical, physical dan clinical ‘Metode SEM unt)cikit, atau adanya missing values maupun multikotineay cea ea ini See standard error dari koefisien rat Wijaya, 2012:11). wel ie one ae iiiber’ nama NIPALS (Non-linear Iterative Partial Least Sq juga dapat disebut sebagai teknik prediction-oriented. Pendckatan PLS secara khusus bergy untuk memprediksi variable dependen dengan melibatkan sejumlah besar variable independen, Pls selain digunakan untuk keperluan Confirmatory Factor Analysis (CFA), tetapi dapat juga digunatay untuk Exploratory Factor Analysis (EFA) ketika dasar teori konstruk atau model masih 7 Pendekatan PLS bersifat Asymptotic Distribution Free (ADE), artinya data yang dianaliss ts memiliki pola distribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio, Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat predikti dengan dace teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLs, Giasumsikan bahwa semua ukuran variance berguna untuk dijelaskan, Teknik PLS menggunakan iterasi algoritma yang terdiri dari serial PLS yang dianggap sebagai model alternative dati Covariance Based SEM (CB-SEM). Pada CB-SEM metode yang dipakai adalah Maximum Likelihood (Mt) berorientasi pada teori dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan untuk causal-predictive analysis dalam kondisi kompleksitas tinggi dan didukung teor yang lemah, Seperti penjelasan di muka, metode PLS juga disebut teknik prediction-oriented. Pendekatan PLS secara khusus berguna untuk meprediksi variable dependen dengan melibatkan banyak variable independen. CB-SEM hanya mampu memprediksi model dengan kompleksitas rendah sampai menengah dengan sedikit indikator. Sesuai dengan publikasi resmi penerbit Smart PLS 3.0 di httpy/www.smartpls.de, Smart PLS 3.0 mampu melakukan hal-hal sebagai berikut : * Partial least squares (PLS) path modeling algoritm (including consisten: PLS) * Ordinary least squares regression based on sumscores * Advanced bootstrapping option * Blindfollding * Importance-performance matrix analysis (IPMA) * Multi-gorup Analysis (MGA) * Hierarchical component models (second-order models) * Nonlinear relationships te.g. quadratic effect) * Confirmatory tetrad analysis (CTA) * Finit mixture (FIMIX) segmentation * Prediction-oriented egmentation (POS) * and more... D8 diukup Mares) 2 juga Analisis PLS digunakan untuk indikator pembentuk variable laten ‘ang bersifat format, bukan reflektif. Variable laten dengan indikator Pembentuk yang bersifat formatif dalam bentuk Komposit, misalnya Staus Ekonomi Sosial diukur berdasarkan pembentuk indikator yang saling mutually exclusive, yaita pendidikan, pekerjaan dan pendapatan. Contoh lain misalnya Kinet? organisasi menurut Kaplan (Balance Sco it keuangan, kepuasan pelangean, operasiona_agykan oleh Komponen dukngan manajemen i indivi ek bisa bettie reflektif atau format, cape boon yor me oe onstruk sakit pada sescorang, bisa berbentuk reflektif, seperti bisa dilihat te ala pe eee gabon, yout meningkatnya : suhu badan, tekanan darah, denyut nndi fe ada eer ‘api konstruk sakit juga bisa akibat dipengaruhi atau dibentuk oleh kebiasaan buruk aa pola cea sinum, meroxok dan kerja yang berlebihan. Untuk memudahlan pemahaman mee mi able laten Jang bessifatformatif, dan reflektif dapat dilhat Gambar 17.1. ae [=| ED _Pendepatan Gambar 17.1.a. Konstruk Laten Formatif kelas Status Sosial Ekonomi. ‘Operas Fabel Tra Lore, Kepner ‘mores Gambar 17.1.b. Konstruk Laten Formatif Kinerja Organisasi. Gambar 17.1.¢. Konstruk Laten Formatif Kinerja Individu Konstruk Reflektif dan Formatif Gambar 17.14. a — i i Ss sin ses eng s200 sao am saat AS30 | EEAEM, ara hubungan kausalitas dari indikator ke Konstruk atau membenyy konstruk dengan ara panah >, Sesamindikatordiasumsikan tidak berkoreas. sehingg tidal pot diuji konsistensi ilitas internalnya. Hilangnya salah satu indikator dapat mengakibatl Perubahan makna dari konstruk. Dalam indikator yang sifatnya formatif, tidak diperlukan kovarng ‘antar indikator. Contoh model PLS-SEM yang sederhana dan komplek dapat dilihat pada Gambas 17.2. : a a aa a Gambar 17.2b, Contoh Model PLS-SEM Komplek. B. VBSEM (PLS-SEM ) vs. CBSEM (AMOS dan LISREL) Analisis SEM secara umum dapat dibedakan menjadi Variance Based SEM (VB SEM) dan Covariace Based SEM (CBSEM), Pendekatan PLS-SEM didasarkan pada pergeseran analisis dari pengukuran estimasi parameter model menjadi pengukuran prediksi model yang relevan, PLS-SEM menggunakan algoritma iteratif yang terdiri atas beberapa analisis dengan metode kuadrat terkecil biasa (Ordinary Least Squares). Oleh karena itu, dalam PLS-SEM persoalan identifikasi tidak penting. PLS-SEM justru mampu menangani masalah yang bi anya muncul dalam analisis SEM berbasis kovarian. Pertama, solusi model yang tidak dapat diterima (inadmissible solution) sepett munculnya nilai standardized loading factor > | a.au varian bernilai 0 atau negatif. Kedua, faktor indeterminacy yaite faktor yang tidak dapat ditentukan seperti nilai amatan untuk variabel laten tidak RE Tene mrs pln an Canscanerapat diproses. Karena PLS memiliki karakteristik algoritma interatif yang, khas, maka PLS dapat giterapkan dalam model pengukuran reflektif maupun formatf. Sedangkan analisis CB- rmenganalisis model pengukuran reflektif (Yamin dan Kurniawan, 2011:15). hanya Dengan demikian, PLS-SEM dapat dikatakan sebagai komplementari atau pelengkap CB SEM (AMOS dan LISREL) bukannya sebagai pesaing. Terdapat 10 kriteria perbandingan sederhana antara penggunaan VBSEM (PLS-SEM) dengan CBSEM (AMOS d: Table 17.1. Jan LISREL) dapat dilihat pada ‘Table 17.1. 10 Kriteria Perbandingan Sederhana Antara Penggunaan VBSEM (PLS-SEM) dengan CBSEM (AMOS dan LISREL). ‘umber : Dari berbagai sumber baeaan dikembangkan oleh penelit SEM untok Penetion Manajomen dengan AMOS 22.00, USREL 8.80 dan SMART-PLS 3.0 iter ‘VBSEM CBSEM Ne Kerteria (PLS-SEM) (AMOS dan LISREL) T | Tujuan Analisis | Orientasi prediksi dan analisis Taksiramn parameter dan ekploratori konfirmatori 2 | Asumsi ‘Non-parameitik, idak mengikuti pola | Parametrik, mengikuti pola distribusi tertentu distribusi normal multivariate 3 | Pendekatan Variance atau component based Covariance based (CB- (VBSEM) SEM) J [Tumlah sampel | 30— 100 Kasus, semakin besar jumlah | 200 ~ 800 kasus sampel model semakin baik 5 | Hubungan Reflektif maupun formatif Reflektif indikator- konstruk laten |} Kompleksitas | Mampa menangani hubungan yang | Kurang dari 100 variabel model sangat komplek, bisa terdiri dari 100 Konstruk laten dan 1000 variabel manifest. =} Kebatuhan teori_| Fleksibel, optimal pada prediksi dan | Asumsi dan dasar teorikuat, akurasi model pengembangan model berorientasi akurasi parameter | Tentifikasi Model rekursif dan non rekursif ‘Algoritma CBSEM hanya model menangani model rekursif 9 | Uji GOF ‘Sedikit alat parameter GOT Lebih banyak alat parameter Gor | 10_| Kekuatan Konsisten ketika jumlah sampel Lebih baik, kuat dan taksiran meningkat konsisten parameter - _ Ti _| Skor variable Secara eksplisit diestimasi Indeterminate laten _ T2_| Implikasi ‘Optimal untuk ketepatan prediksi ‘Optimal untuk ketepatan | parameterC. Ukuran Sampel dalam SEM-PLS Dalam anatisis PLS pero diketabu apakab data memenuhi persyaratan untuk model Sy. PLS. Beborapa karakteristik yang perl diperhatikan diantaranya, ukuran sampel, bentuk sebaran dang dian skala pengubtian, Penelti harus memperhatikan berapa banyak observasi yang pengukuran variable laten endogen sebaikny missing wel tidak lengkap (missing verte) datann datanya, Setain it tidak menggunakan skala nominal supaya model dapat diidentitikasikan, Hair dk 2013) dalam Solihin dan Ratmono (2013:12) menyatakan panduan ukuran sarpe mininvam dalam analisis SEM-PLS adalah sama atau lebih besar (=) dari kon) 1) sepuluh kali ari jumah indikator formatif terbesar yang digunkan untuk mengukur suatu konstruk, danvatay (2) sepuluh Kali dari jumiah jalur struktural terbesar yang mengarah kepada suatu konstruk tertenty Pedoman tersebut disebut aturan 10 X (/0 time nde of thumb) yang secara praktis adalah 10 X dari jumlah maksimum anak panah (jalur) yang mengenai sebuh variable laten dalam model PLS. Karena panduan ini masih bersifat kasar (rough guidance) sehingga peneliti disarankan untuk mengunakan pendekatan Cohen (1992) yang mempertimbangkan statistical power dan effect size Ketika menentukan minimum ukuran sampel, Sesuai Table 17.2, Panduan Menentukan Ukuran Sampel Model SEM-PLS, misatkan dalam model penelitian jumlah anak panah terbesar yang mengenai satu Konstrek adalah 4, kita mengharapkan signifikansi pada 0,05 (5%) dan R? minimum 0,50 maka ukuran sampel minimum yang harus kita punya adalah 42, ‘Tabel 17.2, Panduan Menentukan Ukuran Sampel Model PLS-SEM [Turtab Tirgkat Gael) Signifikanst | maksimal arah_[ 1 56 108s | panah menuju | Minima R° Minimum R Minimum R7 | Konstrus 050] 075 | O10] 0.25 | 0,50 [0.75 | 0.10] 025 | 0.50 c 2 [3s [iro | s2 [733 [36 [ss | a1 | 36 [2 f 3 124 [s0| 38 | 30_| 100] 48 | 30 [35 3 wa7 [es [a2 33 a ss | [27 3S 147 |70_[ 45 [36 [120] 88 | 37 [30 ~e 17 [7s_[ as [39 [os |e | 40 P32 7 $6_[ es | 8031 |a1_ [136 | 66 | 2 [35 S [soi sa | st [aa [as | 09 [as [37 3 [o2 [ist [ss 37 [a6 130-[ 73] 47-139] 10 123 of | iso | oT s9 [as [ise | 76 | 49 [41 | Sumber : Cohen (1992) dalam Solihin dan Ratmono (2013213). D. Tahapan Analisis PLS 1, Estimasi Model dalam PLS-SEM Menurut Lahmoller (1989) dalam Yamin dan Kumiawan (201116) pendugaan parameter dalam PLS meliputi tiga tabap, yaitu : (1), menciptakan skor variabel laten dari weight estimate, (2) ir Koefisien jalur (path coefficient) yang menghubungkan antar variabel laten dan menaksit Jactor (koefisien model pengukuran} yang menghubungkan antara variabel laten dengatt indikatornya, dan (3) menaksir parameter lokasi. j Oe | Aassee casa ets } 1 pln an CanscanerAnalisis pada tahap ini beny itma PLS yi pros yang menghasilkan fa 1pa algoritma PLS yang berisi prosedur iteras . 5 a si f skor variabel laten. Setelah diketemukan skor variabel laten, maka tanta dilekeukan analisis twhap_selanjutnya 2. Evaluasi Model dalam PLS-SEM Eval . model dalam PLS terdiri dari dua tahap, yaitu evaluasi outer model atau model pengukuran (measurement model) dan evaluasi inner model atau model struktural (structural measurement). Evaluasi terhadap model pengukuran dikelompokkan menja reflektif dan formatif. valuasi terhadap model Evaluasi Model dalam PLS-SEM ae Evaluasi Outer Model | | Evaluasi Inner Model (Model Pengukuran) || (Model Struktural) a™~“ Model Model Reflektif Formatif_ Sumber : Dari berbagai sumber dikembangkan oleh penulis. Gambar 17.3. Pembagian Evaluasi Model PLS-SEM a. Evaluasi Outer Model (Model Pengukuran) 1, Evaluasi Model Pengukuran Reflektif aluasi tethadap model indikator reflektif meliputi pemeriksaan : (1) individual item reliability, (2) internal sonsistency, atau construct reliability, dan (3) average variance extracted dan (4) discriminant validity. Ketiga pengukuran pertama dikategorikan ke dalam convergent validity. Convergent validity mengukur besarnya korelasi antar Konstruk dengan variable laten. Dalam evaluasi convergent validity dari pemeriksaan individual item reliability, dapat dilihat dari nilai standardized loading factor. Standardized loading factor menggambarkan besarnya Korelasi antara setiap item pengukuran (indikator) dengan konstruknya, Nilai loading factor > 0.7 dikatakan ideal, artinya indikator tersebut valid mengukur konstruk yang dibentuknya, Dalam pengalaman empiris penelitian, nilai loading factor > 0.5 masih dapat diterima. Bahkan sebagian ahli mentolerir angka 0,4. Dengan domikian, nilai loading factor < 0.4 harus dikeluarkan dari__model (di-drop). Nilai kuadrat dari nila Joading factor disebut communalities. Nilai ini menunjukkan persentasi konstruk mampe ngkan variasi yang ada dalam indikator. ; Setelah kita mengvaluasi individual item reliability melalui nila standardized loading factor. ta melihat internal consistency reliability dari nilai Cronbach's Alpha dan ). Composite Reliability (CR) lebih baik dalam mengukur internal mene! Jangkah selanjutnya Composite Reliability (CR =n Panos a Raa | OERgesumsshan kesamaan iptg dalam SEM karena CR tidak mengasumsi = gas Crontacks Apis meg menaksir lebih readah construct reliability oe cneechs Raebiay (CED ‘s Alpha. Nilai betas > 0.7 etexpresasi Composite Reliability (CR) sma dengan Cronbach's ‘ Q spe nn i sg nC ip corp elisa A a ee Se nee ts tegen ein ee a maka semakin beser sms ceragaman variable manifest yang depat Gikendung oleh konstruk Iaten, cepcevertasi variable manifest terhadep konstruk Iatenays. — ; / ae dan Levi (1981) dle Ghali (2008135) dan Yemin dan Kurnizwan (2011:18) ekomendasilen peoggonam AVE eck suam kaiteria dalam menilai convergent validity. Nilai AVE mininal 05 memajuian ara comergentvalidiy yang baie Aninya, variable Vaten dapat menjelaskan rata-rata lebih dari setengah varian dari indikator-indikatornya. Nilai AVE dipetolth dari penjuralatan kessdrat loading factor Slbagi dengan error. Formula Average Variance Exracted (AVE) adalah : z, AVE= me Uburen AVE juga dapet digunakan untuk mengukur reliabilitas component score variable Jauent Gan hasilnya lebih konservatif dibandingkan dengan composite reliability (CR). Jika semua indikator distandarkan, maka nilai AVE aken sama dengan reta-rata nilai block communalities Discriminant validity dari model reflekaif dievaluasi melalui cross loading, kemudian (eandingkan ailai AVE dengan kusdrat dari nai korelasi antar konstruk (atau membandingkan akat keredeat AVE dogan Korelasi antar konstruknya). Ukuran cross loading adalah membandingkan ‘orclasi indikator dengan konstruknya dan konstruk dari blok Iainnya. Bila korelasi antara indiester Gengen korstruknya lebih tinggi dari korelasi dengan konstruk blok lainnya, hal ini menunjukkan onstruk teicit memorediksi ukuran pada blok mereka dengan lebih baik dari blok Iainnya. Ukuran a ae adalah ee nilai cker AVE harus lebih tinggi daripada korelasi antara uk dengan konstruk lainnya atau nilai AVE lebih Unggi dari kuadrat korelasi antare konstruk. = ysl reahy biasa are dalam metode Klasik tidak bisa dipakai untuk mode! o—- f. konsep relisbiltas (i insi . converge validity deo discriminant validity) Wik mem a valiginy (sper Seaet Dalen Sean meld page, Oe ctika model pengukuran bersi tek relevan lg dalam mengyji hulls pongo, Me ames reibilias kona mena dasaz teoritik yang rasional dan Pendapat para ahi yang perlu dilakukan adalah menggunakan PA Fees One AS eg ~~ - ant ng canceseaikitmya ada Tima isu kritis untuk menentukan kualitas model format, yaitu: (1) conten 7 Terhubungan dengan cakupan konstruk Taten yang akan divkur. Artinya kata non specification varus setingkali mendiskusikan dan menjamin dengan benar spesifikas a: , meneliti, pene! specification indicator, haus jelas mengidentifikasi dan mendefins 7 konstruk tersebut. (2) 7 ; aorestorterecbut.pendefinisian indikator harus melalui literatur yang jelas serta telah mendiskasian indi jengan para ahi dan divalidasi dengan beberapa pre-test (3) reliability indicator, berhubnyan denpan Skala kepentingan indikator yang membentuk konstruk. dua rekomendasi untuk menilai reliailiny indicator adalah melibat tanda indikatomya sesuai dengan hipotesis dan weight indicator-nya sninimal 0.2 atau signifikan. (4) collinearity indicator, menyatakan antara indikator yang dibentul tidak saling berhubungan (sangat tingi) atau tidak terdapat masalah multikolinearitas dapat diukur dengan Variance Inflated Factor (VIF). Nilai VIF > 10 terindikasi ada masalah dengan multikolinearitas dan (5) external validity, menjamin bahwa semua indikator yang dibentuk dimasukkan ke dalam model. b, Evaluasi Inner Model (Model Struktural) Setelah mengevaluasi model pengukuran konstruk/variabel, tahap selanjutnya adalah menevaluasi model struktural atau outer model. Langkah pertama adalah mengevaluasi model struktural dengan cara melihat signifikansi hubungan antar konstruk/variabel. Hal ini dapat dilihat dari koefisien jalur (path coeficient) yang menggambarkan kekuatan hubungan antar konstruk. Tanda atau arah dalam jalur (path coefficient) harus sesuai dengan teori yang dinipotesiskan, signifikansinya dapat dilihat pada ¢ test atau C.R (critical ratio) yang diperoleh dari proses bootstrapping atau resampling method. Langkah kedua adalah mengevaluasi nilai R?. Interpretasi nilai R? sama dengan interpretasi R? linear, yaitu besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen. Menurut Chin (1998) dalam Yamin dan Kurniawan (2011:21) kriteria R? terdiri dari tiga Klasifikasi, yaitu : nilai R* 0.67, 0.33 dan 0.19 sebagai substansial, sedang (moderate) dan lemah (weak), Perubahan nilai R* dapat digunakan untuk melihat apakah pengaruh variabel laten eksogen terhadap variabel laten endogen memiliki pengaruh yang substantif. Hal ini dapat diukur dengan effect size f, Formulasi effect size f* adalah : Effect Size f = R? Included 1-R? Included ‘luded Dimana R included dan R excluded adalah R? dari variabel laten endogen yang diperoleh etika variabel eksogen tersebut masuk atau dikeluarkan dalam model. Menurut Cohen (1988) dalam Mea) dan Kumiawan (201121) Effect Size yang disarankan adalah 0.02, 0.15 dan 0.35 dengan ‘nabel Iaten cksogen memiliki pengaruh kecil, moderat dan besar pada level struktural. Untuk memvahidasi model struktural secara keseluruhan digunakan Goodness of Fit (GOF). oe merupakan_ukuran tunggal untuk mem-validasi performa gabungan antara oe imme rey model struktural. Nilai GoF ini diperoleh dari average communalities index dikalikan lai model. Formula GOF index : GoF = Vom x R? GOF i ee ‘Metode SEM wntsk Peceltisn Manajomen dengan AMOS 22 00, USREL 8.80 dot SUART PLS 3.0 TeDimana Com bergaris di atas adalah ave age communialities dan R? bergaris di atas adalah nilai rata-rata model R’. Nilai GOF terbentang entara 0 sd | dengan interpretasi nilai-nilai : 0.1 (Gof Kecil), 0,25 (GOF moderate) dan 0.36 (GOF besar). Pengujian lain dalam pengukuran struktural adalah Q® predictive relevance yang berfungsi untuk memvalidasi model. Pengukuran ini cocok jika variabel Iaten endogen memiliki model pengukum reflektif. Hasil @ predictive relevance dil atakan baik jika nilainya > yang menunjukkan variabel laten eksogen baik (sesuai) sebagai variabel penjelas yang mampu memprediksi variabel endogennya, Seperti analisis menggunakan CB-SEM, analisis dengan PLS-SEM juga menggunakan dua tahapan penting, yaitu measurement model dan structural model. Data dalam measurement model dievaluasi untuk menentukan validitas dan reliabilitasnya. Bagian dari measurement model tet ii dari; (1) individual loading dari setiap item pertanyaan, (2) internal composite reliability (icr), (3) average variance extracted (ave), dan (4) discriminant validity. Apabila data memenuhi syarat dalam measurement model, maka tahap selanjutnya adalah mengevaluasi structural model. Dalam structural model hipotesis diuji melalui sign path coefficient, (2) t-statistic, dan (3) r-squared value. ansi dari: (1) E. Kriteria Penilaian dalam PLS-SEM Model hubungan variable laten dalam PLS terdiri dari tiga jenis ukuran, yaitu : (1) inner model yang menspesifikasikan hubungan antar variable laten berdasarkan substantive theory, (2) outer model yang menspesifikasi hubungan 0.6 Variance Extr 3 | Average Variance Extracted (AVE) harus “mee Validitas diskriminan Nilai akar Kuadrat daria’ salina Ko:elasi antar variable laten xd (AVES E harus > niles |5 | Gross loading Tre Keiteria aE Penjelasan | lain dari validitas dia 7 apkan setiap blok indicator ‘minan, | loading lebih tinggi untuk et | variable laten yang diukur dibardingy dengan indikator untuk lainnya. ap | an | variable late Formatif_ Evaluasi Model Pengukuran 1 | Signifikansi nilai weight Nila estimasi untuk model pengulcaran formatif —_harus __signifikan. Tingkat | signifikansi ini dinilai dengan prosedur | bootstrapping. 2_| Multikolinearitas Variable manifest dalam blok harus diuji apakah terdapat gejala_multikolinearitas, Nilai Variance Inflation Factor (VIF) dapat digunakan untuk menguji permasalahan ini. Nilai VIF > 10 mengindikasikan terdapat gejala multikolinearitas. Evaluasi Model Struktural 1 ]R® untuk endogen variable Jaten Hasil R” untuk variable laten endogen dalam model structural mengindikasikan bahwa model baik, moderat dan lemah. 2 | Estimasi koefisien jalur Nilai estimasi untuk hubungan jalur dalam model structural harus signifikan. Nilai signifikan ini dapat diperoleh dengan prosedur bootstrapping yang juga menghasilkan nilai T (T-value). 3” | F untuk effect size Nilai f dapat diinterpretasikan apakah prediktor variable mempunyai pengaruh yang lemah, medium atau besar pada tingkat structural 4 | Relevansi prediksi (Q” dan q?) Prosedur —blindfolding digunakan _ untuk mengukur Q dengan formulasi : Q2=1- Yep XpOp Dimana : D adalah omission distance, E adalah swn of Squares of prediction errors, dan O adalah sum of squares observations. Nilai Q? > 0 membuktikan bahwa model memiliki predictive relevance, sebaliknya jika nilai Q° <0 membuktikan bahwa model kurang memiliki predictive relevance. Dalam kaitannya dengan f°, dampak relatif model struktural terhadap pengukuran variable n__laten dapat dinilai__denganNo. Kriteria Penjelasan formulas: = Q2 included ~ Q2 excluded 1-Q2 excluded Sumber : Mustafa dan Wijaya (2012:16), Ghozali (2014:43) Pemilihan penggunaan PLS maupun SEM tergantung pada beberapa kriteria, diantaranya jumlah sampel (data), hubungan indikator dengan konstruk, kekuatan teori dan tujuan analisis, Pada dasamya PLS merupakan teknik altemative atau cadangan apabila tidak dimungkinkan lagi ‘menggunakan SEM yang berbasis refleksif atau kovarian, PLS adalah pilihan alternative apabila data yang dimiliki tidak mampu dianalisis dengan menggunakan SEM berbasis ovarian. Analisis yang menggunakan sampel Kecil atau kurang dari ketentuan pengujian SEM (misalkan jumlah sampel atau data kurang dari persyaratan SEM minimal, yaitu 5-10 kali jumlah indikator) sebaiknya menggunakan PLS karena SEM sangat sensitif cengan besarnya sampel. SEM dengan teknik Maxinwn Likelihood Estmation (MLE) efektif untuk sampel berkisar 150-400 responden, Teknik Generalized Least Squares Estimation (GLSE) dapat digunakan pada sampel berkisar 200-500. Hubungan indikator dengan konstruk yang me‘ibatkan unsur formatif atau kombinasinya dengan unsur refleksif sebaiknya menggunakan PLS karena dalam PLS dapat ‘menganalisis hubungan konstruk dengan formatif dan refleksif atau kombinasi dari keduanya, Analisis SEM membutuhkan teori yang sudah mapan atau bangunan teori yang kuat sehingga sifatnya menguji model (proofing), sedangkan PLS lebih bersifat prediksi berdasarkan data yang sifatnya cksploratori dan teori yang digunakan masih bersifat tentatif. SEM digunakan untuk menguji teori yang dikonfirmasi melalui data empirik. Asumsi yang dibutuhkan dalam SEM berbasis covarian lebih kuat dibandingkan PLS, F. Jenis Software PLS dalam Praktek Software (perangkat lunak) PLS pertema kali dikembangkaa oleh Jan-Bemd Lohmoller dibawah DOS dan disebut LVPLS versi 18 (Latent Variabkle Partia! Least Square). Saat ini t iantaranya : (1) XLSTAT PLS-PM 2010, (2) SmartPLS versi 3.0. ) WarpPLS, (6) GSCA (Generalized Structured Component (3) PLS Graph, (4) PLS GUL Analysis), dan (7) Visual PLS. Beberapa software PLS dapat diuncuh secara gratis, seperti tertrera pada Table 17.4.{able 174. Nama Sofware dan Sumber URI untuk Download PLS. sp yp ae Web-site (RRL) hitp www, alstat.com hitp//fs,rnis,kuas.cdu.t/—fred/ypie/ hutp://k Tk dm.sc.edw/yuanh de/forurn/, _ ‘Sumber : Dari berbagai sumber, diolah oleh penulis. Bagaimana caranya agar kita bisa mendapatkan software/installer PLS? Softwarefinstaller PLS dapat dicdownload dari situs-situs pada Table 17.4, di atas. Anda bisa mendapatkan secara gratis (ree) versi student dan uji coba (trial) selama 1 bulan, Untuk pilihan versi professional dikenakan harga 400 curohahun dan versi enterprise/business 4000 Euro/tahun. ‘Table 17.5. SmartPLS 3 Pricing and License Options SmanPLs 3 SmantPLs 3 SmartPLs 3 Student Professional Entorprise Neen meet bh o o o ‘cov ra ates a sens a ren tm chad nel a 9 coast aerten o o o erred abn deagert o a Secttepertotr 9 ° entero o 5 nd wrt tae o o o fvme roe Sumber: hitp//arvrw.smartpls.de/i#downloads (7/2/2015). pln an Canscaner