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 | EEAEM, 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 Canscanerapat 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
| parameterC. 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 CanscanerAnalisis 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 | OERgesumsshan 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 canceseaikitmya 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 TeDimana 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__denganNo. 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