1

PARTIAL LEAST
SQUARE
2
Pengantar (1)
 PLS pertama kali dikembangkan oleh
Herman Wold
 PLS dikembangkan sebagai alternatif
PEMODELAN PERSAMAAN STUKTURAL
yg dasar teorinya lemah
 Indikator dari Variabel Laten tidak memenuhi
model refleksif, akan tetapi formatif
 Variabel Laten bisa berupa hasil pencerminan indikatornya,
diistilahkan dengan indikator refleksif.
 Variabel Laten bisa dibentuk (disusun) oleh indikatornya,
diistilahkan dengan indikator formatif

3
Kondisi
Sosial
Keluarga
Bangunan Rumah
Kondisi
Ekonomi
Keluarga
Y
21
Y
22
Y
23

Sikap thdp
Sekolah
Kejuruhan
Pengantar (2)
Pekerjaan
Pendidikan
Pendapatan
Keluarga yg Bekerja
Pengeluaran
Minat thdp
Sekolah
Kejuruhan
Y
11
Y
12
Y
13

4
Pengantar (3)
Pendidikan
Bangunan
Tempat Tinggal
Rasio Densitas
Keluarga per
Luas Lantai
Faktor Status
Sosial Keluarga
Pendorong ke
Luar Negeri
Penarik yang
berasal dari Luar
Negeri
Ikut Keluarga /
kawan
Motivasi Kerja
ke Luar Negeri
Pendapatan
Keluarga
Pengeluaran
Keluarga
Jumlah Angg.
Keluarga yg
Bekerja
Faktor Ekonomi
Keluarga
Kesejahteraan
Keluarga
Kesehatan Kekayaan
Minat Kembali
ke Luar Negeri
Diri Sendiri Orang Lain
5
 PLS dapat digunakan sebagai konfirmasi teori
(theoritical testing) dan merekomendasikan
hubungan yang belum ada dasar teorinya
(eksploratori)
 SEM (software: AMOS, LISREL) berbasis
kovarian, sedangkan PLS (software: SmartPLS
atau Visual PLS) berbasis varian
 PLS mampu menghindari:
 inadmissible solution: model rekursif
 factor indeterminacy: indikator formatif
Pengantar (4)
6
Metode PLS
PEMODELAN di dalam PLS:
 Inner model  model struktural yang
menghubungkan antar variabel laten
 Outer model  model pengukuran yang
menghubungkan indikator dengan variabel
latennya
7
 Refleksif



 Formatif
Faktor
Utama 1
x1
x2
x3
e1
e3
e2
zeta1
Faktor
Komposit 1
x1
x2
x3
Indikator
8
Indikator Model Refleksif
 Contoh model indikator refleksif adalah Variabel yang
berkaitan dengan sikap (attitude) dan niat membeli
(purchase intention).
 Sikap umumnya dipandang sebagi respon dalam
bentuk favorable (menguntungkan) atau unfavorable
(tidak menguntungkan) terhadap suatu obyek dan
biasanya diukur dengan skala multi item dalam
bentuk semantik differences seperti, good-bad, like-
dislike, dan favorable-unfavorable.
 Sedangkan niat membeli umumnya diukur dengan
ukuran subyektif seperti how likely-unlikely, probable-
improbable, dan/atau possible-impossible.
9
Ciri-ciri model indikator reflektif
 Arah hubungan kausalitas dari variabel laten
ke indikator
 Antar indikator diharapkan saling berkorelasi
(instrumen harus memiliki internal
consistency reliability)
 Menghilangkan satu indikator, tidak akan
merubah makna dan arti variabel yg diukur
 Kesalahan pengukuran (error) pada tingkat
indikator
10
Indikator Model Formatif
 Contoh model indikator formatif adalah di bidang
ekonomi, seperti index of sustainable economics
welfare, the human development index, the
quality of life index.
 Variabel laten dengan model indikator formatif
berupa variabel komposit
 Variabel Status Sosial Ekonomi, diukur berdasarkan
indikator yang saling mutually exclusive:
Pendidikan, Pekerjaan dan Tempat Tinggal
 Variabel kualitas pelayanan dibentuk (formatif)
oleh 5 dimensi: tangible, reliability, responsive,
emphaty dan assurance.

11
Ciri-ciri model indikator formatif
 Arah hubungan kausalitas dari indikator ke
variabel laten
 Antar indikator diasumsikan tidak berkorelasi
(tidak diperlukan uji reliabilitas konsistensi
internal)
 Menghilangkan satu indikator berakibat
merubah makna dari variabel laten
 Kesalahan pengukuran berada pada tingkat
variabel laten (zeta)
12
Notasi pada PLS
13
Notasi pada PLS
 ç = Ksi, variabel latent eksogen
 q = Eta, variabel laten endogen
 ìx = Lamnda (kecil), loading faktor variabel latent eksogen
 ìy = Lamnda (kecil), loading faktor variabel latent endogen
 Ax = Lamnda (besar), matriks loading faktor variabel latent eksogen
 Ay = Lamnda (besar), matriks loading faktor variabel laten endogen
 | = Beta (kecil), koefisien pngruh var. endogen terhadap endogen
 ¸ = Gamma (kecil), koefisien pngruh var. eksogen terhadap endogen
 , = Zeta (kecil), galat model
 o = Delta (kecil), galat pengukuran pada variabel laten eksogen
 c = Epsilon (kecil), galat pengukuran pada variabel latent endogen
14
LANGKAH-LANGKAH PLS
Merancang Model Struktural
(inner model)
Merancang Model Pengukuran
(outer model)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke
Sistem Persamaan
Estimasi: Koef. Jalur, Loading
dan Weight
Evaluasi Goodness of Fit
Pengujian Hipotesis
(Resampling Bootstraping)
1



2



3


4


5



6


7


15
LANGKAH KE-1
MERANCANG INNER MODEL
Pada SEM perancangan model adalah berbasis teori,
akan tetapi pada PLS bisa berupa:
 Teori
 Hasil penelitian empiris
 Analogi, hubungan antar variabel pada bidang ilmu
yang lain
 Normatif, misal peraturan pemerintah, undang-undang,
dan lain sebagainya
 Rasional
PLS: Bisa ekplorasi hubungan antar variabel
16
LANGKAH KE-2
MERANCANG OUTER MODEL
 Pada SEM semua bersifat refleksif, model
pengukuran tidak penting (sudah terjamin pada
DOV)
 Pada PLS perancangan outer model sangat
penting: refleksif atau formatif
 Dasar: teori, penelitian empiris sebelumnya,
atau rasional

17
TAHAP KE-3
KONSTRUKSI DIAGRAM JALUR
18
 Outer model
 Untuk variabel latent eksogen 1 (reflektif)
 x
1
= ì
x1
ç
1
+ o
1

 x
2
= ì
x2
ç
1
+ o
2

 x
3
= ì
x3
ç
1
+ o
3

 Untuk variabel latent eksogen 2 (formatif)
 ç
2
= ì
x4
X
4
+ ì
x5
X
5
+ ì
x6
X
6
+ o
4


 Untuk variabel latent endogen 1 (reflektif)
 y
1
= ì
y1
q
1
+ c
1

 y
2
= ì
y2
q
1
+ c
2

 Untuk variabel latent endogen 2 (reflektif)
 y
3
= ì
y3
q
2
+ c
3

 y
4
= ì
y4
q
2
+ c
4

LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN
19
 Inner model :
 q
1
= ¸
1
ç
1
+ ¸
2
ç
2
+ ,
1

 q
2
= |
1
q
1
+ ¸
3
ç
1
+ ¸
4
ç
2
+ ,
2
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN
20
Pendugaan parameter :
 Weight estimate yang digunakan untuk menghitung data
variabel laten
 Estimasi jalur (path estimate) yang menghubungkan antar
variabel laten (koefisien jalur) dan antara variabel laten
dengan indikatornya (loading)
 Berkaitan dengan means dan lokasi parameter (nilai
konstanta regresi) untuk indikator dan variabel laten.
 Metode estimasi PLS: OLS dengan teknik iterasi
 Interaction variable
 Pengukuran untuk variabel moderator, dengan teknik :
menstandarkan skor indikator dari variabel laten yang dimoderasi
dan yang memoderasi, kemudian membuat variabel laten interaksi
dengan cara mengalikan nilai standar indikator yang dimoderasi
dengan yang memoderasi

LANKAH KE-5
21
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL
 Outer model refleksif :
 Convergent dan discriminant validity
 Composite realibility
 Outer model formatif :
 dievaluasi berdasarkan pada substantive
content-nya yaitu dengan melihat signifikansi
dari weight

22
GOODNESS OF FIT - OUTER MODEL
 Convergent validity
 Nilai loading 0.5 sampai 0.6 dianggap cukup,
untuk jumlah indikator dari variabel laten berkisar
antara 3 sampai 7

 Discriminant validity
 Direkomendasikan nilai AVE lebih besar dari 0.50.
2
2
AVE
var( )
i
i i
i
ì
ì c
=
+
¿
¿ ¿
23
GOODNESS OF FIT - OUTER MODEL
 Composite reliability
 Nilai batas yang diterima untuk tingkat reliabilitas
komposit (ρc) adalah ≥ 0.7, walaupun bukan
merupakan standar absolut.



2
2
( )
( ) var( )
i
i
i
c
i
ì
µ
ì c
=
+
¿
¿ ¿
24
GOODNESS OF FIT - INNER MODEL
 Diukur menggunakan Q-Square predictive
relevance
 Rumus Q-Square:
Q
2
= 1 – ( 1 – R
1
2
) ( 1 – R
2
2
) ... ( 1- R
p
2
)
 dimana R
1
2
, R
2
2
... R
p
2
adalah R
-
square
variabel endogen dalam model
 Interpretasi Q
2
sama dg koefisien determinasi
total pada analisis jalur (mirip dengan R
2
pada
regresi)

25
LANGKAH KE-7
PENGUJIAN HIPOTESIS
 Hipotesis statistik untuk outer model:
H0 : λi = 0 lawan
H1 : λi ≠ 0
 Hipotesis statistik untuk inner model: variabel laten eksogen
terhadap endogen:
H0 : γi = 0 lawan
H1 : γi ≠ 0
 Hipotesis statistik untuk inner model: variabel laten endogen
terhadap endogen:
H0 : βi = 0 lawan
H1 : βi ≠ 0
 Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan
 Outter model signifikan: indikator bersifat valid
 Inner model signifikan: terdapat pengaruh signifikan
 PLS tidak mengasumsikan data berdistribusi normal:
menggunakan teknik resampling dengan metode Bootstrap
26
ASUMSI PLS
Asumsi di dalam PLS hanya berkaitan dengan
pemodelan persamaan struktural:
 Hubungan antar variabel laten dalam inner model
adalah linier dan aditif
 Model srtuktural bersifat rekursif.
27
SAMPLE SIZE
Ukuran sampel dalam PLS, dengan perkiraan
sebagai berikut:
 Sepuluh kali jumlah indikator formatif
(mengabaikan indikator refleksif)
 Sepuluh kali jumlah jalur (paths) yang mengarah
pada model struktural
 Sample size: 30 – 50 atau besar > 200
28
SOFTWARE PLS
 Software PLS pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984, 1987,
1989) under DOS dan disebut LVPLS Versi 1.8 (Latent Variable Partial Least Square),
dapat didownload di http://kiptron.psyc.virginia.edu. Software ini dikembangkan lebih
lanjut oleh Wynne W Chin (1998, 1999, 2001) menjadi under windows dengan tampilan
grafis dan tambahan perbaikan teknik validasi dengan memasukkan bootstrapping dan
jacknifing. Software yang dikembangkan oleh Chin diberi nama PLS GRAPH versi 3.0,
versi student dapat didownload secara gratis di www.bauer.uh.edu. Versi student ini
mampu mengolah maksimum 30 variabel.
 Di University of Hamburg Jerman juga dikembangkan software PLS yang diberi
nama SmartPLS. Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkan
lagi ke versi 2.0 dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3.
Pengembangan software ini meliputi perbaikan tampilan, penambahan fasilitas untuk
efek moderator, tambahan report / output yakni communality, redundancy, dan Alpha
Cronbach. Software SmartPLS dapat didownload secara gratis di www.smartpls.de.
 Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University,
Taiwan, yang diberi nama VPLS (VisualPLS). Software ini dapat didownload secara
gratis di http://www2.kuas.edu.tw.
 Software lain yang dapat menjalankan PLS melalui tampilan grafis adalah PLS-GUI
yang dikembangkan oleh Yuan Li dari Management Science Department, The More
School of Business, University of South Carolina. Software ini dapat di download gratis
dari http://dmsweb.badm.sc.edu.
29
PERBANDINGAN ANTARA ANALISIS
PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Landasan Teori Kuat Kuat maupun Lemah,
bahkan eksploratif
Kuat
Bentuk hubungan
antar variabel
Linier Linier Linier
Model Struktural Rekursif Rekursif Rekursif dan Nonrekursif
Asumsi Distribusi Normal Tidak diperlukan;
pendekatan resampling
dengan Bootstrapping
-Normal atau
-Tidak diperlukan;
pendekatan resampling
dengan Bootstrapping
Model pengukuran Di luar pemodelan - Refleksif
- Formatif
Refleksif
- Total Skor
- Rata-rata
Skor
- Rescoring
- Skor Faktor
- Skor
Komponen
Utama
- Indikator
Terkuat
30
PERBANDINGAN ANTARA ANALISIS
PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Ukuran Sampel Sampel minimal 10 kali
jumlah variabel (rule of tumb
dari multivariate abalysis)
Sampel minimal 30-50 atau
sampel besar di atas 200
Sampel minimal
direkomendasikan 100-
200
Modifikasi Model Tidak ada modifikasi Tidak memerlukan
modifikasi indeks, korelasi
antar indikator
Jika model tidak fit,
dapat dilakukan
modifikasi, dengan
penuntun berupa indeks
modofikasi
Goodness of fit Koefisien determinasi total Q-Square predictive
relevance, yang pada
dasarnya adalah sama
dengan Koefisien
determinasi total
RMSEA,Chisquare/DF,
dll
(terdapat sebanyak 26
jenis goodness of fit)
Pengujan model Theory Triming, membuang
jalur yang nonsignifikan
Theory Triming,
membuang jalur yang
nonsignifikan
Theory Triming,
membuang jalur yang
nonsignifikan
Output Faktor determinan,
pengujian model
Faktor determinan dan
model struktural, pengujian
model, uji Validitas dan
Reliabilitas
Faktor determinan dan
model struktural,
pengujian model, uji
Validitas dan Reliabilitas
31
Terima kasih

Pengantar (1)
 PLS pertama kali dikembangkan oleh

Herman Wold  PLS dikembangkan sebagai alternatif PEMODELAN PERSAMAAN STUKTURAL yg dasar teorinya lemah  Indikator dari Variabel Laten tidak memenuhi model refleksif, akan tetapi formatif
 

Variabel Laten bisa berupa hasil pencerminan indikatornya, diistilahkan dengan indikator refleksif. Variabel Laten bisa dibentuk (disusun) oleh indikatornya, diistilahkan dengan indikator formatif
2

Pengantar (2)
Y11
Bangunan Rumah Pendidikan Pekerjaan

Y12

Y13

Kondisi Sosial Keluarga

Sikap thdp Sekolah Kejuruhan

Pendapatan Pengeluaran Keluarga yg Bekerja
3

Kondisi Ekonomi Keluarga

Minat thdp Sekolah Kejuruhan

Y21

Y22

Y23

Keluarga yg Bekerja Diri Sendiri Orang Lain Faktor Ekonomi Keluarga 4 .Pengantar (3) Pendidikan Bangunan Tempat Tinggal Rasio Densitas Keluarga per Luas Lantai Pendorong ke Luar Negeri Penarik yang berasal dari Luar Negeri Ikut Keluarga / kawan Faktor Status Sosial Keluarga Kesehatan Kekayaan Motivasi Kerja ke Luar Negeri Kesejahteraan Keluarga Minat Kembali ke Luar Negeri Pendapatan Keluarga Pengeluaran Keluarga Jumlah Angg.

sedangkan PLS (software: SmartPLS atau Visual PLS) berbasis varian  PLS mampu menghindari:   inadmissible solution: model rekursif factor indeterminacy: indikator formatif 5 . LISREL) berbasis kovarian.Pengantar (4)  PLS dapat digunakan sebagai konfirmasi teori (theoritical testing) dan merekomendasikan hubungan yang belum ada dasar teorinya (eksploratori)  SEM (software: AMOS.

Metode PLS PEMODELAN di dalam PLS:  Inner model  model struktural yang menghubungkan antar variabel laten  Outer model  model pengukuran yang menghubungkan indikator dengan variabel latennya 6 .

Indikator  Refleksif x1 Faktor Utama 1 x2 x3 e1 e2  Formatif e3 x1 Faktor Komposit 1 x2 x3 7 zeta1 .

 Sikap umumnya dipandang sebagi respon dalam bentuk favorable (menguntungkan) atau unfavorable (tidak menguntungkan) terhadap suatu obyek dan biasanya diukur dengan skala multi item dalam bentuk semantik differences seperti. likedislike. good-bad.Indikator Model Refleksif  Contoh model indikator refleksif adalah Variabel yang berkaitan dengan sikap (attitude) dan niat membeli (purchase intention). probableimprobable. dan/atau possible-impossible. 8 . dan favorable-unfavorable.  Sedangkan niat membeli umumnya diukur dengan ukuran subyektif seperti how likely-unlikely.

Ciri-ciri model indikator reflektif  Arah hubungan kausalitas dari variabel laten ke indikator  Antar indikator diharapkan saling berkorelasi (instrumen harus memiliki internal consistency reliability)  Menghilangkan satu indikator. tidak akan merubah makna dan arti variabel yg diukur  Kesalahan pengukuran (error) pada tingkat indikator 9 .

Indikator Model Formatif  Contoh model indikator formatif adalah di bidang ekonomi. reliability. diukur berdasarkan indikator yang saling mutually exclusive: Pendidikan. emphaty dan assurance. 10 . the human development index.  Variabel laten dengan model indikator formatif berupa variabel komposit   Variabel Status Sosial Ekonomi. Pekerjaan dan Tempat Tinggal Variabel kualitas pelayanan dibentuk (formatif) oleh 5 dimensi: tangible. seperti index of sustainable economics welfare. the quality of life index. responsive.

Ciri-ciri model indikator formatif  Arah hubungan kausalitas dari indikator ke variabel laten  Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji reliabilitas konsistensi internal)  Menghilangkan satu indikator berakibat merubah makna dari variabel laten  Kesalahan pengukuran berada pada tingkat variabel laten (zeta) 11 .

Notasi pada PLS 12 .

matriks loading faktor variabel laten endogen Beta (kecil). variabel laten endogen Lamnda (kecil). matriks loading faktor variabel latent eksogen Lamnda (besar). galat pengukuran pada variabel laten eksogen Epsilon (kecil). eksogen terhadap endogen Zeta (kecil). loading faktor variabel latent eksogen Lamnda (kecil). variabel latent eksogen Eta. endogen terhadap endogen Gamma (kecil). loading faktor variabel latent endogen Lamnda (besar). koefisien pngruh var. galat model Delta (kecil). galat pengukuran pada variabel latent endogen 13 .Notasi pada PLS              x y x y      = = = = = = = = = = = Ksi. koefisien pngruh var.

Loading dan Weight 6 Evaluasi Goodness of Fit 7 Pengujian Hipotesis (Resampling Bootstraping) 14 . Jalur.LANGKAH-LANGKAH PLS 1 Merancang Model Struktural (inner model) Merancang Model Pengukuran (outer model) 2 Mengkonstruksi Diagram Jalur 3 Konversi Diagram Jalur ke Sistem Persamaan 4 5 Estimasi: Koef.

LANGKAH KE-1 MERANCANG INNER MODEL Pada SEM perancangan model adalah berbasis teori. misal peraturan pemerintah. undang-undang. dan lain sebagainya Rasional PLS: Bisa ekplorasi hubungan antar variabel 15 . akan tetapi pada PLS bisa berupa:      Teori Hasil penelitian empiris Analogi. hubungan antar variabel pada bidang ilmu yang lain Normatif.

LANGKAH KE-2 MERANCANG OUTER MODEL    Pada SEM semua bersifat refleksif. atau rasional 16 . penelitian empiris sebelumnya. model pengukuran tidak penting (sudah terjamin pada DOV) Pada PLS perancangan outer model sangat penting: refleksif atau formatif Dasar: teori.

TAHAP KE-3 KONSTRUKSI DIAGRAM JALUR 17 .

LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN  Outer model   Untuk variabel latent eksogen 1 (reflektif)  x =  1 x1 1 + 1  x =  2 x2 1 + 2  x =  3 x3 1 + 3 Untuk variabel latent eksogen 2 (formatif)   =  2 x4 X4 + x5 X5 + x6 X6 + 4 Untuk variabel latent endogen 1 (reflektif)  y =  1 y1 1 + 1  y =  2 y2 1 + 2 Untuk variabel latent endogen 2 (reflektif)  y =  3 y3 2 + 3  y =  4 y4 2 + 4 18   .

LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN  Inner model :   1 = 11 + 22 + 1 2 = 11 + 31 + 42 + 2 19 .

kemudian membuat variabel laten interaksi dengan cara mengalikan nilai standar indikator yang dimoderasi dengan yang memoderasi 20 . dengan teknik : menstandarkan skor indikator dari variabel laten yang dimoderasi dan yang memoderasi. Metode estimasi PLS: OLS dengan teknik iterasi Interaction variable  Pengukuran untuk variabel moderator.LANKAH KE-5 Pendugaan parameter :      Weight estimate yang digunakan untuk menghitung data variabel laten Estimasi jalur (path estimate) yang menghubungkan antar variabel laten (koefisien jalur) dan antara variabel laten dengan indikatornya (loading) Berkaitan dengan means dan lokasi parameter (nilai konstanta regresi) untuk indikator dan variabel laten.

OUTER MODEL  Outer model refleksif :   Convergent dan discriminant validity Composite realibility dievaluasi berdasarkan pada substantive content-nya yaitu dengan melihat signifikansi dari weight  Outer model formatif :  21 .LANGKAH KE-6 GOODNESS OF FIT .

GOODNESS OF FIT  Convergent validity  .6 dianggap cukup.5 sampai 0. untuk jumlah indikator dari variabel laten berkisar antara 3 sampai 7  Discriminant validity  Direkomendasikan nilai AVE lebih besar dari 0. AVE  i2   i var( i )  i2  22 .50.OUTER MODEL Nilai loading 0.

OUTER MODEL Nilai batas yang diterima untuk tingkat reliabilitas komposit (ρc) adalah ≥ 0. c  ( i ) 2   i var( i ) (  i ) 2 23 . walaupun bukan merupakan standar absolut.7.GOODNESS OF FIT  Composite reliability  .

.INNER MODEL  Diukur menggunakan Q-Square predictive relevance  Rumus Q-Square: Q2 = 1 – ( 1 – R12) ( 1 – R22 ) . Rp2 adalah R-square variabel endogen dalam model  Interpretasi Q2 sama dg koefisien determinasi total pada analisis jalur (mirip dengan R2 pada regresi)  24 .Rp2 ) dimana R12 . ( 1.. R22 .GOODNESS OF FIT ...

05 (alpha 5 %). signifikan  Outter model signifikan: indikator bersifat valid  Inner model signifikan: terdapat pengaruh signifikan  PLS tidak mengasumsikan data berdistribusi normal: menggunakan teknik resampling dengan metode Bootstrap 25 .LANGKAH KE-7 PENGUJIAN HIPOTESIS  Hipotesis statistik untuk outer model: H0 : λi = 0 lawan H1 : λi ≠ 0  Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen: H0 : γi = 0 lawan H1 : γi ≠ 0  Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen: H0 : βi = 0 lawan H1 : βi ≠ 0  Statistik uji: t-test. p-value ≤ 0.

26 .ASUMSI PLS Asumsi di dalam PLS hanya berkaitan dengan pemodelan persamaan struktural:   Hubungan antar variabel laten dalam inner model adalah linier dan aditif Model srtuktural bersifat rekursif.

SAMPLE SIZE Ukuran sampel dalam PLS. dengan perkiraan sebagai berikut:    Sepuluh kali jumlah indikator formatif (mengabaikan indikator refleksif) Sepuluh kali jumlah jalur (paths) yang mengarah pada model struktural Sample size: 30 – 50 atau besar > 200 27 .

dan Alpha Cronbach. yang diberi nama VPLS (VisualPLS). Taiwan. Software ini dapat didownload secara gratis di http://www2.uh.0.smartpls.badm. Di University of Hamburg Jerman juga dikembangkan software PLS yang diberi nama SmartPLS. Versi student ini mampu mengolah maksimum 30 variabel. Pengembangan software ini meliputi perbaikan tampilan.tw.edu. 28 .psyc. Software ini dikembangkan lebih lanjut oleh Wynne W Chin (1998.bauer.edu. tambahan report / output yakni communality. Software yang dikembangkan oleh Chin diberi nama PLS GRAPH versi 3. Software lain yang dapat menjalankan PLS melalui tampilan grafis adalah PLS-GUI yang dikembangkan oleh Yuan Li dari Management Science Department.edu. 2001) menjadi under windows dengan tampilan grafis dan tambahan perbaikan teknik validasi dengan memasukkan bootstrapping dan jacknifing.8 (Latent Variable Partial Least Square). Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University. dapat didownload di http://kiptron. Software ini dapat di download gratis dari http://dmsweb.kuas. Software SmartPLS dapat didownload secara gratis di www.0 dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2. versi student dapat didownload secara gratis di www.0 M3.sc. 1987. 1989) under DOS dan disebut LVPLS Versi 1.virginia. 1999. redundancy. kemudian dikembangkan lagi ke versi 2. Versi pertama adalah SmartPLS versi 1. University of South Carolina. penambahan fasilitas untuk efek moderator.01. The More School of Business.edu.SOFTWARE PLS     Software PLS pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984.de.

Indikator Terkuat 29 . pendekatan resampling dengan Bootstrapping . PLS.Refleksif . DAN SEM Kriteria Landasan Teori Bentuk hubungan antar variabel Model Struktural Asumsi Distribusi Kuat Linier Rekursif Normal Path PLS Kuat maupun Lemah.Formatif Kuat Linier SEM Rekursif dan Nonrekursif -Normal atau -Tidak diperlukan.PERBANDINGAN ANTARA ANALISIS PATH (JALUR).Skor Komponen Utama .Skor Faktor .Total Skor .Rata-rata Skor .Rescoring . bahkan eksploratif Linier Rekursif Tidak diperlukan. pendekatan resampling dengan Bootstrapping Refleksif Model pengukuran Di luar pemodelan .

pengujian model Output 30 . DAN SEM Kriteria Ukuran Sampel Path Sampel minimal 10 kali jumlah variabel (rule of tumb dari multivariate abalysis) Tidak ada modifikasi PLS Sampel minimal 30-50 atau sampel besar di atas 200 Tidak memerlukan modifikasi indeks. uji Validitas dan Reliabilitas Pengujan model Theory Triming. pengujian model. uji Validitas dan Reliabilitas Modifikasi Model Goodness of fit Koefisien determinasi total Q-Square predictive relevance. pengujian model. membuang jalur yang nonsignifikan Faktor determinan. dapat dilakukan modifikasi. membuang jalur yang nonsignifikan Faktor determinan dan model struktural. yang pada dasarnya adalah sama dengan Koefisien determinasi total Theory Triming.Chisquare/DF. PLS. dengan penuntun berupa indeks modofikasi RMSEA.PERBANDINGAN ANTARA ANALISIS PATH (JALUR). membuang jalur yang nonsignifikan Faktor determinan dan model struktural. korelasi antar indikator SEM Sampel minimal direkomendasikan 100200 Jika model tidak fit. dll (terdapat sebanyak 26 jenis goodness of fit) Theory Triming.

Terima kasih 31 .