Diajukan untuk memenuhi tugas mata kuliah Structural Equation Modelling (SEM)
Oleh:
1. Wirda Rahayu
(140610120009)
2. Intan Fresti Putri
(140610120015)
3. Anne Rahmawati
(140610120037)
4. Siti Maesaroh
(140610120041)
5. Aprilia Kurniharsih
(140610120065)
6. Hilmi Tsuraya Zulfania (140610120075)
7. Elsa Saputri
(140610120083)
8. Riana Octomi Yuanas (140610120089)
9. Vita Julinda
(140610120105)
10.Annisa Lestari
(140610120119)
Kelas : A
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2015
penelitian
yang
berbeda.
Untuk
menjawab
pertanyaan
kapan
beberapa
menggunakan
PLS-SEM
pertimbangan
atau
tidak.
penting
ketika
Pertimbangan
memutuskan
mengarah
pada
untuk
dasar
karakteristik metode dan properti algoritma. PLS-SEM memiliki fitur penting yang
dihubungkan dengan karakteristik data dan metode yang digunakan. Terdapat 4
critical issue pada aplikasi PLS-SEM (Hair, Ringle, & Sarstedt, 2011; Hair et al.,
2012a; Hair et al., 2012b; Ringle, Sarstedt, & Straub, 2012) yaitu data, model
properties, algotitma PLS-SEM dan model evaluation issue.
PLS-SEM akan lebih effisien jika ukuran sampel kecil, model yang
kompleks, dan data tidak harus berasumsi distribusi normal. Selain itu, PLS-SEM
bisa menangani model pengukuran reflektif dan model pengukuran formatif.
Penjelasan lebih lanjut mengenai karakteristik PLS-SEM akan dijelaskan pada
Exhibit 1.5.
Distribusi
Skala
Pengukuran
model
pengukuran.
Menggunakan model pengukuran reflektif dan formatif
Hubungan
antara konstruk
dengan
indikatornya
Model
kompleks
Susunan model
Objektif
Efisien
Estimasi
Hubungan
Model
Struktural
umumnya
ditaksir
terlalu
Parameter
Evaluasi
Model
Umum
Evaluasi
Model
Pengukuran
pengukuran
menentukan
Reflektif
keandalan
beberapa criteria.
Model pengukuran
dan
formatif
yang
digunakan
penilaian
yang
validitas
digunakan
untuk
oleh
untuk
Model
Struktural
Analisis
Tambahan
dapat diukur
Model Pengukuran Invarian
Efek Moderating
Hubungan causal loop antara variabel laten yaitu, ketika model adalah
non-recursive (tidak ada hubungan timbal balik. Karena PLS-SEM tidak memiliki
model
struktural
atau
pengukuran
dari
konstruk
atau
ketika
Karakteristik Data
Persyaratan Ukuran Sampel Minimum
Karakteristik data seperti ukuran sampel minimum, non-normal data, dan
skala pengukuran (yaitu, penggunaan jenis skala yang berbeda) adalah salah
satu alasan yang paling sering disebutkan untuk menerapkan PLS-SEM (Rambut
et al, 2012b.; Henseler et al., 2009).
Exhibit 1.6 Rules of Thumb dalam Memilih Antara PLS-SEM dan CB-SEM
PLS SEM
dalam model.
Konstruk yang diukur secara formatif adalah bagian dari model struktural.
Pengukuran
formatif
dapat
digunakan
juga
pada
CB-SEM,
tetapi
CB-SEM
teori.
Eror membutuhkan spesifikasi tambahan (mis. Kovarians)
Model struktural mempunyai hubungan non-recursive
Penelitiannya membutuhkan kriteria goodness of fit.
Ukuran
sampel
kecil
sering
dijadikan
alasan
yang
salah
untuk
metode
bahwa
PLS-SEM
hasilnya
dengan
baik
dan
ukuran
sampel
mengindikasikan
kecil
didapatkan
bahwa
PLS-SEM
merupakan pilihan yang baik ketika ukuran sampelnya kecil. PLS-SEM juga
mempunyai tingkatan kuasa uji statistik yang lebih tinggi daripada CB-SEM
Pada 10 times rule menyatakan bahwa ukuran sampel setidaknya harus
lebih besar dari 10 kali banyak anak panah terbanyak yang menunjukkan
hubungan antara variabel laten ( konstruk) dengan indikatornya. Namun, perlu
diketahui
juga
latar
belakang
model
dan
karakteristik
data
untuk
maksimum
tanda panah
pada variabel
Taraf Signifikansi
5%
Minimum R2
10%
Minimum R2
0.1
0.2
0.5
0.7
0.1
0.2
0.5
0.7
0.1
0.2
0.5
0.7
75
47
38
52
33
26
88
41
26
21
84
53
42
59
38
30
48
30
25
91
58
46
65
42
33
53
34
27
98
62
50
70
45
36
58
37
30
66
53
75
48
39
62
40
32
69
56
80
51
41
66
42
35
73
59
84
54
44
69
45
37
76
62
88
57
46
73
47
39
79 64
91 59 48
76 49
6
1
9
6
Sumber: Cohen, J. A power primer, Psychological bulletin, 112, 155-519.
41
konstruk
dengan
indikatornya
2
3
4
5
6
7
8
9
10
15
8
17
6
19
1
20
5
21
10
7
22
3
10
8
23
9
11
8
24
4
11
7
25
9
12
11
0
12
4
13
7
14
7
15
7
16
6
17
4
18
1
18
10
0
11
1
12
0
12
8
13
6
14
3
15
0
15
adalah
metode
yang
dapat
digunakan
ketika
data
tidak
hubungan siklis atau hubungan timbal balik antara variabel laten yang
seharusnya tidak diperbolehkan dalam model struktural. Saat spesifikasi model,
dalam PLS-SEM tidak memerlukan asumsi distribusi, sedangkan dalam CB-SEM
hal tersebut harus terpenuhi. Kesulitan dalam model pengukuran adalah
modelnya yang kompleks yang berarti banyaknya variabel laten atau variabel
observed dalam model, hal ini akan sulit jika kita menggunakan CB-SEM.
Sebaliknya, PLS-SEM dapat digunakan dalam situasi tersebut, karena tidak
dibatasi oleh identifikasi dan masalah teknis lainnya.
untuk
mengukur
masing-masing
konstruk
(konsistensi
pada
umumnya).
PLS-SEM dapat menangani data yang sangat non-normal (mislnya, tingkat
kemiringan yang tinggi).
banyaknya nilai yang hilang dalam prosedur (misalnya, pengganti rata-rata,
penghapusan berpasangan, EM, dan hal-hal terkait lainnya) dapat digunakan
dengan masuk akal.
Tingkat data yang hilang (kurang dari 5% yang hilang per indikator) dengan
efek terbatas pada hasil analisis.
PLS-SEM bekerja dengan matrik, kuasi-matrik, dan kategoris (misalnya,
dummy-kode) skala data, meskipun dengan keterbatasan tertentu.
Dalam
SEM,
dipertimbangkan.
model
PLS-SEM
pengukuran
dapat
reflektif
dengan
mudah
dan
formatif
menangani
harus
keduanya,
sedangkan CB-SEM hanya menangani model pengukuran reflektif saja. Pada PLSSEM
perlu
pertimbangan
pendekatan
primer
ketika
hipotesis
model
beserta
single-item
model
pegukuran
tanpa
ada
tambahan
1. Kapan
SEM
lebih
menguntungkan
untuk
memahami
hubungan
antar
variabel?
Jawab : SEM lebih menguntungkan untuk memahami hubungan antar variabel
ketika antar variabel memiliki hubungan sebab-akibat (kausalitas) yang
harus
dilandasi
teori.
Hubungan
sebab-akibat
(kausalitas)
adalah
2. Apa
yang
menjadi
pertimbangan
terpenting
dalam
memutuskan
model
dan
skala
pengukuran
serta
objektif
yang
normal,
untuk
yang
5. Mengapa
dalam
penelitian
yang
berkaitan
dengan
ilmu
sosial
lebih
memiliki
hubungan
sebab-akibat
(kausalitas),
dimana
SEM
menjadi
suatu
teknik
analisis
yang
lebih
kuat
karena