RESUME

Nama : Retno Dwi (13.7830)

Kelas : 4KS2
Judul : Pengembangan Modul Partial Least Squares pada Forum Analisis Statistik (FAST)

A. Definisi PLS
Metode Partial Least Square (PLS) merupakan soft model yang dapat menjelaskan struktur
keragaman data. Model yang dihasilkan oleh metode Partial Least Square (PLS) mengoptimalkan
hubungan antara dua kelompok variabel. Pendugaan model hubungan Y dengan X dan pendugaan
nilai Y tertentu menggunakan suatu algoritma. Proses penentuan model dilakukan secara iterasi
dengan melibatkan keragaman pada variabel X dan Y. Struktur ragam dalam Y mempengaruhi
perhitungan komponen kombinasi linear dalam X dan sebaliknya, struktur ragam dalam X
berpengaruh terhadap kombinasi linear dalam Y (Bilfarsah, 2005 dalam Nurhasanah, 2012).
PLS merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi
komponen utama karena bersifat lebih robust, artinya parameter model tidak banyak berubah
ketika sampel baru diambil dari populasi (Geladi dan Kowalski, 1986).
PLS merupakan suatu teknik prediktif yang bisa menangani banyak variabel independen,
bahkan sekalipun terjadi multokolinearitas diantara variabel-variabel tersebut (Ramzan dan Khan,
2010).
PLS regresi (alias proyeksi pada struktur laten) adalah teknik terbaru yang menggabungkan
fitur dan generalisasi dari Principal Component Analysis(PCA) dan regresi linier berganda.
Tujuannya adalah untuk memprediksi satu set variabel dependen dari satu set variabel
independen atau prediktor. Prediksi ini dicapai dengan mengekstraksi dari prediktor, serangkaian
faktor orthogonal disebut variabel laten yang memiliki daya prediksi terbaik (Abdi, 2010).

B. Kapan PLS digunakan?

PLS merupakan metode alternatif dari SEM yang dapat digunakan untuk mengatasi
permasalahan hubungan diantara variabel yang kompleks namun ukuran data kecil (30-100)
sedangkan SEM memiliki ukuran sampel minimal 100 (Hair et al, 2010)
PLS dapat bekerja untuk model hubungan konstrak dan indikator-indikatornya yang bersifat
reflektif dan formatif, sedangkan SEM hanya bekerja pada model hubungan yang bersifat reflektif
saja (Ghazali, 2006)
C. Data
Dalam menyusun IPB (Indikator Pembangunan Berkelanjutan), Purnomo (2002) menggunakan
data BPS (SUSENAS) yang terdiri dari 294 kabupaten/kota sehingga masih bisa menggunakan
metode SEM. Asumsi SEM ialah (Ferdinand, 2002) :
1) Tidak terdapat multikolinearitas antar variabel laten
2) Hubungan antar variabel laten adalah linear
3) Jumlah observasi lebih dari 100
Untuk mengestimasi IPB dengan cakupan yang lebih sempit (Jawa Timur) yang hanya terdiri dari
38 kabupaten/kota (kurang dari 100) maka digunakan metode SEM-PLS.
Aryani (2014), dalam skripsinya berjudul Partial Least Square (PLS) dan Principal Component
Regression (PCR) untuk Regresi Linear dengan Multikolinearitas pada Kasus Indeks Pembangunan
Manusia di Kabupaten Gunung Kidul menggunakan data tentang Indeks Pembangunan Manusia
(IPM) di Kabupaten Gunung Kidul tahun 2004 sampai dengan tahun 2012 yang diambil dari buku
IPM Kabupaten Gunung Kidul berbagai edisi. IPM dibentuk berdasarkan tiga dimensi yang
direpresentasikan dalam empat indikator , yaitu indikator angka harapan hidup yang
merepresentasikan dimensi umur panjang dan sehat, angka melek huruf dan rata-rata lama
sekolah yang mencerminkan output dari dimensi pengetahuan dan indikator kemampuan daya
beli yang digunakan untuk mengukur dimensi standar hidup layak (Noorbakhsh, 1998)
Indikator indikator pembangunan manusia pada dasarnya mencakup seluruh masalah
pembangunan manusia secara konseptual/empirik diketahui saling mempengaruhi atau
dipengaruhi secara langsung atau tidak langsung oleh satu atau lebih komponenkomponen
Indeks Pembanggunan Manusia lainnya. Indikator dimaksud antara lain meliputi (Faqihudin,
2013):
1) Pendidikan
Pada bidang ini yang akan dilihat dan digambarkan adalah :
a) Masalah partisipasi sekolah dengan indikator angka partisipasi murni :
SD (7-12 tahun), SLTP (13-15 tahun), SMU (16-18 tahun)
b) Masalah pelayanan pendidikan dengan indikator rasio penduduk usia sekolah bangku
sekolah, rasio murid sekolah, rasio murid - kelas, dan rasio murid guru.
2) Kesehatan
Pada bidang ini yang akan dilihat dan digambarkan adalah
a) Masalah pelayanan kesehatan dengan indikator % persalinan balita dibantu tenaga
medis, banyaknya penduduk per puskesmas, banyaknya dokter per 10.000 penduduk.
 b) Masalah kelangsungan hidup dengan indikator angka kematian bayi, angka kematian
balita, % balita dengan status gizi, % balita diimunisasi.
c) Masalah status kesehatan dengan indikator % penduduk sakit, Rata-rata lama sakit.
3) Bidang Ketenagakerjaan
Pada bidang ini yang akan dilihat dan digambarkan adalah :
a) Masalah partisipasi dan kesempatan kerja dengan indikator tingkat partisipasi angkatan
kerja, tingkat kesempatan kerja, % penduduk bekerja menurut sector ekonomi, sektor
pertanian/primer, sektor industri/sekunder, sektor jasa/tersier.
b) Masalah pengangguran dengan indikator angka pengangguran terbuka, % yang bekerja
kurang dari 35 jam seminggu Indeks masing-masing IPM mempunyai batas minimum dan
maksimum yang telah disepakati 175 negara didunia. Besarnya nilai maksimum dan
minimum tersebut disajikan pada tabel berikut (BPS, 2010):

Tabel 3. 1. Nilai Maksimum dan Minimum Komponen IPM

Keempat komponen yang membangun IPM tersebut digunakan sebagai variabel prediktor,
ditambah dengan dua variabel lain yaitu rata-rata lama sakit dan rasio murid-kelas.

Tabel 3. 2. Variabel Prediktor IPM (Y)

 Berikut adalah data Indeks Pembangunan Manusia (IPM) di Kabupaten Gunung Kidul dari tahun
2004 sampai dengan tahun 2012 yang digunakan dalam penulisan skripsi ini :

Tabel 3. 3. Data IPM Kabupatan di Gunung Kidul Periode 2004-2012

D. Kelemahan dan Kelebihan PLS

Kelebihan :
1. PLS merupakan metode analisis yang powerful oleh karena tidak mengasumsikan data harus
dengan pengukuran skala tertentu (dapat berupa skala nominal, ordinal, interval, dan rasio),
dengan jumlah sample kecil (Ghozali, 2014 dalam Fahmi, 2015).
2. Tidak memerlukan asumsi yang sangat ketat (Rosiyana)
3. Sampel tidak harus besar (Rosiyana)
4. Aplikasi metode lebih ditekankan pada konfirmatori dan prediksi variabel respon (Rosiyana)
Kelemahan :
Distribusi data tidak diketahui sehingga tidak bias menilai signifikansi statistik. Kelemahan bisa
diatasi dengan menggunakan metode resampling (Bootstrap).

E. Tahapan PLS
PLS dilakukan secara iteratif menggunakan algoritma NIPALS. Secara rinci tahapan algoritma
NIPALS adalah sebagai berikut (Martens dan Naes dalam Iriawan, 2002 dalam Tahyudin, 2009) :
1. Membakukan data X dan Y
2. Mengulangi tahapan 2.a s.d. 2.e untuk setiap faktor :
a) Menentukan penduga vektor pembobot wa
b) Menentukan penduga vektor skor ta
c) Menentukan penduga vektor muatan pa
d) Menentukan penduga vektor muatan qa
e) Menentukan penduga E (= residu X) dan F (= residu Y)
3. Menentukan jumlah komponen (A) dalam model
4. Menentukan penduga Y berdasarkan A komponen.

F. Asumsi
Beberapa asumsi dalam PLS SEM diantaranya (Sarwono) :
1. Asumsi utama dalam penggunaan PLS SEM ialah tidak mengharuskan mengikuti asumsi normalitas
karena PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian
dimana dalam SEM tersebut data diharuskan berdistribusi normal. Kelonggaran ini memungkinkan
kita menggunakan data yang tidak berdistribusi normal.
2. Asumsi berikutnya ialah PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada
SEM yang berbasis kovarian yang mengharuskan peneliti menggunakan ukuran sampel yang besar
 dikarenakan SEM merupakan suatu prosedur yang dikategorikan kedalam prosedur multivariat
dimana hampir semua prosedur multivariat mengharuskan jumlah data yang besar, misalnya
setidak-tidaknya 400. Sebaliknya PLS SEM tidak mengharuskan peneliti menggunakan jumlah data
yang besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat kesulitan
mencari data dalam jumlah yang besar.
3. Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih dengan
pendekatan non-probabilitas, seperti accidental sampling, purposive sampling dan sejenisnya
dapat digunakan dalam PLS SEM.
4. Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator reflektif. Hal
ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan indikator reflektif saja.
5. PLS SEM mengijinkan adanya variabel laten dikotomi
6. PLS SEM memberi kelonggaran terhadap keharusan adanya skala pengukuran interval. Dengan
demikian peneliti dapat menggunakan skala pengukuran selain interval.
7. Distribusi residual dalam PLS SEM tidak diharuskan seperti pada SEM yang berbasis kovarian
dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti pada regresi linier.
8. PLS SEM cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan teori pada
tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang menggunakan teori untuk
dikonfirmasi dengan menggunakan data sampel.
9. Pendekatan regresi dalam PLS SEM lebih cocok dibandingkan dalam SEM yang berbasis kovarian.
10. Dalam PLS SEM hanya diperbolehkan model recursive (sebab - akibat ) saja dan tidak mengijinkan
model non recurisve (timbal balik) sebagaimana dalam SEM yang berbasis kovarian.
11. PLS SEM memungkinkan model sangat kompleks dengan banyak variabel laten dan indikator

G. Jurnal
No. Penulis Tahun Judul Hasil
1 Dewi 2010 Analisis Indikator- 1.Indikator Pembangunan Berkelanjutan di
Rosiyana Indikator Jawa Timur:
Umami Pembangunan Konstruk SDM : Angka Melek Huruf, Angka
(Skripsi) Berkelanjutan (IPB) Partisipasi Sekolah, Tingkat pengangguran
di Jawa Timur terbuka
Menggunakan Konstruk Ekonomi: garis kemiskinan, lantai
Metode Struktural tanah, PDRB per-kapita.
Equation Models- Konstruk kualitas: akses air bersih, Angka
Partial Least Square Harapan Hidup, Prevelensi kurang gizi dan
 akses Sanitasi.
2.Diperoleh dua model:
Model pertama: Terdapat pengaruh yang
positif dan nyata (signifikan) antara konstruk
Sumber Daya Manusia dan Ekonomi.
Model kedua: Terdapat pengaruh yang positif
dan nyata (signifikan) antara konstruk Sumber
Daya Manusia dan Kualitas.
2 Herve 2010 Partial least squares BPLS regression exists in three main varieties,
Abdi regression one of which being specific to brain imaging.
(Article) and projection on The first variety of BPLS regression is used to
latent structure analyze experimental results, it is called
regression (PLS behavior BPLS regression if the Y matrix
Regression) consists of measures or Task BPLS regression if
the Y matrix consists of contrasts or describes
the experimental conditions with dummy
coding. The second variety is called mean
centered task BPLS regression and is closely
related to barycentric discriminant analysis.
3 Jorg 2009 THE USE OF PARTIAL A final concern refers to the choice of SEM
Henseler LEAST SQUARES method. There may be situations in which
PATH MODELING IN CBSEM is preferable, in other situations PLS
INTERNATIONAL may be preferable. Moreover, there may be
MARKETING situations where using CBSEM is desirable but
unobtainable, for example, due to violations in
some key CBSEM assumptions (e.g.,regarding
sample size, distribution, and model Partial
Least Squares Path Modeling in International
Marketing 311. identification); in such cases,
PLS may provide a realistic alternative to
CBSEM.
4 Randall D. An Introduction to In any case, PLS has become an established
Tobias Partial Least Squares tool in chemometric modeling, primarily
Regression because it is often possible to interpret the
 extracted factors in terms of the underlying
physical system---that is, to derive
hardmodeling information from the soft
model. More work is needed on applying
statistical methods to the selection of the
model.
5 Wan 2008 A Comparison Of On the basis of calculations and modeling, it
Mohama Partial Least Square can be perceived that PLS-SEM path modeling
d Asyraf Structural Equation using SMARTPLS is appropriate to carry on the
Bin Wan Modeling (PLS-SEM) confirmatory factor analysis which is more
Afthanorh and Covariance reliable and valid. Based on the result section,
an Based Structural the value of factor loadings/outer loadings,
Equation Modeling and average variance extracted (AVE) in PLS-
(CB-SEM) for SEM is better than CB-SEM even use the same
Confirmatory Factor data provided. This paper work proved that the
Analysis PLS-SEM is used to maximizing the explain
variance of latent constructs which is more
reliable and valid besides help the reasearchers
or practitioners to conduct their research in
perfectly.
6 Nurhasan 2012 Perbandingan (1) Pada Metode Partial Least Square (PLS) nilai
ah Metode Partial koefisien penduga pada masing-masing
Least Square variabel tidak semuanya berpengaruh nyata
(PLS) dengan Regresi pada taraf nyata 0.05, sedangkan pada regresi
Komponen Utama komponen utama semua nilai koefisien
untuk Mengatasi penduga pada masing-masing variabel
Multikolinearitas semuanya berpengaruh nyata pada taraf nyata
0.05;
(2) Metode Partial Least Square
(PLS) memberikan hasil yang lebih baik jika
dibandingkan dengan metode regresi
komponen utama.