PEMODELAN SISTEM BIOLOGI MENGGUNAKAN PARTIAL LEAST SQUARE (PLS)

Studi Kasus: Pemodelan Produksi Metabolit Sekunder Tanaman Jengger Ayam

Untuk mengetahui faktor-faktor apa saja yang mempengaruhi produksi metabolit sekunder tanaman
Jengger Ayam dalam suatu ekosistem, maka dikembangkan penelitian eksplorasi pada berbagai variasi
habitat tumbuh Jengger Ayam, meliputi Kec. Poncokusumo, Kec. Lowokwaru, Kec. Dampit, Kec. Turen
dan Kec. Pakis. Pada kelima Kecamatan tersebut diamati pertumbuhan Jengger Ayam beserta karakter
habitat tempat tumbuhnya, seperti yang tergambar dalam model teoritis pertumbuhan dan produksi
metabolit sekunder tanaman jengger ayam (Gambar 1). Dari hasil observasi pada kelima tempat
tersebut didapatkan 107 pasangan data untuk setiap indikator yang diukur (indikator disimbolkan dalam
kotak bewarna kuning yang membentuk variabel laten, lingkaran biru).

Gambar 1. Model teoritis produksi metabolit sekunder tanaman jengger ayam

Petunjuk Operasi SmartPLS

A. Input Data
 Input data secara berpasangan menggunakan MS. Excel (Lihat file “Latihan.xlsx”).
 Simpan file tersebut dalam ekstensi “csv (comma separated value)”. Caranya: klik File kemudian Save
as lalu pada bagian Save as type pilih CSV.

B. Mengoperasikan SmartPLS
 Jalankan program SmartPLS, klik Java Web Start lalu pilih Start.
 Klik File, lalu New, sehingga muncul kotak “SmartPLS Create new model”. Pada bagian Model name
ketik Jengger-Ayam. Pada Data source and name browse file Latihan.csv. Pada bagian CSV separators,
pilih comma (,). OK.
 Gambarkan rancangan model teoritis seperti Gambar 1 pada kotak tersebut.
 Jalankan program. Klik PLS, kemudian Calculate Model. Lalu lakukan bootstrapping dengan kilik PLS,
kemudian Bootstrapping. CATATAN: sampel bootstrap disarankan sebesar 500, sedangkan besar
sampel pada masing-masing sampel bootstrap lebih kecil dari sampel orisinal. MISAL: jika n=107, maka
ketik sampel bootstrap sebesar 500 pada number of samples dan ketik sampel pada masing-masing
sampel bootstrap sebesar 105 pada case per sample.

C. Output PLS
Dalam model formatif ini ada tiga hal yang perlu diinterpretasikan secara berurutan dari output PLS
yang berupa file HTML, yaitu:
1. Pengujian Outer Model
Pengujian outer model dimaksudkan untuk mengetahui indikator-indikator apa saja yang membentuk
variabel laten. Caranya, lihat nilai T-Statistic dari setiap indikator pada bagian “results for outer
weights”. Jika nilainya > 1,96 maka indikator tersebut dianggap valid, tetapi jika < 1,96 maka
indikator tersebut harus dibuang dari model dan dilakukan pengujian PLS ulang hingga semua
indikator yang tersisa VALID.
Pada kasus ini hanya terdapat 1 indikator yang membentuk variabel Geografi, Iklim, Tanah, Vegetasi
Liar, Umur, Pertumbuhan Vegetatif Jengger Ayam dan Metabolit Sekunder.

2. Pengujian Inner Model

Inner model menggambarkan hubungan antar variabel laten dalam model. Pengujian inner model
(structural model) pada intinya menguji hipotesis dalam penelitian. Pengujian hipotesis dilakukan
dengan uji t ( t test ) pada masing-masing jalur pengaruh langsung secara parsial. Hasil analisis
secara lengkap dapat dilihat pada Tabel berikut, yang menyajikan hasil pengujian hipotesis pengaruh
langsung. Jalur atau hubungan antar variabel yang memiliki nilai T-Statistic > 1,96 maka
dianggap signifikan.
3. Pengujian Goodness of Fit Model

Pengujian Goodness of Fit model struktural pada inner model menggunakan nilai predictive-
relevance (Q2). Nilai R2 masing-masing variabel endogen dalam penelitian ini adalah sebagai
berikut:
1) Untuk variabel Iklim diperoleh R2 sebesar 0,285. Artinya sebesar 28,5% Iklim dipengaruhi oleh
Geografis.
2) Untuk variabel Tanah diperoleh R2 sebesar 0,032. Artinya sebesar 3,2% Tanah dipengaruhi oleh
Iklim dan Geografis.
3) Untuk variabel Vegetasi liar diperoleh R2 sebesar 0,034. Artinya sebesar 3,4% Vegetasi
dipengaruhi oleh Geografi, Iklim, dan Tanah.
4) Untuk variabel Pertumbuhan Vegetatif diperoleh R2 sebesar 0,516. Artinya sebesar 51,6%
Pertumbuhan Vegetatif dipengaruhi oleh Umur, Geografis, Iklim, Tanah, dan Vegetasi.
5) Untuk variabel Metabolit Sekunder diperoleh R2 sebesar 0,319. Artinya sebesar 31,9% metabolit
sekunder jengger ayam dipengaruhi oleh Pertumbuhan Vegetatif.
Nilai predictive-relevance diperoleh dengan rumus:
Q2 = 1 – ( 1 – R12) ( 1 – R22 ) ... ( 1- Rp2 )
Q2 = 1 – (1 – 0,285) (1 – 0,032) (1 – 0,034) (1 – 0,516) (1 – 0,319)
Q2 = 0,7796
Hasil perhitungan memperlihatkan nilai predictive-relevance sebesar 0,7796 atau 77,96% dan berada
di bawah 80%, sehingga model dikatakan memiliki nilai prediktif yang kurang relevan. Nilai
predictive-relevance dikatakan memiliki nilai prediktif yang relevan jika berada di atas 80%. Nilai
predictive relevance sebesar 77,96% mengindikasikan bahwa informasi yang terkandung dalam data
77,96% dapat dijelaskan oleh model PLS tersebut. Sedangkan sisanya 22.04% dijelaskan oleh
variabel lain (yang belum terkandung dalam model).