Dalam bahasan tentang PLS, tentunya tidak akan cukup hanya dalam
satu artikel. Maka kami akan buat dalam serangkaian artikel, yang cara
penyampaiannya kami upayakan sederhana dan mudah dipahami serta
berbasis studi kasus atau contoh langsung pengoperasiannya dalam
software misal smartPLS.
Partial least square adalah suatu teknik statistik multivariat yang bisa
untuk menangani banyak variabel respon serta variabel eksplanatori
sekaligus. Analisis ini merupakan alternatif yang baik untuk metode
analisis regresi berganda dan regresi komponen utama, karena metode
ini bersifat lebih robust atau kebal. Robust artinya parameter model tidak
banyak berubah ketika sampel baru diambil dari total populasi (Geladi
dan Kowalski, 1986).
Partial Least Square suatu teknik prediktif yang bisa menangani banyak
variabel independen, bahkan sekalipun terjadi multikolinieritas diantara
variabel-variabel tersebut (Ramzan dan Khan, 2010).
Menurut Wold, PLS adalah metode analisis yang powerfull sebab tidak
didasarkan pada banyak asumsi atau syarat, seperti uji normalitas dan
multikolinearitas. Metode tersebut mempunyai keunggulan tersendiri
antara lain: data tidaklah harus berdistribusi normal multivariate. Bahkan
indikator dengan skala data kategori, ordinal, interval sampai rasio dapat
digunakan. Keunggulan lainnya adalah ukuran sampel yang tidak harus
besar.
Penemu PLS
Algoritma PLS
Untuk sub bagian tentang algoritma ini, terus terang jangan diambil hati
ya. Bagi yang kesulitan, silahkan dibaca saja dulu. Perkara paham atau
tidak, tidak jadi masalah. Yang penting pada artikel berikutnya anda bisa
melakukan analisis yang namanya Partial Least Square.
Dengan tekhnik Partial Least Square ini akan dicoba untuk mencari suatu
dekomposisi linier dari X dan Y . Sehingga rumusnya adalah:
Kolom dari T merupakan vektor laten, dan U = TB, yaitu regresi dari vektor laten
t sehingga:
Y = TBQT + F
Vektor laten dapat dipilih dalam berbagai cara. Dalam persamaan di atas,
maka setiap set vektor ortogonal pembentuk ruang kolom dari X bisa
digunakan. Untuk menentukan T, maka diperlukan kondisi tambahan.
Untuk regresi PLS, yaitu mencari dua set bobot yang dinotasikan dengan
w dan c dalam rangka menciptakan suatu kombinasi linier pada kolom-
kolom X dan Y sehingga kombinasi linier ini memiliki kovarian yang
maksimum. Secara khusus, tujuannya adalah memperoleh pasangan
vektor.
t = Xw dan u = Yc
Dengan konstrain wTw = 1, tTt = 1 dan tTu adalah maksimal. Ketika vektor
laten pertama telah dihitung, maka vektor tersebut disubstraksi dari X
maupun Y dan prosedur diulang sampai dengan X menjadi matriks nol.
NIPALS