Variabel Laten dalam PLS merupakan pencerminan indikatornya, yang disebut dengan
indikator reflektif, atau dalam bentuk indikator formatif. Model reflektif secara matematis
menempatkan indikator sebagai sub-variabel yang dipengaruhi oleh variabel laten, sehingga
indikator-indikator tersebut bisa dikatakan dipengaruhi oleh faktor yang sama yaitu variabel
latennya, yang mengakibatkan bila terjadi perubahan dari satu indikator akan berakibat pada
perubahan indikator lainnya dengan arah yang sama. Sementara itu, model formatif secara
matematis, justru indikatorlah yang memengaruhi variabel laten, oleh sebab itu jika salah satu
indikator berubah tidak harus diikuti perubahan indikator lainnya dalam satu konstruk, tetapi jelas
berpengaruh terhadap variabel latennya.
Variabel Variabel
Laten Laten
Pemilihan metode analisis tergantung dari dua hal, yaitu model indikator (outer model) dan model
hubungan antar variabel laten (inner model), lebih jelasnya dapat dilihat pada tabel berikut:
No. Outer Model Inner Model Metode Analisis Software
Kausalitas satu arah AMOS & LISREL,
SEM, PLS, GSCA,
1 Reflektif (memenuhi salah satu SmartPLS, GeSCA,
WarpPLS
sifat model rekusif) WarpPLS
SEM, GSCA, AMOS & LISREL,
2 Reflektif Tidak rekursif
WarpPLS GeSCA, WarpPLS
Kausalitas satu arah SmartPLS, GeSCA,
3 Formatif dan Reflektif PLS, GSCA, WarpPLS
(memenuhi rekusif) WarpPLS
4 Formatif dan Reflektif Tidak rekursif GSCA, WarpPLS GeSCA, WarpPLS
Gambar 1. Ilustrasi model struktural bersifat Rekursif dan model indikator Reflektif
Gambar 2. Ilustrasi model struktural bersifat Tidak Rekursif dan model indikator Reflektif
Gambar 3. Ilustrasi model struktural bersifat Rekursif dan model indikator Reflektif dan
Formatif
Gambar 4. Ilustrasi model struktural bersifat Tidak Rekursif dan model indikator Reflektif dan
Formatif
LANGKAH KE-1
MERANCANG INNER MODEL Pada SEM perancangan model adalah berbasis teori, akan tetapi
pada PLS bisa berupa:
1. Teori
2. Hasil penelitian empiris
3. Analogi, hubungan antar variabel pada bidang ilmu yang lain
4. Normatif, misal peraturan pemerintah, undang-undang, dan lain sebagainya
5. Rasional PLS: Bisa ekplorasi hubungan antar variabel
LANGKAH KE-2
MERANCANG OUTER MODEL
1. Pada SEM semua bersifat refleksif, model pengukuran tidak penting (sudah terjamin pada
DOV)
2. Pada PLS perancangan outer model sangat penting: refleksif atau formatif 0 Dasar: teori,
penelitian empiris sebelumnya, atau rasional
TAHAP KE-3 KONSTRUKSI DIAGRAM JALUR
Outer model
Untuk variabel latent eksogen 1 (reflektif)
x1 = x1 1 + 1
x2 = x2 1 + 2
x3 = x3 1 + 3
Untuk variabel latent eksogen 2 (formatif)
2 = x4 X4 + x5 X5 + x6 X6 + 4
Untuk variabel latent endogen 1 (reflektif)
y1 = y1 1 + 1
y2 = y2 1 + 2
Untuk variabel latent endogen 2 (reflektif)
y3 = y3 2 + 3
y4 = y4 2 + 4
Inner model :
1 = 1 1 + 2 2 + 1
2 = 11 + 3 1 + 4 2 + 2
LANGKAH 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.
Metode estimasi PLS: OLS dengan teknik iterasi
Interaction variable:
o 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
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
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.
Composite reliability
Nilai batas yang diterima untuk tingkat reliabilitas komposit (ρc) adalah ≥ 0.7, walaupun
bukan merupakan standar absolut.
GOODNESS OF FIT - INNER MODEL
Diukur menggunakan Q-Square predictive relevance
Rumus Q-Square: Q2 = 1 – ( 1 – R1 2 ) ( 1 – R2 2 ) ... ( 1- Rp 2 )
dimana R1 2 , R2 2 ... Rp 2 adalah Rsquare variabel endogen dalam model
Interpretasi Q2 sama dg koefisien determinasi total pada analisis jalur (mirip dengan R2
pada regresi)
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