CHAPTER 7

ADVANCED TOPICS IN PLS-SEM

(TOPIK LANJUTAN PADA PLS-SEM)

1. Memahami bagaimana melakukan kepentingan-kinerja PLS-SEM analisis

matriks {IPMA).
2. Jelaskan analisis mediator dan cara menjalankannya menggunakan PLS-SEM.
3. Memahami konstruksi tingkat tinggi dan bagaimana menerapkan konsep ini
dalam PLS-SEM.

BAB PREVIEW

Bab ini membahas beberapa topik PLS-SEM tingkat lanjut. Kami mulai
dengan analisis matriks kepentingan-kinerja (IPMA). Analisis PLS-SEM standar
memberikan informasi tentang pentingnya relatif konstruksi dalam menjelaskan
konstruksi lain dalam model struktural. Informasi tentang pentingnya konstruk
relevan untuk menarik kesimpulan. Namun, IPMA memperluas hasil PLS-SEM
dengan juga mempertimbangkan kinerja setiap konstruk. Sebagai hasilnya,
kesimpulan dapat ditarik pada dua dimensi (yaitu, kepentingan dan kinerja), yang
sangat penting untuk memprioritaskan tindakan manajerial.
Oleh karena itu, lebih baik untuk fokus terutama pada peningkatan kinerja
konstruksi dengan sangat penting mengenai penjelasan mereka tentang target
konstruksi tertentu tetapi, secara bersamaan, memiliki kinerja yang relatif rendah.
Topik penting lainnya adalah mediasi. Variabel mediator yang signifikan
mungkin sampai batas tertentu menyerap hubungan sebab-akibat. Meneliti variabel
mediasi memungkinkan peneliti untuk lebih memahami hubungan antara konstruk
dependen dan prediktor.
 Akhirnya, konstruksi tingkat tinggi memungkinkan peneliti untuk
memasukkan konstruksi yang lebih umum yang mewakili beberapa subkomponennya
dalam PLS-SEM. Jumlah hubungan potensial dalam model struktural dengan
demikian berkurang, dan model jalur PLS menjadi lebih pelit dan lebih mudah
dipahami.

PENTING-ANALISIS KINERJA MATRIX

Metode
Karakteristik utama dari metode PLS-SEM adalah ekstraksi skor variabel
laten. Importance-performance matrix analysis (IPMA) berguna dalam memperluas
temuan hasil PLS-SEM dasar menggunakan skor variabel laten (Fornell, Johnson,
Anderson, Cha, & Bryant, 1996; Hock, Ringle, & Sarstedt, 2010; Kristensen ,
Martensen, & Gr0nholdt, 2000; Slack, 1994; Volckner, Sattler, Hennig-Thurau, &
Ringle, 2010). Ekstensi dibangun di atas perkiraan PLSSEM dari hubungan model
jalur dan menambahkan dimensi tambahan untuk analisis yang mempertimbangkan
nilai rata-rata variabel laten. Untuk variabel laten endogen spesifik yang mewakili
konstruk target utama dalam analisis, IPMA kontras dengan efek total model
struktural (kepentingan) dan nilai rata-rata variabel laten skor (kinerja) untuk
menyoroti bidang-bidang penting untuk peningkatan kegiatan manajemen (atau fokus
spesifik model). Lebih khusus lagi, hasil memungkinkan identifikasi faktor penentu
dengan kepentingan yang relatif tinggi dan kinerja yang relatif rendah. Ini adalah
bidang utama peningkatan yang selanjutnya dapat diatasi dengan kegiatan pemasaran
atau manajemen.
Analisis PLS-SEM dasar mengidentifikasi kepentingan relatif konstruksi
dalam model struktural dengan mengekstraksi estimasi hubungan langsung, tidak
langsung, dan total. IPMA memperluas hasil PLS-SEM ini dengan dimensi lain, yang
mencakup kinerja aktual setiap konstruk.
Melaksanakan IPMA terlebih dahulu membutuhkan mengidentifikasi target
konstruksi. Untuk menyelesaikan IPMA dari konstruk target tertentu, total efek dan
nilai kinerja diperlukan. Pentingnya variabel laten untuk konstruk target endogen -
sebagaimana dianalisis dengan menggunakan matriks kinerja-penting - muncul dari
efek total variabel ini (Slack, 1994). Dalam PLS-SEM, efek total berasal dari estimasi
model jalur PLS.
Perhatikan contoh pada Tampilan 7.1, yang menunjukkan hasil PLS-SEM dari
model struktural. Informasi dalam tanda kurung (di dalam setiap konstruk) adalah
kinerja setiap variabel laten pada skala dari 0 hingga 100. Koefisien jalur
terstandarisasi berada di sebelah masing-masing panah, mewakili kekuatan hubungan
antara konstruk.
Kami sekarang menggunakan hasil untuk membuat representasi hasil untuk
IPMA dari target utama konstruksi Y4, seperti yang ditunjukkan pada Tampilan 7.2.
Sumbu x mewakili efek total variabel laten Y1, Y2, dan Y3 pada konstruk target Y4
(yaitu, kepentingannya). Sumbu-y menggambarkan skor konstruk rata-rata (yang
dihitung ulang) ¥ 1, Y2, dan Y3 (yaitu, kinerja mereka). Kami menemukan bahwa Y1
adalah konstruk yang sangat penting untuk menjelaskan konstruk target Y4 • Dalam
situasi ceteris paribus, peningkatan satu titik dalam kinerja Y1 diharapkan untuk
meningkatkan kinerja Y4 dengan nilai total efek, yaitu 0,84. Pada saat yang sama,
kinerja Y1 relatif rendah, sehingga ada ruang besar untuk perbaikan. Akibatnya,
dalam contoh model jalur PLS, konstruk Y1 adalah yang paling relevan untuk
tindakan manajerial.
 IPMA-seperti yang ditunjukkan dalam contoh dalam Tampilan 7.2-
mensyaratkan untuk memperoleh efek total dari hubungan semua konstruk lainnya
dalam contoh (mis., Y1, Y2, dan Y3) pada konstruk target yang dipilih Y4 untuk
menunjukkan kepentingannya. Efek total dari hubungan antara dua konstruk adalah
jumlah dari semua efek langsung dan tidak langsung dalam model struktural: efek
total = efek langsung + efek tidak langsung. Misalnya, efek langsung Y1 pada Y4
memiliki nilai 0,5. Selain itu, ada tiga hubungan jalur tidak langsung yang berkisar
dari Y1 ke Y4: (i) Y1  Y2  Y4 , dan (ii) Y1  Y2 Y3  Y4, dan (iii) Y1 Y3  Y4.
Nilai estimasi dari setiap hubungan tidak langsung yang relevan harus dikalikan dan
ditambahkan. Jadi, dalam kasus efek tidak langsung Y1 pada Y4 , hal berikut ini
berlaku:
= Y 1  Y2  Y4 = 0,50 . 0.50 = 0.250
+ Y1  Y2 Y3  Y4 = 0,50 . 0.25 . 0.25 = 0.031
+ Y1 Y3  Y4 = 0,25 . 0.25 = 0.063
= 0.344
Tampilan 7.3 menunjukkan efek total konstruk Y1, Y2, dan Y3 pada target
konstruk Y4 • Selanjutnya, kita perlu mendapatkan nilai kinerja variabel laten dalam
model jalur PLS. Untuk membuat hasil yang dapat dibandingkan di berbagai skala
yang berbeda, kami menggunakan skala kinerja 0 hingga 100, dimana 0 mewakili
yang terendah dan 100 kinerja tertinggi. Karena kebanyakan orang terbiasa
menafsirkan nilai persentase, skala kinerja semacam ini mudah dipahami. Melakukan
penskalaan variabel laten untuk mendapatkan nilai indeks memerlukan perhitungan
berikut untuk dilakukan: Kurangi nilai minimum yang mungkin dari skala variabel
laten (yaitu, 1 untuk skala 1 hingga 7) dari estimasi titik data dan bagi titik data ini
dengan perbedaan antara titik data minimum dan maksimum dari skala variabel laten
(yaitu, 7 - 1 = 6 untuk skala 1 hingga 7):

dimana Yii mewakili titik data ke-i (misalnya, i = 5 sehubungan dengan skor variabel
laten dari pengamatan kelima dalam kumpulan data) dari variabel laten spesifik
dalam model jalur PLS (Anderson & Fornell, 2000; Hock et al. , 2010; Tenenhaus et
al., 2005). Prosedur ini menghasilkan skor variabel laten yang direkala pada skala 0
hingga 100. Nilai rata-rata skor yang diulang dari setiap variabel laten menghasilkan
nilai indeks kinerja mereka, ditunjukkan pada skala 0 hingga 100, dengan nilai yang
lebih tinggi biasanya menunjukkan kinerja variabel laten yang lebih baik. Dalam
contoh kami, Y1 memiliki kinerja 56, Y2 dari 76, dan Y3 dari 82. Tampilan 7.4
menunjukkan data yang digunakan untuk IPMA dari variabel laten Y4 seperti yang
diilustrasikan dalam Tampilan 7.2.

Penerapan IPMA perlu memenuhi persyaratan berikut: Pertama, semua

indikator harus memiliki arah yang sama; nilai yang rendah menunjukkan hasil yang
buruk dan nilai yang tinggi merupakan hasil yang baik. Jika tidak, skala tidak dapat
diartikan dengan cara yang memungkinkan nilai rata-rata variabel laten yang lebih
tinggi (yaitu, menuju 100) untuk mewakili kinerja yang lebih baik. Jika bukan ini
masalahnya, arahnya perlu diubah dengan membalik skala (mis., Pada skala 1 hingga
5 poin, 5 menjadi 1 dan 1 menjadi 5, 2 menjadi 4 dan 4 menjadi 2, dan 3 tetap tidak
berubah ). Kedua, bobot luar (model pengukuran formatif) atau beban luar (model
pengukuran reflektif) yang digunakan harus memiliki nilai perkiraan dan estimasi
positif. Jika kondisi ini tidak dapat dipenuhi dalam hal model pengukuran variabel
laten tertentu, nilai kinerja yang diekstraksi tidak akan berada pada skala 0 hingga
100 tetapi, misalnya, pada skala -5 hingga 95.

Ilustrasi Studi Kasus

Untuk mengilustrasikan studi kasus, kami terus menggunakan contoh model
jalur PLS dari reputasi perusahaan yang disajikan dalam bab-bab sebelumnya. Untuk
melihat contoh dalam bab ini, unduh file Corporate_Reputation_Advanced.zip dari
http://www.pls-sem.com. File ini berisi file proyek SmartPLS untuk bab ini, semua
file data yang digunakan, dan contoh MS Excel tentang bagaimana melakukan IPMA.
Setelah mengekstrak file zip, impor file proyek Reputasi Extended-Advanced
Analysisses.splsp ke SmartPLS (lihat penjelasan pada bab-bab sebelumnya) dan
perkirakan hasil PLS-SEM dari Model Dasar. Tampilan 7.5 lagi menunjukkan model
dan estimasi koefisien jalur serta nilai R2.
Tujuannya adalah untuk melakukan IPMA dari target utama membangun
loyalitas pelanggan (CUSL). Sebelum menjalankan analisis, data perlu ditata ulang.
Penskalaan ulang variabel laten dan perhitungan nilai indeks dilakukan secara
otomatis oleh 95.
Perangkat lunak SmartPLS ketika data indikator yang dihitung ulang digunakan.
Penskalaan ulang indikator menggunakan persamaan berikut tetapi pada semua
indikator yang digunakan sebagai input untuk algoritma PLS-SEM:

dimana x, mewakili pengamatan ke-i dari variabel indikator spesifik dalam model
jalur PLS (mis., attr _2). Misalnya, respons nomor observasi 199 dari indikator attr
_2 memiliki nilai 6 pada skala 1 hingga 7. Kemudian, dengan skala Mins [attr _2] = 1
dan Maxscale [attr_2] = 7, nilai 6 sebagai respons dalam data poin 199 dari indikator
attr _2 menjadi
(6 − 1)
. 100 = 71.43
(7 − 1)
pada skala 0 hingga 100. Penyesuaian jenis ini dilakukan untuk semua data indikator.
Menggunakan data ini sebagai input untuk SmartPLS memberikan hasil estimasi
model jalur PLS yang sama tetapi juga memberikan skor yang ditinjau kembali dari
variabel laten.
Kumpulan data asli untuk memperkirakan model reputasi perusahaan (yaitu,
Full Data.csv) memiliki nilai dan data yang hilang pada skala 1 hingga 7. Cara
termudah untuk menggunakan kapabilitas otomatis SmartPLS untuk menghasilkan
skor variabel laten yang diskala ulang pada suatu skala 0 hingga 100 adalah
menjalankan algoritma PLS seperti yang dijelaskan, misalnya, dalam Bab 6 dan
untuk membuka Laporan Default (Gambar 7.6). Laporan ini menawarkan Matriks
Olahan (Data) di mana opsi perlakuan nilai hilang yang dipilih di SmartPLS telah
memperlakukan nilai-nilai yang hilang (mis., Penggantian nilai rata-rata).
Data dapat disalin (dengan mengklik CTRL + A untuk memilih tabel hasil dan
CTRL + C untuk menyalin tabel) dan menempelkan (dengan mengklik CTRL + V)
ke dalam program spreadsheet seperti Microsoft Excel untuk diproses lebih lanjut.
Lebih khusus lagi, dalam lembar bentang, tajuk baris dengan nama variabel perlu
disalin, setelah itu setiap entri data diubah dengan mengurangi nilai minimum skala
interval dan membagi perbedaan ini dengan perbedaan antara nilai skala maksimum
dan minimum nilai skala. Misalnya, dalam lembar baru aplikasi spreadsheet, titik data
pertama attr _1, yaitu 5 pada skala 1 hingga 7, ditransformasikan sebagai berikut: (5 -
1) / (7 - 1) · 100 = 66.67. Jenis perhitungan ini diterapkan untuk semua data dan file
disimpan sebagai Data Lengkap (100) .csv. Kumpulan data yang diskala ulang ini
tersedia dalam file Corporate_Reputation_Advanced.zip (http://www.pls-sem.com).
Selanjutnya, file Full Data (100) .csv harus diimpor ke proyek Analisis Extended-
Advanced Reputasi Perusahaan dengan menggunakan opsi Data Indikator Impor
SmartPLS. Di jendela SmartPLS Projects, ikuti proyek Analisis Extended-Advanced
Reputasi Perusahaan. Proyek ini sekarang telah dipilih. Mengklik tombol kanan
mouse membuka kotak dialog dengan beberapa opsi seperti yang ditunjukkan pada
Tampilan 7.7. Memilih opsi Impor Indikator Data memungkinkan Anda untuk
menambahkan set tambahan data indikator untuk proyek SmartPLS yang dipilih ini
(yaitu, Analisis Reputasi-Diperluas Tingkat Lanjut Perusahaan).
 Sekarang, Wizard Impor data SmartPLS terbuka seperti yang ditunjukkan
pada Tampilan 7.8. Pada langkah pertama, Anda perlu menentukan lokasi tempat
Anda menyimpan file Full Data (100) .csv. Jika Anda tahu lokasi, Anda bisa
langsung mengetik lintasan dan nama file (mis., C: \ SmartPLS \ Data Lengkap (lOO)
.cvs). Jika tidak, klik pada tombol (;) (Exhibit 7.8) yang membuka browser file Anda
untuk mencari dan dobel klik pada Full
 Data (100) .csv file. Lalu, nama dan jalur file muncul di bidang teks (mis., C: \
SmartPLS \ Data Lengkap (100) .cvs) seperti yang ditampilkan di Tampilan 7.8. Klik
tombol Berikutnya dan jendela dialog kedua dari Wizard Impor SmartPLS (mis.,
Pengaturan Nilai yang Hilang) terbuka (Tampilan 7.9). H set data Anda memiliki
nilai yang hilang, centang kotak seperti yang ditunjukkan pada Tampilan 7.9. Bidang
teks memungkinkan Anda untuk menunjukkan nomor mana yang mewakili nilai yang
hilang. File Full Data (100) .csv berisi nilai yang hilang, jadi Anda harus mencentang
kotak. File ini tidak mengandung nilai-nilai yang hilang karena ini telah diperlakukan
dengan penggantian nilai rata-rata pada langkah pertama analisis. Karena itu, cukup
klik tombol Selesai. File data Anda sekarang telah diimpor ke proyek SmartPLS yang
dipilih. Setelah mengimpor file Full Data (100) .csv, kumpulan data ini muncul dalam
proyek Analisis Reputasi-Extended Reputasi Perusahaan, yang ditampilkan di jendela
Proyek SmartPLS. Proyek ini sekarang memiliki dua set data yang tersedia.
Perhatikan bahwa Anda dapat beralih di antara file data untuk estimasi model jalur
PLS. Klik pada file data tertentu untuk memilihnya. Kemudian, tekan tombol kanan
mouse pada file data yang dipilih ini, yang membuka menu dengan beberapa opsi.
Pilih opsi Gunakan Data untuk Perhitungan. Kemudian, tag hijau (mis., Kotak hijau
dengan tanda centang putih) muncul di sebelah simbol file data untuk menunjukkan
bahwa estimasi model jalur PLS menggunakan kumpulan data khusus ini.

Jika file Full Data (100) .csv memiliki tag merah setelah menjalankan
prosedur impor, itu tidak dapat digunakan untuk estimasi model jalur PLS. Dalam hal
itu, klik dua kali pada kumpulan data di jendela Proyek SmartPLS. Tampilan Data
terbuka seperti yang ditunjukkan pada Tampilan 7.10. Dalam kebanyakan kasus,
SmartPLS tidak dapat mengidentifikasi pemisah data yang benar saat mengimpor file
data. Cobalah berbagai opsi di jendela Pilih Pembatas Tampilan Data (mis., Koma,
titik koma, spasi, tabulator) dan pilih opsi yang memberi Anda pratinjau yang tepat di
jendela Pratinjau data (Gambar 7.10). Perhatikan bahwa jendela Pratinjau data tidak
menunjukkan set lengkap data tetapi hanya header dan beberapa baris pertama dari
set data yang diimpor. Saat menutup Tampilan Data, SmartPLS menanyakan apakah
Anda ingin menyimpan perubahan, yang Anda konfirmasikan dengan mengklik
tombol Ya. Jika tag merah masih muncul, Anda harus memasukkan Tampilan Data
lagi. Sekarang, tekan tombol Validasi. Jendela terbuka yang berisi informasi di kolom
mana dan baris mana Anda dapat menemukan titik data yang tidak valid (lihat Bab 2
untuk deskripsi persyaratan data di SmartPLS). Buka file data dengan program
spreadsheet seperti Microsoft Office Excel atau OpenOffice CALC dan perbaiki data
yang tidak valid. Kemudian, simpan file data dalam format file yang dipisahkan
dengan koma (mis., .Csv) atau teks (mis., .Txt) dan impor set data ini lagi ke
SmartPLS sehingga
muncul dalam proyek yang dipilih di jendela Proyek SmartPLS. Sebelum mengimpor
set data yang diperbaiki, Anda mungkin ingin menghapus set data yang tidak valid
dengan tag merah dari proyek Anda. Cukup klik pada kumpulan data di jendela
Proyek SmartPLS untuk memilihnya, lalu tekan tombol mouse kanan. Kotak dialog
seperti yang ditunjukkan pada Tampilan 7.7 muncul dan memberi Anda opsi Hapus
Sumber Daya, yang menghapus file yang dipilih.
Jika file Full Data (100) .csv memiliki tag hijau, set data valid dan sekarang
dapat digunakan untuk memperkirakan model jalur PLS. Estimasi PLS-SEM untuk
koefisien lintasan dan nilai R2 tidak berubah dan sama seperti yang dijelaskan dalam
bab-bab sebelumnya. Namun, dalam hasil, yang didasarkan pada data input yang
diubah kembali, Laporan Default SmartPLS sekarang menawarkan Nilai Indeks
untuk Variabel Laten pada skala 0 hingga 100, seperti yang ditampilkan dalam
Tampilan 7.11. Bersama dengan total efek (Tampilan 7.11), ini adalah informasi
kunci yang diperlukan untuk melakukan IPMA.
Informasi dari Laporan Default (mis., Nilai indeks dan efek total) diperlukan
untuk IPMA dari target kunci CUSL dalam model jalur PLS. Tampilan 7.12
menyajikan hasil dari total efek (kepentingan) dan nilai indeks (kinerja) yang
digunakan untuk IPMA.