MODUL PEMBELAJARAN

ANALISIS MULTIVARIAT DENGAN PARTIAL LEAST SQUARE JURUSAN

KEPERAWATAN FAKULTAS KEDOKTERAN DAN ILMU KESEHATAN
UIN ALAUDDIN MAKASSAR

JURUSAN KEPERAWATAN
FKIK UIN ALAUDDIN MAKASSAR
2019

1
 TINJAUAN MATERI MODUL KULIAH

Materi tehnik PLS merupakan bagian dari Matakuliah Biostatistik

dengan bobot 2 sks, dan merupakan bagian dari materi analisis multivariat
yang merupakan salah satu tahap yang penting diketahui untuk
menyelesaikan tugas akhir. Matakuliah ini memberikan pemahaman tentang
tehnik menggunakan aplikasi PLS sebagai sala satu aplikasi yang digunakan
dalam menganalisis data multivariat. Agar pemahaman lebih komplek tentang
tehnik PLS, maka disarankan mahasiswa aktif membaca literatur-literatur lain
yang relevan.
Materi yang dibahas dalam modul mata kuliah ini berfokus pada tehnik
PLS, mulai dari Pengenalan PLS dan SmartPLS , Variabel-Variabel SEM
Dalam Partial Least Square (PLS), Komponen Model Dalam PLS, Persiapan
Data dan Model SmartPLS, Mengolah Data dan Melihat Output SmartPLS
dan Menganalisis PLS.

2
 DESKRIPSI MATERI MODUL KULIAH

Fokus materi modul kuliah ini adalah penggunaan dan analisis PLS
untuk data multivarit. Dalam melakukan analisis multivariate menggunakan
aplikasi smart PLS. lingkup bahasan mulai dari pengenalan pls dan smartpls,
variabel-variabel sem dalam partial least square (pls) yang terdiri dari
konstruk/laten dan indikator/manifes/item, komponen model dalam pls yang
terdiri dari model struktural (structural model/inner model) dan model
pengukuran (measurement model/outer model), persiapan data dan model
smartpls yang terdiri dari mempersiapan file data di excel, membuka program
smartpls, membuat proyek baru (new project), mengimpor data indikator,
menggambar model jalur baru (new path model) , merapikan gambar model
jalur, merubah nama variabel-variabel, membuat koneksi/hubungan antar
variabel, mengolah data dan melihat output smartpls yang terdiri dari
kalkulasi pls-algorithm dan kalkulasi bootstraping dan menganalisis pls yang
terdiri dari analisis model pengukuran (outer model), konsistensi internal
(internal consistency/composite reliability), validitas konvergen (convergent
validity), validitas diskriminan (discriminant validity), analisis model struktural
(inner model), kolinearitas (colinearity/variance inflation factor/vif), pengujian
signfikansi koefisien jalur model struktural (structural model path coefficient),
koefisien determinasi (r-square).
Metode pembelajaran yang dilakukan adalah dengan pendekatan
student center learning (SCL), dimana proses pembelajaran dilakukan
melalui belajar mandiri, mahasiswa dapat mengatur waktu dan tempat
belajar, belajar sesuai dengan gaya, kecepatan, dan kemampuan yang
dimiliki serta mahasiswa dapat mengembangkan kemampuan menjadi
pebelajar yang mandiri

3
 RUMUSAN CAPAIAN PEMBELAJARAN

Setelah selesai mempelajari materi modul kuliah ini, diharapkan dapat

mengaplikasikan tehnik PLS dengan aplikasi Smart PLS untuk menganalisis
jenis data multivariat. Untuk mencapai capaian pembelajaran atau learning
outcome tersebut, diharapkan mahasiswa memiliki kemampuan:
1. Menjelaskan pengertian pls dan smartpls
2. Menjelaskan variabel-variabel sem dalam partial least square (pls)
yang terdiri dari konstruk/laten dan indikator/manifes/item
3. Menjelaaskan komponen model dalam pls yang terdiri dari model
struktural (structural model/inner model) dan model pengukuran
(measurement model/outer model)
4. mendemonstrasikan untuk mempersiapan file data di excel, membuka
program smartpls, membuat proyek baru (new project), mengimpor
data indikator, menggambar model jalur baru (new path model) ,
merapikan gambar model jalur, merubah nama variabel-variabel,
membuat koneksi/hubungan antar variabel, mengolah data dan
melihat output smartpls yang terdiri dari kalkulasi pls-algorithm dan
kalkulasi bootstraping
5. Menganalisis pls yang terdiri dari analisis model pengukuran (outer
model), konsistensi internal (internal consistency/composite reliability),
validitas konvergen (convergent validity), validitas diskriminan
(discriminant validity), analisis model struktural (inner model),
pengujian signfikansi koefisien jalur model struktural (structural model
path coefficient).

4
 SUSUNAN DAN KETERKAITAN ANTAR MODUL

Modul ini adalah bagian dari bahan ajar mata kuliah biostatistik yang
dikemas secara utuh dan sistematis. Dalam modul ini memuat seluruh materi
tehnik PLS yang terdiri dari pengenalan pls dan smartpls, variabel-variabel
sem dalam partial least square (pls) yang terdiri dari konstruk/laten dan
indikator/manifes/item, komponen model dalam pls yang terdiri dari model
struktural (structural model/inner model) dan model pengukuran
(measurement model/outer model), persiapan data dan model smartpls yang
terdiri dari mempersiapan file data di excel, membuka program smartpls,
membuat proyek baru (new project), mengimpor data indikator, menggambar
model jalur baru (new path model) , merapikan gambar model jalur, merubah
nama variabel-variabel, membuat koneksi/hubungan antar variabel,
mengolah data dan melihat output smartpls yang terdiri dari kalkulasi pls-
algorithm dan kalkulasi bootstraping dan menganalisis pls yang terdiri dari
analisis model pengukuran (outer model), konsistensi internal (internal
consistency/composite reliability), validitas konvergen (convergent validity),
validitas diskriminan (discriminant validity), analisis model struktural (inner
model), kolinearitas (colinearity/variance inflation factor/vif), pengujian
signfikansi koefisien jalur model struktural (structural model path coefficient),
koefisien determinasi (r-square) untuk menganalisa data multivariate.
Tujuan dari modul ini adalah memberikan kesempatan mahasiswa
mempelajari materi pembelajaran tehnik PLS karena keterbatasan waktu
yang dan tidak sebanding dengan bahan kajian yang harus dikuasai oleh
mahasiswa. Materi belajar dikemas kedalam satu kesatuan yang utuh,
sehingga memudahkan mahasiswa dalam memahami serta mencapai
capaian pembelajaran yang sudah ditetapkan yaitu mampu menerapkan
tehnik PLS dengan Smart PLS dalam menganalisis data multivariate.

5
 RELEVANSI DAN MANFAAT MATERI MODUL KULIAH
Ada beberapa manfaat yang akan peroleh setelah mahasiswa
mempelajari materi modul ini, yaitu mahasiswa memiliki kemampuan:
1. Menjelaskan pengertian pls dan smartpls
2. Menjelaskan variabel-variabel sem dalam partial least square (pls)
yang terdiri dari konstruk/laten dan indikator/manifes/item
3. Menjelaaskan komponen model dalam pls yang terdiri dari model
struktural (structural model/inner model) dan model pengukuran
(measurement model/outer model)
4. mendemonstrasikan untuk mempersiapan file data di excel, membuka
program smartpls, membuat proyek baru (new project), mengimpor
data indikator, menggambar model jalur baru (new path model) ,
merapikan gambar model jalur, merubah nama variabel-variabel,
membuat koneksi/hubungan antar variabel, mengolah data dan
melihat output smartpls yang terdiri dari kalkulasi pls-algorithm dan
kalkulasi bootstraping
5. Menganalisis pls yang terdiri dari analisis model pengukuran (outer
model), konsistensi internal (internal consistency/composite reliability),
validitas konvergen (convergent validity), validitas diskriminan
(discriminant validity), analisis model struktural (inner model),
pengujian signfikansi koefisien jalur model struktural (structural model
path coefficient)

6
 PETUNJUK BELAJAR

Dalam mempelajari materi modul kuliah ini diharapkan mahasiswa

mengikuti saran-saran sebagai berikut:
1. Sebelum pembelajaran
Bahan kajian secara keseluruhan untuk mata kuliah
Keperawatan dasar dijelaskan dalam Rencana Pembelajaran Semester
(RPS), dalam RPS diuraikan tentang Capaian pembelajaran,
kemampuan akhir yang direncanakan, bahan kajian, metode
pembelajaran, waktu yang disediakan untuk mencapai kemampuan
pada tiap tahap pembelajaran; pengalaman belajar mahasiswa yang
diwujudkan dalam deskripsi tugas yang harus dikerjakan oleh
mahasiswa selama satu semester; kriteria, indikator, dan bobot
penilaian; dan daGar referensi yang digunakan, sebagai pedoman bagi
pengguna modul untuk mencapai arah dan tujuan pembelajaran.
Dengan demikian mahasiswa wajib membaca secara keseluruhan RPS
yang ada. Modul ini disiapkan untuk pembelajaran mandiri bagi
mahasiswa dengan demikian mahasiswa diwajibkan membaca modul
ini secara keseluruhan mulai dari awal hingga akhir agar memiliki
pemahaman yang utuh dari bahan kajian yang sudah ditetapkan dalam
modul.
2. Selama pembelajaran
a. Mempelajari materi yang ada dalam modul secara mendalam dan
pengembangan materi dengan membaca dari referensi lain yang
terkait dengan modul.
b. Setelah mempelajari disarankan untuk mencatat, dan bertanya
mengenai materi yang belum dipahami
c. Pengawasan kegiatan hasil belajar dilakukan dengan meberikan
satu set data untuk dilakukan analisis kemudian hasilnya
dikumpulkan pada akhir pembelajaran serta melakukan evaluasi
sumatif
d. Latihan satu set data yang diberikan dikerjakan setelah
mempelajari materi modul kuliah yang diajukan pada akhir
pembahasan. Latihan soal dikerjakan secara berkelompok.
e. Mengevaluasi hasil kerja mahasiswa
f. Memberikan evaluasi berupa soal untuk mengukur pemahaman
mahasiswa
g. Mengevaluasi jawaban pada lembar jawaban dengan kunci
jawaban.
3. Setelah pembelajaran
Menerima keputusan dosen untuk meneruskan belajar pada materi
modul selanjutnya atau tetap mempelajari materi modul yang sama.

7
 MATERI MODUL

1. Pengenalan PLS dan Smart PLS

PLS merupakan metode analisis statistik untuk menganalisis
beberapa variabel secara bersamaan (Hair, Hult, Ringle, & Sarstedt,
2014). Analisis multivariate dalam generasi kedua menggunakan
pemodelan persamaan structural atau dikenal dengan Structural
Equation Model (SEM). Metode-metode ini memungkinkan peneliti
untuk memasukkan variabel-variabel yang tidak dapat diamati
(unobservable) namun hanya diukur secara tidak langsung oleh
variabel-variabel indikator atau variabel laten (Chin,
1998).
SEM dalam analisis data yang bersifat konfirmasi teori
(confirmatory) yakni dengan metode Covariance-based Structural
Equational Modeling (CB-SEM), selalu mempersyaratkan berbagai
asumsi seperti teori harus cukup mendukung, jumlah sampel yang
besar, dan data harus terdistribusi normal. Dalam kenyataannya, para
peneliti justru selalu menghadapi permasalahan asumsi-asumsi
tersebut. Untuk memecahkan masalah tersebut di dalam SEM
generasi kedua, terdapat metode analisis menggunakan metode
Partial Least Square (PLS). PLS dapat digunakan untuk sampel yang
berjumlah kecil, walaupun demikian jumlah sampel yang besar akan
lebih mampu meningkatkan presisi estimasi. PLS tidak membutuhkan
persyaratan asumsi distribusi data harus normal atau tidak. Bentuk
konstruk dapat menggunakan model reflektif atau formatif. Jumlah
indikator maksimum juga cukup besar,yakni 1000 indikator (Hair, Hult,
Ringle, & Sarstedt, 2014). PLS dapat diolah dengan menggunakan
software seperti SmartPLS, Warp PLS, Tetrad, PLS-PM dan
sebagainya. Dalam tulisan ini berfokus kepada SmartPLS. Tampilan
halaman SmartPLS dapat dilihat dalam gambar berikut ini.

Tampilan awal PLS

8
2. Variabel-Variabel SEM dalam PLS
Variabel-variabel di dalam PLS ada dua, yakni: Konstruk (variabel
laten) dan Indikator (variabel manifes atau observed).
a. Konstruk/laten:
Konstruk adalah suatu ukuran yang abstrak, tidak dapat diamati
langsung (unobservable).
 Di dalam model jalur, konstruk direpresentasikan dengan
gambar lingkaran (o) atau oval (ᴑ)
 Jenis konstruk atau variabel laten:
 Variabel eksogen (exogeneous variable): sama dengan
variabel independen/variabel bebas, yakni variabel yang
bersifat mempengaruhi variabel lain, ditandai dengan
variabel dimana anak panah berawal ( 0). Dalam
gambar, variabel eksogen dicontohkan dengan variabel A;
 Variabel endogen (endogeneous variable): sama dengan
variabel dependen/variabel terikat, yakni variabel yang
dipengaruhi, ditandai dengan variabel dimana anak panah
berakhir ( 0 ). Dalam gambar, variabel endogen
dicontohkan dengan variabel B dan C. Namun demikian,
variabel endogen juga dapat berperan ganda, yakni
berperan sebagai variabel bebas sekaligus juga variabel
terikat, misalnya pada variabel perantara/intervening,
seperti B. Untuk kasus seperti ini, maka B tetap dikatakan
variabel endogen

b. Indikator/manifes/item:
 Umumnya disebut sebagai item atau variabel manifes, yakni
variabel yang dapat teramati/terukur (observed variables).
 Direpresentasikan dalam model jalur dengan gambar persegi
panjang ( ). Dalam gambar dicontohkan dengan
A1,A2,A3,B1,B2,C1.

9
 3. Komponen dalam PLS
Analisis PLS memiliki 2 komponen model sebagai berikut: (1) Model
struktural (structural model/inner model); (2) Model pengukuran
(measurement model/outer model). Berikut ini penjelasan tahapan-
tahapan tersebut:
a. Model struktural (structuralmodel/inner model). Model struktural
adalah model yang mendeskripsikan hubungan antar konstruk
(variabel laten). Hubungan antar konstruk didasarkan kepada teori
atau asumsi-asumsi tertentu. Contoh: Pengaruh “iklan” terhadap
“citra merek”, berlanjut terhadap “pembelian”.

b. Model pengukuran (measurementmodel/outermodel)

Model pengukuran adalah model yang mendeskripsikan hubungan
antar variabel laten (konstruk) dengan indikatornya. Indikator-
indikator dapat dirujuk dari referensi. Model-model pengukuran di
dalam PLS ada dua, yakni: (1) Model reflektif; dan (2) Model
formatif:
 Model reflektif: Arah panah berawal dari variabel laten menuju
kepada Indikator
 Model formatif: Arah panah berawal dari Indikator menuju
kepada variabel laten

Model berikut ini adalah contoh dari model reflektif:

 Variabel iklan mempunyai indikator frekuensi iklan, daya tarik iklan,
bahasa iklan, pemahaman pesan, dan waktu beriklan.
 Variabel citra merek memiliki indikator pengakuan merek, reputasi
merek, dan daya tarik merek.

10
  Variabel pembelian terdiri dari indikator pencarian informasi, evaluasi
informasi, ketetapan pilihan, jumlah pembelian, frekuensi pembelian,
dan pembelian ulang.

Contoh dari model formatif

 Contohnya dalam pengukuran stres kehidupan (life events stresor)
memuat indikator stres berupa stres finansial, pekerjaan, interpersonal
dan kesehatan. Keempat indikator ini membentuk stres individu.
Masing-masing indikator stres tidak terkait dengan yang lain. Semakin
tinggi skor masing-masing indikator stres, semakin tinggi stres
kehidupan yang dialami oleh individu.

4. Langkah penggunaan PLS

a. Mempersiapan file data di excel e

Type file harus CSV

11
 b. Membuka program PLS

Download Program PLS: https://www.smartpls.com/downloads

c. Membuat proyek baru (new project)

Ketik nama file kemudian klik ok

12
d. Mengimpor data indikator

Double klik yang ada tanda anapanah

e. Menggambar model jalur baru (new path model), merapikan model

jalur dan membuat konek antar variabel

Memindahkan

f. Merubah nama variabel-variabel, membuat koneksi/hubungan antar

variabel

13
g. Mengolah data dan melihat output smartpls yang terdiri dari kalkulasi
pls-algorithm dan kalkulasi bootstraping

Pilih PLS Algorithm

14
Pilih star calculation

Pilih Outer loading

15
Pilih boostiping

Star calculation

16
 Pilih path coefficients

5. Menganalisis pls
a. Analisis model pengukuran (outer model)
Validitas

Indikator validitas dilihat dari nilai outer loading. Bila Outer loading
suatu indikator >0.5, maka indikator tersebut dikatan valid. Sebaliknya
jika nilai outer loading indikatornya <0.5 maka indikator tersebut
dikatakan tidak valid dan harus dikeluarkan dari rancangan model.

17
b. Reliabilitas

Indikator yang tidak valid dikeluarkan dari model dan diuji lagi dengan
PL algortyma. Pengujian berikut adalah melihat reliabilitas konstruk
dengan melihat Cronbach’s Alpha atau Composite Reliability.
Reliabilitas konstruk diuji menghunakan smartPLS memiliki aturan
bahwa konstruk yang digunakan memiliki nilai composite reliability
>0.7 dan nilai Cronbach’s Alpha >0.6. Namun jika nilai Cronbach’s
Alpha kurang memenuhi, kategori reliable didapatan dari nilai
Composite Reliability (Ghozali, 2014).

Variabel yang tidak realabel bisa dipertahankan bisa dihilangkan

variabelnya bisa juga tidak
c. Evaluasi Inner Model
Evaluasi inner model untuk menguji hipotesis penelitian. Hipotesis
penelitian dapat diterima jika nilai T statistik > T tabel. Nilai T tabel
pada tingkat kesalahan 5% adalah 1.96. Nilai koefesien jalur dan nilai
T hitung pada inner model disajikan pada tabel berikut ini.

18
Hasil akhir model

19
Contoh original frame work

20
21
 Lembar evaluasi

Pilihlah jawaban dibawah ini dengan menyoret (X) jawaban yang dipilih

1. Fungsi PLS (Partial least squar) adalah untuk melakukan analisis univariat
(B/S)
2. Variabel-variabel di dalam PLS ada dua yaitu Konstruk (variabel laten) dan
Indikator (B/S)
3. Analisis PLS memiliki 2 komponen model sebagai berikut: (1) Model
struktural (structural model/inner model); (2) Model pengukuran
(measurement model/outer model) (B/S)
4. pls-algorithm fungsinya untuk melihat nilai korelasi antar variabel (B/S)
5. kalkulasi bootstraping fungsinya untuk melihat korelasi antar variabel
(B/S)
6. nilai output dikatakan valid apabila nilainya dibawah 0.5 (B/S)
7. nilai standar dikatakan reliable nilai composite reliability >0.7 dan nilai
Cronbach’s Alpha >0.6 (B/S)
8. nilai standar dilihat pada tabel pada dan berapa nilai standar dikatakan
signifikan apabila P- Value dibawa 0,05 dengan besar α 5% (B/S)

22