RANGKUMAN MATA KULIAH KOMPUTER

Tugas ini dipenuhi untuk perbaikan MK KOMPUTER

Dosen Pengampu : Meinasari Kurnia Dewi, S. ST, M. Kes

Disusun Oleh :

Wine Frida Indriyani

NPM : 10150000010

SEKOLAH TINGGI ILMU KESEHATAN INDONESIA MAJU (STIKIM)

DEPARTEMEN KEBIDANAN
JAKARTA, 2020
BAB 1
KONSEP DASAR PLS-SEM
1.1 Apa itu PLS-SEM ?
Partial Least Squares Structural Equation Modeling (PLS-SEM) atau sering di
sebut juga partial least squeares path modeling (PLS-PEM) merupakan metode
alternative untuk model persamaan structural (structural equation modeling) yaitu untuk
menguji secara simultan hubungfan antara konstruk laten dalam hubungan linier ataupun
nonlinier dengan banyak indicator baik berbentuk mode A ( Reflrksif), mode B
(formatif) dan atau mode M (MIMIC).
PLS merupak perluasan dari OLS regresi, principal component dan canonican
correlation analisis sehingga disebut juga sebagai generasi kedua dari analisis multifariat
berbeda dengan Teknik analisis multifariat biasa, PLS lebih powerful karna dapat di
gunakan membangun model penelitian dengan banyak variable dan indikator dapat
menggambarkan model dalam bentuk graphical, bersifat distribution-free  dan masih
banyak lagi keunggulan yang dimiliki PLS.
1.2 Sejarah PLS-SEM
Pendekatan PLS dikembangkan pertama kali oleh Herman Word seorang ahli
ekonometrikan dan statistikan dari Swedia, Herman Ole Andreas Wold dan disebut juga
sebagai bapak PLS karena merupakan pioneer PLS. Wold mengecam pendidikan  dasar
di sana dan pada tahun 1927 menjadi mahasiswa  di Universitas  of Stockholm dengan
mengambil jurusan  ekonomi, fisika dan matematika.

1.3 Variabel Laten dan Variabel Observed

Variabel laten dalam SEM dapat berupa variabel eksogen, variabel endogen,
variabel moderating maupun  variabel intervening. Variabel eksogen merupakan tipe
variabel yang tidak dipengaruhi oleh variabel lain dan disimbolkan dengan  (dibaca KSI).
Variabel moderating merupakan tipe variabel yang memperkuat  dana tau memperlemah
hubungan antara dua variabel dan disimbolkan dengan (. Sedangkan variabel endogen
dan variabel intervening merupakan tipe variabel yang dipengaruhi oleh variabel lain
secara tidak langsung (direct) maupun tidak langsung (indirect) dan disimolkan dengan
dibaca ETA. Selanjutnya, variabel observed merupakan variabel yang dapat diukur
secara langsung atau variabel yang menjelaskan laten untuk diukur. Variabel observed
sering disebut juga dengan istilah manifest variabel, indicator, item atau variabel teramati
(tangibles). Contohnya kinerja perusahaan dapat diukur langsung dengan ROA (return
on asset),  return saham dapat diukur langsung dengan EPS (earning per share) ataupun
tingkat kemakmuran masyarakat yang dapat diukur langsung dari pendapatan per kapita.

1.4 Outer Model dan Inner Model

Analisis PLS-SEM biasanya terdiri dari dua sub model yaitu model pengukuran
(measurement model) atau sering disebut outer model  dan model structural (Struktural
model) atau sering disebut inner model.  Model pengukuran  (Outer Model)
menunjukkan bagaimana variabel manifest atau observed variabel
merepresentasikan/membentuk variabel laten untuk diukur. Untuk hubungan  refleksif
yaitu dari konstruk ke indicator yang kita lihat adalah loading yaitu berapa persen varian
yang dapat dijelaskan oleh indicator untuk konstruk. Dan untuk hubungan formatif
yaitudari indicator ke konstruk yang kita lihat adalah signifikansi weight. Sedangkan
 model structural (inner model) menunjukkan kekuatan estimasi antar variabel laten atau
konstruk. Tujuan dari dilakukannya pengukuran model untuk menguji reliabilitas dan
validitas item atau indicator yang membentuk konstruk. Sedangkan untuk model
structural dimaksudkan untuk mengetahui pengaruh antar variabel atau konstruk di
dalam model.

1.5 STANDAR ALGORTIHM PLS

Seperti yang sudah dijelaskan sebelumnya bahwa tujuan PLS adalah membantu
peneliti untuk mendapatkan nilai variable laten untuk tujuan prediksi. Model formalnya
adalah mendefinisikan secara eksplisit variable laten secara linear aggregate (kombinasi
linear) dari observed variable atau indikator-indikatornya. Estimasi weight untuk
menciptakan komponen skor variable laten didapat berdasarkan bagaimana Inner dan
outer model di dispesifikan (predictor specification). Hasilnya adalah residual varian dari
variable endogen diminimize dengan asumsi semua residual outer model mempunyai
korelasi sama dengan nol.
Tahap pertama merupakan jantung dari algorithm PLS yang terdiri dari prosedur
literasi yang hamper selalu menghasilkan estimasi weight yang stabil. Secara lesensial,
komponen skor estimasi untuk setiap variable laten di peroleh dengan dua cara yaitu
melalui outside approximation yang merepresentasi waketed aggregete dari indikator
konstruk dan inside approximation yang merupakan wakted aggregate dari komponen
skor lainnya yang berhubungan dengan teoritis.

BAB 2
PENGENALAN PROGRAM WarpPLS 5.0
Salah satu program komponen-based SEM atau varian based SEM (PLS-SEM) yang
dapat digunakan untuk menganalisis data adalah warpPLS. Program ini dikembangkan oleh
profesor Ned Kock dari Texsas A&M Internasional Univercity pada tahun 2009 dan
diperkenalkan awal tahun 2010 program warpPLS dibuat oleh scriptWARP system dilaredo,
Texsas USE. Saat ini tersedia program warpPLS dengan berbagai versi seperti WarpPLS 1.0,
WarpPLS 2.0, WarpPLA 3.0, WarpPLS 5.0. pada versi terbaru ini sudah ditambahkan
beberapa vitur baru yang membuat program warpPLS 5.0 menjadi sanggat powerful serta
easy us dan user friendly. Beberapa fitur baru sebagai berikut :
a. Penambahkan output laten variable indikator atau skor
b. Penambahkan metoda resampling Blinfolding
c. Benambahan output effect size
d. Penambahan Estimated collinearity
e. Penambahan full collinearity VIF
f. Penambahan output indirect dan total effect
g. Penambahan output P-value dan standar error untuk weight dan loading
h. Penambahan output predictife validity atau relefance
i. Setting inner dan outer model algorithm
j. Penambahan metode resampling parametrik dan stable
k. Penambahan output koefisien kaussalitas
l. Penambahan feet indek model
 m. Penambahan graph (3D)
n. Penambahan output Adjusted R-squared

2.1 PERSYARATAN INSTALASI PROGRAM WarpPLS 5.0

Agar warpPLS 5.0 dapat berkerja dengan baik, maka di perlukan persyaratan piranti
computer sebagai berikut :
a. System operasi minimal window “ 2000, atau maksimal window “ 8
b. Hardware pc lebih baik menggunakan Pentium 4 keatas
c. LAM minimal yang di rekomendasikan yang 512MB
2.2 CARA INSTALASI PROGRAM WARP PLS 5.0
1. sebelum menginstal program warpPLS 5.0 terlebih dahulu instal program
MATLAB Compilare runtime 7,14, karna program warpPLS karna tidak dapat
berjalan karna program ini.program MATLAB compilare 7.14 yang di gunakan
warpPLS 5.0 sama dengan versi warpPLS 5.0 2.0 dan 3.0 sebelumnya
Terdapat 2 menu utama dari tampilan awal warpPLS 5.0 yang terdiri dari :
a. Project
Ada 3 sub menu yaitu save project, save project as, exit pilihan ini dapat di
gunakan di model yang di analisis.
b. Help
Help terdiri dari sub menu yang dapat di gunakan yang jika ada masalah operasian
program warpPLS seperti file user manual, video, link dan blog PLS.

BAB 3
TAHAPAN ANALISIS PLS-SEM
Tahapan analisis menggunakan PLS-SEM setidaknya harus melalui 5 proses tahapan
dimana setiap tahapan akan berpengaruh terhadap tahapn selanjutnya.
3.1 konsep dualisasi model
Merupakan 2 langkah yang di lakukan dalam analisis PLS-SEM. Pada tahapan ini
peneliti harus mendefinisikan secara konseptual konstruk yang di teliti yang menentukan
dimensionalitasnya untuk masing-masing konstruk tersebut serta indikator membentuk
konstruk klaten harus di tentukan apakah berbentuk formatif, refleksip, atau kombinasi
keduanya (mode N).
3.2 MENENTUKAN METODE ANALISIS ARGORITHM
Modelvpenelitian dengan melewati tahapan konseptualisasi model selnjutnya
harus di tentukan metode analisis argorithm apa yang akan di gunakan untuk estimasi
model. terdapat dua pengaturan argorith yang harus di lakukan peneliti sebelum analisis
sebelum yaitu untuk outer model dan inner model. Pada outier model tersedia 11 pilihan
algorithm yang dapat di gunakan peneliti yaitu Factor Based PLS type CFM1, Factor
 Based PLS type REG1, Factor Based PLS type PTH1, PLS regression, PLS mode
M, PLS mede M basic, PLS mode A, PLS mode A basic, PLS mode B, PLS mode B
basic, robust path analysis. Semua jenis Argorithm mempunyai karakteristik yang
hamper sama menghitung skor variable laten dengan kombinasi linear dari indikator
stiap opsi akan menghasilkan effect dramatic pada analisis SEM.
3.3 MENENTUKAN METODE RESAMPLING
Karna nilai signifikansi dari estimasi model PLS tidak diketahui maka harus
melalui prosedur penyampelan atau resampling, umumnya terdapat dua metode yang
digunakan oleh peneliti dibidang SEM untuk melakukan proses penyampelan kembali
yaitu, bootstrapping dan jackknifing, mostele dan tukey (1977, p.133).
Jadi metoda jackknifing hanya menggunakan sub sample dari sample asli kemudian
jackknifing melakukan resampling tanpa replacement.
Jadi metoda bootstrapping menggunakan seluruh sample asli untuk melakukan
resampling kembali metoda ini lebih sering digunakan dalam model persamaan
structural.
Selain metode bootstrapping dan jackknifing pada program warpPLS 5.0 juga sudah
ditambahkan metode yaitu stable dan parametric.
3.4 MENGGAMBAR DIAGRAM JALUR
Setalah melakukan konseptualisasi model, menentukan metode analisis
Algorithm dan metoda resampling, merekomendasikan untuk menggunakan prosedur
nomogram reticulaaction modeling (RAM) dengan ketentuan sebagai berikut :
a. Konstruk teoritikal yang menunjukan variable laten harus Digambar dengan
bentuk lingkaran atau bulatan elips.
b. Variable observed atau indikator harus Digambar dengan bentuk kotak
c. Hubungan atau pengaruh antar variable atau konstruk digambarkan dengan arah
panah tunggal.
3.5 EVALUASI MODEL
Setelah menggambar diagram jalur, maka model siap untuk diestimasi dan
dievaluasi hasilnya secara keseluruhan. Evaluasi model dalam PLS-SEM menggunakan
program WarpPLS 5.0 dapat dilakukan dengan menilai uoter model dan inner model.
Evaluasi model pengukuran atau outer model dapat dilakukan melalui analisis factor
konfrimatori (CFA) yaitu dengan menguji validitas dan reliabilitas item pembentuk
konstruk laten. Kemudian dilanjutkan dengan evaluasi model structural atau inner model
dan penguji signifikasi untuk penguji pengaruh antar konstruk atau variable.untuk lebih
jelasnya pembahasan mengenai evaluasi model PLS.
3.6 MELAPORKAN HASIL ANALISIS PLS
Setelas model PLS selesai diestimasi dan dievaluasi, maka langkah terakhir yang
harus dilakukan adalah melaporkan serta mengkomunikasikan hasil analisis tersebut.
Dalam melaporkan hasil analisis PLS kita dapat menggunakan pendekatan dua langkah
atau disebut juga dengan two-step approach. Dengan pendekatan dua langkah kita akan
 mulai dengan melaporkan semua hasil dari outer model kemudian dilanjutkan dengan
inner model.
BAB 4
KONSEPTUALISASI MODEL
4.1 PROSEDUR PENGEMBANGAN DAN PENGUKURAN KONSTRUK
Prosedur pengembangan dan pengukuran konstruk secara konvensional pertama
kali diperkenalkan oleh Gilbert Churchill pada tahun 1979 dalam bidang marketing.
Terdapat delapan tahapan prosedur yang harus dilewati dalam pengembangan dan
pengukuran konstruk yaitu:
1. Spesifikasi domain konstruk yaitu dengan mendefinisikan nkontruk secara
konsektual dan menentukan domain konstruk.
2. Tentukan item yang merepresentasi kontruk yaitu dengan menentukan multi-item
untuk mengukur konstruk.
3. Pengumpulan data untuk dilakukan uji pretest atau uji pendahuluan untuk
mengetahui apakah item-item tersebut dapat mengukur konstruk.
4. Purifikasi konstruk dengan menguji reliabilitas dan validitas dari konstruk laten.
5. Pengumpulan data baru diakibatkan karena adanya item atau indikator yang tidak
valid dan harus dikeluarkan atau di drop.
6. Uji reliabilitas setelah tahap purifikasi.
7. Uji validitas setelah tahap purifikasi.
8. Tentukan skor pengukuran konstruk untuk setiap item atau indikator.
4.2 KONSTRUK UNIDIMENSIONAL DAN MULTIDIMENSIONAL
Dalam model persamaan structural, penting bagi seorang peneliti untuk
memahami dimensionalitas suatu konstruk agar model dapat diestimasi dan dievaluasi
hasilnya. Padahal secara teoritis, dimensi suatu konstruk dapat berbentuk unidimensional
dan multidimensional. Perbedaan tersebut terjadi karena tiap konstruk memiliki level
abstraksi yang berbeda sehingga menuntut perlakuan yang berbeda pula dalam pengujian
statistiknya.
4.3 KONSTRUK DENGAN INDIKSTOR REFLEKSIF DAN FORMATIF
Pengukuran konstruk berbentuk refleksif berdasarkab pada ide bahwa konstruk
laten merupakan penyebab dari observed variable di tambah error dan konstruk
sepenuhnya dijelaskan oleh indikator jadi arah dari konstruk laten ke observet variable
berhubungan dengan setiap indikator dan sesuai dengan classical test theory.
Sebaliknya pengukuran konstruk berbentuk formatif mengasumsikan bahwa
setiap indikator atau observed variable menjelaskan konstruk laten untuk diukur. Jadi
arah dari indikator ke konstruk laten mempunyai masing-masing penyebab untuk
mengukur konstruk.
4.4 PEDOMAN MENENTUKAN ARAH INDIKATOR KONSTRUK
Untuk melakukan pengukuran model penting bagi seorang peneliti untuk
mengetahui arah indikator suatu konstruk, apakah bentuk refleksif ataukah formatif agar
 dapat mengevaluasi hubungan antara variable laten dengan indikatornya. Sering
ditemukan bahwa peneliti menggunakan indikator formatif untuk melakukan
oprasionalisasi konstruk refleksif dan sebaliknya jika peneliti menggunakan indikator
refleksif untuk melakukan oprasionalisasi konstruk formatif.
Untuk mencegah terjadinya kesalahan tipe 1 error dan tipe 2 error, maka penting
bagi peneliti untuk mengetahui arah indikator konstruk yang dibentuk. Memberikan
pedoman bagi peneliti dalam menentukan apakah arah indikator suatu konstruk
berbentuk refleksif atau formatif.

BAB 5
EVALUASI MODEL PLS
5.1 EVALUASI MODEL PENGUKURAN (OUTER MODEL)
Dalam pembentukan dan oprasionalisasi suatu kelompok dapat dibentuk dengan
indikator refleksif dan formatif. Evaluasi model pengukuran atau outer model dengan
konstruk berbentuk refleksif dalam PLS dapat dimulai dengan melihat nilai indikator
reliability yaitu besarnya variance dari indikator atau item untuk menjelaskan konstruk
laten dan composite reability untuk mengukur reabilitas konstruk secara keseluruhan.
Terkadang hasil analisis dari indikator reability menunjukan nilai yang rendah atau
kurang dari standar diatas. Terjadi kesalahan tipe 1 atau tipe 2 error dan terjadi kesalahan
dalam pengembangan skala pengukuran. Oleh karena itu peneliti kemudian mendrop
item tersebut untuk mendapatkan model yang fit.
5.2 EVALUASI MODEL STRUKTURAL (INNER MODEL)
Dalam menilai model structural atau inner model PLS, kita mulai dengan melihat
besarnya presentase variance yang dijelaskan yaitu dengan melihat nilai R-Squares untuk
setiap variable laten and dogen sebagai kekuatan prediksi dari model structural, stone-
geisser test untuk menguji prediktif relvance dan goodness of fit (GoF) untuk mengukur
vit model secara keseluruhan.

BAB 6
ANALISIS FAKTOR KONFIRMATORI FIRST-ORDER KONSTRUK
6.1 ANALISIS FAKTOR : EVA, CFA
Penelitian Spearman tentang struktur kemampuan mental merupakan
pengembangan mode analisis factor secara umum untuk mengetahui bagaimana
mengatur kemampuan mental dari analisis matriks korelasi untuk suatu cogniktife
variable yang diuji. Modifikasi ini tidak dilakukan dengan segera, tapi membutuhkan
waktu hingga empat decade lamanya. Diantara psychologist yang mempunyai
konstribusi besar dalam modifikasi ini adalah Louis Thurstone dengan 7 postulatnya.
Sebenarnya tidak hanya ada satu factor umum seperti yang dipostulatkan oleh Spearman
 melaikan ada beberapa kelompok factor umum yang disebut primary mental ability dan
dikembangkanlah multiple factor analisis.

6.2 PENGUJIAN CFA FIRST-ORDER KONSTRUK REFLEKSIF

Untuk memberikan gambaran mengenai analisis CFA first order konstruk dengan
indikator refleksif menggunakan program Warples misalkan kita inginn menguji model
TAM yang dimodifikasi yaitu pengaruh perceived use fulness, perceivedes of use dan
enjoyment terhadap attitude.
6.3 PENGUJIAN CFA FIRST ORDER KONSTURUK FORMATIF
Untuk memberikan gambaran mengenai analisis CFA first order konstruk fomatif
menggunakan program warples, misalkan kita ingin menguji model TAM yang
dimodifikasi yaitu pengaruh behavioural intention attitude terhadap teks use. Indikator
untuk konstruk behavioural intention dan konstruk attitude berbentuk reflektif sedangkan
indikstor konstruk tasik use berbentuk formatif. Data ini disimpan dalam file excel
dengan nama CFA FISRT ORDER KONSTRUK FORMATIF.

BAB 7
ANALISIS FAKTOR KONFIRMATORI SECOND-ORDER KONSTRUK
7.1 ANALISIS CFA SECOND-ORDER KONSTRUK
Pada bab ini hanya akan dijelaskan cara menganalisis CFA second-order konstruk
berbrntuk Type 1, sedangkan untuk type lainnya cara menganalisisnya sama saja dengan
contoh tersebut. Misalnya kita ingin mengujikonstruk response strategies yang terdiri
dari empat konstruk dimensi yaitu considerate voice, creative voice, aggressive voice dan
opportunism.
7.2 ANALISIS CFA THIRD-ORDER KONSTRUK
Pada contoh sebelumnya kita hanya menganalisis CFA second-order konstruk
menggunakan pendekatan Two- Stage Approach. Namun sesungguhnya suatu konstruk
dapat juga berbentuk third-order bahkan fourth-order konstruk. Untuk memeberikan
gambaran mengenai hal ini misalnya kita memodifikasi contoh yang dilakukan oleh
Wetzels et al. (2009,p. 186). Misalnya kita ingin menganalisis CFA-third-order konstruk
hedonic value.

BAB 8
ANALISIS PLS-SEM DENGAN MODEL RECURSIVE
8.1 MODEL RECURSIVE DENGAN INDIKATOR REFLEKSIF
Untuk menganalisis model recursive dengan konstruk reflektif kita gunakan
pendekatan dua langkah (two-step approach) yang direkomendasikan oleh Anderson dan
Gerbing (1998, p. 418). Walaupun pendekatan ini awalnya ditunjukan untuk CB-SEM,
 kita juga dapat menggunakannya untuk PLS-SEM. Pertama lakukan evaluasi outer
model untuk menguji reliabilitas dan validitas konstruk dan kedua lakukan evaluasi inner
model untuk menguji besarnya variance yang dapat dijelaskan dan signifikansi statistic.

8.2 MODEL RECURSIVE DENGAN INDIKATOR FORMATIF

Untuk menganalisis model recursive dengan indikator formatif sama seperti
pengujian sebelumnya akan menggunakan pendekatan dua langkah. Untuk evaluasi outer
model sudah kita lakukan sebelumnya melalui analisis CFA first-order konstruk dan
semua konstruk telah memenuhi uji reliabilitas dan validitas.

BAB 9
ANALISIS PLS-SEM DENGAN EFEK MEDIASI
Karena pentingnya efek mediasi dalam penelitian-penelitian ilmu social dan sains
secara umum efek mediasi atau mediator menunjukan hubungan antara konstruk eksogen dan
endogen melalui variable penghubung atau antara. Artinya variable eksogen terhadap
variable endogen bias secara langsung tetapi juga bias melalui variable penghubung atau
mediator (Baron dan Kenny 1986, p. 1176; Judd dan Kenny 1981a; Mackinnon 2008, p. 8).
Terdapat tiga pendekatan utama yang dapat digunakan untuk menganalisis model
dengan efek mediasi antara lain:
1. Causal Step Approach
2. Different in Coefficients Approach
3. Product of Coefficients Approach
9.1 ANALISIS MODEL PLS DENGAN SINGLE-MEDIATOR
Untuk memberikan gambaran analisis model PLS dengan Single-mediator,
misalnya kita ingin memodifikasi penelitian yang dilakukan oleh Helm et al. (2020,
p.520) yaitu mengetahui hubungan antara corporate reputation, custemrn satisfaction dan
customer loyalty. Sebelum kita menganalisis model structural secara keseluruhan terlebih
dahulu kita harus melewati tahapan CFA frist-order konstruk untuk memastikan apakah
indikator-indikator konstruk merupakan indikator pembentuk konstruk laten dengan
menguji reliabilitas dan validitas item. Jika hal tersebut tidak terjadi atau tidak signifikan
maka pengujian efek mediasi tidak dapat di lanjutkan.
9.2 ANALISIS MODEL PLS DENGAN MULTIPLE-MEDIATOR
Untuk memberikan gambaran analisis model PLS dengan Multiple-mediator,
misalnya kita ingin memodifikasi penelitian yang dilakukan oleh Ishak Soebekti (2002).
Ishak meneliti hubungan antara konstruk komitmen organisasi, komitmen professional,
kinerja kerja, dan kepuasan kerja para auditor yang bekerja di badan pengawasan
keuangan dan pembangunan (BPKP). Berdasarkan padakajian teori yang ada dan hasil-
hasil penelitian sebelumnya diajukan model hubungan antara konstruk seperti rerangka
pemikiran teoritis ini di ajukan hipotesis sebagai berikut:
 H1 : semakin tinggi tingkat komitmen professional auditor BPKP akan meningkatkan
komitmen organisasi mereka terhadap institusinya
H2 : semakin tinggi tingkat komitmen Organisasi auditor BPKP, Semakin tinggi
tingkat Kinerja kerja mereka
H3 : semakin tinggi tingkat komitmen kepuasan kerja auditor BPKP, Semakin tinggi
tingkat Kinerja kerja mereka
H4 : semakin tinggi tingkat komitmen professional auditor BPKP semakin tinggi
tingkat kepuasan kerja mereka
H5 : semakin tinggi tingkat komitmen professional auditor BPKP semakin tinggi
tingkat kinerja kerja mereka
H6 : semakin tinggi tingkat komitmen Organisasi auditor BPKP semakin tinggi
tingkat kepuasan kerja mereka

BAB 10
ANALISIS PLS-SEM DENGAN EFEK MODERASI
Penguji model dengan variable moderasi untuk analisis interaksi mensyaratkan
spesifikasi dari variable moderator, seperti yang diketahui dari moderated regression analysis
(MRA) merupakan cara umum yang digunakan didalam analisis regresi linear berganda
untuk menguji efek interaksi dengan memasukan variable letiga berupa perkalian antara dua
variable independent (eksogen) sebagai vareiabel moderating. Pendekatan yang digunakan
untuk menganalisis efek interaksi dalam PLS adalah sebagai berikut:
1. Product indicator approach
2. Two-stage approach
3. The hybrid approach
4. Yhe orthogonalizing approach
5. Two-stage least squares approach
10.1 ANALISIS MODEL DENGAN TWO-WAY INTERACTIONS
Model denga two-way interactions mengasumsikan bahwa didalam model
hanya terdapat satu variable moderator atau sering disebut simple-moderator. Misalnya
kita ingin mengetahui pengaruh perceived presence terhadap enjoyment dengan
telepresence sebagai variable pemoderasi. Sebelum kita menganalisis model konstruk
sevara keseluruhan terlebih dahulu kita harus melewati tahapan CFA first-order
konstruk untuk menguji reliabilitas dan validitas item atau indikator pembentuk
konstruk laten.
10.2 ANALISIS MODEL DENGAN THREE-WAYINTERCTIONS
Pada contoh kasus tertentu terkadang model yang dibangun mempunyai lebih
dari satu variable moderator. Cara menganalisis sama dengan two-way interactions dan
three-way intractions untuk memberikan contoh analisis three-way interactions kita
gunakan model penelitian perilaku auditor sebelumnya dengan menambahkan dua
 variable moderator yang diduga dapat mempengaruhi hubungan antara variable
komitmen professional dan kepuasan kerja yaitu ketidakpastian lingkungan dan
ketidakpastian perilaku.

BAB 11
ANALISIS PLS-SEM DENGAN MULTIGROUP
Pada bab-bab sebelumnya hanya menganalisis model PLS dengan menggunakan satu sample
tunggal. Akan tetapi analisis PLS-SEM dapat juga digunakan menggunakan multi sampel.
Analisis multigroup atau sering disebut juga analisis multisampel bertujuan untuk
membandingkan analisis data berdasarkan karakteristik sample dengan dua atau lebih data
set. Selain itu data analisis multigroup juga dilakukan karna data penelitian bersifat heterogen
sehingga mebagi data menjadi beberapa segment, pada program warpPLS 5.0 sudah
ditambahkan graph untuk mengatahui jumlah segment tersebut, jika jumlah segment sudah
diketahui maka kita akan dapat langsung melakukan analisis multigroup. Terdapat empat
pendekatan yang dapat digunakan untuk melakukan analisis multigroup dalam PLS yaitu:
1. Parametric approach
2. Permutation approach
3. Bootsrapping approach
4. Omnibus test of group differences
11.1 MENDETEKSI PROBLEM HETEROGENITAS DENGAN WarpPLS 5.0
Graph ini hanya dapat digunakan jika hubungan dalam model berbentuk non-
linear. Atau dengan kata lain, terdapat variable eksternal atau moderating yang
berbentuk kategorikal.kita ingin mengetahui pengaruh team project management
(prjmgt) terhadap Efficiency (effi) tanpa menggunakan gender sebagai variable
moderator sehingga data yang di gunakan adalah analisis uoter model.

BAB 12
ESTIMASI MODEL PLS DENGAN VARIABEL KONTROL
Dalam satu riset terkadang peneliti memasukan variable control untuk meminimalkan
pengaruh satu efek dari extraneous variable, jika variable control sixe juga signifikan
terhadap variable kinerja nperusahaan maka kita dapat menjadikannya sebagai variable
moderator dan menambahkan analisis multigroup untuk tahap selanjutnya. Perlu diketahui
penambahan variable control tersebut tidak perlu untuk dibuat hipotesis dan signifikan atau
tidaknya variable control yang dimasukan kedalam model tidak dapat diinterprestasikan
hasilnya.
Beberapa peneliti akhirnya mengkritik penggunaan control variable dengan mengemukakan
beberapa alas an sebagai berikut (pedhazur 1997, p. 170).
 1. Penggunaan variable control sering menimbulkan masalah suppression yang tidak
dapat dijelaskan.
2. Banyak peneliti yang tidak menjelaskan secara detail alas an mereka untuk
menggunakan variable control secara teoritis.
3. Penggunaan variable control dapat mempengaruhi hasil statistic sehingga terjadi
kesalahan dalam penarikan kesimpulan
4. Penggunaan demograhic variable sebagai control seperti gender dan age kurang tepat
untuk digunakan
BAB 13
ESTIMASI MODEL PLS DENGAN HIGHER-ORDER KONSTRUK
Model PLS dengan higher-order konstruk menggunakan pendekatan PLS. kita akan
mengguanakan contoh penelitia yang dilakukan oleh Chin dan Gopal (1995) yaitu
menganalisis factor-faktor yang mempengaruhi niat untuk mengadopsi group support system
(GSS). Pendekatan yang akan kita gunakan untuk mengestimasi model PLS dengan Higher-
order konstruk ini yaitu menggunakan pendekana two-stage approach sama seperti
pendekatan untuk menguji efek interaksi (Kock 2011, p. 5; Latan dan Ghozali 2013, p. 286;
Ringle et al. 2012, p. 8).
Stage 1 : kita menggambar konstruk beserta indikatornya, kemudian jalankan
Algorithm PLS untuk mendapatkan skor variable laten.
Stage 2 : input laten variable score sebagai indikaror konstruk higher-order dan
konstruk lainnya dalam model kemudian evaluasi model konstruknya.

BAB 14
REGRESI DAN PATH ANALYSIS
Dijelaskan penerapan partial least square untuk menganalisis model regresi berganda
dan model analisis jalur. Di desain khusus untuk mengatasi masalah-masalah dengan regresi
berganda seperti jumlah pengamatan terbatas, banyaknya data yang hilang (missing) dan
korelasi antara variable independent tinggi seperti terjadi pada bidang kimia.
14.1 ANALISIS REGRESI BERGANDA
Regresi berganda PLS berdasarkan data dari survey terhadap 407 responden
berkaitan dengan tingkat Pendidikan (Educ) yaitu lamanya Pendidikan dalam tahun,
gaji akhir dalam ribuan dollar (salary), gaji awal dalam ribuan dollar (salbegin) dan
pengalaman bekerja sebelumnya dalam bulan (prevexp).
14.2 ANALISIS JALUR (Path Analysis)
Model regresi berganda di atas secara teoritis dapat dikembangkan lebih lanjut
menjadi model analisis jalur. Lamanya Pendidikan (educ) dapat berpengaruh langsung
ke gaji akhir (salary), tetapi dapat juga berpengaruh tidak langsung lewat gaji awal
(selbegin) dahulu, bar uke gaji akhir (salary).
BAB 15
ESTIMASI MODEL PLS DENGAN DATA PANEL DAN TIME-SERIES
Data panel merupakan data yang dikumpulkan dari observasi untuk beberapa tahun tentu baik
itu dari persahaan atau negara dan sebagainya dalam periode waktu tertentu, jadi besarnya
data panel dan data time-series tidak dihitung berdasarkan objek seperti pada data cross-
section, melaikan dihitung berdasarkan jangka wakktu tertentu. Keuntungan dari data panel
adalah sebagai berikut :
a. Data panel dapat mengontrol masalah heterogeneity yang sering ditimbulkan pada
data time-series dan cross-sectional
b. Data panel memberikan banyak informasi dan efissiensi mengurangi masalah
collineartity antar variable karena merupakan kombinasi data cross-section dan time-
series
c. Dapat digunakan pada studi yang bersifat dynamics of change
d. Data panel dapat digunakan untuk model yang bersifat komlikasi
e. Data panel dapat meminimalkan bias dari jumlah data yang besar
15.1 ESTIMASI MODEL PLS DENGAN DATA PANEL
Untuk meberikan contoh analisis dengan data panel dengan menggunakan PLS,
perlu diketahui untuk analisis model PLS dengan variable observed menggunakan data
panel dengan bantuan prograb WarpPLS, kita tidak perlu melakukan pengukuran model
(measurement model) untuk menguji reliabilitas dan validitas, sehingga langsung
dilakukan estimasi model structural.

BAB 16
FULL MODEL STRUKTURAL PENELITIAN PERILAKU AUDITOR
16.1 HASIL ANALISIS CFA KONSTRUK
berdasarkan hasil output ini kita lihat loading indikator untuk masing-masing
latent variable, nilai loading yang di bawah 0,6 kita drop karena dianggap tidak valid,
jadi untuk variable laten kom_Org yang nilai loadingnya di bawah 0,6 adalah indikator
KO2, KO3, KO4, KO9, dan KO10. Sedangkan untuk variable latent kep_kerj ada dua
indikator yang nilai loadingnya di bawah 0.6 yaitu KK4 dan KK5. Indikator-indikator
yang nilainya dibawah 0.6 kita drop dan model kita run ulang setelah mendrop
indikator yang tidak valid.
d

BAB 17
FULL MODEL STRUKTURAL DENGAN VARIABEL MODERATING
Pada bab ini diberikan contoh model komprehensif dengan variable moderator dengan
menggunakan contoh penelitian pada bab sebelumnya. Pada model ini ketidak pastian prilaku
mempengaruhi hubungan antara komitmen professional dan kepuasan kerja. Jadi
ketidakpastian perilaku merupakan variable moderator.

Komitmen
Organisasi

Komitmen Kinerja
Peofessional
Kerja

Kepuasan
Kerja
Ketidakpastian
perilaku

Gambar Model structural dengan Variabel Moderating