Partial Least Square (PLS) menurut Wold merupakan metode analisis yang powerful oleh

karena tidak didasarkan banyak asumsi. PLS sebagai teknik analisis data dengan software Warp
PLS. WarpPLS adalah software aplikasi yang dikembangkan oleh Ned Kock menggunakan
Matlab compiler dan Java. Software ini dapat menganalisis model SEM yang berbasis varian
atau lebih dikenal dengan Partial Least Square. Model analisis SEM dengan WarpPLS dapat
mengidentifikasi dan mengestimasi hubungan antar variabel laten apakah hubungan tersebut
bersifat linier atau non linier. Ada 4 pilihan estimasi model yaitu :
1. Warp3 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi
berbentuk kurva "S" (S curve).
2. Warp2 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi
berbentuk kurva "U" (U curve)
3. PLS Regression : Hubungan antar variabel laten diidentifikasi dan estimasi bersifat
linier.
4. Robust Path Analysis : untuk mengetahui/menghitung skor faktor dari rata-rata nilai
semua indikator dengan variabel latennya.
Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi
normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat
digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Walaupun PLS
digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau
tidaknya hubungan antara variabel laten. PLS dapat menganalisis sekaligus konstruk yang
dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan
dalam Structural Equation Model (SEM) karena akan terjadi unidentified model. PLS
mempunyai dua model indikator dalam penggambarannya, yaitu:

a. Model Indikator Refleksif

Model Indikator Refleksif sering disebut juga principal factor model dimana covariance
pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk
laten. Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips
denganbeberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa
perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Model Indikator
Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan
semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang
sama reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu
konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan
 berubah jika satu indikator dihilangkan.

b. Model Indikator Formatif

Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi
mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas
mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama
menentukan konsep atau makna empiris dari konstruk laten. Oleh karena diasumsikan bahwa
indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling
berkorelasi, tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau
secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar
indikator, karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan
untuk menguji reliabilitas konstruk formatif. Kausalitas hubungan antar indikator tidak menjadi
rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach
alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk
laten. Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada
nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah
dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk
laten dan merubah makna dari konstruk.

Langkah – langkah (standar) Analisis Data dengan PLS

Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS,
adalah sebagai berikut:

1. Merancang Model Struktural (Inner Model)

Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan
pada substantive theory. Perancangan Model Struktural hubungan antar variabel laten
didasarkan pada rumusan masalah atau hipotesis penelitian.

2. Merancang Model Pengukuran (Outer Model)

Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator
berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat
indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan
definisi operasional variabel.
3. Konversi Diagram Jalur ke Sistem Persamaan

a. Model persamaan dasar dari Inner Model dapat ditulis sebagai

berikut: Ŋ = β0 + βŋ + Гξ + ζ
Ŋj = Σi βji ŋi + Σi үjb ξb + ζj

b. Model persamaan dasar Outer Model dapat ditulis sebagai

berikut: X = Λx ξ + εx Y = Λy ŋ + εy

4. Estimasi : Weight, Koefisien Jalur, dan Loading

Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least
square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan
berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3
hal, yaitu:
 Weight estimate yang digunakan untuk menghitung data variabel laten.

 Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara
variabel laten dengan indikatornya.
 Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan
variabel laten.

5. Evaluasi Goodness of Fit

Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi
yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur
seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya.
 Q2 = 1 – ( 1 - R12 ) ( 1 – R22 ) … (1 – Rp2)
Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).

6. Pengujian Hipotesis (Resampling Bootstraping)

Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang
dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t.
Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas
(distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan
sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan
test, bilamana diperoleh p-value <>

Contoh:
Tahap 1 Tabulasi Data
Input data melalui excel dan simpan dalam bentuk File NotePad (txt). Dengan cara klik Save
As pilih Other Formats beri anama file misalnya TAS. Pada kolom Save As type pilih text
(tab delimited) lalu klik save.

Tahap 2 Menjalankan Program WarpPLS3.0

a. Jalankan program VPLS dengan mengklik shortcut program WarpPLS 3.0

desktop layar komputer
b.

Muncul tampilan jendela program WarpPLS 3.0

c. Klik Proceed to use software

d. Analisa melalui lima langkah

Langkah 1 : Membuka atau membuat file proyek

Membuat proyek atau pekerjaan baru dengan klik Create Project File dalam hal ini
kami memberi nama kelompok 2 belajar PLS dan disimpan dalam file komputer.
File akan tersimpan dalam bentuk “.prj” dan telah berisi komponen yang telah
berisi komponen yang diperlukan dalam melakukan analisis SEM.
Langkah 2 : Membaca data mentah yang akan digunakan dalam
anailsis SEM Pembacaan data mentah dengan klik Read Raw Data
File.

Selanjutnya memakai data BAR dalam bentuk notepad teks.

 S
elanjutnya klik Open, maka akan muncul jendela dengan judul Import Wizard
Selanjutnya klik Next lalu Finish sehingga muncul jendela sepeti ini :

Dalam langkajh ini diharapkan dilakukaj pemeriksanaan data tabulasi awal dan
format yaitu jumlah observasi pada baris dan nama-nama indikator variabl latn pada
kolom, jika sudah benar maka klik Dalam langkajh ini diharapkan dilakukaj
pemeriksanaan data tabulasi awal dan format yaitu jumlah observasi pada baris dan
nama-nama indikator variabl latn pada kolom, jika sudah benar maka klik YES jika
belum maka daiadakan peengcekan ulang dengan terlebih dahulu menghentikan
program.

Langkah 3 : Pre-Process data untuk analisis SEM

Klik Pre-Process

Biasanya tampilan menunjukkan tidak ada masalah dalam data, seperti missing Vales,
Zero Variance Problem dan Rank Problems. Seingga muncul data yang telah
terstandarisasi. Data yang terstandarisasi umumnya bernilai antara -4 sampai dengan 4.
Jika ada Missing Values maka akan menjadi nol karena diganti dengan nilai rata-rata
indikator pada kolom

Langkah 4 : Mendefinisi Model SEM

Klik proses 4

a) Menggambar variabel laten dan mengisinya dengan indikator

Letakkan kursor pada bidang untuk menggambar, lalu klik dan akan muncul
jendela :
Procdural Fairnes (PF)
 Dan seterusnya sampai selesai pada model yang diharapkan

b) Membuat hubungan langsung (direct llink) dan hubungan moderasi (moderating

link)

yang disebut sebagai Inner Model.

Kemudian klik Save dan muncul

 Langkah 5 : Menjelaskan Analisis SEM dan melihat hasilnya

Klik Perform SEM Analysis

Pembacaan output:

1. General Result :
Nilai P untuk APC dan ARS harus lebih kecil dari 0,05 berarti signifikan. Dari hasil
tersebut dapat dilihat bahwa nilai P untuk APC dan ARS lebih kecil dari 0,05. Nilai AVIF
sebagai indikator multikolinearitas harus lebih kecil dari 5. Dari data tersebut didapat nilai
1,246 maka nilai AVIF memenuhi kriteria.
2. Path Coefficients and P values

Kolom mnunjukkan cvariabl laten prediktor dan baris menunjukkan variabel laten
kriterion. Dari hasil tersebut koefoisien jalur pengaruh prosedural fairness (PF)
terhadfap Trust 0,381 dan signifikan pada 0,000. Goal Test terhadap PF 0,47 dan
signifikan pada 0,000. Goal set terhadap Trust 0,30 tetapi tidak signifikan karena
nilai p = 0,06. PF terhadap Goal commitmen sebesar 0,458 dengan signifikan pada
0,000. Trust terhadap Goal Com sebesar 0,073 dengan nilai p = 0,295.
3. Standar Errors and Effect Size for Path Coeficient
Nilai effect size dikelompokkan menjadi tiga kategori yaitu lemah (0,02) medium (0,15) dan
besar (0,35). Jika nilai effect size sebesar 0,20 menunjukkan bahwa pengaruh variabel laten
prediktor sangat lemah dari pandangan praktis meskipun mempunyai nilai p yang signifikan.
4. Output Combined loadings and Cross-loadings

Terdapat 2 lriteria untuk meilai apakah outer model memenuhi validitas

konvergen untuk konstruk yang relatif.
a. Loading harus diatas nilai 0,70

b. Nilai signifikansi (<0,50)

 Dari hasil tersebut didapatkan PF1 terhadap PF sebesar 0,909 dan ke Goal Set
-0,043 dan seterusnya.
5. Output patterns loading and cross-loadings

Output ini jarang dipakai karena sudah dijelaskaan pada tahap sebelumnya.

6. Structure Loading and Cross-Loadings

Output ini jarang digunakan karena belum memunculkan nilai P.

7. Indicator Weight

Karena dari tahap awal menggunakan konstruk relatif maka output ini mnjadi tidak
relevan dalam laporan penelitian. Tetapi jika memakai variabel laten formatif maka
akan disajikan, tetapi dikatakan variabel tersebut telah dikatakan layak dinilai
apabila pada bobot P nilai
<0,05 dan nilai VIF kurang dari 3,3.
8. Laten Variabl Coefficients
 Nilai R-square menunjukkan berapa presentase variasi konstruk endogen dapat
dijelaskan oleh konstruk yang dihipotesiskan mempengaruhinya (eksogen). Dari data
diatas dapat dilihat nilai R-square trust 0,331 menunjukkan bahwa variasi kinerja
dapat dijelaskan sebesar 33,1% oleh variasi Pf dan goal Com. Disini terdapat dua
kriteria pengukuran reliabilitas yaitu dengan cronbach alpha maupun composit
reliabilty. Dimana nilai nya diatas 0,70. Nilaia AVE selain untuk reliabilitas bisa
dipergunakan sebagai validitas konvergen. Nilai VIF harus kurang dari 3,3 untuk
menunjukkan bahwa model bebas dari masalah kolinearitas dan common method
bias.
9. Correlations among latent variables

Output ini dipergunakan untuk evaluasi validitas diskriminan . kriteria yang

dipergunakan adalah akar kuadrat AVE. Yaitu kolom diagonal yang diberi tanda
kurung harus lebih tinggi dari korelasi antarvariabel laten pada kolom yang sama.
10. VIF

Bagian ini menunjukkan apakah model mempunyai maslah dalam kolinaritas

vertikal, jika menunjukkan angka kurang dari 3,3 maka menunjukkan bebas dari
kolinearitas.
11. Correlation among Indicators

Tampilan ini hanya menunjukkan korelasi antar indikator.

12. Linear and Non linear Realtionship among Latent variabel

13. Inderect and Total Effect

MODERATING VARIABLE
Merupakan variabel yang keberadaannya mempengaruhi besarnya HUBUNGAN/PENGARUH
antara independent dan dependent variabel.

Contoh:

Penjelasan: Banyaknya buku akan berpengaruh terhadap kemampuan membaca seorang anak.
Tetapi, kecakapan baca-tulis orang tua juga akan MENINGKATKAN PENGARUH antara
banyaknya buku dan kemampuan membaca.

Contoh:

Penjelasan: DISCOUNT berpengaruh terhadap PURCHASE INTENTION, di mana semakin

besar DISCOUNT yang diberikan, semakin besar pula PURCHASE INTENTION-nya. Namun,
jika di masyarakat terdapat NEGATIVE WORD-OF-MOUTH, pengaruh DISCOUNT terhadap
PURCHASE INTENTION yang tadinya besar akan BERKURANG. Saya sendiri pernah
melakukan riset tentang hal ini dan berhasil membuktikan bagaimana negative WOM akan
mengurangi besarnya pengaruh antara diskon dan purchase intention.
INTERVENING VARIABLE
Menurut Sugiyono (2009: 19), variabel intervening adalah variabel yang secara teoritis
mempengaruhi hubungan antara variabel independen dengan variabel dependen menjadi
hubungan yang tidak langsung dan tidak dapat diamati dan diukur. Variabel ini merupakan
variabel penyela/antara variabel independen dengan variabel dependen, sehingga variabel
independen tidak langsung mempengaruhi berubahnya atau timbulnya variabel dependen.

Contoh: