Structure Equation Model

Partial Least Square (SEM-PLS)

dengan SmartPLS
Wahyu rafdinal, S.E., M.M.
Daftar Isi
1. Konsep Partial Least Square
2. Model PLS dalam SmartPLS
3. Kalkulasi PLS Algorith
4. Kalkulasi PLS Bootstrap

2
Konsep Partial
Least Square

3
 Kapan PLS Digunakan?
PLS CB-SEM
Variance based SEM Covariance Based SEM
Tujuan Prediksi Konfirmasi teori
Normalitas Tidak diperlukan (non-parametrik) Perlu (Parametrik)
Ukuran Sample > 30 data > 200 data

Jumlah indicator Maksimal 1000 Malsimal 100

Software SmartPLS, WorpPLS, PLS-PM, Tetrad AMOS, Lisrell, EQS, M-Plus

4
 Konstruk dalam PLS

Konstruk
Atau disebut variable laten, dalam model PLS
konstruk digambarkan dalam bentuk lingkaran.
Indikator
Atau disebut sebagai item atau variabel manifes
atau observed variables. Indikator adalah
pengamatan yang terukur langsung (data
mentah) yang digambarkan dalam bentuk
persegi panjang.

5
Structure Model (Inner Model)
⬡ Structure model adalah model yang menggambarkan
hubungan antar variabel laten (konstruk).

6
 Measurement Model
(Outer Model)
⬡ Measurement model adalah model yang mendeskripsikan hubungan antar
variabel laten (konstruk) dengan indikatornya.

7
Persiapan Data

8
 Persiapan Data di SPSS
⬡ Siapkan data yang akan diolah di SPSS. Untuk SmartPLS versi Student,
maksimal sampel hanya 100.

9
 Persiapan Data di SPSS
Simpan data tersebut:
⬡ Pada “File name”. Ketikkan nama file Anda, misalnya “Data”
⬡ Pada “Save as type”, pilih “Comma delimited (*CSV)”, dan “SAVE”

10
Tampilan data format .csv

Wahyu Rafdinal, S.E., M.M.

Membuat Model
di SmartPLS
 Membuat proyek analisis
⬡ Klik “New Project”
⬡ Ketikkan nama project, misalnya “Belajar PLS”. Kemudian klik “OK”
 Memasukan Data
⬡ Klik 2 kali pada “Double-click to import data”
⬡ Pilih data “Data penelitian”. Kemudian klik “open” dan klik “ok”
Memasukan data
 Membuat Model Penelitian
⬡ Klik 2 kali pada proyek “Belajar PLS”. Sehingga muncul canvas model
 Membuat Model Penelitian

⬡ Blok indikator A1 sampai A5,

lalu Tarik/drag ke canvas model
⬡ Blok indikator B1 sampai B3,
lalu Tarik/drag ke canvas model
⬡ Blok indikator C1 sampai C6,
lalu Tarik/drag ke canvas model
 Merapikan Model Penelitian
⬡ Klik kanan pada gambar
Latent variable 2, pilih
“Align Indicators Bottom”
untuk memposisikan
indikator-indikator berada
di bawah variabel laten 2.
⬡ Klik kanan pada gambar
Latent variable 3, pilih
“Align Indicators Right”
untuk memposisikan
indikator-indikator berada
di kanan variabel laten 3.
 Memberikan pengaruh antar variabel

⬡ Klik “Connect” untuk mengaktifkan

pembuatan garis pengaruh
⬡ Klik pada latent variable 1 dan klik pada
latent variable 2
⬡ Klik pada latent variable 1 dan klik pada
latent variable 3
⬡ Klik pada latent variable 2 dan klik pada
latent variable 3
⬡ Klik “Select” untuk “menonaktifkan”
pembuatan garis pengaruh
 Mengganti nama latent variable

⬡ Klik kanan pada gambar “Latent

Variable 1”
⬡ Klik “Rename”
⬡ Ketik “Variabel A
⬡ Klik OK
⬡ Lakukan cara yang sama untuk
merubah nama variabel lainnya:
Latent Variable 2 menjadi Variabel B,
Latent Variable 3 menjadi Variabel C
PLS Algorithm
PLS Algorithm
Metode PLS Path Modeling ini dikembangkan oleh Wold (1982).
Pada dasarnya, algoritma PLS adalah rangkaian regresi. Dengan kalkulasi
PLS Algorithm, maka diperoleh informasi yang akan digunakan untuk
menganalisis data penelitian, khususnya untuk melihat nilai-nilai yang
biasa digunakan untuk analisis outer PLS-SEM (measurement model
seperti validitas kovergent dan validitas diskriminan
 Pls Algorithm
⬡ Klik “Calculate”
⬡ Klik “PLS Algorithm
⬡ Klik “Start calculation”
Output PLS Algorithm
Dalam melakukan evaluasi measurement model,
dilakukan analisis convergent dan discriminant validity.
Validitas konvergen mempunyai makna bahwa
seperangkat indikator mewakili satu variabel laten dan
yang mendasari variabel laten tersebut. Menurut Chin
(1998), dalam menganalisis convergent validity, nilai
composite reliability dan Cronbach’α dari setiap konstruk
harus diatas 0.7. Kemudian, nilai average variance
extracted (AVE) harus diatas 0.5 (Hair et al., 2017). Outer
loading harus diatas 0.7 (Hair et al., 2017).
Sedangkan, validitas diskriminan mempunyai makna
bahwa dua konsep berbeda secara konspetual harus
menunjukkan keterbedaan yang memadai. Maksudnya
ialah seperangkat indikator yang digabung diharapkan
tidak bersifat unidimensional. Pengukuran validitas
diskriminan menggunakan kriteria yang disampaikan
Fornell-Larcker (Fornell and Larcker, 1981).
 Output PLS Algorithm
Outer loading Construct reliability and Discriminant validity
validity
Bootstrapping
⬡ Bootstraping dilakukan dengan menerapkan prosedur resampling
(pengulangan sampel) dengan kalkulasi computer.
⬡ Bootstraping adalah suatu prosedur non-parametrik untuk memecahkan
masalah data yang tidak normal dan jika jumlah sampel yang sedikit.
⬡ Di dalam bootstrapping, sub-sampel diciptakan dengan pengamatan acak
diambil (dengan penggantian) dari data set asli. Untuk memastikan
konsistensi hasil, jumlah sub-sampel harus menjadi besar. Untuk
pemeriksaan awal, kita dapat menggunakan sejumlah kecil bootstrap sub-
sampel yaitu 500. Untuk persiapan hasil akhir, bagaimanapun, peneliti
harus menggunakan sejumlah besar yang umum digunakan adalah 2.000.
Bootstrapping
⬡ Klik Kembali gambar/tab “Belajar PLS”.
Kemudian “Calculate” dan Klik
“Bootsrapping”.
 Bootstrapping
⬡ Ganti sub-sample menjadi 2,000. Kemudian pilih “complete
bootstrapping”. Klik “Start calculation”.
 Output Structure Model

⬡ Path coefficient menampilkan

pengaruh langsung antar variable
⬡ Indirect effect menampilkan
pengaruh tidak langsung variable
⬡ Total effect menampilkan
pengaruh total terhadap variable
endogen

Wahyu Rafdinal, S.E., M.M.

 Menguji kelayakan model
Dalam analisis structural model (inner model), penilaian kualitas model didasarkan
pada kemampuannya untuk memprediksi konstruksi endogen. Kriteria yang
digunakan seperti: Koefisien determinasi (R2), cross-validated redundancy (Q2), path
coefficients, and the effect size (f2) (Hair et al., 2017).
R Square
Ukuran proporsi variasi nilai variabel yang
dipengaruhi (endogen) yang dapat dijelaskan
oleh variabel yang mempengaruhinya
(eksogen).
Kriterianya:
nilai R2 = 0,75 → substansial (besar/kuat)
nilai R2 = 0,50 → moderate (sedang)
nilai R2 = 0,25 → lemah (kecil)
F Square
Ukuran yang digunakan untuk menilai dampak
relatif dari suatu variabel yang mempengaruhi
(eksogen) terhadap variabel yang dipengaruhi
(endogen).
Kriterianya:
nilai f2 = 0,02 → Kecil/buruk
nilai f2 = 0,15 → Sedang
nilai f2 = 0,35 → Besar/baik
33