MODUL V

SMART PLS

DISUSUN OLEH:

NAMA : CINDY AMALIA AMIR

STAMBUK : 091 2020 0082

KELAS : C4

LABORATORIUM KOMPUTASI & MULTIMEDIA

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS MUSLIM INDONESIA

MAKASSAR

2021
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu pelatihan yang dibutuhkan dalam rangka mendorong

mahasiswa dalam meningkatkan penelitiannya adalah memperkaya

pengetahuan dalam metode analisa penelitian kuantitatif dalam mengolah

data statistik. Salah satu aplikasi yang terbaru dan mudah digunakan dalam

mengolah data statistik adalah SmartPLS. Dalam melaksanakan penelitian

kuantitatif yaitu dengan mengumpulkan data statistik yang kemudian

dianalisa dan dilaksanakan dengan mempertimbangkan jenis data,

responden, cara memperoleh data, waktu pengambilan data, dan subjek

dimana data diperoleh. Penggunaan SmartPLS dapat meningkatkan kualitas

dosen dalam melaksanakan penelitian. Penggunaan SmartPLS dalam

meningkatkan kemampuan dalam melaksanakan penelitian sehingga dapat

meningkatkan karier dosen dalam menunjang jabatan akademik. Untuk

mengatasi permasalahan tersebut maka diberikan pelatihan dalam

menggunakan perangkat lunak SmartPLS sehingga adanya pembinaan dan

pendampingan terhadap penelitian yang dilaksanakan.

Desain PLS dibuat untuk mengatasi keterbatasan metode SEM. Pada

metode SEM mengharuskan data berukuran besar, tidak ada missing

values, harus berdistribusi normal, dan tidak boleh memiliki multikolinieritas,

sedangkan pada PLS menggunakan pendekatan distribution free dimana

data dapat berdistribusi tertentu. Metode Stuctural Equation Modeling (SEM)

dengan menggunakan Partial Least Square (PLS) atau PLS-SEM. Dalam

model PLS-SEM dibutuhkan variabel laten endogen-eksogen dan variabel

teramati/indikator (Mun’im, 2015). Model PLS-SEM terdiri tiga komponen,

yaitu model struktural, model pengukuran, dan skema pembobotan. Model

 struktural dalam PLS-SEM di kenal dengan model bagian luar (outer model)

dan model bagian dalam (inner model) (Sarwono, 2016).

1.2 Tujuan Praktikum

Adapun tujuan praktikum yang dilakukan adalah :

1. Mahasiswa dapat mengetahui perbedaan hubungan dengan pengaruh.

2. Mahasiswa dapat menyelesaikan risetnya menggunakan Smart PLS.

 BAB II

TINJAUAN PUSTAKA

2.1 SmartPLS

Pengertian SmartPLS menurut (Latan, 2012) merupakan teknik alternatif

dari SEM berbasis variance seperti AMOS dan LISREL. Software ini

dikembangkan oleh Institut Of Hamburg Jerman. Aplikasi ini digunakan

untuk grafis pemodelan jalur dengan variabel laten (LVP). The Partial Least

Squares (PLS) - method (PLS) yang digunakan untuk menganalisis software

ini yang digunakan untuk analisis LVP-in software ini.

SmartPLS menggunakan bahasa JAVA, jadi sebelum menggunakan

SmartPLS ada baiknya di install terlebih dahulu Java Runtime Environment

(JRE) yang juga dapat didownload gratis di situs Sun Microsystem.

Ketika baru pertama kali membuka program PLS dengan SmartPLS 3.0

maka tampilan yang akan pertama kali dilayar adalah sebagai berikut:

Gambar 2.1 Tampilan Layar SmartPLS

Sebelum menggambar ada beberapa istilah yang harus diketahui:

Tabel 2.1 Istilah dalam SmartPLS

Istilah Keterangan

Konstruk Exogen Variabel yang tidak diprediksi oleh variabel-

 variabel yang lain yang terdapat dalam model.

Konstruk eksogen adalah konstruk yang dituju

oleh garis dengan satu ujung anak panah.

Konstruk Endogen Yang merupakan faktor-faktor yang diprediksi oleh

satu atau beberapa konstruk. Konstruk endogen

dapat memprediksi satu atau beberapa konstruk

endogen lainnya, tetapi konstruk endogen hanya

dapat berhubungan kausal dengan konstruk

endogen.

Latent Variable Variabel laten adalah variabel yang nilai

kuantitatifnya tidak dapat diketahui secara

tampak.

Observed Variable Variabel manifest adalah variabel yang besaran

kuantitatifnya dapat diketahui secara langsung,

misalnya dari skor respons subjek terhadap

instrumen pengukuran.

Gambar 2.2 Menampilkan Variabel Endogen, Eksogen, Laten dan

Observend Variabel
2.2 Partial Least Square (PLS)

Partial Least Square (PLS) dikembangkan sebagai alternatif CBSEM.

Secara filosofis, perbedaan antara CBSEM dan PLS adalah orientasi model

persamaan struktural yang digunakan untuk menguji teori atau untuk

mengembangkan teori (tujuan prediksi). Pendekatan untuk mengestimasi

variabel laten dianggap sebagai kombinasi linear dari indikator sehingga

menghindarkan masalah indeterminacy dan memberikan definisi yang pasti

dari komponen skor (Ghozali, 2012). Menurut (Jogiyanto dan Abdillah, 2016)

PLS adalah analisis persamaan struktural (SEM) berbasis varian yang

secara simultan dapat melakukan pengujian model pengukuran sekaligus

pengujian model struktural. Model pengukuran digunakan untuk uji validitas

dan reliabilitas, sedangkan model struktural digunakan untuk uji kausalitas

(pengujian hipotesis dengan model prediksi). Partial Least Square (PLS)

dapat dikatakan metode analisis yang powerfull karena tidak didasarkan

pada banyak asumsi. Pada umumnya PLS menguji teori yang lemah dan

data yang lemah seperti jumlah sampel yang ukuran kecil. Meskipun PLS

digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel

laten, PLS juga digunakan untuk mengkonfirmasi teori (Ghozali, 2015:5).

Perbedaan mendasar PLS yang merupakan SEM berbasis varian dengan

LISREL atau AMOS yang berbasis kovarian adalah tujuan penggunaannya.

SEM berbasis kovarian bertujuan untuk mengestimasi model untuk

pengujian atau konfirmasi teori, sedangkan SEM varian bertujuan untuk

memprediksi model untuk pengembangan teori, karena itu, PLS merupakan

alat prediksi kausalitas yang digunakan untuk pengembangan teori.

Ada beberapa hal yang membedakan analisis PLS dengan model analisis

SEM yang antara lain:

1. Data tidak harus berdistribusi normal multivariate.

2. Dapat digunakan sampel kecil. Minimal sampel > 30 dapat digunakan.

3. PLS selain dapat digunakan untuk mengkonfirmasikan teori, dapat juga

digunakan untuk menjelaskan ada atau tidaknya hubungan antar

variabel laten.

4. PLS dapat menganalisis sekaligus konstruk yang di bentuk dengan

indikator reflektif dan formatif. Ada beberapa program komputer untuk

mengestimasi model pada model persamaan struktural yaitu program

SmartPLS, LISREL, AMOS, EQS, SAS PRODUCCALIS, dan

STATISTICA SEPATH.

Analisis Partial Least Square (PLS) bertujuan untuk mendapatkan

hubungan variabel laten serta bertujuan memprediksi indikator-indikator

struktural konstruk. Chin (1998) dalam Ghozali (2014) menyatakan bahwa

karena PLS tidak mengasumsikan adanya distribusi tertentu untuk estimasi

parameter, maka teknik parametrik untuk menguji signifikansi parameter

tidak diperlukan. Model evaluasi PLS berdasarkan pada pengukuran prediksi

yang mempunyai sifat non parametrik.

Tujuan PLS adalah menguji teori yang lemah seperti jumlah sampel yang

kecil atau terdapat masalah normalitas data, memprediksikan pengaruh

variabel eksogen terhadap variabel endogen dan menjelaskan hubungan

teoritikal di antara kedua variabel tersebut (Abdi, 2003). Langkah-langkah

yang harus dilakukan dalam PLS meliputi:

1. Perancangan model struktural (inner model) menjelaskan hubungan

antara variabel laten yang satu dengan variabel laten lainnya.

2. Perancangan model pengukuran (outer model) yang menjelaskan

hubungan antara variabel laten dengan variabel indikatornya yang

bersifat reflektif.
 3. Penyusunan konstruksi diagram jalur berdasarkan dua model, yaitu

model struktural dan model pengukuran.

4. Konversi diagram jalur ke dalam model persamaan struktural (hubungan

antara variable latent yang diteliti) dan model pengukuran (hubungan

variable indication dengan variable latent).

5. Pendugaan parameter di dalam PLS (model reflektif) yang dilakukan

dengan cara path estimate (estemasi jalur).

6. Evaluasi Goodness of Fit dengan cara pengujian terhadap kesesuaian

model, yaitu outer model (Convergent validity, Discriminant validity, dan

Composite reliability) dan inner model (R-square, f-square, dan Q-

square predictive relevance).

7. Pengujian hipotesis yang dilakukan dengan metode resampling

boosterap dan statistik uji.

2.3 PLS-SEM (Partial Least Square-Structural Equation Modelling)

Structural Equation Modelling (SEM) adalah alat analisis statistik yang

semakin populer dimasa ini. Jika dilihat dari penyusunan model serta cara

kerjanya, sebenarnya SEM adalah gabungan dari analisis faktor dan regresi

(Santoso, 2018). Model Structural Equation Model (SEM) juga merupakan

generasi kedua teknik analisis multivariate yang memungkinkan peneliti

menguji hubungan antar variabel yang komplek baik recursive ataupun non-

recursive agar memperoleh gambaran yang komprehensif mengenai

keseluruhan model. (Ghozali, 2015). SEM dapat menguji secara bersama-

sama:

1. Model struktural: hubungan antara konstruk independen dengan

dependen.

2. Model measurement : hubungan (nilai loading) antara indikator dengan

konstruk laten.
 Digabungkannya pengujian model struktural dengan pengukuran

tersebut memungkinkan peneliti untuk:

1. Menguji kesalahan pengukuran (measurement error) sebagai bagian

yang tidak terpisahkan dari SEM.

2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis.

Beberapa hal penting yang melandasi SEM menurut (Monecke & Leisch,

2012) menggunakan PLS diantaranya:

SEM menggunakan PLS terdiri tiga komponen, yaitu model struktural,

model pengukuran dan skema pembobotan. Bagian ketiga ini merupakan ciri

khusus SEM dengan PLS dan tidak ada pada SEM yang berbasis kovarian.

1. SEM menggunakan PLS hanya mengizinkan model hubungan antar

variabel yang recursif (sarah) saja. Hal ini sama dengan model analisis

jalur (path analysis) tidak sama dengan SEM yang berbasis kovarian

yang mengizinkan juga terjadinya hubungan non-recursif (timbal-balik).

2. Pada model struktural, disebut juga sebagai model bagian dalam,

semua variabel laten dihubungkan satu dengan yang lain dengan

didasarkan pada teori subtansi. Variabel laten dibagi menjadi dua, yaitu

eksogenous dan endogenous. Variabel laten eksogenous adalah

variabel penyebab/ tanpa di dahului oleh variabel lainnya dengan tanda

anak panah menuju ke variabel lainnya (variabel laten endorgenous).

Gambar 2.3 Diagram menggambarkan flowchart untuk algoritma

PLS
 Berikut adalah istilah-istilah yang sering digunakan dalam PLS-SEM

terdapat pada Tabel 2.1 sebagai berikut:

Tabel 2.2 Istilah dalam PLS-SEM

Istilah Keterangan

Manifest Variabel yang digunakan untuk

menjelaskan atau mengukur variabel

laten. Disebut juga observed variables,

measured variable atau indikator

Variabel Eksogen Merupakan variabel independen (bebas)

yang mempengaruhi variabel endogen

(dependen)

Variabel Endogen Variabel yang dipengaruhi oleh variabel

eksogen dalam suatu model penelitian

Variabel indikator / Variabel yang dapat diukur dan diamati

Observed variables / secara langsung digunakan untuk

Manifest Variables mengukur variabel laten

Variabel laten / konstruk Variabel yang tidak dapat diukur melalui

/ Unobserved variables observasi secara langsung namun

memerlukan beberapa indikator untuk

dapat mengukurnya.

Recursive Hubungan pengaruh satu arah (dari

eksogen ke endogen), model ini sama

dengan analisis jalur

Non Recursive Hubungan bersifat sebab akibat

2.4 Model Spesifikasi PLS-SEM

Dalam melakukan pengujian model pada Analisis PLS-SEM yaitu terdiri

dari dua bagian pertama model pengukuran (measurement model) atau bisa

disebut outer model yang digunakan untuk menguji validitas dan reliabilitas

model. Sedangkan yang kedua model struktural (structural model) atau bisa

juga disebut inner model digunakan untuk memprediksi hubungan antar

variabel atau menguji hipotesis (Ghozali, 2015).

1. Model Struktural (inner model)

Model struktural atau inner model ini juga menggambarkan

bagaimana setiap blok indikator berhubungan dengan konstruk

latennya. Model struktural juga menunjukkan kekuatan estimasi dari

konstruknya. Dalam menguji model struktural pada PLS bisa dilihat dari

nilai R-squares untuk memprediksi kekuatan dari model struktural

tersebut. Nilai R-squares 0.75, 0.50, 0.25 dapat disimpulkan bahwa

model kuat, moderate dan lemah. Selanjutnya, dan digunakan untuk

menguji hipotesis dengan melakukan boostrapping dengan melihat nilai

dari path coefficient untuk mengetahui nilai antar variabel/konstruk suatu

model (Ghozali, 2015). Persamaan untuk inner model ditulis pada

persamaan sebagai berikut: 𝜂𝑗 = 𝛴𝑖𝛽𝑗𝑖𝜀𝑖 + 𝛴𝑖 𝛾𝑗𝑏𝜉𝑏 + 𝛿𝑗 .

2. Model Pengukuran (outer model)

Model pengukuran atau outer model mendefinisikan bagaimana

setiap indikator berhubungan dengan konstruk latennya. Outer model

dengan indikator refleksif dievaluasi melalui validitas convergent,

discriminant validity dan composite reliability (Ghozali, 2015:73).

Validitas convergent berhubungan dengan prinsip bahwa pengukur-

pengukur dari suatu konstruk harus berkorelasi tinggi, validitas

convergent diukur dengan melihat nilai dari outer loading (korelasi

antara skor item dengan skor konstruk). Sedangkan validitas

 discriminant berhubungan dengan prinsip bahwa pengukur-pengukur

konstruk yang berbeda seharusnya tidak berkorelasi tinggi, validitas

discriminant diukur dengan melihat nilai cross loading. Metode lain yang

digunakan untuk menilai validitas discriminant adalah dengan

membandingkan nilai akar AVE. Sedangkan composite reliability atau

pengujian reliabilitas digunakan untuk membuktikan akurasi, konsistensi

dan ketepatan instrument dalam mengukur konstruk (Ghozali, 2015:75).

Untuk mengukur reliabilitas suatu konstruk dengan indikator refleksif

dalam PLS dapat dilakukan dengan dua cara yaitu dengan cronbach’s

alpha dan composite realibility. Persamaan untuk model pengukuran

(outer model) ditulis pada persamaan sebagai berikut: Untuk konstruk

latent eksogen: 𝑥 = 𝛬𝑥 𝜉 + 𝜀𝑥 .Untuk konstruk latent endogen terdapat

pada persamaan sebagai berikut: 𝑦 = 𝛬𝑦 𝜀 + 𝜀𝑦 .

2.5 Evaluasi Model PLS-SEM

Evaluasi dalam PLS-SEM menggunakan software SmartPLS 3.0 yang

dapat dilakukan dengan menilai hasil pengukuran model (measurement

outer model) dengan menguji validitas dan reliabilitas konstruk. Kemudian

dilanjutkan dengan evaluasi model structural dan pengujian signifikansi

untuk menguji pengaruh antar konstruk atau variabel (Ghozali, 2015:54).

Evaluasi model dalam PLS terdiri dari dua tahap yaitu, evaluasi outer

model atau pengukuran dan evaluasi inner model atau model struktural.

Evaluasi model pengukuran dikelompokkan menjadi evaluasi terhadap

model reflektif dan formatif (Haryono, 2017).

2.6 Pengujian Hipotesis

Pengujian seluruh hipotesis maka digunakan metode Partial Least

Square (PLS). Metode PLS membuat model yang diuji dapat

mempergunakan asumsi: data tidak harus berdistribusi normal, skala

pengukuran dapat berupa nominal, ordinal, interval maupun rasio, jumlah

sampel tidak harus besar, indikator tidak harus dalam bentuk refleksi (dapat

berupa indikator refleksi dan formatif) dan model tidak harus berdasarkan

pada teori (Ghozali, 2014).

Uji t, yaitu untuk menguji signifikan konstanta dan variabel independen

yang terdapat dalam persamaan tersebut secara individual dan apakah

berpengaruh terhadap nilai variabel dependen (Ghozali, 2014). Pengujian ini

dilakukan dengan melihat output dengan bantuan program aplikasi PLS. Jika

nilai t hitung < t table, maka Hipotesis nol ditolak, (Koefisien regresi

signifikan) dan Hipotesis alternatif yang dinyatakan dalam penelitian ini

diterima pada tingkat signifikan 5% (lima persen). Pengukuran persentase

berpengaruh semua variabel independen terhadap nilai variabel dependen,

ditunjukkan oleh besarnya koefisien determinasi R-square (R2) antara 1 dan

nol, dimana nilai R-square (R2) yang mendekati satu memberikan

persentase pengaruh yang besar (Ghozali, 2014). Model persamaan

structural dalam penelitian ini akan diselesaikan dengan program PLS, yang

akan nantinya hubungan antara konstruk digambarkan dalam model

structural sebagai berikut:

Gambar 2.4 Model Struktur Antar Konstruk

 BAB III

METODOLOGI PENELITIAN

3.1 Prosedur Praktikum

1. Sebelum mulai menggambar model struktural yang harus dilakukan

adalah meng input file yang akan kita analisis. Untuk menjalankan

SmartPLS 3.0 data harus disimpan dalam format.

2. Setelah data disimpan dalam format csv sebelum dimasukkan/di input

ke dalam SmartPLS 3.0 alangkah baiknya jika data di cek terlebih

dahulu apakah missing value atau tidak.

3. Memeriksa missing value bisa dilakukan secara manual. Akan tetapi jika

data berjumlah banyak maka lebih baik gunakan menu find yang

disediakan oleh excel. Jika didapati ada data yang missing. Maka beri

tandalah data missing tersebut.

4. Langkah pertama untuk memasukkan data ke dalam smartPLS 3.0

adalah dengan cara membuat project yang akan kita kerjakan. Disudut

kiri atas ada pilihan new project.

5. Setelah diketikkan nama project dan di klik tombol OK maka project

akan muncul pada layar di sebelah kiri.

6. Untuk memasukkan data maka double klik icon menu yang berada di

atas nama file project yang ingin dikerjakan. Setelah di double klik maka

akan muncul layar yang berisikan file dimana kita menaruh data mentah.

7. Jika layar yang dibuka bukan tempat kita menaruh data mentah yang

akan dikerjakan maka kita bisa mencari pada folder- folder lainnya.

8. Jika data sudah dimasukkan maka akan tampak dilayar SmartPLS yang

dibuka.

9. Tampilan layar tersebut menunjukkan bahwa data mentah yang kita

input kan sudah masuk ke dalam program SmartPLS.

10. Di layar tengah dapat dilihat bahwa ada deretan angka. Deretan angka

tersebut menunjukkan indikator yang kita gunakan, mean/rata-rata, nilai

minimal dan nilai maksimal.

11. Jika sudah diisikan maka tekan OK. Setelah tekan OK maka dapat

dilihat bahwa angka 999 hilang. Di kolong tengah tampak bahwa berapa

jumlah data yang hilang.

12. Setelah data berhasil di input dengan sempurna maka langkah

berikutnya adalah menggambar model struktural.

13. Jika tampilan sudah seperti di gambar maka model struktural siap

untuk digambarkan.

14. Untuk memulai menggambar maka klik icon latent variable satu kali dan

klik sekali lagi dibidang gambar. Jika di dalam model yang akan dibuat

memiliki empat latent variable maka empat kali pula harus diulang

langkah yang sama. Setelah ke empat laten variabel tergambar di

bidang gambar maka langkah berikutnya adalah menggambar

hubungan sebab-akibatnya.

15. Hasil gambar akan tampak seperti di gambar. Gambar tersebut tampak

berwarna merah.

16. Jika observed variable sudah dimasukkan semua ke dalam latent

variable maka model akan berubah menjadi biru.

17. Untuk mengganti nama dari masing-masing latent variable cukup klik

kanan latent variable yang ingin diganti namanya kemudian pada pilihan

rename bisa langsung dituliskan nama yang di inginkan.

3.2 Flowchart

MULAI

Latar Belakang

Tujuan Praktikum

Tinjauan Pustaka

Metodologi Penelitian

Pengolahan Data SmartPLS

Analisa dan Pembahasan

Kesimpulan dan Saran

SELESAI

Gambar 3.1 Flowchart

 DAFTAR PUSTAKA

Abdi, H. 2003. Partial Least Square (PLS) Regression. The University of

Texas, Dallas.

Abdillah, Willy dan Jogiyanto Hartono. 2016. Partial Least Square (PLS):

Alternatif Structural Equation Modeling (SEM) dalam Penelitian Bisnis.

Yogyakarta: Andi.

Chin, Wynne W. 1998. The Partial Least Square Approach to Structural

Equation Modeling. Lawrence Erlbaum Associates, Publisher. University of

Huston.

Ghozali, I. & Latan, H. 2015. Partial Least Squares: Konsep, Teknik dan

Aplikasi Menggunakan Program SmartPLS 3.0. Semarang: Badan Penerbit

Universitas Diponegoro.

Ghozali, I. Latan, H. 2012. Partial Least Square : Konsep, Teknik dan

Aplikasi SmartPLS 2.0 M3. Semarang: Badan Penerbit Universitas Diponegoro.

Haryono, Siswoyo. 2017. Metode SEM untuk Penelitian Manajemen dengan

AMOS LISREL PLS. Jakarta: Luxima Metro Media

Monecke, Armin dan Friedrich Leisch. 2012. SEMPLS: Structural Equation

Modeling Using Partial Least Squares. Journal of Statistical Software, Volume 48,

Issue 3, p. 1-32.

Mun’im A. 2015. Analisa Usaha Petambak Garam dan Perannya dan

Perekonomian Tahun 2012 (Studi Kasus Petambak Garam PUGAR). Jakarta.

Jurnal Sosial dan Ekonomi Kelautan Perikanan. 10(2): 217- 228.

Santoso, Singgih. 2018. Konsep Dasar Dan Aplikasi SEM Dengan Amos 24.

Jakarta: Alex Media Kumputindo.

Sarwono J. 2016. Membuat Skripsi, Tesis dan Disertasi dengan Partial Least

Square SEM (PLS - SEM). Yogyakarta. Penerbit Andi.