Nama : Sahrul Gunawan

NPM : 2111221001

Tugas Pendahuluan Modul 5

1. Jelaskan perbedaan penerapan SPSS dan SEM-PLS dalam menyelesaikan masalah

2. Jelaskan perbedaan model pengukuran dan model struktural
3. Sebutkan perbedaan PLS Algoritm, boostraping dan blindfolding
4. Jelaskan apa itu variable manifes, laten, endogen dan eksogen
5. Apa yang dimaksud tentang uji kolinearitas

Jawaban

1. SPSS SPSS adalah software yang dapat membaca berbagai jenis data atau
memasukkan data secara langsung ke dalam SPSS Data Editor. Bagaimanapun
struktur dari file data mentahnya, maka data dalam Data Editor SPSS harus
dibentuk dalam bentuk baris (cases) dan kolom (variables). Case berisi informasi
untuk satu unit analisis, sedangkan variable adalah informasi yang dikumpulkan
dari masing-masing kasus. Hasil-hasil analisis muncul dalam SPSS Output
Navigator. Kebanyakan prosedur Base System menghasilkan pivot tables, di mana
kita bisa memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk
memperbaiki output, maka kita dapat memperbaiki output sesuai dengan
kebutuhan.
SEM-PLS adalah teknik statistika yang powerful dalam menentukan model
pengukuran dan model structural. SEM merupakan metode analisis multivariate yang
dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan
antara variabel pengamatan dan variabel laten. Variabel laten merupakan variabel tak
teramati (unobserved) atau tak dapat diukur (unmeasured) secara langsung, melainkan
harus diukur melalui bantuan beberapa indikator. Partial Least Square (PLS) ialah
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, sementara model struktural
digunakan untuk uji kausalitas (pengujian hipotesis dengan model prediksi). PLS
adalah metode analisis yang tidak mengharuskan data dalam skala tertentu, yang berarti
 jumlah sampel tidak harus banyak, 50 sampel saja sudah cukup. Dengan begitu dapat
diambil kesimpulan bahwa PLS ialah salah satu metode statistika SEM berbasis varian
yang didesain untuk menyelesaikan regresi berganda dan tidak membutuhkan asumsi
normal multivariate dan dapat diterapkan pada semua skala data karena tidak
membutuhkan ukuran sampel yang besar
2. Model Pengukuran (Outer Model) Outer Model adalah model pengukuran yang
menghubungkan indikator dengan variabel latennya yang digunakan untuk menilai
validitas dan reliabilitas model. Perancangan model pengukuran (outer model)
menentukan sifat indikator dari setiap variabel laten, apakah refleksif atau formatif,
berdasarkan definisi operasional variabel. Melalui proses iterasi algoritma, parameter
model pengukuran (convergent validity, discriminant validity, composite reliability dan
Cronbach’s Alpha) diperoleh, termasuk R2 sebagai parameter ketepatan prediksi. Pada
PLS perancangan outer model sangat penting untuk indikator reflektif maupun
formatif. Outer Model digunakan untuk menguji validitas variabel dan reliabilitas
instrumen
Model Struktural (Inner Model) Inner model merupakan model struktural yang
digunakan untuk memprediksi hubungan kausalitas (hubungan sebab-akibat) antar
variabel laten atau variabel yang tidak dapat diukur secara langsung. Melalui
boothstraping (prosedur non parametik yang memungkinkan pengujian signifikansi
statistik dari varian SEM-PLS yang menghasilkan koefisien path, Cronbach’s alpha,
HTMT dan nilai R2 ), parameter uji t-statistic yang diperoleh untuk memprediksi
adanya hubungan kausalitas. Inner Model dalam PLS dievaluasi dengan menggunakan
R2 untuk variabel dependen, nilai koefisien path (jalur yang menggambarkan kekuatan
hubungan antar variabel) untuk uji signifikansi antar variabel dalam inner model (model
struktural). Nilai R2 digunakan untuk mengukur tingkat variasi perubahan variabel
independen terhadap variabel dependen. Semakin tinggi nilai R2 maka semakin baik
model prediksi dari model penelitian yang diajukan. Inner model digunakan untuk
memprediksi hubungan sebab akibat pada penelitian yang menggunakan variabel laten,
variabel laten adalah variabel yang tidak bisa diukur secara langsung. Didalam PLS
inner model dievaluasi menggunakan R2 sebagai pengukuran tingkat variasi perubahan
variabel independen terhadap variabel dependen. Model prediksi yang baik ditandai
oleh nilai R2 yang tinggi.
3. PLS Algorithm. Disebut juga algoritma standar untuk menghitung komponen (faktor)
PLS adalah nonlinear iterative partial least square atau disingkat NIPALS (Sarstedt &
 Cheah, 2019). Algoritma NIPALS merupakan inti paling penting dalam PLS dan
mempelajarinya merupakan kunci untuk memahami metode PLS. Ide dasar dalam
algoritma ini adalah mengestimasi parameter t dan u dengan suatu proses iteratif dari
regresi least square.
Bootstrapping adalah proses uji yang dilakukan untuk uji hipotesis setelah peneliti
mengetahui validitas dan reliabilitas dari data penelitian. Pada fungsi Bootstrapping ini
juga kita dapat menilai tingkat signifikansi atau kemungkinan dari direct
effects, indirect effects, dan total effects. Hasil analisis yang keluar adalah nilai
t statistic, nilai p value, dan original sampel yang digunakan.
Blindfolding adalah analisis yang digunakan untuk menilai tingkat relevansi prediksi
dari sebuah model konstruk. Proses analisis tersebut menggunakan nilai Q Square. Jika
Q Square > 0,05 maka dapat disimpulkan bahwa sebuah model konstruk adalah relevan.
Artinya, variabel-variabel exogen yang digunakan untuk memprediksi variabel
endogen sudah tepat.
4. Variable manifest adalah variable yang digunakan untuk menjelaskan atau mengukur
sebuah variable laten. Variable manifest sering juga disebut dengan istilah observed
variable, measured variable atau indicator, yang digambakan dengan ikon persegi
panjang atau kotan. Variabel manifest adalah variable yang datanya harus dicari melalui
penelitian lapangan, contohnya adalah survey.
Variable laten diebut pula dengan istilah unobserved variable, konstruk atau konstruk
latin, yaitu variable yang tidak dapat diukur secara langsung, kecuali diukur degan satu
atau lebih variable manifest. Variable laten ini digambarkan dengan ikon lingkaran atau
oval atau elips.
Variable endogen atau variable dependen, yang artinya adalah variable yang
dipengaruhi secara langsung maupun tidak langsung oleh variable eksogen. Dalam
model SEM, variable endogen ditunjukkan dengan adanya naak panah yang menuju
variable tersebut.
Variable eksogen atau variable independent, adalah variable yang mempengaruhi nilai
dari variable lain dalam model. Pada model SEM, variable eksogen ditunjukkan dengan
adanya anak panah yang berasal dari variable tersebut menuju ke variable endogen.
5. Uji Kolinearitas
Uji kolinearitas adalah proses statistik yang digunakan untuk mengevaluasi tingkat
hubungan atau keterkaitan antara dua atau lebih variabel independen dalam analisis
regresi. Tujuan utama uji kolinearitas adalah untuk mengidentifikasi adanya masalah
multikolinearitas, yaitu ketika variabel-variabel independen dalam model regresi saling
terkait secara signifikan.
Multikolinearitas dapat menjadi masalah dalam analisis regresi karena dapat
menyebabkan hasil yang tidak dapat diandalkan atau tidak dapat diinterpretasikan
dengan benar. Hal ini dapat mempengaruhi keakuratan estimasi koefisien regresi, nilai
p-value, dan interpretasi signifikansi statistik.