ANALISIS SEM-PLS

(STRUCTURAL EQUATION MODELLING-PARTIAL LEAST SQUARES)

Makalah ini disusun untuk memenuhi tugas mata kuliah

Business Research

DOSEN PENGAMPU:
Prof. Dr. Musran Munizu, SE., M.Si., CIPM

Oleh:
KELOMPOK 4
Dwi Fitria Azzahra (A012231085)
Nurkhazanah (A012331045)
Angraeni (A012231119)

UNIVERSITAS HASANUDDIN
FAKULTAS EKONOMI DAN BISNIS
PRODI MAGISTER MANAJEMEN
2023
 DAFTAR ISI

DAFTAR ISI ...................................................................................................... 2

BAB I: PENDAHULUAN.................................................................................. 3

A. Latar Belakang ...................................................................................... 3

B. Rumusan Masalah .................................................................................. 4
C. Tujuan Penulisan ................................................................................... 4

BAB II: PEMBAHASAN................................................................................... 5

A. Pengertian Dan Karakteristik Analisis SEM ....................................... 5

B. Asumsi-Asumsi Dalam SEM-PLS ......................................................... 7
C. Variabel-Variabel Dalam SEM-PLS .................................................... 8
D. Komponen Model Dalam SEM-PLS ................................................... 10
E. Keunggulan Dan Kelemahan SEM-PLS ............................................. 12
F. Langkah-Langkah Analisis SEM-PLS Menggunakan SmartPLS ...... 13

BAB III: PENUTUP ........................................................................................ 16

A. Kesimpulan ........................................................................................... 16
B. Saran .................................................................................................... 16

DAFTAR PUSTAKA ....................................................................................... 17

2
 BAB I

PENDAHULUAN

A. Latar Belakang

Alat analisis penelitian merujuk pada metode-metode statistik, teknik, dan

perangkat lunak yang digunakan oleh peneliti untuk mengolah, menganalisis, dan

menginterpretasi data dalam rangka menjawab pertanyaan penelitian atau menguji

hipotesis penelitian. Alat analisis penelitian membantu para peneliti untuk mengambil

informasi dari data yang telah dikumpulkan, mengidentifikasi pola atau hubungan, dan

membuat kesimpulan yang dapat diandalkan berdasarkan hasil analisis. Para peneliti

menggunakan alat analisis yang berbeda-beda karena adanya beberapa faktor berikut:

Tujuan Penelitian, Kompleksitas Model, Kemampuan Software, Asumsi Data, Tren dan

Preferensi Disiplin Ilmu, Skala dan Jenis Data, serta Ketersediaan Sumber Daya. Ada

banyak alat analisis yang digunakan dalam penelitian, salah satunya analisis Partial Least

Squares Path Modeling (PLS-SEM) yang akan dijelaskan pada makalah ini.

Beberapa riset empiris, khususnya dalam bidang bisnis, telah banyak menggunakan

model penelitian yang kompleks, yaitu terdiri dari banyak variabel dan indikator. Salah

satu teknik analisis yang tepat untuk menjawab masalah tersebut adalah dengan

menggunakan model persamaan struktural atau Struktural Equation Modeling (SEM).

Terdapat dua jenis Struktural Equation Modeling (SEM), yaitu Covariance-Based

Structural Equation Modeling (CB-SEM) dan Partial Least Squares Path Modeling (PLS-

SEM). Penggunaan Covariance-Based Struktural Equation Modeling (CB-SEM) lebih

tepat untuk menguji teori, sedangkan Partial Least Squares Path Modeling (PLS-SEM)

digunakan untuk pengembangan teori atau membangun teori. Namun, dalam makalah ini

3
 penulis hanya akan fokus membahas konsep dasar Struktural Equation Modeling (SEM)

berbasis varian atau Partial Least Squares Path Modeling (PLS-SEM).

B. Rumusan Masalah

Dari pembahasan dalam latar belakang diatas, maka rumusan masalah yang diambil

diantaranya:

1. Apa pengertian dan karakteristik dari analisis SEM-PLS ?

2. Bagaimana asumsi-asumsi dalam analisis SEM-PLS ?

3. Apa sajakah variabel-variabel dalam analisis SEM-PLS ?

4. Apa sajakah komponen model dalam analisis SEM-PLS ?

5. Apa keunggulan dan kelemahan analisis SEM-PLS ?

6. Bagaimana langkah-langkah dalam melakukan analisis SEM-PLS menggunakan

SmartPLS ?

C. Tujuan Penulisan

Berdasarkan rumusan masalah sebelumnya. maka tujuan dalam penelitian adalah

untuk mengetahui dan menganalisis hal-hal berikut:

1. Untuk mengetahui pengertian dan karakteristik dari analisis SEM-PLS.

2. Untuk mengetahui asumsi-asumsi dalam analisis SEM-PLS.

3. Untuk mengetahui variabel-variabel dalam analisis SEM-PLS.

4. Untuk mengetahui komponen model dalam analisis SEM-PLS.

5. Untuk mengetahui keunggulan dan kelemahan analisis SEM-PLS.

6. Untuk mengetahui langkah-langkah dalam melakukan analisis SEM-PLS

menggunakan SmartPLS.

4
 BAB II

PEMBAHASAN

A. Pengertian Dan Karakteristik Analisis SEM-PLS

Salah satu metode yang bisa digunakan dalam menganalisis model persamaan jalur

adalah Structural Equation Modeling (SEM). Menurut Chin dalam Ghozali & Latan

(2015), SEM memiliki keunggulan dalam melakukan analisis jalur (phat analytic) dengan

variabel laten (yang tidak terukur langsung). Lebih lanjut, Wright dalam Jogiyanto

(2011:47) mengemukakan bahwa SEM merupakan salah satu teknik multivariate

analysis yang digunakan untuk melakukan pengujian dan estimasi pada hubungan kausal

dengan mengintegrasikan atau menggabungkan analisis jalur dan analisis faktor dengan

tujuan untuk menguji hubungan antar variabel yang ada pada sebuah model, baik itu antar

indikator dengan konstruksnya maupun hubungan antar konstruk. Structural Equation

Modeling (SEM) adalah metode konfirmasi yang memberikan sarana komprehensif untuk

menilai dan memodifikasi model pengukuran serta model struktural. Metode tersebut

memiliki kemampuan untuk menilai unidimensionalitas, validitas dan reliabilitas suatu

model pengukuran.

Menurut Fornell dan Bookstein dalam Ghozali & Latan (2015:19) terdapat dua jenis

SEM, yaitu Covariance-Based Structural Equation Modeling (CB-SEM) dan Partial Least

Squares Path Modeling (PLS-SEM). CB-SEM menuntut basis teori yang kuat, memenuhi

berbagai asumsi parametrik, dan memenuhi uji kelayakan model (goodness of fit). Oleh

sebab itu, CB-SEM sangat tepat digunakan untuk menguji teori dan mendapatkan

justifikasi atas pengujian tersebut dengan serangkaian analisis yang kompleks. Sementara

itu, PLS-SEM bertujuan untuk memprediksi dan mengembangkan teori serta menguji

5
hubungan prediktif antarkonstruksi dengan melihat apakah ada hubungan atau pengaruh

antarkonstruksi tersebut. PLS-SEM adalah salah satu pendekatan yang digunakan dalam

analisis SEM. Ini adalah teknik alternatif untuk memodelkan hubungan antara variabel

laten (variabel yang tidak diukur secara langsung) dan variabel manifest (variabel yang

diukur secara langsung). Model PLS-SEM memungkinkan peneliti untuk menganalisis

hubungan secara bersamaan dalam model kompleks yang terdiri dari beberapa konstruksi,

variabel indikator, dan jalur struktural.

Selanjutnya, jumlah sampel dan skala pengukuran. CB-SEM mensyaratkan jumlah

sampel yang relatif besar untuk estimasi yang akurat dan menggunakan skala pengukuran

continuous dan interval. PLS-SEM tidak mensyaratkan jumlah sampel besar serta

menggunakan skala pengukuran nominal, ordinal, dan continuous. Iterasi yang dilakukan

dengan berbasis varian, pada penggunaan PLS-SEM, tidak mensyaratkan data terdistribusi

normal, mengabaikan efek multikolinieritas antar-indikator, dan variabel latennya, serta

estimasi parameter dapat dengan langsung dilakukan tanpa persyaratan kriteria goodness

of fit yaitu dengan menggunakan teknik bootstraping. Peneliti juga dapat memilih SEM

berbasis Varians (VB-SEM) atau Partial Least Square-SEM (PLS-SEM) ketika data

mereka gagal memenuhi asumsi parametrik seperti distribusi normalitas multivariat dan

ukuran sampel minimum. Metode ini lebih fleksibel dan robust dalam menghadapi data

yang berbeda atau non-normal, namun mungkin kurang akurat jika data telah memenuhi

asumsi distribusi normal dan cukup besar. Software produk yang digunakan untuk PLS-

SEM pada umumnya diwakili oleh AMOS, LISREL, EQS, Mplus, dan SmartPLS.

6
B. Asumsi-Asumsi Dalam SEM-PLS

Beberapa asumsi dalam SEM-PLS diantaranya:

 Asumsi utama dalam penggunaan SEM-PLS ialah tidak mengharuskan mengikuti

asumsi normalitas karena SEM-PLS tidak memperlakukan data sebagaimana dalam

SEM yang berbasis kovarian dimana dalam SEM tersebut data diharuskan

berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang

tidak berdistribusi normal.

 Asumsi berikutnya ialah SEM-PLS dapat menggunakan ukuran sampel yang kecil

tidak seperti pada SEM yang berbasis kovarian yang mengharuskan peneliti

menggunakan ukuran sampel yang besar dikarenakan SEM merupakan suatu prosedur

yang dikategorikan kedalam prosedur multivariat dimana hampir semua prosedur

multivariat mengharuskan jumlah data yang besar, misalnya setidak-tidaknya 400.

Sebaliknya SEM-PLS tidak mengharuskan peneliti menggunakan jumlah data yang

besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat

kesulitan mencari data dalam jumlah yang besar.

 Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih

dengan pendekatan non-probabilitas, seperti ‘accidental sampling’, ‘purposive

sampling’, dan sejenisnya dapat digunakan dalam SEM-PLS.

 Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator

reflektif. Hal ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan

indikator reflektif saja.

 SEM-PLS mengijinkan adanya variabel laten dikotomi.

7
  SEM-PLS memberi kelonggaran terhadap keharusan adanya skala pengukuran

interval. Dengan demikian peneliti dapat menggunakan skala pengukuran selain

interval.

 Distribusi residual dalam SEM-PLS tidak diharuskan seperti pada SEM yang berbasis

kovarian dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti

pada regresi linier.

 SEM-PLS cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan

teori pada tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang

menggunakan teori untuk dikonfirmasi dengan menggunakan data sampel.

 Pendekatan regresi dalam SEM-PLS lebih cocok dibandingkan dalam SEM yang

berbasis kovarian.

 Dalam SEM-PLS hanya diperbolehkan model recursive (sebab - akibat ) saja dan tidak

mengijinkan model non–recurisve (timbal balik) sebagaimana dalam SEM yang

berbasis kovarian.

 SEM-PLS memungkinkan model sangat kompleks dengan banyak variabel laten dan

indikator.

C. Variabel-Variabel Dalam SEM-PLS

Variabel-variabel di dalam SEM-PLS ada dua, yakni:

1. Variabel Konstruk/Laten:

 Konstruk adalah suatu ukuran yang abstrak, tidak dapat diamati langsung

(unobservable).

 Di dalam model jalur, konstruk direpresentasikan dengan gambar lingkaran (O)

atau oval (0)

8
  Jenis konstruk atau variabel laten:

1) Variabel eksogen (exogeneous variable): sama dengan variabel

independen/variabel bebas, yakni variabel yang bersifat mempengaruhi

variabel lain, ditandai dengan variabel dimana anak panah berawal (●→).

Dalam gambar, variabel eksogen dicontohkan dengan variabel A;

2) Variabel endogen (endogeneous variable): sama dengan variabel

dependen/variabel terikat, yakni variabel yang dipengaruhi, ditandai dengan

variabel dimana anak panah berakhir (→●). Dalam gambar, variabel endogen

dicontohkan dengan variabel B dan C. Namun demikian, variabel endogen

juga dapat berperan ganda, yakni berperan sebagai variabel bebas sekaligus

juga variabel terikat, misalnya pada variabel perantara/intervening, seperti B.

Untuk kasus seperti ini, maka B tetap dikatakan variabel endogen.

2. Variabel Indikator/Manifest/Item:

 Umumnya disebut sebagai item atau variabel manifest, yakni variabel yang dapat

teramati/terukur (observed variables).

9
  Direpresentasikan dalam model jalur dengan gambar persegi panjang (□). Dalam

gambar dicontohkan dengan A1,A2,A3,B1,B2,C1.

D. Komponen Model Dalam SEM-PLS

Analisis SEM-PLS memiliki 2 komponen model sebagai berikut:

1. Model Struktural (structural model/inner model)

Model struktural adalah model yang mendeskripsikan hubungan antar konstruk

(variabel laten). Hubungan antar konstruk didasarkan kepada teori atau asumsi-asumsi

tertentu. Contoh: Pengaruh “iklan” terhadap “citra merek”, berlanjut terhadap

“pembelian”.

Kriteria Inner Model : Beberapa kriteria inner model mencakup R square, Q square,

F square dan goodness of fit (GoF). R square atau dalam istilah lain disebut koefisien

determinasi, mengukur seberapa besar variasi variabel dependen mampu dijelaskan

oleh seluruh variabel independennya. Q square atau terkadang disebut prediction

relevance atau Stone-Geisser's, digunakan untuk mengetahui kapabilitas prediksi

dengan prosedur blinfolding, dengan batasan nilai 0.3. F square atau terkadang disebut

effect size dilakukan untuk mengetahui kebaikan model, dengan batasan nilai 0.2. Dan

10
 nilai GoF, yang merupakan akar kuadrat dari perkalian antara rata-rata r sqaure dengan

rata-rata AVE variabel independen. GoF juga melihat kebaikan/ kesesuaian model

dengan batasan nilai 0.38.

2. Model Pengukuran (measurement model/outer model)

Model pengukuran adalah model yang mendeskripsikan hubungan antar variabel laten

(konstruk) dengan indikatornya. Indikator-indikator dapat dirujuk dari referensi.

Model-model pengukuran di dalam PLS ada dua, yakni:

1) Model reflektif: Arah panah berawal dari variabel laten menuju kepada Indikator.

2) Model formatif: Arah panah berawal dari Indikator menuju kepada variabel laten.

Kriteria Dalam Outer Model : Model outer yang sering digunakan adalah model

reflektif. Adapun kriteria uji yang digunakan mencakup pengujian validitas dan

reabilitas. Uji validitas digunakan untuk mengukur apakah indikator yang digunakan

sudah tepat mengukur variabel yang diteliti. Sedangkan uji reabilitas, melihat

kekonsistenan jawaban terkait dengan indikator yang ditanyakan, jika dilakukan secara

berulang-ulang. Pengujian validitas mencakup convergent validity secara individual

dan secara serentak serta discriminant validity. Sedangkan pengujian reabilitas

mencakup cronbach alpa dan composite reability.

11
E. Keunggulan Dan Kelemahan SEM-PLS

Pada penggunaannya metode analisis memiliki kelebihan dan kekurangan,

termasuk juga Partial Least Squares Path Modeling (PLS-SEM). Keunggulan-keunggulan

dari PLS-SEM, menurut Jogiyanto (2011:58) adalah sebagai berikut:

1. Mampu memodelkan banyak variabel dependen dan variabel independen (model

kelompok) dan tingkat signifikansi yang lebih tinggi.

2. Mampu mengelola masalah multikolinieritas antarvariabel independen dan dataset

yang besar.

3. Hasil tetap kokoh (robust), walaupun terdapat data yang tidak normal dan hilang

(missing value).

4. Menghasilkan variabel laten independen secara langsung berbasis cross-product yang

melibatkan variabel laten dependen sebagai kekuatan prediksi.

5. Dapat digunakan pada konstruk reflektif dan formatif.

6. Dapat digunakan pada sampel kecil.

7. Tidak mensyaratkan data berdistribusi normal.

8. Dapat digunakan pada data dengan tipe skala berbeda, yaitu nominal, ordinal, dan

kontinu.

Adapun kelemahan-kelemahan PLS-SEM adalah sebagai berikut:

1. Sulit menginterpretasi loading variabel laten independen jika berdasarkan pada

hubungan crossproduct yang tidak ada (seperti pada teknik analisis faktor berdasarkan

korelasi antarmanifes variabel independen).

12
 2. Penurunan tingkat ketajaman dalam memahami muatan penyebab laten (yang

didasarkan pada ambang asosiasi muatan dan penyebab respons, bukan pada ambang

kovariansi seperti pada SEM).

3. Properti distribusi estimasi yang tidak diketahui menyebabkan tidak diperolehnya nilai

signifikansi kecuali melakukan proses bootstrap.

4. Terbatas pada pengujian model estimasi statistika.

5. Karena PLS-SEM tidak memiliki ukuran good-of-fit global yang mapan,

penggunaannya untuk pengujian dan konfirmasi teori lebih terbatas dalam situasi

tertentu.

6. Tidak cocok untuk model yang kompleks: SEM-PLS lebih cocok untuk penelitian

eksploratori dan pengujian teori awal. Tidak disarankan untuk model yang sangat

rumit.

F. Langkah-Langkah Melakukan Analisis SEM-PLS Menggunakan SmartPLS

SmartPLS adalah software untuk melakukan analisis PLS-SEM (Partial Least

Squares Structural Equation Modeling) yang digunakan dalam penelitian ilmu sosial,

bisnis, dan manajemen. SmartPLS merupakan software yang user-friendly dan dapat

digunakan oleh orang yang tidak memiliki latar belakang matematika atau statistika yang

kuat. Berikut adalah beberapa langkah untuk melakukan analisis PLS-SEM menggunakan

SmartPLS :

1. Menyiapkan data: Pertama-tama, pastikan bahwa data yang akan digunakan sudah

dalam format yang sesuai. Data harus berupa file Excel atau CSV dengan struktur yang

sudah ditentukan oleh SmartPLS. Selain itu, pastikan bahwa data sudah terisi dengan

lengkap dan tidak ada nilai kosong atau outlier yang signifikan.

13
2. Membuat model: Setelah data siap, buatlah model PLS-SEM yang akan dianalisis

dengan SmartPLS. Model tersebut harus berisi variabel independen dan dependen,

serta hubungan antara variabel tersebut. Untuk membuat model, gunakanlah editor

grafis yang disediakan oleh SmartPLS.

3. Mengimpor data ke SmartPLS: Setelah model selesai dibuat, impor data ke SmartPLS

dengan memasukkan file Excel atau CSV yang sudah disiapkan sebelumnya. Pastikan

bahwa variabel dalam data sudah sesuai dengan variabel yang ada dalam model.

4. Mengukur validitas dan reliabilitas: Langkah selanjutnya adalah mengukur validitas

dan reliabilitas dari variabel dalam model. Untuk mengukur validitas, gunakanlah

konsep loading faktor. Sedangkan untuk mengukur reliabilitas, gunakanlah nilai

cronbach alpha.

5. Melakukan analisis jalur: Setelah validitas dan reliabilitas sudah diukur, lakukanlah

analisis jalur dengan SmartPLS. Analisis ini akan menghasilkan output berupa

koefisien jalur yang menunjukkan hubungan antara variabel dalam model.

6. Menafsirkan hasil analisis: Setelah analisis jalur selesai, hasil dapat diinterpretasikan

untuk menjawab pertanyaan penelitian. Perlu diingat bahwa hasil harus dilihat dalam

konteks model dan hipotesis yang dibuat sebelumnya.

7. Membuat laporan: Terakhir, hasil analisis PLS-SEM dapat digunakan untuk membuat

laporan penelitian. Laporan tersebut harus menjelaskan model yang digunakan, hasil

analisis, dan kesimpulan yang dapat diambil dari hasil tersebut. SmartPLS

menyediakan output grafis dan tabel yang memudahkan kita dalam memahami

hubungan antarvariabel dan efeknya.

14
Berikut contoh hasil analisis PLS-SEM dengan software SmartPLS:

15
 BAB III

PENUTUP

A. Kesimpulan

Dari pembahasan diatas dapat disimpulkan, bahwa: PLS-SEM adalah salah satu

pendekatan yang digunakan dalam analisis SEM. Ini adalah teknik alternatif untuk

memodelkan hubungan antara variabel laten dan variabel manifest. Model PLS-SEM

memungkinkan peneliti untuk menganalisis hubungan secara bersamaan dalam model

kompleks yang terdiri dari beberapa konstruksi, variabel indikator, dan jalur struktural.

PLS-SEM bertujuan untuk memprediksi dan mengembangkan teori serta menguji

hubungan prediktif antarkonstruksi dengan melihat apakah ada hubungan atau pengaruh

antarkonstruksi tersebut. PLS-SEM tidak mensyaratkan jumlah sampel besar serta

menggunakan skala pengukuran nominal, ordinal, dan continuous. Iterasi yang dilakukan

dengan berbasis varian, pada penggunaan PLS-SEM, tidak mensyaratkan data terdistribusi

normal, mengabaikan efek multikolinieritas antar-indikator, dan variabel latennya.

Software produk yang digunakan untuk PLS-SEM pada umumnya diwakili oleh AMOS,

LISREL, EQS, Mplus, dan SmartPLS.

B. Saran

Kami sangat berharap makalah ini dapat memberi informasi dan membantu para

pembaca untuk memahami secara lebih mendalam mengenai “Analisis SEM-PLS

(Structural Equation Modelling-Partial Least Squares)”. Namun, kami sadar bahwa dalam

penulisan makalah ini masih terdapat banyak kekurangan sehingga kami berharap besar

para pembaca dapat memberikan kritik dan saran yang membangun guna hasil yang lebih

baik di masa mendatang.

16
 DAFTAR PUSTAKA

Chin, W. W. (1998). The Partial Least Squares Aproach to Structural Equation Modeling.
Modern Methods for Business Research, 295, 336

Ghozali, Imam, 2008b, Structural Equation Modeling, Metode Alternatif dengan Partial
Least Square, Badan Penerbit Universitas Diponegoro, Semarang.

Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M., Danks, N.P., Ray, S. (2021). An
Introduction to Structural Equation Modeling. In: Partial Least Squares Structural Equation
Modeling (PLS-SEM) Using R. Classroom Companion: Business. Springer,
Cham. https://doi.org/10.1007/978-3-030-80519-7_1

Hancock, Gregory N. dan Ralph O. Mueller (Ed.). Structural Equation Modelling: A

Second Course. New York: Information Age Publishing, Inc., 2006

Jogiyanto, H. M. 2011. Konsep dan Aplikasi Structural Equation Modeling

Berbasis Varian Dalam Penelitian. Yogyakarta: UPP STIM YKPN.

Monecke, A. & Leisch, F.(2012) SEM PLS: Structural Equation Modeling Using Partial
Least Square. Journal of Statistic Software.

Ringle, C.M., Wende,S. & Will, A. (2005).SmartPLS. http://smartpls.de

17