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
BAB I: PENDAHULUAN.................................................................................. 3
A. Kesimpulan ........................................................................................... 16
B. Saran .................................................................................................... 16
2
BAB I
PENDAHULUAN
A. Latar Belakang
perangkat lunak yang digunakan oleh peneliti untuk mengolah, menganalisis, dan
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
Structural Equation Modeling (CB-SEM) dan Partial Least Squares Path Modeling (PLS-
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)
B. Rumusan Masalah
Dari pembahasan dalam latar belakang diatas, maka rumusan masalah yang diambil
diantaranya:
SmartPLS ?
C. Tujuan Penulisan
menggunakan SmartPLS.
4
BAB II
PEMBAHASAN
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
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
Modeling (SEM) adalah metode konfirmasi yang memberikan sarana komprehensif untuk
menilai dan memodifikasi model pengukuran serta model struktural. Metode tersebut
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
hubungan secara bersamaan dalam model kompleks yang terdiri dari beberapa konstruksi,
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
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
SEM yang berbasis kovarian dimana dalam SEM tersebut data diharuskan
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
besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat
reflektif. Hal ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan
7
SEM-PLS memberi kelonggaran terhadap keharusan adanya skala pengukuran
interval.
Distribusi residual dalam SEM-PLS tidak diharuskan seperti pada SEM yang berbasis
kovarian dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti
teori pada tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang
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
berbasis kovarian.
SEM-PLS memungkinkan model sangat kompleks dengan banyak variabel laten dan
indikator.
1. Variabel Konstruk/Laten:
Konstruk adalah suatu ukuran yang abstrak, tidak dapat diamati langsung
(unobservable).
8
Jenis konstruk atau variabel laten:
variabel lain, ditandai dengan variabel dimana anak panah berawal (●→).
variabel dimana anak panah berakhir (→●). Dalam gambar, variabel endogen
juga dapat berperan ganda, yakni berperan sebagai variabel bebas sekaligus
2. Variabel Indikator/Manifest/Item:
Umumnya disebut sebagai item atau variabel manifest, yakni variabel yang dapat
9
Direpresentasikan dalam model jalur dengan gambar persegi panjang (□). Dalam
(variabel laten). Hubungan antar konstruk didasarkan kepada teori atau asumsi-asumsi
“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
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
Model pengukuran adalah model yang mendeskripsikan hubungan antar variabel laten
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
11
E. Keunggulan Dan Kelemahan SEM-PLS
yang besar.
3. Hasil tetap kokoh (robust), walaupun terdapat data yang tidak normal dan hilang
(missing value).
8. Dapat digunakan pada data dengan tipe skala berbeda, yaitu nominal, ordinal, dan
kontinu.
hubungan crossproduct yang tidak ada (seperti pada teknik analisis faktor berdasarkan
12
2. Penurunan tingkat ketajaman dalam memahami muatan penyebab laten (yang
didasarkan pada ambang asosiasi muatan dan penyebab respons, bukan pada ambang
3. Properti distribusi estimasi yang tidak diketahui menyebabkan tidak diperolehnya nilai
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.
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
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.
dan reliabilitas dari variabel dalam model. Untuk mengukur validitas, gunakanlah
cronbach alpha.
5. Melakukan analisis jalur: Setelah validitas dan reliabilitas sudah diukur, lakukanlah
analisis jalur dengan SmartPLS. Analisis ini akan menghasilkan output berupa
6. Menafsirkan hasil analisis: Setelah analisis jalur selesai, hasil dapat diinterpretasikan
untuk menjawab pertanyaan penelitian. Perlu diingat bahwa hasil harus dilihat dalam
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
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
kompleks yang terdiri dari beberapa konstruksi, variabel indikator, dan jalur struktural.
hubungan prediktif antarkonstruksi dengan melihat apakah ada hubungan atau pengaruh
menggunakan skala pengukuran nominal, ordinal, dan continuous. Iterasi yang dilakukan
dengan berbasis varian, pada penggunaan PLS-SEM, tidak mensyaratkan data terdistribusi
Software produk yang digunakan untuk PLS-SEM pada umumnya diwakili oleh AMOS,
B. Saran
Kami sangat berharap makalah ini dapat memberi informasi dan membantu para
(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
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
Monecke, A. & Leisch, F.(2012) SEM PLS: Structural Equation Modeling Using Partial
Least Square. Journal of Statistic Software.
17