Analisis Data Multivariat

dengan SmartPLS (partial

least squares)
Statistik | Fakultas Ekonomi dan Bisnis | Ayi Muhyidin, SE., MM

1
Pengantar
• PLS pertama kali dikembangkan oleh Herman Wold
• PLS dikembangkan sebagai alternatif pemodelan persamaan
stuktural yg dasar teorinya lemah
• Indikator dari Variabel Laten tidak memenuhi model refleksif,
akan tetapi formatif
• Variabel Laten bisa berupa hasil pencerminan indikatornya, diistilahkan dengan
indikator refleksif.
• Variabel Laten bisa dibentuk (disusun) oleh indikatornya, diistilahkan dengan
indikator formatif

2
Pengantar
• PLS dapat digunakan sebagai konfirmasi teori (theoritical
testing) dan merekomendasikan hubungan yang belum
ada dasar teorinya (eksploratori)
• SEM (software: AMOS, LISREL) berbasis kovarian,
sedangkan PLS (software: SmartPLS atau Visual PLS)
berbasis varian
• PLS mampu menghindari:
• inadmissible solution: model rekursif
• factor indeterminacy: indikator formatif

3
• Refleksif
x1 e1

Faktor
x2 e2
Utama 1

x3 e3
• Formatif
x1

Faktor
zeta1 x2
Komposit 1

x3

4
Indikator Model Refleksif
• Contoh model indikator refleksif adalah Variabel yang berkaitan dengan
sikap (attitude) dan niat membeli (purchase intention).
• Sikap umumnya dipandang sebagi respon dalam bentuk favorable
(menguntungkan) atau unfavorable (tidak menguntungkan) terhadap suatu
obyek dan biasanya diukur dengan skala multi item dalam bentuk
semantik differences seperti, good-bad, like-dislike, dan favorable-
unfavorable.
• Sedangkan niat membeli umumnya diukur dengan ukuran subyektif
seperti how likely-unlikely, probable-improbable, dan/atau possible-
impossible.

5
Ciri-ciri model indikator reflektif
• Arah hubungan kausalitas dari variabel laten ke indikator
• Antar indikator diharapkan saling berkorelasi (instrumen harus
memiliki internal consistency reliability)
• Menghilangkan satu indikator, tidak akan merubah makna dan
arti variabel yg diukur
• Kesalahan pengukuran (error) pada tingkat indikator

6
Indikator Model Formatif
• Contoh model indikator formatif adalah di bidang ekonomi, seperti indeks
kesejahteraan ekonomi berkelanjutan, indeks pembangunan
manusia, indeks kualitas hidup.
• Variabel laten dengan model indikator formatif berupa variabel
komposit
• Variabel Status Sosial Ekonomi, diukur berdasarkan indikator yang saling
mutually exclusive: Pendidikan, Pekerjaan dan Tempat Tinggal

7
Ciri-ciri model indikator formatif
• Arah hubungan kausalitas dari indikator ke variabel laten
• Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan
uji reliabilitas konsistensi internal)
• Menghilangkan satu indikator berakibat merubah makna dari
variabel laten
• Kesalahan pengukuran berada pada tingkat variabel laten
(zeta)

8
 Y11 Y12 Y13

Bangunan Rumah

Kondisi
Pendidikan
Sosial Sikap thdp
Keluarga Sekolah
Pekerjaan Kejuruhan

Pendapatan
Minat thdp
Kondisi Sekolah
Pengeluaran
Ekonomi Kejuruhan
Keluarga
Keluarga yg Bekerja

Y21 Y22 Y23 9

 Pendidikan

Bangunan Faktor Status

Tempat Tinggal Sosial Keluarga

Rasio Densitas
Keluarga per
Luas Lantai Kesehatan Kekayaan

Pendorong ke
Luar Negeri

Penarik yang
Motivasi Kerja Kesejahteraan Minat Kembali
berasal dari Luar
Negeri ke Luar Negeri Keluarga ke Luar Negeri

Ikut Keluarga /
kawan

Pendapatan Diri Sendiri Orang Lain

Keluarga

Pengeluaran Faktor Ekonomi

Keluarga Keluarga

Jumlah Angg.
Keluarga yg
Bekerja

10
Metode PLS
PEMODELAN di dalam PLS:
• Inner model  model struktural yang menghubungkan antar
variabel laten
• Outer model  model pengukuran yang menghubungkan
indikator dengan variabel latennya

11
Langkah-langkah Pls
1 Merancang Model Struktural
(inner model)

Merancang Model Pengukuran

2 (outer model)

Mengkonstruksi Diagram Jalur

3

Konversi Diagram Jalur ke

4 Sistem Persamaan

5 Estimasi: Koef. Jalur, Loading

dan Weight

Evaluasi Goodness of Fit

6

7 Pengujian Hipotesis
(Resampling Bootstraping)
12
LANGKAH KE-1
MERANCANG INNER MODEL
Pada SEM perancangan model adalah berbasis teori, akan
tetapi pada PLS bisa berupa:
• Teori
• Hasil penelitian empiris
• Analogi, hubungan antar variabel pada bidang ilmu yang lain
• Normatif, misal peraturan pemerintah, undang-undang, dan lain
sebagainya
• Rasional
PLS: Bisa ekplorasi hubungan antar variabel

13
LANGKAH KE-2
MERANCANG OUTER MODEL
• Pada SEM semua bersifat refleksif, model pengukuran
tidak penting (sudah terjamin pada DOV)
• Pada PLS perancangan outer model sangat penting:
refleksif atau formatif
• Dasar: teori, penelitian empiris sebelumnya, atau rasional

14
TAHAP KE-3
KONSTRUKSI DIAGRAM JALUR

15
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

• Outer model
• Untuk variabel latent eksogen 1 (reflektif)
• x1 = x1 1 + 1
• x2 = x2 1 + 2
• x3 = x3 1 + 3
• Untuk variabel latent eksogen 2 (formatif)
• 2 = x4 X4 + x5 X5 + x6 X6 + 4

• Untuk variabel latent endogen 1 (reflektif)

• y1 = y1 1 + 1
• y2 = y2 1 + 2
• Untuk variabel latent endogen 2 (reflektif)
• y3 = y3 2 + 3
• y4 = y4 2 + 4
16
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

• Inner model :
• 1 = 11 + 22 + 1
• 2 = 11 + 31 + 42 + 2

17
LANKAH KE-5
Pendugaan parameter :
• Weight estimate yang digunakan untuk menghitung data variabel laten
• Estimasi jalur (path estimate) yang menghubungkan antar variabel
laten (koefisien jalur) dan antara variabel laten dengan indikatornya
(loading)
• Berkaitan dengan means dan lokasi parameter (nilai konstanta
regresi) untuk indikator dan variabel laten.
• Metode estimasi PLS: OLS dengan teknik iterasi
• Interaction variable
• Pengukuran untuk variabel moderator, dengan teknik : menstandarkan skor
indikator dari variabel laten yang dimoderasi dan yang memoderasi,
kemudian membuat variabel laten interaksi dengan cara mengalikan nilai
standar indikator yang dimoderasi dengan yang memoderasi

18
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL

• Outer model refleksif :

• Convergent dan discriminant validity
• Composite realibility
• Outer model formatif :
• dievaluasi berdasarkan pada substantive content-nya yaitu dengan
melihat signifikansi dari weight

19
GOODNESS OF FIT - OUTER MODEL
• Convergent validity
• Nilai loading 0.5 sampai 0.6 dianggap cukup, untuk jumlah indikator
dari variabel laten berkisar antara 3 sampai 7

• Discriminant validity
• Direkomendasikan nilai AVE lebih besar dari 0.50.

AVE 
 i
 2

 i   i var( i )
 2

20
GOODNESS OF FIT - OUTER MODEL
• Composite reliability
• Nilai batas yang diterima untuk tingkat reliabilitas komposit (ρc) adalah
≥ 0.7, walaupun bukan merupakan standar absolut.

(  i ) 2
c 
( i )2   i var( i )

21
GOODNESS OF FIT - INNER MODEL
• Diukur menggunakan Q-Square predictive relevance
• Rumus Q-Square:
Q2 = 1 – ( 1 – R12) ( 1 – R22 ) ... ( 1- Rp2 )
• dimana R12 , R22 ... Rp2 adalah R-square variabel
endogen dalam model
• Interpretasi Q2 sama dg koefisien determinasi total
pada analisis jalur (mirip dengan R2 pada regresi)

22
LANGKAH KE-7
PENGUJIAN HIPOTESIS
• Hipotesis statistik untuk outer model:
H0 : λi = 0 lawan
H1 : λi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen:
H0 : γi = 0 lawan
H1 : γi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen:
H0 : βi = 0 lawan
H1 : βi ≠ 0
• Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan
• Outter model signifikan: indikator bersifat valid
• Inner model signifikan: terdapat pengaruh signifikan
• PLS tidak mengasumsikan data berdistribusi normal: menggunakan teknik
resampling dengan metode Bootstrap
23
ASUMSI PLS
Asumsi di dalam PLS hanya berkaitan dengan
pemodelan persamaan struktural:
• Hubungan antar variabel laten dalam inner model adalah linier dan
aditif
• Model srtuktural bersifat rekursif.

24
SAMPLE SIZE
Ukuran sampel dalam PLS, dengan perkiraan sebagai
berikut:
• Sepuluh kali jumlah indikator formatif (mengabaikan indikator
refleksif)
• Sepuluh kali jumlah jalur (paths) yang mengarah pada model
struktural
• Sample size: 30 – 50 atau besar > 200

25
SOFTWARE PLS
• Software PLS pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984, 1987, 1989) under
DOS dan disebut LVPLS Versi 1.8 (Latent Variable Partial Least Square), dapat didownload di
http://kiptron.psyc.virginia.edu. Software ini dikembangkan lebih lanjut oleh Wynne W Chin (1998,
1999, 2001) menjadi under windows dengan tampilan grafis dan tambahan perbaikan teknik
validasi dengan memasukkan bootstrapping dan jacknifing. Software yang dikembangkan oleh
Chin diberi nama PLS GRAPH versi 3.0, versi student dapat didownload secara gratis di
www.bauer.uh.edu. Versi student ini mampu mengolah maksimum 30 variabel.
• Di University of Hamburg Jerman juga dikembangkan software PLS yang diberi nama
SmartPLS. Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkan lagi ke versi 2.0
dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3. Pengembangan software ini
meliputi perbaikan tampilan, penambahan fasilitas untuk efek moderator, tambahan report / output
yakni communality, redundancy, dan Alpha Cronbach. Software SmartPLS dapat didownload
secara gratis di www.smartpls.de.
• Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University, Taiwan,
yang diberi nama VPLS (VisualPLS). Software ini dapat didownload secara gratis di
http://www2.kuas.edu.tw.
• Software lain yang dapat menjalankan PLS melalui tampilan grafis adalah PLS-GUI yang
dikembangkan oleh Yuan Li dari Management Science Department, The More School of Business,
University of South Carolina. Software ini dapat di download gratis dari http://dmsweb.badm.sc.edu.

26
Perbandingan Antara Analisis Path (Jalur), Pls, Dan Sem

Kriteria Path PLS SEM

Landasan Teori Kuat Kuat maupun Lemah, Kuat

bahkan eksploratif
Bentuk hubungan Linier Linier Linier
antar variabel
Model Struktural Rekursif Rekursif Rekursif dan Nonrekursif
Asumsi Distribusi Normal Tidak diperlukan; -Normal atau
pendekatan resampling -Tidak diperlukan;
dengan Bootstrapping pendekatan resampling
dengan Bootstrapping
Model pengukuran Di luar pemodelan - Refleksif Refleksif
- Formatif
- Total Skor - Skor
- Rata-rata Komponen
Skor Utama
- Rescoring - Indikator
- Skor Faktor Terkuat

27
Perbandingan Antara Analisis Path (Jalur), Pls, Dan Sem
Kriteria Path
Ukuran Sampel Sampel minimal 10 kali
jumlah variabel (rule of tumb
dari multivariate abalysis)
Modifikasi Model Tidak ada modifikasi
Goodness of fit Koefisien determinasi total
Pengujan model Theory Triming, membuang
jalur yang nonsignifikan
Output Faktor determinan,
pengujian model
PLS
Sampel minimal 30-50 atau
sampel besar di atas 200
Tidak memerlukan
modifikasi indeks, korelasi
antar indikator
Q-Square predictive
relevance, yang pada
dasarnya adalah sama
dengan Koefisien
determinasi total
Theory Triming,
membuang jalur yang
nonsignifikan
Faktor determinan dan
model struktural, pengujian
model, uji Validitas dan
Reliabilitas
SEM
Sampel minimal
direkomendasikan 100-
200
Jika model tidak fit,
dapat dilakukan
modifikasi, dengan
penuntun berupa indeks
modofikasi
RMSEA,Chisquare/DF,
dll
(terdapat sebanyak 26
jenis goodness of fit)
Theory Triming,
membuang jalur yang
nonsignifikan
Faktor determinan dan
model struktural,
pengujian model, uji
Validitas dan Reliabilitas 28
Terima kasih

29