ANALISIS SEM-PLS dengan Warp PLS 3.

0
Author:
Dr. Eva Herianti, S.E., M.Ak., Ak., CA
 Konsep Structural Equation Modeling
(SEM)

Structural Equation Modeling (SEM) adalah generasi kedua teknik analisis multivariat yang
memungkinkan peneliti untuk menguji hubungan antarvariabel yang kompleks baik recursive
maupun nonrecursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model
(Ghozali & Fuad, 2008).

Structural Equation Modeling (SEM) adalah gabungan dari dua metode statistik yang terpisah, yaitu
analisis faktor yang dikembangkan di ilmu psikologi dan psikometri serta model persamaan simultan
yang dikembangkan di ekonometrika (Ghozali, 2011).

Kesimpulan:
Structural Equation Modeling (SEM) adalah analisis multivariat sebagai hasil penggabungan antara
analisis faktor dan model persamaan simultan antarvariabel yang kompleks baik recursive maupun
nonrecursive untuk memperoleh hasil yang komprehensif dalam menjawab fenomena.
Klasifikasi Metode Analisis Multivariat
 Alasan Menggunakan SEM

Structural Equation Modeling (SEM) mampu menguji model penelitian yang kompleks secara
simultan

Structural Equation Modeling (SEM) mampu menganalisis variabel yang tidak dapat diukur
langsung (unobserved variables) dan memperhitungkan kesalahan pengukurannya.
 Klasifikasi SEM

Covariance-Based SEM Variance-Based SEM (SEM-PLS)

Lanjutan
Karakteristik Model SEM-PLS
Karakteristik Data Model SEM-PLS
Konstruk Reflektif vs Konstruk Formatif
Panduan Singkat Memilih Konstruk Reflektif vs Konstruk Formatif
 Konsep WarpPLS

WarpPLS merupakan alat statistik yang digunakan untukm engidentifikasi hubungan linear maupun
nonlinear antarvariabel laten (Kock, 2010).

WarpPLS merupakan alat statistik yang digunakan untuk mengidentifikasi hubungan linear maupun
nonlinear antarvariabel laten dan mengoreksi nilai koefisien jalur berdasarkan houngan tersebut
(Solihin & Ratmono, 2014).

Kesimpulan:
WarpPLS merupakan alat statistic berbasis SEM-PLS yang digunakan oleh peneliti untuk menguji
hubungan linear maupun nonlinear antarvariabel laten.
 Alasan Menggunakan WarpPLS

WarpPLS dapat memberikan ilustrasi hubungan nonlinear berupa scatterplot.

WarpPLS dapat mengestimasi nilai p untuk koefisien jalur secara otomatis.

WarpPLS dapat memberikan beberapa indikator fit model yang dapat berguna untuk
membandingkan model terbaik antarberbagai model yang berbeda.

WarpPLS dapat memberikan hasil koefisien dan nilai p untuk model moderasi secara langsung.

WarpPLS dapat memberikan nilai effect size, yaitu f-squared effect size.
 Alasan Menggunakan WarpPLS

WarpPLS dapat memberikan nilai full collinearity test yang dapat digunakan untuk menganalisis
masalah multikolinearitas vertical dan lateral.

Algoritma yang digunakan oleh WarpPLS dapat meminimalkan masalah multikolinearitas

antarvariabel laten meskipun terjadi overlapping indikator.

WarpPLS dapat memberikan output nilai pengaruh tidak langsung (indirect effect) dan total effect
beserta nilai p, standard error, dan effect size.

WarpPLS dapat memberikan output nilai validitas prediktif berupa Stone-Geisser Q-Squarred
Coefficient.
Cara Menginstal WarpPLS 3.0