PARTIAL LEAST

SQUARE

1
Pengantar (1)
 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 (2)
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

3
Y21 Y22 Y23
 Pengantar (3)
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. 4
Keluarga yg
Bekerja
Pengantar (4)
 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

5
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

6
Indikator
 Refleksif
x1 e1

F a k to r
x2 e2
U ta m a 1

 Formatif x3 e3

x1

Faktor
zeta1 x2
Komposit 1

x3
7
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.

8
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

9
Indikator Model Formatif
 Contoh model indikator formatif adalah di bidang
ekonomi, seperti index of sustainable economics
welfare, the human development index, the
quality of life index.
 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
 Variabel kualitas pelayanan dibentuk (formatif)
oleh 5 dimensi: tangible, reliability, responsive,
emphaty dan assurance.
10
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)

11
Notasi pada PLS

12
 Notasi pada PLS
  = Ksi, variabel latent eksogen
  = Eta, variabel laten endogen
 x = Lamnda (kecil), loading faktor variabel latent eksogen
 y = Lamnda (kecil), loading faktor variabel latent endogen
 x = Lamnda (besar), matriks loading faktor variabel latent eksogen
 y = Lamnda (besar), matriks loading faktor variabel laten endogen
  = Beta (kecil), koefisien pngruh var. endogen terhadap endogen
  = Gamma (kecil), koefisien pngruh var. eksogen terhadap endogen
  = Zeta (kecil), galat model
  = Delta (kecil), galat pengukuran pada variabel laten eksogen
  = Epsilon (kecil), galat pengukuran pada variabel latent endogen

13
LANGKAH-LANGKAH PLS
1 Merancang Model Struktural
(inner model)

Merancang Model Pengukuran

2 (outer model)

Mengkonstruksi Diagram Jalur

3

Konversi Diagram Jalur ke Sistem

4 Persamaan

5 Estimasi: Koef. Jalur, Loading

dan Weight

Evaluasi Goodness of Fit

6

7 Pengujian Hipotesis (Resampling

Bootstraping) 14
 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

15
 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

16
 TAHAP KE-3
KONSTRUKSI DIAGRAM JALUR

17
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

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

 Untuk variabel latent endogen 1 (reflektif)

 y = 
1 y1 1 + 1
 y = 
2 y2 1 + 2
 Untuk variabel latent endogen 2 (reflektif)
 y = 
3 y3 2 + 3
 y = 
4 y4 2 + 4
18
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

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

19
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

20
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

21
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

22
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 )

23
 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)
24
 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:
25
menggunakan teknik resampling dengan metode Bootstrap
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.

26
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

27
 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.

28
 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
29
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 30
Validitas dan Reliabilitas
Terima kasih

31