Aplikasi PLS-SEM

dalam Penelitian Agribisnis

Rahayu Relawati
Prodi Agribisnis – Universitas Muhammadiyah Malang

Disampaikan pada: Pelatihan SEM

Laboratorium Biometrika, Fakultas Perttanian, Universitas Sriwijaya
Kamis 29 April 2021
 Pendahuluan
• Peneliti Agribisnis/Sosek Pertanian sering
dihadapkan pada pilihan analisis data
• Kebingungan memilih analisis yang relevan
• Atau keterbatasan ‘hanya’ satu alat analisis yang
‘favorit’
• Regresi menjadi “Teh Botol Sosro”
• Apapun penelitiannya ……… ……...
• Mari belajar PLS-SEM untuk menambah menu
analisis data.
 Definisi & Pengertian PLS-SEM
• PLS (Partially Least Square)
• Manfaaat PLS: memprediksi variabel dependen
dengan jumlah besar variabel independen.
• Mengatasi keterbatasan analisis regresi (OLS) jika
karakteristik datanya bermasalah, seperti: ukuran
data kecil, sebaran data tidak normal, ada gejala
multikolinearitas.
• PLS cocok digunakan untuk analisis prediktif dengan
dasar teori yang lemah dan data tidak memenuhi
asumsi SEM yang berbasis kovarian.
 Structural Equation Modeling-SEM

• Teknik analisis multivariat yang umum

• Digunakan untuk membangun dan menguji model
statistik dalam bentuk model sebab akibat.
• SEM sebenarnya merupakan teknik hibrida yang
meliputi aspek-aspek penegasan (confirmatory)
dari analisis faktor, analisis jalur dan regresi.
• SEM: 1)Covariance Based SEM (CB SEM)
2)Variance Based SEM (VB SEM)  PLS-SEM
 PLS-SEM
• PLS-SEM menangani masalah yang biasanya muncul
dalam analisis SEM berbasis kovarian
• PLS dapat diterapkan dalam model pengukuran
reflektif maupun formatif
• CB-SEM hanya menganalisis model pengukuran
reflektif
• PLS-SEM menjadi pelengkap CB-SEM (AMOS dan
LISREL)
• Mampu menganalisis hubungan antar variabel yang
sangat kompleks, tetapi ukuran sampel data kecil
(30-100).
 Variabel
• Variabel latent: variabel yang tidak dapat diobservasi
secara langsung (unobserved var.)
Ada 2 kategori
Variabel Laten Exogenous (Independen)
Variabel Laten Endogenous (Dependen)
• Variabel manifest: variabel yang dapat diobservasi
secara langsung (observed var.)
juga sering disebut sebagai indikator
 Regresi
Benih

Pupuk
Prod
Obat

TK

Bagaimana jika variabel yang mempengaruhi produksi

bukan hanya input produksi ?
 PLS
Benih

Pupuk
Input Prod
Obat

TK Prod

Man

Skill Exp
 PLS dengan Var. Mediasi
Benih

Pupuk
Input Prod Income
Obat

Prod Income
TK

Man
Pasar

Permi
Skill Exp Harga
ntaan
 Perancangan diagram jalur

Gender Paper

Green
Educat Demograhy Cans
Buying

No
Income Plastic

Variabel formatif Variabel reflektif

Gunakan PLS-SEM
 Software WarpPLS
• Tidak memerlukan asumsi data terdistribusi
normal
• Dapat digunakan pada variabel reflektif dan
formatif
• Sampel tidak harus besar, 30-100 sampel saja,
karena ada resampling
• Hubungan kausalitas satu arah (rekursif)
• Dapat digunakan pada variabel yang kompleks,
indikator tidak dimunculkan dalam gambar
model.
 Contoh2 model PLS-SEM

Pengetahuan, sikap, manajemen, penerapan IFS mempengaruhi

produktivitas IFS
 Contoh model PLS-SEM: var. mediasi

Iklim dan demografi mempengaruhi usahatani (Var. Mediasi)

Selanjutnya usahatani dan pendapatan non Farm mempengaruhi
Ketahanan pangan.
 Contoh PLS-SEM: Var. mediasi & moderasi

Ada variabel mediasi dan variabel moderasi

 Mengoperasikan WarpPLS
• Siapkan data di Excel
• Import data ke WarpPLS
• Menggambar model yang dirancang
• Analysis
• Simpan hasil analisis dalam bentuk all model
dan jpeg
• Membaca dan interpretasi hasil analisis.
 Interpretasi Hasil Analisis
• Cek validitas dan reliabilitas instrumen
• Cek Model Fit & Quality Indices
• Cek jpeg model PLS-SEM
• Cek path coefficient dan p-value
• Pada masing-masing variabel latent yang
signifikan, cek loading factor terbesar
• Prioritas rekomendasi berdasarkan loading
factor yang besar.
 Combined Loading and Cross Loading
X1 X2 X3 X4 Y1 Type (a SE P value
X1.1 0.552 -0.229 0.133 0.190 -0.035 Formati 0.084 <0.001
X1.2 0.653 0.141 0.018 -0.007 0.297 Formati 0.081 <0.001
X1.3 0.573 -0.156 0.190 -0.056 -0.138 Formati 0.083 <0.001
X1.4 0.709 0.097 -0.243 -0.205 0.112 Formati 0.080 <0.001
X1.5 0.680 0.081 -0.033 0.114 -0.256 Formati 0.081 <0.001
X2.1 -0.036 0.789 0.194 -0.056 -0.257 Reflect 0.079 <0.001
X2.2 0.036 0.789 -0.194 0.056 0.257 Reflect 0.079 <0.001
X3.1 -0.331 0.141 0.817 0.081 0.186 Reflect 0.078 <0.001
X3.2 0.331 -0.141 0.817 -0.081 -0.186 Reflect 0.078 <0.001
X4.1 0.057 -0.002 0.126 0.839 -0.057 Formati 0.078 <0.001
X4.2 -0.077 -0.088 0.019 0.885 -0.036 Formati 0.077 <0.001
X4.3 0.031 0.117 -0.180 0.679 0.118 Formati 0.081 <0.001
Y1.1 0.088 0.279 -0.055 0.067 0.726 Reflect 0.080 <0.001
Y1.2 -0.098 0.114 0.151 0.016 0.878 Reflect 0.077 <0.001
Y1.3 -0.117 -0.208 0.110 -0.034 0.839 Reflect 0.078 <0.001
Y1.4 0.165 -0.175 -0.254 -0.047 0.731 Reflect 0.080 <0.001

Loading > 0.3 maka memenuhi validitas konvergen setiap indikator

Loading > cross loading maka memenuhi validitas diskriminan
 Reliabilitas
Composite reliability coefficients
----------------------------------
X1X2 X3 X4 Y1
0.771 0.768 0.800 0.846 0.873

Cronbach's alpha coefficients

---------------------------
X1X2 X3 X4 Y1
0.629 0.695 0.602 0.724 0.804
 Goodness of fit
Average path coefficient (APC)=0.297, P=0.010
Average R-squared (ARS)=0.274, P=0.014
Average adjusted R-squared (AARS)=0.192, P=0.049
Average block VIF (AVIF)=1.109, acceptable if <= 5, ideally <= 3.3
Average full collinearity VIF (AFVIF)=1.603, acceptable if <= 5, ideally <=
3.3
Tenenhaus GoF (GoF)=0.402, small >= 0.1, medium >= 0.25, large >= 0.36
Sympson's paradox ratio (SPR)=0.750, acceptable if >= 0.7, ideally = 1
R-squared contribution ratio (RSCR)=0.806, acceptable if >= 0.9, ideally =
1
Statistical suppression ratio (SSR)=1.000, acceptable if >= 0.7
Nonlinear bivariate causality direction ratio (NLBCDR)=1.000, acceptable
if >= 0.7
 Path Coefficient & P-value
Path coefficients
-----------------
Knowled Attitud Managem IFS ProdIFS
ProdIFS0.149 0.433 0.310 -0.295

P values
Knowled Attitud Managem IFS ProdIFS
ProdIFS0.161 0.001 0.015 0.020

•Sikap, manajemen, aplikasi IFS mempengaruhi produktivitas IFS

•Path coef. Terbesar adalah sikap (0.433), diikuti manajemen
•Namun pengaruh aplikasi IFS justru negatif (-0.295)
•Pada var.sikap kedua loading sama besar (0.789)
•Rekpmendasi: pembentukan sikap ramah lingkungan dan minat
penerapan IFS, melalui berbagai media yang diakses petani.
 Referensi
• Solimun et al, 2017. Metode Statistika Multivarial.
Pemodelan Persamaan Struktural (SEM) Pendekatan
WarpPLS. UB Press.
• Sarstedt Marko et al, 2014. Partial least squares
structural equation modeling (PLS-SEM): A useful
tool for family business researchers. Journal of Family
Business Strategy. 5(2014) p.105-115.
http://dx.doi.org/10.1016/j.jfbs.2014.01.002
“Praktek akan mengikat pengetahuan yang kita miliki”

Terimakasih
rahayurelawati@umm.ac.id