Anda di halaman 1dari 31

PARTIAL LEAST SQUARE

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
Bangunan Rumah

Y12

Y13

Pendidikan Pekerjaan

Kondisi Sosial Keluarga

Sikap thdp Sekolah Kejuruhan

Pendapatan Pengeluaran Keluarga yg Bekerja


3

Kondisi Ekonomi Keluarga

Minat thdp Sekolah Kejuruhan

Y21

Y22

Y23

Pengantar (3)
Pendidikan Bangunan Tempat Tinggal Rasio Densitas Keluarga per Luas Lantai

Faktor Status Sosial Keluarga

Kesehatan

Kekayaan

Pendorong ke Luar Negeri Penarik yang berasal dari Luar Negeri Ikut Keluarga / kawan

Motivasi Kerja ke Luar Negeri

Kesejahteraan Keluarga

Minat Kembali ke Luar Negeri

Pendapatan Keluarga Pengeluaran Keluarga Jumlah Angg. Keluarga yg Bekerja

Diri Sendiri

Orang Lain

Faktor Ekonomi Keluarga


4

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 f model struktural yang menghubungkan antar variabel laten  Outer model f model pengukuran yang menghubungkan indikator dengan variabel latennya

Indikator
 Refleksif
x1 Faktor Utama 1 x2 x3
e1

e2

 Formatif

e3

x1 Faktor Komposit 1 x2 x3
7

zeta1

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, likedislike, dan favorable-unfavorable.  Sedangkan niat membeli umumnya diukur dengan ukuran subyektif seperti how likely-unlikely, probableimprobable, 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


          

\ L Px Py 0x 0y F K ^ H I

= = = = = = = = = = =

Ksi, variabel latent eksogen Eta, variabel laten endogen Lamnda (kecil), loading faktor variabel latent eksogen Lamnda (kecil), loading faktor variabel latent endogen Lamnda (besar), matriks loading faktor variabel latent eksogen 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 (outer model)

Mengkonstruksi Diagram Jalur

3
Konversi Diagram Jalur ke Sistem Persamaan

Estimasi: Koef. Jalur, Loading dan Weight

Evaluasi Goodness of Fit

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 = P 1 x1 \1 + H1  x = P 2 x2 \1 + H2  x = P 3 x3 \1 + H3 Untuk variabel latent eksogen 2 (formatif)  \ = P 2 x4 X4 + Px5 X5 + Px6 X6 + H4 Untuk variabel latent endogen 1 (reflektif)  y = P 1 y1 L1 + I1  y = P 2 y2 L1 + I2 Untuk variabel latent endogen 2 (reflektif)  y = P 3 y3 L2 + I3  y = P 4 y4 L2 + I4
18

LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

 Inner model :
 

L1 = K1\1 + K2\2 + ^1 L2 = F1L1 + K3\1 + K4\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 dievaluasi berdasarkan pada substantive content-nya yaitu dengan melihat signifikansi dari weight

 Outer model formatif :




21

GOODNESS OF FIT
 Convergent validity


- OUTER MODEL

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.

P VE ! P  var(I )
2 i i 2 i i
22

GOODNESS OF FIT
 Composite reliability


- OUTER MODEL

Nilai batas yang diterima untuk tingkat reliabilitas komposit ( c) adalah 0.7, walaupun bukan merupakan standar absolut.
Vc ( ( Pi)2 Pi) 2
i

var(I i )

23

GOODNESS OF FIT

- INNER MODEL
-Square predictive

 Diukur menggunakan

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 : i = 0 lawan H1 : i 0  Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen: H0 : i = 0 lawan H1 : i 0  Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen: H0 : i = 0 lawan H1 : i 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 25

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
Landasan Teori Bentuk hubungan antar variabel Model Struktural Asumsi Distribusi Kuat Linier Rekursif Normal

Path

PLS
Kuat maupun Lemah, bahkan eksploratif Linier Rekursif Tidak diperlukan; pendekatan resampling dengan Bootstrapping - Refleksif - Formatif Kuat Linier

SEM

Rekursif dan Nonrekursif -Normal atau -Tidak diperlukan; pendekatan resampling dengan Bootstrapping Refleksif

Model pengukuran

Di luar pemodelan - Total Skor - Rata-rata Skor - Rescoring - Skor Faktor - Skor Komponen Utama - Indikator Terkuat

29

PERBANDINGAN ANTARA ANALISIS PATH (JALUR), PLS, DAN SEM


Kriteria Ukuran Sampel Path Sampel minimal 10 kali jumlah variabel (rule of tumb dari multivariate abalysis) Tidak ada modifikasi PLS Sampel minimal 30-50 atau sampel besar di atas 200 Tidak memerlukan modifikasi indeks, korelasi antar indikator SEM Sampel minimal direkomendasikan 100200 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
30

Modifikasi Model

Goodness of fit

Koefisien determinasi total

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

Pengujan model

Theory Triming, membuang jalur yang nonsignifikan Faktor determinan, pengujian model

Output

Terima kasih

31