PARTIAL LEAST SQUARE 1 Pengantar 1 n PLS

PARTIAL LEAST SQUARE 1

Pengantar (1) n PLS pertama kali dikembangkan oleh Herman Wold n PLS dikembangkan sebagai alternatif PEMODELAN PERSAMAAN STUKTURAL yg dasar teorinya lemah n Indikator dari Variabel Laten tidak memenuhi model refleksif, akan tetapi formatif n n 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) Y 11 Y 12 Y 13 Bangunan Rumah Pendidikan Kondisi Sosial Keluarga Sikap thdp Sekolah Kejuruhan Pekerjaan Pendapatan Pengeluaran Minat thdp Sekolah Kejuruhan Kondisi Ekonomi Keluarga yg Bekerja Y 21 Y 22 3 Y 23

Pengantar (3) 4

Pengantar (4) n PLS dapat digunakan sebagai konfirmasi teori (theoritical testing) dan merekomendasikan hubungan yang belum ada dasar teorinya (eksploratori) n SEM (software: AMOS, LISREL) berbasis kovarian, sedangkan PLS (software: Smart. PLS atau Visual PLS) berbasis varian n PLS mampu menghindari: n n inadmissible solution: model rekursif factor indeterminacy: indikator formatif 5

Metode PLS PEMODELAN di dalam PLS: n Inner model struktural yang menghubungkan antar variabel laten n Outer model pengukuran yang menghubungkan indikator dengan variabel latennya 6

Indikator n Refleksif n Formatif 7

Indikator Model Refleksif n Contoh model indikator refleksif adalah Variabel yang berkaitan dengan sikap (attitude) dan niat membeli (purchase intention). n 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. n Sedangkan niat membeli umumnya diukur dengan ukuran subyektif seperti how likely-unlikely, probableimprobable, dan/atau possible-impossible. 8

Ciri-ciri model indikator reflektif n Arah hubungan kausalitas dari variabel laten ke indikator n Antar indikator diharapkan saling berkorelasi (instrumen harus memiliki internal consistency reliability) n Menghilangkan satu indikator, tidak akan merubah makna dan arti variabel yg diukur n Kesalahan pengukuran (error) pada tingkat indikator 9

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

Ciri-ciri model indikator formatif n Arah hubungan kausalitas dari indikator ke variabel laten n Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji reliabilitas konsistensi internal) n Menghilangkan satu indikator berakibat merubah makna dari variabel laten n Kesalahan pengukuran berada pada tingkat variabel laten (zeta) 11

Notasi pada PLS 12

Notasi pada PLS n n n x y = = = 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) 2 Merancang Model Pengukuran (outer model) 3 Mengkonstruksi Diagram Jalur 4 Konversi Diagram Jalur ke Sistem Persamaan 5 Estimasi: Koef. Jalur, Loading dan Weight 6 Evaluasi Goodness of Fit 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: n n n 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 n n n 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 n Outer model n Untuk variabel latent eksogen 1 (reflektif) x 1 = x 1 1 + 1 n x = 2 x 2 1 + 2 n x = 3 x 3 1 + 3 Untuk variabel latent eksogen 2 (formatif) n = 2 x 4 X 4 + x 5 X 5 + x 6 X 6 + 4 n n n Untuk variabel latent endogen 1 (reflektif) y 1 = y 1 1 + 1 n y = 2 y 2 1 + 2 Untuk variabel latent endogen 2 (reflektif) n y = 3 y 3 2 + 3 n y = 4 y 4 2 + 4 n n 18

LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN n Inner model : n 1 = 1 1 + 2 2 + 1 n 2 = 1 1 + 3 1 + 4 2 + 2 19

LANKAH KE-5 Pendugaan parameter : n 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 n Interaction variable n n 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 n Outer model refleksif : n Convergent dan discriminant validity n Composite realibility n Outer model formatif : n dievaluasi berdasarkan pada substantive content-nya yaitu dengan melihat signifikansi dari weight 21

GOODNESS OF FIT - OUTER MODEL n Convergent validity n Nilai loading 0. 5 sampai 0. 6 dianggap cukup, untuk jumlah indikator dari variabel laten berkisar antara 3 sampai 7 n Discriminant validity n Direkomendasikan nilai AVE lebih besar dari 0. 50. 22

GOODNESS OF FIT - OUTER MODEL n Composite reliability n Nilai batas yang diterima untuk tingkat reliabilitas komposit (ρc) adalah ≥ 0. 7, walaupun bukan merupakan standar absolut. 23

GOODNESS OF FIT - INNER MODEL n Diukur menggunakan Q-Square predictive relevance n Rumus Q-Square: Q 2 = 1 – ( 1 – R 12) ( 1 – R 22 ). . . ( 1 - Rp 2 ) dimana R 12 , R 22. . . Rp 2 adalah R-square variabel endogen dalam model n Interpretasi Q 2 sama dg koefisien determinasi total pada analisis jalur (mirip dengan R 2 pada regresi) n 24

LANGKAH KE-7 PENGUJIAN HIPOTESIS n Hipotesis statistik untuk outer model: H 0 : λi = 0 lawan H 1 : λi ≠ 0 n Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen: H 0 : γi = 0 lawan H 1 : γi ≠ 0 n Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen: H 0 : βi = 0 lawan H 1 : βi ≠ 0 n Statistik uji: t-test; p-value ≤ 0, 05 (alpha 5 %); signifikan n Outter model signifikan: indikator bersifat valid n Inner model signifikan: terdapat pengaruh signifikan n 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: n n 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: n n n 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 n n 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 Smart. PLS. Versi pertama adalah Smart. PLS versi 1. 01, kemudian dikembangkan lagi ke versi 2. 0 dan yang terakhir (akhir tahun 2006) adalah Smart. PLS versi 2. 0 M 3. Pengembangan software ini meliputi perbaikan tampilan, penambahan fasilitas untuk efek moderator, tambahan report / output yakni communality, redundancy, dan Alpha Cronbach. Software Smart. PLS 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 (Visual. PLS). Software ini dapat didownload secara gratis di http: //www 2. 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 maupun Lemah, bahkan eksploratif Kuat Bentuk hubungan antar variabel Linier Model Struktural Rekursif dan Nonrekursif Asumsi Distribusi Normal Tidak diperlukan; pendekatan resampling dengan Bootstrapping -Normal atau -Tidak diperlukan; pendekatan resampling dengan Bootstrapping Model pengukuran Di luar pemodelan - Refleksif - Formatif Refleksif - Total Skor - Rata-rata Skor - Rescoring - Skor Komponen Utama - Indikator Terkuat 29

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

Terima kasih 31