PARTIAL LEAST SQUARES

(TEORI DAN PRAKTEK)

Tiolina Evi
Widarto Rachbini

Tahta Media Group

ii
 PARTIAL LEAST SQUARES
(TEORI DAN PRAKTEK)

Penulis:
Tiolina Evi
Widarto Rachbini

Desain Cover:
Tahta Media

Editor:
Dr. Miftahus Surur [Link]

Proofreader:
Tahta Media

Ukuran:
v, 85 , Uk: 15,5 x 23 cm

ISBN: 978-623-5488-83-7

Cetakan Pertama:
November 2022

Hak Cipta 2022, Pada Penulis

Isi diluar tanggung jawab percetakan
Copyright © 2022 by Tahta Media Group
All Right Reserved

Hak cipta dilindungi undang-undang

Dilarang keras menerjemahkan, memfotokopi, atau
memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari Penerbit.

PENERBIT TAHTA MEDIA GROUP

(Grup Penerbitan CV TAHTA MEDIA GROUP)
Anggota IKAPI (216/JTE/2021)

iii
 KATA PENGANTAR

Puji dan Syukur kami panjatkan selalu kepada Tuhan Yang Maha Esa
atas rahmat dan karunia-Nya karena para penulis dari berbagai Perguruan
Tinggi di Indonesia mampu menyelesaikan naskah buku kolaborasi dengan
Judul “Partial Least Squares (Teori dan Praktek)”.
Latar belakang dari penerbit mengadakan kegiatan Menulis Kolaborasi
adalah untuk membiasakan Dosen menulis sesuai dengan rumpun
keilmuannya. Buku dengan judul “Partial Least Squares (Teori dan Praktek)”
merupakan buku yang disusun sebagai media pembelajaran, sumber referensi
dan pedoman belajar bagi dosen, mahasiswa, praktisi pendidikan dan
masyarakat umum. Buku ini juga akan memberikan informasi secara
lengkap mengenai materi apa saja yang akan mereka pelajari yang berasal dari
berbagai sumber terpercaya yang berguna sebagai tambahan wawasan
mengenai bab-bab yang dipelajari tersebut.
Buku ini tentu memiliki banyak kekurangan. Oleh karena itu penulis
dengan tangan terbuka menerima segala kritik dan saran yang membangun
untuk peningkatan kualitas di masa yang akan datang. Tidak lupa penulis
sangat berterima kasih atas segala motivasi dan dukungan semua pihak yang
berperan langsung maupun tidak langsung dalam proses penyelesaian buku
ini. Ucapan terima kasih juga disampaikan kepada Penerbit Tahta Media
Group yang telah berkenan menerbitkan karya akademik ini.
Akhir kata dengan terbitnya buku ini, harapan penerbit ialah
menambah referensi dan wawasan baru dibidang pendidikan dan dapat
dinikmati oleh kalangan pembaca baik Akademisi, Dosen, Peneliti,
Mahasiswa atau Masyarakat pada umumnya

iv
 DAFTAR ISI

Kata Pengantar .......................................................................................... iv

Daftar Isi .................................................................................................... v
PENGENALAN PLS ................................................................................. 1
TAHAPAN ANALISIS SMARTPLS ....................................................... 8
EVALUASI MODEL ................................................................................ 18
EVALUASI MODEL STRUKTURAL .................................................... 24
MODEL JALUR FIRST ORDER DENGAN MEDIASI ....................... 26
MODEL JALUR FIRST ORDER DENGAN MODERASI .................. 47
KONSTRUK REFLEKSIF DAN FORMATIF ...................................... 67
KONSTRUK UNIDEIMENSIONAL DAN MULTIDIMENSIONAL . 76
Daftar Pustaka ........................................................................................... 84
Profil Penulis .............................................................................................. 85

v
 PENGENALAN PLS
PENGERTIAN PLS
PLS pertama kali dikembangkan oleh Herman O. A. Wold dalam bidang
ekonometrik pada tahun 1960-an. Kelebihan dari Partial Least Square yang
penting adalah dapat menangani banyak variabel independen, bahkan
meskipun terjadi multikolinieritas diantara variabel-variabel independen.
Analisis regresi berganda sebenarnya masih dapat digunakan ketika terdapat
variabel prediktor yang banyak. Namun, jika jumlah variabel tersebut terlalu
besar (misal lebih banyak variabel dari pada jumlah observasi), maka akan
diperoleh model yang fit dengan data sampel, tapi akan gagal memprediksi
untuk data baru. Fenomena ini disebut overfitting. Dalam kasus overfitting
seperti itu, meskipun terdapat banyak faktor manifes, mungkin saja hanya
terdapat sedikit faktor laten yang paling bisa menjelaskan variasi dalam respon.
Maka muncullah ide PLS. Ide umum dari PLS adalah untuk mengekstrak
faktor-faktor laten tersebut, yang menjelaskan sebanyak mungkin variasi
faktor manifes saat memodelkan variabel respon.
Partial Least Squares merupakan jenis analisis statistik multivariat yang
kegunaannya sama dengan SEM di dalam analisis covariance. PLS sering juga
disebut “SEM berbasis komposit”, “SEM berbasis komponen”, atau “SEM
berbasis varians”, berbeda dengan “SEM berbasis kovarians”, merupakan tipe
biasa yang biasanya diterapkan oleh Amos, SAS, Stata, MPlus, LISREL, EQS
dan sofware lainnya. PLS ini bisa menangani banyak variabel respon serta
variabel eksplanatori sekaligus. Metode ini sangat baik digunakan ntuk
metode analisis regresi berganda dan regresi komponen utama, karena metode
ini bersifat lebih robust. Robust merupakan paremeter model tidak banyak
berubah ketika sampel baru diambil dari total populasi.
PLS mampu menghubungkan kumpulan variabel independen dengan
beberapa variabel dependen (respon). Pada sisi prediktor, PLS dapat
menangani banyaknya variabel indepnden bahkan ketika prediktor

Pengenalan PLS | 1
menampilkan multikolineritas. PLS dapat diimplementasikan sebagai model
regresi, memprediksi satu atau lebih tanggungan dari satu set atau lebih
undependen. PLS juga dapat mengimplementasikannya sebagai model jalur,
menangani jalur kausal yang menghubungkan prediktor dengan jalur serta
menghubungkan prediktor dengan variabel respons. SmartPLS adalah
implementasi yang paling umum sebagai model jalur, bahkan sampai
diimplementasikan sebagai model regresi oleh SPSS dan PROC PLS SAS.
PLS-SEM menggunakan proxy untuk mewakili kontruksi yang menarik,
meupakan komposit tetimbang dari variabel indikator untuk kontruksi tertentu.
Menggunakan komposit tertimbang variabel indikator memfasilitasi seorang
akuntansi untuk kesalahanpengukuran, sehingga menjadikan PLS-SEM lebih
unggul dibandingkan regresi berganda dengan menggunakan skor
penjumlahan.
Menurut Jogiyanto dan Abdillah (2009), PLS dapat digunakan untuk
analisis Structural Equation Modeling (SEM) berbasis varian yang secara
simultan dapat melakukan pengujian model pengukuran sekaligus pengujian
model struktural. Model pengukuran digunakan untuk uji validitas dan
reabilitas, sedangkan model struktural digunakan untuk uji kausalitas
(pengujian hipotesis dengan model prediksi).
Masih menurut Jogiyanto dan Abdillah (2009) menyatakan analisis
Partial Least Squares (PLS) adalah teknik statistika multivarian yang
melakukan perbandingan antara variabel dependen berganda dan variabel
independen berganda. PLS merupakan salah satu metode statistika SEM
berbasis varian yang didesain untuk menyelesaikan regresi berganda ketika
terjadi permasalahan spesifik pada data. Sedangkan menurut Ghozali (2006)
menjelaskan bahwa PLS adalah software yang dapat digunakan untuk analisis
yang bersifat soft modeling karena tidak mengasumsikan data harus dengan
pengukuran skala tertentu, yang berarti jumlah sampel dapat kecil (dibawah
100 sampel), hal ini merupakan perbedaan mendasar PLS yang merupakan
SEM berbasis varian dengan LISREL atau AMOS yang berbasis kovarian
adalah tujuan penggunaannya.
Menurut Field (2000), PLS dimaksudkan untuk mengatasi keterbatasan
analisis regresi dengan teknik OLS (Ordinary Least Square) ketika
karakteristik datanya mengalami masalah, seperti : (1). ukuran data kecil, (2).
adanya missing value, (3). bentuk sebaran data tidak normal, dan (4). adanya

2 | Pengenalan PLS
gejala multikolinearitas. OLS regression biasanya menghasilkan data yang
tidak stabil apabila jumlah data yang terkumpul (sampel) sedikit, atau
adanya missing values maupun multikolinearitas antar prediktor karena
kondisi seperti ini dapat meningkatkan standard error dari koefisien yang
diukur
Terdapat beberapa alasan yang menjadi penyebab digunakan PLS dalam
suatu penelitian. Dalam penelitian ini alasan-alasan tersebut yaitu: pertama,
PLS (Partial Least Square) merupakan metode analisis data yang didasarkan
asumsi sampel tidak harus besar, dan residual distribution. Kedua, PLS
(Partial Least Square) dapat digunakan untuk menganalisis teori yang masih
dikatakan lemah, karena PLS (Partial Least Square) dapat digunakan untuk
prediksi. Ketiga, PLS (Partial Least Square) memungkinkan algoritma dengan
menggunakan analisis series ordinary least square (OLS) sehingga diperoleh
efisiensi perhitungan algaritma (Ghozali, 2006). Keempat, pada pendekatan
PLS, diasumsikan bahwa semua ukuran variance dapat digunakan untuk
menjelaskan.

PERBANDINGAN PENDEKATAN VARIANCE (PLS-SEM) DENGAN

PENDEKATAN COVARIANCE (AMOS DAN LISREL)
Analisis SEM secara umum dapat dibedakan menjadi Variance
Based SEM (VB SEM) dan Covariace Based SEM (CBSEM). Pendekatan
PLS-SEM didasarkan pada pergeseran analisis dari pengukuran estimasi
parameter model menjadi pengukuran prediksi model yang relevan. PLS-SEM
menggunakan algoritma iteratif yang terdiri atas beberapa analisis dengan
metode kuadrat terkecil biasa (Ordinary Least Squares). Oleh karena itu,
dalam PLS-SEM persoalan identifikasi tidak penting. PLS-SEM justru
mampu menangani masalah yang biasanya muncul dalam analisis SEM
berbasis kovarian. Pertama, solusi model yang tidak dapat diterima
(inadmissible solution) seperti munculnya nilai standardized loading factor >
1 atau varian bernilai 0 atau negatif. Kedua, faktor indeterminacy yaitu faktor
yang tidak dapat ditentukan seperti nilai amatan untuk variable laten tidak
dapat diproses. Karena PLS memiliki karakteristik algoritma interatif yang
khas, maka PLS dapat diterapkan dalam model pengukuran reflektif maupun
formatif. Sedangkan analisis CB-SEM hanya menganalisis model pengukuran
reflektif (Yamin dan Kurniawan, 2011:15).

Pengenalan PLS | 3
 Dengan demikian, PLS-SEM dapat dikatakan sebagai komplementari
atau pelengkap CB SEM (AMOS dan LISREL) bukannya sebagai pesaing.
Terdapat 10 kriteria perbandingan antara penggunaan VBSEM (PLS–SEM)
dengan CBSEM (AMOS dan LISREL) dapat dilihat pada Tabel dibawah ini

Tabel 1 Perbandingan Antara Penggunaan PLS dengan AMOS dan

LISREL
No Kriteria PLS AMOS-Lisrel
Orietnasi prediksi dan Taksran parameter
1 Tujuan
analisis eksplorasi dan konfirmatori
Parametrik ,
Non-parametrik, tidak
mengikuti pola
2 Asumsi mengikuti pola
distribusi normla
tertentu
Multivariate
Varaiance atau
Covariance Based
3 Pendekatan Component Based
(CB-SEM)
(VB-SEM)
30-100 kasus,
semakin jumlah
4 Jumlah Sampel 200-800 kasus
sampel model
semakin baik
Hubungan Indikator- Reflektif maupun
5 Reflektif
Konstruk-Laten Formatif
Mampu menangani
hubungan yang
sangat komplek, bisa
Kurang dari 100
6 Kompleksitas Model terdiri dari 100
variabel
kosntruk laten dan
1000 variabel
manifest
Asumsi dasr toeri
Fleksibel, optimal
kuat, pengembangan
7 Kebutuhan Teori prediksi dan kurasi
model berorientasi
model
akurasi parameter

4 | Pengenalan PLS
 No Kriteria PLS AMOS-Lisrel
Algoritma CBSEM
Model Rekursif dan
8 Identifikasi Model hanya menangani
non Rekursif
model rekursif
Sedikit alat parameter Lebih banyak alat
9 Uji GOF
GOF parameter GOF
Konsisten ketika
Kekuatan Taksiran Lebih baik, kuat dan
10 jumlah sampel
Parameter konsisten
meningkat
Secara Eksplisit
11 Skor Variabel Laten Interminate
destimasi
Optimal untuk Optimal untuk
12 Implikasi
ketepatan Prediksi ketepatan parameter

MODEL DALAM PLS

Model Jalur PLS terdiri dari dua elemen, Pertama, ada model struktural
(bagian dalam) model dalam konteks PLS-SEM yan mewakili kontruksi
(lingkaran atau oval). Struktur model juga menampilkan hubungan jalur
antara kontruksi. Kedua, ada model pengukuran (model luar dalam PLS-SEM)
dari kontruksi yang menampilkan hubungan antara konstruk dan variabel
indikator (persegi panjang). Ada dua jenis model pengukuran : satu untuk
variabel laten eksogen (kontruksi yang menjelaskan kontruksi lain dlam
model) dan satu lagi untuk variabel laten endogen (kontruksi yang sedang
menjelaskan dalam model).
Model jalur dikembangkan berdasarkan teori. Teori merupakan
seperangkat hipotesis yang terkait secara sistematis diembangkan mengikuti
metode ilmiah yang dapat digunakan untuk menjelaskan dan memprediksi
hasil. Dengan begitu, hipotesis merupakan dugaan individu, sedangkan teori
adalah beberapa hipotesis yang logis dihubungkan bersama dan dapatdiuji
secara empiris. Diperlukan dua jenis teori untuk mengembangkan jalur;
model; teori pengukuran dan teori struktural. Penentuan bagaimana kontruksi
terkait satu sama lain dalam model struktural, sedangkan teori pengukuran
menentukan bagaimana setiap kontruk diukur bagian terakhir.

Pengenalan PLS | 5
 Pemilihan SEM PLS menjadi salah satu software pembantu dalam
penelitian, dapat dilihat dari beberapa penyebab, diantaranya :
1. Tujuannya adalah memprediksi konstruksi target utama atau
mengidentifikasi konstruksi "penggerak" utama.
2. Konstruksi yang diukur secara formatif adalah bagian dari model
struktural. Perhatikan bahwa tindakan formatif juga dapat digunakan
dengan CB-SEM, tetapi melakukannya memerlukan modifikasi
spesifikasi konstruk (misalnya, konstruk harus menyertakan keduanya
formatif dan indikator reflektif untuk memenuhi persyaratan identifikasi).
3. Model strukturalnya kompleks (banyak konstruksi dan banyak indikator).
4. Ukuran sampelnya kecil dan/atau datanya tidak terdistribusi secara
normal.
5. Rencananya adalah menggunakan skor variabel laten dalam analisis
selanjutnya.

KELEBIHAN DAN KEKURANGAN PLS

Kelebihan PLS
1. PLS memiliki kemampuan untuk memodelkan beberapa tanggungan
serta beberapa independen;
2. Pendekatan smartPLS dianggap powerful karena tidak mendasarkan pada
berbagai asumsi;
3. Memiliki kemampuan untuk menangani multikolinearitas di antara
independen;
4. Ketahanan dalam menghadapi gangguan data dserta data yang hilang;
5. Membuat variabel laten independen secara langsung berdasarkan produk
silang yang melibatkan variabel respons, membuat prediksi lebih kuat;
6. Jumlah sampel yang dibutuhkan untuk analisis relatif kecil, ini menjadi
solusi saat kita memiliki keterbatasan jumlah sampel sementara model
yang dibangun komplek.

Kekurangan PLS
1. PLS kesulitan dalam menafsirkan pemuatan variabel laten independen
(didasarkan pada hubungan lintas produk dengan variabel respons)
sangat besar;
2. SmartPLS hanya bisa membaca data excel dalam bentuk csv.

6 | Pengenalan PLS
 Dilihat dari kekurangan dan kelebihannya, PLS lebih disukai sebagai
teknik prediksi dan bukan sebagai teknik interpretasi, kecuali untuk analisis
eksplorasi sebagai pendahuluan untuk teknik interpretasi seperti regresi linear
berganda atau pemodelan persamaan struktural berbasis kovarians.
Pemodelan jalur PLS direkomendasikan pada tahap awal pengembangan
teoritis untuk menguji dan menvalidasi model eksplorasi.

FUNGSI PLS
Fungsi dari PLS, yauti sebagai berikut:
1. Partial Least Square adalah analisis yang fungsi utamanya untuk
perancangan model, tetapi juga dapat digunakan untuk konfirmasi teori.
2. PLS tidak butuh banyak syarat atau asumsi seperti SEM. Apa itu SEM
nanti akan saya jelaskan lebih lanjut pada artikel lainnya.
3. Fungsi Partial Least Square kalau dikelompokkan secara awam ada 2,
yaitu inner model dan outer model. Outer model itu lebih kearah uji
validitas dan reliabilitas. Sedangkan inner model itu lebih kearah regresi
yaitu untuk menilai pengaruh satu variabel terhadap variabel lainnya.
4. Kecocokan model pada Partial Least Square tidak seperti SEM yang ada
kecocokan global, seperti RMSEA, AGFI, PGFI, PNFI, CMIN/DF, dll.
Dalam PLS hanya ada 2 kriteria untuk menilai kecocokan model, yaitu
kecocokan model bagian luar yang disebut dengan outer model dan
kecocokan bagian dalam yang disebut dengan inner model. Sehingga
maksud poin 3 diatas adalah menjelaskan poin 4 ini. Untuk kecocokan
model bagian luar ada 2 yaitu pengukuran reflektif dan pengukuran
formatif, yang sudah dijelaskan diatas.
5. Penilaian kecocokan model bagian luar atau outer model antara
lain: Reliabilitas dan validitas variabel laten reflektif dan validitas
variabel laten formatif.
6. Penilaian kecocokan model bagian dalam antara lain: Penjelasan varian
variabel laten endogenous, ukuran pengaruh yang dikontribusikan dan
relevansi dalam prediksi.

Pengenalan PLS | 7
 TAHAPAN ANALISIS SMARTPLS
Pada tahap awal proyek penelitian melibatkan penerapan SEM, langkah
pertama yang penelitia yaitu menenentukan diagram yang menggambarkan
hipotesis penelitian dan menampilkan hubungan variabel yang akan diperiksa,
diagram ini sering disebut model jalur. Model jalur merupakn diagram yang
menghubungkan variabel/kontruk berdasarkan teori dan logika untuk
menampilkan secara visual hipotesis yang akan diuji.
Sebagaimana yang sudah dijelaskan diatas model jalur terdiri dari dua
elemen. Pertama, model struktural yang menggambarkan hubungan antara
veriabel laten. Kedua, pengukuran model yang menggambarkan hubungan
antara variabel laten dan ukuran indikator.
Pertama, model struktural memiliki dua isu utama yang perlu
dipertimbangkan yaitu, urutan kontruksi dan hubungan di antara mereka.
Kedua isu tersebut sangatlah penting bagi konsep pemodelan karena memiliki
hipotesis dan berhubungan dengan teori yang diuji.
Urutan kontruksi dalam model struktural didasarkan pada teori, logika,
atau praktis pengalaman yang dialami peneliti. Urutan ditampilkan dari kiri ke
kanan, dengan kontruksi independen (prediktor) berada di sebelah kiri
sedangkan variabel dependen (hasil) berada di sebelah kanan samping. Dapat
diartikan, kontruksi di sebelah kiri diasumsikan mendahului dan memprediksi
kontruksi di sebelah kanan. Kontruk yang bertindak sebagai variabel
independen biasanya disebut variabel laten eksogen dan berada disebelah sisi
paling kiri dari model struktural. Variabel laten eksogen hanya meiliki panah
yang menunjuk keluar dari mereka dan tidak pernah memiliki panah yang
mengarah ke mereka.
Kontruksi dipertimbangkan bergantung pada model struktural yang
memiliki panah menunjuk ke dalamnya atau lebih sering disebut variabel laten
endogen dan berada di sebelah kanan model struktural. Kontruksi yang
beroperasi baik sebagai variabel independen dan dependen dalam model juga

8 | Tahapan Analisis Smartpls

dianggap endogen serta mereka merupakan bagian dari model, munculnya di
tengah diagram.
Setelah menetapkan metode jalur yang akan digunakan, tahap
selanjutnya pembuatan model untuk melanjutkan ke algoritma PLS. langkah-
langkah yang dilakukan untuk membuat jalur model : Setelah model jalur
dibuat, peneliti mengklik dua kali pada model jalur di panel Project Explorer
di sebelah kiri. Ini akan mengungkapkan jalannya diagram dan di atasnya
sebuah ikon, ikon "Algoritma PLS", yang dapat diklik untuk menjalankan
algoritma PLS yang konsisten. Atau, pilih Hitung > PLS
Algoritma dari menu utama juga menginstruksikan SmartPLS untuk
menjalankan model menggunakan metode estimasi standar.
Menjalankan algoritma PLS menampilkan layar opsi yang ditunjukkan
di bawah ini. Khas, peneliti menerima semua default dan mengklik tombol
"Mulai Perhitungan" di kanan bawah.
Buka software PLS dengan tampilan menu seperti di bawah ini,
kemudian klik New Project. Kemudian isikan nama project yang akan kita
buat, dalam contoh ini nama projectnya adalah PLSfirstorder kemudian klik
OK, seperti gambar di bawah ini.

Kemudian Double-click to import data. Perintah “Double-click to import data”

akan mengarahkan kita ke explorer untuk mencari dimana data file project baru
tersebut disimpan (lihat gambar di atas). Setelah data ditemukan, kemudian disorot
dan klik open.

Tahapan Analisis Smartpls | 9

Selanjutnya tampil menu SmartPLS untuk memverifikasi apakah sudah benar
data tersebut yang akan digunakan, jika ya maka lanjutkan dengan klik OK,
seperti gambar di bawah ini.

Maka secara otomatis data (PLSfirstorder) akan di import ke dalam project

baru (PLSfirstorder) tersebut. Pada menu ini terdapat tiga pilihan tampilan,
yaitu Indicators, Indicator Correlation, dan Raw File.

10 | Tahapan Analisis Smartpls

DAFTAR PUSTAKA

Fornell, C.; Bookstein, F.L. 1982. "A Comparative Analysis of Two Structural
Equation Models: LISREL and PLS Applied to Market Data", in C.
Fornell [ed.]. A Second Generation of Multivariate Analysis, 1, 289-324.
New York: Praeger Publishers.
Garson, G. [Link] Least Squares: Regression & Structural
Equation Models. USA : Associates Publishing.
Ghozali, I. (2014). Structural Equation Modeling, Metode Alternatif dengan
Partial Least Square (PLS). Edisi 4. Semarang: Badan Penerbit
Universitas Dipenegoro.
Hair, et al.(1998). Multivariate Data Analysis, Fifth Edition, Prentice Hall,
Upper Saddle. River : New Jersey.
Hair, J. F., Hult, G. T., Ringle, C. M., & Sarstedt, M. (2016). A Primer on
Partial Least Squares Structural Equation Modeling (PLS-SEM) Second
. Los Angeles: SAGE.
Hayes, A. F. (2013). Introduction to Mediation, Moderation, and Conditional
Process Analysis. New York: The Guilford Press
Jr, Joseph F Hair, dkk.2017.A Primer on Partial Least Squares Structural
Equation Modeling (PLS-SEM). Los Angeles : Sage [Link].
Prof. Dr. H. Siswoyo Haryono, MM, MPd. 2016. Metode SEM Untuk
Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart
PLS 3.0. Jakarta. PT. Intermdedia Personalia Utama
Solimun, Fernandes, A. A., & Nurjannah. (2017). Metode Statistika
Multivariat Pemodelan Persamaan Struktural (SEM) Pendekatan
WarpPLS. Malang: Universitas Brawijaya Press.
Vinzi, V. Esposito, [Link] of Partial Least Squares : Concepts,
Methods and Applications. Berlin : Springer.
Yamin, [Link] Data Statistik SMARTPLS3, AMOS & STATA
(Mudah & Praktis). Bekasi : PT Dewangga Energi Internasional.

84 | Daftar Pustaka
PROFIL PENULIS

Tiolina Evi, lahir di Jakarta 07 Agustus 1969,

merupakan dosen mata kuliah Akuntansi di Sekolah
Pascasarjana Perbanas Institute. Memperoleh gelar
S1 di STIE Perbanas, S2 di IGI International dan
pendidikan S3 diselesaikan di Universitas Pancasila.
Untuk melakukan korespondensi, Tiolina dapat
dihubungi melalui email: tiolinaevi@[Link] dan Hp: 0816-485-3875.

Nama : Widarto Rachbini

Email : widarto@[Link]
Affiliasi : Universitas Pancasila
Profil :
Widarto Rachbini, lahir di Pamekasan 21 Desember 1963, merupakan dosen
mata kuliah Statistika dan Analisis Multivariat di Program Doktor Ilmu
Ekonomi, Sekolah Pascasarjana Universitas Pancasila. Memperoleh gelar S1
dan S3 di Institut Pertanian Bogor (IPB), sedangkan pendidikan S2
diselesaikan di Universitas Indonesia (UI). Selain aktif mengajar di kampus,
saat ini Widarto juga memimpin dan menjadi instruktur senior di INDEF Pusat
Statistik yang merupakan salah satu departemen di INDEF. Buku yang ditulis
1) Statistika Terapan Cara Mudah dan Cepat Menganalisis Data tahun 2018,
2) Penerapan Metoda Analitycal Hierarchy Process pada Strategi Pemasaran
Produk tahun 2019, 3) Metode Riset Ekonomi dan Bisnis tahun 2020 dan
Statistika Terapan, Pengolahan Data Time Series Menggunakan Evews tahun
2021. Widarto juga aktif mengasuh situs [Link] dan
[Link]. Untuk melakukan korespondensi, Widarto dapat
dihubungi melalui email: widarto@[Link] dan WA: 0877-8467-
3150.

Profil Penulis | 85