PARTIAL LEAST

SQUARE (VBSEM)

1
Pengantar (1)
 PLS pertama kali dikembangkan oleh
Herman Wold (1961)
 PLS dikembangkan sebagai alternatif
PEMODELAN PERSAMAAN STUKTURAL
yg dasar teorinya lemah
 Menggunakan indikator dari Variabel Laten
(konstruk) refleksif dan formatif.
 Variabel Laten bisa berupa hasil pencerminan indikatornya,
diistilahkan dengan indikator refleksif.
 Variabel Laten bisa dibentuk (disusun) oleh indikatornya,
diistilahkan dengan indikator formatif

2
Indikator
 Refleksif
x1 e1

Faktor
x2 e2
Utama 1

 Formatif x3 e3

x1

Faktor
zeta1 x2
Komposit 1

x3
3
 Pengantar (2)
 PLS dapat digunakan sebagai konfirmasi teori (theoritical
testing) dan merekomendasikan hubungan yang belum ada
dasar teorinya (eksploratori) dan bermasalah pada asumsi
normalitas distribusi datanya.
 PLS bertujuan untuk memprediksi pengaruh variabel eksogen
terhadap variabel endogen dan menjelaskan hubungan
teoritikal di antara keduanya.
 PLS sering disebut sebagai soft modelling karena merelaksasi
asumsi BLUE yang ketat, misalnya data tidak harus
berdistribusi normal, sampel tidak harus besar, dan tidak harus
bebas masalah moltikol antar variabel eksogen. Dengan kata
lain, PLS tetap dapat digunakan untuk prediksi meskipun
terdapat pelanggaran terhadap asumsi-asumsi BLUE.
4
Pengantar (3)
 PLS merupakan analisis persamaan struktural (SEM)
berbasis varian yang secara simultan dapat melakukan
pengujian model pengukuran sekaligus pengujian model
struktural.
 Model pengukuran digunakan untuk uji validitas dan
realibilitas, sedangkan model struktural digunakan untuk
uji kausalitas (pengujian hipotesis dengan model
prediksi).
 PLS bertujuan untuk memprediksi model untuk
pengembangan teori.
 SEM (software: AMOS, LISREL) berbasis kovarian,
sedangkan PLS (software: SmartPLS atau Visual PLS)
berbasis varian
5
Pengantar (4)
 PLS mampu mengukur data dengan skala pengukuran
yang berbeda, misalnya dalam suatu model empiris
digunakan data metrik maupun nonmetrik.
 PLS dapat dijalankan pada set data berukuran kecil, yaitu
10x jumlah jalur yang menunjukkan hubungan kausalitas
antara variabel laten.
 PLS dapat menghasilkan output yang tetap kokoh
meskipun terdapat data yang tidak normal dan hilang.
 Berbeda dengan CBSEM yang hanya menggunakan
konstruk reflektif, PLS (VBSEM) dapat menggunakan
konstruk reflektif maupun formatif.

6
Metode PLS
PEMODELAN di dalam PLS:
 Inner model  model struktural yang
menghubungkan antar variabel laten dengan
tujuan untuk memprediksi hubungan
kausalitas antar variabel laten.
 Outer model  model pengukuran yang
menghubungkan indikator dengan variabel
latennya dengan tujuan untuk menilai
validitas dan reliabilitas model.

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 objek dan
biasanya diukur dengan skala multi item dalam
bentuk semantik differences seperti, good-bad, like-
dislike, dan favorable-unfavorable.
 Sebaliknya, niat membeli umumnya diukur dengan
ukuran subjektif, 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
mengubah 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
mengubah 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)

Mengonstruksi Diagram Jalur

3

Konversi Diagram Jalur ke

4 Sistem 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 merupakan model pengukuran untuk

menilai validitas dan reliabilitas model.
 Uji validitas dilakukan untuk mengetahui kemampuan
instrumen penelitian mengukur apa yang seharusnya
diukur, sedangkan uji reliabilitas digunakan untuk
mengukur konsistensi alat ukur dalam mengukur
suatu konsep.
 Parameter-parameter model pengukuran meliputi
validitas konvergen, validitas diskriminan, composite
reliability, cronbach’s alpha, dan nilai R2 sebagai
parameter ketepatan model prediksi.

21
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL

 Outer model refleksif :

 Validitas model dievaluasi dengan convergent dan
discriminant validity dari indikatornya dan
 Reliabilitas model dapat dinilai dengan Composite
realibility untuk blok indikator dan Cronbach’s
alpha.
 Outer model formatif :
 dievaluasi berdasarkan pada substantive content-
nya, yaitu dengan membandingkan besarnya
bobot relatif dan melihat signifikansi dari ukuran
bobot (weight) tsb.
22
GOODNESS OF FIT - OUTER MODEL
 Convergent validity
 Berhubungan dengan prinsip bahwa pengukur-
pengukur dari suatu konstruk seharusnya berkorelasi
tinggi.
 Dinilai berdasarkan loading factor indikator-indikator
yang mengukur konstruk tersebut.
 Nilai loading 0.5 sampai 0.6 dianggap cukup untuk
jumlah indikator dari variabel laten berkisar antara
3 sampai 7.
 Rule of thumb untuk validitas konvergen (Chin,
1995) adalah:
 Outer loading > 0,7
 Communality > 0,5
 Average variance extracted (AVE) > 0,5
23
 GOODNESS OF FIT - OUTER MODEL

Discriminant validity
• Berhubungan dengan prinsip bahwa pengukur-pengukur
konstruk yang berbeda seharusnya tidak berkorelasi dengan
tinggi.
• Dinilai berdasarkan cross loading pengukuran dengan
konstruknya. Besarnya cross loading > 0,7 dalam 1 variabel.
• Jika korelasi konstruk dengan item pengukuran > ukuran
konstruk lainnya, hal ini menunjukkan bahwa konstruk laten
memprediksi ukuran pada blok mereka > ukuran pada blok
lainnya.
• Cara lain dilakukan dengan membandingkan akar kuadrat AVE
setiap konstruk dengan korelasi antar konstruk dalam model.
• Direkomendasikan nilai AVE l> 0.50.

AVE 
 i
2

    var( )
i
2
i i

24
GOODNESS OF FIT - OUTER MODEL
 Composite reliability
 Mengukur nilai sesungguhnya dari reliabilitas
suatu konstruk.
 Nilai batas yang diterima untuk tingkat reliabilitas
komposit adalah ≥ 0.7 walaupun bukan
merupakan standar absolut.
 Reliabilitas komposit (pc) dihitung dengan formula
sbb:
(  i ) 2
c 
( i )2   i var( i )

25
GOODNESS OF FIT - OUTER MODEL

 Cronbach’s Alpha
Mengukur batas bawah nilai reliabilitas suatu
konstruk.
Rule of thumb nilai alpha harus > 0,7 meskipun
nilai 0,6 masih dapat diterima (Hair et al. 2010)
 Jika dibandingkan dengan nilai reliabilitas
komposit, nilai reliabilitas komposit dinilai
lebih baik dalam mengestimasi konsistensi
internal suatu konstruk.

26
 GOODNESS OF FIT - INNER MODEL
 Diukur menggunakan Q-Square predictive relevance dan
nilai koefisien jalur atau nilai t setiap jalur untuk uji
signifikansi antar konstruk.
 Rumus Q-Square:
Q2 = 1 – ( 1 – R12) ( 1 – R22 ) ... ( 1- Rp2 )
 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).
 Semakin mendekati 1 berarti model semakin baik.
27
GOODNESS OF FIT - INNER MODEL

 Nilai koefisien jalur menunjukkan tingkat

signifikansi dalam pengujian hipotesis.
 Ditunjukkan oleh nilai T-statistic dengan
tingkat alpha 5%.
 Untuk uji hipotesis 2 ekor, nilai T-statistic
harus > 1,96.
 Sebaliknya untuk uji hipotesis 1 ekor, nilai T-
statistic harus > 1,64.

28
 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:
menggunakan teknik resampling dengan metode Bootstrap 29
ASUMSI PLS
Asumsi di dalam PLS hanya berkaitan dengan
pemodelan persamaan struktural:
 Hubungan antar variabel laten dalam
inner model adalah linier dan aditif
 Model struktural bersifat rekursif.

30
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

31
 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
32
PERBANDINGAN ANTARA ANALISIS
PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Ukuran Sampel Sampel minimum 10 kali Sampel minimum 30-50 Sampel minimum
jumlah variabel (rule of tumb atau sampel besar di atas direkomendasikan 100-
dari multivariate analysis) 200 200
Modifikasi Model Tidak ada modifikasi Tidak memerlukan Jika model tidak fit,
modifikasi indeks, korelasi dapat dilakukan
antar indikator modifikasi, dengan
penuntun berupa indeks
modofikasi
Goodness of fit Koefisien determinasi total Q-Square predictive RMSEA,Chisquare/DF,
relevance, yang pada dll
dasarnya adalah sama (terdapat sebanyak 26
dengan Koefisien jenis goodness of fit)
determinasi total
Pengujan model Theory Triming, membuang Theory Triming, Theory Triming,
jalur yang nonsignifikan membuang jalur yang membuang jalur yang
nonsignifikan nonsignifikan
Output Faktor determinan, Faktor determinan dan Faktor determinan dan
pengujian model model struktural, pengujian model struktural,
model, uji Validitas dan pengujian model, uji 33
Reliabilitas Validitas dan Reliabilitas
Contoh
 Ilustrasi penerapan PLS akan menggunakam model TAM
(Technology Acceptance Model) yang dikembangkan Davis
(1985).
 Model TAM menggunakan 3 konstruk utama, yaitu kemudahan
persepsian (perceived ease of use), kegunaan persepsian
(perceived usefulness), dan niat (intention).
 Model teoritikal TAM adalah sbb:

Kemudahan
Persepsian

Niat
Penggunaan

Kegunaan
Persepsian

34
Konstruk dan Indikator TAM
Konstruk Indikator
Kemudahan Persepsian (PEU) X1
X2
X3
X4
X5
Kegunaan Persepsian (PU) X6
X7
X8
X9
X10
Niat Penggunaan (IT) Y

Data yang digunakan adalah Data

survai

35
Outer Model
Outer Loadings (Mean, STDEV, T-Values)
 Validitas Konvergen
Original Sample (O) T Statistics (|O/STERR|)
Y <- IT 1,000000
x1 <- PEU 0,848475 18,863656
x10 <- PU 0,566384 3,555346
x2 <- PEU 0,762491 11,596316
x3 <- PEU 0,825264 15,595180
x4 <- PEU 0,739745 12,476443
x5 <- PEU 0,695186 12,211870
x6 <- PU 0,620662 5,817482
x7 <- PU 0,734338 10,256294
x8 <- PU 0,567020 4,023867
x9 <- PU 0,564379 3,740583 36
Hasil Uji Validitas Konvergen
1. Semua nilai faktor loading dalam kolom
Original Sample (O) dari setiap indikator >
0,55 dan nilai statistik > 1,96.
2. Jadi, dapat disimpulkan bahwa semua
indikator adalah valid.

37
Uji Validitas Diskriminan
Cross Loading
IT PEU PU
Y 1,000000 0,061026 0,041217
x1 0,060401 0,848475 0,386046
x2 0,090859 0,762491 0,257466
x3 0,058369 0,825264 0,444383
x4 0,085606 0,739745 0,466060
x5 -0,025760 0,695186 0,560742
x6 0,057626 0,425154 0,620662
x7 -0,019338 0,503688 0,734338
x8 -0,102452 0,088182 0,567020
x9 0,048137 0,240632 0,564379
x10 0,098687 0,195646 0,566384 38
Uji Validitas Diskriminan:
 Berdasarkan pengukuran cross loading
dengan konstruk diperoleh korelasi konstruk
dengan pokok pengukurannya (setiap
indikator) > ukuran konstruk lainnya.
 Jadi, dapat disimpulkan bahwa konstruk laten
dapat memprediksi indikatornya lebih baik
daripada konstruk lainnya.

39
 AVE Akar AVE Korelasi
IT 1,000000
PEU 0,602574 0,78 0,06
PU 0,377060 0,58 0,04

• Akar AVE konstruk > korelasi antar konstruk.

• Jadi, dapat disimpulkan bahwa evaluasi
pengukuran model memiliki diskriminan yang
baik.
40
Uji Reliabilitas
 Composite reliability
Composite Reliability Cronbachs Alpha
IT 1,000000 1,000000
PEU 0,882924 0,838232
PU 0,749505 0,673426

 Nilai composite reliability > 0,7 dan

cronbach’s alpha > 0,6.
 Jadi, dapat disimpulkan bahwa semua
konstruk reliable.
41
Inner Model
Path Coefficients (Mean, STDEV, T-Values)

Original Sample (O) T Statistics

PEU -> IT 0,055918 0,400757

PEU -> PU 0,579448 12,427372

PU -> IT 0,008815 0,068557

42
Simpulan
Ukuran Keterdukungan Hipotesis:
 Jika nilai T-statistik > T-table, hipotesis
terdukung dan sebaliknya.
 Untuk tingkat α = 5%, nilai T-table ≥ 1,96
(two-tailed) atau T-table ≥ 1,64 (one-tailed).
 Berdasarkan tabel Path Coefficeient , dapat
disimpulkan bahwa:
 PEU tidak berpengaruh terhadap IT
 PEU berpengaruh terhadap PU
 PU tidak berpengaruh terhadap IT
43
Tugas PLS
 Seorang peneliti ingin memprediksi pengaruh
budaya organisasi (BO) terhadap kinerja
organisasi (KO).
 Indikator-indikator yang digunakan untuk
mengukur konstruk adalah sbb:

Konstruk Indikator
Budaya organisasi X1, X2, X3, X4, X5, X6
Kinerja organisasi X7, X8, X9, X10, X11

44
Diminta:
1. Dengan menggunakan data Tugas PLS, rumuskan
pertanyaan, tujuan, dan hipotesis penelitian.
2. Gambarkan diagram jalur yang sesuai dengan
tujuan penelitian.
3. Dengan menggunakan PLS, lakukan outer model
dan inner model dengan menggunakan data
metrik.
4. Jelaskan hasil pengujian hipotesis. Apakah
hipotesis terdukung atau tidak.

45