PLS SEM

2.8.1
Partial Least SquarePartial Least Square (PLS) merupakan teknik statistik multivariat yang
berfungsi untuk membandingkan dan menganalisis banyak variabel dependen dan independen
secara bersamaan (Lin et al., 2020). PLS termasuk dalam Analisis Persamaan Struktural (SEM)
yang berbasis variasi, di mana ia mampu menguji dua model sekaligus: model pengukuran
(untuk melihat validitas dan reliabilitas data) dan model struktural (untuk menguji hubungan
sebab-akibat atau kausalitas, yang dikenal sebagai pengujian hipotesis prediktif).
Tujuan utama dari penggunaan PLS adalah untuk memperkirakan atau memprediksi
dampak yang diberikan oleh variabel independen (X) terhadap variabel dependen (Y), sambil
turut menjelaskan landasan teori di balik hubungan tersebut (Rahadi, 2023). Selain itu, PLS
bertindak sebagai metode regresi yang sangat berguna untuk menemukan dan menafsirkan
faktor-faktor gabungan dari variabel X, yang kemudian dapat dianggap sebagai variabel respon
(Y) (Rahadi, 2023).
2.8.2 Structural Equation Modelling
Structural Equation Modelling (SEM) adalah metode analisis data multivariat generasi kedua
yang biasa digunakan dalam riset pemasaran karena dapat menguji model kausal linier dan aditif
yang didukung secara teoritis. Dalam SEM, suatu variabel bersifat eksogen atau endogen.
Variabel eksogen memiliki panah jalur yang mengarah ke luar dan tidak ada panah yang
mengarah ke dalam. Sementara itu, variabel endogen memiliki setidaknya satu jalur ke dalam
dan menunjukkan pengaruh variabel lain.
SEM memungkinkan peneliti untuk menguji secara jelas konsistensi alat ukur dan konsistensi
internal (keandalan) dari model penelitian yang secara teoritis memiliki kemungkinan hubungan
struktural yang diperkirakan secara akurat. Selain itu, SEM dapat melakukan beberapa jenis
analisis, yaitu analisis faktor, analisis jalur, dan regresi (Thakkar, 2020). Ada beberapa alternatif
teknik SEM termasuk PLS yang telah dikembangkan dengan aplikasi perangkat lunak yang
berbeda seperti untuk SEM berdasarkan kovariat tertentu Lisrel, AMOS dan EQS. Sedangkan
varian software berbasis SEM adalah XLSTAT PLS-PM, PLS Graph, SmartPLS, Visual PLS, dll
(Lin et al., 2020).
2.8.3 PLS-SEM (Partial Least Square-Structural Equation Modelling)
PLS adalah model prediksi yang tidak dapat mengasumsikan distribusi tertentu untuk
memperkirakan parameter dan memprediksi kausalitas. Oleh karena itu, teknik parametrik untuk
memeriksa signifikansi parameter tidak diperlukan dan evaluasi prediksi adalah non-parametrik.
Penilaian PLS dilakukan melalui dua tahap, yaitu evaluasi model pengukuran (Outer Model) dan
model struktural (Inner Model) (Hair et al., 2019).
a. Evaluasi model pengukuran (Outer Model)
Pada tahap ini, peneliti mengidentifikasi dan menentukan hubungan antara struktur laten
dan indeksnya, apakah reflektif atau terbentuk. Dalam model ini terdapat beberapa kontrol yaitu
Individual Item Reliability, Internal Consistency Reliability, Average Variance Extracted, dan
Discriminant Validity. Pemodelan pengukuran dilakukan untuk mengetahui hubungan antara
variabel dan indikatornya.
Tahapan pertama dalam uji Outer Model yaitu Individual Item Reliability. Tujuan dari uji
Individual Item Reliability adalah untuk mengevaluasi keandalan setiap item pada instrumen
pengukuran. Untuk menilai Individual Item Reliability, dilakukan perhitungan koefisien korelasi
antara setiap item dengan total skor dari instrumen tersebut yang disebut Loading Factor. Nilai
Loading Factor yang dapat dikatakan valid adalah jika nilainya lebih besar dari 0,7 (Hair et al.,
2017).
Tahapan Selanjutnya yaitu Internal Consistency Reliability. Uji Internal Consistency
Reliability mencerminkan sejauh mana item-item dalam instrumen yang digunakan saling terkait
satu sama lain. Pada tahap ini, kami menggunakan Composite Reliability (CR) sebagai metode
pengukuran keandalan internal. Pengujian ini dilakukan dengan cara melihat nilai Composite
Reliability (CR) dengan ambang batas 0,7 (Hair et al., 2017).
Uji Average Variance Extracted digunakan untuk menilai sejauh mana konstruk yang
diukur dapat menjelaskan variasi dalam item-item yang termasuk dalam konstruk tersebut. Nilai
AVE yang tinggi menunjukkan bahwa konstruk tersebut memiliki keterkaitan yang kuat dengan
item-item yang termasuk di dalamnya. Untuk menunjukkan ukuran Convergent Validity yang
baik, nilai AVE harus di atas 0,5 (Fornell & Larcker, 1981).
Tahapan terakhir yaitu Discriminant Validity digunakan untuk mengevaluasi sejauh mana suatu
konstruk dapat dibedakan dari konstruk-konstruk lain dalam model. Ini dapat diukur dengan
membandingkan korelasi antara konstruk yang diukur dengan akar kuadrat dari AVE dari
masing-masing konstruk. Jika korelasi antara konstruk lebih kecil daripada akar kuadrat dari
AVE, maka dapat dianggap bahwa konstruk tersebut memiliki validitas diskriminan (Fornell &
Larcker, 1981).b. Model Struktur (Inner Model)Dalam model struktural (Inner Model) ada
beberapa langkah evaluasi. Yang pertama adalah untuk melihat hubungan yang signifikan antara
struktur. Hal ini dapat dilihat jika koefisien jalur menunjukkan tingkat signifikansi dalam
menguji suatu hipotesis atau menggambarkan kekuatan hubungan antar struktur. Nilai koefisien
jalur ( β ) diuji dengan nilai ambang lebih besar dari 0,1 untuk menunjukkan bahwa jalur (path)
tersebut berpengaruh dalam model.

Selanjutnya, evaluasi nilai R2. Nilai R2digunakan untuk mengukur variabilitas perubahan dari
variabel bebas menjadi variabel (Hair et al., 2017).Menurut Joseph (Hair et al., 2019), ada tiga
klasifikasi yang membatasi nilai R2 sebesar 0,67 sebagai signifikan, 0,33 sebagai sedang dan
0,19 sebagai varians rendah.
Langkah ketiga adalah melihat nilai uji-t (t-test) dengan metode pemanasan menggunakan uji
satu sisi dengan nilai tingkat signifikansi. Tingkat signifikansi yang baru-baru ini digunakan
untuk uji satu sisi adalah 1,65 (tingkat signifikansi 10%), 1,96 (tingkat signifikansi 5%) dan 2,58
(tingkat signifikansi 1%) (Hair et al., 2019). Nilai uji-t digunakan untuk menguji hipotesis
penelitian. Hipotesis penelitian dapat diterima apabila nilai uji-t lebih besar dari tingkat
signifikansi yang digunakan.
Selain itu, banyak peneliti juga menggunakan nilai-p untuk menilai signifikansi. Jika Anda ingin
mengasumsikan tingkat signifikansi 5% maka nilai p harus lebih kecil dari 0,05 untuk
menyimpulkan bahwa hipotesis memiliki tingkat signifikansi 5%. Hal yang sama berlaku untuk
10% (nilai p < 0,1) dan 1% (nilai p < 0,01).

Langkah keempat yaitu memeriksa f 2 (Effect Size). Pengujian ini dilakukan untuk memprediksi
pengaruh beberapa variabel terhadap variabel lain dalam struktur model dengan nilai threshold
sekitar 0,02 untuk efek kecil, 0,15 untuk efek sedang, dan 0,35 untuk efek besar.

Rumus f 2 (Effect Size) sebagai berikut:

2 2
2 R included−R excluded
f = 2
1−R included

Keterangan:
2 2
R included = Nilai R yang diperoleh ketika konstruk eksogen dimasukkan ke model
2 2
R excluded = Nilai R yang diperoleh ketika konstruk eksogen dikeluarkan dari model

Kelima adalah ujiQ2 (Predictive Relevance) untuk memberikan bukti bahwa beberapa
variabel yang digunakan dalam model memiliki keterkaitan prediktif dengan variabel lain dalam
model dengan nilai ambang batas lebih besar dari 0.

Langkah keenam adalah mengujiq 2 (Relative Impact) untuk mengukur pengaruh relatif dari
hubungan keterkaitan antara prediktif suatu variabel yang diberikan dengan variabel lain dengan
nilai 0,02 untuk efek kecil, 0,15 untuk efek sedang, dan 0,35 untuk tingkat pengaruh yang tinggi.