SMART PLS
Analisis Statistik Mulivariat ?
analisis satu variabel
UNIVARIAT analisis statistik deskriptif
Mean,standar deviasi, varian, persentil dll
Analisis dua variabel
BIVARIAT Linear 1 var. bebas + 1 var. Terikat
Multiple (berganda) >1 var. Bebas +
1var. terikat
menganalisis byk variabel Scr simultan
MULTIVARIAT SEM gabungan dari analisis faktor dan
analisis jalur
SEM
• Pendekatan Covariance Based SEM (CBSEM)
AMOS dan LISREL
• PendekatanVariance Based SEM atau
smartPLS, warpPLS dan XLStat
Catatan
• kovarians adalah ukuran dari seberapa banyak
dua variabel acak berubah bersama.
• Varians mengukur seberapa jauh seperangkat
(acak) angka tersebar dari rata-rata mereka .
Why PLS (Partial Least Square) use?
• PLS menggunakan metode bootstraping atau
penggandaan secara acak.
– Asumsi normalitas tidak akan menjadi masalah bagi PLS.
– Tidak mensyaratkan jumlah minimum sampel.
• Model SEM formatif ataupun reflektif
– Formatif adalah var. latent /konstruk dibangun oleh
variabel indikator/manifes dimana panah mengarah dari
variabel indikator ke variabel konstruk.
– reflektif var. konstruk merupakan refleksi dari variabel
indikator, sehingga panahnya mengarah dari variabel laten
ke variabel indikator. Secara statistik, konsekuensinya
adalah tidak akan ada nilai error pada variabel indikator.
• Indikator dengan skala data: kategori, ordinal, interval
sampai rasio dapat digunakan.
Perbedaan PLS dengan CBSEM
• Tujuan: PLS adalah melakukan prediksi hubungan antar
kosntruk. CBSEM lebih ditujukan utk melakukan
konfirmasi teori.
• Asumsi statistiknya: PLS digolongkan sebagai jenis non-
parametrik sedangkan CBSEM parametrik.
• Dari sisi konstruk: CBSEM reflektif only. PLS formatif
& reflektif.
• Jml sampel. Dikarenakan PLS berbasis pada variance
30 s.d 100 sampel. Sedangkan CBSEM berdasar
covariance200 s.d 800 sampel.
• Dari jumlah kosntruk dan indikator. PLS dapat
mengakomodir hingga 100 konstruk dan 1000 indikator
sedangkan CBSEM hanya bisa mengakomodir sampai
100 indikator.
JENIS INDIKATOR
Model Indikator Refleksif
• Indikator-indikator merupakan refleksi
variasi dari variabel laten.
Komitmen • Perubahan pada variabel laten diharapkan
akan menyebabkan perubahan pada semua
indikatornya.
• Walaupun reliabilitas (cronbach alpha) suatu
konstruk akan rendah jika hanya ada sedikit
GIGIH Tantangan indikator, tetapi validitas konstruk tidak akan
berubah jika satu indikator dihilangkan.
• indikator terkait dengan variabel laten yang
sama harus memiliki varians bersama
(ditunjukkan oleh nilai covarian).
Kontrol • tiap indikator bersifat homogen dan
unidimensional. Koefisien alpha dan analisis
faktor menunjukkan hal tersebut.T
CONTOH:konstrak kegigihan (hardiness) yang dimanifestasikan oleh indikator komitmen,
tantangan dan kontrol yang bersifat empirik karena nilainya bisa kita ketahui melalui skor skala
kegigihan.
• Ciri-ciri model indikator reflektif adalah:
[Link] hubungan kausalitas dari konstruk ke indikator
[Link] indikator diarapkan saling berkorelasi (memiliki
internal consitency reliability)
[Link] satu indikator dari model pengukuran
tidak akan merubah makna dan arti konstruk
[Link] adanya kesalahan pengukuran (error)
pada tingkat indikator
INDIKATOR FORMATIF
Finansial
• Mengasumsikan semua indikator
mempengaruhi single konstruk
• Arah hubungan kausalitas mengalir
dari indikator ke konstruk laten dan
Pekerjaan indikator sebagai grup secara
Life bersama-sama menentukan konsep
evennts atau makna empiris dari konstruk
stressor
Kesehatan
laten.
• Semua indikator tidak harus
memiliki varians bersama
(kovarians) sehingga mengeliminasi
Interpersonal satu indikator tidak mengubah
peranan indikator lainnya
pengukuran stres kehidupan (life events stresor) memuat indikator stres berupa stres
finansial, pekerjaan, interpersonal dan kesehatan. Keempat indikator ini membentuk stres
individu. Masing-masing indikator stres tidak terkait dengan yang lain. Semakin tinggi skor
masing-masing indikator stres, semakin tinggi stres kehidupan yang dialami oleh individu.
• Ciri-ciri model indikator formatif adalah:
[Link] hubungan kausalitas dari indikator ke konstruk
[Link] indikator diasumsikan tidak berkorelasi (tidak
diperlukan uji konsistensi internal atau Alpha
Cronbach)
[Link] satu indikator berakibat merubah
makna dari konstruk
[Link] pengukuran diletakkan pada tingkat
konstruk (zeta)
Lain-lain ttg PLS
• PLS fungsiuntuk perancangan model & konfirmasi teori.
• PLS tidak butuh banyak syarat atau asumsi seperti SEM
• Partial Least 2 kelompok, 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.
• Kecocokan model PLS dgn 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.
• Untuk kecocokan model bagian luar ada 2 yaitu pengukuran
reflektif dan pengukuran formatif.
• Penilaian kecocokan outer model antara lain: Reliabilitas dan
validitas variabel laten reflektif dan validitas variabel laten formatif.
• Penilaian kecocokan model bagian dalam antara lain: Penjelasan
varian variabel laten endogenous, ukuran pengaruh yang
dikontribusikan dan relevansi dalam prediksi
LANGKAH PERMODELAN
1. Merancang Model Struktural (inner model)
2. Merancang Model Pengukuran (outer model)
3. Langkah Ketiga: Mengkonstruksi diagram Jalur
4. Goodness of Fit
a). Outer Model
1. Convergent validity : Korelasi antara skor
indikator refleksif dengan skor variabel
latennya. Untuk hal ini loading 0.5 sampai 0.6
dianggap cukup, pada jumlah indikator per
konstruk tidak besar, berkisar antara 3 sampai 7
indikator.
2. Discriminant validity : Membandingkan nilai
square root of average variance extracted (AVE)
setiap konstruk dengan korelasi antar konstruk
lainnya dalam model, jika AVE konstruk lebih
besar dari korelasi dengan seluruh konstruk
lainnya maka dikatakan memiliki discriminant
validity yang baik. Direkomendasikan > 0.50.
3. Composite reliability (ρc) : Kelompok Indikator
yang mengukur sebuah variabel memiliki
reliabilitas komposit yang baik jika memiliki
composite reliability ≥ 0.7
b). Inner model
1. Goodness of Fit Model diukur menggunakan R-
square variabel laten dependen dengan interpretasi
yang sama dengan regresi.
2. Q-Square predictive relevance untuk model
struktural, megukur seberapa baik nilai observasi
dihasilkan oleh model dan juga estimasi
parameternya.
a. Nilai Q-square > 0 menunjukkan model memiliki
predictive relevance;
b. Nilai Q-Square ≤ 0 menunjukkan model kurang
memiliki predictive relevance.
c. Q 2 memiliki nilai dengan rentang 0 < Q 2 < 1,
dimana semakin mendekati 1 berarti model semakin baik.
5. Pengujian Hipotesis
• Pengujian dilakukan dengan t-test, bilamana
diperoleh p-value ≤ 0,05 (alpha 5 %), maka
disimpulkan signifikan, dan sebaliknya.
• Bilamana hasil pengujian hipotesis pada outter
model signifikan, hal ini menunjukkan bahwa
indikator dipandang dapat digunakan sebagai
instrumen pengukur variabel laten.
• Sedangkan bilamana hasil pengujian pada inner
model adalah signifikan, maka dapat diartikan bahwa
terdapat pengaruh yang bermakna variabel laten
terhadap variabel laten lainnya.
Outer Model Refleksif
• Model pengukuran dinilai dengan
menggunakan reliabilitas & validitas
• Untuk reliabilitas dapat digunakan :
– Cronbach’s Alpha : >0,7
– Composite reliability ,nilai ≥ 0,6. Jadi jika < 0,6
maka tidak reliabel.
– Outer loadings: >0,7 (korelasi absolut antara
variabel laten dan indikatornya); <0,4 indikator
dihilangkan.
• Validitas : konvergen & diskriminan
• Validitas konvergen: mempunyai makna bahwa seperangkat
indikator mewakili satu variabel laten dan yang mendasari variabel
laten tersebut. didemonstrasikan melalui unidimensionalitas yang dapat diekspresikan
dengan menggunakan nilai rata-rata varian yang diekstraksi (Average Variance Extracted / AVE).
– Nilai AVE > 0,5. Artinya satu variabel laten mampu menjelaskan
lebih dari setengah varian dari indikator-indikatornya dalam
rata-rata.
• Validitas diskriminan: mempunyai makna bahwa dua
konsep berbeda secara konspetual harus menunjukkan
keterbedaan yang memadai.
– Postulat Fornell-Larcker: nilai AVE setiap variabel laten harus
lebih besar dari pada nilai r2 tertinggi dengan nilai variabel laten
lainnya.
– ‘loading’ untuk masing-masing indikator diharapkan lebih tinggi
dari ‘cross-loading’ nya masing-masing
Outer Model Formatif
• Content specification, menjamin dengan benar spesifikasi isi
dari konstruk tersebut.
• Specification indicator, Pendefinisian indicator harus melalui
literature yang jelas serta telah mendiskusikan dengan para
ahli dan divalidasi dengan beberapa pre-test.
• Reliability indicator, melihat tanda indikatornya sesuai dengan
hipotesis dan weight indicator-nya minimal 0.2 atau signifikan.
• Collinearity indicator, menyatakan antara indikator yang
dibentuk tidak saling berhubungan (sangat tinggi) atau tidak
terdapat masalah multikolinearitas dapat diukur dengan
Variance Inflated Factor (VIF). Nilai VIF > 10 terindikasi ada
masalah dengan multikolinearitas, dan
• External validity, menjamin bahwa semua indikator yang
dibentuk dimasukkan ke dalam model.
INNER MODEL
• Disebut juga sebagai model struktural. Model
struktural adalah model yang menghubungkan
antar variabel laten
• R2 variabel laten endogenous.
– Nilai R2 sebesar 0,67 (substansial)
– Nilai R2 sebesar 0,33 (moderate)
– Nilai R2 sebesar 0,19 (lemah) (Chin, 1988),
– Nilai R2 sebesar > 0,7 (kuat) (Sarwono).
• Estimasi untuk koefisien jalur. Nilai-nilai
dievaluasi dalam perspektif kekuatan dan
signifikansi hubungan
– Ukuran pengaruh f2 variabel laten prediktor
(variabel laten eksogenous) pada tataran
struktural
• Nilai f2 sebesar 0,02 (pengaruh lemah)
• Nilai f2 sebesar 0,15( pengaruh cukup)
• Nilai f2 sebesar 0,35 (pengaruh kuat)
– Relevansi prediksi (Q2 dan q2)
• Nilai Q2 > 0 menunjukkan model mempunyai relevansi
prediktif. Sedang nilai Q2 < 0 menunjukkan tidak adanya
relevansi prediktif.
• Nilai q2 digunakan untuk melihat pengaruh relatif
model struktural terhadap pengukuran observasi untuk
variabel tergantung laten (variabel laten endogenous).
• Nilai Beta untuk koefisien jalur pada PLS SEM
– Koefesien jalur individual pada model struktural
diinterpretasikan sebagai koefisien beta baku dari
regresi OLS (ordinary least square)
LATIHAN 1
x1
x2 INDIVIDU
x3
y1
x4
KINERJA y2
x5 PSIKOLOGI
y3
x6
y4
x7
x8 ORGANISASI
x9
LATIAHAN 2