PARTIAL LEAST SQUARE

Dr. M Haris Effendi, SPd, MSi

Pendahuluan (1)

 PLS pertama kali dikembangkan oleh Herman Wold

 PLS dikembangkan sebagai alternatif PEMODELAN
PERSAMAAN STUKTURAL yg dasar teorinya lemah
 Indikator dari Variabel Laten tidak memenuhi model
refleksif, akan tetapi formatif
 Variabel Laten bisa berupa hasil pencerminan
indikatornya, diistilahkan dengan indikator
refleksif.
 Variabel Laten bisa dibentuk (disusun) oleh
indikatornya, diistilahkan dengan indikator
formatif

1
 Pendahuluan (2)
Y11 Y12 Y13

Bangunan Rumah

Kondisi
Pendidikan
Sosial Sikap thdp
Keluarga Sekolah
Pekerjaan Kejuruhan

Pendapatan
Minat thdp
Kondisi Sekolah
Pengeluaran
Ekonomi Kejuruhan
Keluarga
Keluarga yg Bekerja

Y21 Y22 Y23

Pendahuluan (3)
Pendidikan

Bangunan Faktor Status

Tempat Tinggal Sosial Keluarga

Rasio Densitas
Keluarga per
Luas Lantai Kesehatan Kekayaan

Pendorong ke
Luar Negeri

Penarik yang
Motivasi Kerja Kesejahteraan Minat Kembali
berasal dari Luar
Negeri ke Luar Negeri Keluarga ke Luar Negeri

Ikut Keluarga /
kawan

Pendapatan Diri Sendiri Orang Lain

Keluarga

Pengeluaran Faktor Ekonomi

Keluarga Keluarga

Jumlah Angg.
Keluarga yg 3
Bekerja
Pendahuluan (4)
 PLS dapat digunakan sebagai konfirmasi teori (theoritical testing) dan
merekomendasikan hubungan yang belum ada dasar teorinya
(eksploratori)
 SEM (software: AMOS, LISREL) berbasis kovarian, sedangkan PLS (software:
SmartPLS atau Visual PLS) berbasis varian
 PLS mampu menghindari:
 inadmissible solution: model rekursif
 factor indeterminacy: indikator formatif

4
Metode PLS

PEMODELAN di dalam PLS:

 Inner model  model struktural yang menghubungkan
antar variabel laten
 Outer model  model pengukuran yang menghubungkan
indikator dengan variabel latennya

5
Indikator

 Refleksif x1 e1

Faktor
x2 e2
Utam a 1

 Formatif x3 e3

x1

Faktor
zeta1 x2
Komposit 1

x3
6
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 obyek dan biasanya diukur
dengan skala multi item dalam bentuk
semantik differences seperti, good-bad, like-
dislike, dan favorable-unfavorable.
 Sedangkan niat membeli umumnya diukur
dengan ukuran subyektif seperti how likely-
unlikely, probable-improbable, dan/atau
possible-impossible.
7
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 merubah
makna dan arti variabel yg diukur
 Kesalahan pengukuran (error) pada tingkat indikator

8
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.
9
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 merubah makna
dari variabel laten
 Kesalahan pengukuran berada pada tingkat variabel
laten (zeta)

10
Notasi pada PLS

11
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

12
LANGKAH-LANGKAH PLS
1 Merancang Model Struktural
(inner model)

Merancang Model Pengukuran

2 (outer model)

Mengkonstruksi Diagram Jalur

3

Konversi Diagram Jalur ke Sistem

4 Persamaan

5 Estimasi: Koef. Jalur, Loading

dan Weight

Evaluasi Goodness of Fit

6

7 Pengujian Hipotesis (Resampling 13

Bootstraping)
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
14
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

15
TAHAP KE-3
KONSTRUKSI DIAGRAM JALUR

16
LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

 Outer model
 Untuk variabel latent eksogen 1 (reflektif)
x =   + 
1 x1 1 1
x = x2 1 + 2
2
x =   + 
3 x3 1 3
 Untuk variabel latent eksogen 2 (formatif)
 =  X +  X +  X + 
2 x4 4 x5 5 x6 6 4

 Untuk variabel latent endogen 1 (reflektif)

y =   + 
1 y1 1 1
y = y2 1 + 2
2
 Untuk variabel latent endogen 2 (reflektif)
y =   + 
3 y3 2 3
y =   + 
4 y4 2 4
 LANGKAH KE-4
KONVERSI DIAGRAM JALUR KE PERSAMAAN

 Inner model :
 1 = 11 + 22 + 1
 2 = 11 + 31 + 42 + 2
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

19
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL

 Outer model refleksif :

 Convergent dan discriminant validity
 Composite realibility
 Outer model formatif :
 dievaluasi berdasarkan pada substantive content-nya yaitu
dengan melihat signifikansi dari weight

20
GOODNESS OF FIT - OUTER
MODEL
 Convergent validity
 Nilai loading 0.5 sampai 0.6 dianggap
cukup, untuk jumlah indikator dari
variabel laten berkisar antara 3 sampai
7

 Discriminant validity  i2

AVE  nilai2 AVE lebih besar
 
 Direkomendasikan
dari 0.50. i  i var( i )

21
GOODNESS OF FIT - OUTER
MODEL
 Composite reliability
 Nilai batas yang diterima untuk tingkat
reliabilitas komposit (ρc) adalah ≥ 0.7,
(  i ) 2 standar
walaupun bukan merupakan
c 
absolut. (  i ) 2   i var( i )

22
GOODNESS OF FIT - INNER
MODEL
Diukur menggunakan Q-Square predictive relevance
 Rumus Q-Square:

Q2 = 1 – ( 1 – R12) ( 1 – R22 ) ... ( 1- Rp2 )

 dimana 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)
23
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 24
ASUMSI PLS
Asumsi di dalam PLS hanya berkaitan dengan pemodelan persamaan
struktural:
 Hubungan antar variabel laten dalam inner model adalah linier dan aditif
 Model srtuktural bersifat rekursif.

25
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

26
SOFTWARE PLS
 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 [Link] 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 [Link].
Versi student ini mampu mengolah maksimum 30 variabel.
 Di University of Hamburg Jerman juga dikembangkan software PLS yang diberi nama
SmartPLS. Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkan lagi ke
versi 2.0 dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3.
Pengembangan software ini meliputi perbaikan tampilan, penambahan fasilitas untuk
efek moderator, tambahan report / output yakni communality, redundancy, dan
Alpha Cronbach. Software SmartPLS dapat didownload secara gratis di
[Link].
 Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University,
Taiwan, yang diberi nama VPLS (VisualPLS). Software ini dapat didownload secara
gratis di [Link]
 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 [Link]

27
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
28
PERBANDINGAN ANTARA ANALISIS
PATH (JALUR), PLS, DAN SEM
Kriteria Path PLS SEM
Ukuran Sampel Sampel minimal 10 kali Sampel minimal 30-50 atau Sampel minimal
jumlah variabel (rule of tumb sampel besar di atas 200 direkomendasikan 100-
dari multivariate abalysis) 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
29 struktural,
model, uji Validitas dan pengujian model, uji
Reliabilitas Validitas dan Reliabilitas
Terima kasih