PARTIAL LEAST SQUARE BERBASIS VARIANS SEBAGAI …digilib.unila.ac.id/25892/3/SKRIPSI TANPA BAB...
Transcript of PARTIAL LEAST SQUARE BERBASIS VARIANS SEBAGAI …digilib.unila.ac.id/25892/3/SKRIPSI TANPA BAB...
PARTIAL LEAST SQUARE BERBASIS VARIANS SEBAGAI METODEALTERNATIF PENYELESAIAN MASALAH STRUCTURAL EQUATION
MODELING
(Skripsi)
Oleh
ANWAR HUDA
JURUSAN MATEMATIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG2017
ABSTRAK
PARTIAL LEAST SQUARE BERBASIS VARIANSSEBAGAI METODE ALTERNATIF PENYELESAIAN MASALAH
STRUCTURAL EQUATION MODELING
Oleh
ANWAR HUDA
Structural Equation Modeling (SEM) adalah metode analisis multivariat yangdigunakan untuk menggambarkan hubungan linier secara simultan antara variabellaten dan variabel indikator. Pemodelan struktural yang sering digunakan SEMberbasis kovarian selanjutnya disebut LISREL. Metode pendugaan yang umumnyadigunakan adalah metode Maximum Likelihood Estimator (MLE), yang memilikikemampuan analisis dan prediksi yang lebih baik dibandingkan analisis jalur danregresi berganda karena mampu menganalisis sampai pada level terdalam terhadapvariabel atau model yang diteliti serta menyertakan eror pengukuran. Namunpendugaan parameter dengan metode MLE dalam LISREL membutuhkan beberapaasumsi kritis seperti jumlah sampel harus besar, normalitas data, multikolinieritas dankompleksitas model. Dengan jumlah sampel 50, model yang diestimasi denganmetode MLE dalam LISREL memberikan estimasi parameter dan model statistikyang kurang baik, bahkan menghasilkan negative variance. Salah satu pendekatanbaru yang diperkenalkan oleh Herman Wold adalah Partial Least Square (PLS) dansering disebut soft modeling yang merupakan metode SEM berbasis varian, denganukuran sampel relatif kecil dan tidak memerlukan asumsi-asumsi lain seperti dalamSEM berbasis kovarian. Oleh karna itu, PLS dapat dijadikan sebagai metode alternatifuntuk menyelesaikan masalah yang dihadapi SEM.
Kata Kunci : Structural Equation Modeling (SEM), Partial Least Square (PLS)
ABSTRACT
PARTIAL LEAST SQUARE BASED VARIANCEAS AN ALTERNATIVE METHOD OF STRUCTURAL EQUATION MODELING
PROBLEM SETTLEMENT
By
ANWAR HUDA
Structural Equation Modeling (SEM) is a multivariate analysis method that is used todescribe the simultaneous linear relationship between the latent variables andindicator variables. Structural modeling which is often used covariance-based SEMhereinafter is referred LISREL. Estimation method that is commonly used is theMaximum Likelihood Estimator (MLE), which has the analytical skills and a betterprediction than the path analysis and regression because it is able to analyze up to thedeepest level of the variable or models that were analyzed and include measurementerror. However, parameter estimation by MLE method in LISREL needs some criticalassumptions such as the sample size should be large, data normality, multicollinearityand the complexity of the model. With 50 samples, the model which is estimated byMLE method in LISREL provide less good parameter estimates and statistical modelsand produce negative variance. One of new approach which is introduced by HermanWold is Partial Least Square (PLS). PLS which is often called with soft modeling isa method of SEM-based variant which the sample size is relatively small and does notrequire other assumptions such as the covariance-based SEM. Therefore, PLS can beused as an alternative method to resolve the problems faced by SEM.
Keywords : Structural Equation Modeling (SEM), Partial Least Square (PLS)
PARTIAL LEAST SQUARE BERBASIS VARIANS SEBAGAI METODE
ALTERNATIF PENYELESAIAN MASALAH STRUCTURAL EQUATION MODELING
Oleh
Anwar Huda
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai Gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2017
RIWAYAT HIDUP
Anwar Huda dilahirkan di Seputih Banyak Lampung Tengah pada tanggal 04 Maret
1994. Anak ke empat dari empat bersaudara dari pasangan Bapak Daelami dan Ibu
Dasih. Ia mengawali pendidikannya pada tahun 1998 di TK Ma’arif Seputih Banyak.
Dua tahun kemudian, ia melanjutkan pendidikan tingkat dasar di SD N 04 Tanjung
Harapan, Seputih Banyak hingga tahun 2006. Pada pendidikan tingkat menengah
pertama penulis bersekolah di SMP N 01 Seputih Banyak, yang diselesaikan pada
tahun 2009. Kemudian pada pendidikan tingkat menengah atas penulis melanjutkan
pendidikannya di MAN 01 Lampung Timur hingga selesai tahun 2012.
Pada tahun 2012, penulis melanjutkan pendidikanya ke salah satu Perguruan Tinggi
Negeri di Lampung yaitu Universitas Lampung. Sejak saat itu penulis menjadi
mahasiswa Jurusan Matematika FMIPA UNILA. Selama menempuh pendidikan di
Universitas Lampung, penulis pernah tergabung dalam organisasi sebagai Ketua
Umum GEMATIKA 2012/2013, Kabid Kaderisasi HIMATIKA 2013/2014, dan
Ketua Umum HIMATIKA 2014/2015.
PERSEMBAHAN
Dengan mengucap Syukur Alhamdulillah atas Rahmat Allah SWT
Skripsi ini penulis persembahkan kepada :
Kedua Orang Tua Tercinta Ayahanda Daelami dan Ibunda DasihSebagai tanda baktiku dan kasihku kepadanya. Orang tua yang telah
membesarkanku dan merawatku hingga saat ini, yang telah mendidik,memberikan nasehat dan ilmu untuk bekal di dunia maupun akhirat, serta
memberikan dukungan materil maupun moril selama menempuh pendidikanhingga sampai sekarang. Terima kasih atas semua doa dan harapan yang besar
padaku, dan terimakasih telah menjadi pembimbing hidup yang paling setiasampai saat ini dan menjadi panutan selamanya.
Kakak Suratman, Siti Zulaikah, Sugeng Muttaqin, dan Ahmad MansurSaudara yang selalu memberikan semangat serta dukungan moril maupun
materil. Terima kasih atas semua doa dan dukungannya..
Sahabat dan Teman TersayangSahabat dan teman-teman yang selalu mewarnai dalam hari-hariku, canda tawa,
suka, duka, dan bahagia yang kalian berikan selama ini. Terima kasih atasdukungan, saran, semangat, bantuan, bahkan kritikan yang sangat bermanfaat.
Alamamaterku TercintaUniversitas Lampung
KATA INSPIRASI
“Jadikanlah sabar dan shalat sebagai penolongmu. Dan sesungguhnya yangdemikian itu sungguh berat, kecuali bagi orang-orang yang khusyu“
(Q.S. Al-Baqarah : 45)
“Jika belum bisa membahagiakan orang tua, setidaknya jangan mebuat merekamenangis. Tidak ada alasan untuk tidak membahagiakan mereka”
(Anwar Huda)
“Mungkin kamu belum tentu berhasil meskipun kamu bertahan, tapi kamu pastiakan gagal jika kamu berhenti.”
(Anonymous)
Jika ilmu mu ingin bertambah, maka merasalah “BODOH”(Anonymous)
SANWACANA
Puji syukur kehadirat ALLAH SWT. Atas segala nikmat, rahmat, kekuatan, dan
pertolongan-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul
“PARTIAL LEAST SQUARE BERBASIS VARIANS SEBAGAI METODE
ALTERNATIF PENYELESAIAN MASALAH STRUCTURAL EQUATION
MODELING” yang merupakan salah satu syarat untuk memperoleh gelar Sarjana
Sains (S.Si) di Universitas Lampung. Shalawat beriring salam selalu tercurahkan
kepada Rasulullah Nabi Muhammad SAW yang telah membimbing dan
menunjukkan ummatnya kejalan yang benar.
Pada kesempatan ini, penulis ingin mengucapkan terimakasih yang sebesar-besarnya
kepada :
1. Bapak Drs. Eri Setiawan, M.Si. selaku Pembimbing I, yang selama ini dengan
penuh kesabaran membimbing penulis dalam menyelesaikan penulisan skripsi
ini.
2. Ibu Dr. Asmiati, S.Si., M.Si. selaku Pembimbing II, yang selama ini telah
membimbing dan memberi nasehat dalam menyelesaiakan skripsi ini.
3. Bapak Drs. Nusyirwan, M.Si. selaku Dosen Pembahas, yang selalu memberi
masukan dan evaluasi kepada penulis demi kesempurnaan skripsi ini.
4. Bapak Amanto S.Si., M.Si. selaku Pembimbing Akademik yang telah banyak
memberikan bimbingan dan nasehat selama penulis menjalani pendidikan di
Universitas Lampung.
5. Bapak Drs. Tiryono Ruby, M.Sc., Ph.D. selaku Ketua Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
6. Bapak Prof. Warsito, S.Si., DEA., Ph.D. selaku Dekan Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Lampung.
7. Para Dosen Jurusan Matematika yang telah banyak memberikan pengajaran dan
ilmu yang bermanfaat bagi penulis. Serta seluruh staf karyawan di lingkungan
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
8. Bapak Daelami dan Ibu Dasih tercinta yang tiada habis mendidik, menasehati,
dan selalu membantu secara moril maupun materil. Serta kakak-kakak dan
saudara yang selalu memberikan motivasi dan dukungan dalam mengerjakan
skripsi.
9. Sahabat – sahabat seperjuangan : Angger, Chandra, Danar, Jorgi, Pras, Rendi,
Topik, Anggy, Audy, Desti, Dwi, Elva, Ernia, Imah, Putri, Ratih, Riyama, Selvi,
Yanti, serta teman – teman Matematika’12 atas bantuan, semangat dan rasa
kekeluargaan yang telah diberikan.
10. Keluarga Besar HIMATIKA FMIPA UNILA yang telah memberikan banyak
pengalaman dan pembelajaran kepada penulis
11. Serta kepada semua pihak yang tidak dapat penulis sebutkan namanya satu–
persatu atas segala bantuan, dukungan dan do’a yang telah diberikan kepada
penulis.
Demikian ucapan terimakasih yang dapat penulis sampaikan. Tiada balasan yang
dapat penulis berikan atas segala dukungan, nasehat, bantuan, dan do’a kecuali
ALLAH SWT dzad yang mampu membalasnya. Semoga skripsi ini bermanfaat dan
dapat digunakan sebagaimana mestinya.
Bandar Lampung, 16 Februari 2017
Penulis
Anwar Huda
DAFTAR ISI
Halaman
DAFTAR TABEL ..................................................................................... xiii
DAFTAR GAMBAR ................................................................................. xiv
I. PENDAHULUAN ............................................................................... 11.1 Latar Belakang dan Masalah.......................................................... 11.2 Tujuan Penelitian ........................................................................... 31.3 Manfaat Penelitian ......................................................................... 3
II. TINJAUAN PUSTAKA ..................................................................... 42.1 Structural Equation Modeling ....................................................... 4
2.1.1 Sejarah Structural Equation Modeling................................... 42.1.2 Pengertian Structural Equation Modeling.............................. 52.1.3 Spesifikasi Model ................................................................... 52.1.4 Pembentukan Matriks Kovarian............................................. 72.1.5 Identifikasi Model .................................................................. 102.1.6 Estimasi Model....................................................................... 112.1.7 Evaluasi Model....................................................................... 13
2.2 Metode Maximum Likelihood Estimator ....................................... 152.3 Partial Least Square ...................................................................... 17
2.3.1 Sejarah Perkembangan Partial Least Square ......................... 172.3.2 Pengertian Partial Least Square ............................................ 182.3.3 Spesifikasi Model ................................................................... 192.3.4 Kriteria Penilaian.................................................................... 22
III. METODOLOGI PENELITIAN ....................................................... 263.1 Waktu dan Tempat Penelitian ........................................................ 263.2 Metode Penelitian .......................................................................... 26
IV. HASIL DAN PEMBAHASAN.......................................................... 284.1 Data Penelitian ............................................................................... 284.2 Spesifikasi Model........................................................................... 284.3 Identifikasi Model .......................................................................... 314.4 Estimasi Pendugaan Parameter dengan Metode Maximum
Likelihood Estimator Menggunakan Program Lisrel 8.8 ............... 334.5 Estimasi Penduga Parameter dengan Metode Partial Least Square
Menggunakan Program SmartPLS.3.............................................. 37
4.5.1 Pengujian Outer Model .......................................................... 374.5.2 Pengujian Inner Model ........................................................... 41
4.6 Analisa Pembahasan ...................................................................... 43
V. KESIMPULAN.................................................................................... 44
DAFTAR PUSTAKA ................................................................................ 45
LAMPIRAN............................................................................................... 46
DAFTAR TABEL
Tabel Halaman
1. Discriminant Validity......................................................................... 392. Cross Loading.................................................................................... 403. R-Square ............................................................................................ 41
DAFTAR GAMBAR
Gambar Halaman
1. Path Diagram. ............................................................................................ 302. Path Diagram Metode MLE dengan program LISREL 8.8....................... 333. Output hasil estimasi metode MLE ........................................................... 354. Output estimasi setelah penambahan ‘Set Error Variance of C to 0.01’ ... 365. Path Diagram Metode PLS dengan program SmartPLS.3......................... 376. Output path diagram setelah pengurangan variabel indikator ................... 387. Diagram Average Variance Extracted....................................................... 398. Diagram Composite Reliability ................................................................. 41
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Structural Equation Modelling (SEM) pertama dikenalkan oleh seorang ilmuwan
bernama Joreskog pada tahun 1970. SEM merupakan teknik statistika yang kuat
dalam menetapkan model pengukuran dan model struktural. SEM juga didasarkan
pada hubungan kausalitas, yakni terjadinya perubahan pada satu variabel berdampak
pada perubahan variabel yang lainnya.
Metode SEM memiliki kemampuan analisis dan prediksi yang lebih baik
dibandingkan analisis jalur dan regresi berganda lainya. Hair dkk. (1998) mendukung
pendapat di atas dengan menunjukkan perbedaan antara teknik SEM dengan teknik
regresi dan multivariat lainya melalui dua karakteristik SEM. Yang pertama adalah
estimasi terhadap multiple interrelated dependence relationships yang istilah
sederhananya adalah susunan beberapa persamaan regresi berganda yang terpisah
tetapi saling berkaitan. Susunan persamaan ini dispesifikasikan dalam bentuk model
struktural dan diestimasi oleh SEM secara simultan. Yang kedua adalah kemampuan
untuk menunjukkan konsep-konsep tidak teramati (unobserved concepts) serta
2
hubungan-hubungan yang ada di dalamnya, dan perhitungan terhadap kesalahan-
kesalahan pengukuran dalam proses estimasi.
Dalam buku Structural Equation Modelling (Ghozali dan Fuad, 2005), terdapat
pernyataan dari Bagozzi dan Fornell (1982) bahwa structural equation modelling atau
model persamaan struktural yaitu generasi kedua teknik analisis multivariat yang
memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik
recursive maupun non recursive untuk memperoleh gambaran menyeluruh mengenai
keseluruhan model. Dalam menggunakan SEM terdapat beberapa asumsi-asumsi
yang harus terpenuhi diantaranya : ukuran sampel, normalitas multivariat, dan
multikolinieritas.
Dalam dunia statistika tentunya tidak semua data dapat memenuhi semua asumsi-
asumsi yag terdapat dalam SEM. Analisis data multivariat dengan metode SEM
cenderung hanya bisa digunakan untuk menganalisis dan mengukur data variabel
yang langsung bisa diukur menggunakan alat ukur tertentu. Sedangkan sangat banyak
di dunia nyata data variabel bukanlah data variabel yang langsung bisa diukur, namun
terdiri dari beberapa indikator yang ada di dalamnya sehingga analisis statitika
metode SEM tidak bisa menganalisisnya. Jikapun dipaksakan akan menghasilkan
hasil pengukuran yang mempunyai error yang besar.
Pada tahun 1975, Wold menyelesaikan sebuah soft modeling untuk analisis hubungan
antara beberapa blok dari variabel teramati pada unit statistik yang sama. Metode ini
dikenal sebagai pendekatan Partial Least Square (PLS) ke SEM (SEM-PLS) atau
3
PLS Path Modeling (PLS-PM) yang merupakan metode SEM berbasis varian. PLS
merupakan metode analisis yang powerfull karena dapat diterapkan pada semua skala
data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar.
Pada penelitian ini penulis ingin menunjukkan bahwa metode PLS berbasis varian
dapat memberikan solusi bagi SEM berbasis kovarian apabila data yang diobservasi
tidak memenuhi asumsi-asumsi dalam SEM.
1.2 Tujuan Penelitian
Adapun tujuan dilakukanya penelitian ini adalah sebagai berikut :
a. Untuk mengetahui bagaimana pendugaan parameter apabila tidak terpenuhinya
asumsi dalam SEM.
b. Untuk mengetahui metode PLS dapat digunakan sebagai alternatif mengatasi
masalah dalam analisis SEM.
1.3 Manfaat Penelitian
Manfaat dari penilitian ini adalah :
a. Dapat dijadikan perbandingan dalam mempelajari metode-metode statistika
terutama yang berhubungan dengan SEM.
b. Dapat mengetahui metode PLS sebagai alternatif untuk mengatasi permasalahan
dalam analisis SEM.
II. TINJAUAN PUSTAKA
2.1. Structural Equation Modeling
Structural Equation Modeling (SEM) merupakan gabungan dari dua metode statistik
yang terpisah yaitu analisis faktor yang dikembagkan di ilmu psikologi dan
psikometri serta model persamaan simultan yang dikembangkan di ekonometrika
(Wijayanto, 2008).
2.1.1 Sejarah Structural Equation Modeling
Analisis faktor pertama kali diperkenalkan oleh Galton [1822-1911] dan Pearson
[1857-1936]. Penelitian Spearman [1863-1945] merupakan perkembangan model
analisis faktor umum. Dalam penelitiannya berkaitan dengan struktur kemampuan
mental, Spearman menyatakan bahwa uji interkorelasi antar kemampuan mental
dapat menentukan faktor kemampuan umum dan faktor-faktor kemampuan khusus. Ia
memulai karirnya sebagai psikologi dan pada tahun1904 ia meletakkan dasar
psikometri sebagai salah satu cabang dari ilmu kuantitatif. Konsep One Factor Model
yang diusulkannya menyebabkan ia memperoleh julukan “The Father of Factor
Analysis”. Thrustone [1887-1955] juga memperluas konsep one-factor model dari
5
Spearman menjadi multiple factor model. Ia mengakomodasi Spearman’s one-factor
model melalui konsep “second order factor” Akhirnya Karl Joreskog berhasil
melakukan suatu terobosan dalam hal estimasi dan analisis faktor. Beberapa
konstribusinya mencakup : Maximim Likelihood (ML) estimation sebagai metode
praktis yang dapat digunakan untuk estimasi, konsep Confirmatory Factor Analysis
(CFA) dan LISREL.
2.1.2 Pengertian Structural Equation Modeling
Menurut Ghozali, SEM adalah suatu teknik variabel ganda yang dapat digunakan
untuk mendeskripsikan keterkaitan hubungan linier secara simultan antara variabel-
variabel pengamatan, yang sekaligus melibatkan variabel laten yang tidak dapat
diukur secara langsung.
Jenis variabel menurut Ramadiani (2010), dalam SEM mengandung dua jenis
variabel yaitu variabel laten dan variabel teramati, dua jenis model yaitu model
struktural dan model pengukuran serta dua jenis kesalahan yaitu kesalahan struktural
dan kesalahan pengukuran.
2.1.3 Spesifikasi Model
SEM terdiri atas model pengukuran dan model struktural. Model pengukuran
menggambarkan hubungan antar variabel-variabel indikator dengan variabel laten
yang dibangunnya, sedangkan model struktural menjelaskan antar variabel laten.
6
Misalkan vektor acak ηT = (η1, η2,…., ηm) dan ξT = (ξ1, ξ2, … , ξn) berturut-turut adalah
variabel laten endogen dan variabel laten eksogen membentuk persamaan simultan
dengan hubungan persamaan linear sebagai berikut :
η = βη + Γξ + ζ (2.1.1)
Dari persamaan (2.1.1) dapat diturunkan menjadi model struktural sebagai berikut :
η = βη + Γξ + ζ
η − βη = Γξ + ζ
(I − β)η = Γξ + ζ
(I − β)-1(I − β)η = (I − β)-1(Γξ + ζ)
η = (I − β)-1(Γξ + ζ) (2.1.2)
Model pengukuran dinyatakan sebagai berikut:
Y = Λyη + ε (2.1.3)
X = Λxξ + δ (2.1.4)
dengan :
η : vektor variabel laten endogen, berdimensi m x 1
β : matriks koefisien η, berdimensi m x m
Γ : matriks koefisien ξ, berdimensi m x n
ξ : vektor variabel laten eksogen, berdimensi n x 1
ζ : vektor galat pada persamaan struktural, berdimensi m x 1
Y : vektor variabel indikator untuk variabel laten endogen
berdimensi p x 1
Λy : matriks koefisien Y terhadap η, berdimensi m x 1
ε : vektor galat pengukuran Y, berdimensi p x 1
7
X : vektor variabel indikator untuk variabel laten eksogen
berdimensi q x 1
Λx : matriks koefisien X terhadap ξ, berdimensi q x n
δ : vektor galat pengukuran X, berdimensi q x 1
diasumsikan bahwa ζ tidak berkorelasi dengan ξ, dan (I − β) non-singular. Nilai
harapan η, ξ, ζ, ε dan δ adalah nol. Galat pengukuran ε dan δ dianggap tidak
berkorelasi satu sama lain, juga dengan variabel-variabel laten.
2.1.4 Pembentukan Matriks Kovarian
Bila Φ adalah matriks kovarian bagi ξ, ψ adalah matriks kovarian bagi ζ, Θε adalah
matriks kovarian bagi ε dan Θδ adalah matriks kovarian bagi δ, maka matriks
kovarian bagi η adalah:
∑ɳɳ = Cov(η, η)
= E{ηηT}
= E{[(I − β)-1(Γξ + ζ)]([(I − β)-1(Γξ + ζ)]T)}
= E{(I − β)-1(Γξ + ζ)(Γξ + ζ)T[(I − β)-1]T}
= E{(I − β)-1(Γξ + ζ)(ζT + ξTΓT)[(I − β)-1]T}
= E{(I − β)-1(ΓξζT+ ΓξξTΓT + ζζT + ζξTΓT)[(I − β)-1]T}
= (I − β)-1{E[ΓξζT] + E[ΓξξTΓT] + E[ζζT] + EζξTΓT}[(I − β)-1]T
= (I − β)-1(ΓΦΓT + ψ)[(I − β)-1]T (2.1.5)
8
dan matriks kovarian bagi η dan ξ
∑ɳξ = Cov (η, ξ)
= E[ηξT]
= E[(I − β)-1(Γξ + ζ)ξT]
= (I − β)-1E[ΓξξT + ζξT]
= (I − β)-1ΓΦ (2.1.6)
partisi matriks kovarian bagi X dan Y ke dalam empat bagian dapat ditulis sebagai
berikut:
∑ =∑ ∑∑ ∑
ΣYY = Cov(Y, Y)
= E[YYT]
= E[(ΛYη + ε)(ΛYη + ε)T]
= E[(ΛYη + ε)(ηTΛYT + εT)]
= E[ΛYηηTΛ YT+ εηTΛY
T + ΛYηεT + εεT]
= ΛYE[ηηT]Λ YT + E[εηT]ΛY
T + ΛYE[ηεT] + E[εεT]
= ΛY(I − β)-1(ΓΦΓT + ψ)[(I − β)-1]TΛYT + Θε (2.1.7)
ΣYX = Cov(Y, X)
= E[YXT]
= E[(ΛYη + ε)(ΛXξ + δ)T]
= E[(ΛYη + ε)(ξTΛXT + δT)]
= E[ΛYηξTΛ XT + εξTΛ X
T + ΛYηδT + εδT]
9
= ΛYE[ηξT]ΛXT + E[εξT]ΛX
T + ΛYE[ηδT] + E[εδT]
= ΛY(I − β)-1ΓΦΛXT (2.1.8)
ΣXY = Cov(X, Y)
= E[XYT]
= E[(ΛXξ + δ)(Λ Yη + ε)T]
= E[(ΛXξ + δ)(ηTΛYT + εT)]
= E[ΛXξηTΛ YT + δηTΛ Y
T + ΛXξεT + δεT]
= ΛXE[ηξT]ΛYT + E[δηT]ΛY
T + ΛXE[ξεT] + E[δεT]
= ΛXΓΦ(I − β)-1ΛYT (2.1.9)
ΣXX = Cov(X, X)
= E[XXT]
= E[(ΛXξ + δ)(ΛXξ + δ)T]
= E[(ΛXξ + δ)(ξTΛXT + δT)]
= E[ΛXξξTΛXT + δξTΛX
T + ΛXξδT + δδT]
= ΛXE[ξξT]ΛXT + E[δξT]ΛY
T + ΛYE[ξδT]+ E[δδT]
= ΛXΦΛXT + Θδ (2.1.10)
matriks kovarian Σ dapat dinyatakan dalam parameter model θ, yaitu:
Σ = Σ(θ)
=Ʌ (1 − ) (ΓΦΓ + )[(1 − ) ] Ʌ + Θε Ʌ (1 − ) ΓΦɅɅ ΓΦ(1 − ) Ʌ Ʌ ΦɅ + Θδ
(2.1.11)
10
dengan θ adalah vektor yang beranggotakan unsur-unsur ΛY, ΛX, β, Γ, Φ, ψ, Θε dan
Θδ yang dapat dinyatakan sebagai parameter tetap, kendala dan bebas.
Parameter tetap adalah parameter yang ditentukan nilainya, parameter kendala adalah
parameter yang tidak diketahui nilainya tetapi ditentukan kesamaannya dengan satu
atau lebih parameter lain, dan parameter bebas adalah parameter yang tidak diketahui
nilainya dan tidak diketahui kesamaan dengan parameter yang lainnya.
2.1.5 Identifikasi Model
Masalah identifikasi adalah pemecahan yang unik terjadi untuk setiap parameter jika
semua parameter model teridentifikasi. Jika semua parameter tidak dapat
teridentifikasi, maka tidak dapat ditentukan estimator yang konsisten untuk parameter
tersebut.
Syarat teridentifikasi bagi semua parameter adalah:
u < (p + q)(p + q + 1) (2.1.12)
dengan u adalah banyaknya parameter yang tidak diketahui, p adalah banyaknya
variabel laten endogen dan q adalah banyaknya variabel indikator laten eksogen.
11
2.1.6 Estimasi Model
Pada SEM diasumsikan bahwa variabel indikator dan variabel laten kontinwu.
Padahal dalam penelitian sosial variabel-variabel indikatornya umumnya
menggunakan skala Likert atau merupakan variabel ordinal.
Konsekuensi dari masalah tersebut adalah model pengukuran (2.1.3) dan (2.1.4) tidak
dapat dijabarkan sebagai hubungan linear Y terhadap η dan X terhadap ξ karena pada
SEM diasumsikan bahwa η dan ξ merupakan variabel laten yang kontinwu, sehingga
perlu penyesuaian model pengukuran sebagai berikut:
Y∗ = ΛYη + ε (2.1.13)
X∗ = ΛXξ + δ (2.1.14)
dengan Y∗ dan X∗ adalah indikator laten kontinwu. Fungsi non-linear yang
menghubungkan variabel indikator berskala ordinal (Y dan X) dengan variabel
indikator laten berskala kontinwu (Y∗ dan X∗), dinyatakan sebagai berikut:
= ⎩⎪⎨⎪⎧ , jika ∗ ≤, < ∗ ≤⋮ ⋮− , < ∗ ≤, < ∗
(2.1.15)
= ⎩⎪⎨⎪⎧ , jika ∗ ≤, < ∗ ≤⋮ ⋮− , < ∗ ≤, < ∗
(2.1.16)
12
dengan c adalah banyaknya kategori pada Y, ai adalah parameter ambang untuk
kategori pada Y, di mana i = 1, 2, …, c-1, di mana d adalah banyaknya kategori pada
X, bj adalah parameter ambang untuk kategori pada X, di mana j = 1, 2, …, d-1,
dengan a0 = b0 = −∞ dan ac = bd = +∞.
Diasumsikan Y∗ dan X∗ berdistribusi normal baku, sehingga estimasi parameter
ambangnya adalah sebagai berikut:
ai = Φ-1 ∑ , = 1,2, … , − 1 (2.1.17)
bj = Φ-1 ∑ , = 1,2, … , − 1 (2.1.18)
dengan Φ-1(∙) adalah invers dari fungsi distribusi normal baku, nk adalah frekuensi
pengamatan pada kategori ke-k dan n adalah banyaknya pengamatan untuk k
kategori.
Misalkan Y∗ dan X∗ adalah variabel indikator laten kontinwu berdistribusi normal
baku dengan mean nol dan varian satu (0,1), maka dapat diasumsikan Y∗ dan X∗berdistribusi normal baku bivariat dengan korelasi ρ. Korelasi ρ ini disebut korelasi
polikhorik, yaitu korelasi antara variabel indikator laten kontinwu Y∗ dan X∗.Misalkan fungsi densitas normal baku bivariat dengan ρ dinyatakan sebagai berikut:
ϕ(X∗, Y∗: ρ) = ( ) exp[ ( ) (X∗2 − 2ρX∗Y∗ + Y∗2)]
13
(2.1.19)
Sehingga peluang pengamatan untuk Y = I dan X = j adalah:
Pij = ∫ ∫ ( ∗ , ∗ : )dX∗dY∗(2.1.20)
2.1.7 Evaluasi Model
Uji kelayakan model dilakukan untuk mengetahui model telah fit atau belum. Uji
kelayakan model diantaranya sebagai berikut:
1) Model Keseluruhan (Struktur Sekaligus Pengukuran)
Uji kelayakan pada model keseluruhan
a) Uji Chi-square
Hipotesis:
H0 ∶ Σ = Σ(θ)
H1 ∶ Σ ≠ Σ(θ)
Ststistik uji: X2 = (n − 1)FML
= (n − 1)log|Σ(θ)| + tr[SΣ-1(θ) − log|S| − (p + q)]
(2.1.21)
Kriteria uji:
H0 ditolak jika X2hitung>X2
α,( (p+q)(p+q+1)-t), di mana t adalah jumlah parameter bebas
untuk perkiraan model. Dan jika digunakan perangkat lunak, H0 ditolak jika p-
value < 0,05. Σ adalah matriks kovarians sampel dari variabel observasi. Σ(θ)
14
adalah matriks kovarians dari populasi, S adalah matriks kovarians sampel dari
observasi.
b) Uji Root Mean Square Error Aproximate (RMSEA)
Statistik Uji:
RMSEA =
(2.1.22)
dengan
=
(2.1.23)
Kriteria Uji:
Model dikatakan baik jika nilai RMSEA < 0,08.
2) Model Pengukuran
Setelah keseluruhan model fit, maka langkah berikutnya adalah pengukuran setiap
konstruk. Pendekatan untuk menilai model pengukuran diantaranya adalah sebagai
berikut:
a) Uji Reliabilitas
Reliabilitas adalah ukuran konsistensi internal dari indikator-indikator sebuah
variabel. Terdapat dua cara untuk menentukan reliabilitas, yaitu composit
(construct) reliability dan variance extracted. Cut-off value dari construct
reliability adalah minimal 0,70 sedangkan cut-off untuk variance extracted
minimal 0,50.
Composite reliability didapat dengan rumus:
15
Construct Reliability =( )( ) ∑ (2.1.24)
Standardized loading : besarnya nilai koefisen terhadap variabel laten εj :
measurement error = 1 − standardized loading2.
Variance extracted didapat dengan rumus:
Variance extracted = ∑ (2.1.25)
(Ghozali, 2008:233)
b) Uji Diskriminant Validity
Validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat
mengukur apa yang hendak diukur. Masing-masing konstruk laten dinilai baik
jika besarnya akar dari variance extracted (√ ) lebih tinggi nilainya
dibandingkan nilai korelasi antar variabel laten (Ghozali, 2008:235).
2.2 Metode Maximum Likelihood Estimator
Estimator yang sering digunakan dalam SEM adalah Maximum Likelihood Estimator
(MLE). Menurut Bain dan Engelhardt (1992: 293) metode MLE merupakan salah
satu cara untuk melakukan penaksiran parameter yang tidak diketahui. Prosedur
penaksiran MLE menguji apakah penaksiran maksimum yang tidak diketahui dari
fungsi likelihood suatu sampel nilainya sudah memaksimumkan fungsi likelihoodnya.
Misalkan X1, X2, …, Xn adalah variabel acak dari populasi dengan fungsi densitas
peluangnya dinyatakan oleh f(x, θ ), dengan θ adalah parameter yang tidak diketahui.
16
Maka fungsi likelihood sampel tersebut adalah :
L( , , … , ; ) = f( ; θ ) f( ; θ ) … f( ; θ )
= ∏ ( ; )= L( | , , … , )
= L( ) (2.2.1)
Kemudian persamaan (2.2.1) tersebut didiferensialkan terhadap untuk memperoleh
penaksiran yang maksimum.
Dalam banyak kasus, penggunaan diferensial akan lebih mudah bekerja pada
logaritma natural dari L( , , … , ; ) yaitu :
ln L( , , … , ; ) (2.2.2)
Langkah-langkah untuk menentukan penaksiran maximum likelihood dari i adalah :
1. Menentukan fungsi likelihood
L( , , … , ; ) = f( ; θ ) f( ; θ ) … f( ; θ )
2. Membentuk logaritma natural likelihood
ln L( , , … , ; ) = ln f( ; θ ) f( ; θ ) … f( ; θ )
3. Menurunkan persamaan logaritma natural likelihood terhadap θ dan
menyelesaikanya( , ,…, ; )= 0
4. Didapat penaksiran maximum likelihood θ
17
2.3 Partial Least Squares
Partial Least Square (PLS) adalah suatu metode yang berbasis keluarga regresi yang
dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan model dan
metode untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi.
PLS memiliki asumsi data penelitian bebas distribusi, artinya data penelitian tidak
mengacuh pada salah satu distribusi tertentu (misalnya distribusi normal).
2.3.1 Sejarah Perkembangan Partial Least Squares
PLS dikembangkan pertama kali oleh Wold sebagai metode umum untuk
mengestimasi path model yang menggunakan konstruk laten dengan multiple
indicator. Pada tahun 1966 Herman Wold mempresentasikan dua prosedur iterative
menggunakan metode estimasi Least Square untuk single dan multikomponen model
(Ghazali, 2008). Pada dasarnya, Wold membangun PLS untuk menguji teori yang
lemah dan masalah pada asumsi normalitas distribusi data (Jogiyanto, 2009).
Tujuan PLS adalah memprediksi pengaruh variabel X terhadap Y dan menjelaskan
hubungan teoritikal di antara kedua variabel. PLS adalah metode regresi yang dapat
digunakan untuk identifikasi faktor yang merupakan kombinasi variabel X sebagai
penjelas dan variabel Y sebagai respon (Talbot, 1997 dalam Jogiyanto, 2009).
18
2.3.2 Pengertian Partial Least Square
PLS merupakan metode alternatif dari SEM yang dapat digunakan untuk mengatasi
permasalahan hubungan diantara variabel yang kompleks namun ukuran sampel
datanya kecil (30 sampai 100), mengingat SEM memiliki ukuran sampel data
minimal 100 (Hair dkk., 2010).
PLS digunakan untuk mengetahui kompleksitas hubungan suatu variabel laten dan
variabel laten yang lain, serta hubungan suatu variabel laten dan indikator-
indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner model dan outer
model. Inner model menentukan spesifikasi hubungan antara variabel laten dan
indikator-indikatornya. Variabel laten terbagi menjadi dua yaitu laten eksogen dan
laten endogen. Variabel laten eksogen merupakan variabel laten penyebab, variabel
laten yang tidak dipengaruhi oleh variabel laten lainnya. Variabel laten eksogen
memberikan efek kepada variabel laten lainnya. Sedangkan variabel laten endogen
merupakan variabel laten yang dijelaskan oleh variabel laten eksogen. Variabel laten
endogen adalah efek dari variabel laten eksogen (Yamin dan Kurniawan, 2009).
Menurut Abdi (2003), Regresi PLS merupakan metode untuk mencari komponen
dari X yang juga berkaitan dengan y. Konsep dari regresi PLS adalah menguraikan
variabel respon y dan variabel prediktor X dengan persamaan:
y = TqT + f (2.3.1)
x = TPT + E (2.3.2)
19
di mana y merupakan vektor variabel respon, X merupakan matriks variabel
prediktor, T adalah matriks variabel laten atau skor komponen PLS, q adalah vektor
loading dari y dan P adalah matriks faktor loading dari X. Vektor q didapatkan
dengan cara meregresikan variabel indikator dengan variabel laten dengan
menggunakan penduga Ordinary Least Square (OLS).
2.3.3 Spesifikasi Model
Terdapat tiga model analisis jalur dalam PLS, yaitu inner model yang
menspesifikasikan hubungan antar variabel laten, outer model yang
menspesifikasikan hubungan antara variabel laten dengan variabel indikator, weight
relation yang mengestimasi nilai dari variabel laten.
1. Inner Model
Inner model merupakan model yang menggambarkan hubungan yang ada di antara
variabel laten berdasarkan path substantive theory. Inner model biasa disebut sebagai
inner relation atau structural model. Model persamaan inner model adalah sebagai
berikut:
η = β0 + βη + Γξ + ζ (2.3.3)
dengan
η = vektor variabel laten endogen (dependen),
ξ = vektor variabel laten eksogen (independen)
ζ = vektor residual (unexplained variance).
20
Oleh karena PLS didesain untuk model rekursif, atau sering disebut causal chain
system, maka model rekrusif dari PLS adalah sebagai berikut
ηj= Σ
iβ
jiη
i+ Σ
iγ
jbξ
b+ ζ j (2.3.4)
dengan
βji
= koefisien jalur yang menghubungkan predictor endogen
γjb
= koefisien jalur yang menghubungkan predictor eksogen
i…b = indeks range sepanjang I dan b
j = jumlah variabel laten endogen
ζ j = inner residual variabel.
2. Outer Model
Outer model adalah model yang menggambarkan hubungan antara variabel laten
dengan indikatornya. Outer model biasa disebut sebagai outer relation atau
measurement model. Pada outer model terdapat dua model yaitu model indikator
refleksif dan model indikator formatif.
Model refleksif sering disebut sebagai principal factor model yang berarti variabel
indikator dipengaruhi oleh variabel laten. Persamaan model indikator refleksif adalah
sebagai berikut
x = λ xξ + εx (2.3.5)
y = λ yη + εy (2.3.6)
21
dengan x dan y adalah indikator untuk variabel laten eksogen (ξ) dan varabel laten
endogen (η). Sedangkan λ x dan λ y merupakan matriks loading yang
menggambarkan seperti koefisien regresi sederhana yang menghubungkan variabel
laten dengan indikatornya.
Model formatif merupakan kebalikan dari model refleksif dimana model formatif
mengasumsikan bahwa variabel indikator mempengaruhi variabel laten. Arah
hubungan kausalitas mengalir dari variabel indikator ke variabel laten. Persamaan
model indikator formatif adalah sebagai berikut:
ξ = ΠξXi + δξ (2.3.7)
η = ΠηYi + εη (2.3.8)
dengan ξ,η , X, dan Y sama dengan persamaan sebelumnya, Πx dan Πy adalah seperti
koefisen regresi berganda dari variabel laten terhadap indikator, sedangkan δξ dan εη
adalah residual dari regresi.
Menurut Jarvis, Mackanzie dan Podsakoff (2003) dalam Ghozali (2011 : 13), terdapat
beberapa kriteria untuk menentukan formatif model atau refleksif model, yaitu :
a. Apabila terjadi perubahan pada variabel laten, maka variabel indikator pada
model formatif tidak akan mengalami perubahan, sedangkan pada model
refleksif akan mengakibatkan adanya perubahan pada variabel indikator,
b. Apabila terjadi perubahan pada variabel indikator, maka variabel laten pada
model formatif mengalami perubahan, sedangkan pada model releksif tidak akan
mengakibatkan adanya perubahan pada variabel laten,
22
c. Arah kausalitas pada model formatif dari variabel indikator ke variabel laten
sedangkan arah kausalitas pada variabel refleksif dari variabel laten ke variabel
indikator,
d. Kemiripan kontent pada variabel indikator di model formatif tidak harus sama
atau mirip, sedangkan variabel indikator pada model refleksif harus memiliki
kontent yang sama atau mirip,
e. Pada model formatif tidak memiliki kovarian antar variabel indikator, sedangkan
pada model refleksif diharapkan ada kovarian antar variabel indikator.
2.3.4 Kriteria Penilaian
Dalam penggunaanya, PLS memiliki beberapa evaluasi terhadap model struktural dan
model pengukuran yang ada. Dalam evaluasi model pengukuran, dilakukan uji
convergent validity, discriminant validity, composite reliability, dan Average
Variance Extracted. Sedangkan dalam evaluasi model struktural dilakukan uji R-
squared (R2) dan uji estimasi koefisien jalur.
1. Convergent validity
Convergent validity digunakan untuk mengukur besarnya korelasi antara variabel
laten dengan variabel indikator pada model pengukuran refleksif. Dalam evaluasi
convergent validity dapat dinilai berdasarkan korelasi antara item score/component
score dengan construct score. Menurut Chin (1998), suatu kolerasi dapat dikatakan
memenuhi convergent validity apabila memiliki nilai loading sebesar/lebih besar dari
0,5 sampai 0,6.
23
2. Discriminant Validity
Discriminant Validity dari model pengukuran refleksif dapat dihitung berdasarkan
nilai cross loading dari variabel indikator terhadap masing-masing variabel laten. Jika
kolerasi antara variabel laten dengan setiap indikatornya (variabel indikator) lebih
besar dari pada korelasi dengan variabel laten lainnya, maka variabel laten tersebut
dapat dikatakan memprediksi indikatornya lebih baik daripada variabel laten lainnya.
Selain itu, discriminant validity juga dapat dihitung dengan membandingkan nila
square root of average variance extracted (AVE). Apabila nilai √AVE lebih tinggi
dari pada nilai korelasi di antara variabel laten, maka discriminant validity dapat
dianggap tercapai. Discriminant validity dapat dikatakan tercapai apabila nilai AVE
lebih besar dari 0,5. Cara untuk menghitung nilai AVE adalah sebagai berikut:
AVE =∑∑ ∑ ( ) (2.3.9)
dengan λ1 adalah loading factor (convergent validity), dan var ε(i) = 1- λ12
.
3. Composite Reliability
Variabel laten dapat dikatakan memiliki realibilitas yang baik apabila nilai composite
reliability lebih besar dari 0,6. Cara untuk composite reliability adalah sebagai
berikut:
pc =(∑ )(∑ ) ∑ ( ) (2.3.10)
dengan λ1 adalah loading factor (convergent validity), dan var ε(i)= 1- λ12
.
24
Ghozali (2011 : 26) menyatakan bahwa pengukuran ini dapat digunakan untuk
mengukur realibiltias dan hasilnya lebih konservatif dibandingkan nilai composite
realibility (pc).
4. R-squared (R2)
Pengujian R-squared (R2) merupakan cara untuk mengukur tingkat Goodness of Fit
(GOF) suatu model struktural. Nilai R-squared (R2) digunakan untuk menilai
seberapa besar pengaruh variabel laten independen tertentu terhadap variabel laten
dependen. Menurut Chin (1998), hasil R2 sebesar 0,67 mengindikasikan bahwa model
dikategorikan baik. Hasil R2 sebesar 0,33 mengindikasikan bahwa model
dikategorikan moderat. Sedangkan Hasil R2 sebesar <0,33 mengindikasikan bahwa
model dikategorikan lemah.
5. Uji Signifikansi
Uji signifikansi bertujuan untuk mengetahui seberapa besar pengaruh variabel bebas
terhadap variabel terikat. Uji signifikansi pada metode PLS, variabel bebas yang
dimaksud adalah variabel laten eksogen dan variabel terikat yang dimaksud adalah
variabel laten endogen. Nilai estimasi untuk hubungan jalur dalam inner model
digunakan untuk mengetahui signifikansi dari hubungan-hubungan antar variabel
laten. Nilai signifikan dapat diperoleh dengan prosedur bootstrapping yang
dikembangkan oleh Geisser & Stone.
25
Hipotesis yang digunakan pada uji signifikansi adalah:
H0 = Variabel bebas tidak berpengaruh signifikan terhadap varabel terikat
H1 = Variabel bebas berbengaruh signifikan terhadap variabel terikat
Statistik uji yang digunakan adalah:
T statistik = ( ) (2.3.11)
Dimana bj adalah nilai dugaan βj dan S(bj) adalah standar error bagi bj.
Daerah penolakan yang digunakan adalah:
H0 ditolak apabila |T statistik| > Tα, df atau p-value < α.
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat
Penelitian ini dilakukan pada semester ganjil tahun ajaran 2016/2017 di Jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lampung.
3.2 Metode Penelitian
Penelitian ini dilakukan dengan membandingkan hasil output data yang di
estimasi dengan metode Maximum Likelihood Estimator-Structural Equation
Modelling (MLE-SEM) menggunakan program LISREL 8.8 dan Partial Least
Square-Structural Equation Modelling (PLS-SEM) menggunakan program
SmartPLS.3. Adapun langkah-langkah dalam penelitian ini, yaitu :
1. Membangkitkan data dengan program Minitab berdistribusi normal dengan
jumlah sampel 50
2. Spesifikasi Model
a). Model pengukuran
b). Model struktural
3. Identifikasi parameter dari model pengukuran dan model struktural
27
4. Estimasi Model
a). Estimasi Model dengan metode Maximum Likelihood Estimator-Structural
Equation Modelling menggunakan program LISREL 8.8
b). Estimasi Model dengan metode Partial Least Square-Structural Equation
Modelling menggunakan program SmartPLS.3
V. KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan dengan metode Maximum Likelihood
Estimator (MLE-SEM) menggunakan program LISREL 8.8 dan Partial Least Square
(PLS-SEM) menggunakan SmartPLS.3 dapat disimpulkan bahwa :
1. SEM berbasis kovarian sangat dipengaruhi oleh asumsi-asumsi parametrik yang
harus terpenuhi seperti ukuran sampel yang besar. Jumlah sampel yang kecil dapat
memberikan estimasi parameter dan model statistik yang kurang baik, bahkan
dapat menghasilkan negative variance.
2. PLS-SEM dapat dijadikan sebagai metode alternatif untuk menyelesaikan masalah
yang dihadapi SEM berbasis kovarian.
DAFTAR PUSTAKA
Abdi, H. 2003. Partial Least Squares (PLS) Regression, The University of Texasat Dallas.
Bain, L.J. dan Engelhardt, M. 1992. Introduction to Probability andMathematical Statistics, Second Edition. Duxbury Press, California.
Chin, W. W. 1998. The partial least squares approach for structural equationmodeling. In George A. Marcoulides (Ed.), Modern Methods for BusinessResearch, Lawrence Erlbaum Associates, 295-336.
Ghozali, Imam. 2008. Struktural Equation Modelling Metode Alternatif denganPartial Least Square. Semarang: Universitas Diponegoro.
Ghozali, Imam. 2011. Structural Equation Modelling Metode Alternatif dengan PartialLeast Square. Badan Penerbit Universitas Diponegoro, Semarang.
Ghozali, I. dan Fuad. 2005. Structural Equation Modeling: Teori, Konsep, danAplikasi dengan Program LISREL. Badan Penerbit Undip, Semarang.
Hair, J.F., Anderson, R.F., Tatham, R.L. dan Black, W.C. 1998. Multivariate DataAnalysis, 5th Edition, Prentice Hall.
Hair, Black, Babin, & Anderson. 2010. Multivariate Data Analysis 7th. NewJersey: Prentice Hall.
Jogiyanto dan Abdillah, W. 2009. Konsep dan Aplikasi PLS untuk PenelitianEmpiris. Yogyakarta: Fakultas Bisnis UGM.
Kurniawan, H. dan Yamin, S. 2009. Structural Equation Modelling: lebih mudahmengolah data kuesioner dengan Lisrel dan smartPLS. Salemba Infotek:Jakarta.
Ramadiani. 2010. Structural Equation Model untuk Analisis Multivariatemenggunakan Lisrel. Jurnal Informatika Mulawarman, 5(1): 15-18.
Wijayanto, S.H. 2008. Structural Equation Modeling dengan LISREL 8.8. Konsepdan Tutorial. Yogyakarta: Penerbit Graha Ilmu.
Wold, H. 1982. Soft modeling: the basic desing and some extensions, In: Systemsunder Indirect Observation, Part 2, Jöreskog K.G., Wold H. (eds). North-Hollad, 1-5.