Pls

5/16/2018 Pls - slidepdf.com

http://slidepdf.com/reader/full/pls5572002f49795991699ef6b1 1/31

1

PARTIAL LEAST

SQUARE



2

Pengantar (1)

PLS pertama kali dikembangkan olehHerman Wold

PLS dikembangkan sebagai alternatif

PEMODELAN PERSAMAAN STUKTURAL yg dasar teorinya lemah

Indikator dari Variabel Laten tidak memenuhimodel 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



3

Kondisi

Sosial

Keluarga

Bangunan Rumah

Kondisi

Ekonomi

Keluarga

Y21 Y22

Y23

Sikap thdp

Sekolah

Kejuruhan

Pengantar (2)

Pekerjaan

Pendidikan

Pendapatan

Keluarga yg Bekerja

Pengeluaran

Minat thdpSekolah

Kejuruhan

Y11 Y12 Y13



4

Pengantar (3)

Pendidikan

BangunanTempat Tinggal

Rasio DensitasKeluarga perLuas Lantai

Faktor StatusSosial Keluarga

Pendorong keLuar Negeri

Penarik yangberasal dari Luar

Negeri

Ikut Keluarga /

kawan

Motivasi Kerjake Luar Negeri

PendapatanKeluarga

PengeluaranKeluarga

Jumlah Angg.Keluarga ygBekerja

Faktor EkonomiKeluarga

KesejahteraanKeluarga

Kesehatan Kekayaan

Minat Kembalike Luar Negeri

Diri Sendiri Orang Lain



5

PLS dapat digunakan sebagai konfirmasi teori(theoritical testing ) dan merekomendasikanhubungan yang belum ada dasar teorinya(eksploratori)

SEM (software : AMOS, LISREL) berbasiskovarian, sedangkan PLS (software : SmartPLSatau Visual PLS) berbasis varian

PLS mampu menghindari: inadmissible solution : model rekursif

factor indeterminacy: indikator formatif

Pengantar (4)



6

Metode PLS

PEMODELAN di dalam PLS:

Inner model model struktural yangmenghubungkan antar variabel laten

Outer model model pengukuran yangmenghubungkan indikator dengan variabellatennya



7

Refleksif

Formatif

Faktor

Utama 1

x1

x2

x3

e1

e3

e2

zeta1Faktor

Komposit 1

x1

x2

x3

Indikator



8

Indikator Model Refleksif

Contoh model indikator refleksif adalah Variabel yangberkaitan dengan sikap (attitude ) dan niat membeli(purchase intention ).

Sikap umumnya dipandang sebagi respon dalam

bentuk favorable (menguntungkan) atau unfavorable (tidak menguntungkan) terhadap suatu obyek danbiasanya diukur dengan skala multi item dalambentuk semantik differences seperti, good-bad, like- dislike, dan favorable-unfavorable .

Sedangkan niat membeli umumnya diukur denganukuran subyektif seperti how likely -unlikely, probable- improbable, dan/atau possible-impossible .



9

Ciri-ciri model indikator reflektif

Arah hubungan kausalitas dari variabel latenke indikator

Antar indikator diharapkan saling berkorelasi

(instrumen harus memiliki internalconsistency reliability )

Menghilangkan satu indikator, tidak akanmerubah makna dan arti variabel yg diukur

Kesalahan pengukuran (error ) pada tingkatindikator



10

Indikator Model Formatif

Contoh model indikator formatif adalah di bidangekonomi, seperti index of sustainable economics welfare , the human development index , the quality of life index .

Variabel laten dengan model indikator formatifberupa 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.



11

Ciri-ciri model indikator formatif

Arah hubungan kausalitas dari indikator kevariabel laten

Antar indikator diasumsikan tidak berkorelasi

(tidak diperlukan uji reliabilitas konsistensiinternal)

Menghilangkan satu indikator berakibatmerubah makna dari variabel laten

Kesalahan pengukuran berada pada tingkatvariabel laten (zeta )



12

Notasi pada PLS



13

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



14

LANGKAH-LANGKAH PLS

Merancang Model Struktural

(inner model )

Merancang Model Pengukuran

(outer model )

Mengkonstruksi Diagram Jalur

Konversi Diagram Jalur ke

Sistem Persamaan

Estimasi: Koef. Jalur, Loading

dan Weight

Evaluasi Goodness of Fit

Pengujian Hipotesis

(Resampling Bootstraping )

1

2

3

4

5

6

7



15

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 ilmuyang lain

Normatif, misal peraturan pemerintah, undang-undang,

dan lain sebagainya

Rasional

PLS: Bisa ekplorasi hubungan antar variabel



16

LANGKAH KE-2

MERANCANG OUTER MODEL

Pada SEM semua bersifat refleksif, modelpengukuran tidak penting (sudah terjamin pada

DOV) Pada PLS perancangan outer model sangat

penting: refleksif atau formatif

Dasar: teori, penelitian empiris sebelumnya,

atau rasional



17

TAHAP KE-3

KONSTRUKSI DIAGRAM JALUR



18

Outer model Untuk variabel latent eksogen 1 (reflektif)

x1 = x1 1 + 1 x2 = x2 1 + 2 x3 = x3 1 + 3

Untuk variabel latent eksogen 2 (formatif)

2 = x4 X4 + x5 X5 + x6 X6 + 4

Untuk variabel latent endogen 1 (reflektif)

y1 = y1 1 + 1 y2 = y2 1 + 2

Untuk variabel latent endogen 2 (reflektif)

y3 = y3 2 + 3 y4 = y4 2 + 4

LANGKAH KE-4KONVERSI DIAGRAM JALUR KE PERSAMAAN



19

Inner model :

1 = 11 + 22 + 1

2 = 11 + 31 + 42 + 2

LANGKAH KE-4KONVERSI DIAGRAM JALUR KE PERSAMAAN



20

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 dimoderasidan yang memoderasi, kemudian membuat variabel laten interaksidengan cara mengalikan nilai standar indikator yang dimoderasidengan yang memoderasi

LANKAH KE-5



21

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 signifikansidari weight



22


Convergent validity Nilai loading 0.5 sampai 0.6 dianggap cukup,

untuk jumlah indikator dari variabel laten berkisarantara 3 sampai 7

Discriminant validity Direkomendasikan nilai AVE lebih besar dari 0.50.

2

2AVE var( )

i

i ii



23


Composite reliability

Nilai batas yang diterima untuk tingkat reliabilitaskomposit (ρc) adalah ≥ 0.7, walaupun bukanmerupakan standar absolut.

2

2

( )

( ) var( )ii

ic

i



24

GOODNESS OF FIT - INNER MODEL

Diukur menggunakan Q-Square predictive relevance

Rumus Q-Square:

Q2 = 1 – ( 1 – R12) ( 1 – R2

2 ) ... ( 1- Rp2 )

dimana R12 , R2

2 ... Rp2 adalah R-square

variabel endogen dalam model

Interpretasi Q2 sama dg koefisien determinasitotal pada analisis jalur (mirip dengan R2 padaregresi)



25

LANGKAH KE-7

PENGUJIAN HIPOTESIS Hipotesis statistik untuk outer model :

H0 : λi = 0 lawanH1 : λi ≠ 0

Hipotesis statistik untuk inner model : variabel laten eksogen

terhadap endogen:H0 : γi = 0 lawanH1 : γi ≠ 0

Hipotesis statistik untuk inner model : variabel laten endogenterhadap endogen:

H0 : βi = 0 lawanH1 : 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



26

ASUMSI PLS

Asumsi di dalam PLS hanya berkaitan denganpemodelan persamaan struktural:

Hubungan antar variabel laten dalam inner model

adalah linier dan aditif Model srtuktural bersifat rekursif.



27

SAMPLE SIZE

Ukuran sampel dalam PLS, dengan perkiraansebagai 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



28

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 http://kiptron.psyc.virginia.edu. Software ini dikembangkan lebihlanjut oleh Wynne W Chin (1998, 1999, 2001) menjadi under windows dengan tampilangrafis 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 www.bauer.uh.edu. Versi student inimampu mengolah maksimum 30 variabel.

Di University of Hamburg Jerman juga dikembangkan software PLS yang diberinama SmartPLS. Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkanlagi ke versi 2.0 dan yang terakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3.Pengembangan software ini meliputi perbaikan tampilan, penambahan fasilitas untukefek moderator, tambahan report / output yakni communality, redundancy, dan Alpha Cronbach . Software SmartPLS dapat didownload secara gratis di www.smartpls.de.

Software PLS lain dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University,Taiwan, yang diberi nama VPLS (VisualPLS). Software ini dapat didownload secaragratis di http://www2.kuas.edu.tw.

Software lain yang dapat menjalankan PLS melalui tampilan grafis adalah PLS-GUI yang dikembangkan oleh Yuan Li dari Management Science Department, The MoreSchool of Business, University of South Carolina. Software ini dapat di download gratisdari http://dmsweb.badm.sc.edu.

http://kiptron.psyc.virginia.edu/

http://www.bauer.uh.edu/

http://www.smartpls.de/

http://www2.kuas.edu.tw/

http://dmsweb.badm.sc.edu/

http://dmsweb.badm.sc.edu/

http://www2.kuas.edu.tw/

http://www.smartpls.de/

http://www.bauer.uh.edu/

http://kiptron.psyc.virginia.edu/



29

PERBANDINGAN ANTARA ANALISIS

PATH (JALUR), PLS, DAN SEM

Kriteria Path PLS SEM

Landasan Teori Kuat Kuat maupun Lemah,

bahkan eksploratif

Kuat

Bentuk hubungan

antar variabel

Linier Linier Linier

Model Struktural Rekursif Rekursif Rekursif dan Nonrekursif

Asumsi Distribusi Normal Tidak diperlukan;

pendekatan resampling

dengan Bootstrapping

-Normal atau

-Tidak diperlukan;

pendekatan resampling

dengan Bootstrapping

Model pengukuran Di luar pemodelan - Refleksif - Formatif

Refleksif

- Total Skor

- Rata-rata

Skor

- Rescoring

- Skor Faktor

- Skor

Komponen

Utama

- Indikator

Terkuat



30

PERBANDINGAN ANTARA ANALISIS

PATH (JALUR), PLS, DAN SEM

Kriteria Path PLS SEM

Ukuran Sampel Sampel minimal 10 kali

jumlah variabel (rule of tumb

dari multivariate abalysis)

Sampel minimal 30-50 atau

sampel besar di atas 200

Sampel minimal

direkomendasikan 100-

200

Modifikasi Model Tidak ada modifikasi Tidak memerlukan

modifikasi indeks, korelasi

antar indikator

Jika model tidak fit,

dapat dilakukan

modifikasi, denganpenuntun berupa indeks

modofikasi

Goodness of fit Koefisien determinasi total Q-Square predictive

relevance, yang pada

dasarnya adalah sama

dengan Koefisien

determinasi total

RMSEA,Chisquare/DF,

dll

(terdapat sebanyak 26

jenis goodness of fit)

Pengujan model Theory Triming, membuang

jalur yang nonsignifikan

Theory Triming,

membuang jalur yang

nonsignifikan

Theory Triming,

membuang jalur yang

nonsignifikan

Output Faktor determinan,

pengujian model

Faktor determinan dan

model struktural, pengujian

model, uji Validitas dan

Reliabilitas

Faktor determinan dan

model struktural,

pengujian model, uji

Validitas dan Reliabilitas



31

Terima kasih

Pls

Documents

Transcript of Pls