PLS (Partial Least Square)

Partila Least Square (PLS) dikembangkan pertama kali oleh Herman Wold (1982). Ada beberapa metode yang dikembangkan berkaitan dengan PLS yaitu model PLS Regression (PLS-R) dan PLS Path Modeling (PLS-PM ). PLS Path Modeling dikembangkan sebagai alternatif pemodelan persamaan struktural ( SEM) yang dasar teorinya lemah. PLS-PM berbasis varian berbeda dengan metode SEM dengan software AMOS, Lisrel, EQS menggunakan basis kovarian.
Ada beberapa hal yang membedakan analisis PLS dengan model analisis SEM yang lain :

1. Data tidak harus berdistribusi normal multivariate.
2. Dapat digunakan sampel kecil. Minimal sampel >30 dapat digunakan.
3. PLS selain dapat digunakan unutk mengkonfirmasikan teori, dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten.
4. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator reflektif dan formatif
5. PLS mampu mengestimasi model yang besar dan kompleks dengan ratusan variabel laten dan ribuan indikator (Falk and Miller, 1992)
   

Pemodelan dalam PLS-Path Modeling ada 2 model :

1. Model structural (Inner model) yaitu model struktural yang menghubungkan antar variabel laten.
2. Model Measurement (Outer Model yaitu model pengukuran yang menghubungkan indikator dengan variabel latennya.

Model Partial Least Square

Dalam PLS Path Modeling terdapat 2 model yaitu outer model dan Inner model. Kriteria uji dilakukan pada kedua model tersebut.


Outer model (Model Measurement)

Model ini menspesifikasi hubungan antar variabel laten dengan indikator-indikatornya. atau dapat dikatakan bahwa outer model mendefinisikan bagaimana setiap indikator berhubungan dengan variabel latennya. Uji yang dilakukan pada outer model :

• Convergent Validity. Nilai convergen validity adalah nilai loading faktor pada variabel laten dengan indikator-indikatornya. Nilai yang diharapkan >0.7.
• Discriminant Validity. Nilai ini merupakan nilai cross loading faktor yang berguna untuk mengetahui apakah konstruk memiliki diskriminan yang memadai yaitu dengan cara membandingkan nilai loading pada konstruk yang dituju harus lebih besar dibandingkan dengan nilai loading dengan konstruk yang lain.
• Composite Reliability. Data yang memiliki composite reliability >0.8 mempunyi reliabilitas yang tinggi.
• Average Variance Extracted (AVE). Nilai AVE yang diharapkan >0.5.
• Cronbach Alpha. Uji reliabilitas diperkuat dengan Cronbach Alpha.Nilai diharapkan >0.6 untuk semua konstruk.

Uji yang dilakukan diatas merupakan uji pada outer model untuk indikator reflektif. Untuk indikator formatif dilakukan pengujian yang berbeda. Uji untuk indikator formatif yaitu :

• Significance of weights. Nilai weight indikator formatif dengan konstruknya harus signifikan.
• Multicolliniearity. Uji multicolliniearity dilakukan untuk mengetahui hubungan antar indikator. Untuk mengetahui apakah indikator formatif mengalami multicolliniearity dengan mengetahui nilai VIF. Nilai VIF antara 5- 10 dapat dikatakan bahwa indikator tersebut terjadi multicolliniearity.

Masih ada dua uji untuk indikator formatif yaitu nomological validity dan external validity.

Inner Model (Model Structural).

Uji pada model struktural dilakukan untuk menguji hubungan antara konstruk laten. Ada beberapa uji untuk model struktural yaitu :

• R Square pada konstruk endogen. Nilai R Square adalah koefisien determinasi pada konstruk endogen. Menurut Chin (1998), nilai R square sebesar 0.67 (kuat), 0.33 (moderat) dan 0.19 (lemah)
• Estimate for Path Coefficients, merupakan nilai koefisen jalur atau besarnya hubungan/pengaruh konstruk laten. Dilakukan dengan prosedur Bootrapping.
• Effect Size (f square). Dilakukan untuk megetahui kebaikan model.
• Prediction relevance (Q square) atau dikenal dengan Stone-Geisser's. Uji ini dilakukan untuk mengetahui kapabilitas prediksi dengan prosedur blinfolding. Apabila nilai yang didapatkan 0.02 (kecil), 0.15 (sedang) dan 0.35 (besar). Hanya dapat dilakukan untuk konstruk endogen dengan indikator reflektif.

Dalam outer model terdapat dua tipe indikator yaitu indikator reflektif dan indikator formatif.

1. Indikator reflektif. Indikator ini mempunyai ciri-ciri : arah hubungan kausalitas dari variabel laten ke indikator, antar indikator diharapkan saling berkorelasi (instrumen harus memiliki consistency reliability), menghilangkan satu indikator, tidak akan merubah makna dan arti variabel yang diukur, dan kesalahan pengukuran (eror) pada tingkat indikator. Sebagai contoh model indikator reflektif adalah variabel yang berkaitan dengan sikap (attitude) dan niat membeli (purchase intention).
2. Indikator formatif. Ciri-ciri model indikator reflektif yaitu : 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., dan kesalahan pengukuran berada pada tingkat variabel laten. Variabel laten dengan indikator formatif dapat berupa variabel komposit. Sebagai contoh variabel status sosial ekonomi diukur dengan indikator yang saling mutual exclusive (pendidikan, pekerjaan, dan tempat tinggal). variabel kualitas pelayanan dibentuk oleh 5 dimensi yaitu tangible, reliability, responsive, emphaty dan assurance.

Beberapa software PLS yang telah dikembangkan untuk analisis model Partial Least Square (PLS), antara lain :

1. LVPLS versi 1.8 (Latent Variable Partial Least Square). Ini merupakan software yang pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984,1987,1989) under DOS, dapat didownload http://kiptron.psyc.virginia.edu/ . Kemudian dikembangkan lagi oleh Wynne Chin (1998,1999,2001) menjadi under Windows dengan tampilan grafis dan tambahan teknik validasi bootstrapping dan jacknifing. Software ini diberi nama PLS Graph versi 3.0. Untuk versi student dapat didownload di http://www.bauer.uh.edu.
2. SmartPLS, software ini dikembangkan di University of Hamburg Jerman. Software ini dapat didownload di www.smartpls.de.
3. Visual Partial Least Square (VPLS), dikembangkan oleh Jen Ruei Fu dari National Kaohsiung University Taiwan. Software ini dapat didownload di http://www2.kuas.edu.tw
4. PLS-GUI, software ini dikembangkan oleh Yuan Li dari Management Science Department, The More School Business, Universitas of South Carolina. Software ini dapat didownload di http://dmsweb.badm.sc.edu
5. WarpPLS, software ini dikembangkan oleh Ned Kock. Software ini merupakan alternatif path modeling linier dan nonlinier. Dapat didownload di http://www.scriptwarp.com

 Tutorial Partial Least Square Dengan SmartPLS [PDF]

Referensi :

1. Jorg Henseller,et.al. The Use of Partial Least Squares Path Modeling in International Marketing.
2. Michael, H., and Andreas, M.K (2004). A Beginner's Guide to Partial Least Square Analysis. Lawrence Erlbaum Association, Inc.
3. Vincenzo et,.al. (2010). Handbook of Partial Least Square. Springer-Verlag Berlin Heidelberg.

Sumber:
Dapat dilihat disini

^Analisis Data Menggunakan Partial Least Square (PLS)^ [Part 1] 1

al Blog ^^

Minggu, 03 Januari 2010

Partial Least Square (PLS) menurut Wold merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak asumsi. PLS sebagai teknik analisis data dengan software SmartPLS versi 2.0.M3 yang dapat di-download dari http://www.smartpls.de, karena metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Walaupun PLS digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi unidentified model. PLS mempunyai dua model indikator dalam penggambarannya, yaitu:

a. Model Indikator Refleksif
Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan.

b. Model Indikator Formatif
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten. Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi, tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator, karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk formatif. Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten. Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk.


Langkah – langkah (standar) Analisis Data dengan PLS
Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai berikut:

1. Merancang Model Struktural (Inner Model)

Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian.

2. Merancang Model Pengukuran (Outer Model)

Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional variabel.

3. Konversi Diagram Jalur ke Sistem Persamaan
a. Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut:
Ŋ = β0 + βŋ + Гξ + ζ
Ŋj = Σi βji ŋi + Σi үjb ξb + ζj

b. Model persamaan dasar Outer Model dapat ditulis sebagai berikut:
X = Λx ξ + εx Y = Λy ŋ + εy

4. Estimasi : Weight, Koefisien Jalur, dan Loading
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu:

• Weight estimate yang digunakan untuk menghitung data variabel laten.
• Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.
• Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.

5. Evaluasi Goodness of Fit Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya.
Q2 = 1 – ( 1 - R12 ) ( 1 – R22 ) … (1 – Rp2)
Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).

6. Pengujian Hipotesis (Resampling Bootstraping)
Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value <>

Sumber:

Dapat dilihat disini

^Analisis Data Menggunakan Partial Least Square (PLS)^ [Part 2]

Data yang diperoleh dari hasil penelitian kemudian diolah menggunakan teknik analisis data yaitu Partial Least Square (PLS). PLS menurut Wold dalam Ghozali (2008) merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak asumsi. Penelitian ini menggunakan PLS sebagai teknik analisis data dengan software SmartPLS versi 2.0.M3 yang dapat di-download dari http://www.smartpls.de. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus besar. Hal ini sesuai dengan jumlah sampel pada penelitian ini yaitu 93 responden. Walaupun PLS digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten.

Tahapan yang digunakan untuk menganalisis data, yaitu:

a.    Confirmatory Factor Analysis (Analisis Faktor Konfirmatori). Church dan Burke dalam Widhiarso (2004) mengatakan bahwa teknik Analisis Faktor Konfirmatori adalah salah satu teknik yang cukup adekuat dalam menganalisis model sederhana dalam melihat berfungsinya konstruk empirik (faktor) di sebuah model struktural. Salah satu kelebihan Analisis Faktor Konfirmatori adalah tingkat fleksibilitasnya ketika diaplikasikan dalam sebuah model hipotesis yang kompleks. Tujuan dari analisis faktor ini adalah menjelaskan dan menggambarkan dengan mereduksi jumlah parameter yang ada (Widhiarso, 2004). Confirmatory Factor Analysis  konstruk digunakan untuk melihat validitas dari masing-masing indikator dan untuk menguji reliabilitas dari konstruk tersebut. Kriteria validitas indikator diukur dengan convergent validity. Indikator dikatakan valid dengan convergent validity  nilai loading 0.7 namun untuk penelitian tahap awal dari pengembangan nilai loading 0.5 sampai 0.6 dianggap cukup, dan dapat pula ditunjukkan oleh nilai Average Variance Extracted (AVE) yang diatas 0.50. Reliabilitas konstruk diukur dengan Composite Reliability dan Cronbach Alpha. Konstruk dikatakan reliabel jika memiliki nilai Composite Reliability  dan Cronbach Alpha di atas 0.70 (Ghozali (2008).

Penelitian yang menekankan pada pembangunan model perlu diuji kesesuaiannya, termasuk penelitian yang menggunakan structural equation modeling. Model Struktural dievaluasi menggunakan Goodness of Fit Model, yaitu menunjukkan perbedaan antara nilai-nilai yang diamati dan nilai-nilai yang diperkirakan oleh model. Pada model regresi, Goodness of Fit (pengujian kesesuaian) yang menunjukkan nilai R² di atas 80% dianggap baik (Jogiyanto, 2008).

b.   Analisis Regresi Berganda, dimaksudkan untuk melihat pengaruh langsung antar konstruk berdasarkan hipotesis yang telah diungkapkan dan model persamaan struktural (Gambar 4.1).

Gambar 4.1. Model Persamaan Struktural

Berdasarkan model persamaan struktural tersebut, persamaan regresi dengan nilai konstanta atau unstadardized adalah sebagai berikut:

X₂ = β₀ + β₁X₁

X₃ = β₀ + β₁X₁ + β₂X₂

Y  = β₀ + β₁X₁ + β₂X₂ + β₃X₃

Z  = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + β₄Y₁ + e

Keterangan:

Z             = Actual system use

β             = konstanta

X₁           = Perceived ease of use

X₂           = Perceived usefulness

X₃           = Attitude toward using

Y             = Behavior intention to use

e             = error

Output software PLS menggambarkan konstruk unidimensional dengan bentuk elips dengan beberapa anak panah dari konstruk ke indikator (Gambar 4.1.). Model tersebut menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Indikator harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid mengukur suatu konstruk, sehingga jika terdapat dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan (Ghozali, 2008).

c.    Path analysis (analisis jalur)

Gambar 4.2  menunjukkan hubungan langsung antar konstruk dan antara konstruk dengan indikator. Langkah selanjutnya untuk menguji besarnya kontribusi yang ditunjukkan koefisien jalur pada setiap diagram jalur dari hubungan kausal antar konstruk, digunakan Path Analysis. Path Analysis akan mengungkapkan pengaruh langsung dan pengaruh tidak langsung antar konstruk, didasarkan pada koefisien regresi yang standardized.

d.    Uji Asumsi Klasik

Uji ini dimaksudkan untuk membuktikan bahwa model regresi penelitian telah memenuhi asumsi klasik, tidak terdapat masalah-masalah regresi yang tidak diperbolehkan dalam pengolahan data regresi secara statistik. Uji asumsi klasik akan diketahui hasilnya dengan batuan software SPSS versi 14. Ghozali (2005) mengungkapkan bahwa uji ini terdiri atas empat bagian, yaitu:

1. 1)  Normalitas; bertujuan untuk menguji kemungkinan variabel pengganggu atau residual memiliki distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram/grafik normal plotnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.

1. 2)  Heteroskedastisitas; bertujuan untuk menguji kemungkinan terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Salah satu cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah melihat grafik plot antara prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatter plot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah disudentized. Apabila dari grafik scatter plot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi yang digunakan.

1. 3)  Multikolinearitas; bertujuan untuk menguji penemuan korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel-variabel ini tidak ortogal (yaitu variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol). Uji multikolonieritas dapat juga dilihat dari: (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (VIF=1/tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 10. 
2. Linearitas; dimaksudkan untuk mengetahui linieritas hubungan antara variabel bebas dengan variabel tergantung, selain itu uji linieritas ini juga diharapkan dapat mengetahui taraf signifikansi penyimpangan dari linieritas hubungan tersebut. Apabila penyimpangan yang ditemukan tidak signifikan, maka hubungan antara variabel bebas dengan variabel tergantung adalah linier. Uji linieritas ini menggunakan metode curve fit

Sumber:

Dapat dilihat disini