Upload
adil-noer
View
40
Download
0
Embed Size (px)
Citation preview
5/21/2018 Statistika Industri II-PLS
1/31
PARTIAL LEAST SQUARE
1
5/21/2018 Statistika Industri II-PLS
2/31
Pengantar (1)
PLS pertama kali dikembangkan oleh HermanWold
PLSdikembangkan sebagai alternatif
PEMODELAN PERSAMAAN STUKTURALygdasar teorinya lemah
Indikator dari Variabel Laten tidakmemenuhimodel refleksif,akan tetapi formatif
Variabel Laten bisa berupa hasil pencerminan indikatornya,diistilahkan dengan indikator refleksif.
Variabel Laten bisa dibentuk (disusun) oleh indikatornya, diistilahkandengan indikator formatif
2
5/21/2018 Statistika Industri II-PLS
3/31
Pengantar (2)
3
Kondisi
Sosial
Keluarga
Bangunan Rumah
Kondisi
Ekonomi
Keluarga
Y21 Y22 Y23
Sikap thdp
Sekolah
KejuruhanPekerjaan
Pendidikan
Pendapatan
Keluarga yg Bekerja
Pengeluaran
Minat thdpSekolah
Kejuruhan
Y11 Y12 Y13
5/21/2018 Statistika Industri II-PLS
4/31
Pengantar (3)
4
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
5/21/2018 Statistika Industri II-PLS
5/31
Pengantar (4)
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
5
5/21/2018 Statistika Industri II-PLS
6/31
Metode PLS
PEMODELAN di dalamPLS:
Inner modelmodel struktural yang
menghubungkan antar variabel laten
Outer modelmodel pengukuran yang
menghubungkan indikator dengan variabel
latennya
6
5/21/2018 Statistika Industri II-PLS
7/31
Indikator
Refleksif
Formatif
7
Faktor
Utama 1
x1
x2
x3
e1
e3
e2
zeta1 Faktor
Komposit 1
x1
x2
x3
5/21/2018 Statistika Industri II-PLS
8/31
Indikator Model Refleksif
Contoh model indikator refleksif adalah Variabel yangberkaitan dengan sikap (attitude) dan niat membeli (purchaseintention).
Sikap umumnya dipandang sebagi respon dalam bentuk
favorable(menguntungkan) atau unfavorable(tidakmenguntungkan) terhadap suatu obyek dan biasanya diukurdengan skala multi item dalam bentuk semantik differencesseperti, good-bad, like-dislike, danfavorable-unfavorable.
Sedangkan niat membeli umumnya diukur dengan ukuran
subyektif seperti how likely-unlikely, probable-improbable,dan/ataupossible-impossible.
8
5/21/2018 Statistika Industri II-PLS
9/31
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
indikator9
5/21/2018 Statistika Industri II-PLS
10/31
Indikator Model Formatif
Contoh model indikator formatif adalah di bidang ekonomi,seperti index of sustainable economics welfare, thehuman 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 danTempat Tinggal
Variabel kualitas pelayanandibentuk (formatif) oleh 5dimensi: tangible, reliability, responsive, emphaty danassurance.
10
5/21/2018 Statistika Industri II-PLS
11/31
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)11
5/21/2018 Statistika Industri II-PLS
12/31
Notasi pada PLS
12
5/21/2018 Statistika Industri II-PLS
13/31
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
13
5/21/2018 Statistika Industri II-PLS
14/31
LANGKAH-LANGKAH PLS
14
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
5/21/2018 Statistika Industri II-PLS
15/31
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 ekplorasihubungan antar variabel
15
5/21/2018 Statistika Industri II-PLS
16/31
LANGKAH KE-2
MERANCANG OUTER MODEL
Pada SEM semua bersifat refleksif, model
pengukuran tidak penting (sudah terjamin pada
DOV)
Pada PLS perancangan outer modelsangat
penting: refleksif atau formatif
Dasar: teori, penelitian empiris sebelumnya,atau rasional
16
5/21/2018 Statistika Industri II-PLS
17/31
TAHAP KE-3
17
KONSTRUKSI DIAGRAM JALUR
5/21/2018 Statistika Industri II-PLS
18/31
LANGKAH KE-4KONVERSI DIAGRAM JALUR KE PERSAMAAN
Outer model
Untuk variabel latent eksogen 1 (reflektif)
x1= x11+ 1
x2= x21+ 2
x3= x31+ 3
Untuk variabel latent eksogen 2 (formatif)
2= x4X4+ x5X5+ x6X6+ 4
Untuk variabel latent endogen 1 (reflektif)
y1= y11+ 1
y2= y21+ 2
Untuk variabel latent endogen 2 (reflektif)
y3= y32+ 3
y4= y42+ 4
18
5/21/2018 Statistika Industri II-PLS
19/31
LANGKAH KE-4KONVERSI DIAGRAM JALUR KE PERSAMAAN
Inner model:
1= 11+ 22+ 1
2=
1
1+
3
1+
4
2+
2
19
5/21/2018 Statistika Industri II-PLS
20/31
LANKAH KE-5
Pendugaan parameter :
Weight estimateyang digunakan untuk menghitung data variabellaten
Estimasi jalur(path estimate) yang menghubungkan antar variabellaten (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 : menstandarkanskor indikator dari variabel laten yang dimoderasi dan yang memoderasi,kemudian membuat variabel laten interaksi dengan cara mengalikan nilaistandar indikator yang dimoderasi dengan yang memoderasi
20
5/21/2018 Statistika Industri II-PLS
21/31
LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL
Outer modelrefleksif :
Convergentdan discriminant validity
Composite realibility
Outer modelformatif :
dievaluasi berdasarkan pada substantive content-
nya yaitu dengan melihat signifikansi dari weight
21
5/21/2018 Statistika Industri II-PLS
22/31
GOODNESS OF FIT- OUTER MODEL
Convergent validity
Nilai loading0.5 sampai 0.6 dianggap cukup, untuk jumlahindikator dari variabel laten berkisar antara 3 sampai 7
Discriminant validity Direkomendasikan nilai AVE lebih besar dari 0.50.
22
2
2AVE var( )
i
i ii
5/21/2018 Statistika Industri II-PLS
23/31
GOODNESS OF FIT- OUTER MODEL
Composite reliability
Nilai batas yang diterima untuk tingkat reliabilitas
komposit (c) adalah 0.7, walaupun bukan merupakan
standar absolut.
23
2
2
( )
( ) var( )ii
ic
i
5/21/2018 Statistika Industri II-PLS
24/31
GOODNESS OF FIT- INNER MODEL
Diukur menggunakan Q-Square predictive
relevance
Rumus Q-Square:
Q2= 1( 1R12) ( 1R2
2 ) ... ( 1- Rp2 )
dimana R12, R2
2... Rp2 adalah R-square variabel
endogen dalam model Interpretasi Q2 sama dg koefisien determinasi total
pada analisis jalur (mirip dengan R2pada regresi)
24
5/21/2018 Statistika Industri II-PLS
25/31
LANGKAH KE-7
PENGUJIAN HIPOTESIS
Hipotesis statistik untuk outer model:
H0 : i = 0 lawan
H1 : i 0
Hipotesis statistik untuk inner model: variabel laten eksogen terhadap
endogen:H0 : i = 0 lawan
H1 : i 0
Hipotesis statistik untuk inner model: variabel laten endogen terhadapendogen:
H0 : i = 0 lawan
H1 : i 0
Statistik uji: t-test;p-value 0,05 (alpha 5 %); signifikan
Outter modelsignifikan: indikator bersifat valid
Inner modelsignifikan: terdapat pengaruh signifikan
PLS tidak mengasumsikan data berdistribusi normal: menggunakan teknik
resamplingdengan metode Bootstrap 25
5/21/2018 Statistika Industri II-PLS
26/31
ASUMSI PLS
Asumsidi dalam PLS hanya berkaitan dengan
pemodelanpersamaan struktural:
Hubungan antar variabel laten dalam inner model
adalah linier dan aditif Model srtuktural bersifat rekursif.
26
5/21/2018 Statistika Industri II-PLS
27/31
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: 3050 atau besar > 200
27
5/21/2018 Statistika Industri II-PLS
28/31
SOFTWARE PLS
Software PLS pertama kali dikembangkan oleh Jan-Bernd Lohmoller (1984, 1987, 1989) underDOS dan disebut LVPLS Versi 1.8 (Latent Variable Partial Least Square), dapat didownload dihttp://kiptron.psyc.virginia.edu . Software ini dikembangkan lebih lanjut oleh Wynne W Chin(1998, 1999, 2001) menjadi under windows dengan tampilan grafis dan tambahan perbaikanteknik validasi dengan memasukkan bootstrapping dan jacknifing. Software yang dikembangkanoleh Chindiberi nama PLS GRAPHversi 3.0, versi student dapat didownload secara gratis diwww.bauer.uh.edu. Versi student ini mampu mengolah maksimum 30 variabel.
Di University of Hamburg Jermanjuga dikembangkan software PLS yang diberi nama SmartPLS.Versi pertama adalah SmartPLS versi 1.01, kemudian dikembangkan lagi ke versi 2.0 dan yangterakhir (akhir tahun 2006) adalah SmartPLS versi 2.0 M3. Pengembangan software ini meliputiperbaikan tampilan, penambahan fasilitas untuk efek moderator, tambahan report / outputyakni communality, redundancy, dan Alpha Cronbach. Software SmartPLS dapat didownloadsecara gratis di www.smartpls.de.
Software PLS lain dikembangkan oleh Jen Ruei Fudari National Kaohsiung University, Taiwan,yang diberi nama VPLS(VisualPLS). Software ini dapat didownload secara gratis dihttp://www2.kuas.edu.tw.
Software lain yang dapat menjalankan PLS melalui tampilan grafis adalahPLS-GUIyangdikembangkan oleh Yuan Lidari Management Science Department, The More School ofBusiness, University of SouthCarolina. Software ini dapat di download gratis darihttp://dmsweb.badm.sc.edu.
28
http://kiptron.psyc.virginia.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://dmsweb.badm.sc.edu/http://www2.kuas.edu.tw/http://www.smartpls.de/http://www.bauer.uh.edu/http://kiptron.psyc.virginia.edu/5/21/2018 Statistika Industri II-PLS
29/31
PERBANDINGAN ANTARA ANALISIS PATH (JALUR),
PLS, DAN SEM
29
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
5/21/2018 Statistika Industri II-PLS
30/31
PERBANDINGAN ANTARA ANALISIS PATH (JALUR),
PLS, DAN SEM
30
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
5/21/2018 Statistika Industri II-PLS
31/31
Terima kasih
31