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

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 <>