DAFTAR LAMPIRAN
2.5. Partial Least Square (PLS)
Partial Least Square (PLS) dikembangkan pertama kali oleh Wold sebagai
metode umum untuk mengestimasi path model yang menggunakan konstruk
laten dengan multiple indikator. (Ghozali, 2008).
2.5.1 Perbandingan antara PLS dan Covariance Based SEM
Wold dalam Ghozali, 2005 menyatakan Partial Least Square
merupakan metode analisis yang powerfull karena tidak didasarkan pada banyak asumsi. Data tidak harus terdistribusi normal multivariat (indikator dengan skala teori, ordinal, interval sampai ratio digunakan pada model yang sama), sampel tidak harus besar. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada tidaknya hubungan antara variabel laten. Oleh karena lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter. Dibandingkan dengan
CBSEM, PLS menghindari dua masalah serius yaitu inadminisable
solution dan factor indeterminacy. Perbandingan antara PLS dengan CBSEM dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan PLS dengan CBSEM (Ghozali, 2008)
Kriteria PLS CBSEM 1. Tujuan 2. Pendekatan Orientasi Prediksi Berdasar variance Orientasi Parameter Berdasar covariance
3. Asumsi Spesifikasi prediktor (nonparametric)
Multivariate normal distribution, independence observation (parameter)
4. Estimasi parameter Konsisten sebagai indikator dan sample size meningkat (consistency at large)
Konsisten
5. Skore variabel laten Secara eksplisit di estimasi Indeterminate
6. Hubungan epistemic antara variabel laten dan indikatornya
Dapat dalam bentuk reflective maupun formative indikator
Hanya dengan reflective indikator
7. Implikasi Optimal untuk ketepatan prediksi Optimal untuk ketepatan parameter
8. Kompleksitas model Kompleksitas besar (100 konstruk dan 1000 indikator)
Kompleksitas kecil sampai menengah (kurang dari 100 indikator)
9. Besar sample Kekuatan analisis didasarkan pada porsi dari model yang memiliki jumlah prediktor terbesar. Minimal direkomendasikan berkisar antara 30 sampai 100 kasus
Kekuatan analisis didasarkan pada model spesifik-spesifik.
Minimal direkomendasikan berkisar 200 sampai 800
2.5.2 Perbandingan Antara Soft Modelling dan Hard Modelling
Model CBSEM sering disebut dengan hard modelling, sedangkan
PLS sering disebut dengan soft modelling. Hard modelling bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab-akibat) dan hal ini memberikan gambaran yang ideal secara ilmiah dalam analisa data.
Jika data yang akan dianalisa tidak memenuhi kriteria ideal sehingga tidak dapat dianalisa dengan hard modelling. Soft modelling mampu menganalisa data yang tidak ideal tersebut. Soft mempunyai arti tidak mendasarkan pada asumsi alat pengukuran, distribusi data dan jumlah sampel. Pada hard modelling bertujuan menguji hubungan kausalitas antar variabel yang sudah dibangun berdasarkan teori, sedangkan pada soft modelling bertujuan mencari hubungan linear prediktif antar variabel. Hubungan kausalitas tidak sama dengan hubungan prediktif.
2.5.3 Variabel Laten dengan Indikator Reflektif dan Indikator Formatif
Pada CBSEM variabel laten diukur dengan indikator yang bersifat reflektif. Model reflektif mengasumsikan bahwa konstruk atau variabel laten mempengaruhi indikator (arah hubungan kausalitas dari konstruk ke indikator atau manifest). Dalam kenyataan variabel laten dapat juga dibentuk oleh indikator yang bersifat formatif yang mengasumsikan bahwa indikator-indikator mempengaruhi konstruk (arah hubungan kausalitas dari indikator ke konstruk).
1. Model Indikator Reflektif
Model reflektif sering disebut juga pricipical factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Pada model reflektif konstruk unidimensional yang 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 reflektif harus memiliki internal konsistensi oleh karena ukuran indikator diasumsikan semuanya valid indikator yang
mengukur semua 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.
Gambar 1. Principal factor (reflective) model (Ghozali, 2008) 2. Model Indikator Formatif
Pada model formatif, komposit faktor (variabel laten) dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas dari indicator ke variabel laten. Pada model komposit variabel laten, perubahan pada indikator dihipotesiskan mempengaruhi perubahan dalam konstruk (variabel laten). Tidak seperti pada model reflektif, model formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk mengasumsikan bahwa 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. Model formatif berasumsi tidak ada hubungan korelasi antar indikator maka ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk.
Gambar 2. Principal factor (formatif) model (Ghozali, 2008)
Principal Factor 1 X1 X2 X3 e1 e2 e3 Principal Factor 1 X4 X5 X4 e4 e5 e6
2.5.4 Metode Partial Least Square
PLS mengasumsikan bahwa semua ukuran variance adalah variance
yang berguna untuk dijelaskan. Pendekatan untuk mengestimasi variabel laten dianggap sebagai kombinasi linear dari indikator maka
menghindarkan masalah indeterminacy dan memberikan definisi yang
pasti dari komponen skor. PLS memberikan model umum yang meliputi
teknik korelasi kanonikal, redudancy analysis, regresi berganda,
multivariate analysis of variance (MANOVA) dan principle component analysis. PLS menggunakan iterasi algoritma yang terdiri dari seri analisis ordinary least squares maka persoalan identifikasi model tidak menjadi
masalah untuk model recursive, juga tidak mengasumsikan bentuk
distribusi tertentu untuk skala ukuran variabel.
2.5.5 Cara Kerja Partial Least Square (PLS)
Estimasi parameter yang didapatkan dengan PLS dapat dikategorikan menjadi tiga. Kategori pertama, adalah weight estimate yang digunakan untuk menciptakan skor variabel laten. Kategori kedua, mencerminkan estimasi jalur (path estimate) yang menghubungkan variabel laten dan antar variabel laten dan blok indikatornya (loading). Kategori ketiga,
adalah berkaitan dengan means dan lokasi parameter (nilai konstanta
regresi) untuk indikator dan variabel laten. Untuk memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi tiga tahap dan setiap tahap
iterasi menghasilkan estimasi. Tahap pertama menghasilkan weight
estimasi, tahap kedua menghasilkan estimasi untuk inner model dan outer model, dan tahap ketiga menghasilkan estimasi means dari lokasi (konstanta).
2.5.6 Model Spesifiksi dengan PLS
Model analisis jalur semua variabel laten dalam PLS terdiri dari tiga set hubungan:
1. Inner model yang menspesifikasi hubungan antar variabel laten (structural model). Inner model menggambarkan hubungan antar variabel laten berdasarkan substantive theory.
2. Outer model yang menspesifikasi hubungan antara variabel laten dengan indikator atau variabel manifestnya (measurment model). Outer model juga mendefiisikan bagaimana setiap blok indikator berhubungan dengan variabel laternya.
3. Weight relation dalam mana nilai kasus dari variabel laten dapat diestmasi. Tanpa kehilangan generalisasi, dapat diasumsikan bahwa variabel laten dan indikator atau manifest variabel diskala zero means dan unit variance sehingga parameter lokasi dapat dihilangkan dalam model.