BAB II TINJAUAN PUSTAKA
2.9 Partial Least Square-Structural Equation Modeling (PLS-SEM)
PLS adalah model persamaan Structural Equation Modeling (SEM) yang berbasis komponen varian. PLS hampir menyerupai regresi namun lebih dari itu, secara simultan menggabungkan model structural path (misalkan hubungan teoritis variabel laten) sekaligus mengukur path tersebut (misalkan hubungan antara variabel laten dengan indikatornya). Bukannya mengasumsikan semua bobot masing-masing indikator itu sama terhadap variabel laten, namun dalam PLS indikator-indikator memiliki bobot yang beragam. Sehingga, indicator dengan bobot yang lebih rendah akan berkontribusi rendah pula terhadap variabel laten (Chin & Frye, 1996).
Beberapa hal penting yang menandai SEM menggunakan PLS menurut Monecke & Leisch (2012) diantaranya:
SEM menggunakan PLS terdiri tiga komponen, yaitu model struktural, model pengukuran dan skema pembobotan. Bagian ketiga ini merupakan ciri khusus SEM dengan PLS dan tidak ada pada SEM yang berbasis kovarian.
SEM menggunakan PLS hanya mengijinkan model hubungan antar variabel yang recursif (sarah) saja. Hal ini sama dengan model analisis jalur (path analysis) tidak sama dengan SEM yang berbasis kovarian yang mengijinkan juga terjadinya hubungan non-recursif (timbal-balik).
Pada model struktural, yang disebut juga sebagai model bagian dalam, semua variabel laten dihubungan satu dengan yang lain dengan didasarkan pada teori substansi. Variabel laten dibagi menjadi dua, yaitu eksogenous dan endogenous. Variabel laten eksogenous adalah variabel penyebab atau variabel tanpa didahului oleh variabel lainnya dengan tanda anak panah menuju ke variabel lainnya (variabel laten endogenous).
Skema pembobotan digunakan untuk estimasi bobot bagian dalam pada langkah kedua pada algoritma PLS. Skema pembobotan awal menggunakan centroid (rata-rata aritmatik). Kemudian perkembangan selanjutnya skema pembobotan juga menggunakan pembobotan faktorial dan jalur.
Koefesien jalur diestimasi dengan menggunakan OLS (ordinary least square) menurut model strukturalnya. Koefesien jalur dalam SEM – PLS ialah koefisien regresi baku (Beta).
Algoritma PLS bertujuan untuk melakukan estimasi nilai semua variabel laten (nilai-nilai faktor) dengan menggunakan prosedur iterasi.
PLS dikatakan sebagai metode analisis yang powerful, karena tidak didasarkan pada banyak asumsi (Wold, 1985 dalam Ghozali, 2008). Misalnya, data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval, sampai rasio dapa digunakan model yang sama). Selain dapat digunakan untuk mengkonfirmasi teori, PLS juga dapat digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten. PLS dapat sekaligus menganalisis konstruk yang dibentuk dengan indikator refleksif dan formatif, hal ini tidak dapat dilakukan oleh CB SEM karena akan menjadi unidentified model.
2.9.2 Model Indikator PLS
PLS memiliki dua model indicator dalam penggambarannya, yaitu: a. Model indikator reflektif
Model ini biasa disebut juga sebagai principal factor dimana kovarian pengukuran indikator dipengaruhi oleh variabel laten yang mencerminkan konstruk variabel laten. Penggambarannya ditunjukkan dengan anak panah dari konstruk laten berbentuk elips kepada beberapa indikator teramati. Variabel konstruk dapat bernilai rendah, bila memiliki sedikit indikator akan tetapi nilai validity tidak akan pernah berubah meski satu indikator dihilangkan. (Chin & Frye, 1996). Pada model reflektif, antara indikator memiliki sifat interchangeability (dapat dipertukarkan), sedangkan pada model formatif tidak bersifat interchangeability. Dengan adanya sifat interchangeability dalam model reflektif ini diharapkan hubungan antar indikator saling berkorelasi tinggi.
Gambar 2. 4 Contoh Model Reflektif b. Model indikator formatif
Model formatif mengasumsikan bahwa semua indikator mempengaruhi konstruk laten, asumsinya arah hubungan kausalitas indikator ke konstruk laten sebagai grup untuk menentukan makna empiris dari setiap laten. Setiap variabel mempengaruhi konstruk laten, maka ada kemungkinan korelasi antar variabel.
Penilaian validity konstruk tidak dipengaruhi nilai dari variabel lain, melainkan konstruk lain yang mempengaruhinya. Oleh karena itu, penghapusan satu indikator laten dapat menghilangkan dan merubah makna dari variabel laten atau konstruk laten (Chin & Frye, 1996).
Gambar 2. 5 Contoh Model Formatif 2.9.3 Kriteria Penilaian PLS
PLS memiliki dua model evaluasi, yaitu: 1. Model pengukuran atau outer model
Outter model mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Outer model digunakan untuk mengetahui validitas dan reliabilitas indikator. Model pengukuran atau outer model dengan indikator reflektif dievaluasi dengan convergent dan discriminant validity dari indikatornya dan composite reliability untuk blok indikator. Sedangkan outer model dengan formatif, indikator dievaluasi bedasarkan pada substantive contentnya yaitu dengan membandingkan besarnya relative weight
dan melihat signifikansi dari ukuran weight tersebut. Berikut ini kriteria penilaian PLS pada model pengukuran menurut Ghozali (2011):
Tabel 2. 3 Kriteria Penilaian PLS pada Model Pengukuran
Kriteria Penjelasan
Model Pengukuran Reflektif
Loading Faktor Nilai loading faktor harus di atas 0.70. namun pada riset tahap pengembangan skala, nilai loading 0.50 sampai 0.60 masih dapat diterima.
Composite Realibility
Composite reliability mengukur internal consistency dan nilainya harus di atas 0.60
Average Variance Extracted
Nilai average variance extracted (AVE) harus di atas 0.50
Validitas Diskriminan
Nilai Akar kuadrat dari AVE harus lebih besar dari pada nilai korelasi antar variabel laten
Cross Loading Diharapkan setiap blok indikator memiliki loading lebih tinggi untuk setiap variabel katen yang diukur
dibandingkan dengan indikator untuk variabel laten lainnya
Model Pengukuran Formatif Signifikansi Nilai
Weight
Nilai estimasi untuk model pengukuran formatif harus signifikan. Tingkat signifikansi ini dinilai dengan prosedur bootsrapping.
Multikolonieritas Vsriabel manifest dalam blok harus diuji apakah terdapat multikol. Nilai variance inflation factor (VIF) dapat digunakan untuk menguji hal ini. Nilai VIF di atas 10 mengindikasikan terdapat multikol.
2. Model struktural atau inner model
Evaluasi model struktural atau inner model bertujuan untuk melihat signifikansi hubungan antar variabel laten dalam model penelitian, dengan melihat koefisien jalur (path coefficient) yang menunjukkan ada atau tidak ada hubungan (perdiksi) antara variabel laten dalam model penelitian. Untuk melakukan evaluasi model struktural dimulai dimulai dari melihat nilai R- Squares untuk setiap prediksi dari model struktural, nilai R-Squares digunakan untuk menjelaskan pengaruh variabel laten (eksogen) tertentu terhadap variabel
laten (endogen) atau seberapa besar pengaruhnya. Berikut ini kriteria penilaian PLS pada model struktural menurut Ghozali (2011):
Tabel 2. 4 Kriteria Penilaian PLS pada Model Struktural
Kriteria Penjelasan
R2 untuk variabel laten endogen
Hasil R2 sebesar 0.67, 0.33, dan 0,19 untuk variabel laten endogen dalam model struktural mengindikasikan bahwa
model “baik”, “moderat”, dan “lemah”
Estimasi koefisien jalur
Nilai estimasi untuk hubungan jalur dalam model struktural harus signifikan. Nilai signifikansi ini dapat diperoleh dengan prosedur bootsrapping
F2 untuk
effect size
Nilai F2 sebesar 0.02, 0.15, dan 0.35 dapat diintrepretasikan
apakah predictor variabel laten mempunyai pengaruh yang lemah, medium, atau besar pada tingkat struktural
3. Evaluasi Goodness of Fit (GoF)
Evaluasi Goodness of Fit (GoF) digunakan untuk memvalidasi model secara keseluruhan. GoF merupakan ukuran tunggal yang digunakan untuk memvalidasi performa gabungan antara model pengukuran dan model structural. Nilai GoF diperoleh dari akar nilai rata-rata communalities index dikalikan dengan akar nilai rata-rata R2. Nilai GoF terbentang antara 0-1 dengan interpertasi nilai yaitu 0- 0,25 (GoF Kecil), 0,26-0,35 (GoF moderat), dan 0,36- 1 (GoF besar) (Yamin & Kurniawan, 2011).
Nilai GoF diperoleh dari akar nilai rata-rata communalities dan R2 model dimana pada PLS nilai communalities sama degan nilai AVE. Rumus untuk menghitung nilai GoF ditunjukkan pada persamaan 2.1.
2.9.4 Tahapan Analisis PLS-SEM
Tahapan analisis PLS-SEM setidaknya ada tujuh proses yang harus dilakukan, berikut adalah diagram jalur tahapan analisis nya:
Gambar 2. 6 Tahapan Analisis PLS-SEM (Yamin dkk, 2011 hal 23-26) Tahapan analisis PLS-SEM dijabarkan sebagai berikut:
a. Merancang model stuktural (inner model) tujuannya adalah memformulasikan model hubungan antar variabel laten.
b. Mendefinisikan model pengukuran (outer model), tujuannya adalah untuk mendefinisikan dan mespesifikasikan hubungan antara konstruk dengan indikatornnya, apakan hubungannya bersifat reflektif atau formatif.
c. Membuat diagram jalur, tujuannya adalah memvisualisasikan hubungan antara indikator dengan variabel latennya serta antar variabel laten dalam model penelitian, sehingga mempermudah peneliti untuk melihat model secara keseluruhan.
d. Mengkonversi diagram jalur ke sistem persamaan model matematika, untuk persamaan model pengukuran terdiri dari persamaan model pengukuran formatif dan model pengukuran reflektif, serta persamaan model struktural.
Persamaan model pengukuran:
x = П x ξ + ε x (2.1)
y = П y η + ε y (2.2)
Keterangan:
x dan y = matriks variabel manifes yang berhubungan dengan variabel independen dan dependen
П x dan П y = matriks koefisien
ε x dan ε y = matriks model pengukuran residu. Sedangkan untuk persamaan model struktural:
η = ηβ + ξ Γ + ζ (2.3)
Keterangan:
η = variabel laten dependen
ξ = variabel laten independen
ξ dan Γ = koefisien matriks dan variabel laten (independen dan dependen) ζ = Model struktural residual matriks
e. Estimasi model dimana dalam prosesnya terdapat penentuan algorithm option
dan parameter setting.
f. Evaluasi model dimana terdiri dari tahapan evaluasi model pengukuran, evaluasi model struktural, dan evaluasi model gabungan.
g. Interprestasi model dimana berdasarkan kepada hasil analisis dari model penelitian (signifikan hubungan antar variabel).