Skala Pengukuran Partial Least Square

Skala pengukuran yang digunakan dalam PLS

Karena akar dari PLS SEM adalah regresi linier sebagaimana sudah kita ketahui bahwa dalam regresi linier skala pengukuran yang dipergunakan harus setidak-tidaknya berskala interval; maka data yang akan diolah dengan menggunakan PLS SEM sebaiknya merupakan data dengan skala pengukuran interval. Sekalipun demikian hal ini tidak menjadi keharusan dalam PLS SEM. PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan skala pengukuran selain interval dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini kita kenal. 

Jenis Data Partial Least Square

Data yang dapat dianalisis dengan PLS SEM 

Data yang digunakan dalam PLS SEM tidak harus memenuhi persyaratan asumsi normalitas data; dengan demikian PLS – SEM memberi kelonggaran pada data yang tidak berdistribusi normal. Hal ini berbeda dengan SEM yang berbasis kovarian yang selama ini dikenal banyak orang dimana normalitas data menjadi suatu keharusan dalam prosedur tersebut. Dengan demikian PLS SEM menjadi suatu prosedur alternatif selain SEM yang berbasis kovarian, karena dalam praktik / kenyataan kita sering menemukan bahwa data yang akan kita oleh tidak berdistribusi normal. Oleh karena itu sebelum kita menggunakan prosedur ini, sebaiknya kita melakukan pengujian terlebih dahulu seperti apa distribusi data kita. Sekalipun demikian data yang berdistribusi normal juga dapat dipergunakan dalam PLS SEM sebagaimana kita menggunakan data tersebut dalam SEM yang berbasis kovarian. 

Partial Least Square Menurut Hair, Ringle & Sarstedt

Beberapa hal penting yang melanadai SEM menggunakan PLS menurut Hair, Ringle & Sarstedt (2011) ciri-ciri khas SEM dengan PLS diantaranya ialah:

• SEM dengan PLS membuat estimasi ‘loadings’ variabel manifest / indikator untuk variabel laten eksogenous dengan didasarkan pada prediksi terhadap variabel laten endogenous bukan didasarkan pada varian yang dibagi diantara variabel – variabel manifest / indikator pada variabel laten yang sama sebagaimana yang terjadi pada SEM berbasis kovarian. Dengan demikian ‘loadings’ merupakan kontributor bagi koefesien jalur. 
• SEM dengan PLS menawarkan hasil yang dapat diterima untuk model pengukuran dimana hubungan model struktural tidak signifikan. 
• Secara konsep penggunaan SEM dengan PLS ialah sama dengan penggunaan regresi linier berganda, yaitu memaksimalkan varian yang dijelaskan pada variabel laten endogenous (variabel tergantung) dengan ditambah menilai kualitas data yang didasarkan pada karakteristik model pengukuran. 
• Para peneliti pengguna SEM dengan PLS menamakan model pengukuran reflektif sebagai model A sedang model pengukuran formatif sebagai model B. 
• Model jalur SEM dengan PLS sama dengan SEM yang berbasis kovarian, yaitu didasarkan pada diagram jalur dari analisis jalur (path analysis). 

Partial Least Square Menurut Monecke & Leisch

Beberapa hal penting yang melanadai 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. Jika digambarkan model akan seperti dibawah ini. 
• SEM menggunakan PLS hanya mengijinkan model hubungan antar variabel yang recursif (searah) 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). Pada contoh di bawah ini variabel ‘image’ adalah variabel laten eksogenous. 
• Model pengukuran, yang disebut juga sebagai model bagian luar, menghubungkan semua variable manifest atau indikator dengan variable latennya. Dalam kerangka PLS, satu variabel manifest hanya dapat dihubungkan dengan satu varabel laten. Semua variabel manifest yang dihubungkan dengan satu variabel laten disebut sebagai suatu ‘blok’. Dengan demikian setiap variabel laten mempunyai blok variabel manifest. Suatu blok harus berisi setidak-tidaknya satu indikator. Cara suatu blok dihubungkan dengan variable laten dapat reflektif (variabel-variabel manifest berperan sebagai indikator yang dipengaruhi oleh konsep yang sama dan yang melandasinya) atau formatif (indikator – indikator yang membentuk atau menyebabkan perubahan pada variabel laten) (Wijanto, 2008). Berikut ini digambarkan contoh hubungan dalam model pengukuran antara 1 variabel laten Y dengan 3 indikator X1, X2, dan X3 secara reflektif. 
• 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 Partial Least Square (PLS)

Algoritma Partial Least Square (PLS)

Algoritma PLS bertujuan untuk melakukan estimasi nilai semua variabel laten (nilai-nilai faktor) dengan menggunakan prosedur iterasi. Model algoritma seperti tertera pada gambar berikut ini: 

• Langkah 1: Setiap variabel laten disusun didasarkan dengan jumlah berbobot semua variabel manifestnya masing-masing. 
• Langkah 2: Setiap variabel laten diestimasi dengan menggunakan jumlah berbobot setiap variabel laten yang berdekatan dengan variabel laten tersebut. 
• Langkah 3: Untuk inisialisasi semua bobot adalah 1 (satu). Kemudian bobot tersebut dihitung ulang dengan didasarkan pada nilai-nilai variabel laten yang diperoleh pada langkah kedua. 
• Langkah 4: Pengaturan vektor bobot luar dalam suatu matriks bobot luar untuk membuat estimasi nilai-nilai faktor (variabel laten) dengan didasarkan pada variabel-variabel manifest. Vektor adalah seperangkat variabel yang dapat diwakili dengan menggunakan indeks. Suatu vektor dapat berupa variabel numerik atau string dan variabel tersebut dapat bersifat tetap atau sementara. 
• Langkah 5: Jika perubahan relatif semua bobot luar dari suatu iterasi ke iterasi berikutnya menjadi lebih kecil dibandingkan dengan toleransi yang sudah didefinisikan sebelumnya; maka estimasi nilai-nilai faktor yang dilakukan pada langkah ke empat sudah dianggap final. Jika belum, maka langkah diulangi lagi ke langkah dua. 

Tujuan PLS SEM

Tujuan menggunakan PLS SEM 

SEM dengan PLS digunakan saat tujuan penelitian ialah memprediksi dan mengembangkan teori. Hal ini berlainan dengan SEM yang berbasis kovarian yang ditujukan untuk menguji teori yang ada dan konfirmasi. Disamping itu, PLS SEM juga digunakan untuk memprediksi variabel laten endogenous atau mengidentifikasi variabel-variabel utama jika riset merupakan riset eksploratori atau perluasan suatu teori struktural yang ada. 

Persyaratan Jumlah Data

Persyaratan jumlah data 

Jika SEM yang berbasis kovarian mengharuskan ukuran sampel yang besar yang dapat mencakup ratusan bahkan ribuan observasi; maka PLS SEM cukup dengan menggunakan ukuran sampel yang kecil. Ukuran sampel kecil dengan persyaratan minimal adalah: 10 kali dari besarnya indikator formatif terbanyak yang digunakan untuk mengukur 1 variabel laten atau 10 kali dari jumlah jalur truktural terbanyak yang ditujukan ke variabel laten tertentu dalam model struktural. Penelitian yang dilakukan oleh Chin dan Newsted (1999) membuktikan hanya dengan menggunakan 20 data mereka dapat menggunakan PLS SEM dengan benar. 

Asumsi PLS

Beberapa asumsi dalam PLS SEM diantaranya: 

• Asumsi utama dalam penggunaan PLS SEM ialah tidak mengharuskan mengikuti asumsi normalitas karena PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian dimana dalam SEM tersebut data diharuskan berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang tidak berdistribusi normal. 
• Asumsi berikutnya ialah PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada SEM yang berbasis kovarian yang mengharuskan peneliti menggunakan ukuran sampel yang besar dikarenakan SEM merupakan suatu prosedur yang dikategorikan kedalam prosedur multivariat dimana hampir semua prosedur multivariat mengharuskan jumlah data yang besar, misalnya setidak-tidaknya 400. Sebaliknya PLS SEM tidak mengharuskan peneliti menggunakan jumlah data yang besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat kesulitan mencari data dalam jumlah yang besar. 
• Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih dengan pendekatan non-probabilitas, seperti ‘accidental sampling’, ‘purposive sampling’ dan sejenisnya dapat digunakan dalam PLS SEM. 
• Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator reflektif. 
• Hal ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan indikator reflektif saja. 
• PLS SEM mengijinkan adanya variabel laten dikotomi PLS SEM memberi kelonggaran terhadap keharusan adanya skala pengukuran interval. Dengan demikian peneliti dapat menggunakan skala pengukuran selain interval. 
• Distribusi residual dalam PLS SEM tidak diharuskan seperti pada SEM yang berbasis kovarian dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti pada regresi linier. 
• PLS SEM cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan teori pada tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang menggunakan teori untuk dikonfirmasi dengan menggunakan data sampel. 
• Pendekatan regresi dalam PLS SEM lebih cocok dibandingkan dalam SEM yang berbasis kovarian. 
• Dalam PLS SEM hanya diperbolehkan model recursive (sebab - akibat ) saja dan tidak mengijinkan model non – recurisve (timbal balik) sebagaimana dalam SEM yang berbasis kovarian. 
• PLS SEM memungkinkan model sangat kompleks dengan banyak variabel laten dan indikator