Variabel PLS SEM, Data, Model Hubungan dan Asumsinya

Variabel PLS SEM

Sebelum kita coba tutorial PLS SEM dalam aplikasi smartPLS, maka sebaiknya kita terlebih dahulu harus tahu apa saja variabel-variabel yang digunakan dalam PLS SEM, skala datanya serta bagaimana hubungannya. Variabel PLS SEM pada dasarnya ada 2 jenis yaitu variabel laten dan variabel manifest.

Sedangkan berdasarkan hubungan sebab akibatnya, ada 2 jenis pula yaitu variabel eksogen dan endogen. Mari kita akan kupas satu persatu dalam artikel tentang variabel PLS SEM ini.

Sebelumnya harap perhatikan gambar atau diagram PLS di bawah ini:

 

Variabel PLS SEM dan Hubungannya
Variabel PLS SEM dan Hubungannya

 

Variabel Laten

Sebelum membahas apa yang dimaksud dengan variabel laten PLS? dan apa itu variabel manifest PLS? Mari kita review kembali artikel sebelumnya yang menjelaskan tentang outer model dan inner model.

Baca Juga: PLS SEM.

Berdasarkan diagram PLS dalam gambar diatas, yang dimaksud dengan Outer model adalah bagaimana hubungan antara variabel manifest atau indicator dengan variabel latennya. Indikator yaitu misalnya X1.1, X1.2, X2.1, dst.

Bagaimana variabel laten yaitu misalnya X1 merefleksikan indicator-indikator di dalamnya yaitu X1.1 dan X1.2 (reflektif). Atau bagaimana X1.1 dan X1.2 membentuk komponen yang disebut dengan X1 (formatif).

Jadi berdasarkan diagram diatas, yang menjadi variabel laten antara lain X1, X2, X3 dan Y. Maka variabel laten adalah variabel yang tidak terukur secara langsung sehingga disebut juga dengan unobserved variabel, factor, konstruk dan disebut juga dengan istilah sebagai variabel fenomena abstrak. Sebab nilai dari variabel laten PLS dipengaruhi atau ditentukan oleh indicator penyusunnya seperti X1.1, X1.2 yang menyusun atau membentuk X1.

Variabel Manifest.

Kembali pada diagram PLS diatas, dimana sebagai pembentuk variabel laten PLS adalah indicator, yaitu X1.1, X1.2 sebagai indicator dari X1. Karena indicator tersebut diukur secara langsung maka disebut juga dengan istilah observed variabel atau variabel terobservasi, variabel manifest, indicator atau referensi.

Selanjutnya berdasarkan pola hubungan sebab akibat di dalam model PLS SEM. Seperti gambar diatas, jelas kita ketahui bahwa variabel laten X1, X2 dan X3 mempengaruhi variabel laten Y. Maka dalam hal tersebut, X1, X2 dan X3 disebut sebagai variabel eksogen. Sedangkan variabel Y sebagai variabel endogen.

Variabel Eksogen

Sebelum memahami lebih jauh, perlu diketahui bahwa variabel eksogen dan endogen ini hanya berlaku pada level Inner Model. Jadi variabel eksogen dan endogen adalah jenis dari variabel laten.

Sedangkan pada level outer model, yang berlaku bukan lagi variabel eksogen dan endogen lagi, melainkan bentuk hubungan reflektif dan formatif seperti yang telah dijelaskan sebelumnya.

Apa yang dimaksud dengan variabel eksogen dalam PLS SEM? Variabel laten eksogenous adalah variabel penyebab atau variabel tanpa didahului oleh variabel lainnya dengan tanda anak panah menuju ke variabel lainnya (variabel laten endogenous).

Jika merujuk pada diagram PLS diatas, maka yang disebut sebagai variabel endogen dalam PLS SEM antara lain X1, X2 dan X3. Sebab ketiga variabel tersebut tidak ada variabel eksogen lainnya yang mempengaruhinya serta mereka yang mempengaruhi variabel endogen yaitu Y.

Variabel Endogen

Saya rasa dengan membaca penjelasan atas apa itu variabel eksogen, pembaca sudah pasti tahu apa itu variabel endogen? Yaitu variabel laten yang dipengaruhi oleh variabel eksogen.

Model hubungan atau koneksi antar variabel Laten dalam PLS SEM

Model atau bentuk hubungan variabel laten dalam PLS SEM hanya boleh secara rekursif saja (non timbal balik atau searah saja). Misalnya dari variabel X1 ke Y dan tidak bolak balik dari X1 ke Y kemudian dari Y ke X1 (non-recursif atau bolak-balik).

PLS dengan Mediator

Hubungan sebab akibat dalam PLS SEM dapat menggunakan variabel perantara (interveining) seperti halnya path analysis seperti gambar di bawah ini:

 

Model Hubungan dalam PLS SEM
Model Hubungan dalam PLS SEM. Diambil dari https://www.smartpls.com.

Berdasarkan diagram PLS SEM diatas, maka CUSA menjadi variabel perantara atau mediator hubungan antara COMP dan LIKE dengan CUSL.

Oleh karena mirip sekali dengan bentuk path analysis, maka nanti hasilnya juga akan sama, dimana ada direct effect (efek langsung), indirect effect (efek tidak langsung) dan juga total effects (efek total).

PLS Tanpa Mediator

Coba bandingkan dengan di bawah ini dimana tidak ada mediator:

Model PLS Tanpa Mediator
Model PLS Tanpa Mediator

Oleh karena tidak ada mediator maka model PLS SEM diatas hanya mempuyai direct effects. Sedangkan indirect effects tidak ada. Untuk total effects nilainya akan sama dengan direct effects.

PLS Dengan Moderator

Berikutnya adalah bentuk hubungan dengan efek moderasi. Lihat diagram PLS di bawah ini:

 

Model PLS Dengan Moderator
Model PLS Dengan Moderator

Diatas menunjukkan bahwa CUSA menjadi variabel moderator yang mempengaruhi hubungan antara CUSA dengan CUSL.

Model hubungan antara variabel Laten dengan Indikator

Berikutnya hubungan antara variabel laten dengan variabel manifest.

Model Reflektif

Perhatikan di bawah ini:

Hubungan Reflektif
Hubungan Reflektif

Lihat bagaimana panah dari LIKE ke arah indikatornya yaitu Like_1, Like_2 dan Like_3. Bentuk seperti itu adalah bentuk hubungan yang bersifat reflektif antara variabel laten dengan indikatornya.

 

Model Formatif

Kemudian bandingkan dengan di bawah ini:

Hubungan Formatif
Hubungan Formatif

Diatas menunjukkan hubungan formatif antara indicator dengan variabel latennya.

Data dalam PLS SEM

Skala Data PLS SEM

Berbeda dengan SEM berbasis covariance (CBSEM), dalam PLS SEM kita selain menggunakan data interval atau rasio juga dapat menggunakan data kualitatif. Tentunya kita harus melakukan coding terlebih dahulu ke dalam bentuk numeric, misalnya tingkat pendidikan, kita beri kode 1 untuk SD, 2 untuk SMP, 3 untuk SMA, dst.

Distribusi Data PLS SEM

Selain itu kita juga tidak harus menggunakan data yang berdistribusi normal. Adanya prosedur bootstrapping misalnya resampling sebanyak 5000 kali maka akan membuat hasil perancangan kita menjadi konsisten dan handal.

Jumlah Data minimal

Berbeda dengan SEM yang berbasis kovarian dimana mengharuskan ukuran sampel besar yang dapat mencakup ratusan aau bahkan hingga ribuan, maka PLS SEM cukup dengan menggunakan observasi yang sedikit.

Ukuran sampel yang kecil dengan persyaratan minimal yaitu sepuluh kali dari besarnya indikator formatif terbanyak yang digunakan untuk mengukur 1 variabel laten atau atau 10 kali dari jumlah jalur struktural terbanyak yang ditujukan ke variabel laten tertentu dalam model struktural.

Beberapa pakar bahkan telah membuktikan bahwa untuk dapat menggunakan PLS SEM dengan benar, cukup hanya dengan menggunakan 20 observasi saja.

Asumsi PLS SEM

Jonathan Sarwono menyebutkan bahwa beberapa asumsi di dalam PLS SEM antara lain:

  1. Tidak mengharuskan mengikuti asumsi normalitas karena PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian. Dimana dalam SEM berbasis covariance, data diharuskan berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang tidak berdistribusi normal.
  2. PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada SEM yang berbasis kovarian dimana mengharuskan peneliti menggunakan ukuran sampel yang besar.
  3. PLS SEM juga tidak mengharuskan randomisasi sampel misalnya berdasarkan simple random sampling. Maka dengan demikian sampel yang dipilih dengan pendekatan yang non-probabilitas, misalnya seperti teknik sampling jenis accidental sampling, purposive sampling atau yang sejenisnya dapat saja digunakan.
  4. Memberbolehkan indikator formatif dalam mengukur variabel laten selain penggunaan indikator reflektif.
  5. PLS SEM mengijinkan adanya variabel laten yang bersifat dikotomi.
  6. PLS SEM memberi kelonggaran terhadap keharusan adanya skala pengukuran interval. Dengan demikian peneliti dapat menggunakan skala pengukuran selain interval.
  7. 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.
  8. 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. Jadi selain dapat digunakan sebagai alat untuk konfirmasi teori ilmiah yang sudah ada atau menjawab hipotesis, PLS SEM juga dapat digunakan untuk parancangan model baru.
  9. Pendekatan regresi dalam PLS SEM lebih cocok apabila dibandingkan dalam SEM yang berbasis kovarian.
  10. Dalam PLS SEM hanya diperbolehkan model recursive (sebab-akibat atau searah) saja dan tidak mengijinkan model nun-recursive (timbal balik) sebagaimana dalam SEM yang berbasis kovarian.
  11. PLS SEM memungkinkan model sangat kompleks dengan banyak variabel laten dan indikator.

Demikian telah kita bahas artikel tentang jenis-jenis variabel PLS SEM, skala data variabel PLS SEM, model hubungannya dan juga asumsinya. Semoga artikel ini dapat bermanfaat bagi para pembaca.

Selanjutnya adalah artikel Tutorial PLS SEM dengan menggunakan SmartPLS. Baca Juga: SEM LISREL: Tutorial dan Panduan CB SEM dengan Lisrel!

Daftar Pustaka VARIABEL PLS SEM

G. David Garson and Statistical Associates Publishing (2016). PARTIAL LEAST SQUARES (PLS-SEM). School of Public & International Affairs North Carolina State University.

Ghozali I. dan Latan H. 2015. Partial Least Squares Konsep, Teknik dan Aplikasi Menggunakan Program SmartPLS 3.0. Ed. Ke-2. Badan Penerbit Universitas Diponegoro, Semarang.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd Ed., Thousand Oaks, CA: Sage.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to Use and How to Report the Results of PLS-SEM. European Business Review, 31(1), 2-24.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2024). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd Ed., Thousand Oaks, CA: Sage.

Henseler J., Ringle C.M., dan Sarstedt M. 2015. A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science. Vol. 43 : 115 – 135.

Sarstedt, M., Ringle, C. M., & Hair, J. F. (2022). Partial Least Squares Structural Equation Modeling. In C. Homburg, M. Klarmann, & A. E. Vomberg (Eds.), Handbook of Market Research (pp. 587–632). Cham: Springer.

Referensi Lengkap Variabel PLS: https://www.smartpls.com/documentation.

2 komentar untuk “Variabel PLS SEM, Data, Model Hubungan dan Asumsinya: SMARTPLS”

    1. Dalam PLS SEM memang ada indikator atau variabel manifest yang biasanya adalah observed variable atau variabel terukur yang merupakan pembentuk variabel latent atau unobserved variable. Misalnya indikator X1.1, X1.2 dan X1.3 sebagai pembentuk variabel latent X1.

Tinggalkan Komentar

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Scroll to Top
Jasa Olah dan Analisis Statistik Oleh Statistikian Tahun 2024