Tutorial Partial Least Square dalam PLS SEM

2
2930

Tutorial Partial Least Square dalam PLS SEM

Seperti yang telah kita bahas sebelumnya bahwa dalam analisis PLS SEM terdapat dua bagian analisis yaitu outer model dan inner model. Selain itu juga terdapat jenis analisis antara lain partial least square (PLS), bootstrapping, blindfolding, PLS MGA dan lain sebagainya. Pada kesempatan ini akan kita bahas tutorial partial least square dalam PLS SEM menggunakan aplikasi SMARTPLS.

Jika anda berada pada situasi membaca artikel ini, sebaiknya lebih dulu memahami tentang landasan teori PLS SEM yang telah kita bahas panjang lebar dalam serangkaian artikel lainnya terkait PLS SEM. Misalnya pada artikel Tutorial PLS SEM Menggunakan SMARTPLS, yang merupakan bagian awal dari tutorial ini.

Dalam artikel tersebut dijelaskan tentang bagaimana peneliti membentuk kerangka konsep untuk dijadikan path model, mempersiapkan dan agar bisa diimpor ke dalam aplikasi SMARTPLS, membuat proyek baru, menetapakan variabel exogen, endogen, mediator, indikator dan variabel latent serta membuat path model dalam SMARTPLS.

Manfaat Partial Least Square dalam SMARTPLS

Jika anda sudah selesai melakukan tahapan pada tutorial PLS SEM menggunakan SMARTPLS, maka anda akan masuk pada tahap untuk melakukan analisis partial least square (PLS). Dalam analisis ini akan ada 2 jenis analisis yang dapat dimanfaatkan, yaitu outer model dan inner model.

Untuk Outer model anda bisa mendapatkan nilai-nilai yang dapat digunakan untuk analisis validitas reliabilitas. Analisis tersebut antara lain: Outer Loading, Outer Weight sebagai bagian dari validitas butir. Kemudian nilai reliabilitas konstruk antara lain: Cronbach’s Alfa, Coefficient Rho dan Composythe Reliability. Untuk validitas konstruk anda bisa mendapatkan nilai Average Variance Extracted (AVE).

Sedangkan untuk analisis validitas diskriminan atau convergen antara lain: nilai cross loading, forner larcker criterion dan Heterotrait Monotrait (HTMT).

Dalam analisis partial least square ini juga menghasilkan nilai-nilai inner model antara lain: R Square, Adjusted R Square, F Square, Direct Effects, Indirect Effects dan Total Effects. Namun dalam inner model tersebut yang dapat dihasilkan adalah sebatas nilai koefisiennya saja.

Sedangkan untuk tingkat signifikansi atau probabilitasnya haruslah pada tahap lainnya yaitu analisis bootstrapping. Analisis bootstrapping akan kita bahas lebih jauh nantinya pada artikel berikutnya tentang Tutorial Bootstrapping dalam PLS SEM menggunakan SMARTPLS.

Outer Model dalam Tutorial Partial Least Square

Langkah yang harus dilakukan adalah klik tombol CALCULATE pada menu SMARTPLS kemudian pilih dan klik Partial Least Square.

Tamapilan menu tersebut adalah sebagai berikut:

Calculate PLS SEM
Calculate PLS SEM

Maka akan muncul jendela sebagai berikut:

Analisis Partial Least Square
Tutorial Partial Least Square PLS SEM

Sesuai gambar diatas, pada pilihan Weighting Scheme, anda pilih path karena model dalam kasus tutorial ini adalah path analysis atau analisis jalur. Maximum iterations anda isi 300 atau lebih. Stop criterion adalah 7 atau lebih. Sedangkan weighting anda kosongi karena pada model struktural tutorial ini tidak menggunakan pembobot.

Selanjutnya anda klik OK. Maka komputer akan menghitung komputasi tersebut lalu akan memunculkan hasilnya pada jendela baru pada aplikasi SMARTPLS. Output tersebut adalah hasil analisis dari tutorial partial least square PLS SEM ini.

Mari kita lihat nilai-nilai outer model sebagai hasil analisis validitas reliabilitas.

Pengukuran Indikator (Outer Model)

Sebelum masuk kepada hasil analisis tutorial partial least square PLS SEM menggunakan SMARTPLS, sebaiknya kita review kembali terkait validitas reliabilitas dalam pengukuran outer model.

Pengukuran indikator (Outer Model) dilakukan dengan melihat Convergent validity, Contruct Reliability, Average Variance Extracted-AVE, Discriminant validity, cross loading dan undimensionalitas model.

1. Convergent validity: adalah mengukur validitas indikator sebagai pengukur variabel yang dapat dilihat dari outer loading dari masing – masing indikator variabel. Suatu indikator dikatakan mempunyai reliabilitas yang baik jika nilai outer loading untuk masing-masing indikator > 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika menggunakan nilai standar Convergent Validity > 0.70, maka nilai loading dibawah 0.70 dihapus dari model.

2. Contruct Reliability adalah mengukur reliabilitas konstruk variabel laten. Nilainya yang dianggap reliabel harus diatas 0.70. Counstruc reliability sama dengan cronbach alfa.

3. Average Variance Extracted- AVE digunakan untuk mengetahui tercapainya syarat validitas diskriminan. Nilai minimum untuk menyatakan bahwa keandalan telah tercapai adalah sebesar 0,50.

4. Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten benar benar berbeda dengan konstruk lainnya. Nilai discriminant validity yang tinggi memberikan indikasi bahwa suatu konstruk adalah unik dan mempu menjelaskan fenomena yang diukur. Suatu konstruk dikatakan valid yakni dengan membandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE harus lebih besar dr korelasi antar variable laten.

5. Cross-loading adalah metode lain untuk mengetahui discriminant validity, yakni dengan melihat nilai cross loading. Apabila nilai loading dari masing – masing item terhadap konstruknya lebih besar daripada nilai cross loadingnya.

6. Unidimensionalitas Model. Uji undimensionalitas adalah untuk memastikan bahwa sudah tidak ada masalah dalam pengukuran. Uji undimensionalitas dilakukan dengan menggunakan indikator composite reliability dan alfa cronbach. Untuk kedua indikator ini cut-value adalah 0,7.

Interpretasi Outer Model Dalam Tutorial Partial Least Square

Diagram Output Partial Least Square (PLS)

Lihat pada jendela output tutorial partial least square anda seperti di bawah ini:

Diagram Analisis Partial Least Square
Diagram Analisis Partial Least Square

Diatas merupakan hasil analisis partial least square dimana ditampilkan nilai-nilai antara lain Outer Weight/Loading sebagai bagian dari analisis outer model. Serta nilai Path Coefficient dan R Square sebagai nilai Inner Model dan Constructs. Tentunya anda dapat mengubah nilai apa yang mau ditampilkan dalam diagram tersebut kemudian mengekspornya menjadi gambar misalnya dalam format PNG atau JPEG sesuai dengan kebutuhan anda.

Sedangkan untuk mendapatkan file excel hasil expor dari analisis ini, anda harus klik tombol export excel pada menu saat anda membuka jendela output hasil analisis. Jika anda ingin melihat atau menggunakan hasil export excek kami dalam tutorial analisis ini, sialhkan download di link berikut: Data Hasil Analisis Partial Least Square.

Agar dapat memahami lebih rinci mari kita masuk lebih jauh pada hasil analisis validitas reliabilitas.

Outer Loading Sebagai Nilai Validitas Butir.

hasil dari Outer Loading adalah sebagai berikut contohnya:

Outer Loading Analisis Partial Least Square
Outer Loading Analisis Partial Least Square

Dari table nilai outer loading diatas dapat dilihat bahwa semua item atau indicator nilai outer loadingnya sudah > 0,5 walaupun masih < 0,7. Batasan nilai Outer Loading > 0,5 masih dapat diterima asalkan validitas dan reliabilitas konstruk memenuhi syarat serta model masih baru dikembangkan. Maka berdasarkan validitas outer loading dinyatakan semua item atau indicator telah valid secara valliditas butir.

Reliabilitas Konstruk dan Validitas Konstruk dalam Tutorial Partial Least Square

Maka langkah selanjutnya adalah analisis terhadap Contruct Reliability. Contruct Reliability adalah mengukur reliabilitas konstruk variabel laten. Nilainya yang dianggap reliabel harus diatas 0.70. Construct reliability sama dengan cronbach alfa.

Berikut adalah hasil analisis tersebut:

Reliabilitas dan Validitas Konstruk
Reliabilitas dan Validitas Konstruk

Internal Consistency Reliability

Internal Consistency Reliability mengukur seberapa mampu dari indikator dapat mengukur konstruk latennya. (Memon dkk., 2017). Alat yang digunakan untuk menilai hal tersebut adalah composite reliability dan Cronbach’s alpha. Nilai composite reliability 0,6 – 0,7 dianggap memiliki reliabilitas yang baik (Sarstedt dkk., 2017), dan nilai Cronbach’s alpha yang diharapkan adalah di atas 0,7 (Ghozali dan Latan, 2015).

Dan berdasarkan table diatas, terlihat bahwa semua konstruk memiliki nilai nilai cronbach’s Alpha > 0,6 dan bahkan semuanya > 0,7, maka dapat dikatakan bahwa semua konstruk tersebut telah reliable. Misalnya cronbach’s Alpha dari variable latent X1 sebesar 0,812>0,7 maka X1 reliabel. Begitu pula dengan variabel lainnya dimana nilainya >0,7 sehingga semuanya reliabel.

Analisis Unidimesionalitas Model.

Uji unidimensionalitas adalah untuk memastikan bahwa sudah tidak ada masalah dalam pengukuran. Uji undimensionalitas dilakukan dengan menggunakan indikator composite reliability dan alfa cronbach. Untuk kedua indikator ini cut-value adalah 0,7. Maka berdasarkan tabel diatas, semua konstruk telah memenuhi syarat unidimensionalitas sebab nilai composite reliability > 0,7. Misalnya Composite reliability dari variable latent X2 sebesar 0,890 > 0,7 maka X2 reliabel. Begitu pula dengan variabel lainnya dimana nilainya >0,7 sehingga semuanya reliabel.

Validitas Konvergen

Validitas konvergen dapat ditentukan berdasarkan dari prinsip bahwa pengukur-pengukur dari suatu konstruk seharusnya berkorelasi tinggi (Ghozali dan Latan, 2015). Validitas konvergen sebuah konstruk dengan indikator reflektif dievaluasi dengan Average Variance Extracted (AVE). Nilai AVE seharusnya sama dengan 0,5 atau lebih. Nilai AVE 0,5 atau lebih berarti konstruk dapat menjelaskan 50% atau lebih varians itemnya (Wong K.K., 2013, Sarstedt dkk., 2017).

Dan berdasarkan nilai Average Variance Extracted (AVE) untuk mengetahui tercapainya syarat validitas konvergen, maka semua konstruk telah tercapai syarat validitas konvergen sebab nilai AVE semuanya >0,50. Misalnya AVE dari variable latent Y sebesar 691 > 0,5 maka Y valid secara konvergen. Begitu pula dengan variabel lainnya dimana nilainya >0,5 sehingga semuanya valid.

Validitas Diskriminan

Validitas diskriminan bertujuan untuk menentukan apakah suatu indikator reflektif benar merupakan pengukur yang baik bagi konstruknya berdasarkan prinsip bahwa setiap indikator harus berkorelasi tinggi terhadap konstruknya saja. Pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi tinggi (Ghozali dan Latan, 2015).

Dalam aplikasi SmartPLS, uji validitas diskriminan menggunakan nilai cross loadings dan Fornell-Larcker Criterion, dan Heterotrait-Monotrait (HTMT) (Henseler dkk., 2015).

Discriminant validity bertujuan untuk menguji sampai seberapa jauh konstruk laten benar benar berbeda dengan konstruk lainnya. Nilai discriminant validity yang tinggi memberikan indikasi bahwa suatu konstruk adalah unik dan mempu menjelaskan fenomena yang diukur.

Fornell-Larcker Criterion

Suatu konstruk dikatakan valid yakni dengan membandingkan nilai akar dari AVE (Fornell-Larcker Criterion) dengan nilai korelasi antar variabel latent. Nilai akar AVE harus lebih besar dr korelasi antar variable laten.

Untuk menilai validitas diskriminan adalah dengan Fornell Larcker Criterion, yaitu sebuah metode tradisional yang telah digunakan lebih dari 30 tahun, yang membandingkan nilai akar kuadrat dari Average Variance Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam model (Henseler dkk., 2015).

Jika nilai akar kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antar konstruk dengan konstruk lainnya dalam model, maka model tersebut dikatakan memiliki nilai validitas diskriminan yang baik (Fornell dan Larker, 1981 dalam Wong, 2013).

Nilai Fornell-Larcker Criterion berdasarkan hasil dalam Tutorial Partial Least Square PLS SEM ini adalah sebagai berikut:

Validitas Diskriminan: Fornell Larcker Criterion
Validitas Diskriminan: Fornell Larcker Criterion

Dalam gambar diatas, ada 3 tab hasil analisis validitas diskriminan, yaitu fornell Larcker Criterion yang merupakan nilai akar dari AVE, Cross Loading serta HTMT.

Berdasarkan table diatas, maka semua akar dari AVE (Fornell-Larcker Criterion) tiap konstruk lebih besar dari pada korelasinya dengan variable lainnya. Misal X1: nilai AVE (Lihat Gambar Tabel Hasil Reliabilitas Konstruk Diatas Sebelumnya!) adalah 0,726 maka Akar AVE nya adalah 0,852. Nilai 0,852 tersebut lebih besar dari pada korelasinya dengan konstruk lainnya, yaitu dengan X2 sebesar 0,485, dengan Y sebesar 0,477 dan dengan Z sebesar 0,613.

Begitu pula dengan variable latent lainnya, dimana nilai AKAR AVE > Korelasi dengan konstruk lainnya. Karena semua variable latent nilai Akar AVE > Korelasinya dengan konstruk lainnya, maka syarat validitas diskriminan pada model ini telah terpenuhi, seperti yang tercantum dalam table diatas.

Cross Loading

Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan bahwa korelasi konstruk dengan item pengukuran lebih besar daripada konstruk lainnya. Nilai cross loading yang diharapkan adalah lebih besar dari 0,7 (Ghozali dan Latan, 2015).

Cross-loading adalah metode lain untuk mengetahui discriminant validity, yakni dengan melihat nilai cross loading. Apabila nilai loading dari masing-masing item terhadap konstruknya lebih besar daripada nilai cross loadingnya. Di bawah ini adalah table cross loading yang telah di expor ke dalam excel:

Cross Loading
Cross Loading

Dari table diatas dapat dilihat bahwa semua loading indicator terhadap konstruk > cross loadingnya. Misalnya pada konstruk Z, dimana nilai loading semua indikatornya lebih besar dari pada semua cross loadingnya ke konstruk lainnya.

Contoh adalah indicator Z.1 dimana nilai loadingnya adalah 0,803 lebih besar dari pada cross loadingnya ke konstruk lainnya, yaitu 0,533 ke X1, 0,411 ke X2 dan 0,497 ke Y. Begitu juga dengan semua indikator lainnya dimana nilai loading ke konstruknya > cross loading ke konstruk lainnya.

Oleh karena semua indicator nilai loadingnya terhadap konstruknya > cross loadingnya maka model ini telah memenuhi syarat validitas diskriminan.

Heterotrait-Monotriat Ratio Of Correlations (HTMT)

Beberapa ahli berpendapat bahwa cross loading dan Fornell-Larcker Criterion kurang sensitif dalam menilai validitas diskriminan. HTMT merupakan metode alternatif yang direkomendasikan untuk menilai validitas diskriminan.

Metode ini menggunakan multitrait-multimethod matrix sebagai dasar pengukuran. Nilai HTMT harus kurang dari 0,9 untuk memastikan validitas diskriminan antara dua konstruk reflektif (Henseler dkk., 2015).

Berikut adalah hasil analisis HTMT pada Tutorial Partial Least Square PLS SEM ini:

HTMT
HTMT

Tabel HTMT diatas menunjukkan bahwa semua nilai HTMT < 0,9 maka dapat dinyatakan bahwa semua konstruk telah valid secara validitas diskriminan berdasarkan perhitungan HTMT.

Asumsi Partial Least Square

Asumsi atau syarat yang harus dipenuhi dalam analisis outer model adalah tidak terdapat masalah multikolinearitas. Yaitu masalah dimana terdapat interkorelasi atau saling korelasi kuat antar indikator. Batasannya adalah nilai korelasi > 0,9 yang biasanya ditandai dengan nilai Variance Inflating Factor (VIF) dalam level indikator > 5.

Jadi jika terdapat nilai VIF indikator > 5 maka terdapat masalah multikolinearitas. Konsekuensinya adalah dapat dilakukan dropping atau mengeluarkan salah satu dari indikator yang saling berkorelasi kuat tersebut.

Berikut hasil dari analisis VIF dalam level indikator:

VIF Indikator
VIF Indikator

Berdasarkan tabel Outer VIF diatas, menunjukkan bahwa semua indikator mempunyai nilai VIF < 5 sehingga semua indikator tidak mengalami masalah multikolinearitas.

Kesimpulan analisis outer model pada Tutorial Partial Least Square ini

Semua item atau indicator telah memenuhi syarat validitas dan reliabilitas serta tidak terdapat adanya multikolinearitas antar indicator. Maka langkah selanjutnya adalah analisis terhadap inner model.

Konsekuensi Jika Tidak Memenuhi Syarat Validitas dan Reliabilitas

Tentunya saat para peneliti melakukan analisis outer model pada partial Least Square, terkadang menemui kasus bahwa tidak memenuhi syarat validitas dan relibilitas.

Konsekuensi yang dapat diambil adalah melakukan pemodelan baru yaitu mengeluarkan indikator yang tidak valid baik secara convergen maupun diskriminan atau divergen. Lalu kemudian menggantinya dengan indikator lainnya atau dibiarkan saja tanpa ada penggantian indikator lain selama jumlah indikator dalam setiap variabel latent masih lebih dari atau sama dengan 3 indikator. Itu semua dikembalikan pada konsep model struktural yang diusung oleh peneliti.

Demikian sementara kami cukupkan dulu artikel tutorial partial least square PLS SEM menggunakan aplikasi SMARTPLS ini. Sejauh ini kita telah membahas tutorial melakukan dan menginterpretasikan analisis outer model sebagai sarana uji validitas reliabilitas.

Pada artikel berikutnya akan kami jelaskan pembahasan tentang inner model dan constructs pada analisis partial least square yang meliputi antara lain: R Square, Adjusted R Square, direct effects, indirect effects dan total effects serta f square.

Baca artikel selanjutnya sebagai kelanjutan artikel ini: Inner Model PLS SEM Dalam SMARTPLS!

Tetap bersama kami, Anwar Hidayat dalam www.statistikian.com. Analisis PLS SEM menjadi mudah bersama kami. Semoga bermanfaat dan salam sejahtera semuanya.

Referensi: https://www.smartpls.com/documentation.

Jasa Olah Data Aman Terpercaya

2 KOMENTAR

    • Pada dasarnya dengan meningkatkan korelasi atau linearitas antara variabel bebas atau prediktor dengan variabel terikatnya atau respons. Untuk itu anda bisa memilih prediktor yang korelasinya kuat dengan respons.

TINGGALKAN KOMENTAR

Please enter your comment!
Please enter your name here