PLS-SEM STATISTIKIAN

Engine R-WASM | Library SEMINR | JS Code by Anwar Hidayat – www.statistikian.com

Silakan isi atau ubah data Anda di bawah ini:

1. Measurement Model (Konstruk Laten)

2. Hubungan Struktural (Inner Model / Paths)

Pilih Variabel Asal dan Tujuan (Hanya Laten yang tersedia).

3. Analisis Moderasi (Opsional)

Metode Two-Stage otomatis diterapkan untuk stabilitas matriks.

4. Pengaturan & Eksekusi

⚡ Analysis PLS SEM: Partial Least Square, Pseudo-Bootstrapping dan Pseudo-PredictPLS K-Fold CV dengan Library R-SEMINR modified by Anwar Hidayat
Mengirim Code SEMINR ke Engine R – Please Wait…
Proses analysis sedang berjalan, membutuhkan waktu 30 detik – 5 menit, pastikan internet lancar dan jangan tutup halaman ini!

Dokumentasi Akademik ST-Engine: Partial Least Squares Structural Equation Modeling (PLS-SEM)

Dikembangkan Oleh:

ANWAR HIDAYAT

Founder dan CEO www.statistikian.com

Coding ini didevelop oleh Anwar Hidayat untuk menyediakan instrumen pemodelan PLS-SEM berbasis WebAssembly (WASM). Alat ini menerapkan algoritma library seminr (R) secara riil di peramban, memastikan akurasi yang ekuivalen dengan perangkat lunak statistik standar, dan dioptimalkan agar responsif dalam ekosistem WordPress.

Dokumentasi ini menjelaskan spesifikasi analitis dan prosedur operasional ST-Engine PLS-SEM. PLS-SEM adalah metode analisis multivariat generasi kedua untuk menguji model pengukuran dan struktural secara simultan. Metode ini dirancang untuk menganalisis model penelitian kompleks tanpa memerlukan asumsi distribusi data yang ketat.

1. Teori: Definisi, Tujuan, dan Fungsi PLS-SEM

Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah metode pemodelan persamaan struktural berbasis varians. Metode yang dikembangkan oleh Herman Wold (1982) ini bertujuan untuk memaksimalkan varians yang dapat dijelaskan (R^2) dari variabel laten dependen.

PLS-SEM sangat direkomendasikan untuk penelitian prediktif dan eksploratori, terutama ketika model struktural sangat kompleks, ukuran sampel kecil, atau data tidak berdistribusi normal (Hair et al., 2011). PLS-SEM mencakup dua tahap evaluasi:

  1. Model Pengukuran (Outer Model): Menguji validitas (konvergen dan diskriminan) serta reliabilitas instrumen indikator dalam mengukur konstruk laten.
  2. Model Struktural (Inner Model): Mengestimasi signifikansi hubungan kausalitas (koefisien jalur) antar konstruk laten beserta kemampuan prediksinya (R-Square).

2. Formula Tiap Tahap Analisis

AVE = \sum \lambda_i^2 / ( \sum \lambda_i^2 + \sum var(\varepsilon_i) )
Validitas Konvergen (AVE): Mengukur proporsi varians indikator yang dijelaskan oleh konstruk. Nilai AVE > 0.50 menunjukkan bahwa konstruk menjelaskan lebih dari 50% varians indikatornya (Fornell & Larcker, 1981).
\rho_c = (\sum \lambda_i)^2 / ( (\sum \lambda_i)^2 + \sum var(\varepsilon_i) )
Reliabilitas Konsistensi Internal (Composite Reliability): Alternatif yang lebih presisi dari Cronbach's Alpha karena memperhitungkan perbedaan bobot outer loading tiap indikator. Nilai ideal berkisar antara 0.70 hingga 0.90 (Dijkstra & Henseler, 2015).
HTMT = Korelasi Lintas-Konstruk / Geometrik Korelasi Dalam-Konstruk
Validitas Diskriminan (HTMT): Rasio rata-rata korelasi antar-indikator beda konstruk terhadap korelasi indikator intra-konstruk. Nilai < 0.90 menegaskan bahwa konstruk secara empiris berbeda satu sama lain (Henseler et al., 2015).
VIF_i = 1 / ( 1 - R_i^2 )
Diagnosis Multikolinearitas (VIF): Mendeteksi redundansi antar prediktor eksogen. Nilai VIF < 3.00 menunjukkan model terbebas dari bias multikolinearitas (Hair et al., 2011).
t = \beta_{original} / SE_{bootstrap}
Uji Hipotesis (Bootstrapping): Karena PLS-SEM non-parametrik, signifikansi koefisien jalur diuji melalui resampel empiris (bootstrapping) untuk mendapatkan standar galat empiris (Hair et al., 2011).

3. Arsitektur Perangkat Lunak

Alat ini memindahkan proses pengolahan data murni ke sisi klien (client-side) melalui arsitektur berikut:

  • Library R & WebR (WASM): Menggunakan pustaka seminr dalam lingkungan R yang dikompilasi ke WebAssembly. Ini memastikan algoritma PLS, estimasi bobot NIPALS, dan bootstrapping berjalan presisi tanpa server eksternal.
  • Vanilla JavaScript: Digunakan untuk merender antarmuka (DOM), parsing CSV, dan visualisasi hasil tanpa bergantung pada jQuery, sehingga aman dari konflik optimasi WordPress.
  • Asynchronous Promises: Memastikan browser tidak freeze saat menjalankan ribuan iterasi bootstrap yang memakan daya CPU tinggi.

4. Cara Menggunakan Tool Ini

A. Persiapan dan Pemetaan Data

  • Persiapan Data: Siapkan data matriks (baris = responden, kolom = indikator) dalam format nilai numerik tanpa baris kosong. Desimal menggunakan pemisah titik (.).
  • Fungsi Data Simulasi: Klik tombol simulasi untuk memuat "Mobi Dataset" (CUEX, CUSA, CUSL) sebagai sarana uji coba model.
  • Fungsi Upload CSV & Copy-Paste: Anda dapat mengunggah file .csv atau memblok tabel Excel lalu mem-paste langsung ke sel pojok kiri atas Grid.
  • Mapping Konstruk (Measurement Model): Masukkan nama konstruk laten (tanpa spasi) lalu centang indikator pembentuknya. Indikator diukur secara Reflektif.
  • Mapping Jalur (Structural Model): Tentukan arah hipotesis dari konstruk Source (Eksogen/Penyebab) menuju Target (Endogen/Akibat).

B. Eksekusi dan Cara Baca Tabel Output

  • Opsi Bootstrap: Atur jumlah iterasi (misal: 500) sebelum menekan JALANKAN ESTIMASI PLS-SEM.
  • Diagram Alur: Input CSV → Transformasi Array WebR → Estimasi seminr → Bootstrapping → Ekstraksi JSON → Tabel HTML.
  • Cara Baca Tabel Measurement Model: Pastikan Outer Loadings > 0.708, Reliability (RhoC & Alpha) > 0.70, AVE > 0.50, dan HTMT < 0.90.
  • Cara Baca Tabel Structural Model: Pada tabel Path Coefficients, jika P-Value < 0.05, maka hipotesis jalur terbukti signifikan. Nilai Estimate menunjukkan arah (positif/negatif) dan kekuatan hubungan.
  • Cara Baca Persamaan: Y = 0.45*X1 + 0.32*X2 + e. Formula ini merupakan abstraksi matematis regresi linear struktural yang digunakan untuk memprediksi nilai konstruk endogen.
  • Kesimpulan: Jika indikator memenuhi uji validitas dan reliabilitas, serta p-value jalur < 0.05, model dianggap layak dan hipotesis kausalitas dinyatakan diterima.

5. Manfaat Aplikasi (Kelebihan & Kekurangan)

  • Kelebihan: Menghasilkan nilai estimasi akurat yang identik dengan SmartPLS via pustaka seminr. Privasi data 100% terjamin karena diolah lokal di memori peramban tanpa terkirim ke server. Praktis karena tidak perlu instalasi aplikasi di desktop.
  • Kekurangan: Membutuhkan waktu muat awal (cold start) untuk mengunduh pustaka biner WebR (~35 MB). Pada data yang masif dengan iterasi bootstrap tinggi, proses ini sangat membebani RAM browser dan perangkat lokal.

6. Daftar Pustaka

  • Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297-316.
  • Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
  • Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139-152.
  • Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.
  • Ray, S., Danks, N. P., & Valdez, M. E. (2021). seminr: A domain-specific language for building and estimating structural equation models in R. Journal of Statistical Software, 98(3), 1-42.
  • Wold, H. (1982). Soft modeling: The basic design and some extensions. Systems Under Indirect Observation (Vol. 2, pp. 1-54). North-Holland.
Daftar Tool Analisis Statistik Online Statistikian
Scroll to Top
Jasa Olah dan Analisis Statistik Oleh Statistikian Tahun 2024