Para ahli metode penelitian mengelompokan SEM menjadi dua pendekatan. Pendekatan pertama disebut sebagai Covariance Based SEM (CBSEM) dan pendekatan lainnya adalah Variance Based SEM atau yang lebih dikenal dengan Partial Least Square (PLS). Untuk melakukan analisa dengan menggunakan CBSEM maka software yang sering digunakan adalah AMOS dan LISREL sedangkan untuk PLS software yang sering digunakan adalah smartPLS, warpPLS dan XLStat.
Mengapa Menggunakan PLS
PLS menggunakan metode bootstraping atau penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS tidak mensyaratkan jumlah minimum sampel. Penelitian dengan memiliki sampel kecil dapat tetap menggunakan PLS.
Perbedaan PLS dengan CBSEM
- Hal utama yang membedakan antara PLS dan CBSEM adalah tujuan dari penggunaan metode. Tujuan dari penggunaan PLS adalah melakukan prediksi. Prediksi yang dimaksudkan adalah prediksi hubungan antar kosntruk. Sedangkan CBSEM lebih ditujukan sebagai metode untuk melakukan konfirmasi teori.
- Berdasarkan asumsi statistiknya, PLS digolongkan sebagai jenis non-parametrik sedangkan CBSEM lebih kepada normal distribution dan independent observation (parametrik).
- Dari sisi konstruk, CBSEM hanya dapat mengakomodir konstruk yang berbentuk reflektif. Sedangkan PLS dapat mengakomodir baik formatif maupun reflektif.
- Mengenai jumlah sampel. Dikarenakan PLS berbasis pada variance maka jumlah sampel yang digunakan dapat berkisar antara 30 s.d 100 sampel. Sedangkan CBSEM karena dasarnya covariance, maka sampel yang digunakan berkisar 200 s.d 800 sampel.
- Dari jumlah kosntruk dan indikator. PLS dapat mengakomodir hingga 100 konstruk dan 1000 indikator sedangkan CBSEM hanya bisa mengakomodir sampai 100 indikator.
Menggunakan SmartPLS 3.0
- Tampilan Smart PLS terdiri dari tiga jendela diantaranya jendela projek, jendela variabel atau indikator dan jendela tempat struktural model di gambar.
- Sebelum menggambar model struktural yang harus dilakukan adalah menginputkan file yang akan dianalisis. Untuk menjalankan smartPLS 3.0 data harus disimpan dalam format .csv (disetting pada microsoft excel pada menu save as).
- Langkah pertama untuk memasukan data ke dalam smartPLS 3.0 adalah dengan cara membuat projek yang akan dikerjakan. Disudut kiri atas klik New Project. Lalu akan muncul jendela baru lalu isikan nama project yang akan dikerjakan.
- Setelah diisikan nama project dan klik tombol OK maka project akan muncul pada jendela di sebelah kiri. Terdapat 2 menu yaitu menu untuk memasukan data pada smartPLS 3.0 dan menu untuk menggambarkan struktur model penelitian.
- Untuk memasukan data double klik pada icon menu. Setelah di klik maka akan muncul layar yang berisikan file dimana kita menaruh data mentah dan filih file dengan format .csv.
- Jika data telah dimasukan maka akan tampak pada jendela smartPLS. Indikator lain jika data sudah masuk dalam smartPLS secara sempurna adalah icon warna hijau, yang berarti data sudah komplit. Tetapi jika icon berwarna kuning maka maknanya data masih mengandung missing value. Adapun isi dari data yang diperlihatkan oleh smartPLS diantaranya adalah variabel atau indikator penelitian disertai nilai statistik deskrptifnya.
- Setelah data berhasil dinputkan dengan sempurna maka langkah berikutnya adalah menggambar model struktural. Menggambar model struktural dapat dimulai dengan melakukan double klik pada menu nama project disebelah kiri jendela. Setelah di klik akan muncul tab baru di bagian kanan atas.
- Nah jika tampilan sudah seperti poin 7 maka model struktural siap untuk digambar. Dalam menggambar gunakan dua icon yaitu “latent variabel” dan “connect” dengan cara klik icon laten variabel lalu klik pada bidang gambar dan seterusnya lakukan hal yang sama sesuai jumlah laten variabel. Lalu untuk menghubungkan pola hubungan gunakan icon connect.
- Untuk memasukan observed variabel ke dalam laten variabel maka cukup men-drag atau menarik satu persatu observed variabel yang ada pada layar sebelah kiri bawah ke dalam bidang gambar disesuaikan dengan pasangan laten variabel-nya.
- Jika observed variabel sudah dimasukan ke dalam laten variabel maka model berubah menjadi biru. Seperti gambar berikut ini.
- Jika perlu mengganti nama dari masing-masing laten variabel cukup klik kanan pada laten variabel dan melakukan rename.
- Untuk melakukan pengujian pada menu smartPLS 3.0 pilih menu calculate dan pilih bootstrapping untuk menguji hipotesis.
- Setelah di klik akan muncul jendela baru, pada menu subsampel isikan sebanyak 500 kali, lalu klik start calculation.
- Maka akan muncul tab baru dalam smartPLS 3.0 hasil analisanya. Seperti gambar berikut.
(output ukuran numerik SEM oleh SmartPLS)
(output diagram jalur SEM oleh SmartPLS)
SELAMAT MENCOBA!!!
———————————————————————————————————————————————————-
- Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
- Phone/WA/Line : 0813 2170 9749
- Email : welcome@mobilestatistik.com
- Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
- “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”
———————————————————————————————————————————————————-
Selamat pagi , saya ingin bertanya , apakah ketika melakukan bootstrapping , hasil T statistik ny berubah’ ? Karena stiap kali saya mencoba bootstrapping , hasil t statis ny brubah , terima kasih
Terimakasih Mb. Novi sudah mengunjungi mobilestatistik.com. Bootstrap pada prinsipnya merupakan proses re-sampling dari data yang kita miliki, oleh karenanya jika proses dilakukan berulang akan didapat sampel dgn nilai yang berbeda (dari sampel awal), oleh karenanya didapati juga nilai t yang berbeda pula.
malam saya mau tanya?
apa smart pls versi 2 dan.versi 3 ada perbedaan langkah” dlam menguji data. mohon bantuannya. sya stack di bab 3 untuk menentukan apa sja yg di uji . Terima kasih
Siang
Saya ingin bertanya apakah bisa saya menguji variabel demografi seperti usia (x1) dan jenis kelamin (x2) yg menggunakan skala nominal dan ordinal diuji pengaruhnya terhadap sikap risiko (y) yang menggunakan skala likert?
Terima kasih sudah mengunjungi dan menghubungi mobilestatistik.com
Silahkan pelajari artikel kita tentang regresi variabel dummy.
Terima kasih.