Tuesday, January 9, 2018

Memahami Konsep Partial Least Squares (PLS)

Memahami Konsep Partial Least Squares (PLS)

Konsep Partial Least Square (PLS)


P artial Least Square (PLS) menurut Wold merupakan metode analisis yang powerful oleh karena tidak didasarkan banyak asumsi, PLS merupakan metode PLS dapat menghubungkan himpunan variabel independen (bebas) ke banyak variabel dependen (terikat). Di sisi prediktor, PLS bisa menangani banyak variabel independen (bebas), bahkan saat prediktor menampilkan multikolinearitas. PLS di iimplementasikan sebagai model regresi, memprediksi satu atau lebih dari satu set atau lebih variabel independen David Garson (2016)

PLS merupakan teknik yang paling sesuai apabila tujuan penelitian adalah prediksi atau pengembangan teori. Sedangkan jika tujuan penelitiannya adalah pemodelan konfirmatori dan pengujian teori maka CBSEM berbasis kovarian lebih sesuai. Beberapa percakapan yang diperbincangkan oleh mahasiswa mengatakan bahwa PLS bukanlan SEM (Structural Equation Modelling)


Pada Artikel ini saya perjelas bahwa Partial Least Squares (PLS) adalah SEM yang berbasis varians. Hanya saja PLS memiliki perbedaan dengan Covariance Based SEM yang menggunakan aplikasi Seperti AMOS (Analisis of Moment Structures) ataupun Lisrel (Linier Structural Relationship).
Memahami-Konsep -Partial-Least-Squares-(PLS)


Perbedaan PLS dengan CBSEM :


Beberapa perbedaan Partial Least Square (SEM PLS) dengan SEM Seperti AMOS (Analisis of Moment Structures) ataupun Lisrel (Linier Structural Relationship) dapat dijelaskan sebagai berikut :

  1. Berdasarkan Tujuan Penggunaan


    Tujuan dari penggunaan dari PLS adalah melakukan prediksi. Prediksi yang dimaksud disini adalah prediksi hubungan antar konstruk sedangkan CBSEM lebih ditujukan sebagai metode untuk melakukan konfirmasi teori

  2. Berdasarkan asumsi statistiknya


    Partial Least Square digolongkan sebagai jenis non-parametrik sedangkan CBSEM lebih kepada Multivariate normal distribution dan independent observation (parametrik). Oleh karena itu dalam pemodelan PLS tidak diperlukan data dengan distribusi normal

  3. Berdasarkan permodelan konstruk


    Partial Least Square dapat mengolah Konstruk dengan model reflektif dan formatif, sedangkan pada CBSEM hanya mampu mengakomodir konstruk reflektif.

  4. Basis Variance dan Covariance


    Partial least squares berbasis varians sehingga tidak memerlukan jumlah sampel yang besar yakni antara (30-100). Sedangkan pada CBSEM karena dasarnya adalah covariance sehingga sampelnya minimal 100 sampel.

  5. Sisi jumlah konstruk dan indikator


    PLS dapat mengakomodir 100 konstruk dan 1000 indikator. Sedangkan pada CBSEM hanya bisa mengakomodir hingga 100 indikator.
NEXT ARTICLE Next Post
PREVIOUS ARTICLE Previous Post
NEXT ARTICLE Next Post
PREVIOUS ARTICLE Previous Post
 

Delivered by FeedBurner