metodologi persentasi.pptx
- 1. NAMA KELOMPOK: A.RAHMAT HIDAYATULLOH YAZID RIZKI FAIDIL ADAM ABDURRAHMAN KAYFAN TAQI PUTRA MUHAMMAD RISKY AUFA RAFI JANUAR MUHAMMAD SHIDIQ ALI FIRMANSYAH KHALIS ABDULLAH
- 2. INTRODOCTION Penelitian di berbagai disiplin ilmu mengeksploitasi kemampuan pemodelan persamaan structural terkecil parsial (PLS-SEM) dalam studi mereka. disiplin ilmu ini termasuk, misalnya, akuntansi, bisnis keluarga, perawatan kesehatan, bisnis internasional, sistem informasi manajemen. menunjukkan munculnya PLS-SEM sebagai metode pemodelan persamaan struktural berbasis varians (SEM) dalam literatur bersama dengan saudara kandung metodologis tradisional.
- 3. INTRODUCTION Dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan di antara variable yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan tersebut. Terdapat dua pendekatan dalam Structural Equation Modeling (SEM), yaitu SEM berbasis covariance (Covariance Based-SEM, CB-SEM) dan SEM dengan pendekatan variance (VB-SEM) dengan teknik Partial Least Squares (PLS- SEM). PLS-PM kini telah menjadi alat analisis yang popular dengan banyaknya jurnal internasional atau penelitian ilmiah yang menggunakan metode ini. Partial Least Square disingkat PLS merupakan jenis analisis SEM yang berbasis komponen dengan sifat konstruk formatif. PLS pertama kali digunakan untuk mengolah data di bidang economertrics sebagai alternative teknik SEM dengan dasar teori yang lemah. PLS hanya berfungsi sebagai alat analisis prediktor, bukan uji model.
- 4. INTRODUCTION PLS lebih banyak digunakan untuk studi bidang analytical, physical dan clinical chemistry. Disain PLS dimaksudkan untuk mengatasi keterbatasan analisis regresi dengan teknik OLS (Ordinary Least Square) ketika karakteristik datanya mengalami masalah, seperti : (1). ukuran data kecil, (2). adanya missing value, (3). bentuk sebaran data tidak normal, dan (4). adanya gejala multikolinearitas. OLS regression biasanya menghasilkan data yang tidak stabil apabila jumlah data yang terkumpul (sampel) sedikit, atau adanya missing values maupun multikolinearitas antar prediktor karena kondisi seperti ini dapat meningkatkan standard error dari koefisien yang diukur
- 5. INTRODUCTION • PLS yang pada awalnya diberi nama NIPALS (Non-linear Iterative Partial Least Squares) juga dapat disebut sebagai teknik prediction-oriented. Pendekatan PLS secara khusus berguna juga untuk memprediksi variable dependen dengan melibatkan sejumlah besar variable independen. PLS selain digunakan untuk keperluan confirmatory factor analysis (CFA), tetapi dapat juga digunakan untuk exploratory factor analysis (EFA) ketika dasar teori konstruk atau model masih lemah. Pendekatan PLS bersifat asymptotic distribution free (ADF), artinya data yang dianalisis tidak memiliki pola distribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio. • Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat prediktif dengan dasar teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLS, diasumsikan bahwa semua ukuran variance berguna untuk dijelaskan. Karena pendekatan mengestimasi variable laten diangap kombinasi linear dari indikator, masalah indereminacy dapat dihindarkan dan memberikan definisi yang pasti dari komponen skor. Teknik PLS menggunakan iterasi algoritma yang terdiri dari serial PLS yang dianggap sebagai model alternative dari Covariance Based SEM (CB-SEM). Pada CB-SEM metode yang dipakai adalah Maximum Likelihood (ML) berorientasi pada teori dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan untuk causal-predictive analysis dalam kondisi kompleksitas tinggi dan didukung teori yang lemah.
- 6. PADA PILIHAN DAN PENGGUNAAN PEMODELAN PERSAMAAN STRUKTURAL KUADRAT TERKECIL PARSIAL PLS-SEM adalah pendekatan multivariat non parametik berdasarkan regresi berulang untuk memperkirakan model dengan variabel laten dan hubungan terarahnya. konstruk laten tidak dapat diamati secara langsung tetapi dapat diukur secara tidak langsung melalui beberapa indikator (kualitas diukur dengan beberapa indikator yang diamati berdasarkan tanggapan dari kuesioner. Model PLS-SEM terdiri dari dua komponen, yaitu model struktural (atau inner model) dan model pengukuran (outer model). lebih khusus, PLS-SEM memperkirakan model indikator komposit sebagai proxy dari variabel laten. indikator kelompok (variabel manifes) yang terkait dengan konstruk laten disebut sebagai blok, dan indikator hanya dapat dikaitkan dengan satu konstruk. sebagai metode prediktif PLS SEM memiliki spektrum yang luas dari aplikasi praktis untuk tantangan manajerial, khususnya, di mana interaksi manusia ditemukan. Misalnya, contoh ilustrasi yang digunakan dalam bab ini menjelaskan kompetensi manajerial (konstruk laten) dengan mengamati konstruk laten lainnya seperti seperti keterampilan interpersonal, gaya enterprenerial, dan kematangan emosi dan pengalaman.
- 7. MENGEVALUASI PENGUKURAN PLS-SEM DAN MODEL STRUKTURAL setelah estimasi model jalur PLS, evaluasi hasil diikuti dengan evaluasi model struktural. untuk estimasi komposit untuk mewakili model indikator efek (reflektif), atau model indikator komposit formatif, kami menguraikan prosedur evaluasi yang umum ditetapkan untuk diikuti dalam analisis PLS-SEM. berikut ini, kami merujuk pada istilah umum untuk evaluasi model pengukuran reflektif dan formatif. setelah langkah-langkah ini mendukung penggunaan komposit untuk mewakili konstruk dalam model, evaluasi model struktural berikut: pengukuran reflektif regresi di mana indikator reflektif adalah variabel dependen dan p sama dengan jumlah indikator reflektif per konstruk , ho adalah intersep ho adalah parameter regresi tunggal (pemuatan luar) yang akan diestimasi dan merupakan variabel laten. variabel residual eH tidak berkorelasi dengan variabel laten.
- 8. PENGUKURAN FORMATIF di bawah model pengukuran formatif, diasumsikan bahwa konstruk eksogen (variabel laten) ditentukan oleh indikator formatif yang bisa multidimensi dan suku sisa ditemukan dalam fungsi linier. Secara umum, karakteristik dari konstruk formatif adalah perubahan dalam kontstruk tersebut akan menyebabkan perubahan-perubahan dalam indikator-indikatornya.
- 9. PERBEDAAN CARA MENGUKUR REFLEKSIF ATAU FORMATIF Pertama, hubungan kausalitasnya. Indikator refleksif disebabkan oleh konstruk sedangkan indikator formatif menyebabkan konstruk. Dapat pula diberi makna lain, apabila indikator tersebut cenderung bersifat penyusun, maka akan bersifat formatif, sedangkan bila indikator adalah hasil dari konstruk akan bersifat refleksif; Kedua, sifat kovarian. Pada hubungan refleksif, kovarian antar indikator adalah tinggi karena seluruh indikator akan bergerak bersama, artinya perubahan satu indikator akan menyebabkan perubahan terhadap indikator lainnya. Sedangkan pada sifat formatif, diharapkan tidak memiliki kovarian tinggi dan tidak bergerak bersama. Ketiga, sifat duplikasi. Apabila indikator memiliki kesamaan dasar konseptual (seluruh indikator mengindikasikan hal yang sama), maka akan bersifat refleksif. Akibatnya menghilangkan satu indikator tidak mengubah arti konstruk secara materi. Keempat, hubungan indikator pada berbagai variabel. Pada sifat refleksif, semua indikator bisa berhubungan dengan variabel lain. Sedangkan pada hubungan formatif diharapkan terjadi pola hubungan yang berbeda dengan variabel lain