Mengapa pilihan jatuh pada Partial Least Square?

Pemodelan komplek seringkali menggunakan structural  equation modelling (SEM) dengan berbagai syarat yang harus dipenuhi. Pada sebagian pemodelan syarat-syarat tersebut kadangkala sulit terpenuhi. Alternatif yang bisa dipilih dengan tetap mengaplikasikan pemodelan kompleks adalah dengan Partial Least Square (PLS).  Berikut akan saya tuliskan beberapa alasan dari sekian banyak alasan, seorang peneliti memilih PLS.  SEM dirancang dengan syarat adanya dukungan teori yang kuat, sedangkan pada pemodelan PLS bisa berbasis (1) teori, (2) hasil-hasil penelitian empiris, (3) analogi, hubungan antar variabel pada bidang ilmu yang lain, (4) hal-hal normatif, misalnya peraturan pemerintah, undang-undang dan sebagiannya, (5) hubungan rasional lainnya. Sehingga landasan teori pada PLS bisa bersifat kuat, lemah bahkan eksploratif.

Begitu pula dengan model pengukuran, dalam PLS biasa dikenal dengan nama outer model,  dalam SEM hubungan indikator dengan variabelnya adalah refleksif saja, sedangkan pada PLS bisa bersifat refleksif atau formatif. Menentukan indikator bisa berbasis teori atau mengadaptasi indikator yang pernah dipakai oleh peneliti sebelumnya.

Asumsi tentang distribusi juga menjadi syarat penting dalam SEM. Data dalam pemodelan harus memenuhi distribusi multinormal, apabila syarat ini tidak terpenuhi maka estimasi akan dialihkan pada pendekatan resampling atau bootstrapping. Pada PLS, asumsi distribusi multinormal tidak diperlukan karena estimasi langsung menggunakan teknik bootstrapping.

Ukuran sampel yang dibutuhkan dalam SEM cukup besar, pada banyak referensi disarankan berjumlah 100-200 sampel. Sedangkan pada PLS sampel berukuran kecil (minimal 30-50) sudah bisa diaplikasikan.  Modifikasi model untuk bisa mencapai kelayakan model yang lebih baik dibutuhkan pada SEM, sedangkan di PLS hal ini tidak perlu dilakukan.

Selain perbedaan-perbedaan ini ada beberapa kesamaan yang diperoleh antara SEM dan PLS, antara lain : (1) hubungan antar konstruk bersifat linier, (2) model bisa diperbaiki dengan teknik “trimming thoery” yaitu menghilangkan jalur yang tidak dalam model, (3) dibutuhkan perhitungan kecocokan model.

 

About Arif Kamar Bafadal

Dosen statistika dan operation research. Blog dibuat agar dapat berbagi pengetahuan tentang statistika dan operation research melalui pengalaman dan tulisan. Blog ini menyampaikan pesan "belajar lalu mengajar" agar selalu tercipta motivasi yang kuat untuk selalu mengikuti perkembangan ilmu pengetahuan secara khusus pada bidang statistika dan operation research, agar para mahasiswa tidak terjebak dengan sesuatu yang terbatas.
This entry was posted in Partial Least Square and tagged , , , , . Bookmark the permalink.

8 Responses to Mengapa pilihan jatuh pada Partial Least Square?

  1. Abu Yusuf says:

    Bisa dijelaskan tentang hubungan refleksif dan formatif, pak?

  2. novia says:

    data harus memenuhi syarat distribusi multinormal it bagaimana maksudnya pak?trima kasih^^

  3. Maaf, baru sempat membalas pertanyaan. Pada pemodelan dengan structural equation modeling adalah pemodelan dengan melibatkan banyak indikator untuk membentuk konstruk laten. Teknik estimasi dengan menggunakan maximum likelihood memang memberikan syarat bahwa distribusi data-data indikator harus mengikuti distribusi normal.

    • rafli says:

      Salam, dalam MLE distribusi yang digunakan tidak harus distribusi normal (atau Gaussian). Yang penting PDF nya diketahui. Banyak literaur yang menggunakan distribusi lain selain distribusi Normal, misal distribusi Poisson, dalam MLE.

      Untuk istilah sepengetahuan saya, tidak ada istilah multinormal yang benar adalah Multivariate Normality (perbedaan yang cukup signifikan, baik secara sementik maupun statistik). Coba lihar kembali Hair (2006).

  4. Ridwan says:

    Pak Arif,
    bukannya PLS jg termasuk aplikasi SEM? Tulisan di atas kayaknya lebih menjelaskan perbandingan SEM yg covariance based & variance based.

    • rafli says:

      Setuju dengan tanggapa pak Ridwan. Perlu diingat tidak semua pemodelan dapat menggunakan indikator formatif (yang notabene menjadi kekuatan PLS). Pemodelan dengan menggunakan indikator reflektif, saya lebih cendrung ke SEM, banyak alasannya, salah satunya pada Outer Model SEM (dalam tulisan pada situs ini diindikasikan hanya ada pada PLS, padahal TIDAK – SEM juga ada oute rmodel) digunakan factor analisis sebagai bentuk model pengukurannya. Sedangkan pada PLS cendrung pada PCR (hal ini yang menyebabkan pemodel PLS tidak mensyaratkan data yang besar).

      Perlu diingat bahwa baik PCR maupun PCA menggunakan teknik principle component yang sama.

  5. Ismail Djakaria says:

    Assalamu ‘alaikum warohmatullahi wabarokatuhu…
    Mohon dimaafkan Pak Arif, saya Ismail Djakaria, sangat tertarik dengan tulisan Bapak, saya sekarang sedang membantu istri tuk menyelesaikan penelitiannya.
    Dia mau pake SEM, tapi karena karakter datanya ada yang refleksif dan ada yang konfirmatif, berarti gabungan, sehingga pasnya pake SEM-PLS. Masalahnya lagi dalam hal persyaratan sampel yang lebih dari 200, bagaimana menurut Pak Arif, mohon diberikan pencerahan. Terima kasih,
    Wassalamu ‘alaikum warohmatullahi wabarokatuhu…

  6. Ismail Djakaria says:

    Maksudnya, persyaratan sampel untuk SEM-PLS itu kurang dari 100, sedangkan sampel yang digunakan istri saya lebih dari 200

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s