PLS-SEM
Model struktural: outer loading, AVE, path coefficient, R2, bootstrapping, dan diagram jalur.
Untuk apa dipakai
- Menguji model dengan banyak variabel laten
- Menguji pengaruh variabel X terhadap Y
Data yang dibutuhkan
Minimal 4 kolom angka butir kuesioner untuk minimal 2 konstruk.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Model pengukuran dan pengaruh antarkonstruk, cocok untuk prediksi dan sampel menengah.
- Model pengukuran
- Muatan indikator ≥ 0,70, AVE ≥ 0,50, CR dan alpha ≥ 0,70.
- Validitas diskriminan (HTMT)
- Di bawah sekitar 0,85–0,90 berarti konstruk cukup berbeda satu sama lain.
- Koefisien jalur dan p (bootstrap)
- Kekuatan dan kebermaknaan pengaruh antarkonstruk.
- R kuadrat
- Daya jelas model; sekitar 0,25 lemah, 0,50 sedang, 0,75 kuat (kelaziman umum).
Perlu diwaspadai
- Periksa model pengukuran dulu; model struktural baru bermakna bila pengukurannya baik.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Sistem memeriksa struktur model (minimal 2 konstruk, tiap konstruk punya indikator, mode reflektif A atau formatif B, jalur antar konstruk membentuk model satu arah tanpa siklus) dan data (hanya responden berjawaban lengkap pada semua indikator, tiap indikator harus bervariasi).
Setiap indikator diubah menjadi skor baku (rata-rata 0, varians 1) sebelum dihitung lebih lanjut.
z_ik = (x_ik − x̄_k) / s_k
Skor konstruk sementara dihitung dari indikatornya, lalu pendekatan dalam (inner approximation) dihitung sesuai skema pembobotan, lalu bobot luar diperbarui (korelasi untuk Mode A, regresi OLS untuk Mode B), lalu skor dihitung ulang. Diulang sampai perubahan bobot di bawah ambang batas (konvergen) atau mencapai iterasi maksimum.
y_ij = Σ_k w_jk · z_ik (skor konstruk)
w_jk = (1/(n−1)) Σ_i z_ik · u_ij (bobot Mode A, reflektif)
w_j = (Z_jᵀZ_j)⁻¹ Z_jᵀ u_j (bobot Mode B, formatif)
maks_k |w_k(t) − w_k(t−1)| < 10⁻⁸ (syarat berhenti)
Dihitung muatan luar, bobot luar, reliabilitas indikator, serta — khusus konstruk reflektif ber-indikator ≥2 — reliabilitas konstruk dan validitas konvergen.
λ_jk = corr(z_k, Y_j) (muatan luar)
α_j = k·r̄ / (1+(k−1)·r̄) (Cronbach's alpha)
ρ_c,j = (Σλ_jk)² / [(Σλ_jk)² + Σ(1−λ_jk²)] (rho_C)
AVE_j = (1/k) Σ λ_jk²
Dihitung tiga cara sekaligus: kriteria Fornell-Larcker, HTMT, dan cross-loading.
√AVE_j > |r_jk| untuk semua k ≠ j (Fornell-Larcker, 1981)
HTMT_jk = rerata|r antar blok j,k| / √(rerata|r dalam blok j| · rerata|r dalam blok k|) (Henseler dkk., 2015)
Koefisien jalur dihitung lewat regresi OLS skor konstruk tujuan terhadap skor konstruk prediktornya. Dari situ dihitung R², R² terkoreksi, f², VIF dalam, serta pengaruh langsung, tidak langsung, dan total.
β_j = (Y_predᵀY_pred)⁻¹ Y_predᵀ Y_j
R²_j = 1 − SSE_j/SST_j
f²_i = (R²_termasuk − R²_tanpa_i) / (1 − R²_termasuk)
T = (I−B)⁻¹ − I, Tidak langsung = T − B
Data diacak-ulang dengan pengembalian sebanyak 500/1.000/5.000 kali (benih acak tetap); tahap 2-6 dihitung ulang tiap kali untuk mendapatkan galat baku, nilai t, nilai p, dan selang kepercayaan 95%.
SE = std(θ̂*₁, …, θ̂*_B), t = θ̂ / SE
Selang 95% = persentil ke-2,5% dan ke-97,5% distribusi bootstrap
Dihitung selisih akar rata-rata kuadrat antara korelasi indikator yang teramati dan yang diimplikasikan model, untuk model jenuh dan model terestimasi.
SRMR = √( Σ(r_teramati − r_implikasi)² / m )
Dihitung hanya bila pengguna mengaktifkannya di form, masih bagian dari metode PLS-SEM yang sama. Analisis multigrup (MGA dan MICOM) adalah metode terpisah dengan Bantuan tersendiri, tidak termasuk tahap-tahap di atas.
Q²predict = 1 − SSE/SSO (PLSpredict, Shmueli dkk. 2019)
Tidak langsung = produk koefisien jalur sepanjang rute, VAF = Tidak langsung / Total (mediasi, Zhao dkk. 2010)
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| Muatan luar (outer loading) | ≥ 0,708 | Hair dkk. (2022) |
| Cronbach's alpha, rho_A, rho_C | ≥ 0,70 | Hair dkk. (2022) |
| AVE (validitas konvergen) | ≥ 0,50 | Hair dkk. (2022) |
| HTMT (validitas diskriminan) | < 0,85 (konservatif) atau < 0,90 (konstruk mirip) | Henseler dkk. (2015) |
| VIF dalam (kolinearitas) | < 5 aman, 3–5 perlu diperiksa | Hair dkk. (2021) |
| R² | 0,75 substansial · 0,50 moderat · 0,25 lemah | Hair dkk. (2011) |
| f² (ukuran efek) | 0,35 besar · 0,15 sedang · 0,02 kecil | Cohen (1988) |
| SRMR (kecocokan model) | < 0,08 baik · 0,08–0,10 dapat diterima | Hu & Bentler (1999) |
- Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares. Physica-Verlag.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Springer.
- 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.
- Dijkstra, T. K., & Henseler, J. (2015). Consistent and asymptotically normal PLS estimators for linear structural equations. Computational Statistics & Data Analysis, 81, 10–23.
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
- Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182–209.
- Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1–55.
- Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall.
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347.
- Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206.
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.
- Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82–109.
Mengikuti Lohmöller (1989) dan Hair dkk. (2022).
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Cuplikan persiapan sidang
Contoh pertanyaan yang lazim diajukan penguji untuk metode ini.
Mengapa memakai PLS-SEM, bukan CB-SEM?
PLS-SEM cocok untuk tujuan prediksi dan pengembangan teori, model yang kompleks, sampel relatif kecil, serta data yang tidak terlalu normal. CB-SEM lebih tepat untuk menguji kecocokan teori secara menyeluruh.
Bagaimana menilai model pengukuran?
Muatan indikator (umumnya ≥ 0,70), reliabilitas (alpha dan CR ≥ 0,70), validitas konvergen (AVE ≥ 0,50), dan validitas diskriminan (HTMT di bawah sekitar 0,85–0,90 atau Fornell-Larcker).
Daftar lengkap tersedia di halaman hasil untuk proyek berjenjang S1, S2, atau S3.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.