Metode PLS-PM Partial Least Squares Path Modeling

Metode Partial Least Squares Path Modeling atau biasa disingkat PLS-PM ini merupakan salah satu metode analisis data statistik, yang dikembangkan oleh Sanchez di tahun 2009 lalu. Metode tersebut menggunakan pendekatan pengolah data PLS-SEM atau Structural Equation Modeling, yang bisa digunakan untuk mempelajari kompleksitas hubungan antar variabel. Dalam hal ini, adalah variabel terobservasi dengan variabel laten.

Metode PLS sendiri merupakan alternatif untuk regresi OLS, korelasi kanonik atau SEM berbasis ko-varian dari sistem variabel independen dan respon. Tidak jarang orang mengatakan bahwa PLS adalah SEM, meskipun sebetulnya berbeda.

Perlu Anda ketahui bahwa dari segi respon, PLS bisa menghubungkan himpunan variabel independen ke beberapa variabel dependen atau respons. Sementara dari sisi prediktor, Metode PLS ini bisa menangani lebih banyak variabel independen, bahkan ketika multikolinearitas ditampilkan.

Sehingga PLS bisa diimplementasikan sebagai model regresi, karena bisa memprediksi satu atau lebih tanggungan dari satu set atau lebih independen. Atau bisa juga diimplementasikan sebagai model jalur yang menangani jalur kausal. Dimana akan menghubungkan prediktor serta jalurnya dengan variabel respons.

Ada 3 tahapan proses dalam menggunakan Metode PLS-PM Partial Least Squares Path Modeling, yaitu:

1. Measurement Model Assessment
2. Structural Model Assessment
3. Bootstrapping

Pada tahapan yang pertama yaitu, Measurement Model Assessment, akan menguji tiga aspek yag terdapat pada outer model, yang meliputi, uji unidimensionality dari indikator tiap variabel. Kemudian Pengujian cross-loadings indikator dari tiap variabel dalam model. Dan pengujian keeratan hubungan dan reliability indikator dengan variabel nya melalui outer loading juga communality test.

Berikutnya di tahapan yang kedua, yaitu Structural Model Assessment. Metode akan menguji inner model untuk mendapatkan, persamaan regresi tiap variabel endogen, kemudian koefisien determinasi R2. Juga Redundancy atau kemampuan variabel independen mengukur variasi variabel endogen-nya, hingga (GOF) atau the Goodness-of-Fit dari model.

Yang ketiga yaitu Bootstrapping, yang merupakan pengujian signifikansi pengaruh variabel independen ke variabel endogen.

Untuk menerapkan metode PLS ini, maka variabel indikator dinormalisasi dan memiliki rata-rata 0 dengan standar deviasi 1. Dimana konsekuensinya adalah koefisien jalur pengukuran (model luar) dan struktural (model dalam) bervariasi dari 0 hingga plus atau minus 1, dengan jalur yang paling dekat dengan absolut 1 menjadi yang terkuat.

Berikutnya variabel indikator untuk membuat skor untuk komponen X dan Y harus melalui empat langkah dan menggunakan proses iteratif, secara berulang kali.  Yang pertama, skor variabel laten diberikan perkiraan awal berdasarkan skor indikator yang berbobot sama.

Kemudian bobot awal pada jalur struktural, menggunakan skema pembobotan jalur berdasarkan regresi, yang dimaksudkan untuk memaksimalkan R-kuadrat dari setiap variabel laten endogen. Di tahapan selanjutnya, bobot struktural (dalam) digunakan untuk menyesuaikan perkiraan skor variabel laten.

Terakhir, untuk bobot pengukuran (luar) yang menghubungkan variabel laten ke variabel indikatornya diperkirakan berbeda, tergantung pada jenis modelnya, apakah reflektif atau formatif.

Kesimpulannya, pada Metode PLS-PM Partial Least Squares Path Modeling, variabel laten merupakan komponen, sementara pada SEM, variabel laten merupakan faktor umum. Hingga bisa dikatakan bahwa Metode PLS-PM ini lebih umum.