no comments

LANGKAH-LANGKAH ANALISIS PLS SERTA APA KELEBIHAN DAN KEBOLEHANNYA?

Sama seperti program yang lepas, Program Postgraduate Camp Siri ke 5.0 yang akan berlangsung pada 2 dan 3 Jun 2018 ini juga menjemput 8 orang penceramah yang berpengalaman dan berpengetahuan luas dalam slot tersendiri. Salah seorang penceramah jemputan yang akan bersama pada 2 Jun 2018 ini adalah Dr. Zool Hilmi Ashari. Dr Zool Hilmi adalah seorang penceramah bagi slot Basic PLS-SEM using SmartPLS 3.0 yang mana penceramah akan menjelaskan cara-cara bagaimana untuk menggunakan asas PLS-SEM kepada peserta. Penceramah juga akan menerangkan satu persatu apa yang perlu dilakukan dan apa yang tidak boleh dilakukan apabila menggunakan SmartPLS.

Secara umumnya, SmartPLS adalah salah satu pilihan atau satu kemudahan yang boleh digunakan oleh pelajar di peringkat pengajian tinggi sama ada IPTA mahupun IPTS dalam menyempurnakan tugasan Master atau PhD.

SmartPLS digunakan secara meluas untuk menganalisis SEM berasaskan komponen. Ia adalah satu teknik alternatif variasi berasaskan SEM seperti AMOS dan LISREL. Perisian ini dibangunkan oleh Institut Jerman Hamburg dan boleh dimuat turun secara percuma (tetapi mesti mendaftar dahulu). SmartPLS juga adalah aplikasi perisian untuk pemodelan (grafik) dengan pemboleh ubah laten (LVP). The partial least squares (PLS) -method (PLS) yang digunakan untuk analisis perisian dalam LVP.

SmartPLS menggunakan bahasa JAVA, jadi sebelum menggunakan SmartPLS, idea yang baik untuk memasang Java Runtime Environment (JRE) yang juga boleh dimuat turun secara percuma di laman Sun Microsystem website.

PLS dapat digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner mode dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan konstrak lain, sedangkan outer model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya. PLS dapat bekerja untuk model hubungan konstrak dan indikator-indikatornya yang bersifat reflektif dan formatif, sedangkan SEM hanya bekerja pada model hubungan yang bersifat reflektif saja. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus besar (Gahazali,2006)

LANGKAH – LANGKAH ANALISIS PLS

Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai berikut (Ghazali,2006):

1. Merancang Model Struktural (Inner Model)

Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian.

2. Merancang Model Pengukuran (Outer Model)

Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional variabel.

3. Konversi Diagram Jalur ke Sistem Persamaan

a) Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut : Ŋ = β0 + βŋ + Гξ + ζ Ŋj = Σi βji ŋi + Σi үjb ξb + ζj

b) Model persamaan dasar Outer Model dapat ditulis sebagai berikut: X = Λx ξ + εx Y = Λy ŋ + εy

 

4. Estimasi: Weight, Koefisien Jalur, dan Loading Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu:

a) Weight estimate yang digunakan untuk menghitung data variabel laten.

b) Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.

c) Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.

 

5. Evaluasi Goodness of Fit Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Q2 = 1 – ( 1 – R12 ) ( 1 – R22 ) … (1 – Rp2)

Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).

6. Pengujian Hipotesis (Resampling Bootstraping) . Pengujian Hipotesis (β, ү, dan λ) dilakukan dengan metode resampling Bootstrap yang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free) tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value <>

 

Selain daripada itu, SmartPLS juga mempunyai kelebihannya yang tersendiri. Antara nya ialah :

  • Mudah untuk mengawal dan menganalisis
  • Memperkenalkan Smart PLS sebagai salah satu aplikasi yang boleh digunakan untuk menjana hasil penyelidikan
  • Menghasilkan model berkotak dan menarik.
  • Mempunyai kesusasteraan dan rangkaian kumpulan sokongan di seluruh dunia.

Seperti alternatif yang lain, SmartPLS juga mempunyai kebolehan dan keupayaan yang tersendiri.

  • Analisis statistik inferens digunakan untuk menguji hipotesis kajian berdasarkan analisis multivariate Model Pemodelan Persamaan Struktur (SEM) menggunakan SmartPLS atau lebih dikenali sebagai PLS-SEM
  • PLS-SEM adalah teknik analisis statistik yang kompleks yang bertujuan untuk memaksimumkan penjelasan varian dalam pembolehubah bergantung (Hair, Ringle & Sarstedt, 2011)
  • PLS-SEM juga mempunyai keupayaan untuk melaksanakan analisis grafik laluan untuk menunjukkan kesan langsung dari pembolehubah terdahulu dan kesan tidak langsung kesan pemboleh ubah pertengahan. Penilaian PLS-SEM menunjukkan pengukuran model pengukuran dan model struktur berkenaan dengan kestabilan parameter.

SmartPLS adalah alternatif yang boleh digunakan dan memberikan banyak kelebihan kepada pelajar. Bukan sahaja boleh digunakan oleh pelajar Master dan PhD, malah boleh digunakan untuk kajian perintis. Selain daripada itu, SmartPLS juga membantu menghasilkan seminar dan artikel jurnal yang hebat bagi sesiapa yang menggunakannya.

Oleh itu, butir-butir program adalah seperti berikut :

Course Title : Ramadan Postgraduate Camp 5.0
Date
»
02 & 03 June 2018 (Sabtu & Ahad)
Time
»
8.00 a.m. – 4.30 p.m
Venue
»
MPWS Training Centre, 63-1, Jalan Kajang Impian 1/11,
Taman Kajang Impian, Seksyen 7, 43650 Bandar Baru Bangi, Selangor # map
Speaker
»
Dr.Othman Talib
Dr. Nor Azwadi Che Sidik
Mejar (B) Mohd Zin Mokhtar
Dr. Nor Aida Abd Rahman
Dr Jalina Karim
Dr. Zool Hilmi Ashari
Ady Hameme (Certified Professional ATLAS.ti Trainer)
Shuhairy Norhisham
Registration Fee
»
1 PAX – RM120 
3 PAX – RM330
5 PAX – RM450
Medium
»
Bahasa Melayu
Website
»
http://postgraduateworkshop.com/pgcamp

CREDIT : 

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL