no comments

Partial Least Square (PLS), Pengertian, Fungsi, Tujuan, Cara

Pengertian Partial Least Square (PLS), Fungsi, Tujuan, Cara dan Algoritma

Partial least square atau yang biasa disingkat PLS adalah jenis analisis statistik yang kegunaannya sama dengan SEM di dalam analisis covariance. Oleh karena sama dengan SEM maka kerangka dasar dalam PLS yang digunakan adalah berbasis regresi linear. Jadi apa yang ada dalam regresi linear, juga ada dalam PLS. Hanya saja diberi simbol, lambang atau istilah yang berbeza.

Pengertian Partial least square

Partial least square adalah suatu teknik statistik multivariat yang boleh  digunakan untuk menangani banyak variabel respon serta variabel eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik untuk metod analisis regresi berganda dan regresi komponen utama, kerana metod ini bersifat lebih robust atau kebal. Robust ertinya parameter model tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi dan Kowalski, 1986).

Partial Least Square suatu teknik prediktif yang bisa menangani banyak variabel independent, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).

Menurut Wold, PLS adalah metod analisis yang powerfull sebab tidak didasarkan pada banyak asumsi atau syarat, seperti uji normalitas dan multikolinearitas. Metod tersebut mempunyai keunggulan tersendiri antara lain: data tidaklah harus berdistribusi normal multivariate. Bahkan indikator dengan skala data kategori, ordinal, interval sampai rasio dapat digunakan. Keunggulan lainnya adalah ukuran sampel yang tidak harus besar.

Penemu PLS

PLS pertama kali dikembangkan oleh Herman O. A. Wold dalam bidang ekonometrik pada tahun 1960-an. Kelebihan dari Partial Least Square yang penting adalah dapat menangani banyak variabel independent, bahkan meskipun terjadi multikolinieritas diantara variabel-variabel independent

Algoritma PLS

Untuk sub bahagian tentang algoritma ini. Misalnya X adalah matriks yang berukuran n x p dan Y adalah matriks berukuran n x q. Maka prosedur PLS akan mengekstraksi faktor dari X dan Y tersebut berturut-turut sedemikian hingga diantara faktor-faktor yang terekstrak memiliki kovarian yang maksimal. Metode PLS juga bisa bekerja dengan variabel respon berganda.

 

Vektor laten dapat dipilih dalam berbagai cara. Dalam persamaan di atas, maka setiap set vektor ortogonal pembentuk ruang kolum dari X bisa digunakan. Untuk menentukan T, maka diperlukan kondisi tambahan.

Untuk regresi PLS, iaitu mencari dua set yang di intonasikan dengan w dan c dalam rangka menciptakan suatu kombinasi linier pada kolum-kolum X dan Y sehingga kombinasi linier ini memiliki kovarian yang maksimum. Secara khusus, tujuannya adalah memperoleh pasangan vektor.

t = Xw dan u = Yc

Dengan konstrain wTw = 1, tTt = 1 dan tTu adalah maksimal. Ketika vektor laten pertama telah dihitung, maka vektor tersebut disubstraksi dari X mahupun Y dan prosedur diulang sampai dengan X menjadi matriks nol.

Tujuan Partial Least Square

Walaupun Partial Least Square digunakan untuk menkonfirmasi teori, tetapi terdapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten. Partial Least Square dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi unidentified model.PLS mempunyai dua model indikator dalam penggambarannya, yaitu: Model Indikator Refleksif dan Model Indikator Formatif.

Model Indikator Refleksif

Model Indikator Refleksif sering disebut juga sebagai prinsip faktor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Model reflektif mencerminkan bahwa setiap indikator merupakan pengukuran kesalahan yang dikenakan terhadap variabel laten. Arah sebab akibat ialah dari variabel laten ke indikator dengan demikian indikator-indikator merupakan refleksi variasi dari variabel laten (Henseler, Ringle & Sinkovicks, 2009). Dengan demikian perubahan pada variabel laten diharapkan akan menyebabkan perubahan pada semua indikatornya.

Fungsi Partial Least Square

  1. Partial Least Square adalah analisis yang fungsi utamanya untuk perancangan model, tetapi juga dapat digunakan untuk konfirmasi teori.
  2. PLS tidak perlu banyak syarat atau asumsi seperti SEM. Apa itu SEM nanti akan saya jelaskan lebih lanjut pada artikel lainnya.
  3. Fungsi Partial Least Square kalau dikelompokkan secara awam ada 2, iaitu inner model dan outer model. Outer model itu lebih kearah uji validitas dan reliabilitas. Sedangkan inner model itu lebih kearah regresi yaitu untuk menilai pengaruh satu variabel terhadap variabel lainnya.
  4. Kesepadanan model pada Partial Least Square tidak seperti SEM yang ada sepadan global, seperti RMSEA, AGFI, PGFI, PNFI, CMIN/DF, dll. Dalam PLS hanya ada 2 kriteria untuk menilai kesepadanan model, iaitu kecocokan model bagian luar yang disebut dengan outer model dan kecocokan bagian dalam yang disebut dengan inner model. Sehingga maksud poin 3 diatas adalah menjelaskan poin 4 ini. Untuk kesepadanan model bahagian luar ada 2 yaitu pengukuran reflektif dan pengukuran formatif, yang sudah dijelaskan diatas.
  5. Penilaian kesepadanan model bagian luar atau outer model antara lain: Reliabilitas dan validitas variabel laten reflektif dan validitas variabel laten formatif.
  6. Penilaian kesepadanan model bagian dalam antara lain: Penjelasan varian variabel laten endogenous, ukuran pengaruh yang dikontribusikan dan relevansi dalam prediksi.

Demikian diatas sedikit penghantar atau penjelasan dari analisis Partial Least Square.

Sumber: Statiskian

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL