Partial Least Square (PLS) (skripsi, tesis, disertasi)

Sebagai alternatif covariance based SEM, pendekatan covariance based
atau component based dengan PLS orientasi analisis bergeser dari menguji model
kausalitas atau teori ke covariance based predictive model. CBSEM lebih
berorientasi pada model building yang dimaksudkan untuk menjelaskan
covariance dari semua observed indikators, sedangkan tujuan PLS adalah prediksi.
Variabel laten didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS
ingin mendapatkan the best weight estimate untuk setiap blok indikator dari setiap
variabel laten. Hasil komponen skor untuk setiap variabel laten didasarkan pada
estimated indicator weight yang memaksimumkan variance explained untuk
variabel dependent atau laten, observe atau keduanya (Ghozali, 2014).
Partial least square (PLS) merupakan metode analisis yang powerfull oleh
karena tidak didasari banyak asumsi. Data tidak harus terdistribusi normal
multivariate (indikator dengan skala kategori, ordinal, interval, sampai ratio dapat
digunakan pada model yang sama), sampel tidak harus besar. Walapun PLS dapat
juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk
menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih
menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka
mispersifikasi model tidak begitu berpengaruh terhadap estimasi parameter.
Dibandingkan dengan CBSEM, component based SEM–PLS menghindari dua
masalah serius yaitu inadmisable solution dan factor indeterminacy (Ghozali,
2014).
PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator
refletif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam
CBSEM karena akan terjadi unidentified model. Oleh karena algoritma dalam PLS
menggunakan analisis series ordinary least square, maka identifikasi model
bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk
distribusi tertentu dari pengukuran variabel. Lebih jauh efesiensi perhitungan
algoritma mampu mengestimasi model yang besar dan komplek dengan ratusan
variabel laten dan ribuan indikator (Ghozali, 2014).
Secara ringkas dapat disimpulkan bahwa jika model struktur dan model
pengukuran yang dihipotesiskan benar dalam artian menjelaskan covariance
semua indikator dan kondisi data serta sample size terpenuhi, maka covariance
based SEM memberikan estimasi optimal dari parameter model. Ini ideal untuk
konfirmasi model dan estimasi kebenaran parameter populasi. Namun demikian
tergantung dari tujuan si peneliti dan pandangan epistemic dari data ke teori,
properti data yang ada, tingkat pengetahuan teoritis dan pengembangan
pengukuran, pendekatan PLS mungkin lebih cocok