Category: Metode Analisa Data

Teknik analisis data dengan metode ARIMA dilakukan karena merupakan teknik untuk mencari pola yang paling cocok dari sekelompok data (curve fitting), dengan demikian ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan jangka pendek yang akurat (Sugiarto dan Harijono, 2000). ARIMA seringkali ditulis sebagai ARIMA (p,d,q) yang memiliki arti bahwa p adalah orde koefisien autokorelasi, d adalah orde / jumlah diferensiasi yang dilakukan (hanya digunakan apabila data bersifat non-stasioner) (Sugiharto dan Harijono, 2000) dan q adalah orde dalam koefisien rata-rata bergerak(moving average).

Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut: a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual). b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif.

Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya suatu pola dalam data. Untuk mengenali adanya faktor musiman, seseorang harus melihat pada autokorelasi yang tinggi. Untuk menangani musiman, notasi umum yang singkat adalah: ARIMA (p,d,q) (P,D,Q) S Dimana (p,d,q) = bagian yang tidak musiman dari model (P,D,Q) = bagian musiman dari model S = jumlah periode per musim

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data Tahap 1 : Identifikasi Tahap 2 : Penaksiran dan Pengujian Tahap 3 : Penerapan Rumuskan kelompok modelmodel yang umum Penetapan model untuk sementara Penaksiran parameter pada model sementara Pemeriksaan diagnosa (apakah model memadai) Gunakan model untuk peramalan tidak ya berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu. Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan transformasi logaritma

Prinsip Dasar ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent)

2.6.1 Rata-rata kesalahan (average/mean error)
Kesalahan atau error menunjukkan besar selisih antara nilai aktual
dengan nilai yang diramalkan, et = Xt – Ft . Maka nilai kesalhan dapat
bernilai positif ataupun negatif. Bernilai negatif apabila nilai prakiraan
melebihi dari nilai aktual dan bernilai positif apabila nilai prakiraan
lebih kecil dari yang aktual.
Namun mean error sulit untuk menentukan kesalahan error secara
keseluruhan, karena penjumlahan nilai positif dan negatif akan saling
melemahkan dan dapat menambah kesalahan.
2.6.2 Mean Absolute Deviation (MAD)
Berbeda dengan mean error, pada mean absolute deviation nilai
kesalahan dari prakiraan dengan aktual diubah kedalam nilai mutlak
positif. Hal ini bertujuan untuk mengantisipasi adanya nilai positif dan
negatif yang akan saling melemahkan atau menambah perhitungan
kesalahan pada penjumlahan dengan begitu akan didapat berapa besar
nilai penyimpangan dari hasil prakiraan.
2.6.3 Mean Percentage Error (MPE) dan Mean Absolute Percentage Error
(MAPE) MPE adalah rata-rata dari presentase kesalahan (selisih nilai
aktual dan prakiraan).
Sedangkan MAPE juga merupakan nilai rata-rata kesalahan, namun
memberikan nilai absolute pada selisih nilai aktual dengan nilai hasil
prakiraan. MAPE merupakan nilai indikator yang biasa digunakan
untuk menunjukkan performance atau keakuratan pada hasil proses
prakiraan.

Pemodelan ARIMA merupakan metode yang fleksibel untuk
berbagai macam data deret waktu, termasuk untuk menghadapi
fluktuasi data musiman. Secara umum, model seasonal ARIMA
dituliskan dengan notasi ARIMA (p,d,q)(P,D,Q) s
, yaitu dengan (p,d,q) bagian tidak musiman dari model, (P,D,Q) bagian musiman
dari model dan s merupakan jumlah periode per musim.
Penerapan metode ARIMA adalah dengan menggunakan
pendekatan metode Box-Jenkins, yaitu tahapan-tahapan yang
diperlukan dalam menentukan parameter ARIMA serta pengujiannya
sebelum akhirnya digunakan sebagai model prakiraan selama
beberapa waktu ke depan. Tahapan dalam pnegolahan diuraikan sebagai berikut:

1. Tahap Identifikasi
   Tahap identifikasi merupakan suatu tahapan yang digunakan
   untuk mencari atau menentukan nilai p,d dan q dengan bantuan
   autocorrelation function (ACF) atau fungsi autokorelasi dan partial
   autocorrelation function (PACF) atau fungsi autokorelai parsial.
   2. Tahap Estimasi
   Tahap berikutnya setelah p dan q ditentukan adalah dengan
   mengestimasi parameter AR dan MA yang ada pada model. Estimasi ini
   bisa menggunakan teknik kuadrat terkecil sederhana maupun dengan
   metode estimasi tidak linier. Pada tahap estimasi ini, teknik perhitungan
   secara matematis relatif kompleks, sehingga pada umumnya para peneliti
   menggunakan bantuan software yang menyediakan fasilitas
   perhitungannya seperti Minitab, SPSS dan EViews .
   3. Tahap Tes Diagnostik
   Model yang telah melewati uji signifikasi parameter dalam tahapn
   estimasi, kemudian akan dilakukan uji diagnostik untuk meyakinkan
   apakah spesifikasi modelnya telah benar. Jika residualnya ternyata white
   noise , maka modelnya sudah baik. Bila residualnya tidak white noise
   maka modelnya dapat dikatakan tidak tepat dan perlu dicari spesifikasi
   yang lebih baik. Untuk melakukan uji diagnostik, tahapannya adalah:
   a. Estimasi model ARIMA (p,d,q)
   b. Hitung residual dari model tersebut
   c. Hitung ACF dan PACF dari residual
   d. Uji apakah ACF dan PACF signifikan. Bila ACF dan PACF tidak
   signifikan, ini merupakan indikasi bahwa residual merupakam white
   noise yang artinya model telah cocok.
   4. Tahap Prakiraan
   Tahap prakiraan ini dilakukan setelah modelnya lolos tes
   diagnostik. Prakiraan ini sesungguhnya merupakan penjabaran dari
   persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita
   dapat menentukan kondisi di masa yang akan datang.

ARIMA sering juga disebut metode runtun waktu Box-Jenkins.
ARIMA sangat baik ketepatannya untuk prakiraan jangka pendek,
sedangkan untuk prakiraan jangka panjang ketepatan prakiraannya
kurang baik. Biasanya akan cenderung mendatar/konstan untuk
periode yang cukup panjang. ARIMA dapat diartikan sebagai
gabungan dari dua model, yaitu model autoregressive (AR) yang di
integrasikan dengan model Moving Average (MA). Model ARIMA
umumnya dituliskan dengan notasi ARIMA (p,d,q). P adalah derajat
proses AR, d adalah orde pembedaan dan q adalah derajat proses
MA (Nachrowi, 2006).
Model ARIMA adalah model yang secara penuh mengabaikan
independen variabel dalam membuat prakiraan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen
untuk menghasilkan prakiraan jangka pendek yang akurat. ARIMA
cocok jika observasi deret waktu (time series) secara statistik
berhubungan satu sama lain (dependent).

Identifikasi model untuk pemodelan data deret waktu memerlukan
perhitungan perhitungan dan penggambaran dari hasil fungsi autokorelasi
(ACF) dan fungsi autokorelasi parsial (PACF). Hasil perhitungan ini
diperlukan untuk menentukan model ARIMA yang sesuai, apakah ARIMA
(p,0,0) atau AR (p), ARIMA (0,0,q) atau MA (q), ARIMA (p,0,q) atau
ARMA (p,q), ARIMA (p,d,q). Sedangkan untuk menentukan ada atau
tidaknya nilai d dari suatu model, ditentukan oleh data itu sendiri. Jika
bentuk datanya stasioner, d bernilai 0, sedangkan jika bentuk datanya tidak
stasioner, nilai d tidak sama dengan 0 (d > 0).
Korelasi merupakan hubungan antara satu variabel dengan variabel
lainnya. Nilai korelasi dinyatakan oleh koefisien yang nilainya bervariasi
antara +1 hingga -1. Nilai koefisien tersebut menyatakan apa yang akan
terjadi pada suatu variabel jika terjadi perubahan pada variabel lainnya.
Nilai koefisien yang bernilai positif menunjukkan hubungan antar variabel
yang bersifat positif, yakni jika satu variabel meningkat nilainya, variabel
lainnya juga akan meningkat nilainya. Sedangkan nilai koefisien yang
bernilai negatif menunjukkan hubungan antar variabel yang bersifat
negatif, yakni jika satu variabel meningkat nilainya, variabel lainnya akan
menurun nilainya, dan sebaliknya. Bila suatu koefisien bernilai nol, berarti
antar variabel-variabel tersebut tidak memiliki hubungan, yakni jika terjadi
peningkatan/penurunan terhadap suatu variabel, variabel lainnya tidak
akan terpengaruh oleh perubahan nilai tersebut.
Koefisien autokorelasi memiliki makna yang hampir sama dengan
koefisien korelasi, yakni hubungan antara dua/lebih variabel. Pada
korelasi, hubungan tersebut merupakan dua variabel yang berbeda pada
waktu yang sama, sedangkan pada autokorelasi, hubungan tersebut
merupakan dua variabel yang sama dalam rentang waktu yang berbeda.
Autokorelasi dapat dihitung menggunakan fungsi autokorelasi (Auto
Correlation Function). Fungsi autokorelasi digunakan untuk melihat
apakah ada Moving Average (MA) dari suatu deret waktu, yang dalam
persamaan ARIMA direpresentasikan oleh besaran q. Besar nilai q
dinyatakan sebagai banyaknya nilai ACF sejak lag 1 hingga lag ke-k
secara berurut yang terletak di luar kepercayaan Z. Jika terdapat sifat MA,
q pada umumnya bernilai 1 atau 2, sangat jarang ditemui suatu model
dengan nilai q lebih dari 2.
Nilai d, sebagai derajat pembeda (differencing) untuk menentukan
stasioner atau tidaknya suatu deret waktu, juga ditentukan dari nilai ACF.
Bila ada nilai-nilai ACF setelah time lag ke-k untuk menentukan nilai q
berada di luar selang kepercayaan Z, maka deret tersebut tidak stasioner,
sehingga nilai d tidak sama dengan nol (d > 0), biasanya antara 1 dan 2,
sedangkan bila nilai-nilai ACF tersebut berada dalam selang kepercayaan
Z, maka deret tersebut dapat dibilang stasioner, sehingga nilai d sama
dengan 0 (d = 0).
Autokorelasi parsial digunakan untuk mengukur derajat asosiasi antara
Yt dan Yt-k ketika efek dari rentang/jangka waktu (time lag) dihilangkan.
Seperti ACF, nilai PACF juga berkisar antara +1 dan -1. PACF pada
umumnya digunakan untuk mengidentifikasi ada atau tidaknya sifat AR
(autoregressive), yang dinotasikan dengan besaran p. Jika terdapat sifat
AR, pada umumnya nilai PACF bernilai 1 atau 2, jarang ditemukan sifat
AR dengan nilai p lebih besar dari 2. Untuk menentukan besar nilai p yang
menyatakan derajat AR, diperlukan perbandingan nilai PACF pada selang
kepercayaan Z. Nilai p dinyatakan dengan banyaknya nilai PACF sejak lag
1 hingga lag ke-k yang terletak di luar selang kepercayaan secara berturutturut.

Model lain dari model ARIMA adalah moving average yang
dinotasikan dalam MA (q) atau ARIMA (0,0,q) yang ditulis dalam
persamaan berikut :
Ž t = at – θ1 at-1 – θ2 at-2 – – … – θq at-q
Sumber: Box-Jenkins, 2008
Keterangan:
θq = parameter Moving Average
et = White noise / error atau unit residual
e t-1 – e t-2 – e t-3 – … – e t-q = selisih nilai aktual dengan nilai prakiraan
Persamaan diatas menunjukkan bahwa nilai Žt tergantung nilai
error sebelumnya dari pada nilai variabel itu sendiri. Untuk melakukan
pendekatan antara proses autoregressive dan moving average diperlukan
pengukuran autokorelasi antara nilai berturut-turut dari Žt sedangkan model
moving average mengukur autokorelasi antara nilai error atau residual.
Contoh untuk model moving average apabila nilai q= 2, θ 1 = 0.5 dan θ 2 =
-0.25, model prakiraan q = 2 atau MA untuk Žt adalah Žt = 0.5e t-1 – 0.25 at-2
dimana at adalah nilai acak yang tidak dapat diprediksi oleh model.

Model autoregressive dengan ordo AR (p) atau model ARIMA (p,0,0)
dinyatakan sebagai berikut :
Ž t = Ø1 Ž t-1 + Ø2 Ž t-2 + … + Øp Ž t-p +at
Keterangan:
Øp = parameter autoregressive ke-p
at = White Noise nilai kesalahan pada saat t
Ž t-p = independen variabel
Sumber: Box-Jenkins, 2008
Variabel independen merupakan deretan nilai dari variabel yang sejenis
dalam beberapa periode t terakhir. Sedangkan at adalah eror atau unit
residual yang menggambarkan gangguan acak yang tidak dapat dijelaskan
oleh model. Perhitungan autoregressive dapat dilakukan dalam proses
sebagai berikut:
1. Menentukan model yang sesuai dengan deret waktu.
2. Menentukan nilai orde p (menentukan panjangnya persamaan yang
terbentuk)
3. Mengestimasikan nilai koefiensi autoregressive Ø1, Ø2, Ø3, ….. , Øk
Setelah mendapatkan model yang sesuai, maka model dapat
digunakan untuk memprediksi nilai ramal di masa mendatang. Sebagai
contoh bila didapatkan nilai p= 2 dan Ø1 = 0.6, Ø2 = 0.35, Ø3 = -0.26,
maka model autorgressive adalah sebagai berikut.
Ž t = 0.6 X t-1 + 0.35X t-2 – 0.26X t-3 + at
Model tersebut digunakan sebagai persamaan matematis untuk
menentukan nilai Ž t prediksi yang akan datang

Ada beberapa istilah yang sering ditemui dalam analisis deret waktu atau
time series analysis :
1. Stasioneritas, berarti tidak ada kenaikan atau penurunan data, yang
merupakan asumsi yang sangat penting dalam suatu analisa deret
waktu. Bila tidak terdapat perubahan pada tren deret waktu maka dapat
disebut stasioner. Maksudnya, rata-rata deret pengamatan di sepanjang
waktu selalu konstan. Apabila suatu data tidak stasioner maka
diperlukan differensiasi pada data tersebut. Yang dimaksud
Differensiasi disini adalah menghitung perubahan atau selisih nilai data
yang diobservasi. Bila data masih belum stasioner maka perlu
didifferensiasi lagi hingga stasioner.
2. Autocerrelation Function (ACF), merupakan korelasi antar deret
pengamatan suatu deret waktuyang disusun dalam plot setiap lag.
3. Partial Autocerrelation Function (PACF), merupakan korelasi antar
deret pengamantan dalam lag-lag pengamatan yang mengukur keeratan
antar pengamatan suatu deret waktu.
4. Cross corelation, untuk mengukur korelasi antart deret waktu, tetapi
korelasi yang diukur adalah korelasi dari dua deret waktu.
5. Proses white noise, merupakan proses stasioner suatu data deret waktu
yang didefinisikan sebagai deret variabel acak yang independen, tidak
berkorelasi, identik, dan terdistribusi.
6. Analisis trend, analisis ini digunakan untuk menaksir model trend
suatu data deret waktu. Ada beberapa model analisis tren, antara lain
model linier, kuadratik, eksponensial, pertumbuhan atau penurunan,
dan model kurva S. Analisis tren digunakan apabila deret waktu tidak
ada komponen musiman.

Model time series adalah pendugaan masa depan dilakukan berdasarkan
nilai masa lalu dari suatu variable atau kesalahan masa lalu. Tujuan model
time series seperti itu adalah menemukan pola dalam deret data historis dan
mengekstrapolasikan pola tersebut ke masa depan. (Makridakis, 1995)
Ketika sebuah deret waktu digambarkan atau diplot, akan terlihat suatu
pola-pola tertentu. Pola-pola tersebut dapat dijelaskan oleh banyaknya
kemungkinan hubungan sebab-akibat. Beberapa pola dari data deret waktu
adalah sebagai berikut:
1. Pola acak (random) atau pola horizontal, dihasilkan oleh banyak
pengaruh independen yang menghasilkan pola non-sistematik dan tidak
berulang dari beberapa nilai rataan. Pola acak terjadi karena data yang
diambil tidak dipengaruhi oleh faktor-faktor khusus sehingga pola
menjadi tidak menentu dan tidak dapat diperkirakan secara biasa.
2. Pola tren (trend), peningkatan atau penurunan secara umum dari deret
waktu yang terjadi selama beberapa periode tertentu. Trend disebabkan
oleh perubahan jangka panjang yang terjadi disekitar faktor-faktor yang
mempengaruhi data deret waktu. Pola perkembangan data ini membentuk
karakteristik yang mendekati garis linier. Gradien yang naik atau turun
menunjukkan peningkatan atau pengurangan nilai data sesuai dengan
waktu.
3. Pola musiman (seasonal), dihasilkan oleh kejadian yang terjadi secara
musiman atau periodik (contoh: iklim, liburan, kebiasaan manusia).
Suatu periode musim dapat terjadi tahunan, bulanan, harian dan untuk
beberapa aktivitas bahkan setiap jam. Pola ini terbentuk karena adanya
pola kebiasaan dari data dalam suatu periode kecil sehingga grafik yang
dihasilkan akan serupa jangka waktu tertentu berulang-ulang.
4. Pola siklis, biasanya dihasilkan oleh pengaruh ekspansi ekonomi dan
bisnis dan kontraksi (resesi dan depresi). Pengaruh siklis ini sulit
diprakirakan karena pengaruhnya berulang tetapi tidak periodik. Pola ini
masih terus dikembangkan dan diteliti lebih lanjut pemodelannya
sehingga dapat diperoleh hasil yang tepat.
5. Pola autokorelasi, nilai dari sebuah deret pada satu periode waktu
berhubungan dengan nilai itu sendiri dari periode sebelumnya. Dengan
autokorelasi, ada suatu korelasi otomatis antar pengamatan dalam sebuah
deret. Autokorelasi merupakan hasil dari pengaruh luar dalam skala besar
dan pengaruh sistematik lainnya seperti trend dan musiman.

Data merupakan hasil pencatatan peneliti, baik berupa fakta ataupun angka
(S. Arikunto, 2006). Ada beberapa jenis pembagian data menurut J. Supranto,
diantaranya:
1. Menurut Sifatnya
a. Data kualitatif, ialah data yang tidak berbentuk angka. Misalnya penjualan
merosot, produksi meningkat (tanpa menunjukkan angkanya), para
karyawan suatu perusahaan resah, pasaran tekstil sepi, dia orang kaya,
harga daging mahal, rakyat suatu negara makmur, keamanan mantap,
tertib, harga stabil, dan lain sebagainya.
b. Data kuantitatif, ialah data yang berbentuk angka. Misalnya produksi beras
30 juta ton, produksi minyak naik 10%, karyawan yang resah hanya 5%,
kekayaan orang tersebut bernilai Rp 850.000.000,00 , harga daging per kg
Rp 2000, pendapatan per kapita penduduk suatu negara US $6000 per
tahun, penjualan mencapai 500 juta, dan sebagainya.
2. Menurut sumber data
a. Data internal, ialah data yang menggambarkan keadaan dalam suatu
organisasi (misalnya : suatu perusahaan, departemen, negara). Data
internal suatu perusahaan meliputi data tenaga kerja, data keuangan, data
peralatan/mesin, data kebutuhan bahan mentah, data produksi, data hasil
penjualan ; suatu departemen antara lain meliputi : data kepegawaian data
peralatan, data keuangan dan lain sebagainya; suatu negara meliputi data
penduduk, data pendapatan nasional, data keuangan negara, data
konsumsi, data eksport dan import, data investasi dan lain sebagainya.
Pada dasarnya data internal meliputi data input dan output suatu
organisasi, sebab suatu organisasi yang dibentuk pasti bertujuan untuk
menghasilkan produksi dan jasa (output). Pimpinan atau kepala suatu
organisasi harus mengelola input secara efisien dan efektif untuk
mencapai output yang optimum.
b. Data eksternal, ialah data yang menggambarkan keadaan di luar suatu
organisasi. Kehidupan suatu perusahaan misalnya dipengaruhi oleh faktorfaktor yang berasal baik dari dalam maupun dari luar perusahaan tersebut.
Data menggambarkan faktor-faktor yang mungkin mempengaruhi
kehidupan perusahaan antara lain daya beli masyarakat, selera masyarakat,
konsumsi listrik masyarakat, saingan dari barang sejenis baik dari impor
maupun produksi domestik, perkembangan harga, dan keadaan
perekonomian pada umumnya. Juga kehidupan suatu negara dipengaruhi
oleh kejadian-kejadian yang terjadi di luar negara tersebut seperti krisis
moneter, krisis energi, perang teluk, dan sebagainya.
3. Menurut cara memperolehnya
a. Data primer, ialah data yang dikumpulkan langsung dari obyeknya dan
diolah sendiri oleh suatu organisasi atau perorangan. Misalnya data
konsumsi listrik oleh PLN, suatu perusahaan mendatangi para ibu rumah
tangga menanyakan tentang banyaknya permintaan sabun, tapal gigi, dan
lain sebagainya. Departemen perdagangan mengumpulkan harga langsung
dari pasar, biro pusat statistik mengumpulkan data industri langsung
mendatangi perusahaan kemudian mengolahnya.
b. Data sekunder, ialah data yang diperoleh oleh suatu organisasi atau
perusahaan dalam bentuk yang sudah jadi berupa publikasi. Suatu
departemen atau perusahaan memperoleh data penduduk, pendapatan
nasional, indeks harga konsumen dari biro pusat statistik dan data
perbangkan dari Bank Indonesia.
4. Menurut waktu pengumpulannya
a. Data cross section, ialah data yang dikumpulkan pada suatu waktu
tertentu untuk menggambarkan keadaan pada waktu tersebut. Misalnya
pendapatan nasionl tahun 1991 menggambarkan keadaan pendapatan
tingkat nasional pada tahun 1991, produksi dan penjualan suatu
perusahaan tahun 1992 menggambarkan keadaan produksi dan penjualan
tahun 1992, data beban listrik area Semarang 2014 yang menyatakan
konsumsi listrik secara total di daerah Semarang pada tahun 2014 dan
lain sebagainya.
b. Data berkala (time series), ialah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan/pertumbuhan. Data
produksi semen Cibinong dari tahun 1974 s/d 1992 , data pemakaian
listrik dari tahun 2010 s/d 2014 menggambarkan perkembangan tingkat
konsumsi listrik selama 4 tahun.

Hadad et.al (2003) dalam P. Prapanca (2012) menyebutkan bahwa
konsep-konsep yang digunakan dalam mendefinisikan hubuungan input
dan output dalam tingkah laku institusi keuangan pada metode
parametrik dan non-parametrik adalah (i) pendekatan produksi (the
production approach), (ii) pendekatan intermediasi (the intermediation
approach) dan (iii) pendekatan aset (the assets approach).
Pendekatan produksi (the production approach) melihat institusi
keuangan sebagai produser dari akun deposit dan kredit pinjaman,
mendefinisikan output sebagai jumlah dari akun-akun tersebut atau dari
transaksi-transaksi yang terkait. Pendekatan intermediasi (the
intermediation approach) memandang sebuah institusi keuangan sebagai
intermediator, yaitu merubah dan mentransfer aset-aset finansial dari
unit-unit surplus ke unit-unit defisit. Pendekatan aset (the assets
approach) memperlihatkan fungsi primer sebuah institusi keuangan
sebagai pencipta kredit pinjaman (loans) dimana output benar-benar
mendefinisikan dalam bentuk aset-aset. Pendekatan aset mengukur
kemampuan perbankan dalam menanamkan dana dalam bentuk kredit,
surat-surat berharga dan alternatif aset lainnya sebagai output. Sedangkan
input diukur dari harga tenaga kerja, harga dana dan harga fisik modal.
Menurut Berger & Humphrey (1997) dalam F. Maharani (2012)
terdapat dua pendekatan yang digunakan untuk menghitung efisiensi oleh
sebuah institusi keuangan, yaitu: (i) production approach (ii)
intermediation approach. Production approach merupakan suatu
pendekatan dengan aktivitas utama suatu institusi keuangan adalah
menghasilkan dan memproduksi jasa-jasa bagi para nasabahnya.Kinerka
institusi keuangan tersebut bagi pada nasabahnya adalah melakukan
transaksi dan memproses dokumen-dokumen seperti aplikasi kredit,
laporan kredit, cek atau instrumen pembayaran lainnya. Inilah yang
diukur sebagai input. Sedangkan output dalam pendekatan ini diukur dari
jumlah dan tipe transksi serta dokumen yang di proses pada periode
tertentu. Intermediation approach diartikan sebagai aktivitas utama suatu
intitusi keuangan, yaitu sebagai intermediator antara investor dengan
savers.
Menurut Wahab, Hosen dan Muhari (2014) konsep pengukuran
efisiensi dapat dilihat baik dengan fokus pada sisi input (input oriented)
maupun fokus pada sisi output (output oriented). Kedua pendekatan ini
analog dengan konsep primal dan dual dalam teknik operations research,
sehingga keduapendekatan ini secara konsisten akan menghasilkan
kesimpulan yang samatentang efisiensi relatif sebuah perusahaan
terhadap sekawannya. Berikut iniadalah ikhtisar tentang kedua
pendekatan ukuran efisiensi tersebut (Abidin dan Endri, 2009):
1. Pendekatan Input
Pendekatan sisi input menunjukkan berapa banyak kuantitas input bias
dikurangi secara proporsional untuk memproduksi kuantitas output yang
sama. Untuk pendekatan sisi input diasumsikan sebuah perusahaan
menggunakan dua jenis input, yaitu x1 dan x2, untuk memproduksi satu
jenis output (y) dengan asumsi constant returns to scale (CRS). Asumsi
constant returns to scale (CRS) maksudnya adalah jika kedua jenis input,
x1 dan x2, ditambah dengan jumlah persentase tertentu maka output juga
akan meningkat dengan persentase yang sama

2. Pendekatan Output
Pendekatan sisi output berlawanan dengan pendekatan sisi input,
pendekatan sisi output menunjukkan berapa banyak kuantitas output
dapat ditingkatkan secara proporsional dengan kuantitas input yang sama.
Asumsikan sebuah perusahaan dengan 2 jenis output (y1 dan y2) dan 1
jenis input (x) dengan asumsi constant returns to scale (CRS).

a. Model CCR (Charnes, Cooper, and Rhodes)
Menurut Casu & Molyneux (2003) dalam P. Prapanca (2012) model
ini digunakan jika berasumsi bahwan perbandingan terhadap input
maupun output suatu perusahaan tidak mempengaruhi produktivitas
yang mungkin dicapai, yaitu Constant Return to Scala (CRS). Model
ini terdiri dari fungsi tujuan yang berupa maksimisasi jumlah output
dari unit yang akan diukur produktivitas relatifnya dan selisih dari
jumlah output dan input dari semua unit yang akan diukur
produktivitas relatifnya. Sedangkan Purwanto & Ferdian (2006)
dalam F. Maharani (2012) menyatakan bahwa model ini relatif lebih
tepat digunakan dalam menganalisis kinerja pada perusahaan
manufaktur

b. Model BCC (Banker, Charnes, and Cooper)

Model ini digunakan jika kita berasumsi bahwa perbandingan terhadap input maupun output suatu perusahaan akan mempengaruhi produktivitas yang mungkin dicapai, yaitu VRS (Variable Returns to Scale). Pendekatan ini relatif lebih tepatdigunakan dalam menganalisis efisiensi kinerja pada perusahaan jasa termasuk bank

Menurut Kanungo (2004) pada Haqiqi (2015) DEA merupakan
metode berdasarkan program linier yang digunakan untuk
membandingkan efisiensi dari beberapa unit. Adapun menurut Avkiran
(1999), dalam F. Maharani (2012) dengan mendefinisikan DEA sebagai
teknik untuk mengukur efisiensi yang mampu untuk mengungkap
hubungan yang tepat antara input dan output yang beragam, yang
sebelumnya tidak dapat diakomodasi melalui analisis rasio secara
tradisional.
Berdasarkan definisi tersebut dapat disimpulkan bahwa metode
DEA merupakan metode program linear yang digunakan untuk
mengukur efisiensi yang mampu mengungkap hubungan secara tepat
antara input dan output yang beragam.
Metode DEA adalah sebuah metode frontier non parametric yang
menggunakan model program linier untuk menghitung perbandingan
rasio outputdan input untuk semua unit yang dibandingkan dalam sebuah
populasi. Tujuan dari metode DEA adalah untuk mengukur tingkat
efisiensi dari decision-making unit (DMU) atau banyak disebut juga
sebagai unit kegiatan ekonomi (UKE) relatif terhadap bank yang sejenis
ketika semua unit-unit ini berada pada atau dibawah “kurva” efisien
frontier-nya. Jadi metode ini digunakan untuk mengevaluasi efisiensi
relatif dari beberapa objek (benchmarking kinerja).Pendekatan DEA
lebih menekankan kepada melakukan evaluasi terhadap kinerja
DMU.Analisis yang dilakukan berdasarkan kepada evaluasi terhadap
efisiensi relatif dari DMU yang sebanding. Selanjutnya DMU-DMU yang
efisien tersebut akan membentuk garis frontier. Jika DMU berada pada
garis frontier,maka DMU tersebut dapat dikatakan relatif efisien
dibandingkan dengan DMU yang lain dalam peer groupnya. Selain
menghasilkan nilai efisiensi masing-masing DMU, DEA juga
menunjukkan unit-unit yang menjadi referensi bagi unit-unit yang tidak
efisien
Terdapat tiga manfaat yang diperoleh dari pengukuran efisiensi
dengan DEA (Insukindro et al., 2000 dalam B. Zahroh, 2015):
1. Sebagai tolak ukur untuk memperoleh efisiensi relatif yang berguna
untuk mempermudah perbandingan antar unit ekonomi yang sama.
2. Mengukur berbagai variasi efisiensi antar unit ekonomi untuk
mengidentifikasi faktor-faktor penyebabnya.
3. Menentukan implikasi kebijakan sehingga dapat meningkatkan
tingkat efisiensinya.
Keuntungan lainnya adalah bahwa DEA dapat melihat sumber
ketidakefisienan dengan ukuranpeningkatan potensial (potential
improvement) dari masing-masing input (Hadad et al. 2003 dalam A.
Noor Pratiwi 2013). DEA menghitung efisiensi teknis untuk seluruh
unit. Skor efisiensi untuk setiap unit adalah relatif, tergantung pada
tingkat efisiensi dari unit-unit lainnya di dalam sampel.Setiap unit
dalam sampel dianggap memiliki tingkat efisiensi yang tidak negatif
dan nilainya antara 0 hingga 1, dimana satu menunjukkan efisiensi
yang sempurna (Hadad et al., 2003).

Menurut (Hadad et.al 2003) dalam Ruddy Trisantoso (2010) Efisiensi
merupakan salah satu parameter kinerja yang secara teoriti merupakan salah
satu ukuran kinerja yang mendasari seluruh kinerja organisasi. Kemampuan
menghasilkan output yang maksimal dengan input yang ada, adalah
merupakan ukuran kinerja yang diharapkan. Efisiensi dalam dunia
perbankan merupakan salah satu parameter kinerja yang cukup populer
sehingga lazin digunakan karena dapat memberikan jawaban atas berbagai
kesulitan dalam menghitung berbagai ukuran kinerja sebagaimana
disebutkan diatas.
Adapun konsep dalam mendefinisikan hubungan input-output pada A.
Noor Pratiwi (2014) dan juga seperti pada Hadad et al. (2003), menjelaskan
bahwa perilaku lembaga keuangan dapat melalui beberapa pendekatan,
antara lain:
a. Pendekatan produksi (Production Approach), yaitu dengan melihat
bahwa institusi keuangan sebagai produsen simpanan (deposit
account) dan juga pinjaman kredit (loans). Pendekatan ini
mendefinisikan output adalah penjumlahan dari keduanya dari
berbagai transaksi-transaksi terkait, sedangkan input-inputnya adalah
biaya tenaga kerja, pengeluaran modal untuk aset-aset tetap (fixed
assets), serta pengeluaran-pengeluaran lainnya yang bersifat material.
b. Pendekatan intermediasi (Intermediation Approach), yaitu
memperlakukan institusi keuangan sebagai lembaga yang
menjalankan fungsi intermediasi, dengan mengubah dan mentransfer
berbagai aset finansial dari unit-unit surplus menjadi unit-unit defisit.
Dalam pendekatan ini, biaya tenaga kerja, pengeluaran modal, dan
pembayaran bunga simpanan dikategorikan sebagai input-input,
sedangkan pinjaman kredit dan investasi pada instrumen keuangan
(financial investment) sebagai output-outputnya.
c. Pendekatan aset (Asset Approach), pendekatan ini hampir sama
dengan pendekatan intermediasi, namun dengan lebih memperlakukan
institusi keuangan adalah lembaga yang menjalankan fungsi utama
sebagai pencipta pinjaman kredit (loans).
Menurut Hadad et al (2003) dalam Prapanca (2012) menyatakan
bahwa pengukuran efisiensi bank dapat dilakukan dengan menggunakan dua
pendekatan. Pertama, menggunakan pendekatan parametrik seperti
Stochastic Frontier Approach (SFA) dan Distribution Free Approach
(DFA) Pendekatan kedua, menggunakan pendekatan non-parametrik yaitu
Data Envelopment Analysis (DEA).
Efisiensi menjadi salah satu ukuran yang sangat penting dalam
menilai kinerja suatu perusahaan. Menurut Berger dan Mester (1997) pada
F. Maharani (2012) efisiensi industri perbankan dapat ditinjau dari sudut
pandang mikro maupun makro.Dari perspektif mikro, dalam suasana
3
persaingan yang semakin ketat sebuah bank agar bisa bertahan dan
berkembang harus efisien dalam kegiatan operasinya. Bank-bank yangtidak
efisien, besar kemungkinan akan exit dari pasar karena tidak mampu
bersaing dengan kompetitornya, baik dari segi harga (pricing) maupun
dalam hal kualitas produk dan pelayanan. Bank yang tidak efisien akan
kesulitan dalam mempertahankan kesetiaan nasabahnya dan juga tidak
diminati oleh calon nasabah dalam rangka untuk memperbesar customerbasenya.
Sementara dari perspektif makro, industri perbankan yang efisien
dapat mempengaruhi biaya intermediasi keuangan dan secara keseluruhan
stabilitas sistem keuangan.Hal ini disebabkan peran yang sangat strategis
dari industri perbankan sebagai intermediator dan produsen jasa-jasa
keuangan.
Dengan tingkat efisiensi yang lebih tinggi, kinerja perbankan akan
semakin lebih baik dalam mengalokasikan sumber daya keuangan dan pada
akhirnya dapat meningkatkan kegiatan investasi dan pertumbuhan ekonomi

Tahapan dalam menggunakan SEM secara garis besar, adalah sebagai berikut (Jogiyanto, 2011): 1. Spesifikasi model, yaitu membangun model yang sesuai dengan tujuan dan masalah penelitian dengan landasan teori yang kuat. 2. Estimasi parameter bebas, yaitu komparasi matrik kovarian yang merepresentasi hubungan antar variabel dengan mengestimasinya ke dalam model yang paling sesuai. Parameter untuk mengukur kesesuaian model adalah maximum likelihood, weighted least squares atau asymptotically distribution-free methods. 3. Assessment of fit, yaitu eksekusi estimasi kesesuaian model dengan menggunakan parameter anatara lain : Chi-Square (ukuran dasar kesesuaian model yang secara konseptual merupakan fungsi dari ukuran sampel dan perbedaan antara matrik kovarian yang diobservasi dengan matrik kovarian model), Root Mean Square Error of Approximation (RMSEA), Standarized Root Mean Residual (SRMR), and Comparative Fit Index (CFI). 4. Modifikasi model, yaitu mengembangkan model yang diuji di awal untuk meningkatkan goodness-of-fit (GOF) model. Peluang untuk mengembangkan model tergantung besarnya degree of freedom dari model. Namun, pengembangan model harus mempertimbangkan dasar teori, tidak dapat dilakukan hanya berdasarkan alasan/argument statistis. 5. Interpretasi dan komunikasi, yaitu interpretasi hasil pengujian statistika dan pengakuan bahwa konstruk yang dibangun berdasarkan model yang paling sesuai. Namun, hasil tersebut dapat dicapai ketika desain riset dibangun secara cermat sehingga dapat membedakan hipotesis rival. 6. Replikasi dan validasi ulang, yaitu kemampuan model yang dimodifikasi untuk dapat direplikasi dan divalidasi ulang sebelum hasil penelitian diinterpretasi dan dikomunikasikan

Diagram lintasan (path diagram) dalam SEM digunakan untuk menggambarkan model SEM agar lebih jelas dan mudah dimengerti. Notasi dan simbol dalam SEM serta variabel-variabel yang berkaitan perlu diketahui untuk dapat menggambarkan diagram jalur sebuah persamaan, kemudian hubungan diantara model-model tersebut dimasukkan ke dalam model persamaan struktural dan model pengukuran.

SEM (Structural Equation Modeling) adalah suatu teknik statistika untuk menguji dan mengestimasi hubungan kausal dengan mengintegrasikan analisis faktor dan analisis jalur (Wright dalam Jogiyanto, 2011). SEM dapat berbasis varian dan kovarian. SEM berbasis varian adalah SEM yang menggunakan varian dalam proses iterasi atau blok varian antar indikator atau parameter yang diestimasi dalam satu variabel laten tanpa mengkorelasikannya dengan indikator-indikatornya yang ada divariabel laten lain dalam satu model penelitian (Jogiyanto, 2011). Salah satu SEM berbasis varian yang mulai banyak digunakan adalah PLS. Analisis Partial Least Square (PLS) adalah teknik statistika multivariat yang melakukan pembandingan antara variabel dependen berganda dan variabel independen berganda (Jogiyanto, 2011). PLS adalah salah satu metoda statistika SEM berbasis varian yang didesain untuk menyelesaikan regresi berganda ketika terjadi permasalahan spesifik pada data, seperti ukuran sampel penelitian kecil, adanya data yang hilang (missing values), dan multikolinearitas (Field dalam Jogiyanto, 2011). SEM-PLS mampu menganalisis variabel yang tidak dapat diukur langsung. Variabel yang tidak dapat diukur secara langsung dalam SEM-PLS disebut variabel laten atau konstruk yang harus diukur dengan indikator. SEM-PLS bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat, apakah ada hubungan atau pengaruh antar konstruk tersebut (Dwipradnyana dkk, 2017). SEM–PLS dapat digunakan untuk ukuran sampel lebih besar dari 250 sampel dan tidak mensyaratkan asumsi data berdistribusi normal (Sholihin dan Ratmono, 2013).

Pendekatan PLS dikembangkan pertama kali oleh seorang ahli ekonomi dan statistika bernama Herman Ole Andreas Wold. Pada tahun 1974, Wold memperkenalkan PLS secara umum dengan menggunakan algorithm NIPALS (nonlinear iterative partial least squares) yang berfokus untuk maximize variabel eksogen (X) untuk menjelaskan variance variabel endogen (Y) dan menjadi metoda alternatif untuk OLS regresi. Menurut Wold dibandingkan dengan 16 pendekatan lain dan khususnya metoda estimasi Maximum Likelihood, NIPALS lebih umum oleh karena bekerja dengan sejumlah kecil asumsi zero intercorrelation antara residual dan variabel. Hal ini sejalan dengan yang dinyatakan Fornell dan Bookstein (1982) bahwa PLS menghindarkan dua masalah serius yang ditimbulkan oleh SEM berbasis covariance yaitu improper solutions dan factor indeterminacy. Partial Least Squares merupakan metoda analisis yang powerfull dan sering disebut juga sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen (Wold, 1985). Pada dasarnya Wold mengembangkan PLS untuk menguji teori yang lemah dan data yang lemah seperti jumlah sampel yang kecil atau adanya masalah normalitas data (Wold, 1985). Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Chin, 1998). Sebagai teknik prediksi, PLS mengasumsikan bahwa semua ukuran varian adalah varian yang berguna untuk dijelaskan sehingga pendekatan estimasi variabel laten dianggap sebagai kombinasi linear dari indikator dan menghindarkan masalah factor indeterminacy. PLS menggunakan iterasi algorithm yang terdiri dari seri OLS (Ordinary Least Squares) maka persoalan identifikasi model tidak menjadi masalah untuk model recursive (model yang mempunyai satu arah kausalitas) dan menghindarkan masalah untuk model yang bersifat non-recursive (model yang bersifat timbal-balik atau reciprocal antar variabel) yang dapat diselesaikan oleh SEM berbasis covariance. Sebagai alternatif analisis covariance based SEM, pendekatan variance based dengan PLS mengubah orientasi analisis dari menguji model kausalitas (model yang dikembangkan berdasarkan teori) ke model prediksi komponen (Chin, 1998). CB-SEM lebih berfokus pada building models yang dimaksudkan untuk menjelaskan covariances dari semua indikator konstruk, sedangkan tujuan dari PLS adalah prediksi. Oleh karena PLS lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, persoalan misspecification model tidak terlalu berpengaruh terhadap estimasi parameter. Algoritma dalam PLS adalah untuk mendapatkan the best weight 17 estimate untuk setiap blok indikator dari setiap variabel laten. Setiap variabel laten menghasilkan komponen skor yang didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependen (laten, observed atau keduanya) (Yamin dan Kurniawan, 2011). Kelebihan dalam PLS antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm 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 algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap (Ghozali, 2011).

Analisis faktor konfirmatori atau CFA adalah salah satu diantara metode statistik multivariat yang digunakan untuk menguji dimensionalitas suatu konstruk atau mengkonfirmasi apakah model yang dibangun sesuai dengan yang dihipotesiskan oleh peneliti. Model yang dihipotesiskan terdiri dari satu atau lebih variabel laten yang diukur oleh indikator-indikatornya. Dalam CFA, variabel laten dianggap sebagai variabel penyebab (variabel bebas) yang mendasari variabelvariabel indikator (Ghozali, 2011). Variabel-variabel dalam CFA terdiri dari variabel yang dapat diamati atau diukur langsung disebut variabel manifes (manifest variable) dan variabel-variabel yang tidak dapat diukur secara langsung disebut dengan variabel laten (latent variable), yang dapat dibentuk dan dibangun dengan variabel-variabel yang dapat diukur (variabel indikator). Dalam CFA biasanya tidak mengasumsikan arah hubungan, tapi menyatakan hubungan korelatif atau hubungan kausal antar variabel. Sehingga dapat dikatakan bahwa CFA digunakan untuk mengevaluasi pola-pola hubungan antar variabel, apakah suatu indikator mampu mencerminkan variabel laten, melalui ukuran-ukuran statistik.

Analisis jalur (path analysis) merupakan suatu teknik statistika yang bertujuan untuk menganalisis hubungan sebab akibat yang terjadi pada model regresi berganda jika variabel prediktornya mempengaruhi variabel respon tidak secara langsung tetapi juga secara tidak langsung. Analisis jalur digunakan untuk mengetahui apakah data yang digunakan telah mendukung teori, yang sebelumnya atau  telah dihipotesiskan oleh peneliti mencakup kaitan struktural hubungan kausal antar variabel terukur. Subyek utama dalam analisis jalur adalah variabel-variabel yang saling berkorelasi. Dengan analisis jalur, semua pengaruh baik langsung (direct effect) maupun tak langsung (indirect effect), dan pengaruh total (total couse effect) pada suatu faktor dapat diketahui. Dalam perkembangannya, analisis jalur ini dilakukan dalam kerangka pemodelan SEM

Jenis kesalahan dalam SEM ada dua, yaitu: a. Kesalahan struktural (structural error) yaitu kesalahan pada model struktural dan disebut dengan error atau noise. b. Kesalahan pengukuran (measurement error) yaitu kesalahan pada model pengukuran.

Jenis model dalam SEM ada dua, yaitu: a. Model struktural (structural model/inner model) yaitu model yang menggambarkan hubungan-hubungan diantara varibel laten yang membentuk persamaan simultan. b. Model pengukuran (measurement model/outer model) yaitu model yang menjelaskan hubungan sebuah variabel laten dengan variabel manifes dalam bentuk analisis faktor

. Jenis variabel dalam SEM ada dua, yaitu: a. Variabel laten (unobserved variabel atau latent variable) yaitu variabel yang tidak dapat diamati secara langsung, tetapi dapat direpresentasikan oleh satu atau lebih variabel manifes/indikator. Menurut Kuntoro (2006), variabel laten ada dua macam, yaitu variabel laten endogen atau variabel terikat dan variabel laten eksogen atau variabel bebas, digambarkan dalam bentuk lingkaran/elips, dinotasikan dengan  (small ksi) untuk variabel laten eksogen dan  (small eta) untuk variabel laten endogen. b. Variabel teramati (observed variable atau measurement variable) yang sering juga disebut dengan indikator/variabel manifes (manifest variabel) yaitu variabel yang dapat diamati secara empiris melalui kegiatan survei atau sensus (Hair dkk, 1995). Variabel manifest juga terbagi menjadi dua, yakni variabel manifes eksogen/independen dan variabel manifes endogen/dependen, digambarkan dalam bentuk kotak/persegi empat, dinotasikan dengan Yi untuk indikator yang berhubungan dengan variabel laten endogen dan Xi untuk indikator yang berhubungan dengan variabel laten eksogen (Kuntoro, 2006).

Structural Equation Modeling (SEM) merupakan metode statistika yang menggabungkan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan (Ferdinand, 2002). Definisi tentang SEM lainnya dikemukakan oleh Wijayanto (2008) yang menyatakan bahwa SEM adalah metode pengembangan dari analisis multivariat yang berpangkal pada analisis faktor, analisis komponen utama, analisis kovarian, dan analisis korelasi. SEM memiliki kemampuan lebih dalam menyelesaikan permasalahan yang melibatkan banyak persamaan linier dengan menghasilkan model pengukuran dan sekaligus model struktural. Berbeda dengan regresi berganda, dimana pada umumnya model regresi merupakan hubungan sebab-akibat antar variabel-variabel yang teramati, sedangkan pada SEM hubungan sebab-akibat yang dispesifikasikan terjadi antar variabel-variabel laten. Model regresi lebih condong kepada eksplanatori, sedangkan pada SEM walaupun ada unsur eksplanatori namun secara empiris lebih sering dimanfaatkan sebagai model konfirmatori (Wardono, 2009). Proses estimasi parameter dalam model struktural SEM, salah satunya dapat menggunakan struktur kovarians yang lebih sering dikenal dengan istilah Model Struktur Kovarians (MSK) atau Covariance Based SEM (CB-SEM) dan lebih populer dikenal dengan model LISREL (Linier Structural Relationships). SEM  berbasis kovarians mengasumsikan bahwa variabel-variabel pengamatan adalah kontinyu yang berdistribusi normal multivariat serta mensyaratkan jumlah sampel yang besar (Afifah, 2014).

Salah satu perhatian penting dalam penerapan SEM-PLS aadalah segementasi atau pengelompokan.Tujuan pengelompokan  adalah membentuk observasi ke dalam kelompok dengan karakteristik yang sama atau serupa sehingga mampu meningkatkan kekuatan prediksi model. Prosedur segmentasi melibatkan pemeriksaan homogenitas atau heterogenitas pada pengamtan. Namun studi terdahulu dalam SEM sering mengasumsikan bahwa data yang dikumpulkan dari observasi telah homogeny atau dengan kata lain suatu model dengan nilai parameter yang sam cukup mempresentasikan seluruh observasi (Trujilo, 2009). Bagaimanapun, asumsi homogenitas ini sering tidak realistis dan diragukan karena data dikumpulkan dari observasi dengan latar belakang dan karakteristik beragam, seperti gender, kelompok umur, tingkat pendidikan, kultur budaya, status perkawinan, dan sebagainya Mengasumsikan homogenitas pada data dapt mendorong analisis membuat keputusan yang tidak akurat, keliru dan menghasilkan kesimpulan yang lemah. Oleh karena itu perlu mengasumsikan adanya heterogenitas pada populasi terkait perbedaan karakteristik setiap observasi (Trujilo, 2009). Dengan asumsi heterogenitas, berimplikasi bahwa terdapat lebih dari satu set estimasi parameter untuk dapat memberikan gambaran yang tepat terhadapa fenomena penelitian. Becker dkk (2013) menyatakan bahwa mengabaikan adanya heterogenitas tidak teramati dapat menimbulkan kerugian yang besar terhadap hasil estimasi PLS. Selain estimasi parameter bersifat bias, beberapa akibat lain seperti: a. Koefisien jalur yang tidak signifikan pada level kelompok (local group) menjadi signifikan pada level keseluruhan sampel yang mengkombinasikan kelompok b. Perbedaan tanda pada estimasi parameter antar kelompok termanifestasi pada hasil yang non signifikan pada level keseluruhan sampel c. Variansi yang dapat dijelaskan model (R2 dari variabel endogen) menurun. Beberapa pendekatan yang dapat digunakan untuk mengurangi bias pada estimasi parameter dan menghindarkan 21 kesalahan yang ditimnulkan karena mengabaikan heterogenitas tidak teramati pada model jalur PLS antara lain FIMIX-PLS, REBUS –PLS, dan PLS-POS (Becker dkk, 2013)

Evaluasi model dalam PLS meliputi dua tahap, yaitu evaluasi outer model dan evaluasi inner model. a) Evaluasi Model Pengukuran atau Outer Model Model pengukuran atau outer model bertujuan untuk menilai validitas dan reliabilitas model. 1. Validitas Konvergen (Convergent Validity) Convergent validity digunakan untuk mengukur besarnya korelasi antara variabel laten dengan variabel indikator pada model pengukuran refleksif. Dalam evaluasi convergent validity dapat dinilai berdasarkan korelasi antara item score dengan construct score. Suatu kolerasi dapat dikatakan memenuhi convergent validity apabila memiliki nilai loading factor sebesar lebih besar dari 0,5 – 0,6 Ghozali (2011) serta nilai Thitung > pada α tertentu, pada penelitian ini menggunakan α =5%. 2. Discriminant Validity Discriminant Validity dari model pengukuran dengan tipe indikator refleksif dihitung berdasarkan nilai cross loading dari variabel indikator terhadap masing-masing variabel laten. Jika kolerasi antara variabel laten dengan setiap variabel indikator lebih besar daripada korelasi dengan variabel laten lainnya, maka variabel laten tersebut dapat dikatakan memprediksi indikatornya lebih baik dari pada variabel laten lainnya. 3. Pengujian Reliabilitas Composite Reliability atau reliabilitas komposit merupakan blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan ukuran internal consistency. Composite reliability dapat dihitung dengan rumus sebagai berikut.

SEM-PLS tidak berasumsi bahwa data distribusi normal. Sehingga pada SEM-PLS berlaku metode bootstrap yaitu metode statistika nonparametrik untuk mengestimasi parameter suatu distribusi, varians sampel, dan menaksir tingkat kesalahan (Davison dan Hinkley 1997). Pada proses bootsrap, dilakukan pengambilan sampel secara resampling with replacement untuk mendapatkan kesalahan standar untuk pengujian hipotesis. Metode bootstrap telah dikembangkan oleh Efron (1979) sebagai alat untuk membantu mengurangi ketidakandalan yang berhubungan dengan kesalahan penggunaan distribusi normal dan penggunaannya. Boostrap membuat pseudo data (data bayangan) dengan menggunakan informasi dari data asli dengan memperhatikan sifat-sifat data asli, sehingga data bayangan memiliki karakteristik yang sangat mirip dengan data asli. Metode resampling pada partial least square dengan sampel kecil   menggunakan bootstrap standard error untuk menilai level signifikansi dan memperoleh kestabilan estimasi model pengukuran dan model struktural dengan cara mencari estimasi dari standard error (Chin, 1998).

Partial Least Square (SEMPLS) Partial Least Squares merupakan satu metode penyelesaian SEM, yang sering disebut sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen. Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Wold dalam Ghozali, 2011). PLS memiliki kelebihan antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang   sangat kompleks, (4) dapat digunakan ketika distribusi skew atau tidak normal (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm 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 algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap

Analisis jalur (path analysis) merupakan suatu teknik statistika yang bertujuan untuk menganalisis hubungan sebab akibat yang terjadi pada model regresi berganda jika variabel prediktornya mempengaruhi variabel respon tidak secara langsung tetapi juga secara tidak langsung (Rutherford dalam Sarwono, 2007). Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh seperangkat variabel eksogen terhadap variabel endogen. Analisis jalur digunakan untuk mengetahui apakah data yang digunakan telah mendukung teori, yang sebelumnya telah dihipotesiskan oleh peneliti mencakup kaitan struktural hubungan kausal antar variabel terukur. Subyek utama dalam analisis jalur adalah variabel-variabel yang saling berkorelasi. Dengan analisis jalur, semua pengaruh baik langsung (direct effect) maupun tak langsung (indirect effect), dan pengaruh total (total couse effect) pada suatu faktor dapat diketahui. Dalam perkembangannya, analisis jalur ini dilakukan dalam kerangka pemodelan SEM.

Komponen-komponen dalam SEM secara umum adalah sebagai berikut:

SEM adalah metode statistika multivariat yang banyak digunakan untuk mengatasi masalah dasar dalam pengambilan keputusan dalam ilmu-ilmu sosial dan perilaku dan berkembang 8 dalam disiplin ilmu lainnya, yaitu melalui pengukuranpengukuran yang melibatkan variabel-variabel yang tidak dapat diukur secara langsung, sehingga memerlukan variabel indikator sebagai variabel yang dapat diukur (Wijayanto, 2008). SEM mampu menguji model persamaan structural yang merupakan hubungan antara variabel laten endogen dan variabel laten eksogen. Selain itu dapat digunakan untuk menguji model pengukuran yaitu hubungan antara variabel indikator dengan variabel laten yang menunjukkan besarnya korelasi antara indikator dengan variabel laten yang dijelaskannya (Hidayat, 2010). Pemodelan dengan melibatkan banyak variabel yang tidak dapat diukur secara langsung serta menjelaskan hubungan kausal yang bersifat kompleks tidaklah mudah dan diperlukan metode statistika yang dapat menyelesaikan sistem persamaan secara komprehensif

Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan, dideskripsikan atau disimpulkan baik secara numerik (misal menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik) untuk mendapatkan gambaran sekilas mengenai data tersebut sehingga lebih mudah dibaca dan bermakna (Walpole,1992). Dalam statistika deskriptif terdapat dua ukuran, yaitu ukuran pemusatan data dan ukuran penyebaran data. Ukuran pemusatan data dapat berupa rata-rata, median, modus, kuartil bawah, dan kuartil atas. Hasil ukuran pemusatan data dapat dijadikan pedoman untuk mengamati karakter dari sebuah data. Sedangkan ukuran penyebaran data digunakan untuk menentukan seberapa besar nilai-nilai data berbeda atau bervariasi dengan nilai pusatnya, atau seberapa besar data tersebut menyimpang dari nilai pusatnya. Ukuran penyebaran data terdiri dari jangkauan (range), variasi, dan standar deviasi (Walpole,1992).

Structural Equation Modeling (SEM) merupakan metode analisis multivariat yang dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara variabel pengamatan (indikator) dan variabel yang tidak dapat diukur secara langsung (variabel laten). Variabel laten merupakan variabel tak teramati (unobserved) atau tak dapat diukur (unmeasured) secara langsung, melainkan harus diukur melalui beberapa indikator. Terdapat dua tipe variabel laten dalam SEM yaitu endogen () dan eksogen (ξ).

Asumsi yang digunakan dalam analisis jalur yaitu:

1. Hubungan antar variabel linier

2. Sifat aditif

3. Skala pengukuran minimal interval

4. Hubungan sebab akibat (landasan teoritis)

5. Syarat lainnya sama dengan persyaratan untuk multiple regresi

Analisis jalur pertama kali diperkenalkan oleh Sewall Wright (1921), seorang ahli genetika, namun kemudian dipopulerkan oleh Otis Dudley Duncan (1966), seorang ahli sosiologi. Analisis jalur bisa dikatakan sebagai pengembangan dari konsep korelasi dan regresi, dimana korelasi dan regresi tidak mempermasalahkan mengapa hubungan antar variabel terjadi serta apakah hubungan antar variabel tersebut disebabkan oleh variabel itu sendiri atau mungkin dipengaruhi oleh variabel lain.

Berbeda dengan korelasi dan regresi, analisis jalur mempelajari apakah hubungan yang terjadi disebabkan oleh pengaruh langsung dan tidak langsung dari variabel independen terhadap variabel dependen, mempelajari ketergantungan sejumlah variabel dalam suatu model (model kausal), dan menganalisis hubungan antar variabel dari model kausal yang telah dirumuskan oleh peneliti atas dasar pertimbangan teoritis. Melalui analisis jalur kita akan menguji seperangkat hipotesis kausal dan menginterpretasikan hubungan tersebut (langsung atau tidak langsung).

Partial least square (PLS) adalah suatu tekhnik statistik multivariat yang bisa menangani banyak variabel respon dan variabel eksplanatori sekaligus. PLS merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi komponen utama karena metode PLS bersifat lebih robust, artinya parameter model tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi dan Kowalski, 1986).

PLS pertama kali dikembangkan pada tahun 1960-an oleh Herman O. A. Wold dalam bidang ekonometrik. PLS merupakan suatu tekhnik prediktif yang bisa menangani banyak variabel independen, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).

Analisis regresi berganda sebenarnya bisa digunakan ketika terdapat variabel prediktor yang banyak. Namun, jika jumlah variabel tersebut terlalu besar (misal lebih banyak dari jumlah observasi) akan diperoleh model yang fit dengan data sampel, tapi akan gagal memprediksi untuk data baru. Fenomena ini disebut overfitting. Dalam kasus seperti itu, meskipun terdapat banyak faktor manifes, mungkin saja hanya terdapat sedikit faktor laten yang paling bisa menjelaskan variasi dalam respon. Ide umum dari PLS adalah untuk mengekstrak faktor-faktor laten tersebut, yang menjelaskan sebanyak mungkin variasi faktor manifes saat memodelkan variabel respon.

Setelah para pembaca menelaah secara seksama penjelasan yang lumayan panjang diatas, tentunya bisa jadi malah tambah pusing. Maka bukan maksud untuk menyepelekan tulisan yang diatas, lupakanlah atau simpan saja hasil bacaan anda diatas. Secara mudahnya saya coba simpulkan dari kaca mata orang yang awam ilmu statistik. Yaitu sebagai berikut:

1. Partial Least Square adalah analisis yang fungsi utamanya untuk perancangan model, tetapi juga dapat digunakan untuk konfirmasi teori.
2. PLS tidak butuh 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, yaitu 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. Kecocokan model pada Partial Least Square tidak seperti SEM yang ada kecocokan global, seperti RMSEA, AGFI, PGFI, PNFI, CMIN/DF, dll. Dalam PLS hanya ada 2 kriteria untuk menilai kecocokan model, yaitu 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 kecocokan model bagian luar ada 2 yaitu pengukuran reflektif dan pengukuran formatif, yang sudah dijelaskan diatas.
5. Penilaian kecocokan model bagian luar atau outer model antara lain: Reliabilitas dan validitas variabel laten reflektif dan validitas variabel laten formatif.
6. Penilaian kecocokan model bagian dalam antara lain: Penjelasan varian variabel laten endogenous, ukuran pengaruh yang dikontribusikan dan relevansi dalam prediksi.

Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten.

Model hubungan formatif ialah hubungan sebab akibat berasal dari indikator menuju ke variabel laten. Hal ini dapat terjadi jika suatu variabel laten didefinisikan sebagai kombinasi dari indikator-indikatornya. Dengan demikian perubahan yang terjadi pada indikator-indikator akan tercermin pada perubahan variabel latennya.

Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi. Tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator. Karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk formatif.

Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten.

Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk.

Model Indikator Refleksif sering disebut juga principal factor 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.

Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator.

Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan.

Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan.

Walaupun Partial Least Square digunakan untuk menkonfirmasi teori, tetapi dapat 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.

Partial least square adalah suatu teknik statistik multivariat yang bisa untuk menangani banyak variabel respon serta variabel eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi komponen utama, karena metode ini bersifat lebih robust atau kebal. Robust artinya 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 independen, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).

Menurut Wold, PLS adalah metode analisis yang powerfull sebab tidak didasarkan pada banyak asumsi atau syarat, seperti uji normalitas dan multikolinearitas. Metode 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.

PLS (Partial Least Square) menggunakan metoda principle component analiysis dalam model pengukuran, yaitu blok ekstraksi varian untuk melihat hubungan indikator dengan konstruk latennya dengan menghitung total varian yang terdiri atas varian umum (common variance), varian spesifik (specific variance) dan varian error (error variance). Sehingga total varian menjadi tinggi. Metoda ini merupakan salah satu dari metoda dalam Confirmatory Factor Analysis (CFA).

Menurut Hair et.al. (2006) metoda ini tepat digunakan untuk reduksi data, yaitu menentukan jumlah faktor minimum yang dibutuhkan untuk menghitung porsi maksimum total varian yang direpresentasi dalam seperangkat variabel asalnya. Metoda ini digunakan dengan asumsi peneliti mengetahui bahwa jumlah varian unik dan varian error dalam total varian adalah sedikit. Metoda ini lebih unggul karena dapat mengatasi masalah indeterminacy, yaitu skor faktor yang berbeda dihitung dari model faktor tunggal yang dihasilkan dan admissible data, yaitu ambiguitas data karena adanya varian unik dan varian error. Penelitian ini menggunakan variabel undimensional dengan model indikator reflektif. Variabel undimensional adalah variabel yang dibentuk dari indikatorindikator baik secara reflektif maupun secara formatif (Jogiyanto dan Abdilah, 2009). Sedangkan model indikator reflektif adalah model yang mengansumsikan bahwa kovarian diantara pengukuran dijelaskan oleh varian yang merupakan manifestasi dari konstruk latennya dimana indikatornya merupakannya indikator efek (effect indikator). Menurut Ghozali (2006) Model reflektif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten. Model refleksif menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator dan menghilangkan satu indikator dari model pengukuran tidak akan merubah makna atau arti konstruk (Bollen dan Lennox, 1991)

Statistik inferensial, (statistic induktif atau statistic probabilitas), adalah teknik statistik yang digunakan untuk menganalisis data sampel dan hasilnya diberlakukan untuk populasi (Sugiyono, 2009). Sesuai dengan hipotesis yang telah dirumuskan, maka dalam penelitian ini analisis data statistik inferensial diukur dengan menggunakan software SmartPLS (Partial Least Square) mulai dari pengukuran model (outer model), struktur model (inner model) dan pengujian hipotesis

Analisis deskriptif, yaitu analisis empiris secara deskripsi tentang informasi yang diperoleh untuk memberikan gambaran/menguraikan tentang suatu kejadian (siapa/apa, kapan, dimana, bagaimana, berapa banyak) yang dikumpulkan dalam penelitian (Supranto:2002). Data tersebut berasal dari jawaban yang diberikan oleh responden atas item-item yang terdapat dalam kuesioner. Selanjutnya peneliti akan mengolah data-data yang ada dengan cara dikelompokkan dan ditabulasikan kemudian diberi penjelasan

PLS (Partial Least Square) merupakan analisis persamaan struktural (SEM) berbasis varian yang secara simultan dapat melakukan pengujian model pengukuran sekaligus pengujian model struktural. Model pengukuran digunakan untuk uji validitas dan reabilitas, sedangkan model struktural digunakan untuk uji kausalitas (pengujian hipotesis dengan model prediksi). Lebih lanjut, Ghozali (2006) menjelaskan  bahwa PLS adalah metode analisis yang bersifat soft modeling karena tidak mengasumsikan data harus dengan pengukuran skala tertentu, yang berarti jumlah sampel dapat kecil (dibawah 100 sampel). Perbedaan mendasar PLS yang merupakan SEM berbasis varian dengan LISREL atau AMOS yang berbasis kovarian adalah tujuan penggunaannya. Dibandingkan dengan covariance based SEM (yang diwakili oleh software AMOS, LISREL dan EQS) component based PLS mampu menghindarkan dua masalah besar yang dihadapi oleh covariance based SEM yaitu inadmissible solution dan factor indeterminacy (Tenenhaus et al.,2005). Terdapat beberapa alasan yang menjadi penyebab digunakan PLS dalam suatu penelitian. Dalam penelitian ini alasan-alasan tersebut yaitu: pertama, PLS (Partial Least Square) merupakan metode analisis data yang didasarkan asumsi sampel tidak harus besar, yaitu jumlah sampel kurang dari 100 bisa dilakukan analisis, dan residual distribution. Kedua, PLS (Partial Least Square) dapat digunakan untuk menganalisis teori yang masih dikatakan lemah, karena PLS (Partial Least Square) dapat digunakan untuk prediksi. Ketiga, PLS (Partial Least Square) memungkinkan algoritma dengan menggunakan analisis series ordinary least square (OLS) sehingga diperoleh efisiensi perhitungan olgaritma (Ghozali, 2006). Keempat, pada pendekatan PLS, diasumsikan bahwa semua ukuran variance dapat digunakan untuk menjelaskan

Analisis SEM secara umum dapat dibedakan menjadi Variance Based SEM (VB SEM) dan Covariace Based SEM (CBSEM). Pendekatan PLS-SEM didasarkan pada pergeseran analisis dari pengukuran estimasi parameter model menjadi pengukuran prediksi model yang relevan. PLS-SEM menggunakan algoritma iteratif yang terdiri atas beberapa analisis dengan metode kuadrat terkecil biasa (Ordinary Least Squares). Oleh karena itu, dalam PLS-SEM persoalan identifikasi tidak penting. PLS-SEM justru mampu menangani masalah yang biasanya muncul dalam analisis SEM berbasis kovarian. Pertama, solusi model yang tidak dapat diterima (inadmissible solution) seperti munculnya nilai standardized loading factor > 1 atau varian bernilai 0 atau negatif. Kedua, faktor indeterminacy yaitu faktor yang tidak dapat ditentukan seperti nilai amatan untuk variable laten tidak dapat diproses. Karena PLS memiliki karakteristik algoritma interatif yang khas, maka PLS dapat diterapkan dalam model pengukuran reflektif maupun formatif. Sedangkan analisis CB-SEM hanya menganalisis model pengukuran reflektif (Yamin dan Kurniawan, 2011:15).

Dengan demikian, PLS-SEM dapat dikatakan sebagai komplementari atau pelengkap CB SEM (AMOS dan LISREL) bukannya sebagai pesaing

Dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan di antara variable yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan tersebut.

Terdapat dua pendekatan dalam Structural Equation Modeling (SEM), yaitu SEM berbasis covariance (Covariance Based-SEM, CB-SEM) dan SEM dengan pendekatan variance (VB-SEM) dengan teknik Partial Least Squares (PLS-SEM). PLS-PM kini telah menjadi alat analisis yang popular dengan banyaknya jurnal internasional atau penelitian ilmiah yang menggunakan metode ini. Partial Least Square disingkat PLS merupakan jenis analisis SEM yang berbasis komponen dengan sifat konstruk formatif. PLS pertama kali digunakan untuk mengolah data di bidang economertrics sebagai alternative teknik SEM dengan dasar teori yang lemah. PLS hanya berfungsi sebagai alat analisis prediktor, bukan uji model.

Semula PLS lebih banyak digunakan untuk studi bidang analytical, physical dan clinical chemistry. Disain PLS dimaksudkan untuk mengatasi keterbatasan analisis regresi dengan teknik OLS (Ordinary Least Square) ketika karakteristik datanya mengalami masalah, seperti : (1). ukuran data kecil, (2). adanya missing value, (3). bentuk sebaran data tidak normal, dan (4). adanya gejala multikolinearitas. OLS regression biasanya menghasilkan data yang tidak stabil apabila jumlah data yang terkumpul (sampel) sedikit, atau adanya missing values maupun multikolinearitas antar prediktor karena kondisi seperti ini dapat meningkatkan standard error dari koefisien yang diukur (Field, 2000 dalam Mustafa dan Wijaya, 2012:11).

PLS yang pada awalnya diberi nama NIPALS (Non-linear Iterative Partial Least Squares) juga dapat disebut sebagai teknik prediction-oriented. Pendekatan PLS secara khusus berguna juga untuk memprediksi variable dependen dengan melibatkan sejumlah besar variable independen. PLS selain digunakan untuk keperluan confirmatory factor analysis (CFA), tetapi dapat juga digunakan untuk exploratory factor analysis (EFA) ketika dasar teori konstruk atau model masih lemah. Pendekatan PLS bersifat asymptotic distribution free (ADF), artinya data yang dianalisis tidak memiliki pola distribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio.

Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat prediktif dengan dasar teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLS, diasumsikan bahwa semua ukuran variance berguna untuk dijelaskan. Karena pendekatan mengestimasi variable laten diangap kombinasi linear dari indikator, masalah indereminacy dapat dihindarkan dan memberikan definisi yang pasti dari komponen skor. Teknik PLS menggunakan iterasi algoritma yang terdiri dari serial PLS yang dianggap sebagai model alternative dari Covariance Based SEM (CB-SEM). Pada CB-SEM metode yang dipakai adalah Maximum Likelihood (ML) berorientasi pada teori dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan untuk causal-predictive analysis dalam kondisi kompleksitas tinggi dan didukung teori yang lemah.

Seperti penjelasan di muka, metode PLS juga disebut teknik prediction-oriented. Pendekatan PLS secara khusus berguna untuk meprediksi variable dependen dengan melibatkan banyak variable independen. CB-SEM hanya mampu memprediksi model dengan kompleksitas rendah sampai menengah dengan sedikit indikator.

Pemodelan dalam PLS-Path Modeling ada 2 model

1. Model structural (Inner model) yaitu model struktural yang menghubungkan antar variabel laten.
2. Model Measurement (Outer Model yaitu model pengukuran yang menghubungkan indikator dengan variabel latennya.

Konstruk dengan indikator formatif mempunyai karakteristik berupa komposit, seperti yang digunakan dalam literatur ekonomi yaitu index of sustainable economics welfare, the human development index, dan the quality of life index. Asal usul model formatif dapat ditelusuri kembali pada “operational definition”, dan berdasarkan definisi operasional, maka dapat dinyatakan tepat menggunakan model formatif atau reflesif. Jika η menggambarkan suatu variabel laten dan x adalah indikator, maka: η= x Oleh karena itu, pada model formatif variabel komposit seolah-olah dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas seolah-olah dari indikator ke variabel laten. Ciri-ciri model indikator formatif adalah: 1. Arah hubungan kausalitas seolah-olah dari indikator ke konstruk 2. Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji konsistensi internal atau Alpha Cronbach) 3. Menghilangkan satu indikator berakibat merubah makna dari konstruk 4. Kesalahan pengukuran diletakkan pada tingkat konstruk (zeta)

Model indikator refleksif dikembangkan berdasarkan pada classical test theory yang mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi dari true score ditambah error. Ciri-ciri model indikator reflektif adalah: 1. Arah hubungan kausalitas seolah-olah dari konstruk ke indikator 2. Antar indikator diarapkan saling berkorelasi (memiliki internal consitency reliability) 3. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna dan arti konstruk 4. Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator

PLS merupakan metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan structural dengan indiaktor bersifat reflektif ataupun formatif. PLS dibandingkan dengan LISREL mampu menangani dua masalah serius : (a) Solusi yang tidak dapat diterima (inadmissible solution); hal ini terjadi karena PLS berbasis varians dan bukan kovarians, sehingga masalah matriks singularity tidak akan pernah terjadi. Di samping itu, PLS bekerja pada model struktural yang bersifat rekursif, sehingga masalah un-identified, under-identified atau overidentified juga tidak akan terjadi. (b) Faktor yang tidak dapat ditentukan (factor indeterminacy), yaitu adanya lebih dari satu faktor yang terdapat dalam sekumpulan indikator sebuah variabel. Khusus indikator yang bersifat formatif tidak memerlukan adanya comon factor sehingga selalu akan diperoleh variabel laten yang bersifat komposit. Dalam hal ini variabel laten merupakan kombinasi linier dari indikator-indikatornya.