Partial Least Square (PLS)

BAB I

PENDAHULUAN

1.1  LATAR BELAKANG

     Partial Least Square (PLS) merupakan salah satu metode alternatif estimasi model untuk mengelola Structural Equation Modelling (SEM). Desain PLS dibuat untuk mengatasi keterbatasan metode SEM. Pada metode SEM mengharuskan data berukuran besar, tidak ada missing values, harus berdistribusi normal, dan tidak boleh memiliki multikolinieritas, sedangkan pada PLS menggunakan pendekatan distribution free dimana data dapat berdistribusi tertentu. Selain itu PLS juga dapat digunakan pada jumlah sampel yang kecil.

     Beberapa penelitian sebelumnya dengan menggunakan metode PLS diantaranya adalah analisis pengaruh peran pemerintah dan orientasi kepemimpinan terhadap komitmen organisasi, motivasi, inovasi dan lingkungan kerja serta dampaknya pada kinerja koperasi  pada Provinsi Bangka Belitung yang dilakukan oleh Fransiska (2012). Hasil dari penelitian tersebut menyimpulkan bahwa peran pemerintah dan orientasi kepemimpinan berpengaruh signifikan terhadap organisasi, motivasi, inovasi dan lingkungan kerja.

     Structural Equation Modelling (SEM) merupakan sebuah metode yang terbentuk karena adanya masalah pengukuran suatu variabel dimana terdapat suatu variabel yang tidak dapat diukur secara langsung . Variabel – variabel yang tidak dapat terukur tersebut dinamakan sebagai variabel laten dimana membutuhkan sebuah variabel manifes sebagai indikator atau alat ukur variabel laten tersebut. Dalam perkembangannya, SEM menjadi metode yang populer karena dapat diaplikasikan pada beberapa analisis, seperti analisis causal modelling, confirmatiory analysis, second order factor analysis, analisis regression models, analisis covariance structure models, dan analisis correlation structure models.

     Terdapat beberapa metode estimasi pada metode SEM, yaitu Instrument Variable (IV) , Two Stage Least Square (TSLS), Unweighted Least Square (ULS),  Generalize Least Square (GLS),  Maximum Likelihood (ML), Weighted Least Square (WLS), dan Diagonally Weighted Least Square (DWLS). Akan tetapi semua metode estimasi SEM tersebut memiliki kekurangan, yaitu membutuhkan sampel yang berjumlah besar dan data yang harus berdistribusi normal. Oleh karena itu, dikembangkan sebuah metode alternatif untuk mengestimasi SEM yang bertujuan untuk mengatasi kekurangan pada metode - metode lain, yaitu metode Partial Least Square (PLS).

1.2  TUJUAN

Tujuan dari praktikum ini adalah agar mahasiswa dapat mengetahui aplikasi pls(partial least square) dan penggunaanya serta aplikasinya.

       BAB II

TINJAUAN PUSTAKA

2.1 Pengertian Analisis PLS

Partial Least Square/(PLS) adalah suatu metode yang berbasis keluarga regresi yang dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan model dan metode untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS memiliki asumsi data penelitian bebas distribusi, artinya data penelitian tidak mengacuh pada < > salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan metode alternatif dari (SEM) yang dapat digunakan untuk mengatasi permasalahan hubungan diantara variable yang kompleks namun ukuran sampel datanya kecil (30 sampai 100), mengingat SEM memiliki ukuran sampel data minimal 100 (Hair /et.al./, 2010).

PLS 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 model dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya.Konstrak terbagi menjadi dua yaitu konstrak eksogen dan konstrak endogen. Konstrak eksogen merupakan konstrak penyebab, konstrak yang tidak dipengaruhi oleh konstrak lainnya. Konstrak eksogen memberikan efek kepada konstrak lainnya, sedangkan konstrak endogen merupakan konstrak yang dijelaskan oleh konstrak eksogen. Konstrak endogen adalah efek dari konstrak eksogen (Yamin dan Kurniawan, 2009).

2.2 Kelebihan dan Kelemahan Analisis PLS

            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).

            Distribusi data tidak diketahui sehingga tidak bias menilai  signifikansi statistik. Kelemahan bisa diatasi dengan menggunakan metode resampling (Bootstrap).

2.3 Jenis Indikator dalam Penelitian Analisis PLS

            Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. 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 (Leardi,2009).

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. 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 (Vinzi, 2010).

2.4 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 <>

2.5 Penelitian Manajemen Agroindustri Menggunakan Analisis PLS

1. Judul jurnal: Model Pendugaan Kandungan Air, Lemak dan Asam Lemak Bebas Pada Tiga Provenan Biji Jarak Pagar (Jatropha Curcas L.) Menggunakan Spektroskopi Inframerah  Dekat  Dengan Metode Partial Least Square (PLS)

Tahun         : Jurnal Littri 19(4),  Desember  2013. Hlm. 203 - 211 ISSN 0853-8212

Penulis : Lady C. E. Ch. Lengkey, I Wayan Budiastra, Kudang B. Seminar, Dan  Bambang S. Purwoko

Jurnal ini permasalahan yang dibahas  adalah  mengetahui kandungan air, lemak, dan asam lemak yang terdapat dalam 3 provenan biji  jarak  pagar. Tujuan penelitian adalah mengembangkan metode pendugaan komposisi kimia beberapa provenan jarak pagar berdasarkan spektroskopi NIR menggunakan kalibrasi PLS. Pengujian dilakukan menggunakan tiga provenan jarak pagar yaitu IP-3A, IP-3M, dan IP-3P masing-masing 85 sampel. Spektrum  reflektansi diukur menggunakan alat  NIR Flex Solids Petri pada panjang gelombang 1000–2500 nm. Sekitar ⅔ jumlah sampel digunakan untuk mengembangkan  persamaan kalibrasi dan  ⅓ sampel untuk validasi.  Pra perlakuan data spektrum dilakukan dengan jumlah normalisasi antara 0-1, turunan pertama Savitzky-Golay 9 titik dan gabungan keduanya.

Bahan yang digunakan dalam penelitian ini adalah tepung biji jarak pagar dengan 3 provenan yang berbeda, yaitu provenan IP-3P berasal dari kebun percobaan Balai Penelitian Tanaman Industri dan Penyegar (Balittri) di Pakuwon, Sukabumi, Jawa Barat; rovenan IP-3M berasal dari kebun induk Balai Penelitian Tanaman Pemanis dan Serat (Balittas) di Muktiharjo, Pati, Jawa Tengah; dan provenan IP-3A berasal dari kebun induk Balittas di Serat. Desa Asembagus, Kabupaten Situbondo, Jawa Timur.

Metode yang digunakan antara lain Kadar air dianalisis menggunakan metode oven ALB menggunakan modifikasi metode titrasi, dan kandunganlemak menggunakan metode ekstraksi soxhle. Setiap pengukuran dilakukan sebanyak dua kali pada setiap sampel dan perhitungan didasarkan pada rata-rata pengukuran. Instrumen NIR yang digunakan dalam penelitian ini  adalah  NIRFlex Solids Petri N-500. Tepung jarak pagar disinari inframerah dekat (NIR) dengan rentang panjang gelombang 1000–4000/cm dengan interval 4/cm atau 1000-2500 nm dengan interval 1 nm. Spektrum yang diperoleh dari hasil pengukuran reflektansi NIR kemudian ditransformasikan menjadi spektrum absorban. Selanjutnya, dilakukan pra perlakuan data untuk dianalisis lebih lanjut menggunakan PLS. Perlakuan data yang dilakukan pada penelitian ini adalah :

(1) Tanpa perlakuan data,

(2) Normalisasi antara 0-1 (n01),

(3) Turunan Pertama Savitzky-Golay 9 titik (dg1), dan

(4) Kombinasi  n01 dan dg1.

            Hasil penelitian menunjukkan spektroskopi NIR dapat menduga kadar air, lemak, dan asam lemak bebas . dapat menduga kadar air, lemak, dan asam lemak bebas . Koefisien korelasi (r) antara komponen kimia  metode acuan dengan dugaan NIR >0,83 menunjukkan ketepatan model cukup baik (r kadar air=0,96, r kadar  lemak=0,92, dan r ALB=0,89 ). Konsistensi model kalibrasi kadar  air=94,85%, lemak=82,56%, dan ALB=87,80%. Koefisien keragaman dugaan (Prediction Coeficient Variability/PCV) ketiga model <10%  menunjukkan model yang dibangun cukup handal. Ratio of standard error prediction to deviation (RPD) menunjukkan metode spektroskopi NIR dapat digunakan untuk  menentukan kadar air (RPD=3,30) dan lemak  (RPD=2,06).  Sehingga Model-model  yang dikembangkan tersebut secara umum  layak digunakan  untuk menentukan kadar air dan lemak  biji jarak pagar, tetapi belum optimal untuk penentuan kadar ALB biji jarak pagar.

2. Judul Jurnal: Analisis Interaksi Genotipe Lingkungan Menggunakan Partial Least Square Path Modeling

Tahun  : Desember 2009. ISBN: 978-979-16353-3-2

Penulis : I Gede Nyoman Mindra Jaya

            Dalam jurnal ini dilakukan penelitian mengenai percobaan multilokasi untuk mengkaji kemampuan  relatif genotipe-genotipe pada berbagai Lokasi  tanam dengan tujuan  menemukan  genotipe-genotipe  unggulan.   Sebab  nyatanya  pengaruh  interaksi genotipe ×  lokasi  (IGL) pada percobaan multilokasi yang sudah diteliti sebelumnya menyulitkan dalam proses  seleksi genotipe unggulan.

            Dalam  penelitian  ini,  peneliti menggunakan data hasil pemuliaan  jagung hibrida dengan 9 genotipe harapan dan 3 genotipe  komersial  yang  dicobakan  pada  16  lokasi.  Karakteristik  agronomi  yang diamati  sesuai  dengan  kajian  literatur  adalah  usia masak  fisiologis  (UMF),  kadar  air panen (KAP), berat tongkol panen (BTK), dan hasil (HSL). Data yang digunakan dalam penelitian ini adalah data hasil percobaan multilokasi Jagung  Hibrida  yang  dilakukan  dari  tanggal  23  Juli  2006  sampai  10  April  2007  yaitu pada  musim  hujan  dan  kemarau.  Percobaan  ini  menggunakan  9  genotipe  Jagung Hibrida Harapan dan 3 genotipe Jagung Hibrida Komersial. Penelitian ini mengambil 16 lokasi tanam yang tersebar di 6 Propinsi di Indonesia. Percobaan multilokasi dilakukan dengan rancangan acak kelompok (RAK) dengan kelompok tersarang pada lokasi. 

            Metode yang dilakukan yakni dengan pendakatan metode  Partial  Least  Square  (PLS)-AMMI. AMMI  digunakan  untuk mendapatkan matriks  interaksi  sebagai  skor  laten  interaksi  sedangkan  PLS  digunakan  untuk  memodelkan  matirks  interaksi  tersebut.  PLS -  AMMI  digunakan  dalam  uji  multilokasi  memiliki  keuntungan dalam menjelaskan sumbangan dari komponen - komponen daya hasil dan  faktor  lokasi.

             Hasil ini memberikan informasi bahwa  jika kadar air panen di atas rata- rata maka daya hasil atau hasil produksi jagung relatif lebih sedikit. Ini mungkin terjadi  karena adanya proses pengeringan dimana daya hasil dihitung untuk kadar air 15%. IGL usia masak  fisiologis  yang memberikan  efek  tidak  langsung melalui  kadar  air  panen, dan  berat  tongkol  sebesar  -0.090.  Tanda  negatif  ini  terjadi  karena melalui  kadar  air panen  yang memiliki efek negatif pada daya hasil.  Selanjutnya,  kadar  air panen  juga memberikan efek tidak langsung terhadap IGL daya hasil melalui berat tongkol dengan besar efek tidak langsungnya adalah  -0.209. Total efek dari ketiga IGL komponen daya hasil secara berurutan adalah 0.241 dari IGL usia masak fisiologis, -0.413 dari IGL kadar air panen, dan 0.921 dari IGL berat tongkol. Dari model PLSPM ini juga dapat diketahui keragaman dari  IGL usia masak  fisiologis,  IGL  kadar air panen, dan  IGL berat  tongkol panen dan  IGL daya hasil  yang dapat dijelaskan oleh model  secara berurutan adalah 0.886,  0.816,  0.763  dan  0.721  dengan  keragaman  total  dihitung  dari  nilai Q2 adalah sebesar 0.999. Besarnya nilai-nilai ini menunjukkan bahwa model yang dianalisis dapat menjelaskan  keterkaitan  antara  IGL  komponden  daya  hasil,  pengaruhnya  terhadap daya  hasil    dan  mampu  menjelaskan  pengaruh  kombinasi  kovariat  genotipik lingkungan terhadap IGL Daya Hasil. 

3. Judul Jurnal: The Causality Relationship between Management in Supply Chain Collaboration with the Prosperity of Corn Farmers in West Nusa Tenggara – Indonesia

Tahun  : 2013. Vol.5, No.19, ISSN 2222-1905

Penulis            : Tajidan, Budi Setiawan, M. Muslich Mustadjab and A. Wahib Muhaimin

            Penelitian pada jurnal ini menjelaskan  mengenai analisis faktor-faktor yang menentukan manajemen rantai pasokan dan kesejahteraan petani jagung. Data dikumpulkan dengan menggunakan metode survei dengan mewawancarai 120 petani. Rantai pengambilan sampel ditentukan dengan menggunakan teknik snowballing dari petani ke pedagang pengumpul dan konsumen. Penelitian ini dilakukan di Lombok Timur dalam wilayah administrasi Provinsi Nusa Tenggara Barat. Lokasi penelitian ditentukan dengan  menggunakan purposive sampling. Jumlah responden di setiap desa ditentukan dengan teknik random sampling proporsional dengan jumlah responden 120 petani jagung; 75 petani desa Pringgabaya utara di Kabupaten Pringgabaya dan 45  petani dari desa Bebidas di Kabupaten Wanasaba.

            Data dianalisis dengan SEM berdasarkan varians Partial Least Square menggunakan perangkat lunak Java Web Start 1.4.2_8. Urutan pemodelan persamaan struktural dapat digunakan untuk tujuan estimasi dan pengujian hipotesis, kemudian melakukan validasi untuk model luar dan dalam. Model luar Validasi terdiri dari validasi diskriminan dan keandalan komposit, yaitu rata-rata Variance Extracted (AVE)> 0,5, Cronbach Alphaand Composite Keandalan> 0,7. Model inner validasi koefisien penentu yang digunakan R-square, Batu Geisser Uji Q-square dan t-test path statistik koefisien.

            Sehingga dari hasil penelitian tersebut Hal ini juga disebutkan dijelaskan  bahwa manajemen rantai pasokan yang lebih baik akan meningkatkan kesejahteraan petani. Ini mungkin secara logis mengatakan bahwa peningkatan kolaborasi rantai pasokan secara langsung mempengaruhi kesejahteraan petani. Partisipasi petani dalam menentukan tepat panen jadwal dalam rangka meningkatkan keunggulan kompetitif masih sangat rendah. Juga, ada sangat sedikit petani yang terlibat dalam kegiatan pasca-produksi. Oleh karena itu,keunggulan kompetitif perusahaan tidak memiliki pengaruh yang signifikan terhadap peningkatan kesejahteraan petani dan peningkatan kinerja manajemen rantai pasokan. Pengaruh keunggulan kompetitif hanya terbatas pada pengaruh tidak langsung melalui kinerja organisasi.

DAFTAR PUSTAKA

Hair, J.F. 2010. Multivariate Data Analysis, 7^th edition. Pearson Prentice Hall

Ghazali, G. 2006. Structural Equation Modelling: Metode Alternatif dengan Partial Least Square. Badan Penerbit Universitas Diponegoro. Semarang

Leardi, R. 2009. Application of Genetic Algorithm-PLS for Feature Selection in Spectral Data Sets. Journal of Chemometrics Volume 14

Sinkovics.  R.  R.  2009.  The  Use  Of  Partial Least  Square  Path  Modeling  In International  Marketing.  Journal  Advaces in International Marketing. 20(2): 277-319.

Yamin,S. 2009. Structural Equation Modeling: Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan LISREL-PLS, Buku Seri Kedua. Salemba Infotek. Jakarta

Vinzi, VE. 2010. Handbook of Partial Least Squares: Concepts, Methodsand Applications. Germany