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).
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, 7th
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
Anda Kebingungan Dan Kesulitan Menyelesaikan Skripsi, Tesis, Disertasi
BalasHapusKarena Pusing Mikirin Olah Data Analisis Statistika Dengan SPSS, AMOS
LISREL, EVIEWS, SMARTPLS, DEA
Serahkan Dan Percaya Kepada Kami.
Kami Siap Bantu Anda.
Olah Data Semarang (Timbul Widodo)
WA : +62 852-2774-6673
IG : olahdatasemarang
Selamat malam, saya mau tanya untuk PLS untuk uji hipotesis apa dapat menggunakan nilai signifikansi bukan 5%? Kalau bisa nilai t tabel untuk masing2 signifikansi berapa ya? Terutama dari signifikansi 6% sampai 10%, terimakasih
BalasHapusOlah Data SmartPLS 3.2.7 Professional
BalasHapusWhatsApp : +6285227746673
IG : @olahdatasemarang
https://www.youtube.com/watch?v=3i2-G5jeL-0
Jasa yang kami sediakan, antara lain: Olah Data SmartPLS 3.2.7 Professional.
Olah data PLS dengan program SmartPLS 3.2.7 Professional memang tergolong cukup rumit.
Namun demikian saat ini banyak penelitian yang membutuhkan teknik analisa data tersebut.
Apabila anda kesulitan dalam menyelesaikan tugas akhir terkait dengan teknik analisis PLS dengan program SmartPLS 3.2.7 Professional.
Maka jangan khawatir kami siap membantu.
Pelatihan SmartPLS 3.2.8
BalasHapusWorkshop SmartPLS 3.2.8
Kursus SmartPLS 3.2.8
Courses SmartPLS 3.2.8
Training SmartPLS 3.2.8
Materi Pelatihan
A. Menyiapkan Data
B. Menjalankan SmartPLS
C. Analisis Output SmartPLS
D. Outer Model
E. Inner Model
F. Evaluasi Kebaikan Model (Goodness of Fit)
G. Pengujian Hipotesis
H. Pengujian Mediasi
J. Pengujian Moderasi
Ø Lama Kursus : 2 jam
Ø Biaya : Rp. 200.000,- (Orang)
Ø Fasilitas
a. Instalasi software SmartPLS 3.2.8
b. Modul pelatihan softfile
Ø Tanggal Pelaksanaan
Setiap Bulan di hari Minggu.
Hubungi : Olah Data Semarang Jl. Plamongansari V RT.002 RW.009 Semarang Whatsapp 085227746673
SmartPLS 3.3.5 Full Version
BalasHapusLink Download SmartPLS 3.3.5 Full Version
https://dik.si/Smart35