Accounting

Tiga Perhitungan Utama SMART PLS: Algorithm, Bootstrapping, dan Blindfolding

Smart PLS belakangan ini menjadi perangkat lunak yang banyak digunakan oleh peneliti untuk melakukan olah data kuantitatif data primer. Hal tersebut tidak terlepas dari keunggulan Smart PLS yang antara lain: aplikasi yang ringan, tidak membutuhkan memory/RAM dalam jumlah besar. Instalasinya pun cenderung mudah, cepat dan tersedia software open source nya atau versi student yang dapat digunakan secara gratis. Bahkan full version nya juga tersedia free trial selama satu bulan. Cocoklah bila demikian Smart PLS untuk rekan – rekan peneliti yang akan membuat paper menggunakan data primer menggunakan model structural equation modelling – partial least square.

Namun demikian tahukan Anda bahwa terdapat tiga fungsi perhitungan (calculate) utama yang sering atau hampir pasti dilakukan ketika kita melakukan olah data peneltiian kuantitatif menggunakan Smart PLS ini. Berikut ini ketiga fungsi perhitungan yang sering digunakan (Hair et al., 2018), yaitu PLS Algorithm, Bootstrapping dan Blindfolding:

  1. PLS Algorithm. Disebut juga algoritma standar untuk menghitung komponen (faktor) PLS adalah nonlinear iterative partial least square atau disingkat NIPALS (Sarstedt & Cheah, 2019). Algoritma NIPALS merupakan inti paling penting dalam PLS dan mempelajarinya merupakan kunci untuk memahami metode PLS. Ide dasar dalam algoritma ini adalah mengestimasi parameter t dan u dengan suatu proses iteratif dari regresi least square. Dengan kita mengklik PLS Algorithm, maka akan terbuka hasil analisa berikut:
    • Nilai path coefficient atau nilai koefisien jalur antara masing-masing variable eksogen ke variable endogen
    • Outer loading, biasa digunakan untuk mengukur apakah indicator benar – benar mampu mewakili variablenya
    • Direct effect, indirect effect dan total effect
    • R Square dan R Square Adjusted untuk mengetahui berapa persen variable eksogen mampu mempengaruhi variable endogen
    • F square untuk menghitung besarnya pengaruh antar variabel dengan Effect Size
    • Construct reliability dan validity, untuk uji reliabilitas dan validitas, didalamnya termasuk Cronabch’s Alpha, Composite Reliability dan Corvergent validity
    • Discriminant validity, menampilkan table fornell larcker criterion
    • Collinearity Statistic, digunakan untuk uji multikolinearitas menggunakan nilai VIF (Variance Inflation Factor)
  1. Bootstrapping adalah proses untuk menilai tingkat signifikansi atau probabilitas dari direct effects, indirect effects dan total effects. Selain itu, bootstrapping juga dapat menilai tingkat signifikansi dari nilai-nilai lainnya antara lain: r square dan adjusted r square, f square, outer loading dan outer weight.

    Dengan kita mengklik Bootstrapping, maka akan didapat hasil analisa berikut:

    • Nilai t statistic, yang kita bandingkan dengan nilai t table untuk menguji berpoengaruh signifikan atau tidaknya variable eksogen terhadap endogen
    • Nilai p value, untuk dibandingkan apakah nilainya berada dibawah significance level, misalnya dibawah 0.05 atau diatas 0.05 untuk menyatakan apakah hipotesis null atau hipotesis alternative yang diterima atau ditolak
    • Original sampel, digunakan sebagai nilai koefisien regresi, untuk melengkapi persamaan regresi
  1. Blindfolding adalah analisis yang digunakan untuk menilai tingkat relevansi prediksi dari sebuah model konstruk. Proses analisis tersebut menggunakan nilai Q Square. Jika Q Square > 0,05 maka dapat disimpulkan bahwa sebuah model konstruk adalah relevan. Artinya, variabel-variabel exogen yang digunakan untuk memprediksi variabel endogen sudah tepat.

Dengan kita mengkilk calculate pada fungsi blindfolding, maka kita akan mendapat hasil perhitungan Q2 dengan rincian besarnya Q2 yang didapat dari (1 – SSE/SSO). SSE adalah singkatan dari Sum Square Error dan SSO adalah Sum Square Observation.

Demikian penjelasan mengenai ketiga fungsi perhitungan yang sering digunakan dalam Smart PLS, semoga bermanfaat bagi rekan – rekan peneliti sekalian

Reference:

  • Hair, J. F., Risher, J. J., & Ringle, C. M. (2018). When to use and how to report the results of PLS-SEM. 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203
  • Sarstedt, M., & Cheah, J. H. (2019). Partial least squares structural equation modeling using SmartPLS: a software review. Journal of Marketing Analytics, 7(3), 196–202. https://doi.org/10.1057/s41270-019-00058-3

Image Sources: Google Images

Bambang Leo Handoko, S.E., M.M., M.Si.