Analisis Partial Least Square (PLS).

Partial least square (PLS) merupakan pendekatan yang lebih tepat untuk tujuan prediksi. PLS pertama kali dikembangkan oleh Herman Wold, beliau adalah pegawai dari Karl Joreskog (yang mengembangkan AMOS). Model ini dikembangkan sebagai alternatif untuk situasi dimana teorinya lemah atau indikator yang tersedia tidak memenuhi model pengukuran refleksif. Wold. H (1985) menyebutkan PLS sebagai ”soft modelling”. PLS merupakan metode analisis yang powerfull 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 merekomendasikan hubungan yang ada atau belum dan juga mengusulkan proposisi pengujian selanjutnya. 

Metode Structural Equation Modeling (SEM) yang berbasis variance dikenal sebagai metode Partial Least Square (PLS). Alasan-alasan yang melatar belakangi pemilihan model analisis PLS sebagai berikut:

1. PLS merupakan metode analisis yang power full yang tidak didasarkan banyak asumsi  dan memungkinkan dilakukan analisis dari berbagai indikator variabel laten baik  indikator bersifat refleksif dan formatif.
2. Metode PLS lebih mudah dioperasikan, karena PLS tidak memerlukan asumsi distribusi tertentu, tidak memerlukan adanya modifikasi indeks dan goodness of fit dapat dilihat pada Q-Square Predictive
3. PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan skala pengukuran selain interval seperti data nominal, ordinal dan data rasio dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini kita kenal Jonathan Sarwono (2012)

Asumsi PLS khususnya hanya berkaitan dengan pemodelan struktural, dan tidak terkait dengan pengujian hipotesis yaitu:

1. Hubungan antara variabel laten dalam inner model adalah linear dan adatif, dan 
2. Model structural bersifat rekursif. Selain itu berhubungan dengan sampel size, maka sampel dalam PLS dapat diperkirakan dengan: 

• Sepuluh kali jumlah jalur struktural (struktural path) pada inner model, dan 
• Sampel size kecil 30-50 atau sampel besar lebih dari 200.

Pengujian model empiris penelitian ini berbasis variance Partial Least Square (PLS) dengan software SmartPLS. Pengujian goodness of fit dilakukan baik pada tahapan pengukuran variabel (outer model) dengan melihat nilai estimasi loading karena penelitian ini seluruh variabel laten diukur dengan indikator bersifat reflektif, maka evaluasi terhadap model pengukuran dapat dilakukan melalui convergent validity, jika nilai estimasi loading ≥ 0,50 dan nilai titik kritis (critical ratio/CR) signifikan pada tingkat kepercayaan 95% atau α = 0,05. Discriminant validity dengan melihat nilai AVE (Average Variance Extracted), yang direkomendasikan nilai AVE lebih besar dari 0,50 dan nilai composite reliability lebih besar atau sama dengan 0,70 (Hair et al., 2010 dan Ghozali, (2015).

Goodness of Fit untuk inner model dievaluasi dengan melihat persentase varian yang dijelaskan yaitu dengan melihat R2 (R-square variabel eksogen) untuk konstruk laten, mengukur seberapa nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Nilai Q-square > 0 menunjukkan model memiliki predictive relevance, sebaliknya jika nilai Q-square < 0 menunjukkan model kurang memiliki predictive relevance. Perhitungan Q-square dilakukan dengan rumus: Q2 = 1– (1 – R12) (1 – R22) … (1 – Rp2).  Di mana R12, R22…Rp2 adalah R-square variabel eksogen dalam model persamaan. Besaran Q2 setara dengan koefisien determinan total R2 pada analisis jalur. Asumsi data terdistribusi bebas (distribution free), model struktural pendekatan prediktif PLS dievaluasi dengan R-square untuk konstruk dependen, Q-square test untuk relevansi prediktif, t-statistik dengan tingkat signifikansi setiap koefisien jalur.

Sumber : Ghozali, (2015) Smart Pls 3.0