Pengenalan VisualPLS

Software VisualPLS dikembangkan oleh Jen Rui dari National Kaohsiung University Taiwan. Software ini merupakan pengembangkan dari software Laten VAriable Partial Least Square (LVPLS) yang diperkenalkan oleh Lohmoller dan masih under DOS. Sedangkan VisualPLS sudah dapat dijalankan under Windows. Software ini dapat didownload di http://www2.kuas.edu.tw/prof/fred/vpls

 

Selain fitur yang mudah digunakan karena graphical user interface seperti SmartPLS, PLSGraph. Kemampuan software ini dapat melakukan model yang melibatkan variabel moderating (interaction model) dan second order factor model dengan pendekatan repeat measured. Output hasil analisis model sudah dalam format html dan MS.Excel.  Tutorial ini menggunakan VPLS versi 1.04

Tampilan menu awal VPLS

Menu Awal VisualPLS

Sebelum menggambar atau membangun model, anda terlebih dahulu mengenal tools pada VPLS

Menu Tools VisualPLS

Keterangan :

1. Select : untuk memilih menu yang diinginkan
2.  Construct : membuat konstruk baru atau variabel laten
3. Second Order Construct : membuat second order konstruk
4. Set Path : membuat garis regresi antarkonstruk
5. Zoom in : memperbesar gambar model
6. Model Parameter : digunakan untuk membuat parameter pada model seperti missing value, output quality, dan Stone Qeisser (Q2)
7. Run : melakukan run/eksekusi PLS Algorithm pada model
8. BootStrap : untuk melakukan eksekusi model dengan Bootstrapping
9. Jacknife ; untuk melakukan eksekusi model dengan Jacknifing
10. PLS Report in Excel : output model dalam format MS Excel
11. PLS Report in Web Format : output model dalam format html
12. Area menggambar model

Setelah mengenal tools/menu VPLS, untuk memulainya klik New Model dan akan terlihat menu tampilan seperti di bawah ini 

 

Menu Konfigurasi New Model

Pada menu ini kita akan membuat project baru. Pilih PLS Project tempat menyimpan project baru yang akan dibuat.  Pada Raw Data File, cari file data model yang akan diinput untuk dianalisis. VPLS dapat membaca input data berupa : CSV (comma delimiter),*dat, *txt, raw-tab atau space delimiter. Untuk output file ada 4 pilihan menyimpan hasil output seperti LVPLS Code, LVPLS Output, Bootstrap Report dan Jacknifing Report. Menu ini bersifat opsional. 

Kemudian OK.

Baca juga :

1. Pengenalan Aplikasi warpPLS

2. Partial Least Square

3. Uji Outer Model pada PLS Path Modeling

Referensi :

Ghozali, I. (2011). Structural Equation Modeling Metode Alternatif dengan Partial Least Square PLS edisi 3. Semarang : Badan Penerbit Universitas Diponegoro

Henseller, J.,Ringle,C.M and Sinkovics.R.R. (2009). The Use of Partial Least Squares Path Modeling in International Marketing : Advances in International Marketing (20).pp.277-319.

Lohmoller,J.B. (1989). Latent Variables path Modeling with partial Least Squares. Berlin, Heidelberger : Springer

Michael, H., and Andreas, M.K. (2004). A Beginner's Guide to Partial Least Square Analysis. Lawrence Erlbaum Association, Inc.

Vincenzo, et al. (2010). Handbook of Partial Least Square. Berlin, Heidelberg : Springer-Verlag.

Uji Park Untuk Uji Asumsi Klasik Heterokedastisitas

Dalam asumsi klasik untuk menguji apakah terjadi pelanggaran terhadap heterokedastisitas dapat dilakukan dengan UJI PARK. Uji ini dikembangkan oleh Park pada tahun 1966, pengujian dilakukan dengan meregresikan nilai log residual kuadrat sebagai variabel dependen dengan variabel independennya. 

 

 

Perhatikan formula di bawah ini :

Rumus Uji Park

Dimana :
ln (resid2) = nilai residual kuadrat yang ditransformasikan ke dalam log natural (sebagai variabel dependen)
B0 = konstanta
B1X1 = Koefisien regresi dari variabel X1
B2X2 = Koefisien regresi dari variabel X2
e = eror term

Langkah analisis dengan SPSS :

1. Lakukan analisis regresi seperti biasa, masukan variabel Y ke kolom dependen dan variabel X1 dan X2 ke kolom Independen.
2. Pilih Save,kemudian centang (tik) residuals unstandardized, terus OK
3. Sekarang nilai residual sudah tersimpan
4. Hitung nilai residual kuadrat lalu ditransformasikan kebentuk log natural. Nah sekarang sudah terbentuk variabel baru ln (resid2).
5. Lakukan analisis regresi, sekarang masukan variabel ln (resid2) ke kolom dependen sedangkan variabel X1 dan X2 ke kolom independen.

Kriteria uji : pada uji t, jika nilai signifikan pada variabel independen (X1 dan X2) tidak signifikan berarti tidak terjadi pelanggaran heterokedastisitas.

Hasil Uji

Hasil Uji Park

Hasil output uji Park di  atas, terlihat pada tabel uji t, nilai signifikansi masing-masing variabel X1 dan X2 (0.830) dan X2 (0.725) tidak signifikan atau > 0.05. Hal ini menunjukan bahwa dalam model regresi tidak terjadi pelanggaran terhadap heterokedastisitas.

Baca juga :

1. Uji Asumsi Klasik Heterokedastisitas

2. Uji Asumsi Klasik Autokorelasi

3. Regresi Berganda

Referensi :

Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall

Imam Ghozali. (2012). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.