24 Januari 2021

Cara Seting Metode Algorithm di WarpPLS

WarpPLS pertama kali dikembangkan tahun 2009 dan diperkenalkan oleh Profesor Ned Kock dari Texas A&M International University pada Tahun 2010. Program WarpPLS dibuat oleh Script Warp system Loredo, Texas Amerika Serikat. WarpPLS versi 1.0 merupakan versi awal yang dibuat dan diperkenalkan. Kemudian setiap ada perubahan dan penambahan pada fitur-fitur software dikeluarkan dengan versi yang lebih tinggi atau baru lagi dengan warpPLS 2.0 ditahun 2011, WarpPLS 3.0 di tahun 2012, WarpPLS 4.0 tahun 2013, WarpPLS 5.0 di tahun 2015, WarpPLS 6.0 di tahun 2019 dan saat ini WarpPLS versi 7.0 dikeluarkan bulan Agustus 2020. Di WarpPLS 7.0, terdapat 2 seting atau pengaturan yang harus dilakukan oleh peneliti sebelum dilakukan analisis pada software yaitu pengaturan outer model dan inner model.


Pada Outer model, tersedia sebelas (11) pilihan algorithm yang dapat digunakan yaitu Factor Based PLS Type CFM, Factor Based PLS Type REG, Factor Based PLS Type PTH, PLS Regression, PLS Model M, PLS Mode M Basic, PLS Model A, PLS Mode A Basic, PLS Mode B, PLS Mode B Basic, Robust Path Analysis. Semua Jenis algorithm mempunyai karakteristik yang hampir mirip yaiut menghitung skor variabel laten dengan kombinasi linier dari indikator.

 

  1. Factor Based PLS Type CFM ada 3 jenis yaitu Type CFM1, Type CFM2, Type CFM3. Algorithm yang dihasilkan dengan estimasi dari kedua komposit awal dan faktor dalam 2 tahap, yang dihitung dari nilai eror. Seperti halnya algorithm covarian based SEM, Algorithm tersebut sepenuhnya selaras dengan asumsi umum pada model faktor. termasuk asumsi semua eror indikator yang tidak saling berkorelasi. Pada langkah pertama algorithm menghasilkan nilai baru dari composite estimasi sub algorithm. Di mana estimasi komposit berdasarkan persamaan matematis yang mengacu langsung dari model faktor secara umum.
  2. Factor Based PLS Type REG ada 2 jenis yaitu Type REG1 dan Type REG2. Pertama algorithm mengestimasi komposit melalui PLS regression dan kemudian mengeastimasi faktor dengan variasi secara bersama. Diantara faktor-faktor tersebut yang digunakan dalam software ini, Faktor Baesd PLS Type REG1 dan REG2 yang paling mendekati design PLS dari Wold's. Algorithm pada Factor Based PLS Type REG2 menggunakan reliabilitas dari Dijkstra's teknik konsistensi PLS yang mengestimasi ukuran kesalahan (eror) dan bobot awal komposit. Factor Based PLS Type REG1 algorithm menggunakan koefisien cronbach's alpha.
  3. Factor Based PLS Type PTH ada 2 jenis yaitu Type PTH1 dan PTH2. Pertama algorithm di estimasi secara komposit melalui Robus Path Analysis dan kemudian estimasi faktor menggunakan variasi secara bersama. Factor Based PLS Type PTH1, algorithm menggunakan koefisien cronbach's alpha untuk mengestimasi bobotnya. Factor Based PLS Type PTH2 algorithm menggunakan relaibilitas dari Dijkstra teknik konsitensi PLS yang mengestimasi pengukuran eror dan bobot kompositnya.
  4. PLS Regression : merupakan default outer model algorithm. Pilihan ini melakukan iterasi dengan 2 kondisi : pertama, weight dihubungkan dengan skor variabel laten dan inidkator-indikator distandardized dari koefisien regresi parsial yang dihitung dengan indikator-indikator laten eksogen dan endogen. Kedua, dari skor indikator-indikator. Didalam PLS regression algorithm algorithm, inner model tidak berpengaruh terhadap outer model. Jadi, weight tidak berpengaruh dari hubungan jalur antar variabel laten yang dibuat. Salah satu keuntungan dari penggunaan PLS regression yaitu dapat menghandel data yang mengalami problem collinearity.
  5. PLS Model M : sering disebut sebagai MIMIC atau mode mixed dimana indikator variabel laten dioperasionalisasikan berbentuk refleksif dan formatif. Di dalamnya inner model akan berpengaruh terhadap outer model antara path koefisien dan korelasi. Outer model diestimasi dari faktor ke indikator-indikator atau dari indikator-indikator ke faktor dalam kausalitas, tergantung apakah latent variabel sebagai formatif atau reflektif.
  6. PLS mode M basic : merupakan variasi dari PLS mode M dimana inner model berpengaruh terhadap outer model dari korelasi antar variabel laten. Pilihan ini sebagai “basic scheme” atau sering di
  7. PLS mode A : sering disebut mode “reflective”, merupakan outer model algorithm yang dapat digunakan untuk variabel laten berbentuk refleksif dan formatif. Perlu dicatat bahwa, algorithm ini bukan berarti dapat membuat variabel laten berbentuk formatif menjadi refleksif. Didalam mode ini outer model weight dihitung dari least square regression dimana skor variabel endigen (criteria)sebut “centroid scheme”.
  8. PLS mode A basic : merupakan variasi dari PLS mode A dimana inner model berpengaruh terhadap outer model dari korelasi antar variabel laten.
  9. PLS mode B : sering disebut mode “formative”. Merupakan outer model algorithm yang dapat digunakan untuk variabel laten berbentuk refleksif dan formatif. Dengan kata lain, bahwa algorithm ini bukan berarti dapat membuat variabel laten berbentuk refleksif menjadi formatif. Bagaimanapun PLS mode B sering kurang stabil dibandingkan dengan PLS mode A dan cenderung signifikan jika terdapat masalah collinearity antara variabel laten. Didalam mode ini, outer model weight dihitung dari least square regression dimana indikator-indikator dari prediktor dan skor variabel laten dari konstruk endogen (criterion).
  10. PLS mode B basic : yang merupakan variasi dari PLS mode B dimana inner model berpengaruh terhadap outer model dari korelasi antar variabel laten.
  11. Robust path analysis : Dalam mode ini merupakan algorithm yang sederhana,yang mana skor dari variabel laten dihitung dari rata-rata skor indikator-indikator yang berhubungan dengan variabel laten. Jadi, dalam algorithm ini weight tidak diestimasi seperti halnya pada PLS regression. Algorithm ini disebut “robust” path analysis, karena standar path analysis (dimana semua variabel laten diukur seperti indikator tunggal) dan P-value dapat dihitung dari non-parametrik metoda resampling yang ada pada software WarpPLS ini. Jika semua variabel laten diukur dengan indikator tunggal, robust path analysis algorithm akan menghasilkan skor variabel dan outer model weight yang identik dengan yang dihasilkan oleh algorithm yang lain, tetapi dengan perhitungan yang lebih efisien.

Setelah mengatur outer model algorithma, selanjutnya mengatur inner model algorithma. Semua jenis  algorithma mempunyai jenis karakteristik yang hampir sama yaitu menghitung path koefisien dengan least square regression algorithm berdasarkan pada skor variabel laten yang dihitung dari analisis outer model. Pada program WarpPLS 7.0 ini, terdapat lima pilihan inner model algorithm yang dapat digunakan yaitu :

  1. Linear, ini merupakan pilihan ketika menganalisis model linier dan tidak akan menghasilkan U-curve antar variabel laten.
  2. Warp2, algorithm ini mencoba untuk mengidentifikasi hubungan non-linear (U-curve) antar variabel laten. Pilihan ini hanya dapat digunakan ketika kita menganalisis model dengan efek interaksi.
  3. Warp2 basic, algorithm ini merupakan variasi dari Warp2 algorithm yang dapat digunakan untuk mengurangi jumlah dari sympson’s paradox dalam hasil akhir. menjelaskan sympson’s paradox merupakan kesalahan model kausalitas sehingga model perlu untuk dibalik (reversal). Ini terjadi karena di dalam versi “basic” tanda dari path koefisien awal menentukan tanda dari korelasi tanpa wrapping.
  4. Warp3, algorithm merupakan default inner model algorithm yang digunakan software ini. Algorithm ini mencoba untuk mengidentifikasi hubungan antar variabel laten yang didefinisikan dari fungsi derivative U-curve. Tipe hubungan ini lebih dikenal dengan sebutan S-curve yaitu merupakan kombinasi dari dua hubungan U-curve.
  5. Warp3 basic, algorithm merupakan variasi dari Warp3 algorithm yang dapat digunakan untuk mengurangi jumlah dari Sympson’s paradox di dalam hasil akhir. Kecuali untuk linear algorithm, semua pilihan inner model algorithm melakukan transformasi non-linear prediktor skor variabel laten sebelumnya untuk menghitung path koefisien.

Setelah peneliti menentukan metoda analisis algorithm untuk outer dan inner model, langkah selanjutnya yang harus dilakukan adalah menentukan beberapa jumlah sampel yang harus dipenuhi dalam membuat model. Seperti yang kita diketahui bahwa PLS-SEM tidak menuntut jumlah sampel besar. Meskipun demikian, kecukupan jumlah sampel untuk estimasi model PLS juga harus diperhatikan walaupun PLS dapat digunakan pada sampel yang kecil. Hal ini konsisten dengan yang dinyatakan bahwa estimasi model PLS harus tetap mengacu pada prinsip consistent at large agar hasil true value. Beberapa literature yang diperoleh bahwa dalam PLS kemudian menyatakan rule of thumb jumlah sampel minimal yang harus dipenuhi untuk estimasi model PLS yaitu 10 kali jumlah lajur path/predictor dalam model.

 

Referensi :

Ghozali,I  dan Latan, H. 2012. Partial Least Squares “Konsep, Metode  dan Aplikasi Menggunakan Program WarpPLS 4.0 Edisi 2. Semarang. Universitas Diponegoro.

Nec Kock. 2020. WarpPLS user Manual 7.0. Texas, ScriptWarp System

Tidak ada komentar: