Untuk mengestimasi model struktural dalam PLS pada umumnya diasumsikan bahwa data bersifat homogen atau responden berasal dari karakteristik yang sama. Asumsi ini seringkali salah dan tidak rasional karena data dapat berasal dari beberapa segmen atau unit yang berbeda dari responden yang dikumpulkan. Sebagai ilustrasi bahwa kepuasan kerja dipengaruhi oleh self efficacy (kemajuan diri) pada perusahaan/organisasi. Self efficacy ini dapat berbeda dimiliki oleh karyawan, karena perbedaan tingkat pendidikan. Karyawan yang memiliki pendidikan sarjana akan cenderung memiliki self efficacy yang tinggi dibandingkan dengan karyawan berpendidikan Diploma maupun SLTA. Oleh karena hal tersebut, jika pengumpulan data dilakukan pada semua karyawan tanpa memperhatikan segmen tersebut maka akan menghasilkan analisis yang bias. Permasalahan ini dinamakan dengan heterogenity yang sangat berpengaruh terhadap hasil analisis dan kesimpulan yang diambil. Metode untuk menyelesaikan klasifikasi observasi dapat menggunakan K-means cluster pada OLS regresi. Namun untuk model yang menggunakan unobserved variables (variabel tidak terukur) tidak mampu untuk menyelesaikan masalah heterogenity tersebut.
Seperti yang dikemukakan oleh Becker et al., (2013) sebagai berikut :“The presence of unoberved heterogeneity may be rejected and the tradisional whole-sample PLS solution may be pursued if (1) average variance explained in multi-segment model is lower than for the tradional PLS solution; and (2) PLS-FIMIX model-selection criteria for the one-segment solution shows better fit than for multi-segment solutions, for which fit deteriorites markedly (Becker et al.,2013: 686)”.
Ada 2 jenis hetegenity yaitu observed heterogenity dan unobserved heterogenty. Observed heterogenity didasarkan pada informasi yang telah diketahui sebelumnya tentang jumlah segmen. Misal berdasarkan demografik seperti jenis kelamin, pendapatan dan umur. Jika segmen ini sudah diketahui maka analisis menggunakan multi-group analysis (MGA).
Sedangkan unobserved heterogenity tidak diketahui informasi karakteristik mengenai banyaknya segmen, sehingga pengelompokkan responden atau observasi ini berdasarkan performance dari model tersebut dan dinamakan response based classification. Metode untuk unobserved heterogenity ini dapat dilakukan dengan 2 aplikasi software yaitu Response Base Unit Segmentation Partial Least Squares (REBUS-PLS) dengan XLSTAT dan Finite Mixture Partial Least Squares (FIMIX-PLS) dengan SmartPLS. Untuk kali ini akan saya perkenalkan model FIMIX-PLS dengan aplikasi SmartPLS.
Ada empat langkah/step dalam FIMIX-PLS sebagai berikut :
 |
| Langkah/Step FIMIX-PLS |
Sumber : Diadopsi dari Ringle et al. (2010a)
Untuk menentukan fit indices dari masing-masing segmen yang akan dipilih terbaik dari model dengan 2 segmen, 3 segmen atau 4 segmen dan seterusnya dapat menggunakan kriteria sebagai berikut :
- Akaike Information Criterion (AIC).
AIC merupakan ukuran Goodness of fit model yang mana disesuaikan dengan chi-square (-2 log likelihood) yang memiliki model yang kompleks (perbedaan antara parsimony dengan parameternya)
- Consisten Akaike Information Criterion (CAIC).
- Normed Entropy Statistic (EN).
Langkah pertama setelah model dibuat, lakukan langkah PLS Algorithm seperti biasanya untuk menguji Outer model (konvergent validity, discriminant validity, Fornell Larcker, AVE, Alpha cronbach’s. Composite Reliability) dan PLS Bootstraping untuk menguji Inner model (R-square dan nilai t-statistik dari path coeficient, dll).
Langkah pengujian FIMIX, Klik Calculate > Finite Mixture > (FIMIX segmentation) |
| Langkah FIMIX Segementation |
Pada menu Set up :
- Number of segments : 2 (karena akan diuji dengan dua segmen)
- Maximum iteration : 15.000. Dari beberapa literatur merekomendasikan untuk FIMIX PLS menggunakan Maximum iterations 15.000.
- Stop criterion : 4->1.0E4, abaikan menu yang lain.
- Kemudian Klik Start Calculation.
- Open Report.
 |
| Menu Finite Mixture |
Lakukan kembali seperti pada langkah di atas, untuk segmen 3 dan segment 4. Hasil dari path coefficient dari FIMIX model selengkapnya disajikan sebagai berikut :
 |
| Hasil 2 Segmentation |
Pada hasil segmen 1, nilai keofisien pengaruh Price ke Satisfaction sebesar 0.550 dan quality ke Satisfaction sebesar 0.071. Sedangkan pada segmen 2 nilai koefisien Price sebesar 0.241 dan Quality ke Satisfaction sebesar 0.661.
Untuk hasil dengan 3 segmen selengkapnya disajikan pada tabel di bawah ini.
 |
| Hasil 3 Segmentation |
 |
| Hasil 4 Segementation |
Pada hasil dengan 4 segmen diatas, nilai koefisien segmen 1 untuk Price terhadap Satisfaction sebesar 0.350, Quality terhadap Satisfactio sebesar -0.011. Pada segemen 2, nilai koefisien Proce sebesar 0.332, Quality sebesar 0.711. Pada segmen 3, nilai Price sebesar 1.002 dan Quality sebesar 0.036. Pada segmen 4, nilai koefisien Price sebesar 0.971 dan Quality sebesar 0.036.
Setelah diketahui hasil koefisien dari masing-masing konstrak pada tiap segmen, selamjutnya menguji nilai fit indices dari tiap-tiap segmen. |
| Fit Indices pada tiap segmen |
Pada tabel di atas menunjukkan bahwa nilai AIC (Akaike’s Information Criterion) segmen K= 2 lebih tinggi sebesar 718.501 dibanding segmen K= 3 sebesar 705.323 dan 4 segmen K= 4 668.472. Nilai BIC (Bayesian Information Criteria) pada segmen K= 2 juga lebih tinggi sebesar 744.427, segmen K= 3 sebesar 746.064, segmen K= 4 sebesar 724.029. Nilai CAIC (Consistent Akaike’s Information Criterion) segmen K= 2 sebesar 751.427, segmen K= 3 sebesar 757.064 dan segmen K= 4 sebesar 690.706. Sedangkan nilai EN (Entropy Statistic (Normed)) diperoleh paling tinggi pada segmen K= 4 sebesar 0.591, kemudian segmen K= 3 sebesar 0.464 dan terendah pada segmen K=2 sebesar 0.351. Karena nilai EN yang dihasilkan pada segmen K=4 paling tinggi yaitu 0.591 maka segmentasi terbaik adalah K=4.
Baca juga :
Ghozali, I dan Latan, H. 2015. Partial Least Squares : Konsep, Teknik dan Aplikasi menggunakan Program SmartPLS 3.0. Semarang : Badan Penerbit Universitas Diponegoro.
Garson, David. G. 2016. Partial Least Squares : Regression & Structural Equation Model. North Carolina. Statistical Publishing Association.
Rigdon, E, E.,Ringle, C.M., and Sterstedt, M. 2010. “Structural Modeling of Heterogeneous Data with Partial Least Squares”. In Review of Marketing Research”. pp 255-296.
Ringle, C. M., Wende, S., and Will, A. 2010b. “Finite Mixture Partial Least Squares Analysis: Methodology and Numerical Examples.”In V. Esposito Vinci, W. W. Chin, J. Hanseler & H. Wang (Eds.). Handbook of Partial Least Squares Methods and Application (.pp. 195-218). Berlin, Heidelberg: Springer.
