Partial Least Square (PLS) (skripsi dan tesis)

Pendekatan PLS dikembangkan pertama kali oleh seorang ahli ekonomi dan statistika bernama Herman Ole Andreas Wold. Pada tahun 1974, Wold memperkenalkan PLS secara umum dengan menggunakan algorithm NIPALS (nonlinear iterative partial least squares) yang berfokus untuk maximize variabel eksogen (X) untuk menjelaskan variance variabel endogen (Y) dan menjadi metoda alternatif untuk OLS regresi. Menurut Wold dibandingkan dengan 16 pendekatan lain dan khususnya metoda estimasi Maximum Likelihood, NIPALS lebih umum oleh karena bekerja dengan sejumlah kecil asumsi zero intercorrelation antara residual dan variabel. Hal ini sejalan dengan yang dinyatakan Fornell dan Bookstein (1982) bahwa PLS menghindarkan dua masalah serius yang ditimbulkan oleh SEM berbasis covariance yaitu improper solutions dan factor indeterminacy. Partial Least Squares merupakan metoda analisis yang powerfull dan sering disebut juga sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen (Wold, 1985). Pada dasarnya Wold mengembangkan PLS untuk menguji teori yang lemah dan data yang lemah seperti jumlah sampel yang kecil atau adanya masalah normalitas data (Wold, 1985). Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Chin, 1998). Sebagai teknik prediksi, PLS mengasumsikan bahwa semua ukuran varian adalah varian yang berguna untuk dijelaskan sehingga pendekatan estimasi variabel laten dianggap sebagai kombinasi linear dari indikator dan menghindarkan masalah factor indeterminacy. PLS menggunakan iterasi algorithm yang terdiri dari seri OLS (Ordinary Least Squares) maka persoalan identifikasi model tidak menjadi masalah untuk model recursive (model yang mempunyai satu arah kausalitas) dan menghindarkan masalah untuk model yang bersifat non-recursive (model yang bersifat timbal-balik atau reciprocal antar variabel) yang dapat diselesaikan oleh SEM berbasis covariance. Sebagai alternatif analisis covariance based SEM, pendekatan variance based dengan PLS mengubah orientasi analisis dari menguji model kausalitas (model yang dikembangkan berdasarkan teori) ke model prediksi komponen (Chin, 1998). CB-SEM lebih berfokus pada building models yang dimaksudkan untuk menjelaskan covariances dari semua indikator konstruk, sedangkan tujuan dari PLS adalah prediksi. Oleh karena PLS lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, persoalan misspecification model tidak terlalu berpengaruh terhadap estimasi parameter. Algoritma dalam PLS adalah untuk mendapatkan the best weight 17 estimate untuk setiap blok indikator dari setiap variabel laten. Setiap variabel laten menghasilkan komponen skor yang didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependen (laten, observed atau keduanya) (Yamin dan Kurniawan, 2011). Kelebihan dalam PLS antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap (Ghozali, 2011).