PLS Prediction Oriented Segmentation (PLS-POS) (skripsi dan tesis

Menurut Becker dkk (2013) bahwa banyak kasus yang memiliki heterogenitas yang tidak teramati dapat menyamarkan beberapa hubungan yang berbeda antara konsep laten dalam suatu model kausal. Penelitian baru-baru ini telah menerapkan teknik kelas laten untuk mengevaluasi model jalur PLS. Oleh karena itu, perlu diterapkan beberapa jenis segmentasi berbasis respon laten yang memungkinkan adanya identifikasi heterogenitas yang tidak teramati. 

Di antara teknik terbaru yang ada, metode hill-climbing  (misalnya Becker dkk, 2013) adalah salah satu contoh sangat baik karena pengukurannya menggunakan pendekatan distribusi bebas untuk SEM-PLS. Metode POS tidak menggunakan indeks apapun seperti BIC, AIC atau CAIC untuk memilih jumlah segmen terbaik. PLS-POS merupakan salah satu metode segmentasi yang berorientasi pada prediksi hubungan antar konstruk dan secara khusus dikembangkan untuk melengkapi pemodelan jalur pada PLS. Metode ini mengikuti pendekatan clustering yang menempatkan observasi secara deterministik dalam kelompok dan menggunakan ukuran jarak untuk menempatkan ulang observasi ke dalam kelompok yang lebih tepat untuk meningkatkan kekuatan prediksi model R2 dari variabel laten endogen. Kelebihan dari PLS-POS antara lain yaitu merupakan pendekatan berbasis nonparametrik yang bebas dari asumsi distribusi, serta mampu mengungkap heterogenitas pada model struktural dan model pengukuran. Selain itu juga dapat diaplikasikan pada semua model jalur tanpa memperhatikan jenis model pengukuran, distribusi data, ukuran sampel, ukuran segmen relatif, multikolinearitas, maupun kompleksitas model struktural (Becker dkk, 2013). Metode PLS-POS juga dapat mendeteksi heterogenitas pada model reflektif jika terdapat heterogenitas pada model struktural, yaitu jika heterogenitas pada model pengukuran reflektif merupakan sumber dari heterogenitas yang ada pada model struktural. Berikut ini merupakan algoritma dalam PLS-POS. 1. Membentuk segmentasi awal untuk memulai algoritma 2. Menghitung estimasi PLS kelompok tertentu untuk model jalur 3. Menentukan hasil dari kriteria objektif 4. Membentuk daftar calon observasi untuk dilakukan penempatan ulang 5. Meningkatkan hasil segmentasi 23 6. Jika maksimum jumlah iterasi atau kedalaman pencarian maksimum telah tercapai, proses berhenti. Jika tidak,kembali ke langkah ke 2. Ulangi sampai tahap berhenti. 7. Menghitung estimasi model jalur PLS kelompok tertentu dan memberikan hasil akhir segmentasi. Kriteria objektif yang dimaksud dalam PLS-POS adalah memaksimalkan jumlah nilai R2 variabel laten endogen. Sesuai dengan tujuan algoritma PLS, fokus dari PLS-POS adalah memaksimalkan prediksi dari setiap kelompok dengan cara meminimumkan jumlah residual kuadrat variabel laten endogen pada model jalur PLS. Oleh karena itu, kriteria objektif diwakili oleh penjumlahan dari nilai R2 setiap kelompok yang didefinisikan dan dihitung secara eksplisit di dalam algoritma PLS-POS. Setiap penempatan observasi pada PLS-POS meyakinkan peningkatan kriteria objektif karena berdasar pada pendekatan hill climbing. Kriteria objektif ini cocok untuk diaplikasikan pada semua model jalur PLS, terlepas dalam model tersebut melibatkan pengukuran reflektif maupun pengukuran formatif. Ukuran jarak total yang digunakan dalam PLS-POS, yaitu (Becker, 2013)