langkah-langkah dalam PLS (skripsi, tesis, disertasi)

Berikut ini adalah langkah-langkah dalam analisis dengan PLS menurut Hair, dkk (2014) :
a. Mespesifikasikan Model Struktural (Inner Model)
Proses analisis PLS-SEM dimulai dengan melakukan spesifikasi model struktural. Model struktural adalah model yang mendeskripsikan hubungan antara variabel laten. Perancangan model struktural perlu diperhatikan guna merepresentasikan hipotesis dan hubungan dalam teori yang diuji.  b. Mespesifikasikan Model Pengukuran (Outer Model) Langkah selanjutnya dalam analisis PLS-SEM adalah merancang model pengukuran. Model pengukuran merupakan wujud representasi dari hubungan antara konstruk dan variabel indikator yang mengukurnya. Tipe model pengukuran terdiri dari model pengukuran reflektif dan model pengukuran formatif, sedangkan konstruk dapat diukur dengan single item dan multi-item.
c. Pengumpulan Data dan Pemeriksaan
Pada tahap selanjutnya, data dikumpulkan untuk estimasi PLS-SEM. Apabila ditemukan jawaban kosong pada data set, maka perlu untuk menyisipkan nomor yang tidak akan muncul dalam respon untuk mengindikasikasikan missing value. Jika jumlah missing value pada data set per indikator relative kecil (kurang dari 5%) missing per indikator maka direkomendasikan penggantian nilai mean dibandingkan casewise deletion. Metode pemerikasaan lain yang dapat digunakan yaitu diagnosa outlier.
d. Estimasi Model Jalur PLS-SEM
Dalam estimasi model jalur, algoritma PLS mengestimasi path coefficient dan parameter model lain untuk memaksimalkan varians yang dapat dijelaskan oleh variabel dependen. Variabel indikator digunakan sebagai input data mentah untuk mengestimasi skor konstruk sebagai bagian dari penyelesaian algoritma PLS-SEM (Hair dkk., 2014). Algoritma PLS-SEM mengestimasi semua elemen tak diketahui dalam model jalur PLS. Hubungan antara variabel indikator dengan konstruk konstruk reflektif disebut outer loading, sedangkan hubungan antara variabel indikator dengan formatif disebut outer weight.  Algoritma PLS-SEM menggunakan elemen yang diketahui untuk estimasi, untuk itu diperlukan penentuan skor konstruk yang digunakan sebagai input untuk model regresi parsial dalam model jalur. Sebagai hasilnya, diperoleh estimasi untuk semua hubungan dalam model pengukuran (loading dan weight) dan model struktural (path coefficient). Semua model regresi parsial diestimasi oleh prosedur iterasi algoritma PLS-SEM yang terdiri dari dua tahap yaitu estimasi skor konstruk, kemudian dilanjutkan dengan kalkulasi estimasi outer weight dan loadings final, yang dikenal sebagai path coefficient model struktural dan menghasilkan nilai R square variabel endogen. Untuk menjalankan algoritma PLS-SEM maka algorithmic option dan parameter setting harus ditentukan.
e. Evaluasi Model Pengukuran
Tujuan dari evaluasi model pengukuran adalah untuk mengetahui validitas dan reliabilitas indikator. Untuk model pengukuran reflektif, evaluasi dilakukan dengan composite reliability guna menilai internal consistency serta individual indicator reliability, dan average variance extracted guna menilai convergent validity. Selain itu, untuk menilai discriminant validity dilakukan dengan perhitungan Fornell-Lacker criterion dan cross loading Evaluasi Model Struktural
Tujuan dilakukannya evaluasi model struktural pada tahap ini adalah untuk melihat signifikansi hubungan antar variabel laten dengan melihat koefisien jalur (path coefficient) yang menunjukkan ada atau tidak ada hubungan antara variabel laten dalam model penelitian. Untuk melakukan evaluasi model struktural dimulai dimulai dari melihat nilai R-Squares untuk setiap prediksi dari model struktural, nilai R-Squares digunakan untuk menjelaskan pengaruh variabel laten (eksogen) tertentu terhadap variabel laten (endogen) atau seberapa besar pengaruhnya. g. Analisis Lanjutan PLS-SEM
Analisis lanjutan PLS-SEM hanya dilakukan jika peneliti melakukan pemodelan pada data heterogen. PLS multigroup analysis (PLS-MGA) digunakan untuk membandingkan parameter (biasanya path coefficient) antara dua atau lebih kelompok data. Sebagai contoh, asumsi adanya variabel moderator kategori jenis kelamin yang mempengaruhi hubungan model jalur PLS sehingga tujuan analisis multigrup ini untuk menyingkap efek variabel moderator kategoris. Namun ketika data set heterogen tidak diketahui, maka dianggap unobserved heterogeneity. Sehingga pendekatan yang dapat dipilih ialah dengan finite mixture PLS (FIMIX-PLS).
h. Interpretasi Hasil dan Penarikan Kesimpulan Intrepretasi hasil dilakukan bedasarkan hasil dari model yang dibangun oleh peneliti berupa prediksi hubungan antar variabel yang terdapat dalam hipotesis, yaitu signifikansi hubungan antar variabel. Ketika interpretasi hasil model jalur diperlukan untuk menguji signifikansi seluruh hubungan model struktural. Ketika pelaporan hasil dapat dilakukan dengan uji signifikansi t value, p value, atau bootstrapping confidence interval. Bootsrapping digunakan untuk menilai signifikansi path coefficient