Structural Equation Modelling – Partial Least Square

Presentasi berjudul: "Structural Equation Modelling – Partial Least Square"— Transcript presentasi:

1 Structural Equation Modelling – Partial Least Square
SEM - PLS Structural Equation Modelling – Partial Least Square Dr. NURMALA AHMAR, S.E.,Ak.,M.Si. DIYAH PUJIATI, S.E.,M.Si PEPIE DIPTYANA, S.E.,Ak. MSi. NUR SAYIDAH, SE, M.Si., Ak SETIA BUDI KURNIAWAN, SE.,MM. MUHAMMAD BISYRI EFFENDI.

2 An Overview SEM - PLS SEM PLS Asumsi Modifikasi
Normal Multivariat Independen Sampel >150 Pelanggaran Asumsi Indeks Ketepatan Model Underestimate Nilai X2 besar Modifikasi Model Tidak sesuai secara Teoritis SEM Joreskog (1982) Psikometrik Ekonometrik MLE & GLS Resampling (Bootstrap) (Efron, 1979) Berbasis varians SmartPLS GSCA, R PLS (Wold,1985) Berbasis Covariance AMOS,LISREL,R Berbasis DATA SEM BAYESIAN Winbugs, R SEM BAYESIAN BOOTSTRAP  R SEM SPATIAL  OpenMx, R

3 Langkah dalam SEM Pengembangan Model Berbasis Teori
Pengembangan Diagram Jalur (Menunjukkan Hubungan Kausalitas) Menganalisis hubungan causal antar variable eksogen dan endogen, dan sekaligus memeriksa validitas dan relibilitas instrumen penelitian. Menunjukkan hubungan jalur hubungan kausal antar variabel eksogen dan endogen, dimana hubungan yang ada Konversi diagram jalur, model structural ke dalam model matematika Konversi Diagram Jalur (Serangkaian Persamaan Struktural & Spesifikasi Model) Pemeriksaan Masalah Identifikasi Evaluasi Model Interpretasi & Modifikasi Model Pemilihan Matriks Input Muncul pada proses pendugaan parameter Data Input dalam SEM dapat berupa matriks korelasi atau matriks kovarians. Matriks kovarians, jika pengujian model telah mendapatkan justifikasi teori dan model yg diperoleh dapat digunakan untuk kepentingan prediksi. Sedangkan Matrik korelasi, semua variable ditrans-formasi ke normal standar, sehingga dapat menjelaskan pola hubungan antar variable laten yang dominant. Pengujian parameter hasil dugaan, uji model secara serentak, uji model structural dan uji model pengukuran (validitas dan reliabilitas) Jika model baik dilakukan interpretasi & jika tidak kembali Pemeriksaan Masalah Identifkasi

4 Kriteria Pemilihan Kelayakan Model
Tabel. Indeks Goodness of fit Goodness of fit index Cut-off Value 2(Chi-square ) Diharapkan kecil Significance Probability  0.05 RMSEA  0.08 GFI  0.90 AGFI CMIN/DF  2.00 TLI  0.95 CFI

5 Contoh Representasi Model SEM

6 Notasi yang digunakan ξ (KSI) : variabel eksogen (variabel latent yang tidak dipengaruhi oleh variabel latent yang lain) η (ETA) : variabel endogen (variabel latentt yang dipengaruhi oleh variabel latent yang lain) Gammma (γ) : koefisien pengukur hubungan antara variabel endogen dengan variabel eksogen. Beta () : koefisien yang mengukur hubungan antar variabel endogen. Zeta (ζ) : varian peubah latent yg tdk terjelaskan model Xi : variabel indikator (yang teramati) dari variabel latent eksogen. Lamda (λ) : koefisien (loading) yang menunjukkan hubungan X dengan variabel eksogen / endogen. Yi : variabel indikator dari peubah latent endogen Epsilon (ε) : ragam galat dari model pengukuran indikator Y pada variabel endogen. δ (DELTA) : Ragam galat dalam model pengukuran indikator X

7 PARTIAL LEAST SQUARE (PLS)

8 PARTIAL LEAST SQUARE (PLS)
Tujuan estimasi dari PLS Membuat komponen skor/bobot terbaik dari variabel laten endogen untuk memprediksi hubungan variabel lanten dan variabel observasi (Wold, 1985). Tipe Indikator pada PLS Refleksif: Indikator seolah-olah dipengaruhi oleh variabel laten (indikator adalah pencerminan variabel latennya. Formatif: Indikator seolah-olah mempengaruhi variabel laten (indikator adalah penjelas dari variabel laten) Hubungan Antar Variabel : Inner Model: Hubungan antar sesama variabel laten Outer Model: Hubungan antara indikator dengan variabel laten

9 Langkah-Langkah Estimasi Parameter
PARTIAL LEAST SQUARE (PLS) Estimasi Bobot Untuk membuat bobot /skor variabel laten Estimasi Jalur Penghubung variabel laten Mengestimasi loading antara variabel laten dengan indikatornya Estimasi Rata-Rata dan Lokasi Parameter Mencari konstanta/intersep regresi untuk indikator dan variabel laten.

10 EVALUASI MODEL

11 Case Study Data yang digunakan adalah Data dan Informasi Kemiskinan Kab/Kota Tahun 2011” hasil olah data triwulanan Survei Sosial Ekonomi Nasional (SUSENAS). Dalam penelitian ini akan dipakai unit observasi di 38 tingkatan kota / kabupaten di Jawa Timur.

12 Persentase Perempuan pengguna alat KB di rumah tangga miskin (X9)
Kemiskinan Persentase penduduk Miskin (Y1) Indeks kedalaman Kemiskinan (Y2) Indeks keparahan Kemiskinan (Y3) Ekonomi Persentase penduduk miskin usia 15 tahun keatas yang tidak bekerja (X1) Persentase penduduk miskin usia 15 tahun keatas yang bekerja di sektor pertanian (X2) Persentase rumah tangga yang pernah membeli beras raskin (X3) Persentase pengeluaran per kapita untuk non makanan (X4)  SDM Persentase penduduk miskin usia 15 tahun keatas yang tidak tamat SD (X5) Angka Melek Huruf penduduk miskin usia tahun (X6) Angka Partisipasi Sekolah penduduk miskin usia tahun (X7) Rata-rata lama sekolah (X8) Kesehatan Persentase Perempuan pengguna alat KB di rumah tangga miskin (X9) Persentase Balita di rumah tangga miskin yang proses kelahirannya ditolong oleh tenaga kesehatan (X10) Persentase Balita di rumah tangga miskin yang telah diimunisasi (X11) Persentase rumah tangga miskin dengan luas lantai perkapita ≤ 8 m2 (X12) Persentase rumah tangga miskin yang menggunakan air bersih (X13) Persentase rumah tangga miskin yang menggunakan jamban sendiri/bersama (X14) Persentase rumah tangga miskin yang mendapatkan pelayanan jamkesmas (X15) Angka harapan hidup (X16)

13 Path Analysis

14 Convergent Validity Uji Validitas Uji Signifikansi

15 Discriminant Validity & Composite Reliability

16 Model Struktural (Inner Model)
Hipotesis yang dibangun dalam kasus ini adalah sebagai berikut : H1 : Ada pengaruh antara variabel kesehatan dengan ekonomi H2 : Ada pengaruh antara variabel SDM dengan ekonomi H3 : Ada pengaruh antara variabel kesehatan dengan SDM H4 : Ada pengaruh antara variabel kesehatan dengan kemiskinan H5 : Ada pengaruh antara variabel ekonomi dengan H6 : Ada pengaruh antara variabel SDM dengan kemiskinan

17 Model Struktural (Inner Model)
Pengujian Struktural / inner model Nilai R2 Model SEM-PLS Ekonomi = Kesehatan SDM SDM = Kesehatan + error Kemiskinan = Ekonomi – 0,287 SDM – 0,274 Kesehatan