Selasa, 02 Juni 2009

TANYA:
Yth. Prof. Dr. Imam Ghozali, M.Com, Akt
Nama saya Pandu Winata. Saya seorang mahasiswa ingin bertanya tentang SEM dengan PLS (mohon dijawab). 
1.) Dalam buku bapak disebut bahwa tujuan PLS adalah prediksi. Apa maksudnya dan apa yang diprediksi.?
2.) Kenapa PLS tidak mengasumsikan data berdistribusi tertentu, sedangkan SEM (LISREL) mengasumsikan data berdistribusi normal.?
3.) Apa pengertian weight relation?
4.) Dalam SmartPLS, Algorithm Settings (data metric) memberikan pilihan standardized (mean 0, variance 1) atau original.Dan pada weighting scheme ada 3 pilihan yaitu centroid, factor, dan path. Dalam keadaan bagaimana kita harus menggunakan
Standardized dan original, serta weighting scheme yang mana yang harus digunakan?
5.) Apabila kita mempunyai variabel laten dengan variabel manifes yang diukur dengan kategorik (ordinal): 1=lebih buruk, 2=sama buruk, 3=sama baik, 4=lebih baik. contoh: kita membentuk 3 variabel laten, misal salah satu variabel laten tersebut adalah perkembangan usaha tani dengan variabel manifes: keadaan sumber air, kemudahan
memperoleh benih, pupuk, obat-obatan, tenaga kerja, alat pertanian, gangguan hama dan penyakit, produktivitas lahan, dan kemudahan pemasaran hasil produksi, yang semua variabel manifes tersebut diukur dengan kategorik diatas. Data metric yang mana yang harus digunakan, apakah standardized (mean 0, variance 1) atau original, serta weighting scheme yang mana yang harus digunakan?
6.) Apa arti dari nilai loading sebesar 0,439. Kenapa nilai loading bisa lebih dari satu?

JAWAB:
Pada dasarnya model struktural berasumsi bahwa anda punya model yg dikembangkan berdasarkan teori dan model tsb akan diuji (dikonfirmatori) apakah cocok dengan data empirisnya (jadi berdasarkan sample covariance matrik anda mau mengkonfimarkan model teoritiknya. Jadi sebaiknya untuk menguji SEM harus menggunakan covariance SEM (Amos, Lisrel atau EQS), namun demikian data empiris kita kadang kala tdk mampu menjawab hal ini (krn data yg sedikit, terdistribusi tdk normal, ada multikol dstnya) pokonya data yang ada tdk dapat digankan mengkonfirmasi model. Dalam keadaan seprti ini dan dengan data yg apa adanya anda terpaksa hrs menggunakan PLS, tetapi PLS tdk berpretensi inging menjawab model, hanya dengan data yg ada mencoba memprediksi hubungan seperti apa yg ada pada model jadi lebih bersifat prediktif (inilah kelemahan PLS) 
PLS datanya bisa apa saja nominal, ordinal atau kategori (shng sering disebut soft modeling)sedangkan Covariance SEM data hrs berwujud kontnyus atau interval (disebut hard modeling. Jadi PLS bersifat non-paramerik
Didalam SEM yg harus digunakan adalah nilai koefisien standardized (tanpa konstanta)mengapa krn kita ingin membandingkan antar jalur /path yg ada sehingga hrs
menggunakan nilaio standardized (di PLS dengan pilihan mean=0 dan variance=1)

Nilai loading 0.439 berarti sumbangan indikator terhadap nilai laten variabelnya sebesar 43.9% (jadi menurut PLS nilai loading factor hrs minimal 0.70 kurang dari ini hrs didrop indikatornya) Nilai loading factor bisa lebih dari 1 kalau anda tdk menggunakan nilai standrdized (jadi dengan mean=0 dan variance =1 tdk mungkin nilai loadingh lebih dari 
satu)

TANYA:
Dalam partial least square. Bagaimana prosedur untuk menguji bahwa suatu variable merupakan intervening variabel.


JAWAB:
Saya coba bantu..

Salah satu pendekatan untuk menguji hipotesis mediasi adalah dengan strategi product of coefficient, yaitu dengan menguji signifikansi indirect effect (perkalian direct effect variabel independen terhadap mediator , p1 dan direct effect mediator terhadap variabel dependen,p2, sehingga indirect effect adalah p1*p2).

Sejauh yang saya ketahui, belum ada software PLS yang memiliki fasilitas pengujian langsung terhadap indirect effect, sebagaimana AMOS atau LISREL. AMOS dengan prosedur resampling yaitu bootsrapping, sedangkan LISREL dengan Sobel test-nya, meskipun juga menyediakan bootsrapping.

Dengan demikian, pengujian hipotesis mediasional berdasarkan signifikansi indirect effect pada PLS dilakukan secara manual.
Uji signifikansi indirect effect p1*p2 didasarkan pada rasio antara koefisien p1*p2 dengan standard error-nya yang akan menghasilkan nilai z statistik (z-value). Standard error koefisien p1*p2 dihitung berdasarkan versi Aroian dari Sobel test yang dipopulerkan dan direkomendasikan oleh Baron and Kenny (1986), yaitu akar kuadrat (p2^2 Sp1^2 + p1^2 Sp2^2 + Sp1^2 Sp2^2).
Dimana:
p1 adalah koefisien path pengaruh variabel independen terhadap variabel mediasi
p2 adalah koefisien path pengaruh variabel mediasi terhadap variabel dependen
Sp1 adalah standard error dari koefisien path p1
Sp2 adalah standard error dari koefisien path p2

Jika z-value dalam harga mutlak = 1,96 atau tingkat signifikansi statistik z (p-value) = 0,05, berarti indirect effect variabel independen terhadap dependen melalui variabel mediasi, signifikan pada taraf signifikansi 0,05 (Preacher and Hayes., 2004). z-value beserta nilai probabilitasnya (p-value) dapat dihitung menggunakan Excel atau alat hitung interaktif dari Kris Preachers yang terdapat pada http://www.psych.ku.edu/preacher/sobel/sobel.htm. Dengan hanya memasukkan nilai p1, p2 beserta standar error-nya masing-masing maka uji signifikansi dengan Sobel test (bersama varianya) dapat diperoleh. Hasilnya akan sama dengan bila dihitung dengan rumus di atas.

TANYA:
apakah "convergent validity" , "disriminant validity" , "unidimensional"
adakah yang bisa bapak referensikan untuk membantu penulisan tugas akhir saya.
terima kasih yang sebesar-besarnya

JAWAB:
Pertama yg anda lakukan pengujian terhadap outer model (measurement model)
a. Convergent validity: lihat nilai loading factor untuk amsing-masing indikator. Nilai loading hrs diatas 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika ada nilai loading dibawah 0.70 delete dari analisis indikator tsb.
b. Contruct Reliability (sama dengan cronbach alpha mengukur treliabilitas konstruk atau variabel laten) nilainya hrs diatas 0.70 yang diangap reliabil.
c. Average Vrainace Extracted (mengukur validitas) nilainya 0.50
d. Discriminant validity dengan mebandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE hrs lebih besar dr korelasi antar variable latent
e. Cross-loading mengukur unidimesionalitas dari variable lantent.

Setelah anda menguji ini semua, lakukan bootstraping atau jacknifing untuk mendapatkan nilai T statistik guna menguji apakah hubungan antar variabel laten signifikan atau tdk.

1. Uji inner model (structural model):
a. Lihat nilai T statistik significan atau tdk
b. lihat nilai R2 uji determinasi atau goodness-fit dari model

TANYA:
Dalam penelitian saya menggunakan PLS diperoleh R square untuk 3
variabel kurang dari 0,4. Structural model dengan nilai kurang dari
0,3. Disisi lain uji validitas instrumen dan reliablitas semuanya
signifikan apa penelitian tersebut masih bermakna?

JAWAB:
R2 0.4 cukup baik karena variabilitas variabel endogen yg dapat dijelaskan oleh variabilitas variabel exogen sebesar 40% . Pada riset dengan data crossection nilia 40% cukup tinggi. Nilai structural model 0.3 merupakan koefieisn regresi yang penting signifikan atau tdk, kalau signikan berarti ada pengaruh Imam Ghozali

TANYA:
Saya ingin menanyakan pertimbangan untuk memilih jumlah sample dan kasus per sampel dalam bootstrapping setting. Demikian juga dalam menentukan jumlah iterasi maksimum dalam algorithm setting.



Dalam buku partial least square karangan prof Imam umumnya menggunakan jumlah sample 100 dan kasus per sampel 50. Sedangkan untuk algorithm setting jumlah iterasi maksimum 500. Apakah angka2 tersebut yang memang sebaiknya yang di gunakan Prof?

Saya membaca beberapa artikel yang menyebutkan bahwa prosedur bootstrapping menggunakan 500 resampling. Apa maksudnya pernyataan tersebut?

Apakah pertimbangan untuk memilih angka-angka tersebut juga dipengaruhi jumlah observasi (jumlah data)?

JAWAB:
Dalam SEM dengan partial least square untuk menentukan signifikan atau tidak hubungan antara variabel dengan melihat nilai t statistik. Besarnya nilai t statistik ini dihitung dengan metode bootstrapping atau jacknife. Nilai t akan stabil kalau jumlah resampling sebesar 500 artinya komputer akan melakukan resampling ulang dari original sample anda sebanyak 500 kali untuk mendapatkan nilai t . Perlu diketahui nilai t ini akan bebeda-beda atar komputer atau kalau anda ulang merun karena menggunakan metode iterasi dan masing-masing komputer memiliki nilai starting yang berbeda, tetapi hasil bootsrap dengan 500 akan memberikan nilai t yg tidak jauh berbeda sehingga dengan kriteria alpha 5% akan konsisten apakah hipotesis diterima atau ditolak. Imam Ghozali

TANYA:
Prof. Imam saya mulai menikmati mempelajari dan menggunakan PLS, saya udah membaca buku Prof dan semakin membantu saya dalam memahami PLS. Namun ada beberapa hal yang ingin saya tanyakan sehubungan dengan beberapa hal dalam PLS, yaitu: Masalahweighting scheme. Dalam buku Prof disebutkan bahwa hasil yang diperoleh dariketiga skema yaitu Centroid, Factor, dan Path tidak jauh beda. Nah yang sayatanyakan idealnya kapan atau kondisi yang bagaimana bagi peneliti sebaiknya menggunakan atau memilih satu dari tiga skema tersebut?Saya belum menemukan definisi yang jelas tentang Bootstrapping, yang saya tahu hanyabahwa Bootstrapping sama dengan resampling. Pertanyaan saya Prof, apa sebenarnya makna dari Bootstrapping?DalamBootstrapping setting terdapat preprocessing option yang terdiri dari Constructlevel change dan individual sign change. Apakah maksudnya kedua pilihantersebut dan kondisi bagaimana sebaiknya kita memilih salah satu pilihantersebut Prof? Lalukemudian pada Algorithm setting terdapat pilihan Data metric yaitu standardized(mean=0 dan variance=1) dan data original, maksudnya apa dengan kedua jenisdata tersebut? Yang terakhir Prof, bila jumlah sampel hanya 40 apakah kasus per sampel juga default 50 atau bagaimana Prof sebaiknya jumlah kasus per sampelnya?Demikian Prof. Imam pertanyaan saya, terima kasih banyak atas jawaban dan bantuannya.

JAWAB:
-Weighting scheme silahkan anda pilih salah satu Factor, Centroid atau Path, menurut Prof Chin (pembuat PLS Graph) sebaiknya menggunakan path. 
Bootsrapping adalah resampling, PLS menggunakan bootstraping dan Jacknifing untuk menentukan nilai t sehingga dapat diketahui tingkat signifikansi dari nilai t tersebut. Setiap kali anda melakukan bootsraping hasil nilai t akan berbeda karena menggunakan metode iterasi dan setiap komputer nenggunakan angka awal itersi yg berbeda. Oleh sebab itu gunakan bootstrapping 200 spy mendapatkan nili t yg stabil. input data untuk PLS dapat berupa data mentah (original) atau standardized (mean=0, variance=1). dalam analisis SEM gunakan stndardized krn kita ingin membandingkan antar jalur.

TANYA:
Didalam buku Prof. Imam (SEM- Metode alternatif dg PLS), sebelum meng-calculate model (RUN), sebelumnya ada setting yang harus dipilih.

1. Algorithm setting, ada bbrp setting yg dpt dipilih Data metric = standardized atau original 
2. Weighting scheme = centroid, factor dan path.

tetapi lebih lanjut tdk ada penjelasan mengenai masing2 pilihan setting td. mohon dijelaskan pada kondisi seperti apa masing2 pilihan td digunakan (karena masing2 pilihan, outputnya berbeda)

JAWAB:
Pada data pilih standardized (hasil-nya nanti dalam standardidized), krn SEM menggunakan output standardized untuk interpretasi. Sedang weighting umumnya digunakana path

TANYA:
Menurut Pak Imam apa penyebab nilai error nilai loading factornya, sehingga variance extractnya kurang dari 0,50 Maksudnya di Drop apa Pak? Saya belum tahu istilah
tersebut...

JAWAB:
Coba anda lihat ada indikator dengan niali loading dibawah 0.50, kalau ada berarti indikator ini tdk valid dan menyebabkan AVE rendah. indikator yg tdk valid dibuang dari model

Tanya:
jika kita ingin menggunakan path analysis, berapa buah sampel seharusnya kita anbil? jika data kita berupa data kategorik, gimana cara kita merubahnya menjadi data interval. sehingga data kita bisa dianalisis menggunakan path analysis?


Prof. Dr. Imam Ghozali, M.Com:
Apakah data ordinal harus diubah dahulu menjadi interval? Beberapa universitas di Indonesia mengharuskan data ordinal hrs diubah dahulu menjadi interval baru dapat dianalisis dengan multivariate statitik. 
Di barat sono perdebatan ini sudah selesai tahun 1950an. Data ordinal dengan Skala Likert STS(1),TS(2),N(3),S(4) SS(5) jika diubah skalanya menjadi interval maka skore interval akan mirip sama urutannya dengan skore asli ordinal dan berkorelasi sebesar 99%. Jadi data asli ordinal sama dengan interval dan dapat dianggap interval. kaitan dengan interpretasi 
Misalkan saya punya Y = a + b1X1 +b2X2

Y = 0.50 +0.25X1 +0.30X2

Jika data kita interval misal Y=GDP, X1=Inflasi dan X2=Kurs, maka saya dpt menginterpretasikan bahwa kalau inflasi naik 10% maka GDP naik 2.5%, kalau kurs naik 10%, maka GDP naik 3%. Akan tetapi kalau data kita ordinal (kualitatif) misal Y=kepuasan kerja, X1=Komitmen, X2=motivasi, maka saya tdk bisa interpretasi jika komitmen naik 10% maka kepuasan naik 2.5% (karena data kita kualitatif) jadi kita hanya bisa mengatakaan bahwa komitmen berpengaruh thdp kepuasan seberapa besar pengaruhnya tdk tahu (kualiatif). walaupun data ordinal tadi sdh menjadi interval tetap saja kita tdk bisa interpretasi krn data kita aslinya adalah kualitatif

Di jurnal-jurnal ilmiah tdk pernah dipersoalkan bahwa data ordinal hrs diubah dahulu mejadi interval, krn mereka sdh clear masalah ini 50 tahun lalu dan kita masih mempersoalkan sampai saat ini Yang berminat saya berikan referensi diskusi hal ini dari salah satu buku terbitan 1957

Tanya:
saya irwan hadianto, mahasiswa teknik industri atmajaya jakarta. saya merupakan orang awam yang hanya mengetahui sangat sedikit pengetahuan tentang menggunakan SEM dengan metode alternatif dengan PLS (dlm hal ini saya menggunakan software smartPLS 2.0). dalam model yang saya buat, saya menggunakan second order factor model, menurut buku yang bapak tulis yaitu SEM dengan metode alternatif dengan PLS, saya pun menggunakan repeated indicators approach. 
(1) jika saya harus menghapus beberapa indikator dari first order LV, haruskah saya mengahapus indikator yang sama dari second orde LV saya??
(2) manakah yang harus lebih didahulukan, nilai outer loading (crossloading dari indikator ke LV) atau kah nilai dari T-statistic. walaupun mayoritas sama (jika menurut crossloading tidak berpengaruh, maka memiliki nilai T-statistic yang rendah sehingga tidak signifikan) namun, ada beberapa indikator yang agak berbeda. mis, menurut crossloading harus di-delete namun, menurut T-statistic tidak boleh di-delete ??

Besar harapan saya, agar bapak kiranya mau membantu saya.
Terima kasih sebesar-besarnya,
irwan hadianto.


Prof. Dr. Imam Ghozali, M.Com:
Salam kenal kembali. Pertanyaan anda ini kelihatannya pernah anda posting di forum www.smartpls.de, sepintas saya membaca disana dan belum ada respons.

Pada model second order yg menggunakan repeated measure, jika indikator anda delete dari first order, mk dengans endirinya juga hrs didelete pada second ordernya.

Analisis pada partial least square ada dua:
1. Analisis pada outer model atau measurement model yg terdiri dari:
a. Convergent validity - nilai loading minimal hrs 0.70
b. Cross-loading untuk m,enguji unidimesionalitas dari konstruk atau variabel laten
c. Discriminant Validity
d. Construct Reliability
e. Average Variance extracted
Kalau semua ini sudah ok atau lolos kriteria, baru menguji inner model atau structural model:

2. Analisis inner model
a. melihat nilai koefisien antar variabel laten
b. dengan bootstraping atau jacknifing anda akan memperoleh nilai t statistik masing-masing koefisien
c. lihat nilai R2

Mudah-mudahan menjawab pertanyaan anda dan semua ada pada buku saya (sat ini sedang saya revisi total dengan SmartPLS versi 2)

Tanya:
terima kasih atas jawaban anda.
saya memang sudah pernah posting disana, namun memang belum ada jawaban.
namun, saya sebagai pengguna smartPLS yang masih sangat baru masih banyak mengalami kebingungan.

1)jika untuk outer model nilai loading 'minus' apakah itu ok?? mis -0,5, sementara menurut bapak ketika tahap pengembangan nilai 0,5 dapat diterima.
2)apakah perbedaan mendasar dari algorithm setting, pada bagian weighting scheme??
(antara centroid, factor, path) kapan kita harus menggunakan yang mana.


Prof. Dr. Imam Ghozali, M.Com:
Nilai outer loading tdk boleh negative, hal ini bisa jadi karena pada saat anda tabulasi lupa belum direcode (indikator pertanyaan jika ada yang cara bertanyan negatif hrs dirubah jadi positif pada saat tabulasi). Dugaan saya anda lupa belum melakukan recode thd kuesioner anda.

Weighting scheme apapun yg anda pilih tdk memberikan hasil yg jauh berbeda sekitar 0.05, tetapi umumnya sekarang banyak yg menggunakan path.

Tanya:
terima kasih atas jawaban bapak yang sangat membantu saya saya akan mencoba melihat data dan recode dengan hasil kuisioner saya. apakah "convergent validity" , "disriminant validity" , "unidimensional" adakah yang bisa bapak referensikan untuk membantu penulisan tugas akhir saya. terima kasih yang sebesar-besarnya

Prof. Dr. Imam Ghozali, M.Com:
Pertama yg anda lakukan pengujian terhadap outer model (measurement model)
a. Convergent validity: lihat nilai loading factor untuk amsing-masing indikator. Nilai loading hrs diatas 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika ada nilai loading dibawah 0.70 delete dari analisis indikator tsb.
b. Contruct Reliability (sama dengan cronbach alpha mengukur treliabilitas konstruk atau variabel laten) nilainya hrs diatas 0.70 yang diangap reliabil.
c. Average Vrainace Extracted (mengukur validitas) nilainya > 0.50
d. Discriminant validity dengan mebandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE hrs lebih besar dr korelasi antar variable latent
e. Cross-loading mengukur unidimesionalitas dari variable lantent.

Setelah anda menguji ini semua, lakukan bootstraping atau jacknifing untuk mendapatkan nilai T statistik guna menguji apakah hubungan antar variabel laten signifikan atau tdk.

1. Uji inner model (structural model):
a. Lihat nilai T statistik significan atau tdk
b. lihat nilai R2 uji determinasi atau goodness-fit dari model

Semua ini muncul dari output SMARTPLS atau Visual PLS

Tanya:
Prof. Imam Yang Terhormat,
Melalui milis ini saya ingin menanyakan perbedaan antara penggunaan analisis hubungan dengan analisis pengaruh, karena sering masih sering terjadi kebingungan penggunaannya. Misalnya :

Analisis Hubungan Kecerdasan Emosional Dengan Kinerja Pemimpin apa
Analisis Pengaruh Emosional Terhadap Kinerja Pemimpin?

Kalau yang menggunakan kata "pengaruh" di bab 2 juga tetap mencantumkan hubungan X1 dengan Y. Sebaliknya yang menggunakan kata "Hubungan" panahnya juga hanya satu arah saja. Dari segi pengujian yang memakai "hubungan" juga tetap menggunakan regresi untuk memprediksinya.


Sefnedi, Ph.D:
Izinkan saya mencoba merespon persoalan anda tentang beda antara hubungan dan pengaruh:
1. Ketika kita menggunakan terminologi hubungan (correlation), kita belum mengetahui mana independent variable (IV) dan mana dependent variable (DV). Jadi kita hanya ingin menguji secara empiris hubungan kedua variabel atau lebih (Correlation analysis). Ini dapat kita uji dengan menggunakan bivariate correlation.
2. Namun disaat kita menggunakan terminologi pengaruh (impact or influence), disaat itu kita sudah memberikan justifikasi bahwa independent varible (kecerdasan emosi) berpengaruh terhadap dependent variable (kinerja). 
3. jika kita ingin menguji pengaruh biasanya kita juga melakukan pengujian hubungan terlebih dahulu. Logika sederhana dibalik ini adalah tidak akan mungkin IV(kecerdasan emosi) berpengaruh signifikan terhadap DV (kinerja) apabila kedua variabel tersebut tidak memiliki hubungan yang signifikan. Misalnya, tidak mungkin saya berpengaruh
terhadap anda, sedangkan antara saya dan anda tidak punya hubungan. 4. Dalam analisa regresi (pengaruh) pada output SPSS terlihat model summary. Disini kita bisa melihat nilai adjusted R2 (pengaruh) dan R (hubungan).
Demikian, semoga ada manfaatnya.

Tanya:
Apakah dengan PLS, tesis yang dibuat interpretasinya cukup dengan Evaluasi Outer Model (Model Pengukuran) dan Inner Model (Model Struktural) saja ?
Bagaimana dengan analisa hipotesanya ? Apakah tidak ada uji multikol, uji kualitas data, dsb seperti dalam SPSS ?

Prof. Dr. Imam Ghozali, M.Com:
Dengan PLS tidak ada uji seperti SPSS. Yang perlu ada lakukan

1. Evaluasi model pengukuran atau outer model:
a. lihat convergent validity (loading factor >0.70)
b. lihat discriminant validity
c. lihat Average Variance Extracted (AVE>0.50)
d. lihat construct reliability (>0.60)

Model pengukuran ok

2. Menguji model struktural atau inner model
(hipotesis model)
a. Melihat nilai t dari hasil boostraping, kalau nilai t>1,96 (sig pada 5%)
b. Melihat koefisien regresi
C. Melihat R2

Tanya:
Di kampus saya sekarang ini terjadi perdebatan tentang interveing. Misalnya saya gambarkan sebagai berikut : ada pengaruh A ke B kemudian ke C (B variabel intervening). Dosen A mengajarkan dua hipotesis, yaitu :
1. Ada pengaruh langsung A ke C
2. Ada pengaruh tidak langsung A ke C melalui B.
kemudian diuji dengan cara : jika (jalur A ke B)x(Jalur B ke C)lebih besar daripada jalur langsung A ke C, maka dikatakan B variabel intervening. Begitu juga sebaliknya.

Tetapi dosen W menyalahkan hipotesis tersebut beserta cara pengujiannya, katanya hipotesis yang betul ada tiga, yaitu :
1. Ada pengaruh A thp B
2. Ada pengaruh A thp C
3. Ada pengaruh B thp C.
Kemudian hipotesis tersebut diuji dengan uji t. Selain itu juga cara menuliskan persamaannya juga terjadi perdebatan. Menurut prof imam yang benar yang mana? Mahasiswanya pada bingung.

Prof. Dr. Imam Ghozali, M.Com:
Sebetulnya tergantung dari model teoritiknya modelnya
dpt :
1 A------>B ---------> C
2 A--------------->C
B
model 1 A tdk langsung ke C, tetapi hrs lewat B dahulu, sementara model 2 A bisa langsung ke C, tetapi bisa juga lewat B baru ke C. Disini A adalah variabel exogen (variabel yg tdk punya anteseden atau tdk dipengaruhi variabel sebelumnya), sedangkan B dan C adalah variabel endogen karena punya anteseden. variabel intervening atau mediating adalah variabel endogen yg mempunyai anteseden dan konsekuen
yaitu B. 
Pada model 1 jelas bahwa hubungan A ke C tdk langsung hrs lewat B. jadi kalau A ke B signifikan dan B ke C juga signifikan maka B intervening dan hubungan A ke C tdk langsung lewat B. 

Pada model 2 ada dua kemungkinan A berpengaruh langsung ke C atau tidak langsung yaitu dari A ke B, baru ke C. Jika A ke C signifikan (langsung) dan A ke B juga signifikan serta B ke C juga signifikan, maka A ke C bisa langsung atau tidak langsung. mana yang lebih kuat tinggal membandingkan koefisien A ke C dibandingkan dengan perkalian koefisien A ke B dan B ke C jika koefisien tdk langsung lebih besar drpad
langsung, maka bisa disimpulkan bahwa hubungan A ke C tidaklangsung lewat intervening B. Apakah koefisien signifikan atau tidak dilihat nilai t statistiknya untuk 1%= 2.58, 5%=1.96 dan 10%=1.64 jika nilai t statistik lebih besar dari nilai ini maka signifikan.

Tanya:
Pak Imam.. saya mahasiswa pascasarjana Maksi UGM, sekarang sedang menulis Thesis. Thesis saya menganalisis 4 variabel laten menggunakan SmartPLS dari buku bapak. konstruk yang dibangun seperti pada bab 6 didalam buku. Dari hasil penyebaran kuesioner pilot, ada beberapa hal yang ingin saya tanyakan terkait dengan hasil analisis.

Alat ukur yang digunakan dalam SmartPLS untuk menguji validitas dan reliabilitas indikator dan variabel laten ada empat, yaitu: convergent validity, discriminant validity, akar AVE dan composite reliability. hasil uji kuesioner saya menunjukkan:

1. pengukuran dengan convergent validity menunjukkan ada beberapa indikator yang harus di drop. setelah di drop ada beberapa indikator yang dapat diterima, namun ada juga beberapa indikator yang loading factornya > 0,50 tetapi T-statistik-nya <> 1,96. bagaimanakah perlakuan untuk indikator-indikator seperti ini?

2. saya mencoba men-drop ke 2 macam loading factor tersebut. setelah 3 kali proses semua indikator telah layak loading factor dan T-statistiknya, hanya saja ada satu variabel laten yang hanya memiliki 1 indikator saja. variabel ini adalah outer loadingnya. Apakah analisis nantinya bisa layak digunakan? (nilai factor loadingnya 1.000 dan T-statistik tidak muncul)

3. Setelah itu saya menguji discriminat validity dengan cross loading. Ada satu variabel yang korelasi masing-masing indikatornya, dari 6 indikator, 2 diantaranya memiliki nilai loading antar variabel dibawah nilai korelasi dengan variabel lainnya. bagaimanakah perlakukan dengan indikator ini? sedangkan syaratnya harus lebih besar.

4. Selanjutnya saya menguji Akar AVE, ada satu variabel laten yang akar AVE berada dibawah korelasi antar variabel laten. Bagaimanakah reliabilitas variabel dengan cara ini? apakah variabel laten tersebut dikeluarkan? sedangkan pengujian dengan Composite reliability semua variabel laten telah layak diatas 0,7.

5. Apakah dari ke 4 metode pengukuran tersebut, semuanya (keempat-empatnya) harus digunakan? Apakah tidak cukup misalnya hanya dengan convergent validity dan composite reliability?

6. Pertanyaan-pertanyaan ini muncul karena sangat sedikit keterangan di buku bapak yang secara rinci terkait dengan indikator/variabel tidak layak/tidak memenuhi syarat. kalau boleh saya memberi saran, mungkin perlu ditambahkan kasus-kasus seperti masalah yang saya hadapi tersebut.

Prof. Dr. Imam Ghozali, M.Com:
1. Pada prinsipnya indikator yg mempunyai loading factor signifikan yg hrs dipakai dan nilai loading minimal 0.70 (menurut banyak penulis. ttp untuk penelitian yang belum mapan variabelnya masih dimungkinkan dengan kriteria .50 - .60 (ini sama dengan uji validitas. Jadi indikator yg tdk signifikan pasti dibuang sedang ndikator signifikan ttp loadingnya dibawah 0.50 juga dibuang.

2. Kalau anda melakukan uji cross-loading dan ada dua indikator yg tidak dalam satu konstruk laten, maka dua indikator ini dianggap tdk mengukur konstruk tersebut dan hrs dibuang dari indikator pembentuk konstruk.

3. Composite reliability sama dengan cronbach alpha sebagai pengukur konsitensi, sedangkan AVE sama dengan uji validitas. Jadi kalau ada konstruk yang nilai AVE-nya di bawah 0.50 menandakan bahwa konstruk tersebut validitasnya rendah dan ini menjadi
keterbatasan penelitian anda untuk konstruk tersebut.

4. untuk konstruk yang hanya memiliki satu indikator, maka indikator tersebut hrs dibuat dalam bentuk refleksif. (PLS tidak dapat membuat observe variable dengan kotak spt dalam AMOS atau LISREL) jadi variable observed dalam PLS dibentuk dengan variabel latent dengan satu indikator bentuknya refleksif (arah panah anda ubah dari indikator ke konstruk)

Semoga menjawab pertanyaan anda, kalau anda ingin tahu lebih jelas mengenai smartpls silahkan joint diskusi atau membaca hasil diskusi di www.smartpls.de

Tanya:
Saya telah bikin tesis dgn PLS dan memakai buku panduan Prof Imam ttg PLS. Dalam contoh pembahaasan di buku PLS tsb, nilai loading diatas 1.00 (nilai loading 1), dosen penguji saya menyalahkan tesis saya kenapa nilai loading bisa di atas 1. Itu SALAH
katanya, nilai loading pasti antara 0 s.d 1, tapi kenapa tesis saya bisa di atas 1. Bingung
juga jawabnya. Berarti buku Prof Imam ttg PLS juga salah ya ? Mohon tanggapan dari rekan2. Saya memakai SMart PLS & PLSGraph.

Imam Ghozali:
terima kasih, ada dua kemungkinan mengapa nilai loading factor anda lebih dari satu: 
1. anda harus memilih output dengan nilai standardized (dalam hal PLS pilih Nilai Variance=1 dan means=0)dan jika hasilnya masih di atas satu setelah di standardise, maka yang salah pada data anda
2. Jika nilai loading factor standardozed lebih dari satu, berarti variance dari indikator itu negative dan ini problem pada data anda. Memang benar bahwa nilai variance tidak boleh negatif (didalam buku Amos dan Lisrel saya sebut heywood case)
3. Karena problem ada pada data anda bisa jadi data tidak normal, ada oultlier dstnya. Benahi dahuku dengan data anda atau nilai yang tadi negatif dikonstraint menjadi nilai positif kecil (kalau anda menggunakan Amos atau Lisrel lihat pembahasan di buku
saya)
4. Jadi yang salah bukan buku saya, tetapi data anda yg tidak memenuhi asumsi.

syaiful_maksi12:
saya sependapat dengan Prof Imam..ada kemungkinan item pertanyaan di kuesioner merupakan pertanyaan konfirmasi. langkah yang harus anda ambil adalah dengan membalik score jawaban. jika responden menjawab 7 maka anda ganti dengan score 1, jika 6 anda ganti dengan 2..begitu seterusnya. lakukan langkah ini hanya pada loading faktor yang bernilai negatif. slamat mencoba..

Tanya:
Yth. Prof. Imam dan teman-teman milist, saya ingin menanyakan berapa nilai batas minimum nilai lambda yang dapat diterima dalam SEM agar loading factor signifikan. Saya baca di Nunally dkk. diatas 0,07. Jika nilai lambda di bawah 0.04 bagaimana caranya untuk menaikkan nilai tersebut. Saya menggunakan software AMOS, terima kasih atas jawabannya. Terima kasih

Imam Ghozali:
Lambda sama dengan loading factor. Umumnya loading factor yg kecil menghasilkan adalah tdk signifikan. Jadi yg penting anda lihat pertama apakah loading factor tersebut signifikan atau tidak. Setelah itu jika signifikan maka loading yang digunakan hanyalah
indikator yg memberikan nilai loading 0.70 (convergent validity) menurut beberapa artikel jurnal. Bisa diturunkan menjadi 0.50 - 0.60 kalau masih belum banyak penelitian di bidang tersebut. tetapi ada penulis seperti Hair yang mengatakan bahwa loading
factor 0.40 masih ok. Pada prinsipnya loading factor ini mengukur validitas dari instrumen, jika nilainya tdk signfikan atau kecil, maka dianggap indikator ini tdk mengukur variabel latennya.

Tanya:
1.Dari hasil output pada SmartPLS versi 1.01 ada tabel Inner weights (Stuctural Model) tabel ini apa artinya ??? 
2.Yang dimaksud 'nilai koefisien' pada hasil inner model di buku SEM dgn alternatif PLS apa ?
3.Yang dimaksud Outer Loading ? apakah sama dengan Loading FActor?

Imam Ghozali:
Istilah yg digunakan dalam SEM PLS dengan AMOS atau LIsrel agak berbeda, tetapi maksudnya sama.

Inner model = persamaan struktural (hubungan antar latent variable) 
Outer Model = model pengukuran atau measurement model (yaitu persamaan dari indikator ke variabel laten atau sama dengan loading factor masing-masing indikator)

Didalam PLS menguji goodnessfit model atau keseuaian model seperti dalam regresi yang dlihat nilai R2 (koefisien determinasinya). Pada saat anda me-run PLS calculate maka anda akan mendapatkan nilai koefisien regresi dari hubungan antar variabel, sedangkan untuk melihat apakah koefieisn regresi ini signifikan atau tidak anda harus me-run pls bootstraping untuk mendapatkan nilai T statistik dan dibandingkan dengan
tabel t untuk melihat signifikan atau tdk.

Jadi pada output inner weighnt table anda hanya melihat nilai T untuk menentukan signifikansinya, sedang nilai koefisien regresi pilih yg sama dengan saat anda me-run sebelum bootstraping.

Tanya:
Pengujian dengan PLS (ghozali,2006) ada tiga tahap :

1. Menciptakan skor Var Laten (weight estimate).
2. Menghasilkan estimasi untuk inner dan outer model.
3. Menghasilkan estimasi means dan konstanta.

Pertanyaan:

1. Tolong dibantu menjelaskan untuk point no.3 dan hasilnya dilihat jika memakai SmartPLS pada tabel/gambar yg mana?
2.Bagaimana cara menginterpretasikan hasil estimasi means dan konstanta
3.Pada tabel: Result for inner weights ada kolom Means Of Subsamples bagaimana
penjelasannnya?
4.Bagaimana Jika pada pengujian Reliabilitas dengan Composite Reliability menunjukkan hasil semua var. berada diatas 0,80 -- artinya dgn CR reliabilitasnnya dibaik. TETAPI
bagaimana jika pada pengujian AVE ada 1 var yg nilainya dibawah 0,50 Bagaimana cara
menjelaskannya atau apakah hal ini menunjukkan bahwa reliabilitasnya jadi buruk (tidak reliabel) ???

Imam Ghozali:
Didalam meng-input data PLS untuk analisis ada dua pilihan apakah original atau standardized (mean=0 dan variance=1). Jika anda pilih pada data setting = original maka output anda akan memberikan dua nilai yaitu means subsample sebagai konstanta dan original subsample estimate. tetapi kalai pilihan anda standardized (mean=0 dan variance=1) anda hanya punya output origianl subsample estimate.

Intinya jika pilihan anda original maka hasil regeresi dengan konstanta Y = a + b1X, tetapi kalau standardize maka tdk ada konstanta y=b1x. Dalam analisis SEM yg
kita pakai adalah standarsizes, jadi yg tdk ada konstantanya atau anda hrs pilih mean=0 dan variance=1 Construct reliability untuk menguji apakah responden dalam menjawab pertanyaan anda konsisten atau tdk (ngawur acak lewat menghitung kancing baju pilih atau tdk pilih atau saat menjawab dipikirlebih dahulu, jika jawaban orang konsisten atau dipikir benarean maka nilai CR pasti tinggi 0.70. Sedangkan AVE mengukur validitas instrumen/pertanyaan. Kuesioner anda ingin mengukur tinggi tetapi oleh responden dijawab/ditafsirkan panjang, dalam hal ini pertanyaan anda tdk valid. Jadi nilai AVE<0.50

Tanya:
pak, saya punya 3 variabel laten misalnya A, B, C. A mempengaruhi B dan C. B mempengaruhi C,saya bingung nentuin variabel B, apakah variabel eksogen atau endogen? Saya juga mo nanya, gimana caranya masukin data jika tiap indikator punya 2 atau 3 pertanyaan?Misalnya variabel laten A punya 3 indikator X, Y, Z. tiap indikator punya 3 pertanyaan, gimana masukinnya ke data mentah(csv)? apakah nantinya jadi x1, x2, x3, y1, y2, y3, z1,z2,z3 dan apakah ini bisa dirata2 baru dimasukkan ke csv sebagai nilai indikator x,y,z?

Imam Ghozali:
Oh kalau anda menggunakan variabel laten, ya semua indikator atau manifest digunakans ebagai data mentah dan masukkan ke excel lalu save as csv file seperti 
pada buku saya. jangan dijumak atau dirata-rata biarkan masing-maisng manifest dibaca oleh pls

Dikutip dari http://mitrariset.blogspot.com/2009/01/multivariate-jilid-2.html
Selanjutnya

TANYA:
Yth. Prof. Dr. Imam Ghozali, M.Com, Akt
Nama saya Pandu Winata. Saya seorang mahasiswa ingin bertanya tentang SEM dengan PLS (mohon dijawab). 
1.) Dalam buku bapak disebut bahwa tujuan PLS adalah prediksi. Apa maksudnya dan apa yang diprediksi.?
2.) Kenapa PLS tidak mengasumsikan data berdistribusi tertentu, sedangkan SEM (LISREL) mengasumsikan data berdistribusi normal.?
3.) Apa pengertian weight relation?
4.) Dalam SmartPLS, Algorithm Settings (data metric) memberikan pilihan standardized (mean 0, variance 1) atau original.Dan pada weighting scheme ada 3 pilihan yaitu centroid, factor, dan path. Dalam keadaan bagaimana kita harus menggunakan
Standardized dan original, serta weighting scheme yang mana yang harus digunakan?
5.) Apabila kita mempunyai variabel laten dengan variabel manifes yang diukur dengan kategorik (ordinal): 1=lebih buruk, 2=sama buruk, 3=sama baik, 4=lebih baik. contoh: kita membentuk 3 variabel laten, misal salah satu variabel laten tersebut adalah perkembangan usaha tani dengan variabel manifes: keadaan sumber air, kemudahan
memperoleh benih, pupuk, obat-obatan, tenaga kerja, alat pertanian, gangguan hama dan penyakit, produktivitas lahan, dan kemudahan pemasaran hasil produksi, yang semua variabel manifes tersebut diukur dengan kategorik diatas. Data metric yang mana yang harus digunakan, apakah standardized (mean 0, variance 1) atau original, serta weighting scheme yang mana yang harus digunakan?
6.) Apa arti dari nilai loading sebesar 0,439. Kenapa nilai loading bisa lebih dari satu?

JAWAB:
Pada dasarnya model struktural berasumsi bahwa anda punya model yg dikembangkan berdasarkan teori dan model tsb akan diuji (dikonfirmatori) apakah cocok dengan data empirisnya (jadi berdasarkan sample covariance matrik anda mau mengkonfimarkan model teoritiknya. Jadi sebaiknya untuk menguji SEM harus menggunakan covariance SEM (Amos, Lisrel atau EQS), namun demikian data empiris kita kadang kala tdk mampu menjawab hal ini (krn data yg sedikit, terdistribusi tdk normal, ada multikol dstnya) pokonya data yang ada tdk dapat digankan mengkonfirmasi model. Dalam keadaan seprti ini dan dengan data yg apa adanya anda terpaksa hrs menggunakan PLS, tetapi PLS tdk berpretensi inging menjawab model, hanya dengan data yg ada mencoba memprediksi hubungan seperti apa yg ada pada model jadi lebih bersifat prediktif (inilah kelemahan PLS) 
PLS datanya bisa apa saja nominal, ordinal atau kategori (shng sering disebut soft modeling)sedangkan Covariance SEM data hrs berwujud kontnyus atau interval (disebut hard modeling. Jadi PLS bersifat non-paramerik
Didalam SEM yg harus digunakan adalah nilai koefisien standardized (tanpa konstanta)mengapa krn kita ingin membandingkan antar jalur /path yg ada sehingga hrs
menggunakan nilaio standardized (di PLS dengan pilihan mean=0 dan variance=1)

Nilai loading 0.439 berarti sumbangan indikator terhadap nilai laten variabelnya sebesar 43.9% (jadi menurut PLS nilai loading factor hrs minimal 0.70 kurang dari ini hrs didrop indikatornya) Nilai loading factor bisa lebih dari 1 kalau anda tdk menggunakan nilai standrdized (jadi dengan mean=0 dan variance =1 tdk mungkin nilai loadingh lebih dari 
satu)

TANYA:
Dalam partial least square. Bagaimana prosedur untuk menguji bahwa suatu variable merupakan intervening variabel.


JAWAB:
Saya coba bantu..

Salah satu pendekatan untuk menguji hipotesis mediasi adalah dengan strategi product of coefficient, yaitu dengan menguji signifikansi indirect effect (perkalian direct effect variabel independen terhadap mediator , p1 dan direct effect mediator terhadap variabel dependen,p2, sehingga indirect effect adalah p1*p2).

Sejauh yang saya ketahui, belum ada software PLS yang memiliki fasilitas pengujian langsung terhadap indirect effect, sebagaimana AMOS atau LISREL. AMOS dengan prosedur resampling yaitu bootsrapping, sedangkan LISREL dengan Sobel test-nya, meskipun juga menyediakan bootsrapping.

Dengan demikian, pengujian hipotesis mediasional berdasarkan signifikansi indirect effect pada PLS dilakukan secara manual.
Uji signifikansi indirect effect p1*p2 didasarkan pada rasio antara koefisien p1*p2 dengan standard error-nya yang akan menghasilkan nilai z statistik (z-value). Standard error koefisien p1*p2 dihitung berdasarkan versi Aroian dari Sobel test yang dipopulerkan dan direkomendasikan oleh Baron and Kenny (1986), yaitu akar kuadrat (p2^2 Sp1^2 + p1^2 Sp2^2 + Sp1^2 Sp2^2).
Dimana:
p1 adalah koefisien path pengaruh variabel independen terhadap variabel mediasi
p2 adalah koefisien path pengaruh variabel mediasi terhadap variabel dependen
Sp1 adalah standard error dari koefisien path p1
Sp2 adalah standard error dari koefisien path p2

Jika z-value dalam harga mutlak = 1,96 atau tingkat signifikansi statistik z (p-value) = 0,05, berarti indirect effect variabel independen terhadap dependen melalui variabel mediasi, signifikan pada taraf signifikansi 0,05 (Preacher and Hayes., 2004). z-value beserta nilai probabilitasnya (p-value) dapat dihitung menggunakan Excel atau alat hitung interaktif dari Kris Preachers yang terdapat pada http://www.psych.ku.edu/preacher/sobel/sobel.htm. Dengan hanya memasukkan nilai p1, p2 beserta standar error-nya masing-masing maka uji signifikansi dengan Sobel test (bersama varianya) dapat diperoleh. Hasilnya akan sama dengan bila dihitung dengan rumus di atas.

TANYA:
apakah "convergent validity" , "disriminant validity" , "unidimensional"
adakah yang bisa bapak referensikan untuk membantu penulisan tugas akhir saya.
terima kasih yang sebesar-besarnya

JAWAB:
Pertama yg anda lakukan pengujian terhadap outer model (measurement model)
a. Convergent validity: lihat nilai loading factor untuk amsing-masing indikator. Nilai loading hrs diatas 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika ada nilai loading dibawah 0.70 delete dari analisis indikator tsb.
b. Contruct Reliability (sama dengan cronbach alpha mengukur treliabilitas konstruk atau variabel laten) nilainya hrs diatas 0.70 yang diangap reliabil.
c. Average Vrainace Extracted (mengukur validitas) nilainya 0.50
d. Discriminant validity dengan mebandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE hrs lebih besar dr korelasi antar variable latent
e. Cross-loading mengukur unidimesionalitas dari variable lantent.

Setelah anda menguji ini semua, lakukan bootstraping atau jacknifing untuk mendapatkan nilai T statistik guna menguji apakah hubungan antar variabel laten signifikan atau tdk.

1. Uji inner model (structural model):
a. Lihat nilai T statistik significan atau tdk
b. lihat nilai R2 uji determinasi atau goodness-fit dari model

TANYA:
Dalam penelitian saya menggunakan PLS diperoleh R square untuk 3
variabel kurang dari 0,4. Structural model dengan nilai kurang dari
0,3. Disisi lain uji validitas instrumen dan reliablitas semuanya
signifikan apa penelitian tersebut masih bermakna?

JAWAB:
R2 0.4 cukup baik karena variabilitas variabel endogen yg dapat dijelaskan oleh variabilitas variabel exogen sebesar 40% . Pada riset dengan data crossection nilia 40% cukup tinggi. Nilai structural model 0.3 merupakan koefieisn regresi yang penting signifikan atau tdk, kalau signikan berarti ada pengaruh Imam Ghozali

TANYA:
Saya ingin menanyakan pertimbangan untuk memilih jumlah sample dan kasus per sampel dalam bootstrapping setting. Demikian juga dalam menentukan jumlah iterasi maksimum dalam algorithm setting.



Dalam buku partial least square karangan prof Imam umumnya menggunakan jumlah sample 100 dan kasus per sampel 50. Sedangkan untuk algorithm setting jumlah iterasi maksimum 500. Apakah angka2 tersebut yang memang sebaiknya yang di gunakan Prof?

Saya membaca beberapa artikel yang menyebutkan bahwa prosedur bootstrapping menggunakan 500 resampling. Apa maksudnya pernyataan tersebut?

Apakah pertimbangan untuk memilih angka-angka tersebut juga dipengaruhi jumlah observasi (jumlah data)?

JAWAB:
Dalam SEM dengan partial least square untuk menentukan signifikan atau tidak hubungan antara variabel dengan melihat nilai t statistik. Besarnya nilai t statistik ini dihitung dengan metode bootstrapping atau jacknife. Nilai t akan stabil kalau jumlah resampling sebesar 500 artinya komputer akan melakukan resampling ulang dari original sample anda sebanyak 500 kali untuk mendapatkan nilai t . Perlu diketahui nilai t ini akan bebeda-beda atar komputer atau kalau anda ulang merun karena menggunakan metode iterasi dan masing-masing komputer memiliki nilai starting yang berbeda, tetapi hasil bootsrap dengan 500 akan memberikan nilai t yg tidak jauh berbeda sehingga dengan kriteria alpha 5% akan konsisten apakah hipotesis diterima atau ditolak. Imam Ghozali

TANYA:
Prof. Imam saya mulai menikmati mempelajari dan menggunakan PLS, saya udah membaca buku Prof dan semakin membantu saya dalam memahami PLS. Namun ada beberapa hal yang ingin saya tanyakan sehubungan dengan beberapa hal dalam PLS, yaitu: Masalahweighting scheme. Dalam buku Prof disebutkan bahwa hasil yang diperoleh dariketiga skema yaitu Centroid, Factor, dan Path tidak jauh beda. Nah yang sayatanyakan idealnya kapan atau kondisi yang bagaimana bagi peneliti sebaiknya menggunakan atau memilih satu dari tiga skema tersebut?Saya belum menemukan definisi yang jelas tentang Bootstrapping, yang saya tahu hanyabahwa Bootstrapping sama dengan resampling. Pertanyaan saya Prof, apa sebenarnya makna dari Bootstrapping?DalamBootstrapping setting terdapat preprocessing option yang terdiri dari Constructlevel change dan individual sign change. Apakah maksudnya kedua pilihantersebut dan kondisi bagaimana sebaiknya kita memilih salah satu pilihantersebut Prof? Lalukemudian pada Algorithm setting terdapat pilihan Data metric yaitu standardized(mean=0 dan variance=1) dan data original, maksudnya apa dengan kedua jenisdata tersebut? Yang terakhir Prof, bila jumlah sampel hanya 40 apakah kasus per sampel juga default 50 atau bagaimana Prof sebaiknya jumlah kasus per sampelnya?Demikian Prof. Imam pertanyaan saya, terima kasih banyak atas jawaban dan bantuannya.

JAWAB:
-Weighting scheme silahkan anda pilih salah satu Factor, Centroid atau Path, menurut Prof Chin (pembuat PLS Graph) sebaiknya menggunakan path. 
Bootsrapping adalah resampling, PLS menggunakan bootstraping dan Jacknifing untuk menentukan nilai t sehingga dapat diketahui tingkat signifikansi dari nilai t tersebut. Setiap kali anda melakukan bootsraping hasil nilai t akan berbeda karena menggunakan metode iterasi dan setiap komputer nenggunakan angka awal itersi yg berbeda. Oleh sebab itu gunakan bootstrapping 200 spy mendapatkan nili t yg stabil. input data untuk PLS dapat berupa data mentah (original) atau standardized (mean=0, variance=1). dalam analisis SEM gunakan stndardized krn kita ingin membandingkan antar jalur.

TANYA:
Didalam buku Prof. Imam (SEM- Metode alternatif dg PLS), sebelum meng-calculate model (RUN), sebelumnya ada setting yang harus dipilih.

1. Algorithm setting, ada bbrp setting yg dpt dipilih Data metric = standardized atau original 
2. Weighting scheme = centroid, factor dan path.

tetapi lebih lanjut tdk ada penjelasan mengenai masing2 pilihan setting td. mohon dijelaskan pada kondisi seperti apa masing2 pilihan td digunakan (karena masing2 pilihan, outputnya berbeda)

JAWAB:
Pada data pilih standardized (hasil-nya nanti dalam standardidized), krn SEM menggunakan output standardized untuk interpretasi. Sedang weighting umumnya digunakana path

TANYA:
Menurut Pak Imam apa penyebab nilai error nilai loading factornya, sehingga variance extractnya kurang dari 0,50 Maksudnya di Drop apa Pak? Saya belum tahu istilah
tersebut...

JAWAB:
Coba anda lihat ada indikator dengan niali loading dibawah 0.50, kalau ada berarti indikator ini tdk valid dan menyebabkan AVE rendah. indikator yg tdk valid dibuang dari model

Tanya:
jika kita ingin menggunakan path analysis, berapa buah sampel seharusnya kita anbil? jika data kita berupa data kategorik, gimana cara kita merubahnya menjadi data interval. sehingga data kita bisa dianalisis menggunakan path analysis?


Prof. Dr. Imam Ghozali, M.Com:
Apakah data ordinal harus diubah dahulu menjadi interval? Beberapa universitas di Indonesia mengharuskan data ordinal hrs diubah dahulu menjadi interval baru dapat dianalisis dengan multivariate statitik. 
Di barat sono perdebatan ini sudah selesai tahun 1950an. Data ordinal dengan Skala Likert STS(1),TS(2),N(3),S(4) SS(5) jika diubah skalanya menjadi interval maka skore interval akan mirip sama urutannya dengan skore asli ordinal dan berkorelasi sebesar 99%. Jadi data asli ordinal sama dengan interval dan dapat dianggap interval. kaitan dengan interpretasi 
Misalkan saya punya Y = a + b1X1 +b2X2

Y = 0.50 +0.25X1 +0.30X2

Jika data kita interval misal Y=GDP, X1=Inflasi dan X2=Kurs, maka saya dpt menginterpretasikan bahwa kalau inflasi naik 10% maka GDP naik 2.5%, kalau kurs naik 10%, maka GDP naik 3%. Akan tetapi kalau data kita ordinal (kualitatif) misal Y=kepuasan kerja, X1=Komitmen, X2=motivasi, maka saya tdk bisa interpretasi jika komitmen naik 10% maka kepuasan naik 2.5% (karena data kita kualitatif) jadi kita hanya bisa mengatakaan bahwa komitmen berpengaruh thdp kepuasan seberapa besar pengaruhnya tdk tahu (kualiatif). walaupun data ordinal tadi sdh menjadi interval tetap saja kita tdk bisa interpretasi krn data kita aslinya adalah kualitatif

Di jurnal-jurnal ilmiah tdk pernah dipersoalkan bahwa data ordinal hrs diubah dahulu mejadi interval, krn mereka sdh clear masalah ini 50 tahun lalu dan kita masih mempersoalkan sampai saat ini Yang berminat saya berikan referensi diskusi hal ini dari salah satu buku terbitan 1957

Tanya:
saya irwan hadianto, mahasiswa teknik industri atmajaya jakarta. saya merupakan orang awam yang hanya mengetahui sangat sedikit pengetahuan tentang menggunakan SEM dengan metode alternatif dengan PLS (dlm hal ini saya menggunakan software smartPLS 2.0). dalam model yang saya buat, saya menggunakan second order factor model, menurut buku yang bapak tulis yaitu SEM dengan metode alternatif dengan PLS, saya pun menggunakan repeated indicators approach. 
(1) jika saya harus menghapus beberapa indikator dari first order LV, haruskah saya mengahapus indikator yang sama dari second orde LV saya??
(2) manakah yang harus lebih didahulukan, nilai outer loading (crossloading dari indikator ke LV) atau kah nilai dari T-statistic. walaupun mayoritas sama (jika menurut crossloading tidak berpengaruh, maka memiliki nilai T-statistic yang rendah sehingga tidak signifikan) namun, ada beberapa indikator yang agak berbeda. mis, menurut crossloading harus di-delete namun, menurut T-statistic tidak boleh di-delete ??

Besar harapan saya, agar bapak kiranya mau membantu saya.
Terima kasih sebesar-besarnya,
irwan hadianto.


Prof. Dr. Imam Ghozali, M.Com:
Salam kenal kembali. Pertanyaan anda ini kelihatannya pernah anda posting di forum www.smartpls.de, sepintas saya membaca disana dan belum ada respons.

Pada model second order yg menggunakan repeated measure, jika indikator anda delete dari first order, mk dengans endirinya juga hrs didelete pada second ordernya.

Analisis pada partial least square ada dua:
1. Analisis pada outer model atau measurement model yg terdiri dari:
a. Convergent validity - nilai loading minimal hrs 0.70
b. Cross-loading untuk m,enguji unidimesionalitas dari konstruk atau variabel laten
c. Discriminant Validity
d. Construct Reliability
e. Average Variance extracted
Kalau semua ini sudah ok atau lolos kriteria, baru menguji inner model atau structural model:

2. Analisis inner model
a. melihat nilai koefisien antar variabel laten
b. dengan bootstraping atau jacknifing anda akan memperoleh nilai t statistik masing-masing koefisien
c. lihat nilai R2

Mudah-mudahan menjawab pertanyaan anda dan semua ada pada buku saya (sat ini sedang saya revisi total dengan SmartPLS versi 2)

Tanya:
terima kasih atas jawaban anda.
saya memang sudah pernah posting disana, namun memang belum ada jawaban.
namun, saya sebagai pengguna smartPLS yang masih sangat baru masih banyak mengalami kebingungan.

1)jika untuk outer model nilai loading 'minus' apakah itu ok?? mis -0,5, sementara menurut bapak ketika tahap pengembangan nilai 0,5 dapat diterima.
2)apakah perbedaan mendasar dari algorithm setting, pada bagian weighting scheme??
(antara centroid, factor, path) kapan kita harus menggunakan yang mana.


Prof. Dr. Imam Ghozali, M.Com:
Nilai outer loading tdk boleh negative, hal ini bisa jadi karena pada saat anda tabulasi lupa belum direcode (indikator pertanyaan jika ada yang cara bertanyan negatif hrs dirubah jadi positif pada saat tabulasi). Dugaan saya anda lupa belum melakukan recode thd kuesioner anda.

Weighting scheme apapun yg anda pilih tdk memberikan hasil yg jauh berbeda sekitar 0.05, tetapi umumnya sekarang banyak yg menggunakan path.

Tanya:
terima kasih atas jawaban bapak yang sangat membantu saya saya akan mencoba melihat data dan recode dengan hasil kuisioner saya. apakah "convergent validity" , "disriminant validity" , "unidimensional" adakah yang bisa bapak referensikan untuk membantu penulisan tugas akhir saya. terima kasih yang sebesar-besarnya

Prof. Dr. Imam Ghozali, M.Com:
Pertama yg anda lakukan pengujian terhadap outer model (measurement model)
a. Convergent validity: lihat nilai loading factor untuk amsing-masing indikator. Nilai loading hrs diatas 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika ada nilai loading dibawah 0.70 delete dari analisis indikator tsb.
b. Contruct Reliability (sama dengan cronbach alpha mengukur treliabilitas konstruk atau variabel laten) nilainya hrs diatas 0.70 yang diangap reliabil.
c. Average Vrainace Extracted (mengukur validitas) nilainya > 0.50
d. Discriminant validity dengan mebandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE hrs lebih besar dr korelasi antar variable latent
e. Cross-loading mengukur unidimesionalitas dari variable lantent.

Setelah anda menguji ini semua, lakukan bootstraping atau jacknifing untuk mendapatkan nilai T statistik guna menguji apakah hubungan antar variabel laten signifikan atau tdk.

1. Uji inner model (structural model):
a. Lihat nilai T statistik significan atau tdk
b. lihat nilai R2 uji determinasi atau goodness-fit dari model

Semua ini muncul dari output SMARTPLS atau Visual PLS

Tanya:
Prof. Imam Yang Terhormat,
Melalui milis ini saya ingin menanyakan perbedaan antara penggunaan analisis hubungan dengan analisis pengaruh, karena sering masih sering terjadi kebingungan penggunaannya. Misalnya :

Analisis Hubungan Kecerdasan Emosional Dengan Kinerja Pemimpin apa
Analisis Pengaruh Emosional Terhadap Kinerja Pemimpin?

Kalau yang menggunakan kata "pengaruh" di bab 2 juga tetap mencantumkan hubungan X1 dengan Y. Sebaliknya yang menggunakan kata "Hubungan" panahnya juga hanya satu arah saja. Dari segi pengujian yang memakai "hubungan" juga tetap menggunakan regresi untuk memprediksinya.


Sefnedi, Ph.D:
Izinkan saya mencoba merespon persoalan anda tentang beda antara hubungan dan pengaruh:
1. Ketika kita menggunakan terminologi hubungan (correlation), kita belum mengetahui mana independent variable (IV) dan mana dependent variable (DV). Jadi kita hanya ingin menguji secara empiris hubungan kedua variabel atau lebih (Correlation analysis). Ini dapat kita uji dengan menggunakan bivariate correlation.
2. Namun disaat kita menggunakan terminologi pengaruh (impact or influence), disaat itu kita sudah memberikan justifikasi bahwa independent varible (kecerdasan emosi) berpengaruh terhadap dependent variable (kinerja). 
3. jika kita ingin menguji pengaruh biasanya kita juga melakukan pengujian hubungan terlebih dahulu. Logika sederhana dibalik ini adalah tidak akan mungkin IV(kecerdasan emosi) berpengaruh signifikan terhadap DV (kinerja) apabila kedua variabel tersebut tidak memiliki hubungan yang signifikan. Misalnya, tidak mungkin saya berpengaruh
terhadap anda, sedangkan antara saya dan anda tidak punya hubungan. 4. Dalam analisa regresi (pengaruh) pada output SPSS terlihat model summary. Disini kita bisa melihat nilai adjusted R2 (pengaruh) dan R (hubungan).
Demikian, semoga ada manfaatnya.

Tanya:
Apakah dengan PLS, tesis yang dibuat interpretasinya cukup dengan Evaluasi Outer Model (Model Pengukuran) dan Inner Model (Model Struktural) saja ?
Bagaimana dengan analisa hipotesanya ? Apakah tidak ada uji multikol, uji kualitas data, dsb seperti dalam SPSS ?

Prof. Dr. Imam Ghozali, M.Com:
Dengan PLS tidak ada uji seperti SPSS. Yang perlu ada lakukan

1. Evaluasi model pengukuran atau outer model:
a. lihat convergent validity (loading factor >0.70)
b. lihat discriminant validity
c. lihat Average Variance Extracted (AVE>0.50)
d. lihat construct reliability (>0.60)

Model pengukuran ok

2. Menguji model struktural atau inner model
(hipotesis model)
a. Melihat nilai t dari hasil boostraping, kalau nilai t>1,96 (sig pada 5%)
b. Melihat koefisien regresi
C. Melihat R2

Tanya:
Di kampus saya sekarang ini terjadi perdebatan tentang interveing. Misalnya saya gambarkan sebagai berikut : ada pengaruh A ke B kemudian ke C (B variabel intervening). Dosen A mengajarkan dua hipotesis, yaitu :
1. Ada pengaruh langsung A ke C
2. Ada pengaruh tidak langsung A ke C melalui B.
kemudian diuji dengan cara : jika (jalur A ke B)x(Jalur B ke C)lebih besar daripada jalur langsung A ke C, maka dikatakan B variabel intervening. Begitu juga sebaliknya.

Tetapi dosen W menyalahkan hipotesis tersebut beserta cara pengujiannya, katanya hipotesis yang betul ada tiga, yaitu :
1. Ada pengaruh A thp B
2. Ada pengaruh A thp C
3. Ada pengaruh B thp C.
Kemudian hipotesis tersebut diuji dengan uji t. Selain itu juga cara menuliskan persamaannya juga terjadi perdebatan. Menurut prof imam yang benar yang mana? Mahasiswanya pada bingung.

Prof. Dr. Imam Ghozali, M.Com:
Sebetulnya tergantung dari model teoritiknya modelnya
dpt :
1 A------>B ---------> C
2 A--------------->C
B
model 1 A tdk langsung ke C, tetapi hrs lewat B dahulu, sementara model 2 A bisa langsung ke C, tetapi bisa juga lewat B baru ke C. Disini A adalah variabel exogen (variabel yg tdk punya anteseden atau tdk dipengaruhi variabel sebelumnya), sedangkan B dan C adalah variabel endogen karena punya anteseden. variabel intervening atau mediating adalah variabel endogen yg mempunyai anteseden dan konsekuen
yaitu B. 
Pada model 1 jelas bahwa hubungan A ke C tdk langsung hrs lewat B. jadi kalau A ke B signifikan dan B ke C juga signifikan maka B intervening dan hubungan A ke C tdk langsung lewat B. 

Pada model 2 ada dua kemungkinan A berpengaruh langsung ke C atau tidak langsung yaitu dari A ke B, baru ke C. Jika A ke C signifikan (langsung) dan A ke B juga signifikan serta B ke C juga signifikan, maka A ke C bisa langsung atau tidak langsung. mana yang lebih kuat tinggal membandingkan koefisien A ke C dibandingkan dengan perkalian koefisien A ke B dan B ke C jika koefisien tdk langsung lebih besar drpad
langsung, maka bisa disimpulkan bahwa hubungan A ke C tidaklangsung lewat intervening B. Apakah koefisien signifikan atau tidak dilihat nilai t statistiknya untuk 1%= 2.58, 5%=1.96 dan 10%=1.64 jika nilai t statistik lebih besar dari nilai ini maka signifikan.

Tanya:
Pak Imam.. saya mahasiswa pascasarjana Maksi UGM, sekarang sedang menulis Thesis. Thesis saya menganalisis 4 variabel laten menggunakan SmartPLS dari buku bapak. konstruk yang dibangun seperti pada bab 6 didalam buku. Dari hasil penyebaran kuesioner pilot, ada beberapa hal yang ingin saya tanyakan terkait dengan hasil analisis.

Alat ukur yang digunakan dalam SmartPLS untuk menguji validitas dan reliabilitas indikator dan variabel laten ada empat, yaitu: convergent validity, discriminant validity, akar AVE dan composite reliability. hasil uji kuesioner saya menunjukkan:

1. pengukuran dengan convergent validity menunjukkan ada beberapa indikator yang harus di drop. setelah di drop ada beberapa indikator yang dapat diterima, namun ada juga beberapa indikator yang loading factornya > 0,50 tetapi T-statistik-nya <> 1,96. bagaimanakah perlakuan untuk indikator-indikator seperti ini?

2. saya mencoba men-drop ke 2 macam loading factor tersebut. setelah 3 kali proses semua indikator telah layak loading factor dan T-statistiknya, hanya saja ada satu variabel laten yang hanya memiliki 1 indikator saja. variabel ini adalah outer loadingnya. Apakah analisis nantinya bisa layak digunakan? (nilai factor loadingnya 1.000 dan T-statistik tidak muncul)

3. Setelah itu saya menguji discriminat validity dengan cross loading. Ada satu variabel yang korelasi masing-masing indikatornya, dari 6 indikator, 2 diantaranya memiliki nilai loading antar variabel dibawah nilai korelasi dengan variabel lainnya. bagaimanakah perlakukan dengan indikator ini? sedangkan syaratnya harus lebih besar.

4. Selanjutnya saya menguji Akar AVE, ada satu variabel laten yang akar AVE berada dibawah korelasi antar variabel laten. Bagaimanakah reliabilitas variabel dengan cara ini? apakah variabel laten tersebut dikeluarkan? sedangkan pengujian dengan Composite reliability semua variabel laten telah layak diatas 0,7.

5. Apakah dari ke 4 metode pengukuran tersebut, semuanya (keempat-empatnya) harus digunakan? Apakah tidak cukup misalnya hanya dengan convergent validity dan composite reliability?

6. Pertanyaan-pertanyaan ini muncul karena sangat sedikit keterangan di buku bapak yang secara rinci terkait dengan indikator/variabel tidak layak/tidak memenuhi syarat. kalau boleh saya memberi saran, mungkin perlu ditambahkan kasus-kasus seperti masalah yang saya hadapi tersebut.

Prof. Dr. Imam Ghozali, M.Com:
1. Pada prinsipnya indikator yg mempunyai loading factor signifikan yg hrs dipakai dan nilai loading minimal 0.70 (menurut banyak penulis. ttp untuk penelitian yang belum mapan variabelnya masih dimungkinkan dengan kriteria .50 - .60 (ini sama dengan uji validitas. Jadi indikator yg tdk signifikan pasti dibuang sedang ndikator signifikan ttp loadingnya dibawah 0.50 juga dibuang.

2. Kalau anda melakukan uji cross-loading dan ada dua indikator yg tidak dalam satu konstruk laten, maka dua indikator ini dianggap tdk mengukur konstruk tersebut dan hrs dibuang dari indikator pembentuk konstruk.

3. Composite reliability sama dengan cronbach alpha sebagai pengukur konsitensi, sedangkan AVE sama dengan uji validitas. Jadi kalau ada konstruk yang nilai AVE-nya di bawah 0.50 menandakan bahwa konstruk tersebut validitasnya rendah dan ini menjadi
keterbatasan penelitian anda untuk konstruk tersebut.

4. untuk konstruk yang hanya memiliki satu indikator, maka indikator tersebut hrs dibuat dalam bentuk refleksif. (PLS tidak dapat membuat observe variable dengan kotak spt dalam AMOS atau LISREL) jadi variable observed dalam PLS dibentuk dengan variabel latent dengan satu indikator bentuknya refleksif (arah panah anda ubah dari indikator ke konstruk)

Semoga menjawab pertanyaan anda, kalau anda ingin tahu lebih jelas mengenai smartpls silahkan joint diskusi atau membaca hasil diskusi di www.smartpls.de

Tanya:
Saya telah bikin tesis dgn PLS dan memakai buku panduan Prof Imam ttg PLS. Dalam contoh pembahaasan di buku PLS tsb, nilai loading diatas 1.00 (nilai loading 1), dosen penguji saya menyalahkan tesis saya kenapa nilai loading bisa di atas 1. Itu SALAH
katanya, nilai loading pasti antara 0 s.d 1, tapi kenapa tesis saya bisa di atas 1. Bingung
juga jawabnya. Berarti buku Prof Imam ttg PLS juga salah ya ? Mohon tanggapan dari rekan2. Saya memakai SMart PLS & PLSGraph.

Imam Ghozali:
terima kasih, ada dua kemungkinan mengapa nilai loading factor anda lebih dari satu: 
1. anda harus memilih output dengan nilai standardized (dalam hal PLS pilih Nilai Variance=1 dan means=0)dan jika hasilnya masih di atas satu setelah di standardise, maka yang salah pada data anda
2. Jika nilai loading factor standardozed lebih dari satu, berarti variance dari indikator itu negative dan ini problem pada data anda. Memang benar bahwa nilai variance tidak boleh negatif (didalam buku Amos dan Lisrel saya sebut heywood case)
3. Karena problem ada pada data anda bisa jadi data tidak normal, ada oultlier dstnya. Benahi dahuku dengan data anda atau nilai yang tadi negatif dikonstraint menjadi nilai positif kecil (kalau anda menggunakan Amos atau Lisrel lihat pembahasan di buku
saya)
4. Jadi yang salah bukan buku saya, tetapi data anda yg tidak memenuhi asumsi.

syaiful_maksi12:
saya sependapat dengan Prof Imam..ada kemungkinan item pertanyaan di kuesioner merupakan pertanyaan konfirmasi. langkah yang harus anda ambil adalah dengan membalik score jawaban. jika responden menjawab 7 maka anda ganti dengan score 1, jika 6 anda ganti dengan 2..begitu seterusnya. lakukan langkah ini hanya pada loading faktor yang bernilai negatif. slamat mencoba..

Tanya:
Yth. Prof. Imam dan teman-teman milist, saya ingin menanyakan berapa nilai batas minimum nilai lambda yang dapat diterima dalam SEM agar loading factor signifikan. Saya baca di Nunally dkk. diatas 0,07. Jika nilai lambda di bawah 0.04 bagaimana caranya untuk menaikkan nilai tersebut. Saya menggunakan software AMOS, terima kasih atas jawabannya. Terima kasih

Imam Ghozali:
Lambda sama dengan loading factor. Umumnya loading factor yg kecil menghasilkan adalah tdk signifikan. Jadi yg penting anda lihat pertama apakah loading factor tersebut signifikan atau tidak. Setelah itu jika signifikan maka loading yang digunakan hanyalah
indikator yg memberikan nilai loading 0.70 (convergent validity) menurut beberapa artikel jurnal. Bisa diturunkan menjadi 0.50 - 0.60 kalau masih belum banyak penelitian di bidang tersebut. tetapi ada penulis seperti Hair yang mengatakan bahwa loading
factor 0.40 masih ok. Pada prinsipnya loading factor ini mengukur validitas dari instrumen, jika nilainya tdk signfikan atau kecil, maka dianggap indikator ini tdk mengukur variabel latennya.

Tanya:
1.Dari hasil output pada SmartPLS versi 1.01 ada tabel Inner weights (Stuctural Model) tabel ini apa artinya ??? 
2.Yang dimaksud 'nilai koefisien' pada hasil inner model di buku SEM dgn alternatif PLS apa ?
3.Yang dimaksud Outer Loading ? apakah sama dengan Loading FActor?

Imam Ghozali:
Istilah yg digunakan dalam SEM PLS dengan AMOS atau LIsrel agak berbeda, tetapi maksudnya sama.

Inner model = persamaan struktural (hubungan antar latent variable) 
Outer Model = model pengukuran atau measurement model (yaitu persamaan dari indikator ke variabel laten atau sama dengan loading factor masing-masing indikator)

Didalam PLS menguji goodnessfit model atau keseuaian model seperti dalam regresi yang dlihat nilai R2 (koefisien determinasinya). Pada saat anda me-run PLS calculate maka anda akan mendapatkan nilai koefisien regresi dari hubungan antar variabel, sedangkan untuk melihat apakah koefieisn regresi ini signifikan atau tidak anda harus me-run pls bootstraping untuk mendapatkan nilai T statistik dan dibandingkan dengan
tabel t untuk melihat signifikan atau tdk.

Jadi pada output inner weighnt table anda hanya melihat nilai T untuk menentukan signifikansinya, sedang nilai koefisien regresi pilih yg sama dengan saat anda me-run sebelum bootstraping.

Tanya:
Pengujian dengan PLS (ghozali,2006) ada tiga tahap :

1. Menciptakan skor Var Laten (weight estimate).
2. Menghasilkan estimasi untuk inner dan outer model.
3. Menghasilkan estimasi means dan konstanta.

Pertanyaan:

1. Tolong dibantu menjelaskan untuk point no.3 dan hasilnya dilihat jika memakai SmartPLS pada tabel/gambar yg mana?
2.Bagaimana cara menginterpretasikan hasil estimasi means dan konstanta
3.Pada tabel: Result for inner weights ada kolom Means Of Subsamples bagaimana
penjelasannnya?
4.Bagaimana Jika pada pengujian Reliabilitas dengan Composite Reliability menunjukkan hasil semua var. berada diatas 0,80 -- artinya dgn CR reliabilitasnnya dibaik. TETAPI
bagaimana jika pada pengujian AVE ada 1 var yg nilainya dibawah 0,50 Bagaimana cara
menjelaskannya atau apakah hal ini menunjukkan bahwa reliabilitasnya jadi buruk (tidak reliabel) ???

Imam Ghozali:
Didalam meng-input data PLS untuk analisis ada dua pilihan apakah original atau standardized (mean=0 dan variance=1). Jika anda pilih pada data setting = original maka output anda akan memberikan dua nilai yaitu means subsample sebagai konstanta dan original subsample estimate. tetapi kalai pilihan anda standardized (mean=0 dan variance=1) anda hanya punya output origianl subsample estimate.

Intinya jika pilihan anda original maka hasil regeresi dengan konstanta Y = a + b1X, tetapi kalau standardize maka tdk ada konstanta y=b1x. Dalam analisis SEM yg
kita pakai adalah standarsizes, jadi yg tdk ada konstantanya atau anda hrs pilih mean=0 dan variance=1 Construct reliability untuk menguji apakah responden dalam menjawab pertanyaan anda konsisten atau tdk (ngawur acak lewat menghitung kancing baju pilih atau tdk pilih atau saat menjawab dipikirlebih dahulu, jika jawaban orang konsisten atau dipikir benarean maka nilai CR pasti tinggi 0.70. Sedangkan AVE mengukur validitas instrumen/pertanyaan. Kuesioner anda ingin mengukur tinggi tetapi oleh responden dijawab/ditafsirkan panjang, dalam hal ini pertanyaan anda tdk valid. Jadi nilai AVE<0.50

Tanya:
pak, saya punya 3 variabel laten misalnya A, B, C. A mempengaruhi B dan C. B mempengaruhi C,saya bingung nentuin variabel B, apakah variabel eksogen atau endogen? Saya juga mo nanya, gimana caranya masukin data jika tiap indikator punya 2 atau 3 pertanyaan?Misalnya variabel laten A punya 3 indikator X, Y, Z. tiap indikator punya 3 pertanyaan, gimana masukinnya ke data mentah(csv)? apakah nantinya jadi x1, x2, x3, y1, y2, y3, z1,z2,z3 dan apakah ini bisa dirata2 baru dimasukkan ke csv sebagai nilai indikator x,y,z?

Imam Ghozali:
Oh kalau anda menggunakan variabel laten, ya semua indikator atau manifest digunakans ebagai data mentah dan masukkan ke excel lalu save as csv file seperti 
pada buku saya. jangan dijumak atau dirata-rata biarkan masing-maisng manifest dibaca oleh pls

Dikutip dari http://mitrariset.blogspot.com/2009/01/multivariate-jilid-2.html

Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.

PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.

Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Berikut adalah alamat-alamat penyedia software tersebut: (anda juga bisa tanya sama Mbah Google)

http://dmsweb.badm.sc.edu untuk program PLS Gui

http://kuas.edu.tw untuk program VPLS

http://smartpls.de untuk program SmartPLS (Rekomendasi)

http://bauer.uh.edu untuk program PLS Graph

Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. 
Selanjutnya

Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.

PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.

Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Berikut adalah alamat-alamat penyedia software tersebut: (anda juga bisa tanya sama Mbah Google)

http://dmsweb.badm.sc.edu untuk program PLS Gui

http://kuas.edu.tw untuk program VPLS

http://smartpls.de untuk program SmartPLS (Rekomendasi)

http://bauer.uh.edu untuk program PLS Graph

Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. 


Indonesia Capital Market Directory 2002 (ICMD 2002) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2002 berisi data rasio keuangan perusahaan tahun 1999, 2000 dan 2001.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2002 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Selanjutnya


Indonesia Capital Market Directory 2002 (ICMD 2002) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2002 berisi data rasio keuangan perusahaan tahun 1999, 2000 dan 2001.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2002 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com


Indonesia Capital Market Directory 2003 (ICMD 2003) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2003 berisi data rasio keuangan perusahaan tahun 2000, 2001 dan 2002.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2003 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Selanjutnya


Indonesia Capital Market Directory 2003 (ICMD 2003) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2003 berisi data rasio keuangan perusahaan tahun 2000, 2001 dan 2002.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2003 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com


Indonesia Capital Market Directory 2004 (ICMD 2004) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2004 berisi data rasio keuangan perusahaan tahun 2001, 2002 dan 2003.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2004 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Selanjutnya


Indonesia Capital Market Directory 2004 (ICMD 2004) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2004 berisi data rasio keuangan perusahaan tahun 2001, 2002 dan 2003.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2004 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Terdapat berbagai perbedaan rasio keuangan (financial ratio) pada perusahaan bank atau perusahaan dengan kategori lain. Semua rasio dihitung berdasarkan definisi pada masing-masing jenis industri yang bersangkutan. Berikut adalah beberapa rasio keuangan yang sering ditampilkan dalam Indonesia Capital Market Directory (ICMD):

PER

Price earnings ratios or closing share price at the end of respective financial statement period divided by earning share.

PBV

Price book value or closing share price at the end of respective period divided by equity per share.

Dividends pay out

Dividend per share divided by earnings per share.

Dividend yield

Dividend per share divided by closing share price at the end of respective period.

ROI (Return on Investment)

Profit after tax divided by total assets.

ROE (Return on Equity)

Profit after tax divided by equity

Current ratio

Current assets divided by current liabilities.

Leverage ratio

Total debt divided by total assets.

Gross profit margin

Gross profit divided by net sales.

Operating profit margin

Operating profit divided by net sales.

Net profit margin

Profit after tax divided by net sales.

Total assets turnover

Net sales divided by end of period total assets.

Inventory turnover

Cost of good sold divided by end of period inventory.

Expense ratio

Operating expense divided by premium received.

Loss ratio

Claim paid divided by premium received.

Solvency ratio

Equity divided by net premiums (premiums after deduction of premiums for reinsurance).

Cash and banks to demand deposits

Cash, Bank Indonesia and other banks divided by demand deposits.

Cash and cash to total deposit

Cash, Bank Indonesia and other banks divided by demand deposits.
Selanjutnya

Terdapat berbagai perbedaan rasio keuangan (financial ratio) pada perusahaan bank atau perusahaan dengan kategori lain. Semua rasio dihitung berdasarkan definisi pada masing-masing jenis industri yang bersangkutan. Berikut adalah beberapa rasio keuangan yang sering ditampilkan dalam Indonesia Capital Market Directory (ICMD):

PER

Price earnings ratios or closing share price at the end of respective financial statement period divided by earning share.

PBV

Price book value or closing share price at the end of respective period divided by equity per share.

Dividends pay out

Dividend per share divided by earnings per share.

Dividend yield

Dividend per share divided by closing share price at the end of respective period.

ROI (Return on Investment)

Profit after tax divided by total assets.

ROE (Return on Equity)

Profit after tax divided by equity

Current ratio

Current assets divided by current liabilities.

Leverage ratio

Total debt divided by total assets.

Gross profit margin

Gross profit divided by net sales.

Operating profit margin

Operating profit divided by net sales.

Net profit margin

Profit after tax divided by net sales.

Total assets turnover

Net sales divided by end of period total assets.

Inventory turnover

Cost of good sold divided by end of period inventory.

Expense ratio

Operating expense divided by premium received.

Loss ratio

Claim paid divided by premium received.

Solvency ratio

Equity divided by net premiums (premiums after deduction of premiums for reinsurance).

Cash and banks to demand deposits

Cash, Bank Indonesia and other banks divided by demand deposits.

Cash and cash to total deposit

Cash, Bank Indonesia and other banks divided by demand deposits.

Senin, 01 Juni 2009


Indonesia Capital Market Directory 2005 (ICMD 2005) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2005 berisi data rasio keuangan perusahaan tahun 2002, 2003 dan 2004.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2005 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Selanjutnya


Indonesia Capital Market Directory 2005 (ICMD 2005) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2005 berisi data rasio keuangan perusahaan tahun 2002, 2003 dan 2004.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2005 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com


Indonesia Capital Market Directory 2006 (ICMD 2006) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2006 berisi data rasio keuangan perusahaan tahun 2003, 2002 dan 2005.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2006 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com

Selanjutnya


Indonesia Capital Market Directory 2006 (ICMD 2006) berisi financial statement perusahaan yang terdaftar di Bursa Efek Indonesia. ICMD 2006 berisi data rasio keuangan perusahaan tahun 2003, 2002 dan 2005.Download gratis di sini
Rasio keuangan yang terdapat di dalamnya bisa Anda lihat di sini. Jika anda menginginkan contoh, berikut adalah ICMD  salah satu perusahaan

AALI


Selain itu, di dalam ICMD juga dimuat ranking masing-masing kategori perusahaan berdasarkan Total Assets, Equity, Profitabilitas dan Solvabilitas. Berikut adalah contoh ranking pada salah satu kategori:

realestate-rangking

ICMD 2006 juga memuat:

1. Alamat lengkap Head office
2. Sejarah singkat perusahaan
3. Rasio keuangan perusahaan
4. Proporsi kepemilikan saham
5. Nama KAP yang melakukan audit
6. Nama komisaris dan direksi
7. Jumlah karyawan perusahaan
8. Jumlah lembar saham yang beredar
9. Harga saham akhir tahun
10. Fluktuasi pergerakan harga saham
11. dan berbagai informasi penting lainnya

Terima kasih


Pungky M W
pungkymw@gmail.com