diberikannya juga tinggi. Dengan tingginya kompensasi, maka produktivitas menjadi lebih tinggi. Sebaliknya, jika produktivitas
rendah, maka kompensasi yang diberikan juga rendah. Dengan kompensasi yang rendah, maka produktivitas menjadi lebih rendah
lagi.
2.4. Partial Least Square
Partial Least Square PLS pertama kali dikembangkan oleh Wold sebagai metode umum untuk mengestimasi path model yang menggunakan
konstruk laten dengan multiple indikator. Pada tahun 1966, Herman Wold mempresentasikan dua prosedur iteratif menggunakan metode estimasi last
square LS untuk single dan multi komponen model dan untuk cononcial correlation.
Pendekatan PLS adalah distribution free tidak mengasumsikan data berdistribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan
rasio. PLS pada awalnya diberi nama NIPALS nonlinear iterative partial least square. Menurut Wold, dibandingkan dengan pendekatan lain
khususnya metode maximum likelihood, NIPALS lebih umum oleh karena bekerja dengan sejumlah kecil asumi zero intercorrelation antara residual dan
variabel. Oleh karena itu, pendekatan NIPALS memberikan model yang closer fit terhadap hasil observasi. Model dasar PLS diselesaikan tahun 1977
dan kemudian dikembangkan lebih lanjut oleh Lohmoller 1984, 1989 dan Chin 1996 dalam bentuk software bernama PLS Graph.
2.4.1 SEM berbasis component atau variance - PLS
Sebagai alternatif Covariance Based SEM CBSEM, pendekatan variance based atau component based dengan PLS orientasi
analisis bergeser dari menguji model kausalitasteori ke component based predictive model. CBSEM lebih berorientasi kepada model
building yang dimaksudkan untuk menjelaskan covariance dari semua observed indicators, sedangkan tujuan PLS adalah prediksi. Variabel
laten didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS ini ingin mendapatkan the best weight estimate untuk tiap blok indikator
dari setiap variabel laten. Hasil komponen skor untuk setiap variabel
laten didasarkan
pada estimated
indicator weight
yang memaksimumkan variance explained untuk variabel dependent laten
observed dan keduanya Seperti yang dinyatakan oleh Wold Ghozali, 2005 Partial
Least Square merupakan metode analisis yang powerfull karena tidak didasarkan pada banyak asumsi. Data tidak harus terdistribusi normal
multivariat indikator dengan skala teori, ordinal, interval sampai ratio digunakan pada model yang sama, sampel tidak harus besar. Walaupun
PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada tidaknya hubungan antara
variabel laten. Oleh karena lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, maka misspesifikasi model tidak begitu
berpengaruh terhadap estimasi parameter. Dibandingkan dengan CBSEM, PLS menghindari dua masalah serius yaitu inadminisable
solution dan factor indeterminacy. PLS dapat menganalisis sekaligus konstruk yang dibentuk
dengan indikator refleksif dan indikator formatif dan ini tidak mungkin dijalankan dengan CBSEM karena akan terjadi unidentified model.
Oleh karena algoritma dalam PLS menggunakan analisis series ordinary last square, maka identifikasi model bukan masalah dalam
recursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh efisiensi perhitungan algoritma mampu
mengestimasi model yang besar dan kompleks dengan ratusan variabel laten dan ribuan indicator.
Secara ringkas dapat disimpulkan bahwa jika model struktural dan model pengukuran yang dihipotesiskan benar dalam artian
menjelaskan covariance semua indikator dan kondisi data serta ukuran contoh terpenuhi, maka CBSEM memberikan estimasi optional dari
parameter model. Ini ideal untuk konfirmasi model dan estimasi kebenaran parameter populasi. Tabel 2 berikut ini memberikan
ringkasan perbandingan antara PLS dengan CBSEM.
Tabel 2. Perbandingan PLS dengan CBSEM
Kriteria PLS
CBSEM 1.
Tujuan 2.
Pendekatan 3.
Asumsi 4.
Estimasi parameter 5.
Score variabel laten 6.
Hubungan epistemic
antara variabel laten dan indikatornya
7. Implikasi
8. Kompleksitas model
9. Besar sampel
1. Orientasi prediksi
2. Berdasar variance
3. Spesifikasi
predictor nonparametric
4. Konsisten sebagai indikator
dan ukuran contoh meningkat consistency at large
5. Secara eksplisit diestimasi
6. Dapat dalam bentuk reflektif
dan formatif indicator 7.
Optimal untuk ketepatan prediksi
8. Kompleksitas besar 100
konstruk dan 1000 indikator 9.
Kekuatan analisis didasarkan pada porsi dari model yang
memiliki jumlah
predictor terbesar.
Minimal rekomendasi 30 hingga 100
kasus. 1.
Orientasi parameter 2.
Berdasar covariance 3.
Multivariate normal
distributor, independency
observation parametric 4.
Konsisten 5.
Indeterminate 6.
Hanya dengan
reflektif indicator
7. Optimal
untuk ketepatan
parameter 8.
Kompleksitas kecil kurang dari 100 indikator
9. Kekuatan analisis didasarkan
pada model spesifik-minimal direkomendasikan berkisar 200
hingga 800.
2.4.2 Perbandingan antara soft modelling dengan hard modelling
