siswantoro s.sos

Partial Least Square (PLS), Pengertian, Fungsi, Tujuan, Cara Pengertian Partial Least Square (PLS), Fungsi, Tujuan, Cara dan Algoritma Partial least square atau yang biasa disingkat PLS adalah jenis analisis statistik yang kegunaannya mirip dengan SEM di dalam analisis covariance. Oleh karena mirip SEM maka kerangka dasar dalam PLS yang digunakan adalah berbasis  regresi linear . Jadi apa yang ada dalam regresi linear, juga ada dalam PLS. Hanya saja diberi simbol, lambang atau istilah yang berbeda. Seperti apa? tetap dalam artikel-artikel kami, maka pertanyaan tersebut akan terjawab dengan sendirinya nanti. Dalam bahasan tentang PLS, tentunya tidak akan cukup hanya dalam satu artikel. Maka kami akan buat dalam serangkaian artikel, yang cara penyampaiannya kami upayakan sederhana dan mudah dipahami serta berbasis studi kasus atau contoh langsung pengoperasiannya dalam software misal smartPLS. Jadi mungkin seperti artikel lainnya dalam statistikian.com, kami coba memb...

Olah data SEM dengan LISREL, AMOS atau SMART PLS? 30 APR By  Ayat HIdayat Huang Structural Equation Modelling  atau lebih dikenal dengan SEM merupakan suatu metode analisis statistik multivariat. Melakukan olah data SEM berbeda dengan melakukan olah data regresi atau analisis jalur. Olah data SEM lebih rumit, karena sem dibangun oleh model pengukuran dan model struktural. Untuk melakukan olah data sem dengan lebih mudah, tentu kita membutuhkan bantuan software statistik. Saat ini sudah tersedia berbagai macam softareuntuk olah data SEM diantaranya adalah Lisrel, AMOS dan Smart PLS. Diantara software-software statistik tersebut, mana yang cocok untuk digunakan. Berikut ulasan singkatnya: Kelebihan Lisrel Lisrel dikembangkan oleh Karl Jöreskog and Dag Sörbom. Lisrel adalah software statistik yang digunakan paling meluas dikalangan peneliti maupun praktisi. Kelebihan dari software lisrel adalah kemampuannya mengidentifikasi hubungan antara variabel yang kompleks. C...

Perbandingan SEM dengan SEM PLS 21 MAR By  richie Kita akan sedikit review kembali pembahasan kita terkait SEM dan SEM PLS, yang banyak sekali didapati kebingungan penggunaannya pada sebagian peneliti atau data master yang masuk melalui beberapa pertanyaan kepada kita. Bahwa peneliti tidak perlu memaksakan data yang dimiliki untuk memilih SEM sebagai  final tools  untuk menghasilkan model struktural atas data yang dimiliki, sedangkan data tersebut memiliki banyak kelemahan dalam pemenuhan asumsi model SEM. Tidak sedikit akhirnya peneliti atau data master melakukan manipulasi data (terutama pada penelitian sosial-angket) hanya agar diperoleh output model SEM dengan LISREL (salah satunya). Perlu dipahami bahwa ada alternatif lain bagi peneliti atau data master dalam menghasilkan model struktural atas data yang dimiliki ketika asumsi-asumsi model SEM tidak terpenuhi yaitu dengan SEM-PLS, hal ini agar peneliti atau data master tetap dapat menjaga keaslian hasil dari pen...