Warped PLS merupakan metode analisis data yang berguna untuk menangani hubungan non-linear antar variabel laten dan distribusi tidak normal pada variabel. Metode ini meliputi tahapan pengolahan outlier, model outer dan inner, hasil kalkulasi berupa indeks kualitas model seperti APC, ARS, AARS, serta interpretasi koefisien jalur dan nilai-p. Warped PLS dapat diaplikasikan pada berbagai bidang penelitian seperti manajemen, psikologi, dan sistem

1. Warped PLS
(Tinjauan Dasar)
Akhid Yulianto, SE, MSc (Log)
(Extracted for Ned Kock (2015))
“warpPLS 5.0 User Manual”

2. Arah Pembahasan
• Mengapa penting Warped PLS (partial Least Square)
• Tahapan dalam Warped PLS
• Penanganan Outlier
• Outer model dan Inner Model
• Hasil kalkulasi dan interpretasi Meliputi Indeks Kualitas dan Uji
model, Interpretasi Koefisien dan P values, serta standar deviasi
dan effect size

3. Arah Bagian Berikutnya
• Interpretasi outer model
• Moderasi
• Multigrup (banyak kelompok)

4. Latar Belakang
• Penelitian dengan variabel laten semakin umum dilakukan: Manajemen,
Psikologi, Pendidikan, sosial politik, keperawatan, sistem informasi,
bisnis internasional, perubahan lingkungan global dll
• Structural Equation Modelling (SEM) berbasis komponen (Partial Least
Square (PLS)) sangat membantu: sampel kecil dan distribusi tidak normal
pada item serta variabel
• Bagaimana bila hubungan/pengaruh tidak linear?
• Bagaimana bila item normal namun variabel tidak normal?
• Saatnya menggunakan Warped PLS

6. Outlier
• Outlier dapat merubah arah dari hubungan
• Namun outlier dapat dihilangkan bila terdapat kesalahan dalam
pengukuran saja
• Terutama dalam pengambilan sampel yang salah

7. Variabel laten (Outer Model)
• Reflektif
• Formatif

8. Panah Hubungan (Inner Model)
• Panah Langsung
• Panah Moderasi: menghubungkan sebuah variabel laten dan panah
langsung

10. Hasil Kalkulasi dan Interpretasi

11. Uji Model dan Indeks Kualitas

12. Arti Penting Uji Model dan Indeks Kualitas
• Uji model dan Indeks kualitas menjawab apakah model penelitian
sesuai dengan data,artinya
• Uji model dan indeks kualitas penting bila bertujuan membanding
hasil penelitian
• Jika hanya untuk menguji hipotesis maka dua hal tersebut kurang
penting.
• Namun penting untuk melihat kemampuan model dalam
menjelaskan variabel laten Y

13. APC, ARS dan AARS
• Average of Path Coefficient (APC), Average R-squared (ARS) dan
Average adjusted R-Squared (AARS)
• Penambahan satu variabel laten akan menaikkan ARS. Namun APC
menurun
• ARS dan APC naik bersama bila variabel laten meningkatkan
kualitas penjelasan dan prediksi keseluruhan
• AARS cenderung lebih rendah dari ARS.
• P value ketiganya harus dibawah 0,05 atau minimum APC dan ARS
dibawah 0,05

14. AVIF dan AFVIF
• average block variance inflation factor (AVIF) dan average full
collinearity VIF (AFVIF) berkaitan dengan multikolinearitas.
• AVIF dan AFVIF yang tinggi menunjukkan variabel laten yang
dilibatkan memiliki konstruk yang sama
• AVIF menditeksi kolinearitas pada hubungan linear sebaliknya
AFVIF menditeksi kolinearitas pada hubungan non linear
• AVIF dan AFVIF harus kurang dari atau sama dengan 3.3 bila
sifat variabel laten; bila variabel hanya memiliki satu indikator
maka nilai sama dengan atau lebih dari 5

15. Tenenhaus GoF (GoF)
• Mirip dengan ARS yaitu mengukur kekuatan penjelasan dari model
• ≥0,1 maka sempit
• ≥0,25 maka menengah
• ≥0,36 luas

16. Simpson's paradox ratio (SPR)
• Model harus bebas dari Simpson’s paradox
• Paradox ini terjadi ketika sebuah koefisien jalur dan sebuah
korelasi terkait sepasang variabel memiliki tanda berbeda.
• Simpson’s paradox instance adalah indikasi masalah kausalitas,
hipotesis jalur adalah tidak masuk akal atau kebalikannya.
• ≥ 0,70 artinya 70% atau lebih bebas dari Simpson’s paradox
instance

17. R-squared contribution ratio (RSCR)
• Mengukur seberapa jauh model bebas dari R-squared contribution
yang negatif
• Ketika terdapat R-squared contribution negatif pada variabel
laten terhadap variabel kriteria menunjukkan bahwa variabel
prediktor mengurangi kemampuan menjelaskan dari variabel
kriteria
• ≥ 0,90

18. statistical suppression ratio (SSR)
• Sebuah model harus bebas dari suppression instances
• Suppression adalah ketika koefisien jalur dalam istilah absolut
lebih besar dari korelasi yang terkait dengan sepasang varoiabel
yang terhubung.
• Hubungan tidak masuk akal atau sebaliknya
• ≥ 0,70

19. Nonlinear Bivariate Causality Direction
Ratio (NLBCDR).
• Menjelaskan seberapa jauh koefisien hubungan dua variabel non
linear mendukung arah hipotesis dari model pengaruh
• ≥ 0,70

20. Koefisien Jalur

21. Makna Koefisien Jalur
• Nilai berupa nilai Z atau standardized
• Interpretasinya menggunakan istilah standar deviasi.
• Misalnya 0,35X1 bermakan bila X1 naik satu standar deviasi maka
akan menyebabkan kenaikan variabel Y sebesar 0,35 standar
deviasi.
• Makna koefisien bila tidak linear adalah sama (karena kurva
nonlinear dirubah menjadi turunan pertama)

22. Makna Nilai P (P values)
• Bila dibawah 0,05 maka signifikan
• Atau sesuai dengan ketentuan pertimbangan penelitian
• Hipotesis penelitian haruslah secara spesifik menjelaskan arah
hubungan/pengaruh

23. Standar Error dan Effect Size
• Walaupun signifikan harus memperhatikan standar error dan effect
size
• Ini membantu satu kelemahan analisa yang melibatkan sampel
banyak (cederung menghasilkan nilai signifikan otomatis)
• Effect size: kecil (0,02), menengah (0,15) dan besar (0,35)
• Bila dibawah 0,02 maka cenderung terlalu lemah model untuk
dipertimbangkan dari sudut sudut praktis.
• Standar error berguna untuk analisa mediasi dan analisa banyak
kelompok (multigroup)

24. Bersambung
• Konsultasi dan pertanyaan
• Telegram: 082250178688 (Akhid Yulianto)