Apa itu SMART PLS?
SMART PLS banyak digunakan untuk menganalisis SEM berbasis komponen. Merupakan teknik alternatif dari SEM berbasis variance seperti AMOS dan LISREL. Software ini dikembangkan oleh institute of Hamburg Jerman dan dapat didownload gratis (tapi harus register terlebih dahulu) SmartPLS adalah aplikasi perangkat lunak untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The partial least squares (PLS)-method (PLS) yang digunakan untuk analisis LVP-in software ini.
Smart PLS menggunakan bahasa JAVA, jadi sebelum menggunakan SmartPLS ada baiknya diinstall terlebih dahulu Java Runtime Environment (JRE) yang juga dapat didownload gratis di situs Sun Microsystem.
SMART PLS banyak digunakan untuk menganalisis SEM berbasis komponen. Merupakan teknik alternatif dari SEM berbasis variance seperti AMOS dan LISREL. Software ini dikembangkan oleh institute of Hamburg Jerman dan dapat didownload gratis (tapi harus register terlebih dahulu) SmartPLS adalah aplikasi perangkat lunak untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The partial least squares (PLS)-method (PLS) yang digunakan untuk analisis LVP-in software ini.
Smart PLS menggunakan bahasa JAVA, jadi sebelum menggunakan SmartPLS ada baiknya diinstall terlebih dahulu Java Runtime Environment (JRE) yang juga dapat didownload gratis di situs Sun Microsystem.
Ciri-ciri SmartPLS
Ciri Algoritma PLS-SEM
° Memaksimakan penerangan terhadap nilai R2
° Memproses data dengan cepat walaupun model kompleks.
° Penganggaran secara linear semua indicator.
° Diguna untuk tujuan peramalan (predictive)
° Hasil boleh diguna untuk analisis selanjutnya
° Tidak terkesan walaupun data tidak cukup.
° Tidak memerlukan penilaian ketepatan padanan model (Goodness-of-Fit)
° Penilaian kesahan dan kebolehpercayaan model reflektif berasaskan pelbagai kriteria.
° Penilaian kesahan, signifikan dan relevan bagi pemberat indicator dan kolineariti indicator
° Penilaian Model Struktural berdasarkan kolineariti antara konstruk, Pekali Laluan yang signifikan, Pekali Penentuan (R2), saiz kesan (f2), Kerelevanan prediktif (Q2 dan q2 effect size)
° Memaksimakan penerangan terhadap nilai R2
° Memproses data dengan cepat walaupun model kompleks.
° Penganggaran secara linear semua indicator.
° Diguna untuk tujuan peramalan (predictive)
° Hasil boleh diguna untuk analisis selanjutnya
° Tidak terkesan walaupun data tidak cukup.
° Tidak memerlukan penilaian ketepatan padanan model (Goodness-of-Fit)
° Penilaian kesahan dan kebolehpercayaan model reflektif berasaskan pelbagai kriteria.
° Penilaian kesahan, signifikan dan relevan bagi pemberat indicator dan kolineariti indicator
° Penilaian Model Struktural berdasarkan kolineariti antara konstruk, Pekali Laluan yang signifikan, Pekali Penentuan (R2), saiz kesan (f2), Kerelevanan prediktif (Q2 dan q2 effect size)
Ciri Data
° Teknik Analisis Generasi Kedua - amat sesuai untuk Analisis Penerokaan (Exploratory Analysis).
° Diguna untuk membangunkan teori dalam Kajian Penerokaan.
° Dapat menerangkan varians pada pemboleh ubah bersandar semasa menganalisis model kajian.
° Tiada masalah data identifikasi walaupun menggunakan sampel bersaiz kecil.
° ‘Statistical Power’ boleh dicapai dengan mudah menggunakan saiz sampel kecil.
° Saiz sampel yang besar meningkatkan ketepatan model penganggaran.
° Tiada andaian Data Normal di perlukan kerana PLS-SEM adalan kaedah non-parametrik
° Integriti data tidak tergugat selagi mana missing value dalam tahap diterima.
° Boleh mengendalikan data interval, ratio, ordinal, nominal (ada limitasi).
° Teknik Analisis Generasi Kedua - amat sesuai untuk Analisis Penerokaan (Exploratory Analysis).
° Diguna untuk membangunkan teori dalam Kajian Penerokaan.
° Dapat menerangkan varians pada pemboleh ubah bersandar semasa menganalisis model kajian.
° Tiada masalah data identifikasi walaupun menggunakan sampel bersaiz kecil.
° ‘Statistical Power’ boleh dicapai dengan mudah menggunakan saiz sampel kecil.
° Saiz sampel yang besar meningkatkan ketepatan model penganggaran.
° Tiada andaian Data Normal di perlukan kerana PLS-SEM adalan kaedah non-parametrik
° Integriti data tidak tergugat selagi mana missing value dalam tahap diterima.
° Boleh mengendalikan data interval, ratio, ordinal, nominal (ada limitasi).
Ciri Model
° Boleh kendali konstruk dengan satu item atau banyak item dalam satu model.
° Mudah gabungkan konstruk reflektif dan formatif bersama dalam satu model.
° Boleh kendali model kompleks yang mempunyai banyak model struktural.
° Semakin banyak item dalam konstruk, dapat mengurangkan bias.
° Mengendalikan model rekursif sahaja (causal loop tidak dibenarkan)
° Boleh kendali konstruk dengan satu item atau banyak item dalam satu model.
° Mudah gabungkan konstruk reflektif dan formatif bersama dalam satu model.
° Boleh kendali model kompleks yang mempunyai banyak model struktural.
° Semakin banyak item dalam konstruk, dapat mengurangkan bias.
° Mengendalikan model rekursif sahaja (causal loop tidak dibenarkan)
Kelebihan SmartPLS
° Mudah dikendalikan dan dianalisis.
° Memperkenalkan Smart PLS sebagai salah satu aplikasi yang boleh digunakan untuk menjana hasil penyelidikan
° Menghasilkan model yang kemas dan menarik.
° Mempunyai literature dan jaringan kumpulan sokongan seluruh dunia
° Mudah dikendalikan dan dianalisis.
° Memperkenalkan Smart PLS sebagai salah satu aplikasi yang boleh digunakan untuk menjana hasil penyelidikan
° Menghasilkan model yang kemas dan menarik.
° Mempunyai literature dan jaringan kumpulan sokongan seluruh dunia
Register now!
| |||||||||||||||||||||
|
