Buku Salemba hanya dapat dibaca di aplikasi smartphone & tablet Android.

Generasi Baru Mengolah Data Penelitian dengan Partial Least Square Path Modeling

Aplikasi dengan Software XLSTAT, SmartPLS, dan Visual PLS

1 Pembaca
Rp 67.900 63%
Rp 25.000

Patungan hingga 5 orang pembaca
Hemat beli buku bersama 2 atau dengan 4 teman lainnya. Pelajari pembelian patungan disini

3 Pembaca
Rp 75.000 50%
Rp 12.500 /orang
Rp 37.500

5 Pembaca
Rp 125.000 60%
Rp 10.000 /orang
Rp 50.000

Mengapa harus partial least square path modeling (PLS-PM) untuk mengolah data kuesioner dalam studi kasus mengukur hubungan atau pengaruh antara variabel? Banyak peneliti baik yang berasal dari lingkungan akademik (mahasiswa dan dosen) maupun peneliti dalam institusi atau lembaga tertentu menggunakan kuesioner sebagai alat mengumpulkan data untuk menjawab penelitian yang berhubungan dengan kasus mengukur hubungan atau pengaruh antarvariabel. Variabel itu biasanya bersifat laten, memerlukan indikator-indikator atau pernyataan-pernyataan untuk menjelaskannya. Indikator tersebut diasumsikan mewakili pengukuran variabel tersebut. Metode sederhana yang sering digunakan, yaitu merata-ratakan antarindikator (pernyataan dalam kuesioner yang mewakili variabel tertentu), kemudian meregresikan atau mengorelasikannya. Metode ini tentu dapat saja dipakai. Meskipun demikian, dengan berkembangnya ilmu pengetahuan, tentu metode terbaru yang dinamakan structural equation modeling (SEM) lebih tepat dan sahih untuk digunakan. Interpretasi hasil dan validitas serta reliabilitas dalam kesimpulannya lebih tepat untuk digunakan.

Ikhtisar Lengkap   
Penulis: Sofyan Yamin / Heri Kurniawan

Penerbit: Salemba
ISBN: 9786028126229
Terbit: Januari 2011, 260 Halaman

Ikhtisar

Mengapa harus partial least square path modeling (PLS-PM) untuk mengolah data kuesioner dalam studi kasus mengukur hubungan atau pengaruh antara variabel? Banyak peneliti baik yang berasal dari lingkungan akademik (mahasiswa dan dosen) maupun peneliti dalam institusi atau lembaga tertentu menggunakan kuesioner sebagai alat mengumpulkan data untuk menjawab penelitian yang berhubungan dengan kasus mengukur hubungan atau pengaruh antarvariabel. Variabel itu biasanya bersifat laten, memerlukan indikator-indikator atau pernyataan-pernyataan untuk menjelaskannya. Indikator tersebut diasumsikan mewakili pengukuran variabel tersebut. Metode sederhana yang sering digunakan, yaitu merata-ratakan antarindikator (pernyataan dalam kuesioner yang mewakili variabel tertentu), kemudian meregresikan atau mengorelasikannya. Metode ini tentu dapat saja dipakai. Meskipun demikian, dengan berkembangnya ilmu pengetahuan, tentu metode terbaru yang dinamakan structural equation modeling (SEM) lebih tepat dan sahih untuk digunakan. Interpretasi hasil dan validitas serta reliabilitas dalam kesimpulannya lebih tepat untuk digunakan.

Pendahuluan / Prolog

Generasi Baru Mengolah Data Penelitian dengan Partial Least Square Path Modeling
Lisrel dan AMOS merupakan software yang paling banyak digunakan untuk mengolah data SEM. Software ini berbasis covariance based. Software statistik ini sangat canggih untuk era ini. Analisis ini mendasarkan kepada rujuakan teori yang kuat yang mendasari model. Banyak penelitian dalam jurnal internasional maupun penelitian ilmiah menggunakan analisis ini. Meskipun demikian, berkembang pula metode alternatif dari SEM ini ketika tujuan penelitian bergeser menjadi tujuan prediksi model. Ada baiknya para peneliti mencoba untuk merujuk kepada metode alternatif yang juga powerful. Namanya adalah PLS-PM. Metode ini dapat dikatakan sebagai metode Alternatif SEM. Metode PLS-PM ini dapat direkomendasikan ketika model penelitian masih memiliki landasan teori yang tentatif. Sekarang metode ini telah cepat berkembang luas dan banyak dipakai dalam jurnal ilmiah. Banyak analisis data kuesioner dalam jurnal ilmiah menggunakan analisis ini.

Metode alternatif ini sangat baik diaplikasikan karena software yang digunakan mengolah data inipun sangat praktis dan mudah untuk dioperasikan.

Buku ini coba menguraikan secara sederhana dan aplikatif serta bersifat tutorial tentang PLS-PM dalam analisis data kuesioner. Buku ini terdiri atas 18 bab yang diawali dengan alasan menggunakan SEM atau PLS-PM dalam mengukur hubungan antarkonstrak (variabel) hingga bab terakhir tentang mendeteksi keheterogenan dalam PLS-PM. Software yang digunakan dalam buku ini adalah XLSTAT PLS-PM 2010, SmartPLS versi 2.0, dan Visual PLS. Ketiga software tersebut akan membantu kita memahami lebih dalam tentang aplikasi partial least square ini. Software utama dalam buku ini adalah XLSTAT PLS-PM. Berdasarkan observasi oleh penulis, software ini memiliki kelengkapan dalam hasil output partial least square walau software ini merupakan software berbayar. Sementara software SmartPLS dan Visual PLS hingga kini masih bersifat freeware (gratis).


Penulis

Sofyan Yamin - Sofyan Yamin

Penulis pernah berkarier di Badan Litbang dan Diklat Kementerian Agama RI. Pernah bekerja sebagai statistics process control (SPC) engineer di perusahaan semikonduktor, research development di pusat perbelanjaan terbesar di Jakarta, dan juga sebagai Dosen Statistik. Karya tulis yang pernah diterbitkan adalah: “SPSS Complete (Teknik Analisis Data Terlengkap dengan Software SPSS)”; “Structural Equation Modeling (Belajar Mudah Teknik Analisis Data Kuesioner dengan Lisrel-PLS)”; “Regresi Korelasi dalam Genggaman Anda”.

Penulis dapat dihubungi melalui alamat e-mail di [email protected]
Heri Kurniawan - Heri Kurniawan

Penulis bekerja sebagai Dosen Statistik di ITHB (Institut Teknologi Harapan Bangsa, Bandung). Beliau adalah penulis buku: “SPSS Complete (Teknik Analisis Data Terlengkap dengan Software SPSS); “Structural Equation Modeling (Belajar Mudah Teknik Analisis Data Kuesioner dengan Lisrel-PLS)”; Regresi Korelasi dalam Genggaman Anda”.

Penulis dapat dihubungi melalui alamat e-mail di [email protected]

Daftar Isi

Sampul depan
Tentang Penulis
Kata Pengantar
Daftar Isi
Bab 1: Mengapa Analisis Data Kuesioner dengan Structural Equation Modeling?
Bab 2: Mengapa Harus Partial Least Square Path Modeling?
Bab 3: Langkah Operasional XLSTAT PLS-PM
Bab 4: Aplikasi Lanjutan dengan XLSTAT PLS-PM
Bab 5: Variabel Moderating dengan XLSTAT PLS-PM
Bab 6: Aplikasi Second Order dengan XLSTAT PLS-PM
Bab 7: Multigroup Analysis dengan XLSTAT PLS-PM
Bab 8: Model Pengukuran Formatif dengan XLSTAT PLS-PM
Bab 9: Langkah Operasional Visual PLS (LVPLS)
Bab 10: Aplikasi Lanjutan dengan LVPLS
Bab 11: Variabel Moderating dengan LVPLS
Bab 12: Multigroup Analysis dengan LVPLS
Bab 13: Langkah Operasional SmartPLS
Bab 14: Aplikasi Lanjutan dengan SmartPLS
Bab 15: Variabel Moderating dengan SmartPLS
Bab 16: Second Order dengan SmartPLS
Bab 17: Model Pengukuran Formatif dengan SmartPLS
Bab 18: REBUS-PLS & FIMIX-PLS (Heterogenitas dalam PLS-PM)
Daftar Pustaka
Indeks
Sampul belakang