Home » Info Jasa Olah Data » Partial Least Square (PLS)

Partial Least Square (PLS)

  • by

Dalam dunia statistic terdapat suatu istilah yaitu Partial Least Square atau seringkali disingkat menjadi PLS. PLS ini merupakan suatu jenis analisis dalam statistic yang mana kegunaannya sendiri adalah mirip dengan SEM yang ada dalam analisis covariance. Kerangka dasar yang ada di SEM ialah sangat mirip dengan regresi linear. Sehingga bisa dikatakan segala sesuatu yang ada di regresi linear tentu juga ada di PLS. namun, penggunaan symbolnya cukup berbeda di antara keduanya. Ingin tahu lebih lanjut tentang Partial Least Square? Yuk, simak ulasan berikut bersama Uji Statistik Halal berikut ini!

Pengertian Partial Least Square (PLS)

PLS atau partial least square memiliki pengertian sebagai suatu teknik statistic multivariate. Penggunaannya seringkali digunakan untuk suatu analisis statistic yang menggunakan banyak variable respond an variable eksplanatori. Jenis analisis ini memang seringkali dikatakan sebagai sebuah teknik analisis yang baik untuk regresi berganda serta regresi komponen utama. Hal ini disebabkan oleh metodenya yang memiliki sifat lebih kebal atau robust. Kata robust memiliki arti sebagai sebuah parameter model yang tidak banyak berubah saat sampel baru diambil dari sebuah populasi dengan total tertentu.

Partial least square memiliki pengertian lain yaitu sebagai sebuah teknik yang prediktif dan mampu menangani banyak variable indenpenden. Ketika terjadi multikolinieritas di antara variable –variabel diatas, partial least square juga mampu menanganinya.

Dalam hal lain, PLS juga dikatakan sebagai sebuah metode analisis yang powerfull. Pernyataan tersebut didasarkan pada metode ini yang tidak membutuhkan syarat ataupun banyak asumsi untuk penggunaannya seperti pada uji normalitas ataupun multikolinearitas. Metode PLS ini memiliki keunggulan yang berbeda dengan yang lainnya. Keunggulannya ialah data yang digunakan tidak harus terdistribusi secara normal multivariate. Indicator-indikator seperti skala data kategori, ordinal, interval hingga rasio dapat digunakan. Adapun keunggulan lainnya ialah terletak pada ukuran sampel yang tidak selalu diharuskan memiliki ukuran yang besar.

Penemu Partial Least Square (PLS)

Herman O. A. Wold ialah merupakan orang pertama yang mengembangkan PLS di bidang ekonometrik di tahun 1960-an. Adapun kelebihan dari PLS sendiri ialah bisa menangani banyak variable yang independen.

Adanya variable predictor yang banya sebenarnya masih bisa di analisis dengan regresi berganda. Namun, apabila jumlah variable yang ada terlalu banyak maka akan terdapat model yang fit dengan data sampel yang ada. Akan tetapi jika anda hendak memprediksi data baru biasanya akan terjadi kegagalan. Hal ini disebut sebagai overfitting.

Ide PLS ini kemudian muncul untuk melakukan ekstrak faktor-faktor laten yang ada ketika terjadi overfitting. Hal ini akan menjelaskan sebanyak mungkin variasi fektor manifest saat memodelkan variable respon.

Tujuan Partial Least Square (PLS)

Partial least square seringkali digunakan untuk mengkonfirmasi sebuah teori yang ada. Namun, selain itu ternyata PLS memiliki tujuan lain yaitu untuk menjelaskan ada atau tidaknya hubungan antara variable laten. PLS atau Partial Least Square ini dapat digunakan untuk melakukan analisis sekaligus konstruk yang pembentukannya menggunakan indicator refleksif serta indicator formatif. Hal tersebut tentu lebih baik menggunakan PLS karena jika menggunakan SEM atau structural equation model dapat terjadi unidentified model. Partial Least Square sendiri memiliki dua indicator yaitu model indicator refleksif dan yang kedua ialah model indicator formatif.

Itulah informasi mengenai pengertian, penemu hingga tujuan adanya Partial Least Square. Bagi anda yang membutuhkan informasi mengenai statistic, anda bisa menemukan jawabannya di berbagai artikel kami di website Uji Statistik Halal. Atau bagi anda yang membutuhkan jasa penyelesaian berbagai masalah statistic, anda juga bisa menghubungi kami melaui kontak yang ada di website. Semoga artikel ini membantu ya.