Structural Equation Modeling (SEM) adalah metode analisis statistik yang digunakan untuk menguji dan mengestimasi hubungan antara variabel laten dan variabel yang terukur dalam sebuah model struktural. SEM memungkinkan peneliti untuk menganalisis hubungan yang kompleks secara simultan, sehingga sering digunakan dalam penelitian sosial, psikologi, manajemen, dan bidang lainnya. SEM terbagi menjadi dua pendekatan utama, yaitu Covariance-Based SEM (CB-SEM) dan Partial Least Squares SEM (PLS-SEM) (Afthanorhan et al., 2020).

Covariance-Based SEM (CB-SEM) berfokus pada menyesuaikan atau meminimalkan perbedaan antara matriks kovarian yang diobservasi dengan yang diprediksi dalam model, sehingga lebih cocok untuk pengujian teori dan konfirmasi model yang telah ada. Pendekatan ini memerlukan sampel yang besar dan data berdistribusi normal untuk menghasilkan estimasi yang valid dan akurat. Sebaliknya, Partial Least Squares SEM (PLS-SEM) adalah pendekatan berbasis varian yang berfokus pada memaksimalkan varians dalam variabel dependen yang dapat dijelaskan oleh variabel independen. PLS-SEM lebih cocok untuk tujuan prediksi atau pengembangan teori baru, serta fleksibel dalam penggunaan sampel yang lebih kecil dan data yang tidak berdistribusi normal (Ghozali, 2020).

Berikut ini adalah perbedaan CB-SEM dan PLS-SEM disajikan dalam table

Tabel Perbedaan CB-SEM dan PLS-SEM

Aspek Covariance-Based SEM (CB-SEM) Partial Least Squares SEM (PLS-SEM)
Pendekatan Dasar Covariance-based, berfokus pada meminimalkan perbedaan antara matriks kovarian data yang diobservasi dan diprediksi Variance-based, berfokus pada menjelaskan varians dalam variabel dependen
Tujuan Mengetes teori dan menilai validitas serta reliabilitas model Mengembangkan atau memprediksi model, cocok untuk eksplorasi
Jenis Data Memerlukan data berdistribusi normal dan jumlah sampel besar Tidak memerlukan distribusi normal dan dapat digunakan untuk sampel kecil
Model Cocok untuk model pengukuran reflektif Cocok untuk model pengukuran reflektif dan formatif
Parameter Estimasi Menggunakan metode Maximum Likelihood Estimation (MLE) Menggunakan metode Ordinary Least Squares (OLS)
Kesesuaian Model Mengukur dengan fit indices (CFI, RMSEA, Chi-square) Tidak memiliki ukuran fit global, lebih fokus pada predictive power
Fleksibilitas Model Kurang fleksibel karena memerlukan asumsi ketat, seperti independensi error Lebih fleksibel dalam penanganan model kompleks dengan variabel formatif
Aplikasi Utama Uji hipotesis, validasi teori, penelitian berbasis konfirmasi Pengembangan teori, penelitian prediktif, dan eksplorasi
Ketahanan terhadap Multikolinearitas Cenderung rentan terhadap multikolinearitas Lebih tahan terhadap multikolinearitas

Masing-masing metode memiliki kelebihan dan kekurangan, sehingga pilihan antara CB-SEM dan PLS-SEM tergantung pada tujuan penelitian, sifat data, dan model yang dianalisis.

Referensi:

  • Afthanorhan, A., Awang, Z., & Aimran, N. (2020). An extensive comparison of cb-sem and pls-sem for reliability and validity. International Journal of Data and Network Science, 4(4), 357–364. https://doi.org/10.5267/j.ijdns.2020.9.003
  • Ghozali, I. (2020). Partial Least Square Concept Techniques and Applications using SMARTPLS 3 Program for Empirical Research. Faculty of Economic and Business Gadjah Mada University.