Dalam penelitian kuantitatif yang menggunakan metode Partial Least Squares Structural Equation Modeling (PLS-SEM), pengujian kualitas model tidak hanya terbatas pada validitas dan reliabilitas, tetapi juga mencakup kemampuan prediktif model. Salah satu pendekatan terbaru dan semakin populer untuk menilai kemampuan prediksi out-of-sample dari model PLS-SEM adalah PLS Predict, yang disebut-sebut sebagai pengganti yang lebih komprehensif dibandingkan predictive relevance (Q²).

Apa Itu PLS Predict?

PLS Predict adalah metode berbasis cross-validation yang dikembangkan oleh Shmueli et al. (2016) dan dipopulerkan lebih lanjut oleh Hair et al. (2019, 2021) dalam kerangka predictive-oriented modeling. Tujuan utama PLS Predict adalah untuk mengevaluasi kemampuan prediksi model PLS terhadap data baru (out-of-sample), bukan hanya data yang digunakan dalam model (Shmueli et al., 2016)

Metode ini menghasilkan error metrics seperti Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE) untuk setiap indikator manifest (indikator pengukuran).

Kelemahan Predictive Relevance (Q²)

Predictive relevance (Q²) yang dikembangkan oleh Geisser (1975) dan Stone (1974), serta diadopsi dalam PLS oleh Chin (1998), telah lama digunakan untuk menilai prediktabilitas model. Q² diperoleh melalui prosedur blindfolding, namun hanya berlaku untuk indikator endogen, dan lebih cocok untuk in-sample predictive assessment (Hair et al., 2021).

Keunggulan PLS Predict

PLS Predict memiliki beberapa kelebihan dibandingkan Q²:

  • Mengukur out-of-sample predictive power, sehingga lebih realistis dan aplikatif dalam prediksi riil.
  • Memberikan hasil yang kuantitatif dan komprehensif dalam bentuk error metrics.
  • Dapat dibandingkan dengan benchmark model seperti regresi linier (LM).
  • Memungkinkan evaluasi granular terhadap setiap indikator, bukan hanya konstruk laten.

Implementasi dan Interpretasi

Untuk menjalankan PLS Predict, umumnya digunakan software seperti SmartPLS 4 atau R (paket plspredict). Interpretasinya mengikuti aturan:

  • Jika RMSE/MAE model PLS lebih kecil dari benchmark (misal regresi linier), maka model PLS memiliki kemampuan prediksi yang baik.
  • Jika lebih besar, maka kemampuan prediksi rendah, meski model bisa tetap valid secara struktural.

Referensi

  • Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage Publications.
  • Shmueli, G., Ray, S., Velasquez Estrada, J. M., & Chatla, S. B. (2016). The Elephant in the Room: Predictive Performance of PLS Models. Journal of Business Research, 69(10), 4552–4564. https://doi.org/10.1016/j.jbusres.2016.03.049

BLH