Dalam lanskap penelitian bisnis dan ilmu sosial kontemporer, Structural Equation Modeling (SEM) telah mengukuhkan posisinya sebagai instrumen analisis statistik yang sangat krusial. Kemampuannya dalam menguji jaringan hubungan kompleks antarvariabel laten secara simultan melampaui kapabilitas regresi linier konvensional, sehingga kerap menjadi pilihan utama para akademisi. Kendati demikian, popularitas teknik ini sering kali menyisakan dilema metodologis yang membingungkan bagi peneliti, khususnya mahasiswa pascasarjana: apakah harus mengadopsi Covariance-Based SEM (CB-SEM) atau Partial Least Squares SEM (PLS-SEM)? Keputusan ini tentu tidak boleh diambil secara serampangan, sebab kekeliruan dalam memilih pendekatan tidak hanya berdampak pada aspek teknis, melainkan juga berisiko mencederai validitas dan kredibilitas dari seluruh hasil penelitian.

Untuk menentukan orientasi yang tepat, peneliti terlebih dahulu harus memahami perbedaan filosofis yang mendasari kedua pendekatan tersebut. CB-SEM beroperasi dengan prinsip reproduksi matriks kovarians, di mana konstruk diidentifikasi sebagai common factor yang melandasi indikator-indikator reflektifnya. Pendekatan parametrik yang lazim dijalankan melalui perangkat lunak seperti AMOS atau LISREL ini bertujuan untuk menguji sejauh mana model teoretis yang dibangun mampu mencerminkan data empiris yang diamati. Sebaliknya, PLS-SEM—yang sering disebut sebagai composite-based SEM—berorientasi pada pemaksimalan total varians. Bersifat non-parametrik dan umumnya dianalisis menggunakan SmartPLS, metode ini bekerja dengan mengeksplorasi varians data untuk memprediksi hubungan antarvariabel secara lebih fleksibel.

Aplikasi praktis dari kedua metode ini sangat bergantung pada tujuan riset dan karakteristik data yang dihimpun. Penerapan CB-SEM sangat direkomendasikan apabila fokus utama penelitian adalah konfirmasi atau pengujian teori yang sudah mapan (theory testing). Metode ini menuntut ukuran sampel yang relatif besar—umumnya minimal 200 responden—serta data yang memenuhi asumsi normalitas multivariat demi mengakomodasi estimator Maximum Likelihood. Keunggulannya terletak pada penyediaan indeks goodness-of-fit formal (seperti CFI, RMSEA, dan SRMR) untuk mengevaluasi kelayakan model secara menyeluruh. Di sisi lain, PLS-SEM menjadi solusi yang jauh lebih efektif ketika penelitian bersifat eksploratif atau bertujuan mengembangkan perluasan teori baru. PLS-SEM sangat andal dalam menangani model struktural yang kompleks, mampu mengakomodasi konstruk dengan hubungan formatif, serta tangguh menghadapi keterbatasan sampel kecil atau data yang tidak terdistribusi normal—sebuah kondisi yang sering dijumpai dalam riset business-to-business (B2B) atau studi populasi khusus.

Dalam satu dekade terakhir, popularitas PLS-SEM mengalami lonjakan eksponensial di berbagai disiplin ilmu, mulai dari manajemen strategis, pemasaran, perilaku keuangan, hingga akuntansi. Tren ini mencerminkan pergeseran kebutuhan riset modern yang kini semakin menekankan pada aspek prediktif dan eksplorasi model-model yang rumit. Pada akhirnya, dikotomi antara CB-SEM dan PLS-SEM bukanlah tentang mencari metode mana yang secara absolut lebih superior, melainkan tentang menemukan keselarasan metodologis antara alat analitis dengan tujuan spesifik penelitian. Sebagai rujukan fundamental, para peneliti dapat memperdalam pemahaman melalui karya Hair, Hult, Ringle, dan Sarstedt (2022) dalam A Primer on Partial Least Squares Structural Equation Modeling edisi ketiga. Dengan landasan berpikir yang utuh, peneliti tidak hanya akan menghasilkan analisis data yang akurat, tetapi juga mampu memberikan kontribusi ilmiah yang kokoh dan dapat dipertanggungjawabkan.

Refrence:

• Dash, G., & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting. Technological Forecasting and Social Change, 173, Article 121092. https://doi.org/10.1016/j.techfore.2021.121092
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
• Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101–110. https://doi.org/10.1016/j.jbusres.2019.11.069
• Sarstedt, M., & Cheah, J. H. (2019). Partial least squares structural equation modeling using SmartPLS: A software review. Journal of Marketing Analytics, 7(3), 196–202. https://doi.org/10.1057/s41270-019-00058-3
• Sarstedt, M., Ringle, C. M., & Hair, J. F. (2022). Partial least squares structural equation modeling. In C. Homburg, M. Klarmann, & A. Vomberg (Eds.), Handbook of market research (pp. 587–632). Springer. https://doi.org/10.1007/978-3-319-57413-4_15
• Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189