![](https://cattleyapublicationservices.com/wp-content/uploads/2024/04/2fee449d-8a24-41f7-9992-aaacef9ad9e4.jpg)
SEM (Structural Equation Modeling) adalah teknik analisis data yang digunakan untuk menguji hubungan antar variabel dalam suatu model teoritis. SEM konvensional (CB-SEM) dan SEM Partial Least Squares (PLS) adalah dua varian SEM yang populer dengan beberapa perbedaan fundamental.
Perbedaan Utama:
1. Asumsi Distribusi Data:
- CB-SEM: Membutuhkan data yang terdistribusi normal dan multivariat normal. Asumsi ini penting untuk memastikan validitas statistik dari estimasi parameter dan uji hipotesis.
- PLS-SEM: Lebih fleksibel dalam hal asumsi distribusi data. PLS-SEM dapat digunakan dengan data non-normal dan bahkan data kategorikal.
2. Ukuran Sampel:
- CB-SEM: Membutuhkan ukuran sampel yang relatif besar (minimum 100-150) untuk mencapai kekuatan statistik yang memadai.
- PLS-SEM: Berkinerja lebih baik dengan ukuran sampel yang lebih kecil (minimum 30-50) dibandingkan CB-SEM.
3. Estimasi Parameter:
- CB-SEM: Estimasi parameter didasarkan pada metode Maximum Likelihood (ML) yang meminimalkan fungsi likelihood.
- PLS-SEM: Estimasi parameter menggunakan metode PLS yang memaksimalkan kovariansi antara variabel laten dan indikatornya.
4. Uji Hipotesis:
- CB-SEM: Uji hipotesis didasarkan pada statistik chi-square, t-test, dan Wald test.
- PLS-SEM: Uji hipotesis didasarkan pada bootstrapping dan resampling untuk menghasilkan nilai p dan confidence interval.
5. Kemampuan Multikolusi:
- CB-SEM: Sensitif terhadap multikolusi antar variabel, yang dapat menyebabkan bias dan hasil yang tidak akurat.
- PLS-SEM: Lebih toleran terhadap multikolusi dibandingkan CB-SEM, sehingga dapat digunakan dengan model yang memiliki variabel berkorelasi tinggi.
6. Fokus Analisis:
- CB-SEM: Lebih fokus pada pengujian hipotesis dan konfirmasi model teoritis.
- PLS-SEM: Lebih fokus pada prediksi dan eksplorasi hubungan antar variabel.
7. Interpretasi Hasil:
- CB-SEM: Interpretasi hasil didasarkan pada nilai p, coefficient of determination (R^2), dan standar error.
- PLS-SEM: Interpretasi hasil didasarkan pada path coefficient, loadings, dan variance explained.
8. Penggunaan Software:
- CB-SEM: Software populer: AMOS, Mplus, LISREL, EQS.
- PLS-SEM: Software populer: SmartPLS, WarpPLS, PLS-Graph, R packages (pls, semPLS).
Aspek | CB-SEM | PLS-SEM |
Distribusi Data | Normal, multivariat normal | Fleksibel (non-normal, kategorikal) |
Ukuran Sampel | Besar (minimum 100-150) | Kecil (minimum 30-50) |
Estimasi Parameter | Maximum Likelihood (ML) | Partial Least Squares (PLS) |
Uji Hipotesis | Chi-square, t-test, Wald test | Bootstrapping, resampling |
Multikolusi | Sensitif | Toleran |
Fokus Analisis | Pengujian hipotesis, konfirmasi model | Prediksi, eksplorasi hubungan |
Interpretasi Hasil | Nilai p, R^2, standar error | Path coefficient, loadings, variance explained |
Software | AMOS, Mplus, LISREL, EQS | SmartPLS, WarpPLS, PLS-Graph, R packages (pls, semPLS) |
Referensi:
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM). Sage publications.
- Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-336). Lawrence Erlbaum Associates.