Covariance Based SEM Vs.

Component Based SEM

Covariance Based SEM

Penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti:
variabel yang diobservasi memiliki multivariate normal distribution dan observasinya harus
independen satu sama lain. Sampel yang kecil yang tidak “Asymptotic dapat memberikan hasil
estimasi parameter dan model statistic yang tidak baik. CBSEM sangat dipengaruhi oleh jumlah
sampel. Jumlah sampel kecil secara potensial akan menghasilkan Type II error yaitu model yang
jelek masih dapat menghasilkan model fit. CBSEM mengharuskan dalam membentuk variabel
laten yang indikator-indikatornya bersifat refleksif.

Component Bases SEM: PLS

Partial Least Square (PLS) adalah salah satu teknik Structural Equation Modeling (SEM)
yang mampu menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara
langsung. PLS dikembangkan sebagai alternatif apabila teori yang digunakan lemah atau indikator
yang tersedia tidak memenuhi model pengukuran reflektif. Herman Wold sebagai pengembang
PLS menyebutkan bahwa PLS sebagai ‘Soft Modeling’. PLS merupakan metode analisis yang
powerfull karena dapat diterapkan pada semua skala data, tidak banyak membutuhkan asumsi, dan
ukuran sampel tidak harus besar. Selain dapat digunakan untuk konfirmasi teori, PLS juga dapat
digunakan untuk membangun hubungan yang belum ada landasan teorinya atau untuk pengujian
preposisi.
Ukuran sampel dalam PLS, dengan perkiraan sebagai berikut:
 Sepuluh kali jumlah indikator formatif (mengabaikan indikator refleksif)
 Sepuluh kali jumlah jalur (paths) yang mengarah pada model struktural
 Sample size: 30 – 50 atau besar > 200 atau
 Sample size: 30-100

Variabel Laten dalam PLS merupakan pencerminan indikatornya, yang disebut dengan
indikator reflektif, atau dalam bentuk indikator formatif. Model reflektif secara matematis
menempatkan indikator sebagai sub-variabel yang dipengaruhi oleh variabel laten, sehingga
indikator-indikator tersebut bisa dikatakan dipengaruhi oleh faktor yang sama yaitu variabel
latennya, yang mengakibatkan bila terjadi perubahan dari satu indikator akan berakibat pada
perubahan indikator lainnya dengan arah yang sama. Sementara itu, model formatif secara
matematis, justru indikatorlah yang memengaruhi variabel laten, oleh sebab itu jika salah satu
indikator berubah tidak harus diikuti perubahan indikator lainnya dalam satu konstruk, tetapi jelas
berpengaruh terhadap variabel latennya.
 Variabel Variabel
Laten Laten

Indikator Indikator Indikator Indikator

Model Reflektif Model Formatif

Model reflektif mengasumsikan semua indikator seolah-olah dipengaruhi variabel laten

(konstruk), oleh karena itu menghendaki antar indikator saling berkorelasi satu sama lain.
Sedangkan model formatif, tidak mengasumsikan perlunya korelasi antar indikator, sehingga
internal konsistensi (Alpha Cronbach’s) kadang-kadang tidak diperlukan untuk menguji
reliabilitas konstruk formatif.

Indikator Model Refleksif:

Contoh model indikator refleksif adalah Variabel yang berkaitan dengan sikap (attitude) dan niat
membeli (purchase intention). Sikap umumnya dipandang sebagi respon dalam bentuk favorable
(menguntungkan) atau unfavorable (tidak menguntungkan) terhadap suatu obyek dan biasanya
diukur dengan skala multi item dalam bentuk semantik differences seperti, good-bad, like-dislike,
dan favorable-unfavorable. Sedangkan niat membeli umumnya diukur dengan ukuran subyektif
seperti how likely-unlikely, probableimprobable, dan/atau possible-impossible.

Ciri-ciri model indikator reflektif

 Arah hubungan kausalitas dari variabel laten ke indikator
 Antar indikator diharapkan saling berkorelasi (instrumen harus memiliki internal
consistency reliability)
 Menghilangkan satu indikator, tidak akan merubah makna dan arti variabel yg diukur
 Kesalahan pengukuran (error) pada tingkat indikator

Indikator Model Formatif

Contoh model indikator formatif adalah di bidang ekonomi, seperti index of sustainable
economics welfare, the human development index, the quality of life index. Variabel laten dengan
model indikator formatif berupa variabel komposit. Variabel Status Sosial Ekonomi, diukur
berdasarkan indikator yang saling mutually exclusive: Pendidikan, Pekerjaan dan Tempat
Tinggal. Variabel kualitas pelayanan dibentuk (formatif) oleh 5 dimensi: tangible, reliability,
responsive, emphaty dan assurance.
Ciri-ciri model indikator formatif
 Arah hubungan kausalitas dari indikator ke variabel laten
 Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji reliabilitas konsistensi
internal)
 Menghilangkan satu indikator berakibat merubah makna dari variabel laten
 Kesalahan pengukuran berada pada tingkat variabel laten (zeta)

Pemilihan metode analisis tergantung dari dua hal, yaitu model indikator (outer model) dan model
hubungan antar variabel laten (inner model), lebih jelasnya dapat dilihat pada tabel berikut:
No. Outer Model Inner Model Metode Analisis Software
Kausalitas satu arah AMOS & LISREL,
SEM, PLS, GSCA,
1 Reflektif (memenuhi salah satu SmartPLS, GeSCA,
WarpPLS
sifat model rekusif) WarpPLS
SEM, GSCA, AMOS & LISREL,
2 Reflektif Tidak rekursif
WarpPLS GeSCA, WarpPLS
Kausalitas satu arah SmartPLS, GeSCA,
3 Formatif dan Reflektif PLS, GSCA, WarpPLS
(memenuhi rekusif) WarpPLS
4 Formatif dan Reflektif Tidak rekursif GSCA, WarpPLS GeSCA, WarpPLS

Gambar 1. Ilustrasi model struktural bersifat Rekursif dan model indikator Reflektif
Gambar 2. Ilustrasi model struktural bersifat Tidak Rekursif dan model indikator Reflektif

Gambar 3. Ilustrasi model struktural bersifat Rekursif dan model indikator Reflektif dan
Formatif
Gambar 4. Ilustrasi model struktural bersifat Tidak Rekursif dan model indikator Reflektif dan
Formatif

Tabel Perbandingan Covariance Based SEM Vs. Component Based SEM

Kriteria CBSEM Component Based -PLS
Tujuan Penelitian Untuk menguji teori atau Untuk mengembangkan teori atau
mengkonfirmasi teori (orientasi membangun teori (orientasi prediksi)
parameter)
Pendekatan Berdasarkan Covariance Berdasarkan Variance
Spesifikasi Model Pengukuran Mensyaratkan adanya error terms Indikator dapat berbentuk formative
dan indikator hanya berbentuk dan reflektive, serta tidak
reflektif (bisa juga berbentuk mensyaratkan adanya error terms.
formative tetapi memerlukan
prosedur yang kompleks
Model Struktural Model dapat berbentuk Recursive Model dengan kompleksitas besar
dan non recursive dengan tingkat dengan banyak konstruk dan banyak
kompleksitas yang kecil sampai indikator (hanya berbentuk
menengah recursive)
Karakteristik data dan algorithm
Mensyaratkan jumlah sampel yang Jumlah sampel dapat kecil dan
besar, dan terpenuhi asumsi memperbolehkan dilanggarnya
multivariate normality (parametrik)asumsi multivariate Normality (non
parametrik)
Evaluasi Model Mensyaratkan terpenuhinya kriteria Estimasi parameter dapat langsung
Goodness of Fit sebelum estimasi dilakukan tanpa persyaratan kriteria
parameter goodness of fit
Pengujian Signifikansi Model dapat diuji dan difalsifikasi tidak dapat diuji dan difalsifikasi
Software error Sering bermasalah dengan Relatif tidak menghadapi masalah
inadmissible dan faktor (Crashing) dalam proses iterasi
indeterminacy model)
Notasi pada PLS

 = Ksi, variabel latent eksogen

 = Eta, variabel laten endogen
x = Lamnda (kecil), loading faktor variabel latent eksogen
y = Lamnda (kecil), loading faktor variabel latent endogen
x = Lamnda (besar), matriks loading faktor variabel latent eksogen
y = Lamnda (besar), matriks loading faktor variabel laten endogen
 = Beta (kecil), koefisien pngruh var. endogen terhadap endogen
 = Gamma (kecil), koefisien pengruh var. eksogen terhadap endogen
 = Zeta (kecil), galat model
 = Delta (kecil), galat pengukuran pada variabel laten eksogen
 = Epsilon (kecil), galat pengukuran pada variabel latent endogen
 LANGKAH-LANGKAH PLS

LANGKAH KE-1
MERANCANG INNER MODEL Pada SEM perancangan model adalah berbasis teori, akan tetapi
pada PLS bisa berupa:
1. Teori
2. Hasil penelitian empiris
3. Analogi, hubungan antar variabel pada bidang ilmu yang lain
4. Normatif, misal peraturan pemerintah, undang-undang, dan lain sebagainya
5. Rasional PLS: Bisa ekplorasi hubungan antar variabel
LANGKAH KE-2
MERANCANG OUTER MODEL
1. Pada SEM semua bersifat refleksif, model pengukuran tidak penting (sudah terjamin pada
DOV)
2. Pada PLS perancangan outer model sangat penting: refleksif atau formatif 0 Dasar: teori,
penelitian empiris sebelumnya, atau rasional
TAHAP KE-3 KONSTRUKSI DIAGRAM JALUR

LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN

Outer model
Untuk variabel latent eksogen 1 (reflektif)
x1 = x1 1 + 1
x2 = x2 1 + 2
x3 = x3 1 + 3
Untuk variabel latent eksogen 2 (formatif)
2 = x4 X4 + x5 X5 + x6 X6 + 4
Untuk variabel latent endogen 1 (reflektif)
y1 = y1 1 + 1
y2 = y2 1 + 2
Untuk variabel latent endogen 2 (reflektif)
y3 = y3 2 + 3
y4 = y4 2 + 4

Inner model :
1 = 1 1 + 2 2 + 1
2 = 11 + 3 1 + 4 2 + 2
LANGKAH KE-5
Pendugaan parameter :
 Weight estimate yang digunakan untuk menghitung data variabel laten
 Estimasi jalur (path estimate) yang menghubungkan antar variabel laten (koefisien jalur)
dan antara variabel laten dengan indikatornya (loading)
 Berkaitan dengan means dan lokasi parameter (nilai konstanta regresi) untuk indikator dan
variabel laten.
 Metode estimasi PLS: OLS dengan teknik iterasi
 Interaction variable:
o Pengukuran untuk variabel moderator, dengan teknik : menstandarkan skor
indikator dari variabel laten yang dimoderasi dan yang memoderasi, kemudian
membuat variabel laten interaksi dengan cara mengalikan nilai standar indikator
yang dimoderasi dengan yang memoderasi

LANGKAH KE-6
GOODNESS OF FIT - OUTER MODEL
Outer model refleksif :
 Convergent dan discriminant validity
 Composite realibility
Outer model formatif :
 dievaluasi berdasarkan pada substantive content-nya yaitu dengan melihat signifikansi dari
weight

Convergent validity
 Nilai loading 0.5 sampai 0.6 dianggap cukup, untuk jumlah indikator dari variabel laten
berkisar antara 3 sampai 7
Discriminant validity
 Direkomendasikan nilai AVE lebih besar dari 0.50.

Composite reliability
 Nilai batas yang diterima untuk tingkat reliabilitas komposit (ρc) adalah ≥ 0.7, walaupun
bukan merupakan standar absolut.
GOODNESS OF FIT - INNER MODEL
Diukur menggunakan Q-Square predictive relevance
Rumus Q-Square: Q2 = 1 – ( 1 – R1 2 ) ( 1 – R2 2 ) ... ( 1- Rp 2 )
 dimana R1 2 , R2 2 ... Rp 2 adalah Rsquare variabel endogen dalam model
 Interpretasi Q2 sama dg koefisien determinasi total pada analisis jalur (mirip dengan R2
pada regresi)

LANGKAH KE-7
PENGUJIAN HIPOTESIS
 Hipotesis statistik untuk outer model:
H0 : λi = 0 lawan H1 : λi ≠ 0
 Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen:
H0 : γi = 0 lawan H1 : γi ≠ 0
 Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen:
H0 : βi = 0 lawan H1 : βi ≠ 0
 Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan
 Outter model signifikan: indikator bersifat valid
 Inner model signifikan: terdapat pengaruh signifikan
 PLS tidak mengasumsikan data berdistribusi normal: menggunakan teknik resampling
dengan metode Bootstrap