ABSTRAK
Structural Equation Modeling (SEM) merupakan teknis analisis yang sangat popular
digunakan di dalam ilmu sosial. Pendugaan parameter pada analisis SEM membutuhkan beberapa
asumsi penting seperti ukuran sampe l minima l10 kali banyaknya indikator dan data harus
berdistribusi normal. Dalam perkembangannya terdapat sebuah metode SEM yang tidak
membutuhkan asumsi tersebut yang dikenal dengan metode analisis Partial Least Square (PLS).
Partial Least Squares (PLS) merupakan metoda analisis yang powerfull dan sering disebut juga
sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi,
seperti data harus terdistribusi normal secara multivariate dan tidak adanya problem
multikolonieritas antara variabel eksogen.
Tujuan PLS adalah membantu peneliti untuk mendapatkan nilai variabel laten untuk tujuan
prediksi. Variabel laten adalah linear agregat dari indikator-indikatornya. Weight estimate untuk
menciptakan komponen skor variabel laten didapat berdasarkan bagaimana inner model (model
struktural yang menghubungkan antar variabel laten) dan outler model (model pengukuran yaitu
hubungan antara indikator dengan konstruknya) dispesifikasi. Hasilnya adalah residual variance
dari variabel independen (keduanya variabel laten dan indikator) diminimumkan.
Rangkuman perbandingan antara PLS-SEM dengan CB-SEM dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan antara PLS-SEM dan CB-SEM
Kriteria PLS-SEM CB-SEM
Tujuan Penelitian Untuk mengembangkan teori atau Untuk menguji teori atau mengkonfirmasi
membangun teori (orientasi prediksi) teori (orientasi parameter)
Pendekatan Berdasarkan variance Berdasarkan covariance
Metode Estimasi Least Squares Maximum Likelihood (umumnya)
Spesifikasi Model dan Components two loading, path koefisien Factors one loadings, path koefisien, error
Parameter Model dan component weight variances dan factor means
Model Struktural Model dengan kompleksitas besar Model dapat berbentuk recursive dan non-
dengan banyak konstruk dan banyak recursive dengan tingkat kompleksitas kecil
indikator (hanya berbentuk recursive) sampai menengah
Evaluasi Model dan Tidak mensyaratkan data terdistribusi Mensyaratkan data terdistribusi normal dan
Asumsi Normalitas normal dan estimasi parameter dapat memenuhi kriteria goodness of fit sebelum
Data langsung dilakukan tanpa persyaratan estimasi parameter
kriteria goodness of fit
Penujian Signifikansi Tidak dapat diuji dan difalsifikasi (harus Model dapat diuji dan difalsifikasi
melalui prosedur bootstrap atau
jackknife)
Hubungan epistemic Dapat dalam bentuk reflective maupun Hanya dengan reflective indikator
antara variabel laten formative indikator
dan indikatornya
Implikasi Optimal untuk ketepatan prediksi Optimal untuk ketepatan parameter
Kompleksitas Model Kompleksitas besar (100 konstruk dan Kompleksitas kecil sampai menengah (kurang
1.000 indikator) dari 100 indikator)
Besar Sampel Kekuatan analisis didasarkan pada porsi Kekuatan analisis didasarkan pada model
dari model yang memiliki jumlah spesifik. Minimal direkomendasikan berkisar
prediktor terbesar. Minimal dari 200 sampai 800 kasus
direkomendasikan berkisar dari 30
sampai 100 kasus
Software PSL Graph, SmartPLS, VisualPLS, AMOS, EQS, LISREL, Mplus dan
XLSTAT-PSL, dan sebagainya sebagainya.
Tahapan dan Kriteria Penilaian Partial estimate pada tahap kedua digunakan untuk
Least Square menghitung means dan lokasi parameter.
1. Cara Kerja PLS
Tujuan PLS adalah membantu peneliti 2. Indikator Refleksif dan Formatif
untuk mendapatkan nilai variabel laten untuk Pemilihan konstruk berdasarkan model
tujuan prediksi. Variabel laten adalah linear indikator refleksif atau formatif tergantung
agregat dari indikator-indikatornya. Weight dari prioritas hubungan kausalitas antara
estimate untuk menciptakan komponen skor indikator dan variabel laten (Bollen 1989,
variabel laten didapat berdasarkan bagaimana dalam Ghozali 2012). Lebih lanjut dinyatakan
inner model (model struktural yang oleh Fornell dan Bookstein (1982) bahwa
menghubungkan antar variabel laten) dan konstruk seperti "personalitas" atau "sikap"
outler model (model pengukuran yaitu umumnya dipandang sebagai faktor yang
hubungan antara indikator dengan menimbulkan sesuatu yang kita amati
konstruknya) dispesifikasi. Hasilnya adalah sehingga indikatornya bersifat refleksif.
residual variance dari variabel independen Sebaliknya jika konstruk merupakan
(keduanya variabel laten dan indikator) kombinasi penjelas dari indikator (seperti
diminimumkan. perubahan penduduk atau baur pemasaran)
Estimasi parameter yang didapat yang ditentukan oleh kombinasi variabel maka
dengan PLS dapat dikategorikan menjadi tiga indikatornya harus bersifat formatif.
yaitu: pertama, adalah weight estimate yang Konstruk dengan indikator refleksif
digunakan untuk menciptakan skor variabel mengasumsikan bahwa kovarian di antara
laten; kedua, mencerminkan estimasi jalur pengukuran model dijelaskan oleh varian yang
(path estimate) yang menghubungkan variabel merupakan manifestasi domain konstruknya.
laten dan antar variabel laten dan blok Pada setiap indikatornya harus ditambah
indikatornya (loading); ketiga, adalah dengan error terms atau kesalahan
keterkaitkan dengan means dan lokasi pengukuran. Adapun ciri-ciri dari konstruk
parameter (nilai konstanta regresi) untuk dengan indikator refleksif yaitu; arah
indikator dan variabel laten. Untuk hubungan kausalitas dari konstruk ke
mendapatkan ketiga estimasi tersebut, PLS indikator, antar ukuran indikator diharapkan
menggunakan proses iterasi tiga tahap dan saling berkorelasi, menghilangkan satu
setiap tahap iterasi menghasilkan estimasi. indikator dari model pengukuran tidak akan
Tahap pertama menghasilkan weight estimate, merubah makna atau arti konstruk,
tahap kedua menghasilkan estimasi untuk menghitung adanya kesalahan pengukuran
inner model dan outler model, dan tahap ketiga (error) pada tingkat indikator, konstruk
menghasilkan estimasi means dan lokasi memiliki arti yang surplus, perubahan pada
(konstanta). indikator tidak menyebabkan perubahan pada
Pada dua tahap pertama proses iterasi konstruk, perubahan pada konstruk
indikator dan variabel laten diperlukan sebagai mengakibatkan perubahan pada indikator,
deviasi (penyimpangan) dari nilai means (rata- indikator dapat dipertukarkan, indikator harus
rata). Pada tahap ketiga untuk hasil estimasi memiliki konten yang sama dan indikator
dapat diperoleh berdasarkan pada data metric perlu memiliki tema yang sama, indikator
original, hasil weight estimate dan path diharapkan memiliki kovarian satu sama
lainnya, indikator disyaratkan memiliki dievaluasi melalui validitas convergent dan
anteseden dan konsekuen yang sama, dan discriminant untuk indikator pembentuk
skala skor tidak menggambarkan konstruk. konstruk laten, serta melalui composite
Konstruk dengan indikator formatif reliability dan cronbach alpha untuk blok
mengasumsikan bahwa setiap indikatornya indikatornya. Sedangkan outler model dengan
mendefinisikan atau menjelaskan karakteristik indikator formatif dievaluasi melalui
domain konstruknya. Kesalahan pengukuran substantive content-nya yaitu dengan
ditujukan pada konstruk dan bukan pada membandingkan besarnya relative weight dan
indikatornya sehingga pengujian validitas dan melihat signifikansi dari indikator konstruk
reliabilitas konstruk tidak diperlukan lagi. tersebut (Chin 1998 dalam Ghozali 2012).
Adapun ciri-ciri dari konstruk dengan Validitas convergent berhubungan dengan
indikator formatif yaitu arah hubungan prinsip bahwa pengukur-pengukur (manifest
kausalitas dari indikator ke konstruk, antar variabel) dari suatu konstruk seharusnya
indikator diasumsikan tidak berkorelasi (tidak berkorelasi tinggi. Uji validatas convergent
diperlukan uji konsistensi internal/cronbach indikator refleksif dapat dilihat dari nilai
alpha), menghilangkan satu indikator loading factor untuk setiap konstruk, dimana
berakibat merubah makna dari konstruk, nilai loading factor yang direkomendasikan
kesalahan pengukuran diletakkan pada tingkat harus lebih besar dari 0,7 untuk penelitian
konstruk (zeta), konstruk mempunyai makna yang bersifat confirmatory dan nilai loading
surplus, perubahan pada indikator faktor antara 0,6 – 0,7 untuk penelitian yang
mengakibatkan perubahan pada konstruk, bersifat exploratory masih dapat diterima,
perubahan pada konstruk tidak menyebabkan serta nilai average variance extracted (AVE)
perubahan pada indikator, indikator tidak harus lebih besar dari 0,5. Validitas
dapat dipertukarkan, indikator tidak harus discriminant berhubungan dengan prinsip
memiliki konten yang sama dan indikator tidak bahwa pengukur-pengukur (manifest variabel)
perlu memiliki tema yang sama, tidak perlu konstruk yang berbeda seharusnya tidak
ada kovarian antar indikator, indikator tidak berkorelasi dengan tinggi. Cara untuk menguji
disyaratkan memiliki anteseden dan konsekuen validitas discriminant dengan indikator
yang sama, dan skala skor tidak refleksif yaitu dengan melihat nilai cross
menggambarkan konstruk. loading untuk setiap variabel harus > 0,70.
Evaluasi Model PLS Cara lain yang dapat digunakan untuk menguji
Model evaluasi PLS berdasarkan pada validitas discriminant adalah dengan
pengukuran prediksi yang mempunyai sifat membandingkan akar kuadrat dari AVE untuk
no-parametrik. Oleh karena itu, model evaluasi setiap konstruk dengan nilai korelasi antar
PLS dilakukan dengan menilai outer model konstruk dalam model. Validatas discriminant
dan inner model. yang baik ditunjukkan dari akar kuadrat AVE
1. Evaluasi model pengukuran (outler untuk setiap konstruk lebih besar dari korelasi
model) antar konstruk dalam model (Fornell dan
Evaluasi outer model disebut pula Larcker 1981, dalam Ghozali 2012).
dengan evaluasi model pengukuran dilakukan Ringkasan rule of thumb uji validitas
untuk menilai validitas dan reliabilitas model. convergent dan discriminant dapat dilihat pada
Outler model dengan indikator refleksif Tabel 2 di bawah ini.
2. E
3. valuasi model struktural (Inner Model) menunjukkan bahwa model lemah, moderate
Dalam menilai model struktural dengan dan kuat.
struktural PLS dapat dilihat dari nilai R- Selanjutnya evaluasi model dilakukan
Squares untuk setiap variabel laten endogen dengan melihat nilai signifikansi untuk
sebagai kekuatan prediksi dari model mengetahui pengaruh antar variabel melalui
struktural. Nilai R-Squares merupakan uji prosedur bootstrapping atau jackknifing.
goodness fit model. Perubahan nilai R-Squares Pendekatan bootstrap merepresentasi non
digunakan untuk menjelaskan pengaruh parametric untuk precision dari estimasi PLS.
variabel laten eksogen tertentu terhadap Prosedur bootstrap menggunakan seluruh
variabel laten endogen, apakah mempunyai sampel asli untuk melakukan resampling
pengaruh substantive. Nilai R-Squares 0,67; kembali. Hair et all, (2011) dan Henseler et al
0,33 dan 0,19 untuk variabel laten endogen (2009) memberikan rekomendasi untuk jumlah
dalam model struktural menunjukkan model sampel dari bootstrap yaitu sebesar 5.000
kuat, moderat, dan lemah (Chin, 1998 dalam dengan catatan jumlah tersebut harus lebih
Ghozali, 2006). Hasil dari PLS R-Squares besar dari original sampel. Namun beberapa
merepresentasikan jumlah variance dari literatur (lihat Chin 2003; 2010a)
konstruk yang dijelaskan oleh model. Selain menyarankan jumlah sampel dari bootstrap
melihat besarnya nilai R-Squares, evaluasi sebesar 200 – 1.000 sudah cukup untuk
model struktural PLS dapat juga dilakukan mengoreksi standar error estimate PLS. Nilai
dengan Q2 predictive relevance atau sering signifikansi yang digunakan (two-tailed) t-
disebut predictive sample reuse yang value 1,65 (signifikan level 10%); 1,96
dikembangkan oleh Stone (1974) dan Geisser (signifikan level 5%); dan 2,58 (signifikan
(1975) dalam Ghozali (2012). Nilai q2 level 1%). Ringkasan rule of thumb evaluasi
predictive relevance yaitu 0,02; 0,15; dan 0,35 model struktural dapat dilihat pada Tabel 4 di
bawah ini.
Tabel 4. Ringkasan Rule of Thumb Evaluasi Model Struktural
Kriteria Rule of Thumb
R-Square 0,67; 0,33; dan 0,19 menunjukkan model kuat, moderate dan lemah (Chin 1998 dalam
Ghozali 2012).
0,75; 0,50; dan 0,25 menunjukkan model kuat, moderate dan lemah (Hair et al.2011)
Effect Size f2 0,02; 0,15; dan 0,35 menunjukkan pengaruh kecil, menengah dan besar
Q2 predictive relevance Q2 > 0 menunjukkan model mempunyai predictive relevance dan jika Q2 < 0 menunjukkan
bahwa model kurang memiliki predictive relevance
Q2 predictive relevance 0,02; 0,15; dan 0,35 (lemah, moderate dan kuat)
Signifikansi (two-tailed) t-value 1,65 (signifikansi level 10%); t-value 1,96 (signifikansi level 5%), dan t-value 2,58
(signifikansi level 1%)
Selain bootstrap, metode alternatif DAFTAR PUSTAKA
resampling lain yang dikenal adalah
jackknifing yang dikembangkan oleh Jackknife Ghozali, Imam. 2011. Structural Equation
sekitar tahun 1990-an. Metode ini Modeling, Metode Alternatif Dengan
menggunakan sub sampel dari sampel asli Partial Least Square. Semarang. Badan
untuk melakukan resampling kembali. Metode Penerbit: Undip.
jackknifing kurang begitu efisien dibanding Ghozali, Imam dan Hengky Latan. 2012.
metode bootstrap karena mengabaikan Partial Least Squares. Konsep, Teknik
confidence intervals (Efron et al.2004 dalam dan Aplikasi. Semarang. Badan
Ghozali 2012). Oleh karena itu metode Penerbit: Undip.
jackknifing kurang begitu digunakan dalam Haryono, S. & Wardoyo, P. 2013. Structural
SEM dibandingkan dengan metoda bootstrap. Equation Modeling (SEM) untuk
Penelitian Manajemen. Jakarta : PT
SIMPULAN DAN SARAN Intermedia Personalia Utama Jakarta.
Nusair, K. & Hua, N. 2010.Comparative
Simpulan Assessment of Structural Equation
Berdasarkan pembahasan yang telah Modeling and Multiple Regression
diuraikan, maka didapatkan kesimpulan Research Methodologies: E-commerce
sebagaimana berikut: Context. USA: University of Central
1. Metode SEM-PLS lebih unggul jika Florida.
dibandingkan dengan CB-SEM Jaya, I. G. N. M. & Sumertajaya, I. M. 2008.
dikarenakan ukuran sampel yang Pemodelan Persamaan Strutura l
dibutuhkan untuk menganalisa data dengan Partial Least Square. Semnas
dengan jenis skala likert relatif kecil Matematika dan Pendidikan
dibandingkan dengan ukuran sampel pada Matematika
CB-SEM dengan data tidak perlu Ulum, Miftahul.,dkk. 2014. Analisis Structural
ditranformasi ke z-score. Equation Modeling (SEM) Untuk
2. PLS-SEM bertujuan untuk menguji Sampel Kecil dengan Pendekatan
hubungan prediktif antar konstruk dengan Partial Least Square (PLS). Prosiding
melihat, apakah ada hubungan atau Seminar Nasional Matematika.
pengaruh antar konstruk tersebut. Universitas Jember
Konsekuensi penggunaan PLS-SEM Widagdo, B. & Widayat. 2011. Pemodelan
adalah pengujian dapat dilakukan tanpa Persamaan Struktural. Malang: UMM
dasar teori yang kuat, mengabaikan Press.
beberapa asumsi (non parametrik) dan
parameter ketepatan model prediksi dilihat
dari nilai koefisien determinasi (R-
square). Karena itu, PLS-SEM sangat
tepat digunakan pada penelitian yang
bertujuan mengembangkan teori.
Saran
Adapun yang dapat disarankan untuk
penelitian yang tidak memiliki sampel besar
dalam kasus berbeda, analisis SEM-PLS dapat
digunakan sebagai alat analisis dan data dalam
analisis SEM-PLS juga tidak harus
berdistribusi normal.