ANALISIS STRUCTURAL EQUATION MODELING (SEM) DENGAN

PENDEKATAN PARTIAL LEAST SQUARE (PLS)

I MADE MAHADI DWIPRADNYANA
I GUSTI AYU MADE AGUNG MAS ANDRIANI PRATIWI
I NYOMAN WIDHYA ASTAWA
Program Studi Ekonomi Pembangunan, Fakultas Ekonomi, Universitas Tabanan
Email: mahady25.md@gmail.com

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.

Keyword : Structural Equation Modeling (SEM), Partial Least Square (PLS)

PENDAHULUAN harus terdistribusi normal secara multivariate

Model persamaan struktural (Structural
Equation Modeling = SEM) merupakan teknis
analisis yang sangat popular digunakan di
dalam ilmu sosial. Teknis analisis ini
merupakan gabungan dua alat analisis yang
diambil dari ekonometrika yaitu persamaan
simultan yang memfokuskan pada prediksi,
dan psychometrika yang mampu untuk
menggambarkan konsep model dengan
variabel laten (variabel yang tidak dapat
diukur secara langsung) akan tetapi diukur
melalui indikator-indikatornya (variabel
manifest). SEM secara esensial menawarkan
kemampuan untuk melakukan analisis jalur
(path analytic) dengan variabel laten (Ching
1998, dalam Ghozali, 2012).
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
dan tidak adanya problem multikolonieritas
antara variabel eksogen (Wold 1985, dalam
Ghozali 2012). Pada dasarnya Wold
mengembangkan PLS untuk menguji teori
yang lemah dan data yang lemah seperti
sampel yang kecil atau adanya masalah
normalitas data (Wold 1982, dalam Ghozali
2012). Walaupun PLS digunakan untuk
menjelaskan ada tidaknya hubungan antar
variabel laten (prediction), PLS dapat juga
digunakan untuk mengkonfirmasi teori.
Dibandingkan dengan metoda Maximum
Likelihood, PLS menghindarkan dua masalah
serius yang ditimbulkan oleh SEM berbasis
covariance yaitu improper solutions dan factor
indeterminacy (Fornell dan Bookstein 1982,
dalam Ghozali 2012). Sebagai teknik prediksi,
PLS mengasumsikan bahwa semua ukuran
varian adalah varian yang berguna untuk
dijelaskan sehingga pendekatan estimasi
variabel laten dianggap sebagai kombinasi
linear dari indikator dan menghindarkan
masalah factor indeterminacy.
PLS menggunakan iterasi algorithm
yang terdiri dari seri OLS sehingga persoalan
identifikasi model tidak menjadi masalah
untuk model recursive (model yang
mempunyai satu arah kausalitas) dan
menghindarkan masalah untuk odel yang
bersifat non recursive (model yang bersifat
timbal-balik atau reciprocal antar variabel)
yang dapat diselesaikan oleh SEM berbasis
covariance. Sebagai alternatif analisis
covariance based SEM, pendekatan variance
based dengan PLS mengubah orientasi analisis
dari menguji model kausalitas (model yang
dikembangkan berdasarkan teori) ke model
prediksi komponen (Chin dan Newsted 1999,
dalam Ghozali 2012).
Perbandingan PLS-SEM dan CB-SEM
Pada umumnya terdapat dua jenis tipe
SEM yang sudah dikenal secara luas (Fornell
dan Bookstein 1982, dalam Ghozali 2012)
yaitu covariance-based structural equation
modeling (CB-SEM) yang dikembangkan oleh
Joreskog (1969) dan partial least squares path
modeling (PLS-SEM) yang sering disebut
variance atau component-based structural
equation modeling yang dikembangkan oleh
Wold (1974).
Covariance Based SEM merupakan
tipe SEM yang mengharuskan konstruk
maupun indikator-indikatornya untuk saling
berkorelasi satu dengan lainnya dalam suatu
model struktural. Sedangkan variance atau
component based SEM merupakan tipe SEM
yang menggunakan variance dalam proses
iterasi sehingga tidak memerlukan korelasi
antara indikator maupun konstruk latennya
dalam suatu model struktural.
Secara umum, penggunaan CB-SEM
bertujuan untuk mengestimasi model struktural
berdasarkan telaah teoritis yang kuat untuk
menguji hubungan kausalitas antar konstruk
serta mengukur kelayakan model dan
mengkonfirmasinya sesuai dengan data
empirisnya. Konsekwensi penggunaan CB-
SEM adalah menuntut basis teori yang kuat,
memenuhi berbagai asumsi parametrik dan
memenuhi uji kelayakan model (goodness of
fit). Karena itu, CB-SEM sangat tepat
digunakan untuk menguji teori dan
mendapatkan justifikasi atas pengujian
tersebut dengan serangkaian analisis yang
kompleks.
Sementara PLS-SEM bertujuan untuk
menguji hubungan prediktif antar konstruk
dengan melihat, apakah ada hubungan atau
pengaruh antar konstruk tersebut. Konsekuensi
penggunaan PLS-SEM adalah pengujian dapat
dilakukan tanpa dasar teori yang kuat,
mengabaikan 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.

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
Kompleksitas Model Kompleksitas besar (100 konstruk dan
1.000 indikator)
Besar Sampel Kekuatan analisis didasarkan pada porsi
dari model yang memiliki jumlah
prediktor terbesar. Minimal
direkomendasikan berkisar dari 30
sampai 100 kasus
Software PSL Graph, SmartPLS, VisualPLS,
XLSTAT-PSL, dan sebagainya
Tahapan dan Kriteria Penilaian Partial
Least Square
1. Cara Kerja PLS
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.
Estimasi parameter yang didapat
dengan PLS dapat dikategorikan menjadi tiga
yaitu: pertama, adalah weight estimate yang
digunakan untuk menciptakan skor variabel
laten; kedua, mencerminkan estimasi jalur
(path estimate) yang menghubungkan variabel
laten dan antar variabel laten dan blok
indikatornya (loading); ketiga, adalah
keterkaitkan dengan means dan lokasi
parameter (nilai konstanta regresi) untuk
indikator dan variabel laten. Untuk
mendapatkan ketiga estimasi tersebut, PLS
menggunakan proses iterasi tiga tahap dan
setiap tahap iterasi menghasilkan estimasi.
Tahap pertama menghasilkan weight estimate,
tahap kedua menghasilkan estimasi untuk
inner model dan outler model, dan tahap ketiga
menghasilkan estimasi means dan lokasi
(konstanta).
Pada dua tahap pertama proses iterasi
indikator dan variabel laten diperlukan sebagai
deviasi (penyimpangan) dari nilai means (rata-
rata). Pada tahap ketiga untuk hasil estimasi
dapat diperoleh berdasarkan pada data metric
original, hasil weight estimate dan path
Optimal untuk ketepatan parameter
Kompleksitas kecil sampai menengah (kurang
dari 100 indikator)
Kekuatan analisis didasarkan pada model
spesifik. Minimal direkomendasikan berkisar
dari 200 sampai 800 kasus
AMOS, EQS, LISREL, Mplus dan
sebagainya.
estimate pada tahap kedua digunakan untuk
menghitung means dan lokasi parameter.
2. Indikator Refleksif dan Formatif
Pemilihan konstruk berdasarkan model
indikator refleksif atau formatif tergantung
dari prioritas hubungan kausalitas antara
indikator dan variabel laten (Bollen 1989,
dalam Ghozali 2012). Lebih lanjut dinyatakan
oleh Fornell dan Bookstein (1982) bahwa
konstruk seperti "personalitas" atau "sikap"
umumnya dipandang sebagai faktor yang
menimbulkan sesuatu yang kita amati
sehingga indikatornya bersifat refleksif.
Sebaliknya jika konstruk merupakan
kombinasi penjelas dari indikator (seperti
perubahan penduduk atau baur pemasaran)
yang ditentukan oleh kombinasi variabel maka
indikatornya harus bersifat formatif.
Konstruk dengan indikator refleksif
mengasumsikan bahwa kovarian di antara
pengukuran model dijelaskan oleh varian yang
merupakan manifestasi domain konstruknya.
Pada setiap indikatornya harus ditambah
dengan error terms atau kesalahan
pengukuran. Adapun ciri-ciri dari konstruk
dengan indikator refleksif yaitu; arah
hubungan kausalitas dari konstruk ke
indikator, antar ukuran indikator diharapkan
saling berkorelasi, menghilangkan satu
indikator dari model pengukuran tidak akan
merubah makna atau arti konstruk,
menghitung adanya kesalahan pengukuran
(error) pada tingkat indikator, konstruk
memiliki arti yang surplus, perubahan pada
indikator tidak menyebabkan perubahan pada
konstruk, perubahan pada konstruk
mengakibatkan perubahan pada indikator,
indikator dapat dipertukarkan, indikator harus
memiliki konten yang sama dan indikator
perlu memiliki tema yang sama, indikator
diharapkan memiliki kovarian satu sama
lainnya, indikator disyaratkan memiliki
anteseden dan konsekuen yang sama, dan
skala skor tidak menggambarkan konstruk.
Konstruk dengan indikator formatif
mengasumsikan bahwa setiap indikatornya
mendefinisikan atau menjelaskan karakteristik
domain konstruknya. Kesalahan pengukuran
ditujukan pada konstruk dan bukan pada
indikatornya sehingga pengujian validitas dan
reliabilitas konstruk tidak diperlukan lagi.
Adapun ciri-ciri dari konstruk dengan
indikator formatif yaitu arah hubungan
kausalitas dari indikator ke konstruk, antar
indikator diasumsikan tidak berkorelasi (tidak
diperlukan uji konsistensi internal/cronbach
alpha), menghilangkan satu indikator
berakibat merubah makna dari konstruk,
kesalahan pengukuran diletakkan pada tingkat
konstruk (zeta), konstruk mempunyai makna
surplus, perubahan pada indikator
mengakibatkan perubahan pada konstruk,
perubahan pada konstruk tidak menyebabkan
perubahan pada indikator, indikator tidak
dapat dipertukarkan, indikator tidak harus
memiliki konten yang sama dan indikator tidak
perlu memiliki tema yang sama, tidak perlu
ada kovarian antar indikator, indikator tidak
disyaratkan memiliki anteseden dan konsekuen
yang sama, dan skala skor tidak
menggambarkan konstruk.
Evaluasi Model PLS
Model evaluasi PLS berdasarkan pada
pengukuran prediksi yang mempunyai sifat
no-parametrik. Oleh karena itu, model evaluasi
PLS dilakukan dengan menilai outer model
dan inner model.
1. Evaluasi model pengukuran (outler
model)
Evaluasi outer model disebut pula
dengan evaluasi model pengukuran dilakukan
untuk menilai validitas dan reliabilitas model.
Outler model dengan indikator refleksif
Tabel 2. Ringkasan Rule of Thumb Uji Validitas Convergent dan Discriminant
Validitas Parameter
Loading Factor
Validitas Convergent
Communality
AVE (Average Variance Extracted)
Cross Loading
Validitas
Akar kuadrat Ave dan korelasi antar
Discriminant
konstruk laten
dievaluasi melalui validitas convergent dan
discriminant untuk indikator pembentuk
konstruk laten, serta melalui composite
reliability dan cronbach alpha untuk blok
indikatornya. Sedangkan outler model dengan
indikator formatif dievaluasi melalui
substantive content-nya yaitu dengan
membandingkan besarnya relative weight dan
melihat signifikansi dari indikator konstruk
tersebut (Chin 1998 dalam Ghozali 2012).
Validitas convergent berhubungan dengan
prinsip bahwa pengukur-pengukur (manifest
variabel) dari suatu konstruk seharusnya
berkorelasi tinggi. Uji validatas convergent
indikator refleksif dapat dilihat dari nilai
loading factor untuk setiap konstruk, dimana
nilai loading factor yang direkomendasikan
harus lebih besar dari 0,7 untuk penelitian
yang bersifat confirmatory dan nilai loading
faktor antara 0,6 – 0,7 untuk penelitian yang
bersifat exploratory masih dapat diterima,
serta nilai average variance extracted (AVE)
harus lebih besar dari 0,5. Validitas
discriminant berhubungan dengan prinsip
bahwa pengukur-pengukur (manifest variabel)
konstruk yang berbeda seharusnya tidak
berkorelasi dengan tinggi. Cara untuk menguji
validitas discriminant dengan indikator
refleksif yaitu dengan melihat nilai cross
loading untuk setiap variabel harus > 0,70.
Cara lain yang dapat digunakan untuk menguji
validitas discriminant adalah dengan
membandingkan akar kuadrat dari AVE untuk
setiap konstruk dengan nilai korelasi antar
konstruk dalam model. Validatas discriminant
yang baik ditunjukkan dari akar kuadrat AVE
untuk setiap konstruk lebih besar dari korelasi
antar konstruk dalam model (Fornell dan
Larcker 1981, dalam Ghozali 2012).
Ringkasan rule of thumb uji validitas
convergent dan discriminant dapat dilihat pada
Tabel 2 di bawah ini.
Rule of Thumb
• > 0,70 untuk confirmatory research
• > 0,60 untuk exploratory research
• > 0,50 untuk confirmatory dan exploratory research
• > 0,50 untuk confirmatory dan exploratory research
• > 0,70 untuk setiap variabel
Akar kuadrat AVE > korelasi antar konstruk laten
 Selain uji validitas, pengukuran model
juga dilakukan untuk menguji reliabilitas
(keakuratan) suatu konstruk. Uji reliabilitas
dilakukan untuk membuktikan akurasi,
konsistensi dan ketetapan instrument dalam
mengukur konstruk. Uji reliabilitas suatu
konstruk dengan indikator refleksif dapat
dilakukan dengan dua cara yaitu Composite
Reliability dan Cronbach’s Alpha. Penggunaan
Cronbach’s Alpha untuk menguji reliabilitas
konstruk akan memberikan nilai yang lebih
rendah (under estimate) sehingga lebih
disarankan untuk menggunakan Composite
Reliability dalam menguji reliabilitas suatu
konstruk. Ringkasan rule of thumb uji
reliabilitas konstruk dengan indikator refleksif
dapat dilihat pada Tabel 3 di bawah ini.

Tabel 3. Ringkasan Rule of Thumb Uji Reliabilitas Konstruk

Parameter Rule of Thumb
Composite • > 0,70 untuk confirmatory research
Reliability • 0,60 – 0,70 masih dapat diterima untuk exploratory research
Cronbach’s Alpha • > 0,70 untuk confirmatory research
• > 0,60 masih dapat diterima untuk exploratory research

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
resampling lain yang dikenal adalah
jackknifing yang dikembangkan oleh Jackknife
sekitar tahun 1990-an. Metode ini
menggunakan sub sampel dari sampel asli
untuk melakukan resampling kembali. Metode
jackknifing kurang begitu efisien dibanding
metode bootstrap karena mengabaikan
confidence intervals (Efron et al.2004 dalam
Ghozali 2012). Oleh karena itu metode
jackknifing kurang begitu digunakan dalam
SEM dibandingkan dengan metoda bootstrap.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan pembahasan yang telah
diuraikan, maka didapatkan kesimpulan
sebagaimana berikut:
1. Metode SEM-PLS lebih unggul jika
dibandingkan dengan CB-SEM
dikarenakan ukuran sampel yang
dibutuhkan untuk menganalisa data
dengan jenis skala likert relatif kecil
dibandingkan dengan ukuran sampel pada
CB-SEM dengan data tidak perlu
ditranformasi ke z-score.
2. PLS-SEM bertujuan untuk menguji
hubungan prediktif antar konstruk dengan
melihat, apakah ada hubungan atau
pengaruh antar konstruk tersebut.
Konsekuensi penggunaan PLS-SEM
adalah pengujian dapat dilakukan tanpa
dasar teori yang kuat, mengabaikan
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.
DAFTAR PUSTAKA
Ghozali, Imam. 2011. Structural Equation
Modeling, Metode Alternatif Dengan
Partial Least Square. Semarang. Badan
Penerbit: Undip.
Ghozali, Imam dan Hengky Latan. 2012.
Partial Least Squares. Konsep, Teknik
dan Aplikasi. Semarang. Badan
Penerbit: Undip.
Haryono, S. & Wardoyo, P. 2013. Structural
Equation Modeling (SEM) untuk
Penelitian Manajemen. Jakarta : PT
Intermedia Personalia Utama Jakarta.
Nusair, K. & Hua, N. 2010.Comparative
Assessment of Structural Equation
Modeling and Multiple Regression
Research Methodologies: E-commerce
Context. USA: University of Central
Florida.
Jaya, I. G. N. M. & Sumertajaya, I. M. 2008.
Pemodelan Persamaan Strutura l
dengan Partial Least Square. Semnas
Matematika dan Pendidikan
Matematika
Ulum, Miftahul.,dkk. 2014. Analisis Structural
Equation Modeling (SEM) Untuk
Sampel Kecil dengan Pendekatan
Partial Least Square (PLS). Prosiding
Seminar Nasional Matematika.
Universitas Jember
Widagdo, B. & Widayat. 2011. Pemodelan
Persamaan Struktural. Malang: UMM
Press.