NAMA : ANNISA KARTIKA SAFIRA

NIM : 7181142022

MATA KULIAH: PENDIDIKAN AKUNTANSI

Jelaskan perbedaan SEM berbasis variance dan berbasis covariance

Structral Equation Modeling (SEM) Berbasis Variance

SEM memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikan teori dengan data,
dibandingkan teknik multivariate yang berkembang sebelumnya yaitu principal component
analysis, factor analysis, discriminant analysis atau multiple regression. Terdapat dua kelompok
SEM akhir-akhir ini yaitu, berbasis covariance dan berbasis variance (component)

SEM berdasarkan pada Covariance

SEM berbasis covariance yang berkembang sekitar tahun 1973 mulai menarik perhatian para
peneliti setelah keluarnya LISREL III yang dikembangkan oleh Joreskog dan Sorbom. Ide
dasarnya adalah dengan menggunakan fungsi Maximum Likelihood (ML) sehingga covariance
based SEM (CBSEM) sebenarnya berusaha meminimumkan perbedaan antara sample covariance
dan covariance yang diprediksi oleh model teoritis. Penggunaan CBSEM sangat dipengaruhi
oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki
multivariate normal distribution dan observasi harus independen satu sama lain.

CBSEM sangat dipengaruhi oleh jumlah sampel, karena jumlah sample kecil dapat menghasilkan
model yang jelek masih dapat menghasilkan model fit. CBSEM mengharuskan dalam
membentuk variabel latent, indikator-indikatornya bersifat refleksif. Dalam model refleksif
indikator atau manifest dipandang variabel yang dipengaruhi oleh variabel laten sesuai dengan
teori pengukuran classical test theory. Pada model indikator refleksif, indikator-indikator pada
satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item
atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama.

Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu
indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Sebagai ilustrasi
indikator pendidikan, pekerjaan dan pendapatan mempengaruhi variabel laten status sosial
ekonomi. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut
meningkat pula. Kenaikan pada suatu indikator pendapatan akan meningkatkan variabel laten.

Penggunaan model indikator formatif dalam CBSEM akan menghasilkan model yang
unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan
kausalitas model struktural dibangun atas dasar teori dan CBSEM hanya ingin mengkonfirmasi
apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.

Dengan beberapa keterbatasan yang ada maka sekarang banyak yang menggunakan SEM
berbasis component atau variance yang terkenal dengan Partial Least Square (PLS).

SEM berbasis component atau variance – PLS

Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari
indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated
indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten,
observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak
didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan
skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar
dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori,
tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten.
Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka
mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.

PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan
indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi
unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka
identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk
distribusi tertentu dari pengukuran variabel.

Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah
SmartPLS, PLS Graph, Visual PLS dan PLS Gui.