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:

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.

[otw_is sidebar=otw-sidebar-6]