Partial Least Square – SEM vs Covariance based SEM

Structural Equation Model (SEM) merupakan gabungan dari dua metode statistik yang terpisah yaitu analisis faktor (factor analysis) yang dikembangkan di ilmu psikologi dan psikometri dan model persamaan simultan (simultaneous equation modeling) yang dikembangkan di ekonometrika (Ghozali, 2005).

Perbedaan paling jelas antara SEM dengan teknik multivariat lainnya adalah hubungan yang terpisah penggunaan untuk masing-masing set variabel dependen. Dalam istilah sederhana, SEM memperkirakan serangkaian terpisah, namun saling tergantung, persamaan regresi secara bersamaan dengan menetapkan model struktur yang digunakan oleh program statstik (Hair, et. al., 2007).

Structural Equation Model (SEM) umumnya diwakili oleh software seperti AMOS, EQS LISREL, Mplus dan sebagainya merupakan teknik analisis yang sangat popular digunakan di dalam ilmu sosial dalam beberapa dekade ini. Teknik analisis ini merupakan gabungan dari dua metodologi dua disiplin ilmu yaitu perspektif ekonometrika yang memfokuskan pada prediksi dan psikometrika yang mampu untuk menggambarkan konsep model dengan variabel laten (variabel yang tidak dapat diukur secara langsung) akan tetapi diukur melalui indicator-indikatornnya (manifest variables). SEM secara essensial menawarkan kemampuan untuk melakukan analisis jalur dengan variabel laten (Latan dan Ghozali, 2012).

Salah satu keunggulan SEM adalah kemampuan untuk membuat model konstruk-konstruk sebagai variabel laten atau variabel-variabel yang tidak diukur secara langsung, tetapi diestimasi dalam model dari variabel-variabel yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut – variabel laten. Dengan demikian hal ini memungkinkan pembuat model secara eksplisit dapat mengetahui ketidakreliabilitas suatu pengukuran dalam model yang mana teori mengijinkan relasi-relasi structural variabel-variabel laten yang secara tepat dibuat suatu model.

Umumnya terdapat dua jenis tipe SEM yang sudah dikenal secara luas yaitu covariace-based structural equation modeling (CB-SEM) yang dikembangkan oleh Joreskog (1969) dan partial least square path modeling (PLS-SEM) sering disebut variance atau component-based structural equation modeling yang dikembangkan oleh Wold (1974). Covariance based SEM diwakili oleh software AMOS, EQS, LISREL, Mplus dan sebagainya sedangkan variance atau component based SEM diwakili oleh software seperti PLS-Graph, SmartPLS, VisualPLS, XLSTAT-PLS dan sebagainya.

Covariance based SEM merupakan tipe SEM yang mengharuskan konstruk meupun indicator-indikatornya untuk saling berkorelasi satu dengan lainnya dalam suatu model structural. Lebih lanjut, Variance atau component based SEM merupakan tipe SEM yang menggunakn variance dalam proses iterasi sehingga tidak memerlukan korelasi antara indicator maupun konstruk latennya dalam suatu model structural. Secara umum, penggunaan CB-SEM bertujuan untuk mengestimasi model structural berdasarkan telaah teoritis yang kuat untuk menguji hubungan kausalitas antar konstruk serta mengukur kelayakan model dan mengkonfimasinya sesuai dengan data empirisnya. Konsekuensi penggunaan Cb-SEM adalah menuntut basis teori yang kuat, memenuhi berbagai asumsi parametric dan memenuhi uji kelayakan model (goodness of fit). Krena itu, CB-SEM sangat tepat digunakan utuk menguji teori dan mendapatkan justifikasi atas engujian 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 dengan melihat apakah ada hubungan atau pengaruh antar onstruk 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.

Tabel Perbandingan antara PLS-SEM dan CB-SEM

Kriteria

PLS-SEM

CB-SEM

Tujuan Penelitian

Untuk mengembangkan teori atau membangun teori (orientasi prediksi)

Untuk menguji teori atau mengkonfirmasi teori (orientasi parameter)

Pendekatan

Berdasarkan Variance

Berdasarkan covariance

Metode Estimasi

Least Square

Maximum Likelihood (umumnya)

Spesifikasi Model dan Parameter Model

Component two loadings, path koefisien dan component weight

Factors one loadings, path koefisien, error variances dan factor means

Model Struktural

Model dengn kompleksitas besar dengan banyak konstruk dan banyak indicator (hanya berbentuk recursive)

Model dapat berbentuk recursive dan non-recursive dengan tingkat kompleksitas kecil sampai menengah

Evaluasi Model dan Asumsi Normalitas Data

Tidak mensyaratkan data terdistribusi normal dan estimasi parameter dapat langsung dilakukan tanpa persyaratan criteria goodness of fit

Mensyaratkan data terdistribusi normal dan memenuhi criteria goodness of fit sebelum estimasi parameter

Pengujian Signifikansi

Tidak dapat diuji dan difalsifikasi (harus melalui prosedur bootstrap atau jackknife)

Model dapat diuji dan difalsifikasi

Software Produk

PLS Graph, SmartPLS, SPAD-PLS, XLSTAT-PLS dan sebagainya

AMOS, EQS, LISREL, Mplus dan sebagainya

Sumber: Chin & Newsted, 1999; Hair et. al., 2010; Hair et. al., 2011 (Latan & Ghozali, 2012)

 

Referensi:

Hair, Joseph F. JR., Anderson, Rolph E., Tatham, Ronald L., & Black, William C. 2007. Multivariate Data Analysis. Fifth Edition. Prentice-Hall International, Inc.

Ghozali, Prof. Dr. Imam, M.Com., Ak. 2005. Model Persamaan Struktural. Semarang: Badan Penerbit Universitas Dionegoro.

Latan, Hengky, SE. & Ghozali, Prof. Dr. Imam, M.Com., Ak. 2012. Partial Least Squares – Konsep, Teknik dan Aplikasi SmartPLS 2.0 M3. Semarang: Badan Penerbit Universitas Diponegoro.

 

 

Explore posts in the same categories: Uncategorized

Tag: , ,

You can comment below, or link to this permanent URL from your own site.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s


%d blogger menyukai ini: