Kapan Harus Menggunakan CB SEM vs PLS SEM? Analisis Kriteria Pemilihan? Kemampuan SmartPLS 4
Saat menyusun rancangan analisis persamaan struktural, banyak peneliti menghadapi dilema metodologis terkait kapan harus menggunakan CB SEM vs PLS SEM untuk menguji model konseptual mereka. Ketidakpahaman mengenai kriteria pemilihan yang tepat sering kali berujung pada pesan kesalahan teknis seperti covariance matrix is not positive definite pada perangkat lunak berbasis kovarians, atau penolakan draf publikasi oleh penelaah sejawat akibat alasan metodologis yang tidak terjustifikasi. Kehadiran kemampuan SmartPLS 4 memberikan solusi modern karena menyediakan dua mesin komputasi sekaligus dalam satu platform.
Gejala utama dari permasalahan ini tampak ketika peneliti memaksa menggunakan Covariance-Based Structural Equation Modeling (CB-SEM) pada data yang tidak memenuhi asumsi normalitas multivariat, sehingga menghasilkan nilai indeks keselarasan model (model fit) seperti RMSEA, CFI, dan TLI yang tidak memenuhi syarat. Sebaliknya, penggunaan Partial Least Squares Structural Equation Modeling (PLS-SEM) secara sembarangan pada model konfirmasi murni tanpa mempertimbangkan karakteristik pengukuran juga sering dikritik karena isu konsistensi estimasi.
Landasan teoritis dari kedua pendekatan ini memiliki pilar matematis yang sangat berbeda. Pendekatan CB-SEM yang dipelopori oleh Joreskog (1978) berfokus pada upaya meminimalkan selisih antara matriks kovarians sampel empiris dengan matriks kovarians yang diestimasikan oleh model teori. Metode ini sangat ideal untuk pengujian teori yang sudah mapan (theory testing) dan membutuhkan pemenuhan asumsi kualitatif data yang ketat.
Di sisi lain, pendekatan PLS-SEM yang diawali oleh Wold (1982) dan dikembangkan pesat oleh Hair et al. (2021) berfokus pada memaksimalkan varians konstruk endogen yang dapat dijelaskan (explained variance). Pendekatan berorientasi prediksi ini sangat fleksibel terhadap sebaran data yang tidak berdistribusi normal multivariat serta mampu mengolah model dengan tingkat kompleksitas tinggi.
Sarstedt et al. (2016) menegaskan bahwa pemilihan antara CB-SEM dan PLS-SEM bukanlah masalah mana metode yang lebih superior, melainkan mana pendekatan yang paling sesuai dengan tujuan penelitian, struktur model pengukuran, dan karakteristik sampel yang dimiliki oleh peneliti.
Pembaca yang ingin memahami kerangka teoritis dasar mengenai formulasi matematis dan perbedaan paradigma analisis Structural Equation Modeling dapat mempelajari ulasan landasan teori komprehensif yang telah dipublikasikan di situs utama statistikian.com.
Menurut Henseler et al. (2014), kesalahan mendasar yang sering terjadi di kalangan mahasiswa dan peneliti adalah menganggap PLS-SEM sebagai pengganti serbaguna bagi CB-SEM tanpa mempertimbangkan implikasi ilmiah dari struktur estimasi parameter yang dihasilkan.
Berikut adalah langkah-langkah teknis mandiri dan kriteria keputusan yang sistematis untuk menentukan penggunaan CB-SEM atau PLS-SEM beserta eksekusinya di SmartPLS 4:
1. Evaluasi tujuan utama penelitian. Jika tujuan penelitian adalah menguji, memverifikasi, atau membandingkan teori yang sudah sangat mapan, pilih CB-SEM. Jika tujuan utama adalah mengembangkan teori, melakukan eksplorasi, atau memprediksi konstruk kunci, pilih PLS-SEM.
2. Periksa jenis model pengukuran pada indikator. Jika model penelitian mengandung indikator formatif (formative measurement model), sangat disarankan menggunakan PLS-SEM karena CB-SEM mengalami kesulitan identifikasi matematis pada indikator formatif.
3. Uji asumsi distribusi data multivariat. Jika data berdistribusi normal multivariat, CB-SEM dapat digunakan dengan optimal. Jika data terbukti miring (skewed) atau tidak memenuhi asumsi normalitas, gunakan PLS-SEM yang bersifat non-parametrik.
4. Perhitungkan ukuran sampel penelitian. Jika ukuran sampel terbatas atau kecil relatif terhadap kompleksitas model, PLS-SEM memiliki kekuatan statistik (statistical power) yang lebih baik dibandingkan CB-SEM.
5. Buka aplikasi SmartPLS 4 dan buat proyek baru. Perangkat lunak SmartPLS 4 kini dilengkapi dengan modul CB-SEM Engine dan PLS-SEM Engine dalam satu antarmuka grafis yang sama.
6. Pilih opsi pembuatan model sesuai pendekatan yang ditetapkan. Apabila memilih CB-SEM di SmartPLS 4, sistem akan menjalankan algoritma Maximum Likelihood untuk menghitung indeks Goodness of Fit standar seperti Chi-Square, CFI, TLI, dan RMSEA.
7. Apabila memilih PLS-SEM di SmartPLS 4 pada model reflektif, manfaatkan fitur Consistent PLS (PLSc) untuk memperoleh estimasi koefisien yang bebas dari bias attenuasi seperti halnya pada CB-SEM.
8. Dokumentasikan alasan pemilihan metode pada bab metodologi penelitian berdasarkan pohon keputusan di atas agar terhindar dari sanggahan tim penelaah atau penguji.
Contoh Tabel/Diagram Output Perbandingan Kriteria CB SEM vs PLS SEM dan SmartPLS 4
Berdasarkan matriks perbandingan output di atas, perbedaan mendasar antara CB-SEM dan PLS-SEM terletak pada orientasi analitis dan asumsi statistik yang melandasinya. CB-SEM menuntut asumsi distribusi normalitas multivariat yang ketat serta membatasi model pengukuran hanya pada bentuk reflektif.
Sebaliknya, PLS-SEM memberikan kebebasan bagi peneliti untuk mengakomodasi indikator reflektif maupun formatif tanpa dibatasi oleh asumsi sebaran data. Keunggulan utama dari rilis SmartPLS 4 adalah fleksibilitas dual engine yang memungkinkan peneliti membandingkan hasil estimasi dari kedua pendekatan secara langsung tanpa perlu berpindah ke aplikasi lain.
Hair et al. (2019) mengemukakan bahwa pengembangan metodologis dalam dua dekade terakhir telah mengikis dikotomi kaku antara pengguna CB-SEM dan PLS-SEM. Peneliti masa kini dituntut untuk bersikap pragmatis dan memilih alat analisis yang paling relevan dengan pertanyaan penelitian yang diajukan.
Inovasi modul CB-SEM pada SmartPLS 4 memanfaatkan estimasi berbasis Maximum Likelihood yang menghasilkan indeks keselarasan seperti Chi-Square, SRMR, dan RMSEA. Hal ini mempermudah konfirmasi model struktural tanpa harus menghadapi kerumitan antarmuka perangkat lunak generasi lama.
Di sisi lain, bagi peneliti yang menggunakan PLS-SEM tetapi ingin mengoreksi bias estimasi sampel terbatas pada indikator reflektif, penggunaan algoritma Consistent PLS (PLSc) pada SmartPLS 4 menjembatani kekuatan kedua pendekatan tersebut secara harmonis.
Dengan mempertimbangkan kriteria pemilihan yang tepat serta mengoptimalkan kemampuan SmartPLS 4, keputusan metodologis dapat dipertanggungjawabkan secara ilmiah dan meningkatkan probabilitas penerimaan karya ilmiah pada jurnal terakreditasi.
Kesimpulan
Pemilihan antara CB-SEM dan PLS-SEM harus didasarkan pada kriteria metodologis yang rasional, mencakup tujuan penelitian, bentuk model pengukuran, asumsi distribusi data, serta ukuran sampel. CB-SEM unggul untuk menguji dan mengonfirmasi teori yang terstruktur ketat dengan asumsi normalitas, sementara PLS-SEM unggul dalam memprediksi dan mengidentifikasi konstruk kompleks berbasis data non-parametrik. Kehadiran SmartPLS 4 sebagai perangkat lunak dual-engine memberikan kemudahan ekstra bagi peneliti untuk mengaplikasikan kedua pendekatan secara presisi dan efisien dalam satu platform terpadu.
Daftar Pustaka
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE Publications.
Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182-209.
Joreskog, K. G. (1978). Structural analysis of covariance matrices in sample designs. Psychometrika, 43(4), 443-477.
Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies!. Journal of Business Research, 69(10), 3998-4010.
Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Joreskog & H. Wold (Eds.), Systems Under Indirect Observation: Causality, Structure, Prediction (Vol. 2, pp. 1-54). North-Holland.