Perbedaan cPLS dengan PLS dan cBootstrapping dengan Bootstrapping pada SmartPLS 4 dan Solusi Pemilihannya

Dalam pengujian model persamaan struktural menggunakan SmartPLS 4, banyak peneliti menghadapi kebingungan saat menentukan perbedaan cPLS dengan PLS dan cBootstrapping dengan Bootstrapping pada SmartPLS 4 dan solusi pemilihannya, terutama ketika menemukan pesan kesalahan cPLS algorithm did not converge atau non-positive definite covariance matrix. Gejala masalah ini biasanya muncul saat pengguna mencoba mengaplikasikan algoritma Consistent PLS (cPLS) pada model yang memiliki konstruk formatif, sampel berukuran terbatas, atau indikator dengan nilai reliabilitas yang rendah.

Permasalahan kian rumit ketika peneliti secara tidak sengaja mencampuradukkan algoritma perhitungan, seperti menjalankan eksekusi cPLS pada tahap estimasi dasar namun memilih prosedur Bootstrapping standar tanpa opsi konsistensi (*cBootstrapping*) pada tahap uji hipotesis. Ketidakcocokan kombinasi ini mengakibatkan nilai *standard error* membengkak secara tidak wajar, p-value menjadi bias, dan koefisien jalur (*path coefficient*) berfluktuasi secara tidak stabil sehingga menghasilkan inferensi statistik yang keliru.

Secara metodologis, Partial Least Squares Structural Equation Modeling (PLS-SEM) tradisional dirancang sebagai teknik estimasi berbasis komposit (composite-based estimator). Menurut Hair et al. (2021), PLS tradisional mengasumsi bahwa variabel laten terbentuk sebagai gabungan linier dari indikator-indikatornya, sehingga cenderung menghasilkan estimasi *outer loadings* yang lebih tinggi (*overestimation*) dan estimasi *path coefficients* yang sedikit lebih rendah (*underestimation*) ketika memodelkan *common factor*.

Untuk menjembatani perbedaan antara PLS-SEM berbasis komposit dengan Covariance-Based SEM (CB-SEM) berbasis faktor, Dijkstra dan Henseler (2015) mengembangkan algoritma *Consistent PLS* (cPLS). cPLS menerapkan faktor koreksi atenuasi pada matriks korelasi variabel laten reflektif, sehingga menghasilkan estimasi parameter yang konsisten dan identik secara asimptotik dengan hasil CB-SEM tanpa kehilangan fleksibilitas khas PLS.

Perbedaan mendasar juga berlaku pada tahap pengujian signifikansi inferensial. Prosedur *Bootstrapping* standar melakukan penarikan sampel ulang (*resampling*) untuk menghitung *standard error* berbasis estimasi komposit. Sementara itu, *Consistent Bootstrapping* (cBootstrapping) menghitung ulang faktor koreksi atenuasi cPLS pada setiap subsampel *bootstrap*, sehingga menghasilkan simpangan baku yang akurat untuk estimasi parameter yang telah dikoreksi (Dijkstra & Henseler, 2015).

Penggunaan cPLS dan cBootstrapping sangat bergantung pada landasan teori ontologi konstruk. Apabila penelitian bertujuan menguji teori dengan kerangka *Common Factor Model* (di mana semua indikator bersifat reflektif murni), cPLS menjadi pilihan tepat. Namun jika penelitian berorientasi pada prediksi (*out-of-sample prediction*) atau melibatkan indikator formatif, PLS standar adalah metode yang paling valid (Sarstedt et al., 2016).

Pemahaman yang kokoh mengenai landasan teori model komposit dan faktor konfirmatori di statistikian.com dapat membantu peneliti memahami fondasi matematis dibalik koreksi atenuasi sebelum menentukan opsi analisis pada antarmuka SmartPLS 4.

Berikut adalah panduan teknis terstruktur untuk memilih dan mengeksekusi metode PLS/cPLS beserta Bootstrapping/cBootstrapping secara tepat di SmartPLS 4.

Pertama, periksa jenis indikator pada seluruh variabel laten di dalam diagram jalur SmartPLS 4. Pastikan tidak ada satu pun variabel yang berkarakteristik formatif jika Anda berencana memilih algoritma cPLS.

Kedua, jika model Anda memuat kombinasi indikator reflektif dan formatif (*mixed model*) atau variabel *higher-order construct* tipe formatif, tetapkan pilihan analisis pada algoritma **PLS-SEM** standar dan pasangkan dengan **Bootstrapping** standar.

Ketiga, jika seluruh konstruk bersifat reflektif murni, jalankan evaluasi awal reliabilitas indikator melalui algoritma PLS dasar. Pastikan nilai *Composite Reliability* (rho_c) dan *Dijkstra-Henseler's rho* (rho_A) untuk setiap konstruk berada di atas angka 0.70.

Keempat, apabila syarat reliabilitas terpenuhi dan tujuan utama penelitian adalah pengujian teori faktor (*factor model testing*), buka menu *Calculate* di SmartPLS 4 dan pilih opsi **Consistent PLS-SEM Algorithm** (cPLS).

Kelima, pada jendela konfigurasi cPLS, periksa kriteria penghentian (*Stop Criterion*). Atur nilai ambang batas pada (10 Pangkat -7) dan maksimum iterasi sebanyak 300 untuk menjamin konvergensi perhitungan yang presisi.

Keenam, setelah perhitungan cPLS berhasil tanpa *error*, lanjutkan ke tahap uji hipotesis. Buka menu *Calculate* dan pilih opsi **Consistent Bootstrapping** (cBootstrapping).

Ketujuh, pastikan Anda **TIDAK** memilih menu *Bootstrapping* biasa ketika estimasi awal menggunakan cPLS. Pasangan algoritma harus selalu konsisten: cPLS dipasangkan dengan cBootstrapping, sedangkan PLS biasa dipasangkan dengan Bootstrapping biasa.

Kedelapan, atur jumlah subsampel *cBootstrapping* sebanyak 5.000 subsampel, pilih opsi *Bias-Corrected and Accelerated (BCa) Bootstrap*, serta gunakan pengujian dua arah (*two-tailed*) pada tingkat signifikansi 5 persen.

Kesembilan, apabila eksekusi cPLS mengalami kegagalan konvergensi (*non-convergence*), periksa kembali ukuran sampel data. cPLS mensyaratkan ukuran sampel yang relatif lebih besar dibandingkan PLS komposit untuk mencapai kestabilan estimasi.

Kesepuluh, jika terjadi *non-convergence* pada cPLS akibat sampel terbatas, gugurkan indikator reflektif yang memiliki *outer loading* di bawah 0.70 atau beralihlah kembali ke algoritma PLS-SEM standar dengan memberikan justifikasi berbasis *composite modeling* pada bab metodologi penelitian.

Contoh Tabel/Diagram Output Comparison of PLS vs cPLS and Bootstrapping vs cBootstrapping

Tabel output perbandingan di atas memperlihatkan perbedaan sistematis antara estimasi menggunakan algoritma PLS standar dipadu Bootstrapping standar dengan algoritma Consistent PLS (cPLS) dipadu Consistent Bootstrapping (cBootstrapping) pada SmartPLS 4.

Pada baris pertama, nilai *outer loading* untuk indikator reflektif **X1.1** meningkat dari 0.812 pada PLS standar menjadi 0.895 pada cPLS. Peningkatan ini terjadi karena cPLS mengoreksi kecenderungan kecacatan komposit yang secara alami menurunkan estimasi muatan faktor pada model *common factor*.

Pada baris kedua, nilai *path coefficient* dari variabel **X1** ke **Y1** mengalami penyesuaian naik dari 0.385 menjadi 0.442. Dalam PLS-SEM tradisional, nilai koefisien jalur sering kali mengalami bias penurunan (*underestimation*) akibat ketidaksempurnaan pengukuran (*measurement error*). cPLS secara efektif mengoreksi atenuasi tersebut sehingga angka yang dihasilkan setara dengan estimasi CB-SEM.

Baris ketiga dan keempat menunjukkan evaluasi uji hipotesis. Nilai *standard error* pada cBootstrapping (0.062) tercatat sedikit lebih tinggi dibandingkan Bootstrapping standar (0.045). Kenaikan *standard error* ini merupakan konsekuensi logis dari perhitungan variabilitas tambahan selama proses koreksi atenuasi di setiap subsampel, namun nilai p-value tetap konsisten signifikan pada tingkat 0.000.

Secara akademis, perdebatan antara penggunaan PLS komposit dan cPLS dikaji secara mendalam oleh Rigdon (2012; 2016). Rigdon menegaskan bahwa PLS tradisional tidak boleh dianggap cacat hanya karena tidak menghasilkan angka yang sama dengan CB-SEM, sebab komposit dan faktor konfirmatori adalah dua paradigma pengukuran yang secara fundamental berbeda.

Henseler et al. (2014) mengemukakan bahwa cPLS diciptakan bukan untuk menggantikan PLS komposit secara keseluruhan, melainkan untuk memberikan opsi bagi peneliti yang ingin melakukan uji teori berbasis faktor (*factor model empirical testing*) tanpa harus beralih ke perangkat lunak CB-SEM yang mensyaratkan asumsi distribusi normal multivariat yang ketat.

Dalam laporan penelitian ilmiah, Sarstedt et al. (2016) menyarankan agar peneliti selalu menyampaikan alasan metodologis secara transparan ketika memilih cPLS atau PLS standar. Jika fokus penelitian adalah evaluasi *predictive relevance* dan pengembangan konsep eksploratif, PLS komposit tetap menjadi rekomendasi utama.

Dengan memahami karakteristik matematis cPLS dan cBootstrapping serta memilih kombinasi algoritma yang tepat di SmartPLS 4, peneliti dapat menyajikan hasil analisis struktural yang valid, bebas dari bias estimasi, dan memenuhi standar publikasi internasional.

Kesimpulan

Pemilihan antara cPLS dengan PLS standar serta cBootstrapping dengan Bootstrapping biasa pada SmartPLS 4 sepenuhnya bergantung pada ontologi konstruk dan tujuan penelitian. cPLS beserta cBootstrapping dirancang khusus untuk mengoreksi bias atenuasi pada *Common Factor Model* dengan indikator reflektif murni, sedangkan PLS standar dan Bootstrapping biasa sangat unggul untuk model berbasis komposit, indikator formatif, serta pemodelan berorientasi prediksi.

Penggunaan pasangan algoritma yang konsisten—yaitu cPLS dengan cBootstrapping atau PLS standar dengan Bootstrapping standar—merupakan syarat mutlak untuk mencegah timbulnya bias *standard error* dan p-value. Peneliti disarankan untuk selalu memeriksa reliabilitas konstruk dan kecukupan ukuran sampel sebelum menetapkan cPLS sebagai metode estimasi utama.

Daftar Pustaka

• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297-316.
• 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.). Thousand Oaks, CA: 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.
• Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358.
• Rigdon, E. E. (2016). Choosing PLS path modeling as analytical method in European management research: A realist perspective. European Management Journal, 34(6), 598-605.
• 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.