SEM atau PLS-SEM? Cara Memilih yang Tidak Berdasarkan “Katanya Lebih Gampang”

Setiap musim skripsi dan tesis, ada satu pertanyaan yang mengalir ke saya hampir tanpa henti: “Pak, saya pakai LISREL atau SmartPLS?” Dan hampir selalu, di balik pertanyaan itu ada alasan yang sama: “Soalnya kata teman saya SmartPLS lebih gampang.”

Saya mengerti. Sebagai orang yang sudah menulis modul tentang kedua pendekatan ini, saya tidak akan menyangkal bahwa SmartPLS ramah di layar. Tapi memilih metode analisis berdasarkan “mana yang tampilannya lebih ramah” itu seperti memilih kendaraan berdasarkan warnanya. Mungkin menyenangkan, tapi belum tentu kamu sampai tujuan.

Artikel ini mencoba memberi cara berpikir yang lebih sehat untuk memilih antara dua keluarga Structural Equation Modeling (SEM): SEM berbasis kovarians (CB-SEM) dan SEM berbasis varians (PLS-SEM).

Dulu, apa itu SEM?

SEM adalah satu kerangka analisis yang bisa menjawab beberapa pertanyaan sekaligus. Ia menggambarkan hubungan antara variabel laten (konsep yang tidak bisa diukur langsung, seperti kepuasan, motivasi, atau kepercayaan) dengan indikatornya, dan juga hubungan antarvariabel laten itu sendiri. Keunggulan utama SEM dibanding regresi biasa adalah kemampuannya menghitung kesalahan pengukuran dan menganalisis banyak hubungan dalam satu model.

Satu hal yang selalu saya ingatkan: SEM bukan sekadar teknik, tapi cara berpikir. Kamu mulai dari teori, menggambar model, baru kemudian menguji apakah data mendukung teori itu. Kalau urutannya dibalik (menjalankan perangkat lunak dulu, mencari teori sesudahnya), hasilnya biasanya berantakan.

Dua keluarga, dua filosofi

CB-SEM (misalnya LISREL, AMOS, Mplus, atau paket lavaan di R) berusaha mereproduksi matriks kovarians data. Pertanyaan utamanya: apakah model teoritisku cocok dengan pola hubungan yang ada di data? Karena itu ia menghasilkan banyak ukuran kecocokan model (goodness of fit) seperti RMSEA, CFI, TLI, dan SRMR. CB-SEM cocok untuk pengujian dan konfirmasi teori.

PLS-SEM (misalnya SmartPLS) bekerja dengan pendekatan berbasis varians. Ia berusaha memaksimalkan varians yang dijelaskan dari variabel dependen. Pertanyaan utamanya: seberapa baik model ini memprediksi dan menjelaskan variabel yang kuhubungkan? PLS-SEM cocok untuk pengembangan teori dan prediksi.

Satu perbedaan filosofis, dua cara menilai kualitas. Itulah akar semua perbedaan teknis di bawah ini.

Kapan CB-SEM lebih masuk akal?

• Tujuan utamamu menguji teori yang sudah mapan, dan kamu ingin tahu apakah keseluruhan model cocok dengan data.
• Konstrukmu sebagian besar bersifat reflektif (indikator dipandang sebagai cerminan konstruk).
• Sampelmu cukup besar dan datanya mendekati asumsi distribusi yang dibutuhkan (atau kamu memakai estimator yang lebih tahan terhadap pelanggaran asumsi).
• Kamu butuh fitur lanjutan seperti pengujian invariansi pengukuran antarkelompok.

Kapan PLS-SEM lebih masuk akal?

• Tujuan utamamu prediksi atau eksplorasi model yang teorinya belum matang.
• Modelmu kompleks, dengan banyak konstruk dan indikator.
• Kamu memiliki konstruk formatif (indikator “membentuk” konstruk, bukan dicerminkan olehnya).
• Datamu tidak memenuhi asumsi normalitas, atau sampel relatif kecil, meskipun poin ini sering disalahpahami (lihat di bawah).

Tiga mitos yang perlu dibereskan

Mitos 1: “PLS-SEM cocok untuk sampel kecil, jadi sampel berapa pun aman.” PLS-SEM memang lebih toleran daripada CB-SEM terhadap sampel kecil dan data tidak normal, tetapi bukan berarti ia ajaib. Sampel kecil tetap menghasilkan estimasi yang tidak stabil. Aturan “sepuluh kali” yang sering dikutip dikritik karena terlalu kasar. Kebutuhan sampel tetap bergantung pada kompleksitas model dan kekuatan efek yang ingin dideteksi.

Mitos 2: “PLS-SEM tidak punya ukuran kecocokan, jadi lebih gampang lolos.” Ukurannya berbeda, bukan tidak ada. Dalam PLS-SEM kita menilai model pengukuran lewat outer loading (umumnya ≥ 0,70 sebagai patokan), composite reliability, average variance extracted (AVE ≥ 0,50), dan validitas diskriminan (misalnya HTMT). Model struktural dinilai lewat R², ukuran efek, relevansi prediktif (Q²), dan signifikansi koefisien jalur dengan bootstrapping. Evaluasinya tidak lebih longgar. Hanya “bahasanya” lain.

Mitos 3: “Satu pendekatan pasti lebih unggul.” Tidak ada. Keduanya alat, dan keduanya bisa dipakai secara keliru. Banyak studi yang hasilnya serupa secara substansi ketika model dan data memenuhi syarat kedua pendekatan.

Pertanyaan-pertanyaan penuntun sebelum memilih

Ketika seseorang datang membawa proposal penelitian, saya biasanya mengajukan lima pertanyaan berikut:

1. Tujuan utamamu: menguji teori atau memprediksi? Menguji teori condong ke CB-SEM; prediksi condong ke PLS-SEM.
2. Bagaimana sifat konstrukmu: reflektif atau formatif? Formatif condong ke PLS-SEM.
3. Berapa besar sampelmu, dan bagaimana sebarannya? Sampel sangat kecil dan data sangat tidak normal memberi alasan lebih kuat untuk PLS-SEM, tapi dengan kehati-hatian.
4. Seberapa matang teorimu? Teori yang masih mencari bentuk lebih cocok dengan pendekatan eksploratif.
5. Apa yang diminta pengujimu atau jurnal target? Ini bukan alasan ilmiah, tapi realistis. Kalau jurnal yang kamu tuju biasa memakai salah satu pendekatan, pahami alasannya dan siapkan argumenmu.

Kesalahan yang paling sering saya temui

Bukan salah memilih LISREL atau SmartPLS. Kesalahan yang paling sering adalah tidak bisa menjelaskan alasan memilih. Di ruang sidang, pertanyaan “mengapa Anda menggunakan PLS-SEM?” dijawab “karena sampel saya kecil” atau “karena lebih mudah”. Padahal penguji yang baik mengharapkan jawaban yang berpijak pada tujuan penelitian, sifat konstruk, dan karakteristik data.

Kesalahan kedua: melewatkan evaluasi model pengukuran dan langsung membaca koefisien jalur. Itu seperti membaca hasil timbangan tanpa memastikan timbangannya akurat. Validitas dan reliabilitas harus beres dulu, baru hubungan antarvariabel punya makna.

Kesalahan ketiga: menjadikan nilai signifikansi satu-satunya tujuan. Model yang “signifikan semua” belum tentu bermakna. Perhatikan ukuran efek, kekuatan penjelasan, dan masuk akalnya hubungan secara teori.

Kesimpulan: pilih dengan alasan, bukan dengan kenyamanan

SEM atau PLS-SEM bukan soal siapa yang menang. Pertanyaannya: apa yang ingin kamu pelajari dari datamu, dan alat mana yang paling jujur menjawabnya? Jawab dengan alasan yang bisa kamu pertahankan, dan kamu akan lebih tenang, baik di depan penguji maupun di depan reviewer jurnal.

Dua skenario nyata untuk melatih intuisi

Skenario A. Seorang dosen ingin menguji teori yang sudah mapan: kualitas layanan memengaruhi kepuasan, dan kepuasan memengaruhi loyalitas. Ia memiliki 500 responden, semua konstruk berupa skala reflektif dari instrumen yang sudah teruji, dan ia ingin tahu apakah modelnya ‘cocok’ dengan data serta apakah model itu setara pada kelompok pria dan wanita. Ini wilayah yang cocok untuk CB-SEM.

Skenario B. Seorang manajer ingin memahami faktor apa yang paling memprediksi keberhasilan program retensi pelanggan. Modelnya mencakup beberapa konstruk baru yang belum punya instrumen baku, satu di antaranya berupa indeks yang dibentuk dari beberapa indikator berbeda (formatif), dan ia hanya punya 120 responden. Tujuannya prediksi dan eksplorasi. Ini wilayah yang lebih cocok untuk PLS-SEM, dengan catatan bahwa 120 sampel perlu dicek kecukupannya terhadap kompleksitas model.

Perhatikan bahwa pilihan tidak diputuskan oleh perangkat lunak yang tersedia, melainkan oleh tujuan, sifat konstruk, dan data. Apa pun pilihanmu, tuliskan alasannya di bab metode dalam beberapa kalimat yang jelas. Itu saja sudah memisahkan penelitian yang dipikirkan dengan penelitian yang sekadar dijalankan.

---

Kalau masih ragu memilih SEM atau PLS-SEM untuk modelmu, lihat layanan analisis SEM, PLS, dan statistik lainnya kami.