Structural Equation Modeling berbasis Partial Least Squares (SEM PLS) merupakan salah satu metode analisis statistik yang semakin populer di bidang ilmu sosial, manajemen, pendidikan, pemasaran, dan berbagai disiplin lainnya. Popularitas metode ini tidak lepas dari kemampuannya menangani model yang kompleks dengan banyak variabel laten dan indikator, serta fleksibilitasnya dalam mengolah data yang tidak harus berdistribusi normal. Berbeda dengan SEM berbasis covariance seperti AMOS atau LISREL yang membutuhkan ukuran sampel besar dan asumsi distribusi ketat, SEM PLS dapat digunakan dalam kondisi data yang lebih longgar sehingga lebih mudah diterapkan oleh peneliti pemula maupun profesional.
Dalam beberapa tahun terakhir, penggunaan software SmartPLS sebagai alat utama dalam analisis SEM PLS juga meningkat. SmartPLS menawarkan antarmuka yang mudah dipahami, visualisasi model yang jelas, serta hasil keluaran yang lengkap mulai dari evaluasi model pengukuran hingga model struktural. Selain itu, SmartPLS memberikan fleksibilitas untuk melakukan bootstrapping, blindfolding, dan analisis keberagaman model secara lebih praktis. Hal ini membuat SmartPLS menjadi salah satu perangkat lunak paling populer untuk analisis berbasis PLS.
Melalui artikel ini, akan dibahas secara komprehensif mengenai konsep SEM PLS, alasan pemilihan metode ini, jenis-jenis model yang digunakan dalam PLS, langkah-langkah analisis lengkap menggunakan SmartPLS, interpretasi hasil, serta keunggulan dan keterbatasannya. Semua penjelasan disusun secara mendalam dengan paragraf panjang agar mudah dipahami oleh peneliti, mahasiswa, maupun praktisi yang ingin mempelajari SEM PLS dari dasar hingga tahap aplikasi.
Baca juga: Path analysis SmartPLS
Pengertian SEM PLS
SEM PLS adalah metode analisis yang menggabungkan dua hal sekaligus, yaitu analisis faktor (untuk mengukur variabel laten) dan analisis regresi (untuk melihat hubungan antar variabel laten). SEM PLS tidak sekadar menghitung hubungan antar variabel seperti regresi linear biasa, melainkan juga menjaga struktur pengukuran sehingga setiap variabel laten dipastikan valid dan reliabel sebelum digunakan untuk prediksi. Dengan demikian, SEM PLS berfungsi sebagai alat prediktif sekaligus alat konfirmatori, terutama ketika peneliti ingin mengetahui seberapa besar pengaruh antar variabel dalam model teoritis.
Berbeda dari SEM berbasis covariance yang berorientasi pada konfirmasi teori secara ketat, SEM PLS lebih berorientasi pada prediksi sehingga lebih fleksibel digunakan meskipun teori belum terlalu matang. Oleh karena itu, metode ini banyak digunakan dalam penelitian eksploratif, pengembangan teori baru, maupun studi empiris dengan keterbatasan sampel. Dalam konteks inilah SmartPLS berfungsi sebagai perangkat lunak yang memudahkan proses analisis melalui pendekatan PLS yang iteratif.
Alasan Menggunakan SEM PLS
Ada sejumlah alasan yang membuat banyak peneliti memilih SEM PLS dibandingkan SEM berbasis covariance. Salah satunya adalah kemampuannya mengatasi data yang tidak berdistribusi normal. Banyak penelitian sosial menemukan bahwa data responden sering cenderung condong, miring, atau tidak memenuhi asumsi normalitas, sehingga SEM PLS menjadi alat yang lebih realistis untuk digunakan. Selain itu, SEM PLS juga mampu bekerja dengan ukuran sampel kecil, bahkan beberapa literatur menyebutkan bahwa ukuran sampel 30–100 sudah cukup untuk menjalankan model PLS.
Alasan lainnya adalah fleksibilitas model. SEM PLS memungkinkan peneliti membuat model struktural yang kompleks, misalnya dengan banyak konstruk endogen dan eksogen, indikator reflektif dan formatif, serta hubungan mediasi maupun moderasi. Dalam penelitian dengan model kompleks, SEM berbasis covariance sering membutuhkan sampel yang jauh lebih besar, sedangkan SEM PLS tetap bisa memberikan hasil prediktif yang kuat. Kombinasi fleksibilitas teknis dan kemudahan interpretasi inilah yang menjadikan SEM PLS sebagai metode utama dalam banyak bidang penelitian modern.
Jenis-Jenis Konstruk dalam SEM PLS
Dalam SEM PLS, konstruk atau variabel laten dibedakan menjadi dua jenis utama, yaitu konstruk reflektif dan konstruk formatif. Pemahaman terhadap dua jenis konstruk ini sangat penting karena kesalahan dalam menentukan jenis konstruk dapat menyebabkan hasil analisis salah atau tidak valid. Konstruk reflektif adalah konstruk yang hubungan antara indikator dan variabel latennya bersifat reflektif, artinya indikator dianggap sebagai manifestasi atau cerminan dari konstruk tersebut. Jika konstruk berubah, indikator akan ikut berubah. Misalnya, kepuasan pelanggan biasanya diukur melalui indikator seperti kenyamanan, kesesuaian pelayanan, dan tingkat kepuasan umum sebagai cerminan konstruk.
Sementara itu, konstruk formatif memiliki hubungan kausalitas yang berbeda, yaitu indikator membentuk atau menciptakan konstruk. Dalam konstruk ini, indikator tidak harus saling berkorelasi karena masing-masing indikator menyumbang aspek yang berbeda untuk membentuk variabel laten. Misalnya, indeks pembangunan manusia (IPM) dibentuk oleh pendidikan, kesehatan, dan pendapatan; ketiganya tidak selalu berkorelasi tetapi bersama-sama membentuk konstruk IPM. Karena perbedaan jenis konstruk reflektif dan formatif sangat penting, peneliti harus memahami konsep teoritis sebelum menentukan jenis konstruk dalam model SmartPLS.
Jenis-Jenis Analisis dalam SEM PLS
Dalam SEM PLS terdapat beberapa jenis analisis yang umumnya digunakan untuk menilai kualitas model. Analisis pertama adalah evaluasi model pengukuran atau outer model. Evaluasi ini bertujuan menilai apakah indikator yang digunakan benar-benar mengukur konstruknya secara tepat melalui uji validitas dan reliabilitas. Dalam uji validitas, peneliti dapat melihat loading factor, convergent validity, dan discriminant validity. Sementara dalam uji reliabilitas terdapat Composite Reliability dan Cronbach Alpha. Semua hasil uji tersebut harus memenuhi batas tertentu agar konstruk dikatakan layak.
Jenis analisis kedua adalah evaluasi model struktural atau inner model. Analisis ini bertujuan untuk melihat hubungan antar variabel laten dalam model, termasuk kekuatan pengaruh, arah hubungan, dan signifikansi statistik. Pada tahap ini, SEM PLS menghitung nilai path coefficient, t-statistic, dan p-value melalui metode bootstrapping sehingga peneliti dapat mengetahui apakah hipotesis penelitian didukung atau tidak. Selain itu, model struktural juga dievaluasi melalui nilai R-Square, Q-Square, dan effect size (f2) untuk menilai kekuatan model secara keseluruhan.
Jenis analisis ketiga adalah uji mediasi dan moderasi. Dalam uji mediasi, peneliti ingin mengetahui apakah suatu variabel dapat menjadi perantara dalam hubungan antara dua variabel lain. Sedangkan dalam moderasi, peneliti ingin mengetahui apakah suatu variabel dapat memperkuat atau memperlemah hubungan antar variabel. SEM PLS menyediakan fasilitas analisis yang memudahkan proses pengujian ini melalui bootstrapping atau product indicator approach. Jenis analisis yang ketiga ini sangat sering digunakan dalam penelitian sosial dan manajemen karena banyak hubungan antar variabel tidak bersifat langsung, tetapi dipengaruhi oleh variabel lain sebagai mediasi atau moderasi.
Tahapan Analisis SEM PLS dengan SmartPLS
Tahap pertama adalah menyusun model konseptual berdasarkan teori. Pada tahap ini peneliti perlu menentukan hubungan antar variabel laten, apakah hubungan bersifat reflektif atau formatif, serta bagaimana arah pengaruhnya. Penyusunan model konseptual memerlukan dasar teori yang kuat agar analisis tidak bersifat spekulatif. Model ini kemudian dituangkan ke dalam diagram pada SmartPLS dengan memasukkan variabel laten dan indikatornya secara visual.
Tahap kedua adalah input data dan menjalankan algoritma PLS. Peneliti perlu mengimpor data dari file Excel atau CSV ke dalam SmartPLS, kemudian mengaitkan setiap indikator dengan variabel laten. Setelah semua terhubung, peneliti menjalankan algoritma PLS untuk mendapatkan nilai loading factor dan hasil awal model. Pada tahap ini peneliti juga melakukan model cleaning, yaitu menghapus indikator yang memiliki nilai loading sangat rendah sehingga konstruk menjadi lebih valid dan reliabel.
Tahap ketiga adalah melakukan bootstrapping. Metode ini digunakan untuk menguji signifikansi hubungan antar konstruk dalam model struktural. SmartPLS akan menghasilkan nilai t-statistic dan p-value yang digunakan untuk menguji hipotesis. Setelah itu peneliti melakukan interpretasi hasil model baik pada outer model maupun inner model. Tahap ini mencakup evaluasi validitas, reliabilitas, hubungan antar variabel laten, serta kekuatan model melalui R-Square и Q-Square. Langkah terakhir adalah menarik kesimpulan dan menghubungkan hasil analisis dengan teori, implikasi, dan tujuan penelitian.
Evaluasi Model Pengukuran (Outer Model)
Evaluasi model pengukuran bertujuan menilai apakah indikator-indikator yang digunakan benar-benar mewakili konstruk yang ingin diukur. Pada konstruk reflektif, indikator harus menunjukkan korelasi tinggi dengan konstruk laten sehingga loading factor di atas batas minimal, biasanya 0.70. Selain itu, setiap konstruk harus memenuhi convergent validity melalui nilai AVE di atas 0.50 yang menunjukkan bahwa indikator mampu mewakili varians konstruk dengan baik. Semakin tinggi nilai AVE, semakin kuat hubungan antar indikator dengan konstruk laten.
Selain convergent validity, diperlukan juga uji discriminant validity yang menunjukkan bahwa suatu konstruk benar-benar berbeda dari konstruk lain dalam model. Uji discriminant validity dapat dilihat melalui nilai Fornell-Larcker atau HTMT. Jika nilai-nilai ini memenuhi batas tertentu, maka konstruk dianggap memiliki identitas yang unik dan tidak menyatu dengan konstruk lain. Kemudian uji reliabilitas dilakukan untuk memastikan indikator memberikan hasil pengukuran yang konsisten melalui Composite Reliability dan Cronbach Alpha. Jika semua kriteria outer model terpenuhi, maka peneliti dapat melanjutkan ke analisis inner model.
Evaluasi Model Struktural (Inner Model)
Evaluasi inner model berfokus pada hubungan antar konstruk laten yang menjadi dasar pengujian hipotesis penelitian. Dalam evaluasi ini, nilai-nilai yang diperhatikan antara lain path coefficient, R-Square, Q-Square, f2, dan hasil bootstrapping. Path coefficient menunjukkan arah dan kekuatan hubungan antar konstruk, sedangkan nilai t-statistic dan p-value dari bootstrapping menentukan apakah hubungan tersebut signifikan secara statistik. Jika nilai p lebih kecil dari 0.05, maka hipotesis biasanya dikatakan didukung.
Nilai R-Square digunakan untuk mengetahui seberapa besar variabel eksogen mampu menjelaskan variabel endogen. Semakin tinggi nilai R-Square, semakin kuat model prediksi. Misalnya, nilai R-Square sebesar 0.67 dianggap kuat, 0.33 moderat, dan 0.19 lemah. Selain itu, nilai Q-Square digunakan untuk menilai kemampuan prediktif model secara keseluruhan. Jika nilai Q-Square positif, maka model memiliki kemampuan prediktif yang baik. Evaluasi ini sangat penting karena SEM PLS lebih berorientasi pada prediksi daripada sekadar konfirmasi teori.
Pengujian Mediasi dan Moderasi
Pengujian mediasi bertujuan melihat apakah hubungan antara variabel independen dan dependen menjadi lebih kuat atau signifikan ketika ada variabel mediator. Dalam SEM PLS, mediasi dihitung dengan melihat nilai indirect effect, direct effect, dan total effect melalui bootstrapping. Model mediasi dinyatakan ada ketika indirect effect signifikan dan arah hubungan sesuai teori. Peneliti juga dapat menentukan jenis mediasi, apakah mediasi penuh atau mediasi parsial, tergantung apakah pengaruh langsung masih signifikan atau tidak setelah mediator masuk ke model.
Pengujian moderasi bertujuan melihat apakah variabel moderating memperkuat atau memperlemah hubungan antar variabel. Dalam SmartPLS, moderasi dapat dilakukan melalui metode product indicator atau two-stage approach. Jika hubungan interaksi signifikan, maka moderasi dianggap terjadi. Pengujian moderasi sangat penting dalam penelitian yang ingin memahami kondisi tertentu yang dapat memperkuat atau melemahkan pengaruh antar variabel. Misalnya, pengaruh kualitas layanan terhadap kepuasan pelanggan dapat menjadi lebih kuat ketika tingkat kepercayaan pelanggan tinggi.
Keunggulan SEM PLS
Keunggulan utama SEM PLS adalah kemampuannya menangani model yang kompleks dengan ukuran sampel kecil dan data yang tidak harus berdistribusi normal. Hal ini membuat SEM PLS lebih fleksibel dibandingkan SEM berbasis covariance. Selain itu, SEM PLS memiliki orientasi prediksi yang kuat sehingga sangat cocok digunakan dalam penelitian eksploratif atau pengembangan teori. Keunggulan lainnya adalah interpretasi hasil yang lebih mudah dilakukan, terutama dengan bantuan software SmartPLS yang menampilkan hasil secara visual dan terstruktur.
Keunggulan berikutnya adalah kemampuan SEM PLS dalam menangani model dengan indikator reflektif maupun formatif secara efektif. Dalam banyak penelitian sosial, model indikator formatif sering muncul, dan SEM PLS menjadi salah satu metode yang paling tepat untuk mengatasinya. SmartPLS juga memungkinkan peneliti melakukan uji mediasi, moderasi, dan analisis tambahan lainnya dengan mudah. Keunggulan-keunggulan ini membuat SEM PLS menjadi pilihan utama banyak peneliti modern.
Keterbatasan SEM PLS
Meskipun memiliki banyak keunggulan, SEM PLS juga memiliki keterbatasan yang harus dipahami. Salah satunya adalah tidak cocok digunakan untuk penelitian yang membutuhkan pembuktian teori secara ketat karena SEM PLS lebih berorientasi pada prediksi daripada konfirmasi teori. Dengan demikian, metode ini kurang ideal untuk penelitian yang menuntut kecocokan model secara keseluruhan seperti uji Goodness-of-Fit yang dimiliki SEM berbasis covariance. Selain itu, hasil analisis SEM PLS sangat bergantung pada kualitas indikator sehingga pemilihan indikator yang salah dapat menghasilkan interpretasi yang keliru.
Keterbatasan lainnya adalah tidak adanya indeks kecocokan model global seperti chi-square, RMSEA, atau CFI. SEM PLS menggantinya dengan ukuran prediktif seperti R-Square dan Q-Square, tetapi tidak memberikan ukuran kecocokan model secara keseluruhan. Oleh karena itu, peneliti harus berhati-hati dalam menginterpretasikan hasil SEM PLS dan tidak serta-merta menyimpulkan bahwa model pasti baik hanya karena beberapa indikator signifikan. Pemahaman teoritis yang kuat tetap diperlukan untuk menghindari kesalahan interpretasi.
Baca juga: Validitas diskriminan SmartPLS
Kesimpulan
SEM PLS dengan SmartPLS merupakan metode analisis statistik yang sangat fleksibel, kuat, dan mudah digunakan untuk mengolah model yang kompleks. Metode ini sangat bermanfaat dalam penelitian yang bekerja dengan ukuran sampel kecil, data yang tidak berdistribusi normal, atau model dengan banyak variabel laten dan indikator. Dengan memahami jenis konstruk, tahapan analisis, evaluasi outer dan inner model, serta uji mediasi dan moderasi, peneliti dapat melakukan analisis SEM PLS dengan lebih tepat dan akurat.
Meskipun memiliki keterbatasan, SEM PLS tetap menjadi salah satu metode paling banyak digunakan dalam penelitian modern karena orientasi prediksinya yang kuat dan dukungan perangkat lunak SmartPLS yang mudah digunakan. Dengan memahami konsep-konsep dasar dan langkah-langkah analisisnya, peneliti dapat memanfaatkan metode ini untuk menghasilkan hasil penelitian yang valid, reliabel, dan bermanfaat bagi pengembangan ilmu pengetahuan maupun praktik profesional.
