Perbedaan PLS-SEM dan CB-SEM: Kapan harus menggunakannya?

Dunia riset akademik dan analisis data bisnis seringkali terasa seperti labirin yang dirancang untuk membuat kepala Anda meledak. Kalau Anda sedang berkutat dengan skripsi, tesis, atau riset pasar dan bingung memilih antara dua “monster” statistik ini, selamat, Anda normal. Memahami Perbedaan PLS-SEM dan CB-SEM: Kapan harus menggunakannya? bukan cuma soal teknis, tapi soal menyelamatkan reputasi intelektual Anda dari serangan penguji atau klien yang skeptis.

Jangan jadi peneliti “ikut-ikutan” yang pakai SmartPLS cuma karena aplikasinya warna-warni dan mudah diklik, atau pakai AMOS cuma karena ingin terlihat lebih pintar dan “ortodoks”. Pilihan metodologi Anda menentukan apakah data Anda akan bicara jujur atau malah memberikan halusinasi statistik yang menyesatkan. Mari kita bedah anatomi keduanya dengan gaya Zona Ekonomi: jujur, tajam, dan tanpa basa-basi.

Baca selengkapnya Panduan Lengkap Ekonometrika untuk Penelitian Ekonomi

Apa Itu SEM dan Kenapa Anda Harus Peduli?

Structural Equation Modeling (SEM) adalah evolusi dari regresi linear biasa. Kalau regresi cuma bisa melihat hubungan satu arah yang sederhana, SEM memungkinkan Anda menguji hubungan antar variabel laten (variabel yang tidak bisa diukur langsung, seperti “Loyalitas Konsumen” atau “Stabilitas Ekonomi”) secara simultan. Masalahnya, SEM punya dua aliran besar yang sering bikin orang berantem: CB-SEM (Covariance-Based) dan PLS-SEM (Partial Least Squares).

Secara psikologis, peneliti sering terjebak dalam confirmation bias. Mereka memilih alat yang paling mudah digunakan, bukan yang paling tepat untuk menjawab hipotesis. Di Zona Ekonomi, kami menantang Anda untuk berpikir lebih dalam: Apakah Anda ingin mengonfirmasi teori yang sudah mapan, atau Anda sedang mencoba memprediksi masa depan di tengah ketidakpastian data?

CB-SEM: Si Kaku yang Pemuja Teori

Covariance-Based SEM (CB-SEM) adalah “anak emas” statistik tradisional. Perangkat lunak seperti AMOS, LISREL, atau Mplus adalah taman bermainnya. Fokus utama CB-SEM adalah meminimalkan perbedaan antara matriks kovarians sampel dan matriks kovarians yang diprediksi oleh model Anda.

• Tujuan Utama: Konfirmasi teori (Confirmatory Research). Anda punya teori yang sudah kuat, dan Anda ingin membuktikan apakah data lapangan mendukung teori tersebut atau tidak.
• Asumsi Ketat: Data harus berdistribusi normal multivariat. Kalau data Anda “menceng” sedikit saja, CB-SEM akan memberikan peringatan merah yang bikin stres.
• Ukuran Sampel: Butuh sampel besar. Biasanya minimal 200 hingga 500 responden agar hasilnya stabil.
• Kekuatan: Memberikan indikator Goodness of Fit (GoF) yang sangat detail seperti RMSEA, CFI, dan TLI. Jika model Anda fit, berarti teori Anda memang solid.

Psikologinya sederhana: CB-SEM adalah untuk mereka yang mencari validasi formal. Jika Anda sedang menguji teori ekonomi klasik yang sudah ada sejak zaman kakek Anda, CB-SEM adalah senjata yang tepat.

PLS-SEM: Si Rebel yang Praktis dan Fleksibel

Partial Least Squares SEM (PLS-SEM), yang sering diasosiasikan dengan SmartPLS atau WarpPLS, adalah pendekatan yang lebih modern dan “berani”. Alih-alih memikirkan kovarians, PLS-SEM fokus pada memaksimalkan varians yang dijelaskan (R-square) dari variabel dependen.

• Tujuan Utama: Prediksi dan pengembangan teori (Exploratory Research). Sangat cocok jika hubungan antar variabel belum banyak diteliti sebelumnya.
• Bebas Asumsi: Tidak peduli apakah data Anda normal atau tidak. PLS-SEM adalah metode non-parametrik yang sangat tangguh menghadapi data yang “berantakan”.
• Ukuran Sampel Kecil: Bisa bekerja dengan sampel yang relatif sedikit (bahkan di bawah 100 responden), meski tetap disarankan menggunakan aturan “10 times rule”.
• Model Kompleks: Sangat efisien menangani model dengan banyak variabel laten dan indikator (ratusan bahkan ribuan).

Kenapa orang suka PLS-SEM? Karena alat ini tidak banyak menuntut. Ini adalah solusi bagi peneliti yang bekerja di dunia nyata di mana data seringkali tidak ideal dan responden sulit dicari. Namun, hati-hati, kemudahan ini seringkali membuat peneliti jadi malas melakukan validasi data yang benar.

Head-to-Head: Perbedaan PLS-SEM dan CB-SEM: Kapan harus menggunakannya?

Masih bingung? Mari kita buat perbandingan langsung agar Anda tidak salah pilih jalan saat mengolah data keuangan atau perilaku konsumen Anda:

1. Tujuan Penelitian Anda Apa?

Jika Anda ingin menguji kebenaran teori yang sudah ada (Confirmatory), gunakan CB-SEM. Jika Anda ingin membangun teori baru atau fokus pada prediksi hasil (Predictive), gunakan PLS-SEM.

2. Bagaimana Kondisi Data Anda?

Punya data ribuan dan distribusinya cantik (Normal)? CB-SEM adalah standarnya. Data cuma sedikit, banyak outlier, dan distribusinya berantakan? Jangan paksakan CB-SEM kalau tidak mau model Anda ditolak mentah-mentah. Gunakan PLS-SEM.

3. Kompleksitas Model

Untuk model yang sangat kompleks dengan banyak variabel moderasi dan mediasi yang bertumpuk, PLS-SEM biasanya lebih stabil dan jarang mengalami masalah konvergensi dibandingkan CB-SEM.

4. Tipe Indikator (Reflektif vs Formatif)

Ini teknis tapi krusial. CB-SEM sangat dominan pada indikator reflektif. Jika model Anda mengandung indikator formatif (di mana indikator menyebabkan variabel laten, bukan sebaliknya), PLS-SEM adalah pilihan yang jauh lebih superior dan mudah diimplementasikan.

Mitos Sampel Kecil: Jangan Terjebak!

Banyak orang bilang, “Pakai PLS saja, sampel saya cuma 30.” Ini adalah kesesatan berpikir yang harus dihentikan. Memang benar PLS-SEM bisa berjalan dengan sampel kecil, tapi statistical power-nya akan rendah. Artinya, Anda mungkin gagal mendeteksi hubungan yang sebenarnya ada (Type II Error).

Secara psikologis, menggunakan sampel kecil adalah bentuk “kemalasan intelektual”. Di Zona Ekonomi, kami menyarankan Anda tetap berusaha mencari sampel yang representatif. Alat statistik hanyalah alat; ia tidak bisa menyulap data sampah menjadi informasi emas.

Keputusan Akhir: Jangan Salah Pilih Senjata

Memilih antara CB-SEM dan PLS-SEM bukan soal mana yang lebih canggih, tapi mana yang paling sesuai dengan desain riset Anda. Jika Anda bekerja di sektor keuangan yang membutuhkan akurasi parameter yang ketat dan pengujian teori makro, CB-SEM mungkin lebih dihargai oleh jurnal-jurnal Q1.

Namun, jika Anda sedang meriset tren startup terbaru, perilaku belanja Gen Z di TikTok, atau variabel-variabel baru yang belum punya dasar teori kuat, PLS-SEM adalah sahabat terbaik Anda. Jangan biarkan ego akademik menghalangi Anda untuk menggunakan alat yang paling efisien.

Ingat, hasil riset yang bagus bukan dilihat dari seberapa rumit aplikasinya, tapi seberapa jujur dan logis interpretasi datanya. Jika Anda ingin memperdalam pemahaman tentang strategi data dan ekonomi yang tidak membosankan, pastikan untuk selalu memantau pembaruan di Zona Ekonomi.

FAQ: Pertanyaan yang Sering Menghantui Peneliti

1. Apakah hasil PLS-SEM bisa dianggap tidak valid dibandingkan CB-SEM?

Sama sekali tidak. Keduanya valid selama digunakan pada konteks yang benar. Masalah validitas muncul ketika Anda menggunakan PLS-SEM untuk mengonfirmasi teori yang sudah mapan hanya karena data Anda tidak normal. Itu namanya “curang” secara metodologis.

2. Bisakah saya menggunakan keduanya dalam satu penelitian?

Bisa, tapi biasanya jarang dilakukan kecuali untuk tujuan perbandingan metodologi (Robustness Check). Fokuslah pada satu metode yang paling kuat argumennya untuk model penelitian Anda.

3. Apa software terbaik untuk pemula?

SmartPLS sering dianggap lebih user-friendly karena antarmuka drag-and-drop yang intuitif. Namun, AMOS juga cukup mudah dipahami bagi mereka yang sudah terbiasa dengan ekosistem IBM SPSS. Pilihan software harus mengikuti metode, bukan sebaliknya.