CB-SEM vs PLS-SEM: Perbedaan, Cara Menilai Model, dan Cara Memilihnya

Perbedaan CB-SEM dan PLS-SEM terletak pada tujuan analisis dan cara keduanya memperlakukan konstruk. CB-SEM dirancang untuk mengonfirmasi teori lewat kecocokan model. PLS-SEM dirancang untuk menjelaskan dan memprediksi variabel endogen, terutama pada model yang kompleks.

Pertanyaan “Kenapa memakai SmartPLS, bukan AMOS?” hampir selalu muncul di sidang. Jawaban “karena sampelnya kecil” sering dianggap lemah oleh penguji. Artikel ini membantu Anda memahami perbedaan keduanya dan menyusun alasan pemilihan metode yang bisa dipertanggungjawabkan.

Artikel ini bagian dari seri Materi Statistik IDTesis. Dasar-dasar PLS-SEM dan langkah analisisnya dibahas di artikel SEM PLS.

Apa Itu CB-SEM dan PLS-SEM?

Keduanya termasuk structural equation modeling (SEM), yaitu analisis yang menguji hubungan antarvariabel laten sekaligus kualitas pengukurannya.

• CB-SEM (covariance-based SEM) mencari parameter model yang membuat matriks kovarians tiruan dari model semirip mungkin dengan matriks kovarians data. Software yang lazim: AMOS, LISREL, Mplus, dan lavaan.
• PLS-SEM (partial least squares SEM) membentuk skor setiap konstruk dari gabungan berbobot indikatornya, lalu memaksimalkan varians konstruk endogen yang dijelaskan. Software yang lazim: SmartPLS, ADANCO, dan seminr.

Perbedaan Mendasar: Faktor Umum dan Komposit

CB-SEM memperlakukan konstruk sebagai faktor umum (common factor). Artinya, konstruk dianggap sebagai penyebab yang sama di balik semua indikatornya, dan sisa variasi indikator dianggap kesalahan pengukuran.

PLS-SEM memperlakukan konstruk sebagai komposit, yaitu gabungan berbobot dari indikatornya. Perbedaan ini bukan sekadar teknis. Sarstedt dkk. (2016) menunjukkan bahwa setiap metode menghasilkan estimasi yang bias jika dipakai pada jenis model yang tidak sesuai dengan asumsinya.

Pada model faktor umum, PLS-SEM cenderung melebihkan loading dan mengecilkan koefisien jalur. Untuk mengatasinya, Dijkstra dan Henseler (2015) mengembangkan consistent PLS (PLSc). Di SmartPLS, pilihan ini tersedia sebagai algoritme consistent PLS-SEM, cocok jika semua konstruk Anda reflektif.

Cara Menilai Model di Kedua Pendekatan

Karena logikanya berbeda, ukuran yang dilaporkan juga berbeda. Kesalahan yang sering terjadi adalah memakai patokan CB-SEM untuk menilai model PLS-SEM, atau sebaliknya.

Pada CB-SEM, banyak penelitian masih memakai CFI ? 0,90 sebagai batas minimal. Patokan Hu dan Bentler (1999) lebih ketat, dan mereka menyarankan beberapa indeks dibaca bersama, bukan satu per satu. Pada PLS-SEM, langkah membaca setiap ukuran dijelaskan di artikel cara membaca output SmartPLS, sedangkan HTMT dibahas khusus di artikel validitas diskriminan.

Ukuran Sampel: Benarkah PLS-SEM untuk Sampel Kecil?

CB-SEM sering dikaitkan dengan sampel minimal 200. Angka ini hanya aturan praktis. Simulasi Wolf dkk. (2013) menunjukkan kebutuhan sampel SEM bisa berkisar dari 30 sampai 460 kasus, tergantung jumlah faktor, besar loading, kekuatan hubungan, dan data yang hilang.

PLS-SEM memang bisa bekerja dengan sampel lebih kecil. Namun, Hair dkk. (2019) mengingatkan bahwa PLS-SEM tidak bisa mengubah sampel yang buruk atau tidak mewakili menjadi sampel yang baik. Jumlah sampel tetap harus dihitung, misalnya dengan metode inverse square root (Kock & Hadaya, 2018), dan respondennya tetap dipilih dengan teknik sampling yang tepat.

Menyusun alasan pemilihan metode untuk Bab 3 sering butuh diskusi. Jika Anda ragu memilih AMOS atau SmartPLS, tim IDTesis bisa membantu menimbangnya dari rumusan masalah dan data Anda.

Kapan Memilih CB-SEM, Kapan PLS-SEM?

Pilih CB-SEM jika

• Tujuan utamanya menguji atau mengonfirmasi teori yang sudah mapan.
• Semua konstruk diukur secara reflektif.
• Anda perlu menilai kecocokan model secara keseluruhan atau membandingkan beberapa model alternatif.
• Ukuran sampel memadai untuk kompleksitas model.

Pilih PLS-SEM jika

Hair dkk. (2019) menyebut beberapa kondisi yang membuat PLS-SEM lebih tepat:

• Analisis berangkat dari sudut pandang prediksi.
• Model kompleks, dengan banyak konstruk, indikator, atau jalur, misalnya model yang memuat variabel intervening dan variabel moderasi sekaligus.
• Ada satu atau lebih konstruk formatif.
• Penelitian memakai data sekunder.
• Populasinya kecil sehingga sampel terbatas, misalnya penelitian antarperusahaan.
• Distribusi data menjadi masalah.
• Skor konstruk dibutuhkan untuk analisis lanjutan.

Data yang tidak normal sebaiknya tidak menjadi satu-satunya alasan. CB-SEM juga punya cara menangani data tidak normal, misalnya estimator robust (MLR) di lavaan atau Mplus, dan bootstrap Bollen-Stine di AMOS. Cara memeriksa normalitas dibahas di artikel uji normalitas.

Contoh Alasan Pemilihan Metode di Bab 3

Penelitian ini menggunakan PLS-SEM karena tujuannya menjelaskan dan memprediksi niat beli ulang, bukan menguji kecocokan suatu teori secara keseluruhan. Model penelitian juga cukup kompleks, yaitu enam konstruk dengan sembilan jalur, termasuk satu konstruk formatif. Kondisi ini sesuai dengan kriteria penggunaan PLS-SEM menurut Hair dkk. (2019). Ukuran sampel minimum dihitung dengan metode inverse square root (Kock & Hadaya, 2018).

Perhatikan bahwa alasannya bertumpu pada tujuan penelitian dan bentuk model, bukan pada kemudahan software atau ukuran sampel saja. Hasil analisisnya nanti ditulis di Bab 4 dengan urutan seperti di artikel cara menulis hasil SEM PLS.

Kesalahan yang Sering Terjadi

• Memilih PLS-SEM hanya karena sampel kecil, padahal populasinya besar dan mudah dijangkau.
• Memakai patokan CFI atau RMSEA untuk model PLS-SEM. Ukuran ini dirancang untuk CB-SEM.
• Melaporkan indeks GoF sebagai bukti model PLS-SEM “fit”. Henseler dan Sarstedt (2013) menunjukkan indeks ini tidak cocok untuk validasi model.
• Menganggap PLS-SEM bebas syarat. Sampel tetap harus mewakili populasi, indikator tetap harus valid dan reliabel, dan kolinearitas tetap diperiksa lewat VIF.
• Memodelkan konstruk formatif di CB-SEM tanpa memenuhi syarat identifikasi model.

Pertanyaan yang Sering Diajukan

Apakah AMOS termasuk CB-SEM?

Ya. AMOS, LISREL, Mplus, dan lavaan menjalankan CB-SEM. SmartPLS, ADANCO, dan seminr menjalankan PLS-SEM.

Data saya tidak normal. Apakah wajib memakai PLS-SEM?

Tidak wajib. PLS-SEM memang tidak mensyaratkan data normal, tetapi CB-SEM juga punya estimator yang tahan terhadap ketidaknormalan. Pilih metode terutama berdasarkan tujuan penelitian dan bentuk model.

Berapa sampel minimum untuk CB-SEM?

Tidak ada satu angka yang berlaku untuk semua model. Angka 200 sering dipakai sebagai patokan umum, tetapi kebutuhan sebenarnya bisa lebih kecil atau jauh lebih besar tergantung kompleksitas model (Wolf dkk., 2013).

Apa itu PLSc dan kapan dipakai?

PLSc (consistent PLS) adalah versi PLS-SEM yang mengoreksi bias pada konstruk reflektif agar hasilnya mendekati CB-SEM (Dijkstra & Henseler, 2015). Pertimbangkan PLSc jika semua konstruk reflektif dan tujuan Anda lebih ke konfirmasi teori.

Apakah PLS-SEM perlu uji goodness of fit?

Kecocokan model bukan fokus utama PLS-SEM. SRMR boleh dilaporkan sebagai pelengkap, tetapi patokannya masih tentatif. Fokuskan penilaian pada kualitas pengukuran, R², f², dan Q²predict (Hair dkk., 2022).

Butuh Teman Diskusi untuk Olah Data?

Masih ragu memilih CB-SEM atau PLS-SEM untuk penelitian Anda? Tim IDTesis bisa menemani Anda menimbang metode dari tujuan dan model penelitian, menjalankan analisis di AMOS atau SmartPLS, dan menuliskan alasannya di Bab 3. Ceritakan dulu rancangan penelitian Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: SEM PLS · Cara Membaca Output SmartPLS · Validitas Diskriminan

Referensi

• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
• 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. https://doi.org/10.1108/EBR-11-2018-0203
• Henseler, J., & Sarstedt, M. (2013). Goodness-of-fit indices for partial least squares path modeling. Computational Statistics, 28(2), 565–580. https://doi.org/10.1007/s00180-012-0317-1
• Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131
• 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. https://doi.org/10.1016/j.jbusres.2016.06.007
• Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237