SEM Berbasis Covariance SEM Berbasis Component atau Variance - PLS

xi Component Based SEM dengan software antara lain Smart PLS dan PLS graph.

2.3.1.1 SEM Berbasis Covariance

Covariance based SEM CBSEM pertama kali dikembangkan oleh Joreskog 1973, Keesling 1972, dan Wiley 1973. Dengan menggunakan fungsi Maximum Likelihood ML, CBSEM berusaha meminimumkan perbedaan antara sampel covariance dan covariance yang diprediksi oleh model teoritis sehingga proses estimasi menghasilkan matrik covariance dari data yang diobservasi. Kebaikan dalam penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain. Chou and Bentler 1985 menyatakan bahwa jumlah sampel yang kecil tidak asymtotic tidak mendekati nilai nol dapat memberikan hasil estimasi parameter dan model statistik yang tidak baik. Selain itu CBSEM mengharuskan dalam membentuk variabel laten, indikator-indikatornya bersifat refleksif atau dengan kata lain indikator-indikator tersebut dipandang sebagai variabel yang dipengaruhi oleh variabel laten sehingga perubahan dalam satu item atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama. Berikut ini adalah indikator refleksif seperti yang terlihat pada Gambar 2.7. PM PM1 PM2 PM 3 PM 4 PM 5 Variabel Laten Indikator 1 Indikator 2 Indikator 3 Indikator 4 Indikator 5 xii Gambar 2.7 : Konstruk dengan indikator refleksif Tetapi dalam kenyataan yang sesungguhnya indikator dapat pula berbentuk formatif. Dalam model formatif, indikator dipandang sebagai variabel yang memperngaruhi variabel laten. Apabila bentuk indikator ini diterapkan dalam CBSEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol. Indikator formatif seperti yang terlihat pada Gambar 2.8. Gambar 2.8 : Konstruk dengan indikator formatif

2.3.1.2 SEM Berbasis Component atau Variance - PLS

Dengan pendekatan variance based atau component based dengan PLS orientasi bergeser dari menguji model kausalitasteori ke component based predictive model. CBSEM lebih berorientasi pada model building yang dimaksudkan untuk menjelaskan semua covariance dari semua observed indicators, sedangkan tujuan PLS adalah prediksi. PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif. Dapat disimpulkan bahwa jika model struktural dan model Konstruk variabel Laten Indikator variabel manifest Indikator variabel manifest Indikator variabel manifest Indikator variabel manifest Indikator variabel manifest xiii pengukuran yang dihipotesiskan benar maka covariance based SEM memberikan estimasi optimal dari parameter model. Ini ideal untuk konfirmasi model dan estimasi kebenaran parameter populasi. Namun demikian untuk tujuan prediksi dan pandangan epistemic dari data ke teori, properti data yang ada, tingkat pengetahuan teoritis dan pengembangan pengukuran, pendekatan PLS akan lebih cocok. Secara filosofis perbedaan antara covariance based SEM dengan component based SEM adalah apakah kita akan menggunakan model persamaan struktural untuk menguji teori atau pengembangan teori untuk tujuan prediksi Anderson dan Gerbing, 1988.

2.3.1.3 Model Spesifikasi Dengan PLS