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