Pengantar SEM: CB-SEM vs PLS-SEM

Model skripsi Anda berbunyi sederhana: kualitas layanan memengaruhi kepuasan, lalu kepuasan memengaruhi loyalitas. Masalahnya muncul begitu Anda mau mengukurnya. “Kepuasan” dan “loyalitas” tidak bisa Anda baca langsung dari sebuah alat seperti membaca tinggi badan dari meteran. Anda menanyakannya lewat beberapa butir kuesioner, lalu berharap pola jawaban itu mewakili sesuatu yang ada di kepala responden.

Di sini regresi biasa mulai kerepotan karena dua hal. Pertama, ia hanya sanggup satu persamaan — satu kelompok X menuju satu Y — padahal model Anda berantai (kualitas → kepuasan → loyalitas). Kedua, ia menganggap setiap variabel terukur sempurna, padahal “kepuasan” hanya Anda tebak dari beberapa butir yang tak satu pun mengukurnya secara penuh.

Pemodelan Persamaan Struktural (Structural Equation Modeling, SEM) lahir tepat untuk dua kesulitan itu sekaligus: menguji banyak hubungan dalam satu model utuh, dan menangani variabel yang hanya bisa diraba lewat indikator.

Artikel ini membangun SEM dari nol: apa itu variabel laten, dua lapis model SEM, lalu dua keluarga besarnya (CB-SEM dan PLS-SEM) berikut panduan jujur kapan memakai yang mana. Estimasi penuhnya butuh perangkat lunak, jadi fokus kita di konsep dan satu hitungan tangan yang membuat istilah “laten” tidak lagi terasa abstrak.

Apa Itu SEM

SEM adalah teknik analisis yang menguji beberapa hubungan antar variabel sekaligus dalam satu model, sambil menangani variabel laten. Dua kemampuan inilah yang membedakannya dari regresi.

Bayangkan regresi sebagai satu anak panah: satu (atau beberapa) X menuju satu Y. Begitu model Anda berantai dan bercabang — X memengaruhi Y, Y memengaruhi Z, dan X juga langsung ke Z — Anda butuh beberapa persamaan yang saling terkait. SEM merangkai semua persamaan itu menjadi satu diagram dan mengestimasinya bersamaan, bukan satu per satu. Sampai titik ini, SEM mirip analisis jalur.

Lompatan utamanya ada di sini: analisis jalur memakai variabel teramati (skor total dianggap sempurna), sedangkan SEM bisa memakai variabel laten lengkap dengan model pengukuran tersendiri. Itulah yang membuat SEM lebih dari sekadar “regresi berantai”.

Variabel Laten dan Indikator

Variabel laten (laten = tersembunyi), sering disebut konstruk, adalah variabel yang tidak bisa diukur langsung. Kepuasan, loyalitas, motivasi, niat beli — semuanya laten. Tidak ada satu alat ukur yang menghasilkan angka “kepuasan = 7” begitu saja.

Karena tak terukur langsung, konstruk laten didekati lewat beberapa indikator — butir-butir kuesioner yang teramati. Misalnya konstruk Kepuasan diukur tiga butir:

• KP1: “Saya puas dengan layanan ini” (skala 1–5)
• KP2: “Layanan ini sesuai harapan saya” (skala 1–5)
• KP3: “Secara umum saya senang memakai layanan ini” (skala 1–5)

Bandingkan dengan variabel teramati (observed), yang terukur langsung dan cukup satu angka: usia (28 tahun), penjualan (Rp 5 juta), lama bekerja (3 tahun). Tidak perlu indikator, karena alat ukurnya sudah jelas dan dianggap tepat.

Inti gagasannya: kita tidak pernah benar-benar “melihat” konstruk; kita menyimpulkannya dari pola jawaban beberapa indikator. Kalau seseorang menjawab tinggi di KP1, KP2, dan KP3, kita simpulkan kepuasannya tinggi. SEM hanya memformalkan penyimpulan itu menjadi hitungan.

Dua Lapis Model SEM

Setiap model SEM punya dua lapis. Memahami pembagian ini membuat semua istilah lain jatuh ke tempatnya, dan paling mudah dilihat lewat diagram jalur — peta visual yang dipakai semua perangkat lunak SEM.

Membaca diagram itu: ada dua lapis bertumpuk.

Model pengukuran (outer model) menghubungkan tiap konstruk dengan indikator-indikatornya — panah dari oval ke persegi. Pertanyaannya: seberapa baik $X_1, X_2, X_3$ mengukur konstruk $\xi$? Di sinilah validitas dan reliabilitas konstruk diuji. Hubungan konstruk-ke-indikator ini dasarnya sama dengan ide uji validitas dan reliabilitas, hanya saja dikerjakan dalam kerangka model utuh.

Model struktural (inner model) menghubungkan antar konstruk — panah tebal $\xi \to \eta$ di tengah diagram (dalam contoh nyata: Kualitas Layanan → Kepuasan → Loyalitas). Pertanyaannya: seberapa kuat satu konstruk memengaruhi konstruk lain? Bagian inilah yang menjawab hipotesis penelitian Anda.

Jadi alurnya: indikator membentuk konstruk (lapis outer), lalu antar konstruk saling memengaruhi (lapis inner). SEM mengestimasi keduanya serentak, bukan bertahap seperti kalau Anda menghitung skor rata-rata dulu baru meregresi.

Istilah yang sering bikin bingung

Diagram di atas memakai huruf Yunani yang punya arti tetap di literatur SEM. Sebaiknya dikenali sejak awal:

“Eksogen” dan “endogen” sekadar penanda posisi: eksogen di hulu (memengaruhi), endogen di hilir (dipengaruhi). Sebuah konstruk bisa endogen sekaligus menjadi sebab bagi konstruk lain di belakangnya — persis seperti Kepuasan yang dipengaruhi Kualitas Layanan tapi memengaruhi Loyalitas.

Demistifikasi “Laten”: Skor Komposit

Kata “laten” terdengar rumit, tapi gagasan dasarnya bisa Anda lihat hanya dengan aritmatika SD. Ambil satu responden yang menjawab tiga butir Kepuasan tadi.

Misal jawabannya: KP1 = 4, KP2 = 5, KP3 = 3. Skor konstruk paling sederhana adalah rata-rata indikatornya:

$$ \text{Skor Kepuasan} = \frac{KP_1 + KP_2 + KP_3}{3} = \frac{4 + 5 + 3}{3} = \frac{12}{3} = 4 $$

Penjelasan tiap lambang:

• $KP_1, KP_2, KP_3$ = jawaban responden untuk tiga indikator Kepuasan (di sini 4, 5, 3).
• pembilang $KP_1 + KP_2 + KP_3$ = jumlah semua jawaban indikator (di sini $4+5+3=12$).
• penyebut $3$ = banyak indikator yang dirangkum.

Angka 4 itulah wujud “laten” yang tadinya terasa abstrak. Konstruk yang tak terlihat dirangkum menjadi satu skor dari indikator-indikatornya. Itu saja gagasan dasarnya — sebuah skor komposit (gabungan).

Cara SEM menyempurnakannya

SEM mengerjakan hal yang sama, tetapi lebih halus. Alih-alih membagi rata (bobot sama untuk KP1, KP2, KP3), SEM memberi bobot berbeda ke tiap indikator sesuai seberapa kuat indikator itu mewakili konstruk — yaitu sesuai muatan $\lambda$ tadi.

Andai perangkat lunak menaksir muatannya KP1 = 0,8; KP2 = 0,9; KP3 = 0,6. Ubah jadi bobot yang menjumlah 1:

$$ w_1 = \frac{0{,}8}{0{,}8+0{,}9+0{,}6} = 0{,}348,\quad w_2 = 0{,}391,\quad w_3 = 0{,}261 $$

Skor tertimbangnya:

$$ \text{Skor} = 0{,}348(4) + 0{,}391(5) + 0{,}261(3) = 4{,}13 $$

Hasilnya 4,13, sedikit di atas rata-rata sederhana 4,00. Bedanya kecil di sini, tapi maknanya penting: indikator yang lebih kuat (KP2, muatan 0,9) ditarik lebih berpengaruh ketimbang yang lemah (KP3, muatan 0,6). Idenya tetap identik dengan rata-rata di atas — menyatukan banyak indikator menjadi satu skor konstruk — hanya saja bobotnya tidak dipukul rata.

Kalau bagian ini sudah masuk, sisa SEM cuma soal bagaimana skor-skor konstruk itu saling memengaruhi lewat jalur $\gamma$.

Dua Keluarga: CB-SEM vs PLS-SEM

SEM bukan satu metode tunggal. Ada dua keluarga dengan filosofi estimasi yang berbeda mendasar.

CB-SEM (Covariance-Based SEM, berbasis kovarians) bekerja dari matriks kovarians/korelasi antar indikator. Logikanya: kalau teori Anda benar, ia menyiratkan pola korelasi tertentu antar indikator. CB-SEM mencari nilai parameter yang menghasilkan pola korelasi semirip mungkin dengan data, lalu menilai seberapa cocok lewat indeks kecocokan (goodness-of-fit). Karena itu CB-SEM cocok untuk menguji atau mengonfirmasi teori yang sudah mapan. Perangkat lunak: AMOS, LISREL. Konsekuensinya, ia menuntut sampel besar, data mendekati normal, dan model yang teridentifikasi dengan benar.

PLS-SEM (Partial Least Squares SEM, kuadrat terkecil parsial), sering disebut berbasis varians atau berbasis komponen, bekerja dengan memaksimalkan varians yang dijelaskan pada konstruk terikat. Fokusnya prediksi, bukan kecocokan dengan matriks korelasi. PLS-SEM jauh lebih luwes: tahan dengan sampel kecil, tidak menuntut data normal, sanggup model kompleks (banyak konstruk dan jalur), dan bisa menangani indikator formatif (lihat reflektif vs formatif). Perangkat lunak: SmartPLS. Harga keluwesannya: PLS bukan alat utama untuk menolak atau menerima sebuah teori secara ketat, melainkan untuk mengeksplorasi dan memprediksi.

Garis besarnya sederhana: CB-SEM bertanya “apakah teori saya cocok dengan data?”, sedangkan PLS-SEM bertanya “seberapa baik model saya memprediksi?”

Mengambil Keputusan: Kapan Pakai yang Mana

Tidak ada yang “lebih unggul” secara mutlak. Pilihannya bergantung pada tujuan, data, dan model Anda. Tabel ini ringkasannya, mengikuti pedoman Hair dan rekan (2022).

Aturan praktis untuk skripsi: kalau sampel kecil, modelnya kompleks, atau ada indikator formatif, arahkan ke PLS-SEM. Kalau sampel besar, indikator reflektif semua, dan tujuan utamanya menguji kecocokan sebuah teori yang sudah mapan, CB-SEM lebih tepat. Mahasiswa Manajemen di Indonesia mayoritas memakai PLS-SEM (SmartPLS) karena sampel sering terbatas dan modelnya bercabang.

Soal alur kerja, dua perangkat lunak ini polanya mirip: gambar konstruk (oval) → tarik indikator ke tiap konstruk (persegi) → tarik jalur antar konstruk (panah) → klik estimasi (di SmartPLS: Calculate → PLS-SEM Algorithm; di AMOS: Calculate Estimates). Keluaran lalu dibaca dua tahap: model pengukuran (outer) untuk validitas/reliabilitas, model struktural (inner) untuk uji hipotesis.

Satu hal yang perlu jujur disampaikan: estimasi SEM butuh perangkat lunak, tidak bisa dengan tangan. Algoritmanya iteratif (PLS) atau berbasis kemungkinan maksimum (maximum likelihood, CB-SEM). Yang bisa Anda hitung manual hanyalah komponen-komponennya — seperti skor komposit di atas, atau nanti AVE dan reliabilitas komposit dari muatan yang sudah diberikan perangkat lunak.

Visualisasi Interaktif

Geser pengatur di bawah dan lihat rekomendasi metode bergeser saat Anda mengubah ukuran sampel, jumlah konstruk, dan keberadaan indikator formatif.

Eksperimen yang berguna:

1. Geser ukuran sampel ke kecil (mis. 40), perhatikan rekomendasi bergeser ke PLS-SEM.
2. Naikkan jumlah konstruk; model yang makin kompleks makin condong ke PLS-SEM.
3. Aktifkan tombol “ada indikator formatif”, lihat rekomendasi langsung mengunci PLS-SEM (CB-SEM kurang ramah formatif).

Excel Pendamping

/excel/pengantar-sem.xlsx berisi: perhitungan skor komposit konstruk dari tiga indikator dengan rumus terlihat (rata-rata indikator), peta dua lapis model (outer vs inner), tabel perbandingan CB-SEM vs PLS-SEM, alat bantu keputusan sederhana berbasis IF (sampel/kompleksitas/formatif → rekomendasi), serta catatan alur perangkat lunak.

Cek Pemahaman

1. Seorang responden menjawab tiga indikator Loyalitas (skala 1–5): LY1 = 5, LY2 = 4, LY3 = 5. Hitung skor komposit konstruk Loyalitas-nya dengan rata-rata sederhana (bobot sama).

Lihat jawaban

Skor = $(LY_1 + LY_2 + LY_3)/3 = (5 + 4 + 5)/3 = 14/3 \approx 4{,}67$. Inilah skor laten Loyalitas responden tersebut: sebuah angka tunggal yang merangkum tiga indikatornya.

2. Seorang mahasiswa meneliti model: Kualitas Layanan → Kepuasan → Loyalitas. Semua variabel laten, diukur 4–5 butir kuesioner. Sampelnya hanya 85 responden, dan dosen menyarankan menambah satu konstruk formatif (Citra Perusahaan). Metode SEM mana yang sebaiknya dipakai, dan kenapa?

Lihat jawaban

PLS-SEM (SmartPLS). Tiga sinyal sekaligus mengarah ke sana: (a) sampel kecil — 85 jauh di bawah ambang nyaman CB-SEM ≈ 200; (b) ada indikator formatif, yang sulit ditangani CB-SEM; (c) model bercabang dan akan bertambah konstruk (kompleksitas naik). CB-SEM akan rapuh di sampel sekecil itu dan canggung dengan konstruk formatif. Catatan jujur: karena tujuannya bukan menolak teori mapan secara ketat melainkan memetakan dan memprediksi pengaruh, PLS-SEM memang lebih pas — bukan sekadar “jalan pintas” karena sampel kurang.

3. Seorang teman bilang: “SEM itu cuma regresi dengan lebih banyak variabel.” Apakah ini benar? Jelaskan satu hal mendasar yang ia lewatkan.

Lihat jawaban

Tidak tepat. Beda intinya bukan jumlah variabel, melainkan adanya variabel laten dengan model pengukuran — konstruk yang tak terukur langsung dan disimpulkan dari beberapa indikator, lengkap dengan galatnya ($\delta, \varepsilon$). Regresi menganggap setiap variabel terukur sempurna; SEM tidak. Kalau semua variabel teramati dan diukur skor total, analisis jalur atau regresi berganda memang sudah cukup.

Kesalahan Umum

Mengira SEM = regresi dengan lebih banyak variabel. Beda intinya bukan jumlah variabel, tapi adanya variabel laten dengan model pengukuran. Kalau semua variabel teramati dan diukur skor total, analisis jalur atau regresi berganda sudah memadai — tidak perlu SEM.

Memilih PLS hanya karena sampel kecil, padahal tujuannya menguji teori. Sampel kecil memang condong ke PLS, tapi kalau niat Anda mengonfirmasi model teoretis yang mapan dengan kecocokan yang ketat, usahakan menambah sampel dan pakai CB-SEM. Jangan menyalahgunakan PLS sebagai jalan pintas dari sampel yang kurang.

Mencampur indikator reflektif dan formatif tanpa sadar. Arah panah model pengukuran (dari konstruk ke indikator = reflektif; dari indikator ke konstruk = formatif) menentukan cara menilai validitasnya. Salah arah membuat seluruh uji pengukuran tidak sahih. Pahami dulu reflektif vs formatif.

Membaca indeks kecocokan PLS-SEM seperti CB-SEM. Indeks kecocokan klasik (RMSEA, CFI, $\chi^2$/df) adalah bahasa CB-SEM. Di PLS, fokuslah ke $R^2$, $Q^2$, dan relevansi prediksi, bukan memaksakan indeks yang tidak dirancang untuk PLS.

Mengabaikan model pengukuran, langsung ke hipotesis. Banyak yang buru-buru melihat signifikansi jalur antar konstruk (inner) padahal model pengukuran (outer) belum sahih dan andal. Kalau indikatornya saja tidak mengukur konstruk dengan benar, hubungan antar konstruk tidak bisa dipercaya.

Dipakai di Dunia Nyata

Skripsi manajemen dengan konstruk perilaku. Model seperti kualitas layanan → kepuasan → loyalitas, atau persepsi kemudahan → niat menggunakan → penggunaan aktual (model TAM). Semua variabelnya laten, diukur banyak butir kuesioner.

Riset pemasaran berbasis survei. Mengukur ekuitas merek, kepercayaan, dan kesediaan membayar dari puluhan indikator, lalu memetakan pengaruhnya terhadap niat beli.

Riset sosial dan psikologi. Konstruk seperti motivasi, komitmen organisasi, atau kesejahteraan yang memang tak terukur langsung dan butuh model pengukuran sebelum diuji hubungannya.

Lanjutan

• Indikator Reflektif vs Formatif — menentukan arah panah model pengukuran.
• Spesifikasi Model PLS-SEM — menyusun outer dan inner model di SmartPLS.
• CB-SEM: Identifikasi & Estimasi — sisi AMOS/LISREL.

Fondasi:

• Analisis Jalur
• Regresi Linear Berganda
• Uji Validitas (Pearson)

Reference

• 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.
• Hair, J.F., et al. (2019), Multivariate Data Analysis, 8th ed.
• Ghozali, I. (2018), Aplikasi Analisis Multivariate dengan Program SPSS.
• Ghozali, I. & Latan, H. (2015), Partial Least Squares: Konsep, Teknik, dan Aplikasi Menggunakan Program SmartPLS.