Terbentur Asumsi Klasik?
Mengapa memaksakan normalitas pada data yang kompleks adalah kesalahan metodologis, dan bagaimana PLS-SEM menawarkan validitas tanpa bias.
Realitas penelitian sosial dan manajemen jarang sekali “bersih” layaknya di laboratorium. Saat Anda mengumpulkan data lapangan dari manusia (responden), seringkali Anda dihadapkan pada dua dinding besar yang menggagalkan analisis jika menggunakan metode kovarian konvensional (CB-SEM seperti AMOS atau LISREL):
- Distribusi data tidak normal: Jawaban responden menumpuk di satu sisi (misal: semua menjawab “Sangat Setuju”).
- Ukuran sampel terbatas: Jumlah responden sedikit karena populasi yang sulit diakses (misal: CEO atau Dokter Spesialis).
Memaksakan data “kotor” ini ke dalam CB-SEM yang menggunakan estimasi Maximum Likelihood (ML) akan menyebabkan bias. Hasilnya bisa fatal: hipotesis yang harusnya ditolak malah diterima, atau sebaliknya (Hair et al., 2019).
Di sinilah PLS-SEM (Partial Least Squares Structural Equation Modeling) hadir sebagai solusi. Metode ini dirancang untuk data “apa adanya”, bukan data “seharusnya”.
Inti Perdebatan: Konfirmasi vs Prediksi
CB-SEM (Covariance-Based) ibarat seorang “Polisi Aturan”. Ia fokus memeriksa apakah data Anda mematuhi aturan teoretis yang ketat (Goodness of Fit). Jika data sedikit melenceng, model ditolak.
PLS-SEM (Variance-Based) ibarat seorang “Ahli Strategi”. Ia tidak terlalu peduli seberapa rapi data Anda, fokus utamanya adalah: “Seberapa akurat kita bisa memprediksi hasil akhirnya?” (Memaksimalkan R²) (Chin, 1998).
Mengapa Data Anda Membutuhkan PLS-SEM?
Berikut adalah penjelasan mendalam mengapa metode ini lebih tangguh (robust) dibanding metode klasik, disertai analogi sederhana untuk memudahkan pemahaman:
1. Masalah Normalitas Data
Dalam ilmu sosial, data seringkali skewed (miring). Contoh: Data “Kepuasan Pelanggan” biasanya miring ke kanan karena jarang orang menjawab “Sangat Tidak Puas”. CB-SEM mewajibkan data berdistribusi normal (seperti lonceng simetris). Jika dilanggar, hasil uji t-test menjadi tidak valid.
Solusi PLS: PLS-SEM adalah metode non-parametrik (bebas asumsi distribusi). Untuk menentukan apakah hipotesis diterima, ia tidak menggunakan tabel statistik normal baku, melainkan menggunakan teknik Bootstrapping (komputer melakukan simulasi ulang data Anda sebanyak 5.000 kali) untuk menemukan signifikansi yang jujur (Hair et al., 2017).
PLS-SEM adalah Mobil Offroad 4×4. Mungkin tidak sehalus F1, tapi ia bisa melaju kencang di jalanan berbatu, berlumpur, dan tidak rata (Data Tidak Normal) tanpa mogok.
2. Keterbatasan Ukuran Sampel
CB-SEM membutuhkan sampel besar (biasanya >200) karena ia mencoba menyelesaikan seluruh persamaan model secara bersamaan. Jika sampel kecil, mesin analisisnya sering gagal bekerja (non-convergent).
Solusi PLS: Algoritma PLS memecah model besar menjadi bagian-bagian kecil (parsial) dan menyelesaikannya satu per satu. Ini membuatnya memiliki statistical power yang tinggi—artinya, ia tetap sensitif menemukan hubungan antar variabel meskipun jumlah datanya sedikit (misal: 30-50 responden) (Kock & Hadaya, 2018).
CB-SEM mencoba menyusun seluruh 1000 keping sekaligus. Jika kepingannya kurang (sampel kecil), gambar tidak terbentuk.
PLS-SEM menyusun puzzle bagian per bagian (blok per blok). Ia bisa menyelesaikan gambar pojok kiri atas dulu, lalu geser ke kanan, dst. Sehingga dengan kepingan terbatas pun, pola gambar sudah bisa terlihat.
3. Kompleksitas & Ragam Data (Skala)
Data riset seringkali “gado-gado”. Ada data Demografi (Nominal: Pria/Wanita), Skala Persepsi (Ordinal 1-5), dan Data Keuangan (Rasio: Rupiah). Mencampur data ini dalam Regresi atau CB-SEM sangat rumit dan rentan bias.
Solusi PLS: Algoritma PLS sangat fleksibel. Ia bisa “memakan” semua jenis data ini dalam satu model tanpa perlu transformasi yang membingungkan.
⚠️ Jebakan Simplifikasi: Mengapa Tidak Cukup Pakai Regresi (SPSS)?
Seringkali peneliti berpikir: “Ah, ribet. Saya rata-ratakan saja jawaban kuesionernya jadi satu angka, lalu hitung pakai Regresi biasa di SPSS.”
Ini berbahaya. Berikut alasannya:
-
Masalah Error Pengukuran (Measurement Error):
Saat Anda mengukur “Tinggi Badan” dengan meteran, angkanya pasti akurat (Objektif). Tapi saat Anda mengukur “Loyalitas” dengan kuesioner, jawabannya mengandung error (Subjektif/Mood responden).
Regresi (Generasi 1) menganggap skor total kuesioner itu 100% akurat seperti tinggi badan. Ini asumsi yang salah.
PLS-SEM (Generasi 2) memisahkan antara “Loyalitas Murni” (Variabel Laten) dengan “Gangguan Mood” (Error), sehingga hasil pengaruhnya jauh lebih murni dan akurat. -
Analisis Simultan vs Bertahap:
Jika Anda punya model berantai (A → B → C). Regresi menghitung A ke B dulu, baru B ke C secara terpisah. Potongan-potongan ini bisa meleset. PLS-SEM menghitung A → B → C sekaligus dalam satu tarikan napas, memperhitungkan efek domino secara real-time.
Tabel Komparasi Metodologis
| Kriteria | Regresi (SPSS) | CB-SEM (AMOS) | PLS-SEM (SmartPLS) |
|---|---|---|---|
| Filosofi Data | Asumsi Data Sempurna (No Error) | Konfirmasi Teori (Rigid) | Prediksi Realitas (Fleksibel) |
| Jenis Data | Kaku (Perlu Interval/Rasio) | Sensitif (Butuh Normalitas) | Universal (Nominal s/d Rasio OK) |
| Perlakuan Error | Diabaikan (Skor Total dianggap fakta) | Diperhitungkan | Diperhitungkan (sangat presisi) |
| Sampel Kecil | Kurang Power | Sering Gagal (Error) | Sangat Mumpuni |