Partial Least Square – Structural Equation Modeling (PLS-SEM) (skripsi dan tesis)

Partial Least Squares (PLS) merupakan jenis SEM berbasis variance yang diciptakan untuk mengatasi masalah yang ditimbulkan oleh SEM berbasis covariance (Ghozali, 2015). Covariance Based SEM (CB-SEM) berfokus pada estimasi dari satu set parameter sebuah model agar matriks covariance teoritis tersirat oleh sistem persamaan struktural sehingga menjadi semirip mungkin dengan matriks covariance empiris yang terukur dalam suatu sampel (Reinartz et 16 al., 2009). Seperti yang diketahui bahwa penggunaan Covariance Based SEM (CB-SEM) yang diwakili oleh software seperti AMOS, EQS, LISREL, dan Mplus menuntut sampel dalam jumlah besar, data harus memenuhi berbagai asumsi parametrik, indikator variabel laten harus berbentuk reflektif, skala pengukuran harus continuous serta adanya dukungan teori yang kuat seringkali membuat peneliti kesulitan untuk memenuhi tuntutan-tuntutan tersebut (Ghozali, 2015). Partial Least Squares merupakan metode analisis yang powerful dan sering disebut juga sebagai soft modeling karena meniadakan asumsi-asumsi regresi OLS (Ordinary Least Squares), seperti data harus terdistribusi normal secara multivariat dan tidak adanya problem multikolinieritas antar variabel eksogen (Wold, 1985). PLS tidak bekerja terhadap variabel laten akan tetapi lebih kepada blok variabel, dan estimasi parameter model bertujuan untuk maksimasi variansi terjelaskan (variance explained) untuk seluruh variabel laten endogen pada model melalui serangkaian regresi OLS (Reinartz et al., 2009). Tujuan CB-SEM adalah untuk menjelaskan hubungan (covariance) dari semua indikator variabel laten, sedangkan tujuan PLS adalah prediksi (Ghozali, 2015). Oleh karena PLS lebih menitikberatkan pada data dengan prosedur estimasi yang terbatas, maka persoalan misspecification model tidak terlalu berpengaruh terhadap estimasi parameter