Why Researchers Are Choosing PLS-SEM

1. Prioritas utama analisis PLS adalah ketika suatu penelitian berkaitan dengan pengujian kerangka teoritis dari perspektif prediksi.

Contoh :

Peneliti ingin meneliti mengenai karyawan yang semakin puas dapat meningkatkan produktivitas kerja mereka dan karyawan yang semakin tertekan dapat menurunkan produktivitas kerja mereka. Sehingga apabila dijadikan hipotesis, menjadi

H1 : Kepuasan karyawan berpengaruh positif terhadap produktivitas kerja

H2 : Stres kerja berpengaruh negatif terhadap produktivitas kerja

Hipotesis yang dibangun adalah one tailed hipothesis. Pada hipotesis yang seperti ini, lebih memprioritaskan hasil prediksi pengaruh variabel independen terhadap variabel dependen dibandingkan hasil signifikansi (pengujian hipotesis).

sementara jika hipotesisnya two tailed, misal

H1 : Kepuasan karyawan berpengaruh terhadap produktivitas kerja

H2 : Stres kerja berpengaruh terhadap produktivitas kerja

maka hipotesis tersebut memprioritaskan hasil signifikansi (pengujian hipotesis) daripada hasil prediksi.

2. Analisis PLS digunakan pada model kompleks, punya banyak variabel, banyak indikator, atau bahkan banyak hubungan.

PLS pun bisa digunakan ketika variabel yang diteliti memiliki satu indikator atau bahkan tidak memiliki indikator (single item measures).

Contoh :

Harga saham, return saham, suku bunga, inflasi, pertumbuhan ekonomi, Pendapatan Asli Daerah, dan sebagainya merupakan variabel yang tidak memiliki indikator.

Nilai perusahaan yang diukur oleh PBV, PER, Tobin's Q, kapitalisasi pasar, namun peneliti hanya menggunakan Tobin's Q sebagai proxy dari nilai perusahaan.

Note : Variabel yang diukur oleh satu indikator, sama halnya variabel tersebut tunggal atau tidak memiliki indikator.

3. PLS menekankan pada pengembangan teori (explorative research).

Partial Least Square (PLS-SEM) merupakan teknik analisis model struktural alternatif bagi analisis SEM, tentu saja juga memiliki tujuan yang serupa dengan SEM. Meskipun PLS sering dikaitkan dengan pengembangan teori (eksplorasi) dan prediksi, PLS juga dapat digunakan untuk menguji hipotesis yang sudah mapan (konfirmasi teori).

4. PLS dapat digunakan tanpa dasar teori yang kuat.

SEM digunakan pada penelitian dengan dasar teori yang kuat karena mendukung konsep penelitian konfirmatif yang membutuhkan dukungan teori dan referensi yang kuat. Di sisi lain, PLS, sebagai alternatif SEM, dikembangkan untuk situasi di mana dukungan teori atau referensi masih lemah (penelitian eksploratif). Meskipun demikian, jika model yang dikembangkan ternyata memiliki dukungan teori dan referensi yang kuat, justru semakin memperkuat temuan penelitian tersebut.

Dengan demikian, PLS dapat digunakan pada penelitian dengan dukungan teori dan referensi yang kuat maupun lemah.

5. PLS merupakan analisis yang sederhana dan Fleksibel

Partial Least Square (PLS) umumnya lebih sederhana dan fleksibel digunakan dibandingkan analisis Struktural Equation Modeling (SEM). Hal ini disebabkan analisis PLS tidak menuntut pemenuhan asumsi yang ketat seperti yang disyaratkan dalam analisis SEM.

Estimasi atau evaluasi model struktural dalam analisis PLS dilakukan melalui proses bootstrapping yang dapat mengakomodasi data yang tidak memenuhi asumsi distribusi data, sehingga bootstrapping dikategorikan dalam statistika non parametrik. [Pelajari Parametrik vs Non Parametrik]

6. PLS mengakomodasi sampel yang berukuran kecil.

Analisis SEM mensyaratkan ukuran sampel yang relatif besar. Namun ternyata tidak semua populasi yang diteliti berjumlah besar (lebih dari 100). Kondisi ini menyebabkan jumlah sampel juga terbatas. Oleh karena itu analisis PLS hadir sebagai alternatif yang dapat mengakomodasi analisis dengan sampel yang sedikit. Meskipun demikian, penting untuk dicatat bahwa PLS tidak hanya terbatas pada sampel kecil, faktanya analisis PLS sangat representatif dan efektif apabila sampel berukuran besar.

Namun, tidak juga bisa diartikan rendahnya signifikansi dalam pengujian hipotesis tidak selalu disebabkan oleh ukuran sampel yang kecil, sehingga penambahan sampel tidak otomatis menjadi solusi yang tepat.

Pada case diagram jalur seperti di atas dan dengan ukuran sampel sebanyak 64,

terdapat 1 hipotesis direct effect effect yang tidak signifikan.

Note :

Sampel yang sedikit pun berpotensi menghasilkan banyak hipotesis yang signifikan.

Pada case diagram jalur seperti di atas dan dengan ukuran sampel sebanyak 112,

terdapat 4 hipotesis direct effect effect yang tidak signifikan.

Note :

Sampel yang banyak pun tidak selalu menghasilkan banyak hipotesis yang signifikan.

7. PLS dapat digunakan pada penelitian yang melibatkan data rasio keuangan, ekonomi atau sejenisnya.

Analisis PLS tidak hanya digunakan untuk data kuesioner. Data rasio keuangan seperti data harga saham, data earning per share, debt to equity ratio, dan sebagainya bisa dianalisis menggunakan PLS. Begitu juga PLS bisa digunakan untuk data rasio ekonomi (data makro dan mikro ekonomi) seperti data kependudukan, data inflasi, data suku bunga, elastisitas harga, jumlah permintaan dan penawaran, data hasil survey susenas, dan sebagainya. Selain itu, data rasio bidang pendidikan, kesehatan, teknik, dan sebaginya pun sangat sesuai dianalisis menggunakan PLS.

8. PLS dapat digunakan ketika penelitian menggunakan data data sekunder atau data arsip.

Perlu dipahami bahwa PLS tidak hanya terbatas pada analisis data primer (data yang dikumpulkan dan digunakan sendiri oleh peneliti), meskipun persepsi tersebut masih umum di kalangan beberapa peneliti. Faktanya, analisis PLS dapat digunakan untuk menganalisis data sekunder atau data arsip (data yang sudah dikumpulkan oleh pihak tertentu atau peneliti terdahulu) baik berjenis data cross section, data time series, maupun data panel.

Contoh :

1. Data keuangan yang ada di Bursa Efek Indonesia (BEI)

2. Data pertumbuhan ekonomi yang dikumpulkan oleh Bank Indonesia atau BPS

3. Data rekam medis yang disimpan oleh Rumah Sakit tertentu, dan sebagainya.

9. PLS dapat digunakan ketika terdapat masalah pada distribusi data (data tidak terdistribusi normal).

Tidak semua data berdistribusi normal, atau dapat dikondisikan agar terdistribusi normal (dilakukan transformasi data). Maka analisis PLS menjadi salah satu solusi atau alternatif terbaik untuk menganalisis data yang tidak terdistribusi normal. Hal ini dikarenakan dalam analisis PLS terdapat prosedur Bootstrapping dalam estimasi analisis PLS, yang mana bootstrapping salah satu teknik estimasi yang dapat mengakomodasi data yang tidak memenuhi distribusi normal. Alternatif lain dari bootstrapping adalah jackknife, stable bootstrap, ketiganya terakomodasi pada software warppls.

10. PLS pada konseptual yang melibatkan satu atau lebih variabel yang diukur secara formatif.

Apabila peneliti menganalisis SEM, maka variabel yang diteliti hanya dapat dianalisis menggunakan pengukuran reflektif. Namun apabila peneliti menelaah lebih dalam sifat pengukuran variabel yang diteliti, ada kemungkinan variabel tersebut lebih sesuai diukur secara formatif, sehingga pada kondisi yang seperti ini analisis PLS menjadi pilihan analisis yang lebih sesuai.

Contoh variabel formatif :

1. Variabel kualitas pelayanan (diukur oleh Tangible, Assurance, Responsiveness, Empathy, & Reliable)

2. Variabel Firm Performance (diukur oleh ROA, DER, EPS, dsb).

Yang perlu diperhatikan adalah analisis PLS tidak hanya bisa digunakan untuk menganalisis variabel yang diukur secara reflektif semua, tetapi juga bisa digunakan untuk menganalisis variabel yang diukur secara formatif semua, atau campuran reflektif dan formatif. [Pelajari Cara Menentukan Reflectif vs Formatif]

Referensi :

1. Chin, W. W. 1998. The Partial Least Squares Approach to Structural Equation Modeling, in Modern Business Research Methods, G. A. Marcoulides (ed.), Lawrence Erlbaum Associates, Mahwah, NJ

2. Chin, W.W., and Newsted, P.R. 1999. Structural Equation Modeling Analysis with Small Samples Using Partial Least Squares. In Statistical Strategies for Small Sample Research. Ed. R.H. Hoyle. Thousand Oaks: Sage, 307-341.

3. Gefen, D., Straub, D., & Boudreau, M. C. 2000. Structural Equation Modeling Technique and regression: Guidelines for Research Practices. Communications for AIS, 7, 1-78.

4. Hair, J.F., Black, W.C., Babin, B.J. and Anderson, R.E. 2018. Multivariate Data Analysis. 8th Edition, Cengage Learning, London.

5. Hair, J. F., Hult, G. T. M., Ringle, C. M., and Sarstedt, M. 2022. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). 3rd Ed. Thousand Oaks, CA: Sage

6. Hair, J.F., Risher, J.J., Sarstedt, M., Ringle, C.M. 2019. When to Use and How to Report the Results of PLS-SEM, European Business Review, Volume 31, Issue 1, pp. 2-24

7. Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. 2024. Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM) (2e). Thousand Oaks, CA: Sage.

8. Kock, N. 2020. WarpPLS user manual 7.0. Texas. ScriptWarp System

9. Rigdon, E. E., Sarstedt, M. and Ringle, C. M. 2017. On Comparing Results from CB-SEM and PLS-SEM. Five Perspectives and Five Recommendations. Marketing ZFP, 39(3):4-16

10. Ringle, C. M., Wende, S., and Becker, J.-M. 2024. SmartPLS 4. https://www.smartpls.com/documentation/choosing-pls-sem/choosing-between-pls-sem-and-cb-sem. Bönningstedt: SmartPLS GmbH.

11. __________________________________. 2024. SmartPLS 4. https://www.smartpls.com/documentation/choosing-pls-sem/more-insights-on-when-to-use-pls-sem-and-when-not. Bönningstedt: SmartPLS GmbH.

12. __________________________________. 2024. SmartPLS 4. https://www.smartpls.com/documentation/choosing-pls-sem/pls-sem-compared-with-cbsem. Bönningstedt: SmartPLS GmbH.

13. Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O. and Gudergan, S. P. 2016. Estimation Issues with PLS and CBSEM: Where the Bias Lies! Journal of Business Research 69(10): 3998-4010