Mengapa pilihan jatuh pada Partial Least Square?

Pemodelan komplek seringkali menggunakan structural  equation modelling (SEM) dengan berbagai syarat yang harus dipenuhi. Pada sebagian pemodelan syarat-syarat tersebut kadangkala sulit terpenuhi. Alternatif yang bisa dipilih dengan tetap mengaplikasikan pemodelan kompleks adalah dengan Partial Least Square (PLS).  Berikut akan saya tuliskan beberapa alasan dari sekian banyak alasan, seorang peneliti memilih PLS.  SEM dirancang dengan syarat adanya dukungan teori yang kuat, sedangkan pada pemodelan PLS bisa berbasis (1) teori, (2) hasil-hasil penelitian empiris, (3) analogi, hubungan antar variabel pada bidang ilmu yang lain, (4) hal-hal normatif, misalnya peraturan pemerintah, undang-undang dan sebagiannya, (5) hubungan rasional lainnya. Sehingga landasan teori pada PLS bisa bersifat kuat, lemah bahkan eksploratif.

Begitu pula dengan model pengukuran, dalam PLS biasa dikenal dengan nama outer model,  dalam SEM hubungan indikator dengan variabelnya adalah refleksif saja, sedangkan pada PLS bisa bersifat refleksif atau formatif. Menentukan indikator bisa berbasis teori atau mengadaptasi indikator yang pernah dipakai oleh peneliti sebelumnya.

Asumsi tentang distribusi juga menjadi syarat penting dalam SEM. Data dalam pemodelan harus memenuhi distribusi multinormal, apabila syarat ini tidak terpenuhi maka estimasi akan dialihkan pada pendekatan resampling atau bootstrapping. Pada PLS, asumsi distribusi multinormal tidak diperlukan karena estimasi langsung menggunakan teknik bootstrapping.

Ukuran sampel yang dibutuhkan dalam SEM cukup besar, pada banyak referensi disarankan berjumlah 100-200 sampel. Sedangkan pada PLS sampel berukuran kecil (minimal 30-50) sudah bisa diaplikasikan.  Modifikasi model untuk bisa mencapai kelayakan model yang lebih baik dibutuhkan pada SEM, sedangkan di PLS hal ini tidak perlu dilakukan.

Selain perbedaan-perbedaan ini ada beberapa kesamaan yang diperoleh antara SEM dan PLS, antara lain : (1) hubungan antar konstruk bersifat linier, (2) model bisa diperbaiki dengan teknik “trimming thoery” yaitu menghilangkan jalur yang tidak dalam model, (3) dibutuhkan perhitungan kecocokan model.