CB-SEM (Covariance-Based SEM): Metode ini ideal untuk penelitian
konfirmatori. Tujuannya adalah untuk menguji, mengkonfirmasi, atau
membandingkan teori yang sudah mapan. Peneliti yang menggunakan CB-SEM
biasanya memiliki model teoretis yang kuat dan hipotesis spesifik yang ingin
mereka validasi terhadap data. Fokus utamanya adalah pada seberapa baik
model yang diusulkan sesuai (fit) dengan data yang ada, diukur melalui indeks
kecocokan model (Chi-square, RMSEA, CFI, dll). (Harsono & Imran, 2025)
PLS-SEM (Partial Least Squares SEM): Metode ini lebih cocok untuk penelitian
eksplorasi dan pengembangan teori. Tujuannya adalah untuk memprediksi
hubungan dan mengidentifikasi pendorong utama (driver constructs) yang
memiliki varians terbesar pada variabel dependen.10 PLS-SEM menjadi pilihan
yang kuat ketika teori yang mendasari penelitian belum sepenuhnya matang
atau ketika modelnya sangat kompleks. (Haryono, 2016) .
CB-SEM: Memiliki asumsi statistik yang ketat, terutama normalitas multivariat.9
CB-SEM juga membutuhkan ukuran sampel yang relatif besar untuk
menghasilkan estimasi parameter yang stabil dan akurat. (Haryono & Wardoyo, 2016)
PLS-SEM: Dikenal dengan asumsi "soft modeling" yang jauh lebih sedikit. Metode
ini sangat robust terhadap data yang tidak normal, yang sering ditemukan dalam
penelitian sosial dan perilaku. Selain itu, PLS-SEM efektif untuk penelitian dengan
ukuran sampel yang kecil, bahkan ketika model memiliki banyak konstruk dan
indikator. (Haryono, 2016) .
CB-SEM: Dapat menangani model yang kompleks, tetapi seringkali memerlukan
ukuran sampel yang sangat besar untuk mencapai konvergensi dan estimasi
yang akurat. (Harsono & Imran, 2025)
PLS-SEM: Unggul dalam menangani model yang sangat kompleks dan model
hierarkis tingkat tinggi (higher-order models). Keunggulan ini berasal dari
algoritma iteratifnya yang fleksibel. Algoritma PLS-SEM mengestimasi model
pengukuran dan model struktural secara terpisah, yang memungkinkan
penanganan model yang rumit dan tidak memaksakan asumsi distribusi yang
ketat. (Sarstedt et al., 2019) . PLS-SEM juga menjadi metode pilihan ketika model
penelitian mencakup konstruk formatif.
CB-SEM (Covariance- Aspek PLS-SEM (Partial Least
Based) Perbandingan Squares)
Konfirmasi dan Prediksi dan pengembangan
Tujuan Utama
pengujian teori yang teori baru yang bersifat
sudah mapan eksplorasi
Membutuhkan asumsi Memiliki asumsi yang lebih
Asumsi
normalitas multivariat sedikit ("soft modeling"),
Distribusi
yang ketat robust terhadap data non-
normal
Membutuhkan ukuran Efektif bahkan dengan
Persyaratan
sampel yang lebih besar ukuran sampel yang relatif
Sampel
untuk hasil yang stabil kecil
Ideal untuk model Unggul dalam menangani
Penanganan
sederhana hingga model yang kompleks, model
Model
sedang hierarkis, dan konstruk
formatif
Menguji kecocokan Memaksimalkan varians yang
Fokus Utama
model (Model Fit) dijelaskan (R-Square) dari
dengan matriks variabel dependen
kovarians data
Harsono, S., & Imran, B. (2025). Pendekatan Structural Equation Modeling
Untuk Penelitian Kuantitatif: Teori, Metodologi Dan Aplikasi (N. S.
Wahyuni, Ed.; 1st ed.). Widina Media Utama. [Link]
Haryono, S. (2016). Metode SEM Untuk Penelitian Manajemen dengan
AMOS LISREL PLS (1st ed.). PT. Intermedia Personalia Utama.
Haryono, S., & Wardoyo, P. (2016). STRUCTURAL EQUATION MODELING:
Untuk Penelitian Manajemen Menggunakan AMOS 18.00 (1st ed.). PT.
Intermedia Personalia Utama. [Link]
Sarstedt, M., Hair, J. F., Cheah, J. H., Becker, J. M., & Ringle, C. M. (2019).
How To Specify, Estimate, And Validate Higher-Order Constructs In
PLS-SEM. Australasian Marketing Journal, 27(3).
[Link]
Harsono, S., & Imran, B. (2025). Pendekatan Structural Equation Modeling Untuk Penelitian
Kuantitatif: Teori, Metodologi Dan Aplikasi (N. S. Wahyuni, Ed.; 1st ed.). Widina Media
Utama. [Link]
Haryono, S. (2016). Metode SEM Untuk Penelitian Manajemen dengan AMOS LISREL PLS (1st
ed.). PT. Intermedia Personalia Utama.
Haryono, S., & Wardoyo, P. (2016). STRUCTURAL EQUATION MODELING: Untuk Penelitian
Manajemen Menggunakan AMOS 18.00 (1st ed.). PT. Intermedia Personalia Utama.
[Link]
Sarstedt, M., Hair, J. F., Cheah, J. H., Becker, J. M., & Ringle, C. M. (2019). How To Specify,
Estimate, And Validate Higher-Order Constructs In PLS-SEM. Australasian Marketing
Journal, 27(3). [Link]