ANALISIS SEM: COVARIANCE-BASED STRUCTURAL EQUATION MODELLING (CB-SEM) & PARTIAL LEAST SQUARE PATH MODELLING (PLS-SEM) Pensyarah: Prof. Madya Dr. Norasmah Bt Othman Dr. Jamil Bin Ahmad Puan Nur Aidah Bt Rashid
Desi Andriani Azurah Mohd Johar Yong Choy Yee Dina Septriani Nik Nur Fadhlillah Abd Razak
GGGB6333
Disediakan oleh: P63783 P63770 P63873 P63785 P62868
TEORI PENGUKURAN DAN PENILAIAN
Pengenalan
Structural equation modeling (SEM) merupakan kaedah analisis untuk menganalisis data kuantitatif dan menguji model (model testing) bagi menyelidik perhubungan sebab-akibat antara sekumpulan pembolehubah dalam kajian (Chua 2009).
Model hipotesis kajian yang dibentuk berdasarkan teori dan keputusan kajian lepas diuji sama ada ianya sepadan dengan data kajian yang dikumpul daripada responden kajian.
Secara umumnya terdapat dua fungsi utama analisis SEM, iaitu sebagai alat pengenalpastian dan alat perkembangan model (Chua 2009).
Variasi SEM terbahagi kepada dua iaitu covariance-based structural equation modelling (CB-SEM) yang dikembangkan oleh Joreskog (1969) dan partial least square path modelling (PLS-SEM) yang dikembangkan oleh Wold (1974).
CB-SEM
CB SEM merupakan model yang digunakan untuk membangunkan matriks kovarians teori berdasarkan pada set persamaan struktur yang spesifik (Hair, Ringle & Sarstedt 2011).
Ia biasanya digunakan untuk tujuan pengujian teori kerana ia boleh menguji pelbagai hubungan serentak dan menguji sejauh mana model statistik yang digunakan mewakili teori serta bersesuaian dengan data yang dicerap (Evermann dan Tate 2009).
Menurut Henseler (2010), terdapat tiga kebaikan penggunaan CB SEM, iaitu
1. membolehkan kita menguji keseluruhan teori,
2. membantu untuk membangunkan teori sensometrik dan
3. menjelaskan model ralat pengukuran.
PLS-SEM
PLS-SEM, juga digelar sebagai component-based SEM (Akter & Hani 2011) atau variance-based SEM (Reinartz, Haenlein & Henseler 2009) bertujuan untuk membuat ramalan dan pembangunan teori (Hair, Ringle & Sarstedt 2011).
PLS-SEM merupakan pendekatan alternatif CB-SEM yang sesuai apabila andaian yang disyaratkan dalam CB SEM tidak dipenuhi (Hair, Ringle & Sarstedt 2011). Contohnya, PLS SEM bukan sahaja sesuai digunakan untuk situasi data yang tidak bertaburan normal (Monecke dan Leisch 2012), malah ia juga sesuai digunakan untuk sampel saiz yang kecil dan model yang kompleks (Hair, Ringle & Sarstedt 2011).
PLS adalah lebih fleksibel kerana ia dapat mengolah data yang berbentuk nominal, ordinal, selang dan pemboleh ubah berskala (Hair, Ringle & Sarstedt 2011).
PLS-SEM adalah satu teknik dengan mempunyai dua langkah iaitu :
(a) skor pembolehubah terpendam (latent variable) dikira menggunakan algoritma PLS,
(b) regresi Ordinary Least Square (OLS) dijalankan pada skor pemboleh ubah terpendam untuk perkiraan persamaan struktur (Tenenhaus 2008).
Perbandingan antara CB-SEM dan PLS-SEM
CB-SEM dan PLS-SEM merupakan dua teknik SEM yang mempunyai pendekatan berbeza.
Kedua-duanya bermula dari persamaan teori dan ukuran yang sama tetapi berbeza dari segi bagaimana mereka mendekati masalah anggaran parameter (Reinartz, Haenlein & Henseler 2009).
Dari segi tujuan, CB-SEM digunakan untuk tujuan pengujian teori (Theory Testing) manakala PLS-SEM digunakan untuk tujuan membuat ramalan dan pembangunan teori (Hair, Ringle & Sarstedt 2011).
Perbandingan antara CB-SEM dan PLS-SEM (sambungan..)
CB-SEM harus dikembangkan berdasarkan pada teori yang kuat dan bertujuan untuk mengesahkan model dengan data empirikalnya. PLS-SEM pula lebih menitikberatkan pada model andaian yang tidak terlalu mementingkan sokongan teori yang kuat (Latan & Imam Ghozali 2012). CB SEM adalah digunakan untuk mengukur pemboleh ubah pendam yang bersifat reflektif manakala PLS SEM digunakan untuk mengukur pemboleh ubah pendam yang bersifat formatif (Suoniemi, Terho dan Olkkonen (2012). Menurut Sharma dan Kim (2012), pemboleh ubah reflektif bertujuan untuk mengenal pasti pengukuran yang saling berhubung kait, unidimensional dan mempunyai ketekalan dalaman yang kukuh. Pemboleh ubah formatif pula bertujuan untuk menerangkan varians yang tidak diperhatikan, mengurangkan multicollinearity dan mempertimbangkan indikator sebagai peramal pemboleh ubah (Sharma & Kim 2012).
Perbandingan antara CB-SEM dan PLS-SEM (sambungan..) 
Kebiasaannya CB-SEM melibatkan software AMOS dan LISREL. Kedua-dua software tersebut memerlukan beberapa syarat yang harus dipatuhi agar ianya mampu untuk diolah. Dari segi fleksibilitinya, beberapa data tertentu tidak dapat dilakukan oleh software AMOS dan LISREL namun begitu masalah tersebut dapat diselesaikan dengan menggunakan PLS-SEM (Reinartz, Haenlein & Henseler 2009).

Memandangkan PLS bersifat bebas dan tidak mensyaratkan data dalam skala selang (interval) atau nisbah (ratio), maka PLS-SEM didapati lebih fleksibel kerana dapat mengolah data yang berupa data nominal, ordinal, selang dan nisbah (Hair, Ringle & Sarstedt 2011).
Perbandingan antara CB-SEM dan PLS-SEM (sambungan..) 


PLS-SEM merupakan kaedah analisis yang bertahap tinggi kerana tidak mensyaratkan data dalam skala pengukuran tertentu dan melibatkan jumlah sampel relatif yang kecil iaitu cadangan minima sampel adalah dalam lingkungan 20 hingga 100 (Akter & Hani 2011). PLS SEM mempunyai kuasa statistik (statistical power) yang lebih besar atau sama dengan CB SEM kerana PLS SEM melibatkan saiz sampel yang lebih kecil daripada CB SEM (Reinartz, Haenlein & Henseler 2009). Keupayaan PLS-SEM untuk menganalisis data adalah lebih efisien daripada CB-SEM kerana analisis PLS-SEM meningkatkan kerumitan model (complexity model) malah PLS-SEM tidak terlalu terikat dengan andaian (assumptions) data dan boleh menangani pelbagai masalah berbanding CBSEM (Hair, Ringle & Sarstedt 2011).
Perbandingan antara CB-SEM dan PLS-SEM (sambungan..) Kriteria
CB-SEM
PLS-SEM
Objektif
Berorientasikan (parameter)
Pendekatan
Berdasarkan kovarians
Andaian
Parametrik (taburan dan pemerhatian bersandar)
Implikasi
Optimum parameter
bagi
teori Berorientasikan ramalan Berdasarkan Varians normal Nonparametrik tidak ketepatan Optimum ramalan
bagi
ketepatan
Kerumitan model Kerumitan rendah atau Kerumitan yang tinggi (contoh: (Model complecity) sederhana (contoh: kurang 100 konstruk, 1000 indikator) daripada 100 indikator) Saiz sampel
200-800
20-100
Perbandingan antara CB-SEM dan PLS-SEM (sambungan..) Kriteria Konstruk Anggaran parameter Jumlah pembolehubah terpendam
CB-SEM Reflektif Konsisten
PLS-SEM Formatif Konsisten pada umumnya besar Jumlah terhad (maksimum 8) Sebarang nombor
Jumlah pembolehubah manifest
Sekurang-kurangnya 2
Skor pembolehubah Tidak tentu terpendam Ciri-ciri Data Mensyaratkan data bertaburan normal Kerumitan model Rendah Software AMOS, EQS, LISREL, Mplus dan sebagainya
Sekurang-kurangnya 1
Anggaran tepat Tidak mensyaratkan data bertaburan normal Tinggi PLS Graph, SmartPLS, SPAD-PLS, XLSTAT-PLS dan sebagainya
Limitasi Penggunaan Teknik CB-SEM 1. CB SEM tidak memberi tumpuan kepada penerangan varians. Ia tidak memfokuskan terhadap penerangan varians kerana pemboleh ubah yang digunakan adalah bersifat reflektif iaitu hanya bertujuan untuk mengenal pasti pengukuran yang saling berhubung kait, unidimensional dan mempunyai ketekalan dalaman yang kukuh (Sharma & Kim 2012). 2. CB SEM tidak memberi tumpuan kepada ramalan. Menurut Hair, Ringle dan Sarstedt (2011), CB SEM hanya boleh digunakan untuk tujuan pengesahan teori sahaja tetapi tidak untuk tujuan pembangunan teori. Penumpuan ke atas ramalan tidak dapat dilakukan kerana penerangan varians tidak berlaku dalam analisis CB SEM.
3. Normaliti multivariat (bertaburan normal) Setiap variabel indikator dalam analisis CB SEM harus mempunyai data yang tertabur secara normal. Data yang tidak bertaburan normal akan mempengaruhi keputusan ujian kesepadanan Khi Kuasa Dua Goodness-Of–Fit (menguji kesepadanan model hipotesis dengan data kajian) yang seterusnya akan merendahkan kebolehpercayaan analisis SEM (Chua 2009). 4. Sampel saiz yang besar diperlukan. Saiz sampel yang lebih besar diperlukan dalam CB SEM supaya dapat menganggar parameter secara tepat (Reinartz, Haenlein & Henseler 2009). Ini dapat dibuktikan melalui kajian Sharma dan Kim (2012) di Monte Carlo. Hasil kajian mendapati nonconvergence wujud dalam bootstrap ML yang mempunyai saiz sampel 50, 100 dan 150. Bilangan non-convergence ini akan berkurang sekiranya saiz sampel semakin besar. Hasil kajian juga mendapati ML akan menunjukkan bias dan root mean square deviation (RMSD) yang kecil berbanding dengan PLS jika saiz sampel adalah besar. Dengan kata lain, penggunaan saiz sampel yang besar dalam ML dapat membantu meningkatkan ketepatan analisis kajian.
5. Data terhad kepada skala selang dan skala nisbah Data perlu dalam skala selang atau skala nisbah bagi memenuhi syarat normaliti multivariat (Chua 2009). Syarat ini penting kerana keputusan Maximum Likehood Estimation (kaedah penganggaran CB SEM) adalah berdasarkan data skala selang dan nisbah (Chua 2009). Ini amat berbeza dengan PLS SEM yang boleh menganalisis data yang mempunyai pelbagai skala pengukuran. Namun, hal ini tidak menjadi masalah apabila menggunakan perisian AMOS versi 7 dan ke atas kerana dengan menggunakan Bootstrap, pengkaji boleh menganalisis data dalam bentuk skala lain 6. Tidak sesuai untuk model yang kompleks -Hasil tinjauan literatur juga menunjukkan bahawa CB SEM tidak sesuai untuk menguji model yang kompleks. Ini adalah disebabkan pemboleh ubah pendam yang terlibat tidak boleh melebihi 8 (Akter & Hani 2011). -Bilangan pemboleh ubah yang kecil menyebabkan masalah kajian yang dijawab adalah dalam skop yang kecil jika dibandingkan dengan PLS SEM (Hair, Ringle dan Sarstedt 2011).
Syarat tambahan untuk analisis SEM 
1.
2. 3.
Selain itu, Chua (2009) juga telah menyatakan beberapa syarat tambahan untuk analisis SEM. perhubungan antara pemboleh ubah endogenus (bersandar) dan pemboleh ubah eksogenus (bebas) haruslah merupakan perhubungan linear. Ketidaklinearan antara pemboleh ubah ini akan menyebabkan keputusan analisis SEM bias dan tidak kukuh. Kedua, sampel kajian perlu dipilih secara rawak. Ketiga, pemboleh ubah indikator yang terlibat haruslah bebas. Dengan kata lain, mana-mana satu item tidak boleh mewakili dua pemboleh ubah indikator.
RUJUKAN
Akter, S., & Hani, U. 2011. Complex modeling in marketing using component based SEM. ANZMAC, 1-9. Chua Yan Piaw. 2009. Statistik Penyelidikan Lanjutan Ujian Regresi, Analisis Faktor dan Analisis SEM Buku 5. Shah Alam: McGraw-Hill Education. Evermann, J. & Tate, M. 2009. Building theory from quantitative studies, or, how to fit SEM model. International Conference on Information Systems: 1-17. Haenlein, M. & Kaplan, M. A. 2004. A beginner’s guide to partial least squares analysis. Understanding Statistics 3(4): 283–297. Hair, J. F., Ringle, C. M. & Sarstedt, M. 2011. PLS-SEM: Indeed a Silver Bullet. Journal of Marketing Theory and Practice 19(2): 139–151. Hair, J. F., Sartstedt, M., Ringle, C. M., & Mena, J. A. 2012. An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research. Journal of Academy Marketing Science, 40 : 414-433. Henseler, J. 2010. Covariance-based Structural Equation Modeling: Foundations and applications. http://www.sensometric.org/Resources/Documents/2010/Meeting/Presentations/013 [1 May 2013]
Latan, H. & Imam Ghozali. 2012. Partial Least Squares – Konsep, teknik dan aplikasi SmartPLS 2.0 M3. Semarang: Badan Penerbit Universitas Diponegoro. Monecke, A., & Leisch, F. 2012. semPLS : Structural Equation Modeling Using Partial Least Square. Journal of Statistic Software 48 (3): 1-32. Reinartz, W., Haenlein, M. & Henseler, J . 2009. An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing 26: 332–344. Rosseel, Y. 2012. Lavaan: An R Package for Structural Equation Modeling. Journal of Statistic Software 48 (2): 1-36. Sharma, P. N. & Kim, K. H. 2012. A comparison of PLS and ML bootstrapping technigues in SEM: A Monte Carlo study. 7th International Conference on Partial Least Squares and Related Methods, Houston, Texas: 1-9. Suoniemi, S., Terho, H. & Olkkonen, R. 2012. The measurement of endogenous higher-order formative composite variables in PLS-SEM: An empirical application from CRM system development. World Academy of Science, Engineering and Technology 72: 571-575. Tenenhaus, M. 2008. Component-based structural equation modelling. Total quality management 19 (7-8) : 871-886.
SEKIAN, TERIMA KASIH.