Secara garis besar metode SEM dapat digolongkan menjadi dua jenis, yaitu SEM berbasis covariance atau Covariance Based Structural Equation Modeling (CB-SEM) dan SEM berbasis varian ataukomponen / Variance atau Component Based SEM (VB-SEM) yang meliputi Partial Least Square (PLS) dan Generalized Structural Component Analysis (GSCA).
Menurut Berenson dan Levin (1996 : 120), Ghozali (2008c : 25) dan Kurniawan dan Yamin (2009 : 13) varian adalah penyimpangan data dari nilai mean(rata-rata) data sampel. Variance mengukur penyimpangan data dari nilai mean suatu sampel, sehingga merupakan suatu ukuran untuk variabel-variabel metrik. Secara matematik, varians adalah rata-rata perbedaan kuadrat antara tiap-tiap observasi dengan mean, sehingga varians adalah nilai rata-rata kuadrat dari standar deviasi. Suatu variabel pasti memiliki varians yang selalu bernilai positif, jika nol maka bukan variabel tapi konstanta.
Sedangkan covariances menurut Newbold (1992 : 16) menunjukkan hubungan linear yang terjadi antara dua variabel, yaitu X dan Y. Jika suatu variabel memiliki hubungan linear positif, maka kovariannya adalah positif. Jika hubungan antara X dan Y berlawanan, maka kovariannya adalah negatif. Jika tidak terdapat hubungan antara dua variabel X dan Y, maka kovariannya adalah nol.
1. Covariance Based Structural Equation Modeling (CB-SEM).
SEM berbasis covariance (Covariance Based SEM atau CB-SEM) dikembangkan pertama kali oleh Joreskog (1973), Keesling (1972) dan Wiley (1973). Menurut Ghozali (2008b : 1) CB-SEM mulai populer setelah tersedianya program LISREL III yang dikembangkan oleh Joreskog dan Sorbom pada pertengahan tahun 1970-an. Dengan menggunakan fungsi Maximum Likelihood(ML), CB-SEM berusaha meminimumkan perbedaan antara covariance matrixsampel dengan covariance matrix prediksi oleh model teoritis sehingga proses estimasi menghasilkan residual covariance matrix yang nilainya kecil mendekati nol. Beberapa hal yang perlu diperhatikan dalam analaisis CB-SEM diantaranya :
a. Asumsi penggunaan CB-SEM seperti analisis parametrik. Asumsi yangharus dipenuhi yaitu variabel yang diobservasi harus memilikimultivariate normal distribution serta observasi harus independen satu sama lain. Jika sample kecil dan tidak asimptotik akan memberikan hasil estimasi paramater dan model statistik yang tidak baik atau bahkan menghasilkan varian negatif yang disebut Heywood Case.
b. Jumlah sampel yang kecil secara potensial akan menghasilkan kesalahan Tipe II yaitu model yang jelek masih menghasilkan model yang fit.
c. Analisis CB-SEM mengharuskan bentuk variabel laten yang indikator-indikatornya bersifat reflektif. Dalam model reflektif, indikator atau manifest dianggap variabel yang dipengaruhi oleh variabel laten sesuai dengan teori pengukuran klasik. Pada model indikator reflektif, indikator-indikator pada suatu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator akan mempengaruhi perubahan indikator lainnya dengan arah yang sama.
Gambar 1.4. di bawah ini adalah contoh-contoh gambar variabel latenkepemimpinan dengan indikator reflektif. Perhatikan arah panah dalam gambar menjauh dari variabel laten kepemimpinan menuju masing-masing dimensi atau indikator :demokratis, autoktatis dan laizez-faire.
Gambar 1.4. Variabel (Konstruk) Laten Kepemimpinan
Dengan Indikator Bersifat Reflektif.
Menurut kenyataan yang sesungguhnya indikator dapat dibentuk dalam bentukformatif. Dalam model formatif, indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Indikator formatif tidak sesuai dengan teori klasik atau model analisis faktor. Contoh variabel formatif yang diberikan oleh Cohen et.al. (1970) dalam Ghozali (2008b : 3) adalah variabel laten Status Sosial Ekonomi (SSE) dengan indikator-indikator :pendidikan, prestise pekerjaan dan pendapatan. Dalam variabel laten SSE ini, jika salah satu indikator meningkat maka variabel SSE akan meningkat pula. Contoh variabel formatif lain adalah variabel laten Stress dengan indikator-indikator : kehilangan pekerjaan, perceraian dan kematian dalam keluarga.
Gambar 1.5. di bawah ini adalah contoh contoh gambar variabel laten Status Sosial Ekonomi (SSE) dengan indikator formatif. Perhatikan arah panah dalam gambar menuju pusat dari variabel laten Status Sosial Ekonomi (SSE) dimensi atau indikator : pendidikan, prestise pekerjaan dan pendapatan.
Gambar 1.5. Variabel (Konstruk) Laten Status Sosial Ekonomi
Dengan Indikator Bersifat Formatif.
Menggunakan model indikator formatif dalam CB-SEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol diantara beberapa indikator. Teori dalam analisis CB-SEM berperan sangat penting. Hubungan kausalitas model struktural dibangun atas teori dan CB-SEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tidak berbeda dengan model empirisnya.
CB-SEM memiliki beberapa keterbatasan diantaranya jumlah sampel yang harus besar, data harus terdistribusi secara multivariat normal, indikator harus bersifat reflektif, model harus berdasarkan teori, adanya indeterminasi. Untuk mengatasi keterbatasan-keterbatasan itu maka dikembangkanlah SEM berbasis komponen atau varian yang disebut Partial Least Square (PLS).
2. Variance atau Component Based SEM (VB-SEM).
a. PLS-SEM.
Secara umum, PLS-SEM bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat apakah ada hubungan atau pengaruh antar konstruk tersebut. Konsekuensi logis penggunaan PLS-SEM adalah pengujian dapat dilakukan tanpa dasar teori yang kuat, mengabaikan beberapa asumsi (non-parametrik) dan parameter ketepatan model prediksi dilihat dari nilai koefisien determinasi (R2). PLS-SEM sangat tepat digunakan pada penelitian yang bertujuan mengembangkan teori.
b. GSCA.
GSCA menggabungkan karakteristik yang terdapat pada CB-SEM dan PLS-SEM . GSCA dapat meng-handle variabel laten dengan banyak indikator sama seperti PLS-SEM, mensyaratkan kriteria goodness of fit model serta indikator dan konstruknya harus berkorelasi seperti CB-SEM. Menurut Latan (2012 : 10) metode GSCA sampai saat ini jarang digunakan secara luas oleh para peneliti karena metode ini relatif masih baru.
GSCA memiliki tujuan yang sama dengan PLS-SEM, tidak mensyaratkan asumsi multivariate normality data, dan bisa dilakukan pengujian tanpa dasar teori yang kuat dengan jumlah sampel yang kecil.
Pada prinsipnya seorang peneliti yang akan menggunakan model persamaan struktural harus terlebih dahulu mengetahui atau menentukan alat analisis apa yang akan digunakan. Tabel 1.3. di bawah menjelaskan pedoman pengunaan jenis SEM apakah CB-SEM, PLS-SEM atau GCSA.
