Dalam ranah penelitian kuantitatif, terutama yang menggunakan pendekatan model struktural, metode Partial Least Squares (PLS) dan Sparse Partial Least Squares (SPLS) menjadi dua teknik analisis yang kerap dibandingkan. Keduanya memiliki fungsi utama yang mirip, yaitu memodelkan hubungan antar variabel laten dan indikator, namun memiliki karakteristik dan tujuan analisis yang berbeda. PLS telah banyak dikenal dalam analisis Structural Equation Modeling (SEM) berbasis varian, sedangkan SPLS hadir sebagai pengembangan dari PLS yang berfokus pada penyederhanaan model melalui proses seleksi variabel.
1. Konsep Dasar PLS dan SPLS
Partial Least Squares (PLS) merupakan metode pemodelan yang digunakan untuk menganalisis hubungan kompleks antara variabel laten dengan tujuan memaksimalkan varian yang dijelaskan (explained variance). PLS dikenal sebagai pendekatan yang fleksibel karena tidak membutuhkan asumsi distribusi data tertentu dan mampu mengatasi sampel kecil, multikolinearitas, serta model yang kompleks. Dengan keunggulan tersebut, PLS menjadi pilihan populer dalam penelitian sosial, manajemen, pemasaran, dan ilmu perilaku.
Di sisi lain, Sparse Partial Least Squares (SPLS) merupakan pengembangan dari PLS yang menambahkan elemen “sparsity” atau penyederhanaan model melalui teknik regularisasi. SPLS tidak hanya memproyeksikan variabel untuk menjelaskan varian terbesar, tetapi juga secara simultan melakukan pemilihan variabel (variable selection) sehingga hanya indikator-indikator penting yang dipertahankan dalam model. Hal ini membuat SPLS lebih efisien dan interpretatif dalam konteks penelitian yang memiliki banyak variabel.
Perbedaan mendasar antara PLS dan SPLS terletak pada adanya proses penyederhanaan variabel pada SPLS. Metode ini dikembangkan sebagai respons atas kebutuhan penelitian modern yang sering melibatkan data berdimensi tinggi, misalnya data biomedis, genomik, atau model keuangan dengan puluhan hingga ratusan indikator. PLS tidak secara langsung melakukan pemilihan variabel, sehingga pada model besar hasilnya dapat lebih sulit diinterpretasikan.
Selain itu, SPLS mengintegrasikan prinsip regresi penalized seperti Lasso dan Ridge Regression, sehingga model dapat mengurangi varians yang tidak relevan dan mempertahankan indikator yang memiliki kontribusi terbesar terhadap variabel laten. Hal ini memberi SPLS keunggulan dalam menghasilkan model yang lebih ringkas tanpa kehilangan informasi penting.
Secara keseluruhan, PLS menekankan kemampuan prediktif dengan fleksibilitas tinggi, sementara SPLS menekankan prediksi sekaligus seleksi variabel. Perbedaan konsep dasar ini memengaruhi tujuan penggunaan dan output yang dihasilkan dari kedua teknik analisis tersebut.
Baca Juga: Contoh Keyword Abstrak Panduan Menulis Abstrak yang Efektif dan Informatif
Karakteristik PLS dan SPLS dalam Analisis Penelitian
Pada PLS, analisis dilakukan melalui dua sub-model utama: model pengukuran (outer model) dan model struktural (inner model). Model pengukuran mengevaluasi hubungan indikator dengan variabel laten, sedangkan model struktural menguji hubungan antar variabel laten. PLS secara umum lebih berfokus pada memaksimalkan varian yang dijelaskan oleh variabel laten endogen dibandingkan menilai kecocokan model secara global. Hal ini membuat PLS sering digunakan dalam penelitian eksploratori.
Sementara itu, SPLS memiliki struktur analisis yang mirip karena merupakan turunan dari PLS, namun dengan tambahan komponen penalti yang diterapkan pada model pengukuran. Proses penalti ini membuat SPLS dapat secara otomatis menghapus variabel yang kontribusinya kecil, sehingga pada tahap akhir hanya indikator signifikan yang digunakan untuk membentuk model laten. Dengan demikian, SPLS memiliki karakteristik yang lebih selektif dibandingkan PLS.
Karakteristik lain yang membedakan PLS dan SPLS adalah kemampuan SPLS dalam mengatasi data yang berskala besar dan kompleks. Misalnya, dalam penelitian genomik yang melibatkan ribuan variabel, PLS cenderung menghasilkan model yang terlalu penuh dan sulit diinterpretasikan. SPLS, melalui proses pemilihan variabel, mampu mengatasi masalah tersebut dengan baik meskipun harus mengorbankan sedikit kompleksitas model.
Dalam konteks evaluasi model, PLS menyediakan indikator umum seperti Composite Reliability, Cronbach’s Alpha, AVE, serta analisis hubungan struktural melalui nilai koefisien jalur (path coefficient). SPLS, karena mengadopsi prinsip penalti, lebih menekankan evaluasi prediktif variabel terpilih dan cenderung tidak menggunakan kriteria tradisional PLS secara utuh, karena model yang dihasilkan lebih sederhana.
Secara ringkas, PLS lebih fokus pada kemampuan prediktif dan fleksibilitas analisis, sedangkan SPLS lebih unggul dalam efisiensi model, pemilihan variabel, serta interpretasi hasil. Hal ini menjadikan SPLS lebih cocok untuk penelitian big data dan situasi di mana penyederhanaan model sangat diperlukan.
Perbedaan Teknis PLS dan SPLS dalam Pengolahan Data
Secara teknis, perbedaan antara PLS dan SPLS terletak pada cara kedua metode ini mengelola informasi dari variabel prediktor dan bagaimana proses pemodelan dilakukan. PLS menggunakan prosedur iteratif yang memaksimalkan kovarian antara variabel laten dengan indikator, sedangkan SPLS menambahkan langkah penalti yang memastikan bahwa hanya indikator-inikator penting yang dipertahankan dalam pembentukan komponen laten.
Poin Perbedaan Teknis:
-
PLS menggunakan pendekatan algoritma Wold, sedangkan SPLS menggabungkan algoritma regresi penalized.
-
PLS mempertahankan semua indikator, sedangkan SPLS dapat menghapus indikator yang kurang berkontribusi.
-
PLS tidak memiliki mekanisme seleksi variabel, SPLS memiliki mekanisme sparsity.
-
PLS cocok untuk data multikolinear, SPLS cocok untuk multikolinear dan high-dimensional.
-
PLS memaksimalkan varians, sedangkan SPLS memaksimalkan varians sekaligus melakukan regularisasi.
Keunggulan dan Kelemahan PLS serta SPLS
Baik PLS maupun SPLS memiliki keunggulan yang dapat menguntungkan peneliti, tergantung konteks penelitian. PLS menawarkan kemudahan, fleksibilitas, dan kestabilan pada berbagai tipe data, terutama ketika tujuan utama penelitian adalah prediksi. Sementara SPLS memberikan kelebihan dalam efisiensi model dan kemampuan mengelola data besar dengan jumlah variabel sangat banyak.
Keunggulan PLS
-
Fleksibel dan tidak mensyaratkan asumsi distribusi data tertentu
-
Mampu mengatasi multikolinearitas
-
Cocok untuk sampel kecil
-
Mudah diimplementasikan pada banyak software
-
Sangat baik untuk penelitian eksploratori
Kelemahan PLS
-
Tidak memiliki proses seleksi variabel
-
Model bisa menjadi terlalu kompleks
-
Kurang ideal untuk penelitian big data
Keunggulan SPLS
-
Memiliki fitur seleksi variabel otomatis
-
Cocok untuk penelitian high-dimensional
-
Menghasilkan model yang lebih ringkas
-
Mempermudah interpretasi
-
Lebih efisien dalam komputasi model besar
Kelemahan SPLS
-
Lebih sulit dioperasikan dibanding PLS
-
Tidak tersedia luas pada software umum seperti SmartPLS
-
Membutuhkan pemahaman teknis mengenai metode penalti
Implementasi PLS dan SPLS dalam Penelitian Modern
Dalam penelitian sosial, pemasaran, dan manajemen, PLS masih menjadi metode dominan karena fleksibilitas serta kemampuan prediktifnya. Banyak penelitian yang menggunakan SmartPLS untuk memodelkan hubungan antar variabel laten, terutama jika jumlah indikator masih dalam skala kecil hingga menengah. Penggunaan PLS dalam SEM berbasis varian telah menjadi standar metodologis dalam banyak publikasi akademik.
SPLS mulai banyak digunakan pada penelitian berbasis data besar, seperti medis, bioinformatika, analisis citra, dan riset keuangan. Pada bidang tersebut, jumlah variabel prediktor yang besar membuat SPLS menjadi alternatif yang unggul. Teknik penalti pada SPLS membantu peneliti menyederhanakan model serta menemukan variabel paling signifikan yang memengaruhi variabel laten.
Secara praktis, pemilihan antara PLS dan SPLS bergantung pada kebutuhan penelitian. Apabila peneliti bekerja dengan model besar dan membutuhkan penyederhanaan otomatis, SPLS merupakan pilihan terbaik. Namun apabila tujuan penelitian adalah prediksi dengan model yang lebih sederhana, PLS tetap menjadi pilihan yang ideal.
Baca Juga: Cara Membuat Keyword Abstrak yang Efektif dan Relevan dalam Penulisan Karya Ilmiah
Kesimpulan
PLS dan SPLS adalah dua teknik analisis yang memiliki fungsi serupa tetapi dengan orientasi berbeda. PLS menekankan kemampuan prediktif dan fleksibilitas, sementara SPLS menekankan penyederhanaan model melalui seleksi variabel. Keduanya sama-sama berguna dalam pendekatan SEM berbasis varian, namun pilihan metode tergantung pada konteks penelitian, kompleksitas data, serta tujuan analisis yang ingin dicapai.
Dengan memahami perbedaan mendasar, teknis, keunggulan, dan kelemahan masing-masing metode, peneliti dapat menentukan teknik mana yang paling sesuai digunakan. Ke depan, PLS dan SPLS akan terus digunakan dalam penelitian modern, terutama saat data menjadi semakin kompleks dan berukuran besar.
Terakhir, jika Anda mengalami kesulitan dalam menyusun penelitian baik skripsi, tesis, maupun disertasi dan membutuhkan bimbingan bersama mentor yang kredibel. Segera konsultasikan kesulitanmu bersama jasa bimbingan skripsi Hubungi kami melalui whatsapp maupun instagram untuk tahu lebih banyak seputar layanan.
