Structural Partial Least Squares (SPLS) atau lebih dikenal sebagai SmartPLS merupakan salah satu metode analisis statistik berbasis variance yang banyak digunakan dalam penelitian sosial, bisnis, hingga ilmu komputer. Keunggulan SPLS terletak pada kemampuannya menganalisis model kompleks dengan ukuran sampel kecil dan data yang tidak berdistribusi normal. Namun, seiring perkembangan penggunaan SPLS dalam berbagai penelitian, sejumlah kekurangan atau keterbatasan mulai menjadi perhatian para peneliti. Memahami kekurangan SPLS sangat penting agar penggunaan metode ini dapat disesuaikan dengan konteks penelitian dan menghasilkan temuan yang valid serta reliabel.
Keterbatasan SPLS dalam Validitas Statistik
Salah satu kekurangan SPLS yang sering dibahas adalah keterbatasannya dalam menghasilkan validitas statistik yang sekuat metode covariance-based seperti AMOS atau LISREL. SPLS bekerja dengan pendekatan component-based, sehingga hasil estimasi lebih menekankan pada kemampuan prediktif daripada ketepatan statistik. Hal ini menyebabkan SPLS kurang cocok untuk penelitian yang menuntut analisis inferensial mendalam seperti pengujian teori yang membutuhkan model fit global.
Kekurangan lain terkait validitas adalah ketergantungan SPLS pada kualitas indikator yang digunakan. Jika peneliti menggunakan indikator yang tidak valid sejak awal, model SPLS akan menghasilkan output yang tidak akurat. Pendekatan prediktif ini membuat SPLS tidak memiliki mekanisme seketat SEM berbasis kovarian dalam memastikan kesesuaian model secara keseluruhan. Oleh karena itu, reliabilitas indikator menjadi kunci penting yang tidak boleh diabaikan.
Selain itu, SPLS tidak menyediakan ukuran global goodness of fit yang setara dengan SEM kovarian. Pengukuran model fit hanya terbatas pada indikator seperti R-square, Q-square, dan nilai path coefficient, yang sebenarnya tidak cukup untuk menilai keseluruhan model secara teoritis. Peneliti yang membutuhkan pengukuran kelayakan model secara lebih komprehensif seringkali menganggap ini sebagai kelemahan besar.
SPLS juga memiliki kestabilan estimasi yang dipengaruhi oleh jumlah indikator. Ketika model memiliki terlalu sedikit indikator untuk setiap konstruk, hasil SPLS bisa menjadi bias dan tidak konsisten. Masalah ini sering muncul pada penelitian yang hanya mengandalkan beberapa pertanyaan kuesioner untuk merepresentasikan satu variabel laten.
Terakhir, penggunaan SPLS dapat menghasilkan estimasi yang kurang akurat pada model mediasi dan moderasi yang kompleks. Meskipun SPLS dapat mengakomodasi kedua jenis hubungan tersebut, sensitivitasnya terhadap data kecil dapat menimbulkan variasi output yang signifikan. Oleh karena itu, peneliti harus melakukan bootstrap dengan jumlah besar untuk meningkatkan akurasi estimasi.
Baca Juga: Contoh Seminar Proposal: Panduan Lengkap untuk Mahasiswa dalam Menyusun dan Mempertahankan Proposal Skripsi
Keterbatasan SPLS dalam Asumsi dan Kualitas Data
SPLS sering disebut-sebut sebagai metode yang fleksibel terhadap data non-normal. Namun, fleksibilitas ini juga menjadi pedang bermata dua. Karena tidak menuntut normalitas data, SPLS dapat menghasilkan model yang tampak valid padahal sesungguhnya dibangun dari data yang berkualitas rendah. Hal ini menjadi masalah karena peneliti pemula cenderung mengabaikan uji asumsi dasar akibat merasa SPLS dapat “memperbaiki” kekurangan data.
Kekurangan berikutnya adalah SPLS sangat sensitif terhadap outlier. Meskipun tidak membutuhkan normalitas, SPLS tetap bekerja berdasarkan estimasi varians, sehingga outlier ekstrem dapat mengacaukan struktur variabel laten. Kondisi ini dapat menurunkan validitas loading factor dan mengganggu stabilitas koefisien jalur. Peneliti perlu melakukan pembersihan data secara ketat sebelum mengolahnya dengan SPLS.
Pada penelitian dengan sampel yang terlalu kecil, SPLS memang masih bisa digunakan, tetapi hasilnya tidak selalu stabil. Semakin kecil ukuran sampel, semakin besar risiko variabilitas hasil bootstrap yang memengaruhi kesimpulan akhir. Hal ini penting karena banyak peneliti memilih SPLS justru karena sampel kecil, padahal keterbatasannya perlu diperhitungkan dengan seksama.
Selain itu, SPLS tidak dapat digunakan untuk data kategorikal murni seperti skala nominal. Meskipun terdapat pendekatan yang memodifikasi SPLS agar mampu mengolah data tersebut, metode standar SPLS tetap paling ideal untuk data interval dan rasio. Peneliti yang memaksakan penggunaan SPLS tanpa mengonversi data terlebih dahulu akan menghadapi risiko hasil analisis yang salah.
Yang terakhir, SPLS memerlukan penentuan model pengukuran yang jelas (reflective atau formative). Banyak peneliti melakukan kesalahan klasifikasi karena SPLS tidak menolak kombinasi indikator meskipun tidak sesuai teori. Kesalahan klasifikasi ini dapat memengaruhi validitas konstruk dan membuat interpretasi hasil menjadi keliru.
Keterbatasan SPLS dalam Interpretasi Hasil
Pembahasan ini terdiri dari paragraf dan poin.
Salah satu tantangan yang sering ditemui dalam penggunaan SPLS adalah kesulitan interpretasi hasil, terutama bagi peneliti pemula. Tidak seperti SEM kovarian yang menyediakan nilai model fit yang mudah dipahami, SPLS mengharuskan peneliti menggabungkan beberapa indikator untuk menilai kelayakan model. Hal ini membuat interpretasi hasil menjadi lebih kompleks, terutama pada model dengan banyak konstruk dan hubungan antar variabel.
Beberapa kekurangan SPLS terkait interpretasi hasil meliputi:
-
Tidak adanya ukuran model fit global, sehingga peneliti perlu menginterpretasi model berdasarkan kombinasi nilai R-square, AVE, Composite Reliability, dan Q-square.
-
Koefisien jalur dapat bias ketika model memiliki multikolinearitas tinggi, terutama pada konstruk formatif.
-
Bootstrapping yang menghasilkan nilai sangat variatif, membuat interpretasi signifikansi menjadi tidak stabil pada sampel kecil.
-
Kurangnya pedoman baku untuk pengecekan modifikasi model, sehingga tidak ada prosedur resmi untuk memperbaiki model yang tidak layak.
-
Interpretasi model moderasi cenderung lebih rumit karena SPLS tidak menawarkan grafik otomatis seperti beberapa software statistik lain.
Kelemahan SPLS dalam Kompleksitas Model
Pembahasan ini terdiri dari paragraf dan poin.
Dalam penelitian dengan model yang sangat kompleks, SPLS tidak selalu menjadi pilihan terbaik. Meskipun SPLS mampu mengakomodasi banyak variabel laten dan indikator, kemampuan prediktifnya justru dapat menurun ketika jumlah hubungan jalur terlalu besar. SPLS lebih ideal untuk penelitian prediktif yang terstruktur, bukan untuk model teoritis dengan banyak asumsi.
Keterbatasan SPLS pada model kompleks antara lain:
-
Estimasi menjadi tidak stabil ketika model terlalu besar dan indikator terlalu banyak.
-
Risiko overfitting meningkat, terutama jika peneliti memasukkan terlalu banyak jalur yang tidak signifikan secara teori.
-
Analisis mediasi berlapis menjadi kurang akurat, terutama jika melibatkan tiga atau lebih variabel mediator.
-
Model moderasi dengan interaksi berganda menghasilkan varians tinggi, membuat hasil sulit diinterpretasi.
-
Komputasi menjadi lebih berat, sehingga output bootstrap memerlukan waktu lebih lama dan menghasilkan variabilitas estimasi lebih besar.
Keterbatasan SPLS dalam Pengembangan Teori
Pada era penelitian modern, SPLS sering digunakan bukan hanya untuk tujuan prediktif, tetapi juga untuk pengembangan teori. Namun, metode ini memiliki beberapa keterbatasan fundamental. Pertama, SPLS tidak dirancang khusus untuk menguji teori secara mendalam. Karena fokus utamanya adalah prediksi, metode ini kurang kuat dalam memberikan bukti statistik yang mendukung atau menolak teori secara komprehensif.
Kedua, SPLS tidak menyediakan indeks yang memungkinkan penilaian kelayakan model teoritis secara keseluruhan. Tanpa ukuran global fit, SPLS hanya berfokus pada hubungan antar variabel dan signifikansi jalur, sehingga peneliti kesulitan memastikan apakah model benar-benar sesuai dengan teori yang dianut. Hal ini terutama menjadi masalah ketika penelitian menuntut validasi teori baru.
Ketiga, SPLS dapat memberikan hasil estimasi yang terlalu optimistis pada hubungan antar variabel. Hal ini berpotensi membuat peneliti salah menyimpulkan bahwa sebuah teori valid meskipun data sebenarnya kurang mendukung. Oleh karena itu, SPLS lebih cocok sebagai alat eksplorasi awal, bukan sebagai metode akhir untuk pengujian teori yang ketat.
Baca Juga: Memahami Apa Itu Seminar Proposal Tujuan, Proses, dan Strategi Sukses dalam Persiapan Skripsi
Kesimpulan
Kekurangan SPLS perlu dipahami secara menyeluruh sebelum dipilih sebagai metode penelitian. Meskipun SPLS memiliki banyak keunggulan seperti fleksibilitas data dan kemampuan menangani model kompleks, berbagai keterbatasan tetap harus diperhatikan. SPLS bukanlah metode yang ideal untuk semua jenis penelitian, terutama penelitian yang menekankan validitas teoritis dan model fit global.
Peneliti harus bijak dalam menggunakan SPLS dengan memastikan kualitas data yang memadai, pemilihan indikator yang tepat, dan pemahaman mendalam terhadap interpretasi hasil. Dengan mengatasi atau memitigasi kekurangan SPLS, peneliti tetap dapat menghasilkan temuan yang bermakna dan berkualitas tinggi.
Akhirnya, penggunaan SPLS perlu disesuaikan dengan tujuan penelitian. Untuk penelitian prediktif, SPLS merupakan pilihan tepat; namun untuk pengujian teori tingkat lanjut, metode SEM berbasis kovarian mungkin lebih relevan. Dengan pendekatan yang tepat, kekurangan SPLS tidak akan menjadi hambatan, tetapi justru menjadi pertimbangan penting dalam meningkatkan kualitas riset.
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.
