SmartPLS atau AMOS? Jangan Pilih Sebelum Baca Fakta Mengejutkan Ini!

Banyak mahasiswa tingkat akhir yang sedang mengerjakan skripsi atau tesis mengalami kebingungan saat diminta dosen pembimbing menggunakan metode Structural Equation Modeling (SEM). Pilihan software yang paling populer biasanya hanya dua: AMOS atau SmartPLS.

Pertanyaannya, mana yang harus dipilih? Jangan sampai salah, karena pemilihan software ini bisa memengaruhi hasil penelitian dan kelulusan Anda.

Artikel ini akan mengungkap fakta penting yang sering luput diperhatikan mahasiswa ketika menentukan pilihan antara AMOS vs SmartPLS.

Dua Pendekatan Utama dalam SEM: CB-SEM dan PLS-SEM

Secara umum, terdapat dua pendekatan utama untuk analisis SEM: Covariance-Based SEM (CB-SEM) dan Partial Least Squares SEM (PLS-SEM). CB-SEM, yang sering disebut sebagai "SEM" saja, bertujuan untuk mereproduksi matriks kovarians teoretis yang dihipotesiskan berdasarkan model penelitian. Sebaliknya, PLS-SEM, yang berbasis varian, bertujuan untuk memaksimalkan varians yang dijelaskan dari konstruk laten dependen dalam model. Perbedaan fundamental ini membentuk dasar untuk perdebatan mengenai kapan dan mengapa satu metode harus dipilih daripada yang lain.

Perbandingan Kritis: CB-SEM vs. PLS-SEM dan Wawasan Mendalam

Sebagian ahli bahkan berpendapat bahwa istilah "PLS-SEM" itu sendiri menyesatkan, karena PLS pada dasarnya mengestimasi variabel sebagai komposit, berbeda dari pendekatan kovarians yang digunakan oleh CB-SEM. Kerancuan terminologi ini berasal dari kenyataan bahwa CB-SEM, dengan akar sejarahnya dalam pengujian teori yang ketat, sering dianggap sebagai bentuk SEM "asli." Namun, seiring waktu, PLS-SEM telah membuktikan fleksibilitasnya sebagai pendekatan "soft modeling" yang sangat berguna untuk berbagai skenario penelitian.

Berdasarkan Tujuan Penelitian

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).

Berdasarkan Asumsi dan Persyaratan Data

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).

Berdasarkan Kompleksitas Model

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. PLS-SEM juga menjadi metode pilihan ketika model penelitian mencakup konstruk formatif (Sarstedt et al., 2019)..

Secara ringkas, pilihan antara CB-SEM dan PLS-SEM bukan tentang mana yang lebih baik secara mutlak, melainkan tentang kesesuaian dengan tujuan penelitian. Peneliti harus mempertimbangkan apakah mereka ingin mengkonfirmasi teori yang sudah ada atau mengeksplorasi hubungan prediktif untuk membangun teori baru, serta apakah karakteristik data mereka (misalnya, ukuran sampel dan distribusi) memenuhi asumsi yang diperlukan.

Tabel 1. Perbandingan CB-SEM (Covariance-Based) dan PLS-SEM (Partial Least Squares)

CB-SEM (Covariance-Based)	Aspek Perbandingan	PLS-SEM (Partial Least Squares)
Konfirmasi dan pengujian teori yang sudah mapan	Tujuan Utama	Prediksi dan pengembangan teori baru yang bersifat eksplorasi
Membutuhkan asumsi normalitas multivariat yang ketat	Asumsi Distribusi	Memiliki asumsi yang lebih sedikit ("soft modeling"), robust terhadap data non-normal
Membutuhkan ukuran sampel yang lebih besar untuk hasil yang stabil	Persyaratan Sampel	Efektif bahkan dengan ukuran sampel yang relatif kecil
Ideal untuk model sederhana hingga sedang	Penanganan Model	Unggul dalam menangani model yang kompleks, model hierarkis, dan konstruk formatif
Menguji kecocokan model (Model Fit) dengan matriks kovarians data	Fokus Utama	Memaksimalkan varians yang dijelaskan (R-Square) dari variabel dependen

Selanjut, yang perlu diketahui adalah AMOS (Analysis of Moment Structures) adalah software analisis statistik berbasis SEM yang mengandalkan pendekatan Covariance Based SEM (CB-SEM). Sementara, SmartPLS adalah software berbasis Partial Least Square SEM (PLS-SEM) yang lebih fleksibel dan praktis dibanding AMOS.

Kesalahan Fatal Mahasiswa

Banyak mahasiswa melakukan kesalahan fatal dengan memilih software hanya karena ikut-ikutan teman atau sekadar “disuruh dosen tanpa memahami alasannya”. Akibatnya:

Data yang dipakai tidak cocok dengan metode analisis.
Output sulit dipahami dan tidak bisa dipertanggungjawabkan.
Sidang skripsi atau tesis jadi bermasalah karena salah interpretasi.

Ingat, memilih AMOS atau SmartPLS bukan soal mana yang lebih “keren”, tapi mana yang sesuai dengan penelitianmu.

Kesimpulan

Baik AMOS maupun SmartPLS sama-sama bermanfaat untuk analisis SEM, hanya saja fungsinya berbeda. Jika penelitian Anda membutuhkan validitas teori yang kuat, gunakan AMOS. Namun, jika data terbatas dan penelitian lebih bersifat eksploratif, gunakan SmartPLS.

Referensi

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. www.freepik.com

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. www.ptipu.blogspot.com

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). https://doi.org/10.1016/j.ausmj.2019.05.003

Jika Anda merasa proses penyusunan tugas akhir berjalan lambat atau penuh kebingungan, mencari pendamping akademik adalah langkah bijak. Bukan untuk menggantikan peran Anda, melainkan mempercepat pemahaman dan meningkatkan kualitas penelitian.

Jangan ragu mengambil dukungan yang tepat. Tanggung jawab akademik tetap di tangan Anda, dan pendamping akademik siap mendorong Anda menuju kelulusan dengan cara yang benar.

SIAP MEMULAI AKHIR PERJALANAN AKADEMIK BERSAMA KAMI?
HUBUNGI KAMI!

Baca artikel terbaru kami untuk memperluas wawasan dan menemukan solusi praktis dalam penyusunan skripsi:

Tips Menyusun Skripsi dan Tesis Bagian 1.
Tips Menyusun Skripsi dan Tesis Bagian 2.
Tips Menyusun Skripsi dan Tesis Bagian 3.
Tips Menyusun Skripsi dan Tesis Bagian 4.
Tips Menyusun Skripsi dan Tesis Bagian 5.

Joki Tesis Jogja

Cari Blog Ini

Tips Menyusun Skripsi dan Tesis Bagian 7.