Cara Olah Data SmartPLS untuk Skripsi: Outer Model, Inner Model, dan Uji Hipotesis

SmartPLS makin populer di skripsi manajemen, akuntansi, dan sistem informasi. Alasannya masuk akal: SmartPLS bisa menangani model dengan banyak variabel laten, variabel mediasi, dan sampel yang tidak terlalu besar, tanpa syarat normalitas yang ketat seperti regresi biasa.

Metode di balik SmartPLS disebut PLS-SEM (Partial Least Squares – Structural Equation Modeling). Analisisnya dibagi menjadi dua tahap besar: outer model dan inner model.

Kapan sebaiknya memakai SmartPLS?

• Modelmu punya banyak variabel laten yang diukur dengan beberapa indikator.
• Ada variabel mediasi (intervening) atau model berjenjang.
• Sampel relatif kecil (misalnya 50–150 responden).
• Data tidak berdistribusi normal.
• Tujuanmu prediksi atau pengembangan teori.

Tahap 1: Evaluasi outer model (model pengukuran)

Outer model memastikan indikator benar-benar mengukur konstruknya. Jalankan Calculate → PLS Algorithm.

a. Validitas konvergen

• Outer loading ≥ 0,70 dianggap ideal. Pada penelitian tahap pengembangan, nilai 0,60–0,70 masih sering diterima.
• AVE (Average Variance Extracted) > 0,50.

Indikator dengan loading rendah bisa dihapus satu per satu, mulai dari yang terkecil, lalu model dijalankan ulang. Catat setiap indikator yang dihapus di Bab 4.

b. Validitas diskriminan

• HTMT (Heterotrait-Monotrait Ratio) < 0,90. Batas yang lebih ketat adalah 0,85. HTMT kini lebih direkomendasikan.
• Fornell-Larcker: akar AVE suatu konstruk lebih besar dari korelasinya dengan konstruk lain.
• Cross loading: loading indikator ke konstruknya sendiri lebih besar dibanding ke konstruk lain.

c. Reliabilitas

• Composite Reliability > 0,70.
• Cronbach's Alpha > 0,70 (pelengkap).

Tahap 2: Evaluasi inner model (model struktural)

Setelah outer model lolos, evaluasi hubungan antar konstruk.

a. R² (R-square)

Menunjukkan seberapa besar konstruk eksogen menjelaskan konstruk endogen. Pedoman yang sering dirujuk (Hair dkk.): 0,75 kuat, 0,50 moderat, 0,25 lemah.

b. f² (effect size)

Menunjukkan besar pengaruh tiap konstruk eksogen: 0,02 kecil, 0,15 sedang, 0,35 besar.

c. Q² (predictive relevance)

Dihitung lewat Blindfolding (atau PLSpredict di SmartPLS 4). Q² > 0 berarti model memiliki relevansi prediktif.

d. Model fit (opsional)

Sebagian peneliti melaporkan SRMR < 0,08 sebagai indikasi model fit. Di PLS-SEM, ukuran fit masih diperdebatkan, jadi ikuti arahan dosen.

Tahap 3: Uji hipotesis dengan bootstrapping

Jalankan Calculate → Bootstrapping (umumnya 5.000 subsampel). Lihat tabel Path Coefficients:

• Original Sample (O): arah dan besar pengaruh.
• T Statistics > 1,96 (uji dua arah, α 5%) atau P Values < 0,05 → hipotesis diterima.

Untuk mediasi, lihat tabel Specific Indirect Effects. Jika P Values < 0,05, efek mediasi signifikan. Pembahasan lebih lengkap ada di artikel uji mediasi dan moderasi.

Contoh interpretasi

Hasil bootstrapping menunjukkan pengaruh Kepuasan Kerja terhadap Kinerja Karyawan memiliki path coefficient 0,412, T statistics 4,875 > 1,96, dan P values 0,000 < 0,05. Dengan demikian, H1 diterima: kepuasan kerja berpengaruh positif dan signifikan terhadap kinerja karyawan.

Kesalahan umum pemula SmartPLS

• Melaporkan uji normalitas dan asumsi klasik seperti regresi OLS. Umumnya ini tidak diperlukan di PLS-SEM.
• Menghapus terlalu banyak indikator hingga konstruk kehilangan makna teorinya.
• Membaca nilai P dari hasil PLS Algorithm. Nilai P hanya ada di hasil Bootstrapping.
• Tertukar antara total effect, direct effect, dan indirect effect.

Belum yakin SmartPLS atau SPSS yang cocok untuk judulmu? Coba Roadmap Bab 4 gratis.

Pertanyaan yang sering ditanyakan

Berapa minimal sampel untuk SmartPLS?

Aturan praktis yang sering dipakai adalah 10 kali jumlah panah (jalur struktural) terbanyak yang menuju satu konstruk. Pendekatan yang lebih kuat menggunakan analisis kekuatan statistik (power analysis). Banyak penelitian skripsi memakai sekitar 70–150 responden.

Apa beda SmartPLS dan AMOS?

SmartPLS memakai PLS-SEM yang berorientasi prediksi dan lebih fleksibel terhadap sampel kecil dan data tidak normal. AMOS memakai CB-SEM yang berorientasi konfirmasi teori, membutuhkan sampel lebih besar, dan menekankan ukuran kecocokan model.

Apakah data SmartPLS harus normal?

Tidak wajib. PLS-SEM tergolong nonparametrik dan memakai bootstrapping untuk menguji signifikansi, sehingga tidak mensyaratkan data berdistribusi normal.