SmartPLS PLS Algorithm

Panduan Lengkap Analisis Menggunakan SmartPLS: Memahami Hasil dari Run PLS Algorithm

Dalam dunia penelitian kuantitatif, terutama yang menggunakan pendekatan Partial Least Squares Structural Equation Modeling (PLS-SEM), salah satu langkah awal yang krusial adalah menjalankan proses PLS Algorithm. Melalui proses ini, kita akan mendapatkan berbagai informasi penting seperti Path Coefficient, Outer Loadings, R², f², serta pengujian validitas dan reliabilitas konstruk.

Artikel ini akan mengupas tuntas hasil-hasil penting dari Run PLS Algorithm, termasuk makna dan fungsinya.

---

🔁 1. Apa Itu Run PLS Algorithm?

Run PLS Algorithm adalah langkah awal dalam analisis PLS-SEM yang bertujuan menghitung nilai estimasi awal dari:

• Hubungan antar konstruk (inner model)

• Hubungan konstruk dengan indikatornya (outer model)

Langkah ini menghasilkan output numerik yang dapat dijadikan dasar awal untuk menilai seberapa baik model Anda sebelum diuji lebih lanjut melalui bootstrapping.

---

📌 2. Path Coefficients

Path Coefficients adalah nilai hubungan langsung antar variabel laten (konstruk) dalam model struktural.

• Nilainya berkisar antara -1 hingga +1.

• Semakin mendekati +1 atau -1, semakin kuat hubungannya.

• Tanda positif (+) berarti hubungan positif, tanda negatif (–) menunjukkan hubungan negatif.

Contoh: Jika PU → BI bernilai 0.35, artinya perceived usefulness berkontribusi positif terhadap niat perilaku (behavioral intention).

Namun, nilai ini belum signifikan secara statistik sampai diuji melalui Bootstrapping (untuk mendapatkan T-Value dan P-Value).

---

🔁 3. Indirect Effect

Indirect Effect adalah pengaruh tidak langsung dari satu konstruk ke konstruk lain melalui konstruk perantara (mediator).

Contoh: PEOU → PU → BI
Efek PEOU ke BI melalui PU disebut indirect effect.

Nilai ini berguna untuk menguji apakah terdapat mediasi dalam model. Indirect effect juga harus diuji signifikansinya menggunakan bootstrapping.

---

🔗 4. Total Effect

Total Effect = Direct Effect + Indirect Effect

Nilai total effect memperlihatkan keseluruhan pengaruh suatu konstruk terhadap konstruk lain, baik secara langsung maupun melalui mediator.

Contoh: Jika direct effect = 0.3 dan indirect effect = 0.2, maka total effect = 0.5.

---

🧩 5. Outer Loadings

Outer Loadings adalah nilai korelasi antara indikator (pertanyaan/kuesioner) dengan konstruk yang diukur.

• Nilai ideal ≥ 0.7

• Antara 0.4–0.7 masih bisa diterima jika AVE > 0.5

• Nilai < 0.4 sebaiknya dihapus

Outer loading yang tinggi menunjukkan bahwa indikator tersebut relevan dan representatif untuk konstruknya.

---

📈 6. R Square (R²)

R Square menunjukkan kemampuan prediksi dari konstruk endogen (yang dipengaruhi konstruk lain).

• Nilai R² ≥ 0.75: Substantial

• Nilai R² ≥ 0.50: Moderate

• Nilai R² ≥ 0.25: Weak

Contoh: Jika R² BI = 0.61 → berarti 61% variabilitas BI dapat dijelaskan oleh konstruk lain seperti PU, ATU, dll.

---

🔥 7. f Square (f²) – Effect Size

f² mengukur seberapa besar kontribusi konstruk eksogen terhadap R² konstruk endogen.

• 0.02 = kecil

• 0.15 = sedang

• 0.35 = besar

Contoh: Jika f² PU terhadap BI = 0.30 → maka pengaruhnya dalam menjelaskan BI tergolong sedang hingga besar.

---

✅ 8. Construct Reliability and Validity

a. Cronbach’s Alpha

Menunjukkan konsistensi internal antar indikator konstruk. Nilai ideal > 0.7.

b. Composite Reliability (CR)

Lebih modern daripada alpha. Juga idealnya > 0.7.

c. Average Variance Extracted (AVE)

Menunjukkan validitas konvergen. Idealnya AVE > 0.5.

Jika konstruk memenuhi ketiganya, maka konstruk tersebut reliable dan valid secara internal.

---

🧪 9. Discriminant Validity

Mengukur apakah suatu konstruk benar-benar berbeda dari konstruk lain.

Dapat diuji dengan:

• Fornell-Larcker Criterion: AVE harus lebih besar dari korelasi antar konstruk.

• HTMT (Heterotrait-Monotrait Ratio): Nilai ideal HTMT < 0.9

Jika tidak terpenuhi, berarti ada kemungkinan tumpang tindih antar konstruk.

---

📋 Kesimpulan

Run PLS Algorithm adalah fondasi awal dalam analisis SEM-PLS. Hasil-hasil yang diperoleh seperti path coefficient, outer loading, R², dan validitas-reliabilitas konstruk memberikan informasi penting sebelum lanjut ke pengujian signifikansi.

🔄 Langkah selanjutnya:

• Jalankan bootstrapping untuk melihat T-Value & P-Value

• Lanjutkan ke blindfolding untuk predictive relevance (Q²)

• Interpretasikan indirect dan total effect untuk melihat mediasi

urutan proses analisis smartPLS

✅ Urutan Proses Analisis SmartPLS yang Ideal: Panduan Lengkap untuk Peneliti

SmartPLS merupakan salah satu software populer untuk melakukan analisis Structural Equation Modeling berbasis Partial Least Square (PLS-SEM). Untuk mendapatkan hasil analisis yang komprehensif dan valid, terdapat urutan langkah-langkah analisis yang sebaiknya diikuti oleh peneliti. Artikel ini akan membahas secara lengkap dan sistematis proses tersebut.

1. Run PLS Algorithm – Menghasilkan R² dan Path Coefficient

Langkah pertama dalam analisis menggunakan SmartPLS adalah menjalankan PLS Algorithm. Ini merupakan dasar dari semua analisis PLS-SEM, karena akan menghasilkan beberapa output utama:

🔹 R² (R-Square / Coefficient of Determination)

• Menunjukkan seberapa besar variabel independen mampu menjelaskan variabel dependen.

• R² bernilai antara 0–1. Semakin tinggi nilainya, semakin baik model menjelaskan variabel endogen.

  • R² ≥ 0.75: Substansial

  • 0.50 ≤ R² < 0.75: Moderat

  • 0.25 ≤ R² < 0.50: Lemah

🔹 Path Coefficients

• Menunjukkan besarnya pengaruh langsung antar variabel laten.

• Nilainya berkisar antara -1 hingga +1.

• Namun, belum dapat disimpulkan signifikansinya sampai kita masuk ke tahap bootstrapping.

👉 Langkah:
Klik kanan pada canvas → Calculate → PLS Algorithm
Pastikan centang opsi default, lalu klik Start Calculation.

---

2. Run Bootstrapping – Menghasilkan T-Value dan P-Value

Setelah mendapatkan path coefficient, selanjutnya perlu menguji signifikansi hubungan antar variabel dengan menjalankan bootstrapping.

🔹 T-Value

• Menunjukkan seberapa besar pengaruh tersebut secara statistik.

• T-Value ≥ 1.96 → signifikan pada tingkat 5% (two-tailed)

🔹 P-Value

• Menunjukkan probabilitas kesalahan jika kita menyimpulkan adanya pengaruh.

• P-Value ≤ 0.05 → signifikan

👉 Langkah:
Klik kanan pada canvas → Calculate → Bootstrapping
Untuk hasil yang lebih akurat, ubah jumlah subsamples menjadi 5000, lalu klik Start Calculation.

---

3. Lihat f² (Effect Size) – Ukuran Efek Antar Variabel

Setelah mengetahui hubungan signifikan, kita perlu melihat besar pengaruh (efek) masing-masing variabel independen terhadap variabel dependen menggunakan f² (Effect Size).

🔹 Interpretasi f²:

• f² ≥ 0.35 → Besar

• 0.15 ≤ f² < 0.35 → Sedang

• 0.02 ≤ f² < 0.15 → Kecil

• < 0.02 → Tidak signifikan

👉 Langkah:
Hasil f² bisa ditemukan di hasil kalkulasi PLS Algorithm, biasanya tersedia di bagian "f²" atau Effect Size. Pastikan kamu sudah menjalankan PLS Algorithm terlebih dahulu.

---

4. Run Blindfolding – Menghasilkan Q² (Predictive Relevance)

Langkah ini digunakan untuk melihat seberapa baik model memiliki relevansi prediktif terhadap variabel endogen. Hasilnya disebut sebagai Q² (Stone-Geisser’s Q²).

🔹 Interpretasi Q²:

• Q² > 0 → Model memiliki relevansi prediktif

• Semakin tinggi nilainya, semakin baik kualitas prediksi model

👉 Langkah:
Klik kanan pada canvas → Calculate → Blindfolding
Gunakan default settings (misal omission distance = 7), lalu klik Start Calculation.
Hasil Q² akan muncul pada bagian Construct Cross-validated Redundancy.

---

Kesimpulan

Berikut rangkuman urutan proses analisis yang ideal di SmartPLS:

Urutan	Proses	Output Penting
1	Run PLS Algorithm	R² dan Path Coefficients
2	Run Bootstrapping	T-Value dan P-Value
3	Lihat f²	Effect Size untuk masing-masing hubungan
4	Run Blindfolding	Q² untuk relevansi prediktif

Dengan mengikuti urutan di atas, kamu bisa menyusun laporan hasil PLS-SEM dengan lengkap, valid, dan dapat dipertanggungjawabkan secara statistik.

---

Tags: SmartPLS, PLS-SEM, Bootstraping, T-Value, P-Value, Effect Size, Q-Square, Structural Equation Modeling

smart PLS SPSS

Perbedaan Antara SmartPLS dan SPSS: Mana yang Cocok untuk Penelitian Anda?

Dalam dunia penelitian kuantitatif, pemilihan alat analisis statistik menjadi kunci penting dalam memperoleh hasil yang valid dan relevan. Dua perangkat lunak statistik yang banyak digunakan oleh peneliti, terutama mahasiswa tingkat akhir, adalah SmartPLS dan SPSS. Meskipun keduanya memiliki kemampuan analisis data yang mumpuni, pendekatan yang digunakan sangat berbeda. Artikel ini akan membahas perbedaan utama antara SmartPLS dan SPSS secara lengkap dan sederhana.

---

Apa itu SmartPLS?

SmartPLS adalah software berbasis Windows yang digunakan untuk melakukan analisis Partial Least Squares Structural Equation Modeling (PLS-SEM). PLS-SEM merupakan metode pemodelan struktural yang memungkinkan peneliti untuk menganalisis hubungan antar variabel laten (yang tidak diukur langsung) dan indikator (yang diukur secara langsung).

SmartPLS sangat cocok untuk:

• Model dengan struktur kompleks

• Teori yang relatif baru atau eksploratif

• Data dengan jumlah sampel kecil

• Model yang mencakup variabel mediator/moderator

• 
  
  
  

---

Apa itu SPSS?

SPSS (Statistical Package for the Social Sciences) adalah perangkat lunak statistik yang telah lama digunakan untuk analisis data klasik seperti:

• Regresi linier

• Korelasi

• Uji-t dan ANOVA

• Analisis faktor

• Reliabilitas (seperti Cronbach’s Alpha)

SPSS lebih cocok untuk:

• Data yang normal dan bersih

• Model yang sederhana

• Analisis deskriptif dan inferensial berbasis uji statistik klasik

• Penelitian komparatif atau hubungan langsung antar dua atau tiga variabel

---

Tabel Perbandingan SmartPLS vs SPSS

Aspek	SmartPLS (PLS-SEM)	SPSS (Statistik Klasik)
Jenis Analisis	Structural Equation Modeling (SEM)	Regresi, Korelasi, ANOVA, dll
Variabel Laten	Bisa menganalisis dengan mudah	Perlu bantuan eksternal (seperti AMOS)
Kompleksitas Model	Cocok untuk model kompleks	Cocok untuk model sederhana
Jumlah Sampel Kecil	Lebih fleksibel dan robust	Kurang akurat jika data kecil
Kemudahan Visualisasi	Diagram model visual secara langsung	Perlu analisis manual dari output tabel
Pendekatan Statistik	Berbasis varian (non-parametrik)	Berbasis kovarian/parametrik
Penggunaan Umum	Analisis model perilaku, TAM, UTAUT, dll	Analisis deskriptif, inferensial dasar
Output	Nilai loading, path coefficient, R², dll	Nilai regresi, sig. value, mean, SD, dll

---

Kapan Menggunakan SmartPLS?

Gunakan SmartPLS jika:

• Anda meneliti model TAM, UTAUT, atau model teori lainnya

• Variabel Anda bersifat laten (misalnya sikap, persepsi, niat)

• Jumlah responden Anda kurang dari 200

• Anda ingin menguji hubungan langsung dan tidak langsung (mediasi) antar variabel

---

Kapan Menggunakan SPSS?

Gunakan SPSS jika:

• Anda hanya ingin tahu apakah dua variabel berkorelasi

• Model penelitian Anda tidak melibatkan variabel laten

• Fokus penelitian adalah perbandingan kelompok atau uji mean

• Anda ingin menjalankan analisis statistik dasar atau inferensial

---

Kesimpulan

SmartPLS dan SPSS tidak saling menggantikan, melainkan saling melengkapi sesuai dengan tujuan penelitian. Jika Anda mengerjakan tugas akhir atau tesis dengan kerangka kerja teori yang kompleks dan mengandalkan persepsi atau sikap sebagai variabel utama, SmartPLS adalah pilihan yang lebih tepat. Namun jika Anda hanya ingin menganalisis data numerik atau perbandingan antar kelompok, SPSS sudah cukup memadai.

---

Tips untuk Mahasiswa:
Gunakan SmartPLS versi 4 jika Anda baru belajar, karena tampilannya lebih modern dan mudah digunakan. Tapi tetap pelajari dasar-dasar statistik di SPSS, karena itu akan sangat membantu memahami hasil analisis lebih baik.