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