✅ 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