Bootstrapping di SmartPLS adalah prosedur untuk menguji apakah koefisien jalur, loading, atau efek tidak langsung signifikan. Caranya, data diambil ulang secara acak ribuan kali, lalu model diestimasi ulang setiap kali. Sebaran hasilnya dipakai untuk menghitung standard error, t-statistic, p-value, dan confidence interval.
PLS-SEM tidak menganggap data berdistribusi normal, sehingga standard error tidak bisa dihitung dengan rumus biasa. Bootstrapping menjadi jalan keluarnya. Di sidang, bagian ini sering memancing pertanyaan: “Berapa subsampel yang dipakai?”, “Uji satu arah atau dua arah?”, dan “Kenapa memakai confidence interval?”
Artikel ini bagian dari seri Materi Statistik IDTesis. Urutan lengkap membaca output ada di artikel cara membaca output SmartPLS, dan dasar metodenya di artikel SEM PLS.
Cara Kerja Bootstrapping
- Dari data asli (misalnya 200 responden), SmartPLS mengambil 200 responden secara acak dengan pengembalian. Satu responden bisa terambil lebih dari sekali.
- Model diestimasi dengan data baru itu, dan koefisiennya dicatat.
- Langkah ini diulang ribuan kali, sehingga terkumpul ribuan nilai untuk setiap koefisien.
- Simpangan baku dari ribuan nilai itu menjadi standard error bootstrap.
Nilai t dihitung dengan membagi koefisien asli dengan standard error tersebut:
Pengaturan Bootstrapping di SmartPLS 4
| Pengaturan | Saran | Keterangan |
|---|---|---|
| Jumlah subsampel |
10.000 untuk hasil akhir |
Bawaan SmartPLS 4 adalah 10.000. Jumlah 1.000 cukup untuk pemeriksaan awal |
| Metode confidence interval |
Percentile bootstrap |
Dianjurkan sebagai bawaan; BCa bisa dipakai bila sebaran bootstrap sangat miring |
| Jenis uji |
Dua arah, kecuali hipotesis menyatakan arah sejak awal |
Uji satu arah hanya untuk hipotesis berarah yang ditetapkan sebelum melihat data |
| Taraf signifikansi |
0,05 |
Sesuaikan dengan yang tertulis di Bab 3 |
Saran jumlah subsampel dan metode interval di atas mengikuti dokumentasi SmartPLS dan Hair dkk. (2022).
Cara Membaca Tabel Path Coefficients
Output bootstrapping menampilkan kolom berikut:
- Original sample (O): koefisien dari data asli. Angka inilah yang dilaporkan.
- Sample mean (M): rata-rata koefisien dari semua subsampel. Tidak perlu dilaporkan, cukup untuk memeriksa bahwa nilainya dekat dengan O.
- Standard deviation (STDEV): standard error bootstrap.
- T statistics (|O/STDEV|): nilai t mutlak, tanpa tanda. Arah pengaruh dilihat dari tanda Original sample.
- P values: nilai p sesuai jenis uji yang dipilih.
Patokan t untuk ? = 0,05: 1,96 untuk uji dua arah dan 1,645 untuk uji satu arah. Untuk ? = 0,01 dua arah, patokannya 2,58.
Contoh: Model Kualitas Layanan, Kepuasan, dan Loyalitas
Data ilustrasi 200 responden, bootstrapping 10.000 subsampel, interval persentil, uji dua arah:
| Jalur | Koefisien (O) | STDEV | t | p | IK 95% |
|---|---|---|---|---|---|
| Kualitas Layanan ? Kepuasan |
0,597 |
0,056 |
10,69 |
< 0,001 |
[0,488; 0,705] |
| Kepuasan ? Loyalitas |
0,519 |
0,066 |
7,86 |
< 0,001 |
[0,392; 0,652] |
| Kualitas Layanan ? Loyalitas |
0,099 |
0,078 |
1,27 |
0,203 |
[?0,055; 0,249] |
| Kualitas Layanan ? Kepuasan ?
Loyalitas (tidak langsung) |
0,310 |
0,048 |
6,53 |
< 0,001 |
[0,222; 0,410] |
Cara membacanya:
- Kualitas Layanan ? Kepuasan dan Kepuasan ? Loyalitas signifikan. Nilai t-nya di atas 1,96, p < 0,05, dan interval kepercayaannya tidak memuat nol.
- Kualitas Layanan ? Loyalitas tidak signifikan. Nilai t = 1,27 di bawah 1,96, dan intervalnya [?0,055; 0,249] memuat nol.
- Efek tidak langsung signifikan, dengan interval [0,222; 0,410]. Karena efek langsungnya tidak signifikan, kepuasan memediasi penuh pengaruh kualitas layanan terhadap loyalitas. Penjelasan jenis mediasi ada di artikel variabel intervening di SmartPLS.
Kenapa Confidence Interval Perlu Dilaporkan?
Nilai p hanya menjawab “signifikan atau tidak”. Confidence interval memberi informasi tambahan: kisaran nilai koefisien yang masuk akal. Interval yang sempit berarti perkiraannya tepat. Interval yang lebar berarti masih banyak ketidakpastian. Untuk efek tidak langsung, interval persentil bahkan menjadi dasar keputusan utama, karena sebaran efek tidak langsung cenderung miring (Hair dkk., 2022).
Bootstrapping juga dipakai untuk hal lain: signifikansi outer loading dan outer weight, serta interval kepercayaan HTMT yang dibahas di artikel validitas diskriminan ?.
Menentukan jenis uji, membaca interval, dan menjelaskannya di depan penguji sering membingungkan. Jika Anda butuh teman diskusi untuk membaca hasil bootstrapping Anda sendiri, tim IDTesis bisa membantu.
Uji Satu Arah atau Dua Arah?
Uji satu arah boleh dipakai jika hipotesis Bab 2 sudah menyatakan arah, misalnya “berpengaruh positif”. Nilai kritisnya lebih rendah (1,645), sehingga lebih mudah signifikan. Karena itu, keputusan ini harus diambil sebelum data dianalisis, bukan setelah melihat hasil dua arah yang “hampir signifikan”. Jika tanda koefisien berlawanan dengan arah hipotesis, hipotesis tidak didukung berapa pun nilai p-nya. Logika yang sama berlaku pada regresi, seperti dijelaskan di artikel uji t dan uji F dalam regresi ?.
Contoh Penulisan di Bab 4
Pengujian hipotesis dilakukan dengan bootstrapping 10.000 subsampel, interval kepercayaan persentil, dan uji dua arah pada ? = 0,05. Kualitas layanan berpengaruh positif dan signifikan terhadap kepuasan (? = 0,597; t = 10,69; p < 0,001; IK 95% [0,488; 0,705]), dan kepuasan berpengaruh positif dan signifikan terhadap loyalitas (? = 0,519; t = 7,86; p < 0,001; IK 95% [0,392; 0,652]). Pengaruh langsung kualitas layanan terhadap loyalitas tidak signifikan (? = 0,099; t = 1,27; p = 0,203; IK 95% [?0,055; 0,249]). Dengan demikian, H1 dan H2 didukung, sedangkan H3 tidak didukung.
Urutan pelaporan yang lengkap ada di artikel cara menulis hasil SEM PLS.
Kesalahan yang Sering Terjadi
- Memakai jumlah subsampel yang terlalu kecil, misalnya 500, untuk hasil akhir.
- Melaporkan Sample mean sebagai koefisien. Yang dilaporkan adalah Original sample.
- Menyimpulkan arah dari kolom T statistics. Kolom itu nilai mutlak. Arah dilihat dari tanda Original sample.
- Mengganti uji dua arah menjadi satu arah setelah melihat hasil.
- Tidak menyebutkan pengaturan (jumlah subsampel, metode interval, jenis uji) di Bab 3 atau Bab 4.
- Menulis p = 0,000. Tulis p < 0,001.
Pertanyaan yang Sering Diajukan
Kenapa hasil bootstrapping saya sedikit berubah setiap kali dijalankan?
Karena subsampel diambil secara acak. Dengan 10.000 subsampel, perbedaannya biasanya hanya di angka desimal ketiga dan tidak mengubah kesimpulan. Jika kesimpulan berubah-ubah, nilai p Anda kemungkinan sangat dekat dengan 0,05.
Mana yang dipakai sebagai dasar keputusan, t, p, atau confidence interval?
Ketiganya memberi kesimpulan yang hampir selalu sama untuk koefisien jalur. Laporkan ketiganya. Untuk efek tidak langsung, jadikan confidence interval sebagai dasar utama.
Apakah bootstrapping juga dipakai untuk menguji R²?
Bisa, tetapi biasanya R² cukup dilaporkan besarnya. Cara membaca R², f², dan kemampuan prediksi model ada di artikel R square, f square, dan Q square di SmartPLS ?.
Apa bedanya bootstrapping di SmartPLS dan di PROCESS Hayes?
Logikanya sama, yaitu mengambil sampel ulang untuk membentuk interval kepercayaan. Bedanya, PROCESS bekerja dengan skor variabel teramati di SPSS, seperti dijelaskan di artikel uji Sobel dan PROCESS Hayes ?.
Butuh Teman Diskusi untuk Olah Data?
Masih ragu membaca hasil bootstrapping penelitian Anda? Tim IDTesis bisa menemani Anda mengatur bootstrapping di SmartPLS, membaca t, p, dan confidence interval, serta menuliskan hasil uji hipotesis di Bab 4. Ceritakan dulu kebutuhan Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Cara Membaca Output SmartPLS · Variabel Intervening di SmartPLS · SEM PLS
Referensi
- Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
- SmartPLS. (t.t.). Bootstrapping. Dokumentasi SmartPLS.
- Streukens, S., & Leroi-Werelds, S. (2016). Bootstrapping and PLS-SEM: A step-by-step guide to get more out of your bootstrap results. European Management Journal, 34(6), 618–632.
