Cara membaca output SmartPLS sebenarnya mengikuti urutan yang tetap: periksa model pengukuran dulu, baru model struktural dan hipotesis. Masalahnya, laporan SmartPLS berisi puluhan tabel, dan tidak semuanya perlu masuk Bab 4.
Kalau Anda pernah membuka output SmartPLS lalu bingung harus mulai dari mana, panduan ini untuk Anda. Setiap angka dijelaskan artinya, patokannya, dan cara menuliskannya.
Artikel ini lanjutan dari pengantar SEM PLS dan bagian dari seri Materi Statistik IDTesis. Patokan nilai di bawah mengikuti Hair dkk. (2022), buku panduan resmi SmartPLS 4. Tetap cek pedoman kampus Anda, karena sebagian kampus memakai patokan sendiri.
Tahap 1: Evaluasi Outer Model
Panduan pada tahap ini berlaku untuk konstruk reflektif, jenis yang paling banyak dipakai di kuesioner. Angka-angkanya ada di laporan PLS-SEM algorithm.
1. Outer Loading
Outer loading menunjukkan seberapa kuat sebuah indikator mencerminkan konstruknya. Patokannya 0,708 atau lebih. Angka ini dipilih karena 0,708² ? 0,50, artinya konstruk menjelaskan minimal separuh varians indikator.
Indikator dengan loading 0,40–0,708 tidak otomatis dibuang. Indikator itu dihapus hanya jika penghapusannya menaikkan reliabilitas atau AVE ke atas batas, dan tidak merusak isi konstruk. Indikator dengan loading di bawah 0,40 sebaiknya dihapus. Konsep ini sejalan dengan uji validitas butir pada analisis biasa.
2. Reliabilitas Konsistensi Internal
SmartPLS 4 menampilkan tiga ukuran di tabel Construct reliability and validity: Cronbach’s alpha, composite reliability (rho_a), dan composite reliability (rho_c). Patokannya 0,70–0,95.
Nilai 0,60–0,70 masih bisa diterima untuk penelitian eksploratori. Nilai di atas 0,95 justru perlu dicurigai, karena bisa berarti butir-butirnya terlalu mirip atau hanya mengulang kalimat. Cronbach’s alpha cenderung terlalu rendah dan rho_c cenderung terlalu tinggi, sedangkan rho_a berada di antaranya. Penjelasan dasar reliabilitas ada di artikel uji reliabilitas.
3. Validitas Konvergen (AVE)
AVE (Average Variance Extracted) menunjukkan rata-rata varians indikator yang dijelaskan konstruknya. Patokannya 0,50 atau lebih.
4. Validitas Diskriminan (HTMT)
Validitas diskriminan memastikan setiap konstruk benar-benar berbeda dari konstruk lain. Ukuran yang dianjurkan adalah HTMT, dengan batas di bawah 0,85. Untuk konstruk yang secara konsep mirip, batasnya di bawah 0,90.
Kriteria Fornell-Larcker dan cross loading masih sering diminta kampus. Namun, Henseler dkk. (2015) menunjukkan keduanya kurang peka mendeteksi masalah. Jalan tengahnya: laporkan HTMT sebagai ukuran utama, dan tambahkan Fornell-Larcker jika pedoman kampus memintanya.
Contoh tabel pelaporan outer model (angka ilustrasi):
| Konstruk | Cronbach’s alpha | rho_a | rho_c | AVE | Keterangan |
|---|---|---|---|---|---|
| Kualitas Layanan |
0,861 |
0,868 |
0,905 |
0,705 |
Reliabel dan valid |
| Kepuasan |
0,842 |
0,846 |
0,905 |
0,760 |
Reliabel dan valid |
| Loyalitas |
0,812 |
0,820 |
0,888 |
0,726 |
Reliabel dan valid |
Konstruk formatif dievaluasi dengan cara berbeda: VIF tiap indikator, signifikansi outer weight, dan analisis redundansi. Loading, reliabilitas, dan AVE tidak dipakai untuk konstruk formatif.
Tahap 2: Evaluasi Inner Model
5. Kolinearitas (VIF)
VIF memeriksa apakah variabel prediktor terlalu mirip satu sama lain. Patokannya, VIF di bawah 3 ideal, dan nilai 3–5 perlu diwaspadai. Nilai 5 atau lebih menandakan masalah. Konsepnya sama dengan uji multikolinearitas pada asumsi regresi OLS.
6. Koefisien Jalur dan Uji Hipotesis
Koefisien jalur muncul setelah PLS-SEM algorithm, tetapi signifikansinya baru muncul setelah bootstrapping. Hair dkk. (2022) memakai 10.000 subsampel dan interval kepercayaan 95%.
Sebuah hipotesis didukung jika salah satu syarat ini terpenuhi (ketiganya selalu sejalan):
- p-value di bawah 0,05;
- t-statistic di atas 1,96 (uji dua arah);
- interval kepercayaan 95% tidak melewati angka nol.
Perhatikan juga tanda koefisiennya. Jika hipotesis menyatakan pengaruh positif tetapi koefisiennya negatif dan signifikan, hipotesis tetap tidak didukung.
Contoh tabel uji hipotesis (angka ilustrasi):
| Hipotesis | Jalur | Koefisien | t-statistic | p-value | Interval kepercayaan 95% | Keputusan |
|---|---|---|---|---|---|---|
|
H1 |
Kualitas Layanan ? Kepuasan |
0,512 |
8,94 |
0,000 |
[0,40; 0,62] |
Didukung |
|
H2 |
Kepuasan ? Loyalitas |
0,438 |
6,21 |
0,000 |
[0,30; 0,58] |
Didukung |
|
H3 |
Kualitas Layanan ? Loyalitas |
0,097 |
1,32 |
0,187 |
[?0,05; 0,24] |
Tidak didukung |
7. Koefisien Determinasi (R²)
R² menunjukkan seberapa besar varians variabel endogen yang dijelaskan oleh prediktornya. Sama seperti R² pada analisis regresi. Patokan kasarnya: 0,75 kuat, 0,50 sedang, dan 0,25 lemah.
Patokan ini sangat bergantung pada bidang ilmu. Pada penelitian perilaku konsumen, R² 0,20 pun bisa dianggap wajar.
8. Ukuran Efek (f²)
f² menunjukkan seberapa besar R² turun jika satu prediktor dikeluarkan dari model. Patokan Cohen (1988): 0,02 kecil, 0,15 sedang, dan 0,35 besar.
9. Daya Prediksi (Q²predict)
Q²predict diperoleh dari prosedur PLSpredict. Nilai di atas 0 berarti model memprediksi lebih baik daripada sekadar memakai rata-rata. Untuk menilai seberapa kuat daya prediksinya, bandingkan RMSE model PLS dengan model regresi linier (LM) pada output yang sama.
Tahap inner model ini memang paling sering memancing pertanyaan penguji. Kalau Anda ingin seseorang memeriksa ulang angka dan tafsiran Anda sebelum sidang, tim IDTesis bisa membantu.
Membaca Efek Mediasi
Mediasi dibaca dari tabel Specific indirect effects pada hasil bootstrapping, bukan dari efek langsung. Langkahnya mengikuti klasifikasi Zhao dkk. (2010):
- Periksa apakah efek tidak langsung (X ? M ? Y) signifikan. Jika tidak, tidak ada mediasi.
- Jika signifikan, periksa efek langsung X ? Y. Jika efek langsung tidak signifikan, terjadi mediasi penuh.
- Jika keduanya signifikan, terjadi mediasi parsial. Mediasinya komplementer jika arah kedua efek sama, dan kompetitif jika berlawanan.
Pada contoh tabel di atas, efek tidak langsungnya 0,512 × 0,438 = 0,224. Misalkan hasil bootstrapping menunjukkan efek ini signifikan. Karena efek langsung H3 tidak signifikan, kepuasan memediasi penuh pengaruh kualitas layanan terhadap loyalitas.
Bagaimana dengan Model Fit (SRMR)?
SmartPLS juga menampilkan ukuran kecocokan model, seperti SRMR. Hair dkk. (2019) mengingatkan agar ukuran ini dipakai dengan hati-hati, karena PLS-SEM berorientasi pada prediksi, bukan kecocokan model. Laporkan jika pedoman kampus memintanya, tetapi jangan jadikan dasar utama kesimpulan.
Contoh Kalimat Interpretasi di Bab 4
Hasil bootstrapping menunjukkan bahwa kualitas layanan berpengaruh positif dan signifikan terhadap kepuasan (? = 0,512; t = 8,94; p < 0,001). Dengan demikian, H1 didukung. Sebaliknya, pengaruh langsung kualitas layanan terhadap loyalitas tidak signifikan (? = 0,097; t = 1,32; p = 0,187), sehingga H3 tidak didukung. Efek tidak langsung kualitas layanan terhadap loyalitas melalui kepuasan signifikan, yang menunjukkan mediasi penuh.
Kesalahan yang Sering Terjadi
- Mencari p-value di laporan PLS-SEM algorithm. p-value hanya muncul setelah bootstrapping.
- Melaporkan Fornell-Larcker tanpa HTMT. HTMT kini menjadi ukuran utama validitas diskriminan.
- Menghapus indikator hanya karena loading di bawah 0,708, tanpa melihat dampaknya pada AVE, reliabilitas, dan isi konstruk.
- Menyimpulkan mediasi dari efek langsung. Mediasi harus dibaca dari efek tidak langsung.
- Memakai uji satu arah tanpa menyebutkannya. Jika hipotesis berarah dan Anda memakai uji satu arah, tulis alasannya di Bab 3.
Pertanyaan yang Sering Diajukan
Kenapa p-value tidak muncul di output SmartPLS?
Karena yang dijalankan baru PLS-SEM algorithm. Jalankan bootstrapping untuk mendapatkan t-statistic, p-value, dan interval kepercayaan.
Outer loading saya 0,65. Apakah harus dihapus?
Belum tentu. Hapus hanya jika penghapusannya menaikkan reliabilitas atau AVE ke atas batas, dan isi konstruk tetap terwakili. Jika AVE dan reliabilitas sudah memenuhi, indikator itu bisa dipertahankan.
HTMT saya di atas 0,90. Apa yang harus dilakukan?
Periksa butir yang korelasinya tinggi dengan konstruk lain, lalu pertimbangkan untuk mengeluarkannya. Jika kedua konstruk memang sangat mirip secara konsep, tinjau ulang teorinya. Mungkin keduanya lebih tepat digabung.
R² saya kecil. Apakah penelitian saya gagal?
Tidak. R² kecil berarti masih banyak faktor lain di luar model. Uji hipotesis tetap sah, dan temuan ini bisa menjadi saran untuk penelitian berikutnya.
Berapa subsampel bootstrapping yang sebaiknya dipakai?
Hair dkk. (2022) memakai 10.000 subsampel. Jumlah yang lebih besar memberi hasil yang lebih stabil, meski prosesnya lebih lama.
Butuh Teman Diskusi untuk Membaca Output?
Output SmartPLS sudah di tangan, tapi belum yakin cara membaca atau menuliskannya? Tim IDTesis bisa menemani Anda memeriksa setiap tabel, memperbaiki model jika perlu, dan menjelaskan hasilnya dengan bahasa sederhana. Dengan begitu Anda siap menjawab pertanyaan penguji. Ceritakan dulu kondisi output Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: SEM PLS: Pengertian dan Langkahnya · Metode Analisis Data · Uji Reliabilitas
Referensi
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
- 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. https://doi.org/10.1108/EBR-11-2018-0203
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257
