Hasil SEM PLS di Bab 4 sebaiknya ditulis berurutan. Urutannya: gambaran data, evaluasi model pengukuran, evaluasi model struktural, uji hipotesis, lalu pembahasan. Urutan ini mengikuti logika analisisnya. Model pengukuran harus terbukti layak dulu sebelum hasil hipotesis bisa dipercaya.
Masalah yang sering muncul bukan pada analisisnya, tetapi pada penyajiannya. SmartPLS menghasilkan puluhan tabel. Ada yang memasukkan semuanya ke Bab 4, ada juga yang lupa melaporkan pengaturan bootstrapping. Panduan ini membantu Anda memilih apa yang ditulis, bagaimana menyajikannya, dan apa yang cukup masuk lampiran.
Artikel ini bagian dari seri Materi Statistik IDTesis, kelompok SEM dan SmartPLS. Cara membaca setiap angkanya dibahas di artikel cara membaca output SmartPLS.
Struktur Bab 4 Penelitian SEM PLS
Penomoran subbab bisa berbeda di tiap kampus. Urutannya tetap sama: data, model pengukuran, model struktural, hipotesis, lalu pembahasan.
4.1 Gambaran Responden
Sajikan karakteristik responden yang relevan dengan penelitian, misalnya jenis kelamin, usia, pendidikan, atau masa kerja. Cukup satu tabel ringkas dan satu atau dua paragraf tafsiran.
4.2 Statistik Deskriptif Variabel
Laporkan rata-rata dan simpangan baku setiap variabel atau indikator, beserta kategorinya (misalnya rendah, sedang, tinggi) sesuai pedoman kampus. Penjelasan dasarnya ada di artikel statistik deskriptif.
Jika data diambil dari satu kuesioner pada satu waktu, banyak penguji juga meminta pengecekan common method bias. Salah satu caranya adalah full collinearity VIF. Model dianggap bebas dari bias ini jika semua VIF di bawah 3,3 (Kock, 2015).
4.3 Evaluasi Outer Model
Mulai dengan gambar model hasil PLS Algorithm yang menampilkan outer loading. Setelah itu, sajikan tiga tabel:
Tutup subbab ini dengan satu kalimat kesimpulan, misalnya: “Seluruh konstruk memenuhi kriteria reliabilitas, validitas konvergen, dan validitas diskriminan, sehingga model struktural dapat dievaluasi.”
4.4 Evaluasi Inner Model
Sajikan VIF antarvariabel prediktor, lalu R², f², dan Q²predict. Ketiga ukuran terakhir bisa digabung dalam satu tabel:
| Variabel endogen | R² | Q²predict | Tafsiran |
|---|---|---|---|
| Kepuasan |
… |
… |
… |
| Loyalitas |
… |
… |
… |
4.5 Uji Hipotesis
Ini tabel terpenting di Bab 4. Sajikan setiap hipotesis dengan koefisien jalur, t-statistic, p-value, dan interval kepercayaan:
| Hipotesis | Jalur | Koefisien (?) | t-statistic | p-value | Interval kepercayaan 95% | Keputusan |
|---|---|---|---|---|---|---|
| H1 | Kualitas Layanan ? Kepuasan |
… |
… |
… |
… |
Didukung / Tidak didukung |
Jika model punya variabel intervening atau moderasi, tambahkan tabel efek tidak langsung atau efek interaksi. Panduannya ada di artikel variabel intervening dan variabel moderasi.
4.6 Pembahasan
Pembahasan bukan pengulangan angka. Untuk setiap hipotesis, gunakan alur berikut:
- Nyatakan temuannya dalam satu kalimat tanpa angka.
- Kaitkan dengan teori yang menjadi dasar hipotesis.
- Bandingkan dengan penelitian terdahulu: mana yang sejalan dan mana yang berbeda.
- Jelaskan mengapa hasilnya demikian dalam konteks objek penelitian Anda.
- Tarik implikasinya untuk teori atau praktik.
Hipotesis yang tidak didukung justru perlu dibahas paling cermat. Penguji biasanya bertanya paling banyak di bagian ini.
Pengaturan Analisis yang Wajib Dilaporkan
Hair dkk. (2019) menekankan bahwa hasil PLS-SEM harus bisa ditelusuri ulang. Karena itu, pengaturan analisis perlu ditulis, biasanya di Bab 3 atau di awal Bab 4:
- Software dan versinya, misalnya SmartPLS 4 (Ringle dkk., 2022).
- Jenis model pengukuran setiap konstruk: reflektif atau formatif.
- Ukuran sampel dan dasar penentuannya, misalnya metode inverse square root yang dijelaskan di artikel SEM PLS.
- Penanganan data hilang dan outlier.
- Pengaturan bootstrapping: jumlah subsampel (misalnya 10.000), jenis interval kepercayaan, uji satu atau dua arah, dan taraf signifikansi.
Bab 4 atau Lampiran?
Bab 4 berisi ringkasan yang sudah ditafsirkan. Output SmartPLS lengkap, tabel cross loading, kuesioner, dan hasil uji coba instrumen cukup ditempatkan di lampiran, lalu dirujuk dari teks.
Menyusun Bab 4 yang rapi dan konsisten memang butuh ketelitian. Kalau Anda ingin seseorang memeriksa tabel dan tafsiran Bab 4 Anda sebelum bimbingan, tim IDTesis bisa membantu.
Contoh Kalimat untuk Setiap Bagian
Kesalahan yang Sering Terjadi
- Memasukkan seluruh output SmartPLS ke Bab 4 tanpa memilah dan menafsirkan.
- Tidak melaporkan pengaturan bootstrapping, sehingga hasil tidak bisa ditelusuri ulang.
- Menjadikan SRMR atau indeks GoF sebagai dasar utama kelayakan model.
- Angka di tabel berbeda dengan angka di teks, atau jumlah desimalnya tidak konsisten.
- Pembahasan yang hanya mengulang angka, tanpa kaitan dengan teori dan penelitian terdahulu.
Pertanyaan yang Sering Diajukan
Apakah Fornell-Larcker dan cross loading harus dilaporkan?
HTMT kini menjadi ukuran utama validitas diskriminan. Jika pedoman kampus atau pembimbing meminta Fornell-Larcker dan cross loading, sajikan keduanya sebagai pelengkap, di Bab 4 atau di lampiran.
Berapa angka di belakang koma yang sebaiknya dipakai?
Gunakan tiga angka desimal untuk koefisien dan konsisten di semua tabel. Untuk p-value yang sangat kecil, tulis p < 0,001, bukan p = 0,000.
Lebih tepat “hipotesis diterima” atau “hipotesis didukung”?
“Didukung” lebih tepat. Data tidak pernah membuktikan hipotesis benar secara mutlak, tetapi hanya mendukung atau tidak mendukungnya.
Apakah gambar model wajib dimasukkan?
Ya. Gambar model akhir dengan koefisien jalur memudahkan penguji melihat seluruh hasil dalam satu pandangan.
Bila Anda memerlukan pendampingan menentukan instrumen atau menyusun kerangka konsep, layanan bimbingan penulisan IDTESIS siap membantu.
Butuh Teman Diskusi untuk Bab 4?
Hasil SmartPLS Anda sudah ada, tapi bingung menyusunnya menjadi Bab 4 yang runtut? Tim IDTesis bisa menemani Anda memeriksa kelengkapan tabel, mengecek ketepatan tafsiran, dan mendiskusikan arah pembahasan. Ceritakan dulu kondisi naskah Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Cara Membaca Output SmartPLS · SEM PLS · Variabel Intervening di SmartPLS
Referensi
- 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
- Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10. https://doi.org/10.4018/ijec.2015100101
- Ringle, C. M., Wende, S., & Becker, J.-M. (2022). SmartPLS 4. SmartPLS GmbH. https://www.smartpls.com
