R square (R²), f square (f²), dan Q square (Q²) adalah tiga ukuran untuk menilai model struktural di SmartPLS. R² menunjukkan seberapa besar variasi konstruk endogen yang dijelaskan model. f² menunjukkan sumbangan setiap jalur terhadap R². Q² menunjukkan kemampuan model untuk memprediksi data di luar sampel.
Banyak mahasiswa menemukan dua kebingungan di sini. Pertama, R² 0,35 itu bagus atau jelek? Kedua, menu blindfolding untuk menghitung Q² tidak ada di SmartPLS 4. Artikel ini menjawab keduanya.
Artikel ini bagian dari seri Materi Statistik IDTesis. Ketiga ukuran ini dibaca setelah model pengukuran dinyatakan layak, sesuai urutan di artikel cara membaca output SmartPLS.
Ringkasan Tiga Ukuran
| Ukuran | Pertanyaan yang dijawab | Patokan umum | Menu SmartPLS 4 |
|---|---|---|---|
| R² |
Berapa persen variasi konstruk endogen yang dijelaskan? |
0,75 kuat, 0,50 sedang, 0,25 lemah |
PLS-SEM algorithm |
| f² |
Seberapa besar sumbangan satu jalur terhadap R²? |
0,02 kecil, 0,15 sedang, 0,35 besar |
PLS-SEM algorithm |
| Q²predict |
Apakah model bisa memprediksi data baru? |
> 0 berarti ada kemampuan prediksi |
PLSpredict |
R Square (R²)
R² dibaca untuk setiap konstruk endogen, yaitu konstruk yang dipengaruhi konstruk lain. Nilai R² 0,357 berarti 35,7% variasi konstruk itu dijelaskan oleh konstruk yang memengaruhinya dalam model.
Patokan 0,75, 0,50, dan 0,25 (Hair dkk., 2011) hanya panduan kasar. Besar kecilnya R² sangat bergantung pada bidang penelitian. Pada penelitian perilaku konsumen, misalnya, R² sekitar 0,20 sudah bisa dianggap tinggi (Hair dkk., 2022). Jadi, bandingkan R² Anda dengan penelitian sejenis, bukan hanya dengan patokan.
Jika membandingkan model dengan jumlah konstruk eksogen berbeda, gunakan R² adjusted, karena R² biasa selalu naik setiap kali konstruk ditambahkan.
f Square (f²)
f² mengukur seberapa besar R² turun jika satu konstruk eksogen dikeluarkan dari model:
Patokan Cohen (1988): 0,02 kecil, 0,15 sedang, dan 0,35 besar. Nilai di bawah 0,02 berarti jalur itu praktis tidak menambah daya jelas model.
Q Square: dari Blindfolding ke PLSpredict
Di SmartPLS 3, Q² dihitung dengan blindfolding (Q² Stone-Geisser). Dokumentasi resmi SmartPLS menyatakan blindfolding sudah dihapus dari SmartPLS 4, dan menyarankan PLSpredict serta CVPAT sebagai gantinya. Alasannya, blindfolding menilai prediksi di dalam sampel, sedangkan PLSpredict menilai prediksi di luar sampel.
PLSpredict membagi data menjadi beberapa bagian (misalnya 10). Model diestimasi dengan sebagian data, lalu dipakai untuk memprediksi bagian sisanya. Ada dua hal yang dibaca:
- Q²predict. Nilai di atas 0 berarti prediksi model lebih baik daripada sekadar memakai rata-rata. Hair dkk. (2019) memakai patokan 0 (kecil), 0,25 (sedang), dan 0,50 (besar).
- Perbandingan RMSE atau MAE dengan model pembanding (LM). Untuk indikator konstruk endogen utama, bandingkan kesalahan prediksi PLS-SEM dengan regresi linier biasa. Jika semua indikator PLS-SEM kesalahannya lebih kecil, kemampuan prediksi tinggi. Jika sebagian besar, sedang. Jika hanya sebagian kecil, rendah. Jika tidak ada, model tidak punya kemampuan prediksi (Shmueli dkk., 2019).
Contoh: Model Kualitas Layanan, Kepuasan, dan Loyalitas
Data ilustrasi 200 responden, model yang sama dengan artikel bootstrapping SmartPLS ?:
| Konstruk endogen | R² | Q²predict |
|---|---|---|
| Kepuasan | 0,357 | 0,345 |
| Loyalitas | 0,341 | 0,160 |
| Jalur | f² | Kategori |
|---|---|---|
| Kualitas Layanan ? Kepuasan | 0,555 | Besar |
| Kepuasan ? Loyalitas | 0,263 | Sedang |
| Kualitas Layanan ? Loyalitas | 0,010 | Di bawah kecil |
Cara membacanya:
- R² Kepuasan 0,357 dan R² Loyalitas 0,341. Menurut patokan umum, keduanya tergolong lemah sampai sedang. Untuk penelitian perilaku konsumen, nilai ini cukup baik.
- f² Kepuasan ? Loyalitas = 0,263. Jika jalur ini dihapus, R² Loyalitas turun dari 0,341 menjadi 0,167. Maka f² = (0,341 ? 0,167) / (1 ? 0,341) = 0,263, tergolong sedang.
- f² Kualitas Layanan ? Loyalitas = 0,010. Jalur langsung ini hampir tidak menambah daya jelas, sejalan dengan hasil bootstrapping yang tidak signifikan.
- Q²predict Kepuasan 0,345 dan Loyalitas 0,160, keduanya di atas 0. Model punya kemampuan prediksi, sedang untuk Kepuasan dan kecil untuk Loyalitas.
Menjelaskan mengapa R² “hanya” 0,34 tetap layak, atau mengapa menu blindfolding tidak ada, sering menjadi bahan pertanyaan penguji. Jika Anda butuh teman diskusi untuk membaca hasil model struktural Anda sendiri, tim IDTesis bisa membantu.
Bagaimana dengan GoF (Goodness of Fit) PLS?
Banyak skripsi masih menghitung GoF dengan rumus akar dari rata-rata AVE dikali rata-rata R². Henseler dan Sarstedt (2013) menunjukkan bahwa indeks ini tidak mampu membedakan model yang benar dan yang keliru, sehingga tidak dianjurkan. Jika kampus meminta ukuran kecocokan model, laporkan SRMR dari menu PLS-SEM algorithm, dan sebutkan bahwa ukuran ini sifatnya pelengkap. Arti istilah goodness of fit yang berbeda-beda dijelaskan di artikel uji chi-square goodness of fit.
Contoh Penulisan di Bab 4
Model struktural menjelaskan 35,7% variasi kepuasan (R² = 0,357) dan 34,1% variasi loyalitas (R² = 0,341). Ukuran efek menunjukkan bahwa kualitas layanan memberi sumbangan besar terhadap kepuasan (f² = 0,555), kepuasan memberi sumbangan sedang terhadap loyalitas (f² = 0,263), sedangkan sumbangan langsung kualitas layanan terhadap loyalitas sangat kecil (f² = 0,010). Hasil PLSpredict menunjukkan Q²predict di atas nol untuk kepuasan (0,345) dan loyalitas (0,160), sehingga model memiliki kemampuan prediksi.
Jika kampus Anda meminta perbandingan RMSE dengan model LM, tambahkan satu kalimat tentang berapa indikator yang kesalahan prediksinya lebih kecil daripada LM. Urutan pelaporan lengkap ada di artikel cara menulis hasil SEM PLS.
Kesalahan yang Sering Terjadi
- Menganggap R² rendah sebagai kegagalan penelitian, tanpa membandingkan dengan penelitian sejenis.
- Mencari menu blindfolding di SmartPLS 4. Gunakan PLSpredict.
- Menyamakan f² dengan koefisien jalur. Koefisien jalur menunjukkan arah dan besar pengaruh, f² menunjukkan sumbangan terhadap R².
- Menghitung GoF Tenenhaus sebagai bukti model fit.
- Melaporkan R² untuk konstruk eksogen. R² hanya ada untuk konstruk endogen.
Pertanyaan yang Sering Diajukan
R² saya hanya 0,15. Apakah penelitian saya gagal?
Tidak. R² kecil berarti masih banyak faktor lain di luar model yang memengaruhi konstruk itu. Bahas sebagai temuan dan saran penelitian lanjutan, dan bandingkan dengan R² di penelitian sejenis.
Kampus saya masih meminta Q² blindfolding. Bagaimana?
Jelaskan bahwa blindfolding sudah dihapus di SmartPLS 4, lalu laporkan Q²predict dari PLSpredict sebagai gantinya. Jika tetap diminta, blindfolding hanya bisa dijalankan di SmartPLS 3.
Apakah f² perlu diuji signifikansinya?
Umumnya tidak. f² dilaporkan besarnya sebagai ukuran efek, sedangkan signifikansi jalur diuji dengan bootstrapping.
Apa bedanya R² di SmartPLS dan di regresi SPSS?
Maknanya sama, yaitu proporsi variasi yang dijelaskan. Bedanya, di SmartPLS setiap konstruk endogen punya R² sendiri. Pembahasan R² pada regresi ada di artikel analisis regresi linier.
Butuh Teman Diskusi untuk Olah Data?
Masih ragu menafsirkan R², f², dan Q² penelitian Anda? Tim IDTesis bisa menemani Anda menjalankan PLSpredict, membaca ukuran model struktural, dan menuliskannya di Bab 4 dengan bahasa yang mudah dipertanggungjawabkan. Ceritakan dulu kebutuhan Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Bootstrapping SmartPLS ? · Cara Membaca Output SmartPLS · SEM PLS
Referensi
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- 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., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–152.
- 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.
- Henseler, J., & Sarstedt, M. (2013). Goodness-of-fit indices for partial least squares path modeling. Computational Statistics, 28(2), 565–580.
- Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347.
