Langkah Analisis Data SEM PLS dengan Program SmartPLS
Langkah Analisis Data SEM PLS dengan Program SmartPLS
Structural Equation Modeling Partial Least Squares (SEM-PLS) adalah metode statistik yang sering digunakan dalam penelitian sosial, manajemen, dan pemasaran. SEM-PLS memungkinkan analisis hubungan antara variabel laten yang kompleks, baik bersifat reflektif maupun formatif. SmartPLS adalah salah satu perangkat lunak populer untuk melakukan analisis SEM-PLS. Berikut adalah langkah-langkah sistematis untuk analisis data SEM-PLS dengan SmartPLS:
1. Persiapan Data
Sebelum memulai analisis, pastikan data Anda sudah siap dan memenuhi syarat untuk SEM-PLS:
Konstruksi Model: Identifikasi variabel laten (construct) dan indikatornya. Konstruksi dapat berupa reflektif (indikator mencerminkan variabel laten) atau formatif (indikator membentuk variabel laten).
Pemeriksaan Data: Pastikan data bebas dari missing values, outlier, dan multikolinearitas.
Skala Pengukuran: Data biasanya diukur menggunakan skala Likert, interval, atau rasio.
2. Mengimpor Data ke SmartPLS
Buka aplikasi SmartPLS dan buat proyek baru.
Impor data Anda ke dalam program dengan format .csv atau .xls.
Periksa apakah semua variabel dan indikator telah dimasukkan dengan benar.
3. Membuat Model Struktural dan Pengukuran
Drag and Drop Variabel: Drag variabel laten dari daftar ke kanvas.
Hubungkan Variabel: Gunakan panah untuk menggambarkan hubungan antara variabel laten berdasarkan hipotesis penelitian.
Assign Indikator: Kaitkan indikator ke variabel laten masing-masing.
4. Menentukan Algoritma PLS
Klik tombol Calculate dan pilih PLS Algorithm.
Pilih pengaturan default atau sesuaikan jika diperlukan.
Klik Start Calculation untuk menjalankan algoritma.
5. Evaluasi Model Pengukuran (Outer Model)
Evaluasi outer model dilakukan untuk memastikan validitas dan reliabilitas indikator:
Reliabilitas Indikator: Nilai outer loading harus ≥ 0,7. Jika nilai lebih rendah, pertimbangkan untuk menghapus indikator.
Reliabilitas Konstruksi: Cronbach’s Alpha dan Composite Reliability (CR) harus ≥ 0,7.
Validitas Konvergen: Average Variance Extracted (AVE) harus ≥ 0,5.
Validitas Diskriminan: Gunakan kriteria Fornell-Larcker atau HTMT (Heterotrait-Monotrait Ratio).
6. Evaluasi Model Struktural (Inner Model)
Evaluasi inner model bertujuan untuk menguji hubungan antar variabel laten:
Koefisien Path (Path Coefficients): Periksa nilai koefisien jalur dan signifikansinya. Nilai p-value < 0,05 menunjukkan hubungan yang signifikan.
Koefisien Determinasi (R-Square): R2 menunjukkan seberapa besar variabel independen menjelaskan variabel dependen. Nilai R2 > 0,3 dianggap moderat, > 0,6 dianggap kuat.
Effect Size (f2): Mengukur efek ukuran dari variabel independen terhadap dependen.
Predictive Relevance (Q2): Gunakan uji blindfolding untuk mengukur daya prediksi model.
7. Uji Bootstrapping
Klik tombol Calculate dan pilih Bootstrapping.
Pilih jumlah sub-sampel (misal 1000 atau pilihan default)
Jalankan bootstrapping untuk menguji signifikansi koefisien jalur.
Periksa nilai t-statistik (t > 1,96 untuk α = 5%) atau p-value (< 0,05).
8. Interpretasi Hasil
Setelah evaluasi outer dan inner model, interpretasikan hasil analisis:
Hubungan antar variabel: Jelaskan arah dan kekuatan hubungan berdasarkan koefisien jalur.
Signifikansi statistik: Nyatakan apakah hipotesis diterima atau ditolak berdasarkan nilai p-value.
Kekuatan prediktif: Analisis nilai R2 dan Q2 untuk menilai kemampuan model dalam menjelaskan variabel dependen.
9. Melaporkan Hasil
Saat melaporkan hasil analisis SEM-PLS, sertakan:
Diagram jalur (path diagram) dari SmartPLS.
Tabel outer loading, Cronbach’s Alpha, Composite Reliability, dan AVE.
Hasil evaluasi inner model (R2, Q2, f2).
Hasil bootstrapping (t-statistik dan p-value).
Kesimpulan
SEM-PLS dengan SmartPLS adalah alat yang kuat untuk menganalisis hubungan kompleks antara variabel. Dengan mengikuti langkah-langkah ini, Anda dapat memastikan analisis dilakukan secara sistematis dan hasilnya dapat diandalkan. Pastikan untuk memeriksa setiap langkah secara mendetail agar model yang dihasilkan sesuai dengan tujuan penelitian Anda.
Contoh Kasus dan Penyelesaian
Kasus: Sebuah penelitian ingin menganalisis pengaruh "Kepuasan Pelanggan" (KP) dan "Kepercayaan Pelanggan" (KC) terhadap "Loyalitas Pelanggan" (LP) di sebuah toko online. Variabel-variabel tersebut diukur menggunakan beberapa indikator:
Kepuasan Pelanggan (KP): KP1, KP2, KP3
Kepercayaan Pelanggan (KC): KC1, KC2, KC3
Loyalitas Pelanggan (LP): LP1, LP2, LP3
Langkah Penyelesaian:
Persiapan Data: Data responden diimpor ke SmartPLS dalam format .csv. Variabel KP, KC, dan LP dihubungkan dengan indikator masing-masing.
Pembuatan Model: Diagram jalur dibuat dengan menempatkan KP dan KC sebagai variabel independen, serta LP sebagai variabel dependen.
Evaluasi Outer Model:
Outer loading semua indikator ≥ 0,7.
Cronbach’s Alpha dan Composite Reliability untuk semua variabel laten ≥ 0,7.
AVE untuk KP = 0,65, KC = 0,68, LP = 0,72 (semua memenuhi syarat).
Evaluasi Inner Model:
R2 untuk LP = 0,52 (hubungan moderat).
Path coefficient antara KP dan LP = 0,35 (p-value = 0,02, signifikan), antara KC dan LP = 0,45 (p-value = 0,01, signifikan).
Bootstrapping:
Semua hubungan jalur signifikan (t-statistik KP-LP = 2,45; KC-LP = 3,15).
Interpretasi Hasil:
Kepuasan Pelanggan dan Kepercayaan Pelanggan secara signifikan memengaruhi Loyalitas Pelanggan.
Kepercayaan Pelanggan memiliki pengaruh yang lebih besar (0,45) dibandingkan Kepuasan Pelanggan (0,35) terhadap Loyalitas Pelanggan.
R2 = 0,52 menunjukkan bahwa model dapat menjelaskan 52% variabilitas Loyalitas Pelanggan, sedangkan sisanya dipengaruhi oleh faktor lain di luar model.
