Tutorial SmartPLS langkah demi langkah mencakup proses impor data mentah berformat CSV, pembuatan diagram jalur variabel laten, pengujian model pengukuran outer model untuk validitas konvergen dan diskriminan, serta evaluasi model struktural inner model guna menguji hipotesis penelitian secara akurat.
Bagaimana Cara Memulai Analisis dengan SmartPLS?
Memulai analisis data memerlukan persiapan file data tabular bersih dan pembuatan workspace proyek baru di dalam aplikasi statistik ini.
Langkah pertama dalam tutorial SmartPLS adalah menyiapkan data penelitian Anda ke dalam format CSV (Comma Separated Values) agar sistem dapat membacanya dengan sempurna. Buka aplikasi SmartPLS di komputer Anda, lalu buat proyek baru dengan mengeklik menu “New Project” pada beranda utama. Beri nama proyek sesuai judul penelitian skripsi Anda, kemudian klik dua kali pada ikon workspace yang muncul untuk mengimpor file data CSV. Pastikan tidak ada sel kosong pada file data Anda agar proses kalkulasi algoritma tidak mengalami kendala teknis.
Bagaimana Cara Menggambar Diagram Jalur Model Penelitian?
Menggambar diagram jalur dilakukan dengan memasukkan indikator ke dalam konstruk variabel laten dan menghubungkan panah pengaruh antarvariabel.
Setelah data berhasil diimpor, nama-nama variabel akan muncul pada panel sebelah kiri layar jendela SmartPLS. Klik dua kali pada nama file data untuk membuka jendela kanvas pemodelan visual. Seret indikator dari panel variabel ke area kerja untuk membentuk lingkaran konstruk lingkaran atau elips yang merepresentasikan variabel laten penelitian. Gunakan alat koneksi atau panah untuk menghubungkan variabel independen, variabel mediasi atau moderasi, menuju variabel dependen sesuai dengan kerangka konseptual skripsi Anda. Indikator refleksif biasanya digambarkan dengan arah panah keluar dari konstruk, sedangkan indikator formatif digambarkan dengan arah panah masuk menuju konstruk.
Bagaimana Cara Melakukan Estimasi Algoritma PLS-SEM?
Estimasi algoritma Partial Least Squares Structural Equation Modeling atau PLS-SEM adalah prosedur perhitungan iteratif untuk menghasilkan nilai parameter jalur.
Setelah diagram jalur selesai dibuat dan garis panah berubah warna dari merah menjadi biru, jalankan perhitungan dengan mengeklik menu “Calculate” di bagian atas, lalu pilih opsi “PLS-SEM Algorithm”. Biarkan pengaturan default pada jendela dialog yang muncul, seperti weighting scheme menggunakan path weighting dan maksimum iterasi pada angka tiga ratus. Klik “Start Calculation” untuk memulai proses algoritma iteratif. Hasil perhitungan ini akan memunculkan nilai outer loadings, path coefficients, serta nilai R-squared yang menunjukkan seberapa besar varians konstruk endogen dapat dijelaskan oleh konstruk eksogen.
Bagaimana Cara Menguji Outer Model dan Inner Model?
Pengujian outer model mengevaluasi validitas serta reliabilitas indikator, sedangkan inner model mengevaluasi hubungan struktural antarvariabel penelitian.
Evaluasi outer model melibatkan beberapa kriteria statistik penting yang harus dipenuhi oleh setiap instrumen penelitian. Nilai Outer Loadings harus berada di atas 0,70 meskipun nilai 0,50 masih dapat ditoleransi untuk penelitian tahap eksplorasi awal. Composite Reliability dan Cronbach’s Alpha harus bernilai lebih besar dari 0,70 untuk membuktikan reliabilitas konsistensi internal yang handal. Average Variance Extracted atau AVE harus bernilai minimum 0,50 guna memenuhi syarat validitas konvergen secara keseluruhan. Untuk evaluasi inner model, perhatikan nilai R-squared untuk mengukur kekuatan prediktif model dan uji bootstrapping untuk melihat nilai T-statistics guna menguji signifikansi hipotesis penelitian.
| Parameter Pengujian | Nama Metrik Statistik | Nilai Standar Minimum |
|---|---|---|
| Validitas Konvergen | Outer Loadings | > 0,70 (Minimum 0,50) |
| Validitas Konvergen | Average Variance Extracted (AVE) | > 0,50 |
| Reliabilitas Konsistensi | Composite Reliability | > 0,70 |
| Uji Hipotesis Jalur | T-Statistics / P-Values | > 1,96 / < 0,05 |
Bagaimana Cara Menjalankan Uji Bootstrapping untuk Hipotesis?
Uji bootstrapping adalah teknik resampling non-parametrik untuk mendapatkan nilai signifikansi statistik t dan p-value dari koefisien jalur.
Untuk menguji apakah hipotesis diterima atau ditolak, Anda perlu menjalankan prosedur bootstrapping pada perangkat lunak statistik ini. Pilih menu “Calculate” pada bilah atas, lalu pilih opsi “Bootstrapping”. Atur jumlah subsamples minimal pada angka lima ribu untuk memastikan stabilitas hasil estimasi parameter. Pilih jenis uji two-tailed jika hipotesis Anda bersifat dua arah atau one-tailed jika hipotesis sudah spesifik searah. Klik “Start Calculation” dan tunggu beberapa saat hingga laporan hasil lengkap muncul di layar monitor Anda. Perhatikan kolom Path Coefficients pada laporan bootstrapping untuk melihat nilai t-statistics dan p-values dari setiap jalur pengaruh antarvariabel laten.
Pertanyaan Umum
Apa itu SmartPLS dan kegunaannya dalam skripsi?
SmartPLS adalah perangkat lunak analisis statistika berbasis varian untuk mengestimasi model persamaan struktural menggunakan metode Partial Least Squares guna menguji hubungan kompleks antarvariabel laten.
Berapa nilai minimal outer loadings yang dapat diterima?
Nilai outer loadings minimal yang direkomendasikan adalah di atas 0,70, namun nilai antara 0,50 hingga 0,70 masih dapat diterima pada tahap pengembangan instrumen awal.
Bagaimana kriteria hipotesis diterima dalam uji bootstrapping?
Hipotesis penelitian dinyatakan diterima apabila nilai T-statistics lebih besar dari 1,96 dan nilai P-values lebih kecil dari 0,05 pada tingkat signifikansi lima persen.
Melaksanakan seluruh tahapan analisis kuantitatif dengan perangkat lunak pemodelan persamaan struktural tentu membutuhkan ketelitian tinggi agar interpretasi data tidak keliru. Apabila Anda mengalami kendala teknis dalam proses pengolahan data, interpretasi output, atau penyusunan bab hasil penelitian, manfaatkan layanan profesional jasa SmartPLS dari tim ahli kami untuk mendampingi penyelesaian skripsi Anda secara tuntas.