Cara cek output SmartPLS untuk analisis data penelitian skripsi dilakukan dengan mengevaluasi model pengukuran atau Outer Model terlebih dahulu, dilanjutkan dengan model struktural atau Inner Model, serta pengujian hipotesis menggunakan metode bootstrapping untuk melihat nilai signifikansi statistik.
Bagaimana Cara Membaca Outer Model pada SmartPLS?
Membaca Outer Model pada SmartPLS dilakukan dengan memeriksa nilai validitas konvergen, validitas diskriminan, dan reliabilitas konstruk untuk memastikan setiap indikator mampu mengukur variabel dengan akurat.
Outer Model atau model pengukuran adalah tahap awal yang wajib diselesaikan sebelum peneliti menguji hipotesis struktural. Pada tahap ini, peneliti harus memperhatikan beberapa parameter utama agar instrumen penelitian dinyatakan layak digunakan secara statistik.
- Loading Factor: Nilai outer loading harus berada di atas 0,70. Namun, untuk penelitian tahap pengembangan skala, nilai 0,50 hingga 0,60 masih dapat diterima.
- Average Variance Extracted (AVE): Nilai AVE dari setiap variabel laten harus bernilai lebih besar dari 0,50 untuk menunjukkan validitas konvergen yang baik.
- Composite Reliability dan Cronbach’s Alpha: Nilai reliabilitas ini harus berada di atas 0,70 yang menunjukkan bahwa instrumen penelitian memiliki konsistensi internal yang tinggi.
- Cross Loadings dan Fornell-Larcker Criterion: Digunakan untuk menguji validitas diskriminan dengan memastikan korelasi indikator dengan konstruknya lebih tinggi dibanding konstruk lainnya.
Apa Saja Kriteria Evaluasi Inner Model dalam SmartPLS?
Evaluasi Inner Model dalam SmartPLS dilakukan dengan melihat nilai R-Square untuk koefisien determinasi, Q-Square untuk relevansi prediktif, dan f-Square untuk ukuran efek pengaruh antarvariabel laten.
Inner Model atau model struktural menunjukkan seberapa kuat hubungan antarvariabel dalam model penelitian yang dibangun. Evaluasi ini bertujuan untuk menjawab rumusan masalah utama berdasarkan data empiris yang telah dikumpulkan melalui kuesioner atau sumber data primer lainnya.
- R-Square (R²): Nilai 0,75, 0,50, dan 0,25 menunjukkan model kuat, moderat, dan lemah dalam menjelaskan variasi variabel endogen.
- Q-Square (Q²): Nilai Q-Square di atas 0,0 menunjukkan bahwa model memiliki relevansi prediktif yang baik terhadap variabel target.
- f-Square (f²): Nilai 0,02, 0,15, dan 0,35 masing-masing merepresentasikan pengaruh kecil, moderat, dan besar dari variabel eksogen pada tingkat struktural.
Bagaimana Cara Melakukan Bootstrapping untuk Uji Hipotesis SmartPLS?
Melakukan bootstrapping untuk uji hipotesis SmartPLS dilakukan dengan menjalankan menu Calculate dan memilih Bootstrapping untuk menghasilkan nilai t-statistic dan p-value yang menentukan signifikansi hubungan antarvariabel.
Proses bootstrapping adalah teknik resampling non-parametrik yang memungkinkan peneliti untuk menguji signifikansi jalur struktural tanpa harus berasumsi bahwa data berdistribusi normal secara ketat. Langkah ini sangat krusial dalam metode Partial Least Squares Structural Equation Modeling.
Untuk membaca hasil pengujian hipotesis pada menu bootstrapping, mahasiswa harus memperhatikan dua indikator utama yang menjadi standar pengujian ilmiah:
- Nilai T-Statistics: Harus bernilai lebih besar dari 1,96 untuk tingkat signifikansi alpha 5 persen (uji dua sisi) agar hipotesis penelitian dapat diterima.
- Nilai P-Values: Harus bernilai kurang dari 0,05 yang mengindikasikan adanya pengaruh yang signifikan secara statistik antara variabel independen dan dependen.
Tabel Ringkasan Parameter dan Kriteria Evaluasi SmartPLS
Tabel berikut menyajikan ringkasan lengkap parameter evaluasi model dan nilai ambang batas acuan yang digunakan dalam analisis data menggunakan software SmartPLS.
| Tahapan Analisis | Parameter Pengujian | Kriteria Nilai Acuan |
|---|---|---|
| Outer Model | Outer Loading | > 0,70 (ideal) atau > 0,50 (toleransi) |
| Outer Model | Average Variance Extracted | > 0,50 |
| Outer Model | Composite Reliability | > 0,70 |
| Inner Model | R-Square (R²) | 0,75 (kuat), 0,50 (moderat), 0,25 (lemah) |
| Inner Model | Q-Square (Q²) | > 0,0 (memiliki relevansi prediktif) |
| Uji Hipotesis | T-Statistics | > 1,96 (untuk alpha 5 persen) |
| Uji Hipotesis | P-Values | < 0,05 (signifikan) |
Bagaimana Cara Mengatasi Nilai Loading Factor yang Rendah?
Mengatasi nilai loading factor yang rendah pada SmartPLS dilakukan dengan menghapus indikator yang memiliki nilai di bawah ambang batas minimum secara berurutan, dimulai dari nilai yang paling kecil, lalu melakukan kalkulasi ulang.
Terkadang, indikator yang disusun dalam kuesioner penelitian tidak sepenuhnya dipahami dengan baik oleh responden sehingga menghasilkan data dengan validitas yang kurang memuaskan. Ketika peneliti mendapati indikator dengan nilai di bawah standar, tindakan eliminasi mutlak diperlukan.
Namun, proses penghapusan indikator tidak boleh dilakukan secara sembarangan. Peneliti harus tetap mempertahankan minimal tiga indikator per variabel laten agar konstruk tersebut masih memenuhi syarat validitas konstruk yang memadai secara teoritis dan metodologis.
Pertanyaan Umum
Berapa nilai minimal outer loading yang sah dalam SmartPLS?
Nilai minimal outer loading yang ideal adalah 0,70. Namun, untuk penelitian tahap awal atau pengembangan skala, nilai 0,50 masih dapat ditoleransi dan digunakan.
Bagaimana cara mengetahui hipotesis diterima atau ditolak di SmartPLS?
Hipotesis diterima jika nilai T-statistics lebih besar dari 1,96 dan nilai P-values kurang dari 0,05 pada hasil bootstrapping.
Apa arti nilai R-square yang rendah pada output SmartPLS?
Nilai R-square yang rendah menunjukkan bahwa kemampuan variabel eksogen dalam menjelaskan variasi variabel endogen di dalam model tergolong lemah.
Memahami cara membaca dan mengevaluasi hasil analisis data secara menyeluruh merupakan kunci keberhasilan dalam menyelesaikan bab hasil penelitian skripsi kuantitatif. Jika mahasiswa mengalami kendala teknis atau kesulitan dalam menginterpretasikan hasil pengolahan data, penggunaan layanan profesional seperti jasa statistik skripsi dapat menjadi solusi alternatif yang tepat.