Uji SmartPLS menjadi salah satu tahapan yang banyak digunakan dalam penelitian kuantitatif ketika peneliti ingin mengevaluasi hubungan antarvariabel dalam sebuah model penelitian. Perangkat lunak SmartPLS menggunakan pendekatan Partial Least Squares Structural Equation Modeling atau PLS-SEM yang memungkinkan peneliti menganalisis konstruk laten beserta indikatornya secara bersamaan. Melalui pendekatan ini, peneliti dapat mengevaluasi apakah instrumen penelitian telah memenuhi kriteria pengukuran sekaligus mengetahui bagaimana hubungan antarvariabel dalam model struktural.
Dalam penelitian yang menggunakan variabel laten, sebuah konstruk tidak dapat diamati secara langsung. Konstruk seperti kepuasan pelanggan, kualitas layanan, motivasi, loyalitas, kepercayaan, atau minat menggunakan teknologi biasanya perlu diukur melalui beberapa indikator. Oleh karena itu, sebelum menguji hubungan antarvariabel, peneliti perlu memastikan bahwa indikator yang digunakan benar-benar mampu merepresentasikan konstruk yang diteliti. Uji SmartPLS membantu proses tersebut melalui evaluasi model pengukuran atau outer model.
Selain model pengukuran, penelitian juga membutuhkan evaluasi model struktural atau inner model. Model struktural digunakan untuk melihat hubungan antar konstruk yang telah dirumuskan dalam kerangka konseptual penelitian. Melalui hasil pengujian tersebut, peneliti dapat mengetahui arah hubungan, besarnya koefisien jalur, tingkat signifikansi, serta kemampuan konstruk prediktor dalam menjelaskan konstruk endogen.
Penggunaan SmartPLS bukan berarti peneliti hanya perlu memasukkan data dan membaca angka yang muncul pada layar. Setiap hasil analisis perlu dipahami berdasarkan teori, karakteristik konstruk, desain penelitian, dan hipotesis yang telah dirumuskan. Kesalahan dalam menentukan indikator, spesifikasi konstruk, atau interpretasi hasil dapat memengaruhi kualitas kesimpulan penelitian.
Karena itu, pemahaman mengenai uji SmartPLS perlu mencakup dua bagian utama, yaitu evaluasi model pengukuran dan evaluasi model struktural. Keduanya saling berkaitan dalam proses analisis PLS-SEM. Model pengukuran memastikan bahwa konstruk diukur secara layak, sedangkan model struktural membantu mengevaluasi hubungan antar konstruk berdasarkan model penelitian.
Memahami Uji SmartPLS dalam Penelitian Kuantitatif
SmartPLS merupakan perangkat lunak yang digunakan untuk melakukan analisis menggunakan pendekatan PLS-SEM. Pendekatan ini memungkinkan peneliti menganalisis model yang terdiri atas konstruk laten dan sejumlah indikator. Dalam praktik penelitian, SmartPLS dapat membantu mengevaluasi kualitas instrumen sekaligus menguji hubungan yang telah dirumuskan dalam model konseptual.
PLS-SEM memiliki dua komponen utama yang perlu dibedakan oleh peneliti. Komponen pertama adalah model pengukuran yang menggambarkan hubungan antara konstruk dengan indikatornya. Komponen kedua adalah model struktural yang menunjukkan hubungan antar konstruk. Pemahaman terhadap kedua komponen ini penting karena masing-masing memiliki tujuan dan kriteria evaluasi yang berbeda.
Model pengukuran biasanya digunakan ketika peneliti memiliki variabel yang tidak dapat diukur hanya menggunakan satu pertanyaan. Misalnya, kualitas pelayanan dapat diwakili oleh beberapa indikator seperti keandalan, daya tanggap, jaminan, dan aspek lainnya sesuai konsep yang digunakan dalam penelitian. Masing-masing indikator tersebut kemudian dihubungkan dengan konstruk kualitas pelayanan dalam model SmartPLS.
Sementara itu, model struktural menggambarkan hubungan antar konstruk. Misalnya, peneliti ingin menguji apakah kualitas layanan berhubungan dengan kepuasan pelanggan dan apakah kepuasan pelanggan berhubungan dengan loyalitas. Hubungan tersebut digambarkan dalam bentuk jalur atau path yang kemudian dianalisis menggunakan prosedur PLS-SEM.
Uji SmartPLS pada akhirnya bukan sekadar kegiatan teknis menggunakan perangkat lunak. Peneliti harus memiliki pemahaman mengenai alasan setiap konstruk dimasukkan ke dalam model, mengapa indikator tertentu digunakan, dan mengapa hubungan antarvariabel dirumuskan. Semakin jelas dasar teoritis penelitian, semakin mudah hasil SmartPLS diinterpretasikan secara akademis.
Baca juga:Bimbingan Publikasi Jurnal SINTA dan Scopus dari Submit hingga Artikel Terbit
Persiapan Data Sebelum Melakukan Uji SmartPLS
Sebelum melakukan uji SmartPLS, peneliti perlu memastikan bahwa data penelitian telah dipersiapkan dengan baik. Data biasanya berasal dari kuesioner yang telah diisi oleh responden, kemudian dikodekan dalam bentuk angka sesuai skala pengukuran. Jika instrumen menggunakan skala Likert lima poin, misalnya, setiap pilihan jawaban perlu dikonversi ke nilai yang konsisten sesuai rancangan penelitian.
Struktur data juga harus diperhatikan. Setiap baris umumnya mewakili satu responden, sedangkan setiap kolom mewakili indikator penelitian. Kode indikator sebaiknya dibuat secara konsisten, misalnya X1, X2, X3 untuk indikator konstruk pertama dan Y1, Y2, Y3 untuk konstruk berikutnya. Pengkodean yang rapi akan memudahkan proses impor data dan pemetaan indikator ke konstruk dalam SmartPLS.
Peneliti juga perlu memeriksa apakah terdapat data yang kosong atau tidak sesuai. Kesalahan input dapat terjadi ketika proses pemindahan data dari kuesioner ke spreadsheet. Nilai yang berada di luar rentang skala, indikator yang tertukar, atau responden yang memiliki data tidak lengkap perlu diperiksa sebelum analisis dilakukan.
Selain itu, karakteristik data perlu disesuaikan dengan desain penelitian. Jumlah sampel harus ditentukan berdasarkan pertimbangan metodologis yang sesuai dengan tujuan penelitian dan kompleksitas model. Peneliti tidak sebaiknya menentukan ukuran sampel hanya berdasarkan kemampuan perangkat lunak dalam membaca data.
Setelah data dinyatakan siap, file dapat diimpor ke SmartPLS. Peneliti kemudian membuat project dan memasukkan data sebagai sumber data penelitian. Proses tersebut menjadi awal sebelum model pengukuran dan model struktural dibangun. Persiapan data yang baik dapat mengurangi kemungkinan kesalahan teknis dan membantu menghasilkan analisis yang lebih terstruktur.
Membangun Model Pengukuran pada SmartPLS
Model pengukuran atau outer model menggambarkan hubungan antara konstruk laten dengan indikator yang digunakan untuk mengukurnya. Pada tahap ini, peneliti perlu menentukan indikator mana yang menjadi bagian dari masing-masing konstruk. Kesalahan pemetaan indikator dapat menyebabkan hasil analisis tidak sesuai dengan konsep penelitian.
Dalam SmartPLS, konstruk biasanya digambarkan sebagai lingkaran atau bentuk konstruk, sedangkan indikator ditampilkan sebagai variabel manifest yang dihubungkan dengan konstruk tersebut. Setelah semua konstruk dan indikator dibuat, peneliti dapat menggambarkan hubungan antar konstruk untuk membentuk model struktural.
Salah satu keputusan penting adalah menentukan apakah konstruk bersifat reflektif atau formatif. Pada model reflektif, konstruk dipandang sebagai penyebab atau representasi dari perubahan indikator. Dengan demikian, indikator biasanya memiliki hubungan yang mencerminkan konstruk yang sama. Sebaliknya, pada model formatif, indikator berkontribusi membentuk konstruk.
Penentuan jenis konstruk tidak seharusnya dilakukan hanya berdasarkan pengaturan default perangkat lunak. Peneliti perlu melihat definisi konseptual konstruk dan karakteristik indikator yang digunakan. Jenis konstruk akan memengaruhi cara evaluasi model pengukuran sehingga keputusan tersebut harus memiliki dasar teoritis.
Setelah model dibuat, peneliti dapat menjalankan algoritma PLS untuk memperoleh estimasi awal. Hasil tersebut dapat digunakan untuk mengevaluasi kualitas model pengukuran dan model struktural. Namun, sebelum membahas hubungan antarvariabel, peneliti perlu terlebih dahulu memastikan bahwa konstruk dan indikator telah memenuhi kriteria pengukuran yang relevan.
Evaluasi Outer Loading pada Model Pengukuran
Outer loading merupakan salah satu hasil yang sering diperhatikan ketika mengevaluasi model pengukuran reflektif. Nilai ini memberikan gambaran mengenai seberapa kuat sebuah indikator berkaitan dengan konstruk yang diukurnya. Semakin tinggi nilai loading, semakin besar keterkaitan indikator dengan konstruk dalam model.
Dalam praktik PLS-SEM, nilai outer loading sering dibandingkan dengan kriteria tertentu yang digunakan dalam literatur metodologi. Namun, peneliti sebaiknya tidak menjadikan satu angka sebagai satu-satunya dasar untuk mempertahankan atau menghapus indikator. Keputusan perlu mempertimbangkan reliabilitas konstruk, validitas konvergen, validitas diskriminan, serta landasan teori.
Apabila terdapat indikator dengan loading yang rendah, peneliti dapat melakukan pemeriksaan lebih lanjut. Indikator tidak otomatis harus dihapus karena indikator tersebut mungkin memiliki nilai teoritis penting dalam merepresentasikan konstruk. Penghapusan indikator secara sembarangan justru dapat mengurangi cakupan konsep yang ingin diukur.
Evaluasi outer loading juga perlu dilakukan bersama indikator lainnya. Misalnya, jika sebuah konstruk memiliki beberapa indikator dengan nilai loading yang memadai dan satu indikator dengan nilai lebih rendah, peneliti dapat mengevaluasi dampak penghapusan indikator terhadap nilai AVE dan reliabilitas. Pertimbangan tersebut perlu didokumentasikan sehingga proses modifikasi model dapat dijelaskan secara transparan.
Hasil outer loading biasanya disajikan dalam tabel pada laporan penelitian. Peneliti dapat mencantumkan kode indikator, konstruk, dan nilai loading. Setelah itu, hasil dapat dijelaskan dalam bentuk narasi untuk menunjukkan apakah indikator yang digunakan memenuhi kriteria evaluasi yang telah ditetapkan.
Menguji Reliabilitas Konstruk
Reliabilitas merupakan aspek penting dalam evaluasi model pengukuran. Reliabilitas berkaitan dengan konsistensi indikator dalam mengukur konstruk yang sama. Jika beberapa indikator dimaksudkan untuk mengukur satu konstruk, peneliti perlu memastikan bahwa indikator tersebut menunjukkan konsistensi yang memadai.
Dalam analisis SmartPLS, composite reliability merupakan salah satu ukuran yang dapat digunakan untuk mengevaluasi konsistensi internal. Peneliti juga dapat memperhatikan Cronbach’s alpha dan ukuran reliabilitas lainnya sesuai dengan pendekatan metodologis yang digunakan. Masing-masing ukuran memiliki karakteristik tersendiri sehingga interpretasi perlu mengikuti pedoman PLS-SEM yang relevan.
Nilai reliabilitas tidak seharusnya dibaca secara terpisah dari kualitas indikator. Konstruk dengan reliabilitas tinggi belum tentu memiliki validitas yang baik apabila indikatornya tidak benar-benar merepresentasikan konsep yang diteliti. Oleh karena itu, reliabilitas perlu dibaca bersama outer loading dan validitas konstruk.
Peneliti juga perlu menghindari tindakan meningkatkan reliabilitas secara artifisial dengan menghapus indikator tanpa alasan teoritis. Instrumen penelitian dibangun untuk merepresentasikan konsep tertentu, bukan hanya untuk menghasilkan nilai statistik yang tinggi. Setiap keputusan penghapusan indikator perlu dijelaskan berdasarkan hasil evaluasi dan pertimbangan metodologis.
Jika reliabilitas konstruk telah memenuhi kriteria yang digunakan dan indikator menunjukkan kualitas yang memadai, peneliti dapat melanjutkan evaluasi validitas. Tahap tersebut diperlukan untuk memastikan bahwa konstruk memang mengukur konsep yang seharusnya diukur.
Menguji Validitas Konvergen
Validitas konvergen digunakan untuk melihat sejauh mana indikator-indikator dalam satu konstruk memiliki keterkaitan yang memadai. Dalam evaluasi konstruk reflektif, Average Variance Extracted atau AVE merupakan salah satu ukuran yang banyak digunakan. AVE memberikan gambaran mengenai seberapa besar varians indikator dapat dijelaskan oleh konstruk.
Nilai AVE perlu dilihat bersama outer loading. Apabila indikator memiliki loading yang memadai dan konstruk memiliki AVE yang sesuai dengan kriteria yang digunakan, terdapat dasar yang lebih kuat untuk menyatakan bahwa konstruk memiliki validitas konvergen yang memadai. Namun, keputusan tetap harus mempertimbangkan teori dan karakteristik instrumen.
Validitas konvergen sangat penting karena konstruk yang tidak mampu menjelaskan indikatornya dengan baik dapat menimbulkan masalah ketika peneliti melanjutkan ke model struktural. Jika kualitas pengukuran belum memadai, hubungan antar konstruk yang dihasilkan dapat menjadi sulit untuk diinterpretasikan secara tepat.
Dalam laporan penelitian, hasil AVE dapat disajikan dalam tabel bersama composite reliability dan indikator lainnya. Peneliti kemudian dapat menjelaskan apakah setiap konstruk memenuhi kriteria validitas konvergen. Penyajian yang sistematis membantu pembaca memahami proses evaluasi instrumen sebelum masuk ke pengujian hubungan antarvariabel.
Evaluasi Validitas Diskriminan
Selain validitas konvergen, peneliti perlu memastikan validitas diskriminan. Validitas diskriminan berkaitan dengan kemampuan suatu konstruk untuk dibedakan dari konstruk lainnya dalam model. Hal ini penting terutama ketika penelitian menggunakan beberapa konstruk yang secara konsep memiliki kemiripan.
Salah satu pendekatan yang banyak digunakan dalam PLS-SEM adalah Heterotrait-Monotrait Ratio atau HTMT. Hasil HTMT dapat digunakan untuk mengevaluasi apakah konstruk yang berbeda memang memiliki perbedaan empiris yang memadai. Interpretasi hasil perlu mengikuti batas atau pedoman yang telah ditentukan dalam metodologi penelitian.
Peneliti juga dapat menggunakan pendekatan lain yang sesuai dengan karakteristik model dan pedoman analisis yang digunakan. Yang terpenting adalah konsistensi antara metode evaluasi, jenis konstruk, dan dasar metodologis. Tidak semua ukuran harus digunakan secara berlebihan apabila tidak relevan dengan model.
Apabila validitas diskriminan telah terpenuhi, peneliti memiliki dasar yang lebih kuat untuk melanjutkan evaluasi model struktural. Konstruk dalam model dapat dipandang sebagai konsep yang berbeda secara empiris sehingga hubungan antar konstruk dapat dianalisis dengan lebih meyakinkan.
Dengan demikian, evaluasi model pengukuran dalam uji SmartPLS mencakup beberapa aspek yang saling berkaitan. Outer loading, reliabilitas, AVE, dan validitas diskriminan memberikan informasi mengenai kualitas konstruk dari sudut pandang yang berbeda. Setelah keseluruhan evaluasi tersebut dilakukan, peneliti dapat beralih ke pengujian model struktural atau inner model.
Mengevaluasi Model Struktural dengan SmartPLS
Setelah model pengukuran dinyatakan memenuhi kriteria yang digunakan, peneliti dapat melanjutkan pada evaluasi model struktural atau inner model. Tahap ini berfokus pada hubungan antar konstruk yang telah dirumuskan dalam kerangka penelitian. Jika outer model digunakan untuk memastikan bahwa konstruk dan indikator dapat diukur dengan baik, inner model digunakan untuk melihat bagaimana konstruk tersebut saling berhubungan berdasarkan model yang telah dibangun.
Evaluasi model struktural dapat dilakukan dengan memperhatikan beberapa hasil analisis. Peneliti dapat melihat nilai R-square untuk mengetahui kemampuan konstruk eksogen dalam menjelaskan konstruk endogen, f-square untuk melihat ukuran efek, serta koefisien jalur dan hasil bootstrapping untuk menguji signifikansi hubungan. Setiap hasil memiliki fungsi berbeda sehingga sebaiknya tidak hanya menggunakan satu ukuran ketika menjelaskan kualitas model.
Nilai R-square merupakan salah satu informasi penting dalam evaluasi model struktural. Nilai ini menunjukkan proporsi variasi konstruk endogen yang dapat dijelaskan oleh konstruk prediktor dalam model. Sebagai contoh, apabila kepuasan pelanggan menjadi konstruk endogen dan diprediksi oleh kualitas layanan, nilai R-square memberikan gambaran mengenai kemampuan kualitas layanan dalam menjelaskan variasi kepuasan pelanggan pada model penelitian.
Selain R-square, f-square dapat digunakan untuk melihat perubahan atau ukuran efek ketika suatu konstruk prediktor dipertimbangkan dalam menjelaskan konstruk endogen. Informasi ini membantu peneliti memahami kontribusi relatif suatu jalur dalam model. Hubungan yang signifikan secara statistik tidak selalu memiliki ukuran efek yang sama sehingga keduanya perlu dibedakan dalam pembahasan.
Peneliti juga perlu mempertimbangkan potensi collinearity di antara konstruk prediktor. Pemeriksaan VIF dapat digunakan untuk melihat apakah terdapat masalah hubungan linear yang terlalu tinggi antarprediktor. Hasil evaluasi tersebut membantu memastikan bahwa interpretasi model struktural dilakukan dengan mempertimbangkan aspek statistik yang relevan.
Pengujian Hipotesis melalui Bootstrapping
Pengujian hipotesis merupakan bagian penting dalam uji SmartPLS karena pada tahap ini peneliti dapat mengevaluasi hubungan yang telah dirumuskan sebelumnya. Salah satu prosedur yang umum digunakan dalam PLS-SEM adalah bootstrapping. Prosedur ini menghasilkan distribusi sampling melalui proses resampling yang kemudian digunakan untuk memperoleh informasi mengenai ketidakpastian estimasi.
Setelah bootstrapping dijalankan, SmartPLS akan memberikan sejumlah output yang dapat digunakan untuk mengevaluasi hubungan antar konstruk. Beberapa informasi yang umum diperhatikan antara lain path coefficient, standard error, t-statistics, dan p-values. Peneliti perlu menentukan kriteria pengujian berdasarkan tingkat signifikansi yang telah ditetapkan dalam metodologi penelitian.
Path coefficient menunjukkan arah dan besarnya hubungan antara konstruk prediktor dengan konstruk yang diprediksi. Koefisien positif menunjukkan bahwa hubungan dalam model bergerak searah, sedangkan koefisien negatif menunjukkan arah hubungan yang berlawanan. Besarnya koefisien kemudian perlu dibaca bersama hasil signifikansi dan konteks teoritis penelitian.
Nilai p-value dapat digunakan untuk mengevaluasi apakah hubungan yang diamati memenuhi batas signifikansi yang telah ditentukan. Misalnya, penelitian dapat menetapkan tingkat signifikansi 5 persen sebelum analisis dilakukan. Jika hasil pengujian memenuhi kriteria tersebut, peneliti dapat menyatakan bahwa hubungan dalam model mendapatkan dukungan statistik berdasarkan batas pengujian yang digunakan.
Namun, hasil pengujian hipotesis tidak sebaiknya hanya ditulis dalam bentuk “hipotesis diterima” atau “hipotesis ditolak”. Peneliti perlu menjelaskan arah hubungan, nilai koefisien, tingkat signifikansi, dan relevansi hasil terhadap teori. Dengan demikian, pembahasan menjadi lebih informatif dan tidak sekadar memindahkan angka dari output SmartPLS ke dalam laporan penelitian.
Komponen yang Perlu Diperiksa pada Model Struktural
Evaluasi inner model perlu dilakukan secara sistematis karena setiap ukuran memberikan informasi yang berbeda mengenai kualitas model. Peneliti sebaiknya membuat tabel hasil pengujian agar seluruh hubungan dan ukuran statistik dapat diperiksa dengan mudah. Beberapa komponen yang dapat diperhatikan antara lain:
- R-square, digunakan untuk melihat proporsi variasi konstruk endogen yang dapat dijelaskan oleh konstruk prediktor dalam model.
- R-square adjusted, dapat digunakan sebagai informasi tambahan dengan mempertimbangkan jumlah prediktor yang terdapat dalam model.
- Path coefficient, menunjukkan arah dan besarnya hubungan antar konstruk.
- T-statistics, dapat digunakan dalam pengujian signifikansi berdasarkan prosedur yang ditetapkan.
- P-values, membantu menentukan apakah hasil hubungan memenuhi tingkat signifikansi yang digunakan.
- F-square, memberikan informasi mengenai ukuran efek konstruk prediktor terhadap konstruk endogen.
- VIF, digunakan untuk mengevaluasi potensi collinearity pada bagian model yang relevan.
- Confidence interval, dapat digunakan untuk melihat rentang estimasi hasil bootstrapping dan membantu interpretasi ketidakpastian parameter.
Tidak semua ukuran harus diperlakukan sebagai satu-satunya penentu kualitas model. Peneliti perlu memahami tujuan setiap ukuran dan memilih hasil yang relevan dengan desain analisis. Penyajian hasil yang terlalu banyak tanpa interpretasi justru dapat membuat pembahasan menjadi sulit dipahami.
Selain itu, peneliti perlu membedakan evaluasi model pengukuran dengan model struktural. Outer model berkaitan dengan kualitas konstruk dan indikator, sedangkan inner model berkaitan dengan hubungan antar konstruk. Pemisahan ini membuat proses uji SmartPLS lebih sistematis dan memudahkan pembaca memahami tahapan analisis.
Langkah Interpretasi Hasil Uji SmartPLS
Hasil SmartPLS sebaiknya diinterpretasikan secara bertahap. Peneliti dapat memulai dengan memastikan bahwa model pengukuran telah memenuhi kriteria, kemudian melanjutkan pada evaluasi model struktural. Setelah itu, hasil pengujian hipotesis dapat dibandingkan dengan hubungan yang telah dirumuskan dalam kerangka konseptual.
Beberapa prinsip yang dapat digunakan ketika menginterpretasikan hasil antara lain:
- Periksa kualitas indikator terlebih dahulu. Jangan langsung membahas hipotesis sebelum memastikan indikator memiliki kualitas pengukuran yang memadai.
- Perhatikan jenis konstruk. Evaluasi konstruk reflektif dan formatif memiliki pendekatan yang berbeda.
- Baca arah koefisien jalur. Tanda positif atau negatif memberikan informasi mengenai arah hubungan dalam model.
- Periksa signifikansi statistik. Gunakan tingkat signifikansi yang telah ditentukan sebelum analisis.
- Pertimbangkan ukuran efek. Signifikansi perlu dilengkapi dengan informasi mengenai kontribusi atau ukuran efek hubungan.
- Hubungkan dengan teori. Hasil statistik harus dikaitkan dengan teori dan penelitian terdahulu.
- Perhatikan batasan penelitian. Hasil dari sampel dan desain tertentu tidak boleh digeneralisasikan melampaui ruang lingkup penelitian tanpa dasar yang memadai.
Interpretasi seperti ini membuat hasil uji SmartPLS lebih bermakna. Peneliti tidak hanya menyampaikan bahwa suatu jalur memiliki p-value tertentu, tetapi juga menjelaskan apa arti hubungan tersebut dalam konteks penelitian. Dengan demikian, hasil analisis dapat menjadi bagian dari argumentasi ilmiah yang lebih kuat.
Contoh Interpretasi Hubungan Antarvariabel
Sebagai ilustrasi, sebuah penelitian memiliki tiga konstruk, yaitu kualitas layanan, kepuasan pelanggan, dan loyalitas pelanggan. Peneliti mengembangkan hipotesis bahwa kualitas layanan memiliki hubungan dengan kepuasan pelanggan dan kepuasan pelanggan memiliki hubungan dengan loyalitas pelanggan. Model kemudian dianalisis menggunakan SmartPLS setelah data dan indikator melalui tahap evaluasi.
Misalnya, hasil estimasi menunjukkan koefisien jalur kualitas layanan menuju kepuasan bernilai positif dan memenuhi kriteria signifikansi yang telah ditetapkan. Dalam laporan penelitian, peneliti dapat menjelaskan bahwa hasil tersebut menunjukkan adanya hubungan positif antara kedua konstruk dalam model penelitian. Penjelasan kemudian dapat dikaitkan dengan teori yang mendasari hubungan tersebut.
Jika jalur kepuasan menuju loyalitas juga menunjukkan hasil yang signifikan, peneliti dapat membahas hubungan tersebut secara terpisah. Selanjutnya, apabila model juga menguji pengaruh tidak langsung kualitas layanan terhadap loyalitas melalui kepuasan, peneliti dapat mengevaluasi hasil specific indirect effect.
Contoh tersebut menunjukkan bahwa angka dalam output SmartPLS perlu diterjemahkan menjadi informasi penelitian. Peneliti tidak perlu menganggap angka sebagai kesimpulan akhir, tetapi menggunakannya sebagai bukti empiris untuk menjawab pertanyaan penelitian. Setiap interpretasi juga harus tetap sesuai dengan desain penelitian dan batasan model.
Melaporkan Hasil Model Pengukuran dan Model Struktural
Pelaporan hasil uji SmartPLS sebaiknya dilakukan secara terstruktur. Bagian pertama dapat menjelaskan hasil evaluasi model pengukuran, kemudian dilanjutkan dengan evaluasi model struktural dan pengujian hipotesis. Urutan tersebut membantu pembaca memahami bahwa hubungan antarvariabel dianalisis setelah kualitas pengukuran konstruk diperiksa.
Pada bagian model pengukuran, peneliti dapat menyajikan tabel outer loading, composite reliability, AVE, dan hasil validitas diskriminan sesuai kebutuhan. Tabel tidak perlu memuat seluruh output perangkat lunak apabila informasi tersebut tidak relevan. Pilih indikator dan ukuran yang benar-benar diperlukan untuk mendukung kesimpulan mengenai kualitas instrumen.
Pada bagian model struktural, tabel dapat memuat R-square, f-square, VIF, path coefficient, t-statistics, dan p-values. Jika penelitian memiliki mediasi atau moderasi, hasil pengujian tersebut dapat disajikan dalam tabel tambahan. Penyajian yang rapi membuat pembaca lebih mudah memahami hubungan antar konstruk.
Diagram model juga dapat digunakan untuk memperlihatkan jalur hubungan penelitian. Diagram tersebut sebaiknya disertai narasi sehingga pembaca dapat memahami arti setiap jalur dan angka yang ditampilkan. Visualisasi menjadi pelengkap, bukan pengganti penjelasan hasil penelitian.
Dalam pembahasan, peneliti dapat membandingkan hasil empiris dengan teori dan penelitian terdahulu. Hasil yang sesuai dengan penelitian sebelumnya dapat dijelaskan berdasarkan kesamaan konteks atau konsep. Sementara itu, hasil yang berbeda dapat dibahas berdasarkan karakteristik sampel, lingkungan penelitian, instrumen, atau faktor lain yang memiliki dasar argumentasi.
Kesalahan yang Perlu Dihindari dalam Uji SmartPLS
Uji SmartPLS akan memberikan hasil statistik berdasarkan data dan model yang dimasukkan. Oleh karena itu, peneliti perlu menghindari penggunaan perangkat lunak secara mekanis. Kesalahan pada tahap awal dapat terbawa hingga tahap interpretasi dan menghasilkan kesimpulan yang kurang sesuai.
Salah satu kesalahan adalah membangun jalur hubungan hanya karena peneliti ingin mendapatkan hasil yang signifikan. Model seharusnya disusun berdasarkan teori, pertanyaan penelitian, dan hipotesis. Perubahan model setelah melihat hasil statistik perlu memiliki alasan metodologis yang dapat dipertanggungjawabkan.
Kesalahan berikutnya adalah menghapus indikator berulang kali tanpa mempertimbangkan makna konstruk. Meskipun penghapusan indikator dapat mengubah nilai statistik, tindakan tersebut tidak selalu tepat secara konseptual. Peneliti perlu mempertimbangkan apakah indikator tersebut memang bermasalah dan apakah penghapusannya akan mengubah cakupan konstruk.
Kesalahan lain adalah menyimpulkan bahwa nilai p-value yang kecil secara otomatis menunjukkan hubungan yang penting secara substantif. Signifikansi statistik dan besarnya efek merupakan dua hal yang berbeda. Karena itu, interpretasi perlu memperhatikan path coefficient dan ukuran efek.
Peneliti juga perlu menghindari generalisasi yang terlalu luas. Hasil uji SmartPLS menggambarkan hubungan berdasarkan data dan desain penelitian yang digunakan. Kesimpulan sebaiknya dibatasi pada populasi, sampel, variabel, dan konteks penelitian yang memang diteliti.
Manfaat Uji SmartPLS dalam Evaluasi Model Penelitian
Uji SmartPLS memberikan pendekatan yang terstruktur untuk mengevaluasi model penelitian yang melibatkan konstruk laten. Peneliti dapat melihat kualitas indikator melalui model pengukuran sekaligus menganalisis hubungan antar konstruk melalui model struktural. Kedua proses tersebut dapat dilakukan dalam satu lingkungan analisis sehingga membantu peneliti mengorganisasi tahapan pengolahan data.
SmartPLS juga memungkinkan peneliti melihat berbagai ukuran statistik yang dapat mendukung interpretasi model. Outer loading, composite reliability, AVE, HTMT, R-square, f-square, path coefficient, dan hasil bootstrapping memberikan informasi dari aspek yang berbeda. Peneliti dapat menggunakan hasil tersebut sesuai kebutuhan dan tujuan penelitian.
Meskipun demikian, kualitas penelitian tetap tidak ditentukan oleh perangkat lunak saja. Model harus memiliki dasar teori, instrumen harus disusun dengan baik, data harus dipersiapkan secara benar, dan hasil harus ditafsirkan secara kritis. SmartPLS berfungsi sebagai alat bantu analisis, sedangkan peneliti tetap bertanggung jawab terhadap keputusan metodologis dan kesimpulan yang dibuat.
Baca juga:Analisis Data dengan SmartPLS untuk Menguji Hubungan Antarvariabel
Kesimpulan
Uji SmartPLS dapat digunakan untuk mengevaluasi dua komponen penting dalam penelitian berbasis PLS-SEM, yaitu model pengukuran dan model struktural. Model pengukuran atau outer model digunakan untuk mengevaluasi hubungan konstruk dengan indikator melalui pemeriksaan seperti outer loading, reliabilitas, AVE, dan validitas diskriminan. Sementara itu, model struktural atau inner model digunakan untuk mengevaluasi hubungan antar konstruk melalui R-square, f-square, VIF, path coefficient, serta pengujian signifikansi.
Proses analisis perlu dilakukan secara bertahap mulai dari persiapan data, pembangunan model, evaluasi indikator, evaluasi konstruk, hingga pengujian hubungan antarvariabel menggunakan bootstrapping. Hasil yang diperoleh kemudian perlu disajikan secara sistematis dalam tabel dan narasi. Peneliti juga perlu membedakan antara signifikansi statistik, arah hubungan, dan ukuran efek agar interpretasi tidak hanya berfokus pada p-value.
Pada akhirnya, uji SmartPLS akan memberikan manfaat maksimal apabila digunakan bersama pemahaman metodologi penelitian yang baik. Peneliti perlu membangun model berdasarkan teori, memilih indikator yang sesuai, menjaga kualitas data, dan menginterpretasikan hasil sesuai ruang lingkup penelitian. Dengan pendekatan tersebut, evaluasi model pengukuran dan model struktural dapat memberikan dasar empiris yang lebih jelas untuk menjelaskan hubungan antarvariabel dalam penelitian.
Ketahui lebih banyak informasi terbaru dan terlengkap mengenai skripsi dengan mengikuti terus artikel dari Publish Jurnal. Dapatkan juga bimbingan eksklusif untuk skripsi dan tugas akhir bagi Anda yang sedang menghadapi masalah dalam penyusunan skripsi dengan menghubungi Admin Publish Jurnal sekarang juga! Konsultasikan kesulitan Anda dan raih kelulusan studi lebih cepat.
