Panduan Lengkap Olah Data SmartPLS: SEM-PLS untuk Skripsi, Tesis, dan Disertasi
Olah data SmartPLS SEM PLS adalah proses menganalisis model struktural berbasis Partial Least Squares menggunakan software SmartPLS 4. Prosesnya mencakup empat tahap utama: evaluasi outer model (validitas dan reliabilitas konstruk), evaluasi inner model (hubungan antar konstruk), bootstrapping (uji signifikansi path), dan interpretasi output berupa nilai outer loading, AVE, CR, path coefficient, serta R-square.
Fakta teknis: outer loading ≥ 0,70 menandakan indikator valid; AVE ≥ 0,50 menunjukkan convergent validity terpenuhi; T-statistik > 1,96 (bootstrap 5.000 sampel) menyatakan hubungan antar konstruk signifikan pada α = 0,05.
Mengapa SmartPLS menjadi pilihan utama mahasiswa manajemen S2? SEM berbasis PLS tidak mensyaratkan data berdistribusi normal dan mampu menangani sampel kecil (≥ 30 responden), menjadikannya fleksibel untuk berbagai desain penelitian tesis dan disertasi. SmartPLS 4 memproses model reflektif maupun formatif dalam satu antarmuka, lengkap dengan laporan output yang siap dikutip di Bab IV.
Yang Akan Kamu Pelajari dalam Panduan Ini
- Cara menyiapkan data dan membangun model di SmartPLS 4
- Langkah evaluasi outer model: outer loading, AVE, dan Composite Reliability
- Cara menjalankan bootstrapping dan membaca path coefficient
- Interpretasi R-square dan effect size (f²) untuk inner model
- Checklist validasi sebelum laporan diserahkan ke pembimbing
SmartPLS adalah Software SEM-PLS yang Paling Banyak Digunakan dalam Riset Manajemen
Olah data SmartPLS SEM PLS merujuk pada penggunaan software SmartPLS untuk mengestimasi model persamaan struktural berbasis Partial Least Squares. Berbeda dengan CB-SEM (Covariance-Based SEM) yang memerlukan data berdistribusi normal dan sampel besar, PLS-SEM menggunakan metode estimasi berbasis varians sehingga lebih toleran terhadap asumsi distribusi dan ukuran sampel.
SmartPLS dikembangkan pertama kali oleh Ringle, Wende, dan Becker, dan sejak versi 3 menjadi standar de facto dalam penelitian manajemen, pemasaran, dan ilmu sosial kuantitatif di Indonesia. Versi terbaru SmartPLS 4 menghadirkan antarmuka yang lebih intuitif, pemrosesan lebih cepat, dan dukungan model formatif serta moderasi yang lebih komprehensif.
Menurut Percetakan Wisuda, sebagian besar permintaan olah data SEM-PLS yang masuk berasal dari mahasiswa S2 program studi Manajemen, Akuntansi, dan Pendidikan — dengan topik utama kepuasan pelanggan, kinerja organisasi, dan adopsi teknologi. Model yang digunakan umumnya terdiri dari 3–6 konstruk laten dengan masing-masing 3–5 indikator reflektif.
Outer Model SmartPLS: Mengukur Validitas dan Reliabilitas Konstruk
Evaluasi outer model adalah langkah pertama yang wajib diselesaikan sebelum menafsirkan hubungan antar konstruk. Outer model — disebut juga model pengukuran — menguji seberapa baik indikator-indikator merepresentasikan konstruk laten yang mereka ukur.
Dalam SmartPLS, ada tiga indikator utama yang dievaluasi: outer loading, Average Variance Extracted (AVE), dan Composite Reliability (CR). Ketiganya membentuk dasar validitas konvergen (convergent validity) model.
| Kriteria | Ambang Batas | Keterangan |
|---|---|---|
| Outer Loading | ≥ 0,70 | Indikator dinyatakan valid; nilai 0,40–0,69 dipertahankan jika AVE ≥ 0,50 |
| Average Variance Extracted (AVE) | ≥ 0,50 | Konstruk menjelaskan lebih dari 50% varians indikatornya |
| Composite Reliability (CR) | ≥ 0,70 | Reliabilitas konstruk terpenuhi; CR > 0,90 menandakan sangat reliabel |
| Cronbach's Alpha | ≥ 0,70 | Alternatif ukuran reliabilitas; CR lebih direkomendasikan di PLS-SEM |
| HTMT (Heterotrait–Monotrait Ratio) | < 0,85 atau < 0,90 | Uji discriminant validity modern menggantikan cross-loading dan Fornell-Larcker |
Langkah pertama adalah menjalankan PLS-Algorithm melalui menu Run > PLS-Algorithm di SmartPLS. Output yang dihasilkan mencakup tabel outer loading per indikator dan nilai AVE serta CR per konstruk. Jika ada indikator dengan outer loading < 0,40, hapus indikator tersebut dari model, lalu jalankan ulang kalkulasi. Iterasi ini berlanjut hingga semua kriteria terpenuhi.
Untuk discriminant validity, SmartPLS 4 menyediakan uji HTMT secara langsung di tab Quality Criteria. Nilai HTMT < 0,85 menandakan dua konstruk cukup berbeda secara konseptual dan statistik. Jika HTMT melebihi ambang batas, pertimbangkan menggabungkan konstruk atau menghapus indikator yang membebani dua konstruk sekaligus.
Inner Model dan Bootstrapping SmartPLS: Menguji Signifikansi Jalur Antar Konstruk
Setelah outer model dinyatakan valid dan reliabel, evaluasi beralih ke inner model — disebut juga model struktural. Inner model menguji hipotesis penelitian dengan mengukur kekuatan dan signifikansi hubungan (path) antar konstruk laten.
Dua indikator utama inner model adalah path coefficient (β) dan R-square (R²). Path coefficient berkisar antara −1 hingga +1; nilai mendekati ±1 menunjukkan hubungan yang kuat. R-square mengukur seberapa besar varians variabel endogen dapat dijelaskan oleh variabel eksogen — nilai 0,26 dianggap substansial, 0,13 moderat, dan 0,02 lemah menurut Cohen (1988).
Namun, path coefficient dan R-square yang dihitung PLS-Algorithm tidak disertai nilai signifikansi (p-value) secara langsung. Di sinilah bootstrapping berperan. Bootstrapping adalah prosedur resampling non-parametrik yang menghasilkan T-statistik dan p-value untuk setiap path. Di SmartPLS, jalankan melalui menu Run > Bootstrapping dengan pengaturan standar 5.000 subsamples.
Berdasarkan pengalaman Percetakan Wisuda sejak 2004 dalam menangani olah data SEM-PLS, kesalahan paling umum yang ditemukan adalah mahasiswa langsung menafsirkan path coefficient dari PLS-Algorithm tanpa menjalankan bootstrapping — sehingga kesimpulan hipotesis tidak didukung nilai signifikansi yang sahih.
Cara Olah Data SmartPLS Langkah demi Langkah
Langkah 1: Siapkan dan Impor Data
Susun data dalam format Excel (.xlsx) dengan kolom pertama berisi ID responden, kolom berikutnya berisi skor per item kuesioner. Pastikan tidak ada sel kosong (missing value) — gunakan nilai rata-rata item jika perlu. Buka SmartPLS 4, buat proyek baru (File > New Project), lalu impor data melalui File > Import Data.
Langkah 2: Bangun Model di SmartPLS
Di tampilan Model, tambahkan konstruk laten melalui klik kanan pada kanvas. Beri nama setiap konstruk sesuai variabel penelitian (misalnya "Kualitas Layanan", "Kepuasan", "Loyalitas"). Hubungkan indikator dari panel data ke masing-masing konstruk dengan drag-and-drop. Tentukan tipe konstruk: reflektif (panah dari konstruk ke indikator) atau formatif (panah dari indikator ke konstruk). Gambar panah jalur struktural antar konstruk sesuai hipotesis.
Langkah 3: Jalankan PLS-Algorithm
Klik Run > PLS-Algorithm, biarkan pengaturan default (Maximum Iterations: 300, Stop Criterion: 10⁻⁷). Setelah proses selesai, buka tab Outer Loadings dan Quality Criteria. Periksa setiap nilai outer loading, AVE, CR, dan HTMT. Hapus indikator yang tidak memenuhi kriteria, lalu jalankan ulang hingga semua nilai terpenuhi.
Langkah 4: Jalankan Bootstrapping
Klik Run > Bootstrapping. Atur subsamples menjadi 5.000, pilih metode Percentile Bootstrap atau BCa Bootstrap, aktifkan Complete Bootstrapping. Setelah selesai, buka tab Path Coefficients untuk melihat nilai β, T-statistik, dan p-value setiap jalur. Path dengan T-statistik > 1,96 dan p-value < 0,05 dinyatakan signifikan.
Langkah 5: Susun Laporan Output
Salin tabel outer loading, AVE, CR, HTMT, path coefficient, T-statistik, p-value, dan R-square ke dalam file Excel atau Word. Beri narasi interpretasi per tabel: sebutkan nilai numerik, status penerimaan hipotesis, dan implikasi teoritis. Output siap ditempel langsung di Bab IV tesis atau disertasi.
Studi Kasus: Analisis SEM-PLS untuk Penelitian Kepuasan Pelanggan
Reza, mahasiswa S2 Manajemen, meneliti pengaruh Kualitas Layanan dan Kepercayaan terhadap Kepuasan, serta dampaknya pada Loyalitas Pelanggan. Model terdiri dari empat konstruk reflektif dengan total 18 indikator dan 120 responden.
Saat pertama kali menjalankan PLS-Algorithm, dua indikator Kualitas Layanan memiliki outer loading 0,48 dan 0,53 — di bawah ambang 0,70 tetapi AVE konstruk masih 0,51 (di atas 0,50). Setelah konsultasi, Reza memutuskan mempertahankan keduanya karena AVE terpenuhi. Namun satu indikator Kepercayaan dengan outer loading 0,38 dihapus karena di bawah 0,40 dan menyebabkan AVE turun ke 0,45.
Setelah iterasi kedua, semua kriteria terpenuhi: AVE ≥ 0,50, CR ≥ 0,70, HTMT < 0,85. Bootstrapping 5.000 sampel menunjukkan semua jalur signifikan (T > 1,96), kecuali jalur Kepercayaan → Loyalitas (T = 1,42, p = 0,156) yang akhirnya tidak mendukung hipotesis tersebut. R-square Kepuasan = 0,54 (substansial), Loyalitas = 0,61. Laporan lengkap siap dalam dua hari kerja.
Catatan: Nama dan data dalam studi kasus ini bersifat fiktif dan hanya digunakan sebagai ilustrasi proses analisis.
Checklist Validasi Sebelum Laporan Bab IV Diserahkan
- Semua outer loading ≥ 0,70 (atau ≥ 0,40 dengan AVE konstruk ≥ 0,50)
- AVE setiap konstruk ≥ 0,50 — bukti convergent validity terpenuhi
- Composite Reliability (CR) setiap konstruk ≥ 0,70
- HTMT antar setiap pasang konstruk < 0,85 — discriminant validity terpenuhi
- Bootstrapping sudah dijalankan dengan minimal 5.000 subsamples
- T-statistik dan p-value setiap hipotesis sudah dicantumkan dalam tabel hasil
Pertanyaan Umum Seputar Olah Data SmartPLS
Bagaimana cara memulai olah data SmartPLS untuk tesis?
Mulai dengan menyiapkan data dalam format Excel, lalu impor ke SmartPLS 4 melalui menu File > Import Data. Buat model pengukuran di tampilan Model, hubungkan indikator ke konstruk, kemudian jalankan kalkulasi PLS-Algorithm untuk mendapatkan hasil outer model terlebih dahulu.
Bagaimana cara membaca nilai outer loading di SmartPLS?
Outer loading menunjukkan seberapa kuat indikator merepresentasikan konstruknya. Nilai outer loading ≥ 0,70 diterima sebagai valid di SmartPLS. Nilai antara 0,40–0,69 dapat dipertahankan jika AVE konstruk tetap ≥ 0,50. Nilai di bawah 0,40 umumnya dihapus dari model.
Apa perbedaan outer model dan inner model dalam SmartPLS?
Outer model (model pengukuran) menguji hubungan antara indikator dan konstruk latennya — mencakup outer loading, AVE, dan Composite Reliability. Inner model (model struktural) menguji hubungan antar konstruk laten melalui path coefficient, R-square, dan nilai T-statistik dari bootstrapping.
Berapa lama proses olah data SmartPLS untuk skripsi atau tesis?
Durasi olah data SmartPLS bergantung pada kompleksitas model dan kelengkapan data. Model sederhana (3–5 konstruk, 100–150 responden) umumnya selesai dalam 1–2 hari kerja, mencakup validasi outer model, pengujian inner model, bootstrapping, dan penyusunan laporan hasil analisis.
Untuk panduan lebih lanjut mengenai cara membaca setiap angka output secara detail, baca juga artikel Cara Interpretasi Output SmartPLS: Outer Loading, AVE, CR, dan Path Coefficient yang membahas langkah interpretasi per kolom secara spesifik.
Kesimpulan: Olah Data SmartPLS SEM PLS yang Tepat Dimulai dari Outer Model
Olah data SmartPLS SEM PLS mencakup empat tahap yang saling bergantung: persiapan data, evaluasi outer model, pengujian inner model melalui bootstrapping, dan penyusunan laporan output. Keberhasilan analisis bergantung pada ketepatan setiap tahap — satu indikator tidak valid di outer model dapat memengaruhi seluruh kesimpulan hipotesis di inner model. Percetakan Wisuda, Ahlinya Dokumen dengan pengalaman lebih dari 20 tahun, menyediakan layanan olah data SmartPLS lengkap: dari penyiapan model hingga laporan Bab IV siap tempel. Output berupa file docx, xlsx, dan pdf — tanpa perlu bertemu, seluruh proses dilakukan secara daring.
Model SmartPLS sudah disiapkan? Konsultasikan analisis SEM-PLS-mu sekarang.
Tugas Beres, Bebas Stres
Hubungi percetakanwisuda.com atau WhatsApp 0895621470202 untuk estimasi dan konsultasi olah data SmartPLS.