SmartPLS
SmartPLS
Pengertian
SmartPLS adalah perangkat lunak berbasis antarmuka grafis (graphical user interface) untuk menganalisis data dengan metode PLS-SEM (Partial Least Squares Structural Equation Modeling). Software ini dikembangkan oleh Christian M. Ringle, Sven Wende, dan Jan-Michael Becker. PLS-SEM adalah teknik statistik multivariat untuk menguji hubungan antar variabel laten (konstruk) yang diukur lewat beberapa indikator, sekaligus menguji pengaruh antar konstruk tersebut dalam satu model.
Mengapa Memakai PLS-SEM?
- Cocok untuk model kompleks dengan banyak konstruk, indikator, dan hubungan
- Tidak mensyaratkan data berdistribusi normal
- Bisa dipakai pada sampel relatif kecil (dibanding CB-SEM)
- Bisa menangani konstruk reflektif maupun formatif
- Cocok untuk penelitian yang berorientasi prediksi dan pengembangan teori
Komponen Model
- Variabel laten (konstruk): variabel yang tidak bisa diukur langsung, misalnya kepuasan nasabah, literasi keuangan, kualitas layanan
- Indikator (manifest variable): butir pertanyaan kuesioner yang mengukur konstruk
- Model pengukuran (outer model): hubungan antara indikator dan konstruknya
- Model struktural (inner model): hubungan antar konstruk
- Variabel eksogen: konstruk yang memengaruhi konstruk lain (variabel independen)
- Variabel endogen: konstruk yang dipengaruhi konstruk lain (variabel dependen)
- Variabel mediasi dan moderasi: variabel perantara atau penguat/pelemah hubungan
Tahapan Analisis
a. Evaluasi Model Pengukuran (Outer Model)
| Pengujian | Indikator | Kriteria |
|---|---|---|
| Validitas konvergen | Outer loading | ≥ 0,70 (0,60 masih dapat ditoleransi pada penelitian eksploratori) |
| Validitas konvergen | AVE (Average Variance Extracted) | ≥ 0,50 |
| Validitas diskriminan | Fornell-Larcker, Cross Loading, HTMT | HTMT < 0,90 (atau < 0,85 untuk konstruk yang lebih berbeda secara konseptual) |
| Reliabilitas | Cronbach’s Alpha | ≥ 0,70 |
| Reliabilitas | Composite Reliability (rho_a dan rho_c) | ≥ 0,70 |
b. Evaluasi Model Struktural (Inner Model)
| Pengujian | Penjelasan | Kriteria |
|---|---|---|
| Multikolinearitas | VIF | < 5 (idealnya < 3) |
| Koefisien determinasi | R² | 0,75 kuat, 0,50 moderat, 0,25 lemah |
| Effect size | f² | 0,02 kecil, 0,15 sedang, 0,35 besar |
| Predictive relevance | Q² (blindfolding) | > 0 |
| Uji hipotesis | Path coefficient, t-statistic, p-value lewat bootstrapping | t > 1,96 dan p < 0,05 (taraf signifikansi 5%) |
| Kecocokan model | SRMR | < 0,08 |
Fitur Utama
- PLS Algorithm: menghitung estimasi model
- Bootstrapping: menguji signifikansi koefisien jalur
- Blindfolding: menghitung Q²
- PLSpredict: menilai kemampuan prediksi di luar sampel
- MGA (Multi-Group Analysis): membandingkan model antar kelompok (misalnya laki-laki vs perempuan)
- IPMA (Importance-Performance Map Analysis): memetakan tingkat kepentingan dan kinerja
- MICOM: menguji invariansi pengukuran
- FIMIX-PLS: mendeteksi heterogenitas data
Kelebihan dan Kekurangan
Kelebihan: tampilan visual drag-and-drop mudah dipahami, tidak butuh coding, cocok untuk data kuesioner, hasil mudah dibaca, dan ada versi gratis (terbatas) untuk pelajar.
Kekurangan: versi lengkap berbayar, kurang cocok untuk pengujian kecocokan model yang ketat seperti CB-SEM, dan tidak ideal untuk data time series.
Contoh Penerapan di Perbankan Syariah
Meneliti pengaruh kualitas layanan, citra bank, dan kepercayaan terhadap kepuasan dan loyalitas nasabah bank syariah, dengan kepuasan sebagai variabel mediasi
Komentar
Posting Komentar