Evaluasi Inner Model:
Momen Kebenaran Hipotesis
Lupakan sejenak rumus rumit. Mari kita baca hasil analisis Anda layaknya membaca papan skor pertandingan.
Jika Evaluasi Outer Model (Post #4) adalah “Audisi Penyanyi”, maka Evaluasi Inner Model (Struktural) adalah “Konser Utama”. Di sinilah kita menilai apakah penampilan mereka memukau atau membosankan.
Sederhananya, kita hanya ingin menjawab dua pertanyaan:
- Seberapa hebat model Anda memprediksi hasil? (R-Square)
- Apakah hubungan antar variabel itu nyata atau hanya kebetulan? (Uji Hipotesis)
1. Skor Kemampuan (R-Square)
Lihat lingkaran biru di ujung panah (Variabel Y). Ada angka di dalamnya. Itu adalah R2.
🗣️ Bahasa Manusia:
R2 = “Seberapa banyak cerita yang kita tahu?”
Misal R2 Kepuasan Pelanggan = 0.75.
Artinya: Model Anda (Harga & Layanan) sukses menjelaskan 75% alasan kenapa pelanggan puas. Sisa 25%-nya adalah misteri (mungkin karena faktor cuaca, mood, atau hal lain yang tidak Anda teliti).
- 0.75 (Kuat): Senter Anda sangat terang. Prediksi Anda akurat.
- 0.50 (Moderat): Standar riset skripsi pada umumnya. Cukup baik.
- 0.25 (Lemah): Senter Anda redup. Masih banyak faktor lain yang belum terungkap.
2. Uji Hipotesis (Signifikansi)
Ini bagian yang paling bikin deg-degan. “Apakah hipotesis saya diterima?”
Sebelum membaca tabel, Anda harus paham dulu konsep “Signifikan”. Dalam statistik, signifikan artinya: “Kejadian ini terjadi bukan karena kebetulan.”
🛠️ Konsep Dasar: Bootstrapping
Bagaimana PLS tahu kalau hasil Anda bukan kebetulan? Ia menggunakan teknik Bootstrapping.
Analogi “Multiverse” (Dunia Paralel):
Bayangkan SmartPLS menciptakan 5.000 dunia paralel (sampel tiruan) dari data asli Anda.
- Jika di 5.000 dunia tersebut, Harga selalu mempengaruhi Kepuasan, maka hubungannya SIGNIFIKAN (Nyata).
- Jika di sebagian dunia berpengaruh, tapi di dunia lain tidak, maka hubungannya TIDAK SIGNIFIKAN (Kebetulan/Tidak Stabil).
Untuk mendapatkan angka ini, klik menu Calculate → Bootstrapping (Setting 5.000 Subsamples).
Cara Membaca Tabel (Versi Orang Awam):
Fokus saja pada 3 kolom ini di tab “Path Coefficients”:
| Kolom di SmartPLS | Syarat Lolos | Terjemahan Bahasa Manusia |
|---|---|---|
| Original Sample (O) Sering disebut Beta (β) |
Angka Positif (+) atau Negatif (-) |
“Gas & Rem” Jika positif (misal 0.5), artinya X di-gas, Y ikut maju. Jika negatif (misal -0.5), artinya X di-gas, Y malah mengerem (turun). |
| T-Statistics | Harus > 1.96 (Anggap saja > 2) |
“Kestabilan” Apakah hasil ini stabil di 5.000 dunia paralel tadi? Kalau di atas 1.96, artinya Sangat Stabil (Signifikan). |
| P-Values | Harus < 0.05 (Warna Hijau) |
“Peluang Meleset” Berapa persen kemungkinan hasil ini cuma kebetulan? Kalau < 0.05 (kurang dari 5%), artinya kita 95% Yakin ini fakta. |
Contoh Kalimat untuk Skripsi (Tinggal Salin):
1. Harga berpengaruh positif dan signifikan terhadap Kepuasan (β=0.45, T=4.21, p<0.05).
(Terjemahan: Hipotesis 1 DITERIMA. Harga yang bagus terbukti bikin orang puas secara nyata).
2. Layanan tidak berpengaruh signifikan terhadap Kepuasan (β=0.05, T=0.85, p>0.05).
(Terjemahan: Hipotesis 2 DITOLAK. Layanan ternyata tidak ngefek ke kepuasan, mungkin responden tidak peduli soal layanan).
3. Contoh Interpretasi Lintas Bidang
Agar lebih relevan dengan riset Anda, berikut adalah variasi cara membaca hasil di berbagai disiplin ilmu:
🏢 Bidang Ekonomi & SDM
Kasus: Pengaruh Insentif terhadap Kinerja Karyawan.
- Hasil: β=0.60, T=5.5, p=0.000 Diterima
- Interpretasi: “Terdapat pengaruh positif yang kuat. Artinya, kenaikan insentif finansial secara nyata mendongkrak produktivitas karyawan. Setiap penambahan 1 unit insentif menaikkan kinerja sebesar 0.6 unit.”
🏭 Bidang Teknik Industri
Kasus: Pengaruh Preventive Maintenance terhadap Machine Downtime (Kerusakan Mesin).
- Hasil: β=-0.75, T=8.2, p=0.000 Diterima (Negatif)
- Interpretasi: “Terdapat pengaruh negatif signifikan. Artinya, semakin rutin perawatan dilakukan (Gas naik), frekuensi kerusakan mesin justru menurun drastis (Rem pakem). Ini hasil yang diharapkan dalam efisiensi produksi.”
yw Bidang Kesejahteraan Sosial
Kasus: Pengaruh Bantuan Sosial Tunai (BST) terhadap Ketahanan Pangan Keluarga.
- Hasil: β=0.12, T=1.1, p=0.250 Ditolak
- Interpretasi: “Ternyata, Bantuan Tunai tidak berpengaruh signifikan terhadap Ketahanan Pangan. Data lapangan menunjukkan uang bantuan mungkin digunakan untuk kebutuhan non-pangan (seperti kuota internet atau rokok), sehingga tidak langsung meningkatkan kualitas gizi keluarga.”