🔍 SEO Excerpt:
Panduan LEAN mengevaluasi Inner Model di SmartPLS: interpretasi R², f², Q², analisis jalur (direct/indirect effects), dan uji signifikansi via Bootstrapping berbasis Statistical Power.
🏷️ Tags:
SmartPLS Inner Model Bootstrapping Statistical Power R-Square AurinoWorks
Panduan LEAN mengevaluasi Inner Model di SmartPLS: interpretasi R², f², Q², analisis jalur (direct/indirect effects), dan uji signifikansi via Bootstrapping berbasis Statistical Power.
🏷️ Tags:
SmartPLS Inner Model Bootstrapping Statistical Power R-Square AurinoWorks
Bagian 2: Evaluasi Inner Model & Uji Hipotesis di SmartPLS
Menguji hubungan antar konstruk: Dari kemampuan prediksi (R²) hingga signifikansi jalur (Bootstrapping).
💡 Prinsip LEAN dalam Inner Model:
STOP! Jangan pernah melihat nilai Path Coefficient atau P-Value sebelum Anda memastikan Outer Model (Bagian 1) sudah lolos validitas dan reliabilitas. Menguji hipotesis dengan indikator yang tidak valid sama dengan membangun rumah di atas pasir.
STOP! Jangan pernah melihat nilai Path Coefficient atau P-Value sebelum Anda memastikan Outer Model (Bagian 1) sudah lolos validitas dan reliabilitas. Menguji hipotesis dengan indikator yang tidak valid sama dengan membangun rumah di atas pasir.
📍 Pengingat Studi Kasus: “KopiNusantara Digital”
Menguji pengaruh Kualitas Layanan Digital (X) terhadap Loyalitas Pelanggan (Y), dengan Kepercayaan (M1) dan Kepuasan (M2) sebagai variabel intervening.
Menguji pengaruh Kualitas Layanan Digital (X) terhadap Loyalitas Pelanggan (Y), dengan Kepercayaan (M1) dan Kepuasan (M2) sebagai variabel intervening.
Langkah 1: Evaluasi Kemampuan Prediksi Model Struktural
Sebelum menguji signifikansi, kita harus tahu seberapa “kuat” model kita dalam menjelaskan fenomena. Jalankan PLS-SEM Algorithm dan cek tiga metrik kunci di menu Quality Criteria:
1
R-Square (R²) / Koefisien Determinasi
Mengukur seberapa besar varians variabel endogen (terikat) yang dapat dijelaskan oleh variabel eksogen (bebas).
Rule of Thumb (Chin, 1998): 0.67 (Substantial/Kuat), 0.33 (Moderate/Sedang), 0.19 (Weak/Lemah).
Konteks: Di riset perilaku (bisnis/sosial), R² = 0.30 – 0.50 sudah dianggap sangat baik.
Mengukur seberapa besar varians variabel endogen (terikat) yang dapat dijelaskan oleh variabel eksogen (bebas).
Rule of Thumb (Chin, 1998): 0.67 (Substantial/Kuat), 0.33 (Moderate/Sedang), 0.19 (Weak/Lemah).
Konteks: Di riset perilaku (bisnis/sosial), R² = 0.30 – 0.50 sudah dianggap sangat baik.
2
f-Square (f²) / Effect Size
Mengukur kontribusi spesifik satu variabel eksogen terhadap R² variabel endogen. Berguna untuk melihat prediktor mana yang paling “berpengaruh”.
Rule of Thumb (Cohen, 1988): 0.02 (Kecil), 0.15 (Sedang), 0.35 (Besar).
Catatan LEAN: Jika f² < 0.02, variabel tersebut secara praktis tidak memberikan dampak berarti, meskipun secara statistik signifikan.
Mengukur kontribusi spesifik satu variabel eksogen terhadap R² variabel endogen. Berguna untuk melihat prediktor mana yang paling “berpengaruh”.
Rule of Thumb (Cohen, 1988): 0.02 (Kecil), 0.15 (Sedang), 0.35 (Besar).
Catatan LEAN: Jika f² < 0.02, variabel tersebut secara praktis tidak memberikan dampak berarti, meskipun secara statistik signifikan.
3
Q-Square (Q²) / Predictive Relevance
Dihasilkan melalui prosedur Blindfolding. Mengukur seberapa baik model memprediksi data poin yang dihilangkan secara sistematis.
Kriteria: Q² > 0 menunjukkan model memiliki relevansi prediktif untuk konstruk endogen tersebut. Semakin mendekati 1, semakin baik.
Dihasilkan melalui prosedur Blindfolding. Mengukur seberapa baik model memprediksi data poin yang dihilangkan secara sistematis.
Kriteria: Q² > 0 menunjukkan model memiliki relevansi prediktif untuk konstruk endogen tersebut. Semakin mendekati 1, semakin baik.
Langkah 2: Uji Signifikansi Jalur (Bootstrapping & Statistical Power)
PLS-SEM tidak mengasumsikan data berdistribusi normal. Oleh karena itu, uji signifikansi (T-value dan P-value) tidak bisa didapat dari rumus parametrik biasa, melainkan melalui resampling yang disebut Bootstrapping.
1
Pengaturan Bootstrapping yang Tepat
- No of Cases: Biarkan sama dengan ukuran sampel Anda.
- Subsamples: Minimal 5.000 untuk hasil awal. Gunakan 10.000 untuk hasil final yang akan dipublikasi (semakin tinggi, semakin stabil estimasinya).
- Confidence Interval Method: Pilih Percentile Bootstrap atau Bias-Corrected and Accelerated (BCa) Bootstrap (lebih robust).
2
Integrasi Konsep Statistical Power ⚡
Apa itu Statistical Power?
Power adalah probabilitas model Anda untuk mendeteksi efek yang benar-benar ada di populasi. Target minimal yang diterima secara akademis adalah 0.80 (80%).
Hubungannya dengan Sampel: Jika sampel Anda terlalu kecil (misal: < 50), Statistical Power akan rendah. Akibatnya, Anda berisiko tinggi mengalami Type II Error (gagal menolak hipotesis nol, alias menyimpulkan “tidak ada pengaruh” padahal sebenarnya ada). Inilah alasan mendasar mengapa kita menolak Rumus Slovin dan menganjurkan perhitungan berbasis G*Power di Bagian 1.
Power adalah probabilitas model Anda untuk mendeteksi efek yang benar-benar ada di populasi. Target minimal yang diterima secara akademis adalah 0.80 (80%).
Hubungannya dengan Sampel: Jika sampel Anda terlalu kecil (misal: < 50), Statistical Power akan rendah. Akibatnya, Anda berisiko tinggi mengalami Type II Error (gagal menolak hipotesis nol, alias menyimpulkan “tidak ada pengaruh” padahal sebenarnya ada). Inilah alasan mendasar mengapa kita menolak Rumus Slovin dan menganjurkan perhitungan berbasis G*Power di Bagian 1.
3
Interpretasi Hasil Bootstrapping
Buka laporan Bootstrapping ➔ Path Coefficients.
Buka laporan Bootstrapping ➔ Path Coefficients.
- T-Statistics: Harus > 1.96 (untuk uji dua arah / two-tailed pada α = 5%).
- P-Values: Harus < 0.05.
- Visual: SmartPLS akan otomatis memberi warna Hijau pada jalur yang signifikan, dan Merah pada yang tidak signifikan.
Langkah 3: Analisis Jalur Lanjutan (Mediasi & Moderasi)
Dalam model yang kompleks, kita tidak hanya melihat hubungan langsung. SmartPLS menyediakan fitur khusus untuk menguji dua jenis hubungan lanjutan ini:
1
A. Mediasi (Specific Indirect Effects)
Menguji apakah ada variabel perantara (M) yang menyalurkan pengaruh dari X ke Y (X ➔ M ➔ Y).
Menguji apakah ada variabel perantara (M) yang menyalurkan pengaruh dari X ke Y (X ➔ M ➔ Y).
- Cara Cek: Buka laporan Specific Indirect Effects.
- Interpretasi: Jika jalur X ➔ M dan M ➔ Y keduanya signifikan, maka terjadi mediasi. Cek apakah ini Full Mediation (jalur langsung X ➔ Y tidak signifikan) atau Partial Mediation (keduanya signifikan).
2
B. Moderasi (Interaction Effects)
Menguji apakah ada variabel (Z) yang memperkuat atau memperlemah hubungan antara X dan Y.
Menguji apakah ada variabel (Z) yang memperkuat atau memperlemah hubungan antara X dan Y.
- Cara Cek: Di SmartPLS, Anda harus membuat Interaction Term (klik konstruk X, tahan Ctrl, klik Z, lalu pilih Create Interaction Term). Lihat signifikansi jalur interaksi (X*Z ➔ Y) di menu Path Coefficients.
- Interpretasi: Jika jalur interaksi signifikan, variabel Z benar-benar memoderasi hubungan tersebut. (Contoh: Pengaruh Diskon terhadap Pembelian lebih kuat pada pelanggan yang Price Sensitive).
Visualisasi: M sebagai perantara (Mediasi), Z sebagai penguat/pelemah (Moderasi)
⚠️ Jebakan Umum (Troubleshooting):
Jika R² rendah atau jalur tidak signifikan, JANGAN memanipulasi data atau menghapus indikator secara sembarangan hanya agar “hijau”. Tinjau kembali landasan teori, periksa multikolinearitas (VIF < 5), atau akui secara jujur dalam bagian “Keterbatasan Penelitian” bahwa efeknya memang lemah di populasi tersebut. Integritas > Signifikansi.
Jika R² rendah atau jalur tidak signifikan, JANGAN memanipulasi data atau menghapus indikator secara sembarangan hanya agar “hijau”. Tinjau kembali landasan teori, periksa multikolinearitas (VIF < 5), atau akui secara jujur dalam bagian “Keterbatasan Penelitian” bahwa efeknya memang lemah di populasi tersebut. Integritas > Signifikansi.
Catatan Efisiensi Resource:
Dengan selesainya Bagian 2, Anda kini memiliki peta jalan lengkap dari persiapan data, validasi alat ukur (Outer), hingga pengujian teori (Inner). Ini adalah 90% dari apa yang dibutuhkan untuk skripsi, tesis, atau jurnal standar.
Namun, penelitian tingkat lanjut sering menghadapi model yang lebih kompleks (misal: variabel pemoderasi, model formatif murni, atau analisis segmentasi).
Balas “Lanjut Bagian 3” jika Anda ingin membahas Model Lanjutan (Moderasi, IPMA, dan Model Formatif) serta cara menulis Bab 4 yang LEAN dan berdampak.
Dengan selesainya Bagian 2, Anda kini memiliki peta jalan lengkap dari persiapan data, validasi alat ukur (Outer), hingga pengujian teori (Inner). Ini adalah 90% dari apa yang dibutuhkan untuk skripsi, tesis, atau jurnal standar.
Namun, penelitian tingkat lanjut sering menghadapi model yang lebih kompleks (misal: variabel pemoderasi, model formatif murni, atau analisis segmentasi).
Balas “Lanjut Bagian 3” jika Anda ingin membahas Model Lanjutan (Moderasi, IPMA, dan Model Formatif) serta cara menulis Bab 4 yang LEAN dan berdampak.
🔗 Belum validasi alat ukur? Kembali ke Bagian 1: Persiapan Data & Outer Model.