Menggunakan SmartPLS dalam penelitian kuantitatif dapat membuat proses analisis data menjadi lebih praktis. Namun, mendapatkan output dari SmartPLS bukan berarti pekerjaan analisis sudah selesai. Peneliti tetap perlu memahami arti setiap nilai yang muncul agar tidak keliru dalam mengambil kesimpulan.
Output SmartPLS dapat berisi berbagai informasi seperti outer loading, AVE, Composite Reliability, Cronbach’s Alpha, R-Square, Path Coefficient, T-Statistics, dan P-Values. Masing-masing memiliki fungsi yang berbeda dan tidak dapat diinterpretasikan dengan cara yang sama.
Artikel ini membahas cara membaca hasil SmartPLS secara bertahap agar proses interpretasi data menjadi lebih mudah dipahami.
Apa yang Dimaksud dengan Output SmartPLS?
Output SmartPLS adalah hasil perhitungan statistik yang diperoleh setelah data dan model penelitian dianalisis menggunakan metode PLS-SEM.
Output tersebut dapat digunakan untuk mengevaluasi dua bagian utama model, yaitu:
- Measurement model (outer model) — mengevaluasi hubungan antara konstruk dan indikator.
- Structural model (inner model) — mengevaluasi hubungan antar konstruk.
Setelah kedua bagian tersebut dievaluasi, peneliti dapat melanjutkan ke interpretasi hubungan antarvariabel dan pengujian hipotesis.
1. Mulai dari Outer Loading
Salah satu hasil yang biasanya diperiksa adalah outer loading.
Outer loading menunjukkan seberapa kuat sebuah indikator merepresentasikan konstruk yang diukurnya.
Misalnya terdapat konstruk Kepuasan Pelanggan dengan indikator:
- KP1
- KP2
- KP3
- KP4
SmartPLS akan memberikan nilai outer loading untuk setiap indikator tersebut.
Secara umum, nilai loading yang semakin tinggi menunjukkan bahwa indikator memiliki hubungan yang semakin kuat dengan konstruknya. Dalam banyak penelitian, nilai sekitar 0,70 atau lebih sering digunakan sebagai acuan praktis, tetapi keputusan mempertahankan atau menghapus indikator tetap perlu mempertimbangkan teori dan evaluasi model secara keseluruhan.
Jangan langsung menghapus indikator
Jika ada indikator dengan nilai loading rendah, jangan terburu-buru menghapusnya.
Pertimbangkan:
- Apakah indikator penting secara teori?
- Apakah penghapusan meningkatkan kualitas konstruk?
- Apakah konstruk masih memiliki cakupan konsep yang memadai?
- Bagaimana pengaruhnya terhadap hasil analisis lainnya?
Dengan demikian, keputusan tidak hanya berdasarkan satu angka.
2. Periksa Average Variance Extracted (AVE)
Average Variance Extracted (AVE) digunakan untuk mengevaluasi convergent validity pada konstruk.
Secara umum, nilai AVE sekitar 0,50 atau lebih sering digunakan sebagai pedoman bahwa konstruk mampu menjelaskan setidaknya separuh varians indikatornya.
Contohnya:
| Konstruk | AVE |
|---|---|
| Kualitas Produk | 0,625 |
| Kepuasan Pelanggan | 0,581 |
| Loyalitas Pelanggan | 0,647 |
Jika nilai AVE memenuhi kriteria yang digunakan dalam penelitian, convergent validity konstruk dapat dinilai memadai.
Namun, AVE sebaiknya tidak dilihat sendirian. Evaluasi juga perlu mempertimbangkan outer loading dan indikator validitas lainnya.
3. Periksa Cronbach’s Alpha
Cronbach’s Alpha merupakan salah satu ukuran yang digunakan untuk mengevaluasi konsistensi internal indikator dalam suatu konstruk.
Secara umum, nilai yang lebih tinggi menunjukkan konsistensi internal yang lebih baik, meskipun interpretasinya harus disesuaikan dengan konteks penelitian.
Dalam banyak penelitian, angka 0,70 sering digunakan sebagai pedoman umum.
Misalnya:
| Konstruk | Cronbach’s Alpha |
|---|---|
| Kualitas Produk | 0,812 |
| Kepuasan Pelanggan | 0,784 |
| Loyalitas Pelanggan | 0,846 |
Angka tersebut dapat menjadi salah satu pertimbangan dalam mengevaluasi reliabilitas konstruk.
4. Perhatikan Composite Reliability
Selain Cronbach’s Alpha, SmartPLS juga dapat memberikan nilai Composite Reliability (CR).
Composite Reliability digunakan untuk mengevaluasi konsistensi internal konstruk dan sering digunakan bersama dengan Cronbach’s Alpha.
Dalam banyak penelitian, nilai sekitar 0,70 atau lebih digunakan sebagai pedoman umum.
Namun, nilai reliabilitas yang terlalu tinggi juga perlu diperhatikan karena dapat mengindikasikan bahwa indikator memiliki kemiripan yang sangat tinggi.
5. Periksa Discriminant Validity
Setelah melihat validitas konvergen dan reliabilitas, peneliti juga perlu mengevaluasi discriminant validity.
Discriminant validity berkaitan dengan kemampuan sebuah konstruk untuk benar-benar berbeda dari konstruk lainnya dalam model.
Beberapa pendekatan yang dapat digunakan antara lain:
- HTMT (Heterotrait-Monotrait Ratio)
- Fornell-Larcker Criterion
- Cross Loadings
Dalam praktik PLS-SEM modern, HTMT sering menjadi salah satu ukuran penting yang diperhatikan.
Jika discriminant validity tidak terpenuhi, peneliti perlu mengevaluasi apakah terdapat konstruk yang terlalu mirip secara konseptual atau indikator yang kurang tepat.
6. Lanjut ke Inner Model
Jika measurement model telah dievaluasi, tahap berikutnya adalah melihat inner model.
Inner model digunakan untuk mengevaluasi hubungan antar konstruk dalam penelitian.
Contohnya:
Kualitas Produk → Kepuasan Pelanggan → Loyalitas Pelanggan
Dari model tersebut, peneliti dapat melihat apakah kualitas produk memiliki hubungan dengan kepuasan pelanggan dan apakah kepuasan pelanggan memiliki hubungan dengan loyalitas pelanggan.
7. Pahami Path Coefficient
Path coefficient menunjukkan arah dan besarnya hubungan antar konstruk dalam model.
Nilainya dapat bernilai positif maupun negatif.
Contoh:
Kualitas Produk → Kepuasan Pelanggan = 0,450
Angka positif menunjukkan arah hubungan positif dalam model, sedangkan besar koefisien memberikan informasi mengenai kekuatan hubungan yang diestimasi.
Jika koefisien bernilai negatif, hubungan yang diestimasi memiliki arah negatif.
Namun, path coefficient saja tidak cukup untuk menentukan apakah sebuah hipotesis diterima atau ditolak. Signifikansinya tetap perlu diperiksa melalui hasil pengujian seperti bootstrapping.
8. Perhatikan T-Statistics
Setelah melakukan Bootstrapping, SmartPLS dapat menampilkan nilai T-Statistics.
Nilai ini digunakan sebagai salah satu dasar untuk mengevaluasi signifikansi hubungan antar konstruk.
Misalnya:
| Hubungan | T-Statistics |
|---|---|
| Kualitas Produk → Kepuasan | 4,620 |
| Kepuasan → Loyalitas | 5,314 |
Semakin besar nilai T-Statistics, semakin kuat bukti statistik terhadap hubungan yang diuji, dengan tetap menggunakan batas kritis yang sesuai dengan jenis pengujian.
Jangan menggunakan satu angka batas secara otomatis tanpa mengetahui apakah pengujian dilakukan secara satu arah atau dua arah serta tingkat signifikansi yang digunakan.
9. Pahami P-Value
P-Value merupakan salah satu nilai yang paling sering digunakan dalam pengujian hipotesis.
Misalnya:
P-Value = 0,003
Jika tingkat signifikansi yang digunakan adalah 5%, maka nilai tersebut berada di bawah 0,05 sehingga hubungan yang diuji dapat dinyatakan signifikan secara statistik pada tingkat tersebut.
Namun, penting untuk diingat bahwa signifikan secara statistik tidak selalu berarti hubungan tersebut penting secara praktis.
Besarnya pengaruh dan konteks penelitian tetap perlu diperhatikan.
10. Jangan Lupa R-Square
R-Square (R²) menunjukkan proporsi variasi konstruk endogen yang dapat dijelaskan oleh konstruk-konstruk prediktornya dalam model.
Misalnya:
R² Kepuasan Pelanggan = 0,662
Artinya, model memiliki kemampuan untuk menjelaskan sekitar 66,2% variasi Kepuasan Pelanggan berdasarkan prediktor yang terdapat dalam model tersebut.
Sementara sisanya berasal dari faktor lain yang tidak dimasukkan ke dalam model.
Semakin tinggi R² tidak selalu berarti model otomatis lebih baik. Interpretasi R² harus mempertimbangkan bidang penelitian, kompleksitas model, dan tujuan analisis.
11. Perhatikan Effect Size atau F-Square
F-Square (f²) digunakan untuk melihat kontribusi relatif sebuah konstruk prediktor terhadap konstruk endogen.
Dengan kata lain, ukuran ini membantu melihat seberapa besar perubahan kemampuan penjelasan konstruk endogen ketika sebuah prediktor diperhitungkan dalam model.
Nilai f² dapat membantu melengkapi informasi dari R² sehingga peneliti tidak hanya mengetahui kemampuan penjelasan model, tetapi juga kontribusi masing-masing prediktor.
12. Gunakan Q-Square untuk Evaluasi Prediktif
Q-Square (Q²) dapat digunakan untuk mengevaluasi relevansi prediktif model melalui prosedur yang sesuai.
Nilai Q² yang positif dapat menjadi indikasi bahwa model memiliki relevansi prediktif terhadap konstruk endogen yang dievaluasi.
Namun, Q² bukan pengganti R² dan tidak boleh diinterpretasikan dengan cara yang sama.
13. Cara Membaca Hasil Hipotesis
Setelah seluruh informasi diperoleh, peneliti dapat membuat tabel pengujian hipotesis.
Contohnya:
| Hipotesis | Path Coefficient | T-Statistics | P-Value | Kesimpulan |
|---|---|---|---|---|
| H1: Kualitas Produk → Kepuasan | 0,450 | 4,620 | 0,000 | Didukung |
| H2: Kepuasan → Loyalitas | 0,620 | 5,314 | 0,000 | Didukung |
Dari tabel tersebut, peneliti dapat menjelaskan hasil secara sistematis.
Contohnya:
Hasil pengujian menunjukkan bahwa kualitas produk memiliki hubungan positif dan signifikan terhadap kepuasan pelanggan berdasarkan kriteria pengujian yang digunakan. Dengan demikian, H1 memperoleh dukungan dari hasil analisis.
Perhatikan bahwa istilah “didukung” sering lebih tepat digunakan daripada langsung menyatakan teori “terbukti benar”, karena hasil statistik berasal dari sampel dan konteks penelitian tertentu.
Kesalahan yang Sering Terjadi Saat Membaca SmartPLS
Ada beberapa kesalahan yang sebaiknya dihindari.
Hanya Melihat P-Value
P-Value memang penting, tetapi bukan satu-satunya informasi. Path coefficient dan ukuran efek juga perlu diperhatikan.
Menganggap Nilai Tinggi Selalu Lebih Baik
Tidak semua nilai harus dibuat setinggi mungkin. Setiap ukuran memiliki fungsi dan kriteria interpretasi yang berbeda.
Menghapus Semua Indikator yang Nilainya Rendah
Penghapusan indikator harus mempertimbangkan teori dan kualitas konstruk secara keseluruhan.
Menganggap R-Square Tinggi Berarti Penelitian Pasti Bagus
R-Square hanya menunjukkan kemampuan penjelasan konstruk dalam model, bukan keseluruhan kualitas penelitian.
Mengabaikan Teori
Output SmartPLS tidak dapat menggantikan landasan teori. Hasil statistik perlu dikaitkan dengan teori dan penelitian terdahulu.
Urutan Praktis Membaca Output SmartPLS
Agar tidak bingung, berikut urutan sederhana yang dapat digunakan:
1. Periksa Outer Loading
↓
2. Evaluasi Convergent Validity / AVE
↓
3. Evaluasi Reliability
↓
4. Periksa Discriminant Validity
↓
5. Evaluasi R-Square dan ukuran inner model lainnya
↓
6. Periksa Path Coefficient
↓
7. Jalankan dan baca hasil Bootstrapping
↓
8. Periksa T-Statistics dan P-Value
↓
9. Evaluasi hipotesis
↓
10. Hubungkan hasil dengan teori dan tujuan penelitian
Urutan tersebut membantu peneliti menghindari kesalahan karena langsung mengambil kesimpulan dari P-Value sebelum memastikan kualitas measurement model.
Kesimpulan
Membaca hasil SmartPLS membutuhkan pemahaman terhadap berbagai indikator statistik yang dihasilkan. Peneliti perlu memahami fungsi outer loading, AVE, Cronbach’s Alpha, Composite Reliability, discriminant validity, R-Square, path coefficient, T-Statistics, P-Value, dan ukuran lainnya.
Hal yang paling penting adalah jangan membaca satu angka secara terpisah. Setiap hasil perlu dilihat dalam konteks model penelitian dan dikaitkan dengan teori serta tujuan penelitian.
Dengan memahami cara membaca output SmartPLS secara bertahap, peneliti dapat menyusun interpretasi yang lebih sistematis dan mengurangi risiko kesalahan ketika menulis hasil penelitian.
