› Tutorial Olah Data
Panduan SEM-PLS dengan SmartPLS untuk Pemula
Tim Statistician Jokify · Terbit 24 Juni 2026
Structural Equation Modeling berbasis Partial Least Squares (SEM-PLS) kini menjadi salah satu metode analisis paling populer dalam penelitian kuantitatif di bidang manajemen, bisnis, psikologi, dan ilmu sosial. SmartPLS — perangkat lunak yang paling banyak digunakan untuk SEM-PLS — menawarkan kemampuan analisis yang kuat dengan antarmuka yang relatif ramah pengguna. Namun, bagi mahasiswa yang baru pertama kali menggunakannya, konsep dan istilah yang muncul bisa terasa asing dan membingungkan. Panduan ini hadir untuk memandu Anda dari nol: mulai dari konsep fundamental, langkah operasional di SmartPLS, hingga cara melaporkan hasil dengan benar.
Apa Itu SEM-PLS dan Mengapa Menggunakannya?
SEM (Structural Equation Modeling) adalah teknik analisis multivariat yang memungkinkan peneliti menguji hubungan kausalitas antar variabel secara simultan, termasuk variabel yang tidak dapat diukur langsung (variabel laten) seperti kepuasan, motivasi, atau persepsi.
PLS (Partial Least Squares) adalah pendekatan estimasi dalam SEM yang berbeda dari pendekatan berbasis kovarians (CB-SEM seperti AMOS atau LISREL). Karakteristik utama PLS:
- Tidak membutuhkan asumsi distribusi normal pada data
- Cocok untuk sampel berukuran kecil hingga menengah (n ≥ 30 sudah bisa digunakan, meski n ≥ 100 lebih disarankan)
- Ideal untuk penelitian eksploratorif atau ketika model teoritis masih baru dikembangkan
- Fokus pada prediksi dan penjelasan varians, bukan kecocokan model (model fit)
- Mampu menangani model yang kompleks dengan banyak variabel laten dan indikator
SEM-PLS sangat populer di jurnal-jurnal manajemen dan bisnis karena kemampuannya menangani model yang kompleks dengan data yang realistis dari kondisi lapangan.
Kapan Memilih SEM-PLS vs. CB-SEM?
| Kriteria | SEM-PLS (SmartPLS) | CB-SEM (AMOS/LISREL) |
|---|---|---|
| Ukuran sampel | Kecil–menengah (≥ 30) | Besar (≥ 200 disarankan) |
| Distribusi data | Bebas distribusi | Harus normal multivariat |
| Tujuan penelitian | Prediksi, eksplorasi | Konfirmasi teori yang mapan |
| Kompleksitas model | Model kompleks, banyak konstruk | Model sederhana hingga moderat |
| Fokus evaluasi | R², Q², path coefficient | Model fit (CFI, RMSEA, dll.) |
Komponen Utama Model SEM-PLS
Sebelum membuka SmartPLS, Anda perlu memahami dua komponen utama model:
Outer Model (Model Pengukuran)
Outer model menggambarkan hubungan antara variabel laten (konstruk) dengan indikator (item pertanyaan/observable variable) yang mengukurnya.
Ada dua jenis outer model yang paling umum digunakan:
Reflektif: Indikator merupakan cerminan dari konstruk. Contoh: konstruk "kepuasan pelanggan" diukur oleh beberapa item pertanyaan yang semuanya mencerminkan kepuasan. Perubahan pada konstruk memengaruhi semua indikatornya secara bersamaan. Ciri khasnya: arah panah dari konstruk ke indikator, indikator saling berkorelasi tinggi, dan menghapus satu indikator tidak mengubah definisi konstruk.
Formatif: Indikator membentuk konstruk. Contoh: "kualitas hidup" dibentuk oleh kesehatan fisik, kondisi ekonomi, hubungan sosial, dan lingkungan. Menghapus satu indikator akan mengubah makna konstruk itu sendiri. Jarang digunakan di skripsi S1, namun penting di penelitian terapan dan tesis.
Sebagian besar penelitian skripsi menggunakan outer model reflektif, dan seluruh pembahasan teknis dalam artikel ini berfokus pada jenis ini.
Inner Model (Model Struktural)
Inner model menggambarkan hubungan antar variabel laten — yaitu hipotesis penelitian Anda. Ini adalah "inti" dari SEM-PLS: di sinilah Anda menguji apakah variabel X berpengaruh terhadap variabel Y, dan seberapa kuat pengaruhnya.
Studi Kasus Ilustrasi
Untuk memperjelas setiap langkah, kita akan menggunakan contoh penelitian berikut sepanjang artikel ini:
Judul: "Pengaruh Persepsi Kemudahan Penggunaan (X1) dan Kepercayaan (X2) terhadap Minat Beli Online (Y) pada Pengguna Aplikasi Belanja di Kota Bandung"
- Sampel: 150 responden, kuesioner Likert 1–5
- X1 (Persepsi Kemudahan): 5 indikator (KM1–KM5)
- X2 (Kepercayaan): 4 indikator (KP1–KP4)
- Y (Minat Beli): 4 indikator (MB1–MB4)
Langkah-langkah Analisis di SmartPLS
Langkah 1: Persiapan dan Import Data
Siapkan data dalam format Excel (.xlsx) dengan ketentuan:
- Baris pertama adalah nama indikator (contoh: KM1, KM2, ..., KP1, ..., MB1, ...)
- Setiap baris berikutnya adalah satu responden
- Tidak ada baris atau kolom kosong di antara data
- Pastikan tidak ada sel yang kosong (missing value) — isi dengan nilai rata-rata atau hapus responden tersebut
Import ke SmartPLS melalui menu File > Import Data File, pilih file Excel Anda, dan konfirmasi bahwa SmartPLS mengenali baris pertama sebagai header.
Langkah 2: Membangun Model (Path Diagram)
Di canvas SmartPLS:
- Klik kanan di area kosong → Add Latent Variable → beri nama "KemudahanPenggunaan"
- Ulangi untuk "Kepercayaan" dan "MinatBeli"
- Hubungkan indikator ke masing-masing konstruk: klik indikator di panel data, drag ke konstruk yang sesuai
- Hubungkan konstruk sesuai hipotesis: klik kanan "KemudahanPenggunaan" → drag ke "MinatBeli" (ini membentuk path X1 → Y); ulangi untuk X2 → Y
- Pastikan arah panah outer model dari konstruk ke indikator (reflektif)
Langkah 3: Menjalankan PLS Algorithm
Klik Run > PLS Algorithm. Pengaturan default biasanya sudah memadai:
- Maximum Iterations: 300
- Stop Criterion: 10⁻⁷
- Weighting Scheme: Path (paling umum untuk outer model reflektif)
Hasil yang didapat: outer loading, weight, path coefficient, dan nilai AVE/CR/Cronbach's Alpha awal. Pada tahap ini belum ada nilai signifikansi — hanya koefisien dan ukuran kualitas.
Langkah 4: Evaluasi Outer Model
Lihat bagian evaluasi outer model di bawah, lakukan eliminasi indikator yang tidak memenuhi syarat, lalu jalankan ulang PLS Algorithm setelah setiap perubahan model.
Langkah 5: Bootstrapping
Setelah outer model memenuhi semua kriteria, jalankan Run > Bootstrapping. Pengaturan yang direkomendasikan:
- Number of Subsamples: 5.000 (standar industri; jangan kurang dari 1.000)
- Significance Level: 0.05
- Test Type: Two-tailed (paling umum; gunakan one-tailed hanya jika hipotesis berarah dan ada justifikasi teoritis)
- Centang Complete Bootstrapping untuk mendapatkan hasil yang lebih lengkap
Proses ini membutuhkan waktu beberapa menit. Hasilnya adalah nilai t-statistik, p-value, dan confidence interval untuk setiap path dan outer loading.
Langkah 6: Blindfolding (Opsional tapi Disarankan)
Jalankan Run > Blindfolding dengan omission distance D = 7 (nilai default). Ini menghasilkan nilai Q² yang mengukur relevansi prediktif model untuk setiap variabel endogen.
Evaluasi Outer Model (Model Pengukuran Reflektif)
Evaluasi outer model harus dilakukan sebelum mengevaluasi inner model. Ini seperti memastikan alat ukur Anda akurat sebelum menggunakannya.
Validitas Konvergen
1. Outer Loading
Outer loading mengukur korelasi antara indikator dan konstruknya.
| Nilai Outer Loading | Interpretasi |
|---|---|
| ≥ 0,70 | Memuaskan — pertahankan |
| 0,40–0,69 | Dapat dipertahankan jika AVE ≥ 0,50 |
| < 0,40 | Hapus dari model |
Dalam contoh kita, misalkan KM3 memiliki loading = 0,38. Karena < 0,40, KM3 dihapus. Jalankan ulang PLS Algorithm dan periksa apakah nilai AVE konstruk Kemudahan Penggunaan menjadi ≥ 0,50.
2. Average Variance Extracted (AVE)
AVE adalah rata-rata varians yang dijelaskan oleh konstruk dari indikator-indikatornya.
- AVE ≥ 0,50 = konstruk menjelaskan lebih dari setengah varians indikatornya → valid secara konvergen
- Ditemukan di output Construct Reliability and Validity
Contoh: Setelah KM3 dihapus, AVE untuk Kemudahan Penggunaan = 0,567. Ini memenuhi syarat ≥ 0,50.
Validitas Diskriminan
Validitas diskriminan memastikan bahwa setiap konstruk benar-benar mengukur sesuatu yang berbeda dari konstruk lain.
Kriteria HTMT (Heterotrait-Monotrait Ratio) — rekomendasi terbaru oleh Henseler et al. (2015):
| Nilai HTMT | Interpretasi |
|---|---|
| < 0,85 | Validitas diskriminan terpenuhi (konstruk konseptual mirip) |
| < 0,90 | Validitas diskriminan terpenuhi (konstruk berbeda) |
| ≥ 0,90 | Validitas diskriminan diragukan |
Contoh: HTMT antara Kemudahan Penggunaan dan Kepercayaan = 0,72. Ini memenuhi syarat.
Catatan: Beberapa dosen masih meminta kriteria Fornell-Larcker (akar AVE setiap konstruk harus lebih besar dari korelasi konstruk tersebut dengan konstruk lain). Tanyakan kepada pembimbing mana yang diutamakan di program studi Anda.
Reliabilitas Konstruk
Composite Reliability (CR):
| Nilai CR | Interpretasi |
|---|---|
| 0,60–0,69 | Cukup (untuk penelitian eksploratorif) |
| 0,70–0,79 | Memuaskan |
| ≥ 0,80 | Baik |
| > 0,95 | Perlu dicurigai (indikator terlalu mirip, kurang informatif) |
Cronbach's Alpha:
- ≥ 0,70 dianggap reliabel
- SmartPLS memberikan nilai ini bersama CR di output Construct Reliability and Validity
Contoh: CR untuk Kemudahan Penggunaan = 0,843; Cronbach's Alpha = 0,811. Keduanya memenuhi syarat.
Evaluasi Inner Model (Model Struktural)
Setelah outer model memenuhi semua kriteria, barulah Anda mengevaluasi inner model.
Koefisien Determinasi (R²)
R² mengukur seberapa besar varians variabel endogen (dependen/Y) dapat dijelaskan oleh variabel eksogen (independen/X) dalam model.
| Nilai R² | Kategori |
|---|---|
| > 0,75 | Kuat (Substantial) |
| 0,50–0,75 | Moderat |
| 0,25–0,50 | Lemah |
| < 0,25 | Sangat lemah |
Contoh: R² untuk Minat Beli = 0,594. Artinya, Kemudahan Penggunaan dan Kepercayaan secara bersama-sama menjelaskan 59,4% varians Minat Beli Online. Ini masuk kategori moderat.
Adjusted R² lebih disarankan ketika model memiliki banyak variabel eksogen, karena memperhitungkan penalti untuk setiap variabel tambahan.
Predictive Relevance (Q²)
Diperoleh dari prosedur Blindfolding.
| Nilai Q² | Interpretasi |
|---|---|
| > 0 | Model memiliki relevansi prediktif |
| > 0,25 | Relevansi prediktif kuat |
| ≤ 0 | Model tidak memiliki relevansi prediktif |
Contoh: Q² untuk Minat Beli = 0,341 → relevansi prediktif kuat.
Pengujian Hipotesis (Path Coefficient)
Output bootstrapping memberikan empat informasi kunci untuk setiap path:
| Informasi | Arti | Kriteria Signifikan (α = 0,05, two-tailed) |
|---|---|---|
| Path coefficient (β) | Kekuatan dan arah pengaruh | — |
| T-statistik | Nilai uji | > 1,96 |
| P-value | Probabilitas kesalahan | < 0,05 |
| Confidence Interval 95% | Batas bawah dan atas estimasi | Tidak mencakup 0 |
Contoh pelaporan hipotesis:
- H1: Kemudahan Penggunaan → Minat Beli (β = 0,352; T = 3,847; p = 0,000; CI [0,171; 0,528]) → Hipotesis diterima. Kemudahan penggunaan berpengaruh positif dan signifikan terhadap minat beli.
- H2: Kepercayaan → Minat Beli (β = 0,441; T = 5,213; p = 0,000; CI [0,274; 0,609]) → Hipotesis diterima. Kepercayaan berpengaruh positif dan signifikan terhadap minat beli.
Effect Size (f²)
Effect size mengukur seberapa besar kontribusi satu variabel eksogen terhadap R² variabel endogen.
| Nilai f² | Interpretasi |
|---|---|
| ≥ 0,35 | Efek besar |
| 0,15–0,35 | Efek sedang |
| 0,02–0,15 | Efek kecil |
| < 0,02 | Tidak ada efek praktis |
Cara Melaporkan Hasil di Bab IV
Hasil SEM-PLS biasanya dilaporkan dalam dua sub-bab utama:
1. Hasil Evaluasi Model Pengukuran (Outer Model)
Sajikan dalam tabel yang memuat outer loading, AVE, CR, dan Cronbach's Alpha untuk setiap konstruk. Contoh:
| Konstruk | Indikator | Outer Loading | AVE | CR | Cronbach's Alpha |
|---|---|---|---|---|---|
| Kemudahan Penggunaan | KM1 | 0,821 | 0,567 | 0,843 | 0,811 |
| KM2 | 0,794 | ||||
| KM4 | 0,731 | ||||
| KM5 | 0,758 |
2. Hasil Pengujian Hipotesis (Inner Model)
Sajikan dalam tabel yang memuat path coefficient, T-statistik, p-value, dan kesimpulan hipotesis.
Kesalahan Umum yang Harus Dihindari
- Mengevaluasi inner model sebelum outer model terpenuhi. Ini adalah kesalahan fundamental — hasil hipotesis tidak valid jika alat ukurnya belum terbukti valid dan reliabel.
- Menghapus indikator tanpa pertimbangan teoritis. Keputusan menghapus indikator harus dilandasi alasan konten, bukan semata-mata karena angka. Diskusikan dengan pembimbing.
- Menggunakan bootstrapping dengan sampel < 1.000. Hasilnya kurang stabil. Gunakan minimal 5.000 subsamples.
- Tidak melaporkan confidence interval. Banyak jurnal internasional kini mewajibkan CI, bukan hanya p-value.
- Mencampur aduk kriteria HTMT dan Fornell-Larcker tanpa memilih satu. Pilih satu kriteria dan konsisten — tanyakan ke pembimbing.
- Menginterpretasikan R² rendah sebagai kegagalan. Dalam ilmu sosial, R² = 0,25–0,50 sudah cukup bermakna jika konteks penelitiannya tepat.
- Tidak melaporkan Q² dan f². Meski opsional di beberapa kampus, keduanya memperkuat kualitas laporan penelitian Anda.
- Lupa mencantumkan versi SmartPLS yang digunakan dalam bab metodologi — ini penting untuk replikasi penelitian.
Rangkuman Alur Evaluasi SEM-PLS
Berikut urutan yang benar dan tidak boleh dibalik:
- Bangun model di SmartPLS → jalankan PLS Algorithm
- Evaluasi outer loading → hapus yang < 0,40; pertimbangkan yang 0,40–0,69
- Periksa AVE ≥ 0,50 untuk setiap konstruk
- Periksa CR ≥ 0,70 dan Cronbach's Alpha ≥ 0,70
- Periksa HTMT < 0,90 (atau < 0,85 untuk konstruk mirip)
- Jika ada yang tidak memenuhi, revisi model → ulangi dari langkah 1
- Setelah semua terpenuhi → jalankan Bootstrapping (5.000 subsamples)
- Jalankan Blindfolding → dapatkan Q²
- Laporkan hasil inner model: R², Q², path coefficient, T-stat, p-value, f²
Jika Anda membutuhkan pendampingan teknis dalam proses analisis ini, layanan olah data SmartPLS dari Jokify menyediakan bimbingan olah data dan interpretasi hasil secara profesional, lengkap dengan laporan yang siap Anda masukkan ke dalam bab hasil dan pembahasan skripsi.
