Tutorial SmartPLS 4 untuk Pemula: Analisis SEM-PLS Langkah demi Langkah

SmartPLS 4 adalah perangkat lunak untuk SEM-PLS (partial least squares structural equation modeling), metode yang menguji hubungan antarvariabel laten, misalnya kepercayaan atau minat beli, yang masing-masing diukur lewat beberapa butir kuesioner. Tutorial SmartPLS 4 untuk pemula ini membawa Anda dari impor data, menggambar model, mengevaluasi outer model dan inner model, sampai melaporkan hasilnya di Bab 4, memakai label menu SmartPLS 4 dan satu contoh data yang angkanya saling konsisten. Satu hal penting sejak awal: SmartPLS 4 tidak lagi menyediakan Blindfolding, sehingga nilai Q² versi lama diganti oleh PLSpredict.

Langkah Singkat SEM-PLS di SmartPLS 4

1. Siapkan data: baris pertama berisi nama indikator, satu baris per responden, dan missing value diberi kode (misalnya −99).
2. Buat proyek baru (New project), lalu klik Import data file dan pilih file .xlsx, .xls, .csv, .txt, atau .sav.
3. Klik Create model, pilih Model type PLS-SEM, lalu gambar konstruk, panah hipotesis, dan tarik indikator ke konstruknya.
4. Jalankan Calculate → PLS-SEM algorithm dan evaluasi outer model: loading, reliabilitas, AVE, dan HTMT.
5. Periksa inner model: VIF antarkonstruk, R², dan f².
6. Jalankan Calculate → Bootstrapping dengan 10.000 subsampel untuk menguji hipotesis dan efek mediasi.
7. Jalankan Calculate → PLSpredict/CVPAT untuk menilai kekuatan prediksi model.
8. Laporkan hasilnya dalam dua bagian: model pengukuran, lalu model struktural.

SEM-PLS atau CB-SEM: Kapan Memakai SmartPLS?

SEM-PLS menaksir model dengan membentuk skor konstruk dari indikatornya, lalu memaksimalkan varians yang dijelaskan pada konstruk endogen (konstruk yang dipengaruhi). CB-SEM (covariance-based SEM), seperti yang dijalankan di AMOS atau LISREL, berusaha mereproduksi matriks kovarians data dan menilai kecocokan model secara keseluruhan. Keduanya sah; pilihannya ditentukan oleh tujuan penelitian (Hair, Risher, et al., 2019; Hair et al., 2022).

Patokan sampel CB-SEM pada tabel mengikuti Hair, Black, et al. (2019). SmartPLS 4 sebenarnya juga menyediakan jenis model CB-SEM, tetapi bila tujuan Anda mengonfirmasi alat ukur dengan indeks kecocokan model, panduan CFA dengan AMOS lebih tepat.

Istilah dasar yang perlu Anda pahami

• Outer model (model pengukuran) menggambarkan hubungan setiap konstruk dengan indikatornya.
• Inner model (model struktural) menggambarkan hubungan antarkonstruk, yaitu hipotesis penelitian Anda.
• Konstruk reflektif: indikator mencerminkan konstruk (panah dari konstruk ke indikator), saling berkorelasi tinggi, dan menghapus satu indikator tidak mengubah makna konstruk.
• Konstruk formatif: indikator membentuk konstruk, sehingga membuang satu indikator mengubah makna konstruk. Evaluasinya berbeda (bobot dan VIF indikator) dan tidak dibahas di tutorial ini.

Contoh Kasus dan Persiapan Data

Data ilustrasi (fiktif) untuk latihan: 200 pengguna aplikasi belanja daring mengisi kuesioner skala Likert 1–5. Ada tiga konstruk reflektif: Persepsi Kemudahan Penggunaan (KM1–KM5), Kepercayaan (KP1–KP4), dan Minat Beli (MB1–MB4). Cara menyusun butir dan skornya dibahas di panduan kuesioner skala Likert. Hipotesisnya:

• H1: Kemudahan (KM) → Minat Beli (MB)
• H2: Kemudahan (KM) → Kepercayaan (KP)
• H3: Kepercayaan (KP) → Minat Beli (MB)
• H4: KM → KP → MB (Kepercayaan memediasi pengaruh Kemudahan terhadap Minat Beli)

Bentuk kalimat H0/H1 untuk tiap jalur dapat Anda susun mengikuti panduan merumuskan hipotesis penelitian.

Berapa sampel minimal untuk SEM-PLS?

Anggapan bahwa SEM-PLS "cukup 30 responden" tidak tepat. Metode inverse square root menghitung sampel minimal dari koefisien jalur terkecil yang Anda perkirakan (misalnya dari penelitian terdahulu), pada signifikansi 5% dan power 80%: n_min = (2,486 / |β_min|)² (Kock & Hadaya, 2018).

Contoh ini memakai 200 responden, di atas 155 untuk jalur terkecil 0,2. Dengan 100 responden, jalur yang dapat dideteksi dengan andal minimal sekitar 0,25. Aturan "10 kali jumlah panah terbanyak yang menuju satu konstruk" masih sering dikutip, tetapi cenderung menghasilkan sampel terlalu kecil (Kock & Hadaya, 2018). Rumus sampel lain dan cara menambah cadangan untuk kuesioner yang tidak kembali ada di panduan menghitung ukuran sampel.

Menyiapkan file data

• SmartPLS 4 membaca file Excel (.xls, .xlsx), SPSS (.sav), .csv, dan .txt. Baris pertama berisi nama indikator; sel lainnya hanya angka, tanpa teks atau karakter khusus.
• Jika file Anda memuat sel kosong atau titik (.) untuk data hilang, ganti dengan kode yang tidak pernah muncul di data, misalnya −99.
• Jika data hilang kurang dari 5% per indikator, penggantian dengan rata-rata (mean replacement) dapat dipakai. Responden yang jawabannya hilang lebih dari 15% sebaiknya dikeluarkan (Hair et al., 2022).
• Menurut panduan kasus resmi SmartPLS 4 untuk buku Hair et al. (2022), versi Student gratis tetapi dibatasi maksimal 100 observasi, sedangkan versi Professional tersedia sebagai uji coba 30 hari. Periksa ketentuan lisensi terbaru di smartpls.com sebelum mulai.

Langkah Mengolah Data di SmartPLS 4

1. Membuat proyek dan mengimpor data

1. Klik New project di toolbar (atau Files → Create new → New project), beri nama, lalu klik Create. Proyek muncul di jendela Workspace.
2. Klik Import data file di bawah nama proyek, pilih file data, lalu klik Open.
3. Di jendela impor, periksa pemisah kolom dan format desimal. Jika Anda memakai kode −99, ketik −99 pada kotak missing value dan klik Apply marker.
4. Klik Import. Tampilan data menunjukkan jumlah observasi, data hilang, statistik deskriptif (termasuk skewness dan excess kurtosis), serta korelasi antarindikator (Indicator correlations).

2. Menggambar model jalur

1. Klik Create model, pilih Model type PLS-SEM, isi nama model, lalu klik Save.
2. Pilih alat Latent variable, klik di area Modeling window, ketik nama konstruk (misalnya KM), lalu tekan Enter. Ulangi untuk KP dan MB. Klik Select untuk keluar dari mode menggambar.
3. Pilih alat Connect, klik konstruk asal lalu konstruk tujuan. Buat tiga panah: KM → KP, KM → MB, dan KP → MB.
4. Tarik setiap indikator dari jendela Indicators ke konstruknya. Konstruk berubah dari merah menjadi biru setelah memiliki indikator.
5. Klik Save. Konstruk reflektif otomatis diestimasi dengan Mode A; Anda tidak perlu mengubahnya.

3. Menjalankan PLS-SEM algorithm

Pilih Calculate → PLS-SEM algorithm dan gunakan pengaturan bawaan: Weighting scheme Path, Type of results Standardized, dan bobot awal 1,0. Pada tab Data, pilih cara menangani data hilang (Missing value algorithm). Centang Open report, lalu klik Start calculation. SmartPLS 4 memakai batas 3.000 iterasi dan kriteria berhenti 10⁻⁷; keduanya tidak dapat diubah (Hair et al., 2022).

Sebelum membaca hasil, buka Algorithm → Stop criterion changes di laporan. Jumlah iterasi harus jauh di bawah 3.000. Jika algoritma gagal berjalan karena singular data matrix, biasanya ada indikator yang nilainya konstan atau indikator yang tercantum dua kali.

Evaluasi Outer Model: Loading, Reliabilitas, dan Validitas

Evaluasi model pengukuran selalu didahulukan, karena hasil uji hipotesis tidak bermakna bila alat ukurnya belum valid dan reliabel. Logikanya sama dengan uji validitas dan reliabilitas di SPSS, tetapi kriterianya berbeda.

Outer loading

Buka Final results → Outer loadings. Loading adalah korelasi indikator dengan skor konstruknya; kuadratnya menunjukkan reliabilitas indikator.

Sumber: Hair et al. (2022).

Pada model awal, KM3 hanya memiliki loading 0,281 (reliabilitas indikator 0,079), sehingga dihapus dan PLS-SEM algorithm dijalankan ulang. MB4 memiliki loading 0,666. Butir ini dipertahankan karena AVE dan CR Minat Beli sudah memenuhi syarat; menghapusnya hanya mempersempit isi konstruk. Diskusikan setiap penghapusan dengan pembimbing dan laporkan alasannya.

Reliabilitas konstruk: Cronbach's alpha, rho_a, dan rho_c

Buka Quality criteria → Construct reliability and validity. SmartPLS 4 menampilkan Cronbach's alpha, Composite reliability (rho_a), Composite reliability (rho_c), dan Average variance extracted (AVE). Cronbach's alpha cenderung terlalu rendah dan rho_c cenderung terlalu tinggi; rho_a biasanya berada di antara keduanya (Dijkstra & Henseler, 2015). Nilai 0,70–0,95 menunjukkan reliabilitas yang memadai, 0,60–0,70 masih dapat diterima untuk penelitian eksploratif, dan nilai di atas 0,95 justru patut dicurigai karena butir-butirnya nyaris berulang (Hair et al., 2022).

Validitas konvergen (AVE)

AVE adalah rata-rata kuadrat loading dalam satu konstruk; syaratnya ≥ 0,50. Anda dapat memeriksa angka SmartPLS dengan menghitungnya sendiri dari loading model akhir. Untuk konstruk KM:

AVE KM  = (0,825² + 0,798² + 0,783² + 0,819²) / 4 = 2,601 / 4 = 0,650
CR (rho_c) KM = (Σλ)² / [(Σλ)² + Σ(1 − λ²)]
              = 3,225² / (3,225² + 1,399) = 10,401 / 11,800 = 0,881

Sebelum KM3 dihapus, AVE KM 0,529 dan rho_c 0,838; setelahnya naik menjadi 0,650 dan 0,881. Seluruh hasil model pengukuran akhir:

Semua reliabilitas berada di rentang 0,70–0,95 dan semua AVE ≥ 0,50, sehingga reliabilitas dan validitas konvergen terpenuhi.

Validitas diskriminan: HTMT, Fornell-Larcker, dan cross-loading

Buka Quality criteria → Discriminant validity. Kriteria utama adalah heterotrait-monotrait ratio (HTMT): nilainya harus di bawah 0,85 untuk konstruk yang konsepnya jelas berbeda, atau di bawah 0,90 untuk konstruk yang konsepnya mirip (Henseler et al., 2015).

Untuk menguji apakah HTMT benar-benar di bawah batas, jalankan bootstrapping dengan opsi Complete (slower), uji satu arah, α 0,05, lalu lihat batas atas interval kepercayaannya (Hair et al., 2022).

Beberapa dosen masih meminta kriteria Fornell-Larcker: akar AVE (diagonal) harus lebih besar daripada korelasi konstruk itu dengan konstruk lain. Kriteria ini kurang peka mendeteksi masalah, tetapi pelanggarannya menandakan masalah serius (Hair et al., 2022).

Pada tabel Cross loadings, setiap indikator harus memuat paling tinggi pada konstruknya sendiri. Contohnya MB4: 0,666 pada MB, tetapi hanya 0,318 pada KP dan 0,294 pada KM.

Evaluasi Inner Model: VIF, Jalur, R², dan PLSpredict

Kolinearitas antarkonstruk (inner VIF)

Buka Quality criteria → Collinearity statistics (VIF), tab Inner model. VIF di bawah 3 ideal dan di bawah 5 masih dapat diterima (Hair et al., 2022). Pada contoh, KM dan KP sebagai prediktor MB sama-sama memiliki VIF 1,455.

Uji hipotesis dengan bootstrapping

Pilih Calculate → Bootstrapping dengan pengaturan berikut:

• Subsamples: 10.000. Menurut dokumentasi SmartPLS, 1.000 subsampel cukup untuk percobaan awal, tetapi 10.000 dianjurkan untuk hasil akhir (SmartPLS, t.t.-b).
• Centang Do parallel processing. Pilih Most important (faster), atau Complete (slower) bila Anda juga membutuhkan interval kepercayaan HTMT.
• Confidence interval method: Percentile bootstrap. Test type: Two tailed. Significance level: 0,05.
• Pilih Fixed seed agar hasil dapat direplikasi, lalu klik Start calculation.

Hasilnya ada di Final results → Path coefficients (kolom Original sample, Sample mean, Standard deviation, T statistics, P values) dan tab Confidence intervals.

Ketiga jalur langsung positif dan signifikan: H0 ditolak karena p < 0,05 dan interval kepercayaannya tidak memuat nol. Jika keputusan berdasarkan p-value dan interval kepercayaan berbeda, Hair et al. (2022) menganjurkan berpegang pada interval kepercayaan bootstrap. Gunakan uji satu arah (Test type: One tailed) hanya jika hipotesis Anda berarah dan alasannya ditulis di Bab 3.

R², R² adjusted, dan f²

Buka Quality criteria → R-square dan Quality criteria → f-square. Ada dua patokan R² yang sering dipakai di Indonesia; sebutkan patokan mana yang Anda gunakan.

R² yang tergolong lemah bukan berarti penelitian gagal; minat beli dipengaruhi banyak faktor di luar model. Ukuran efek f² mengikuti patokan Cohen (1988), yaitu 0,02 kecil, 0,15 sedang, dan 0,35 besar. Hasil contoh: KM → KP 0,455 (besar), KP → MB 0,180 (sedang), dan KM → MB 0,083 (kecil). Jangan menghitung f² dengan menjalankan ulang model tanpa satu konstruk, karena skor konstruknya ikut berubah; SmartPLS menghitungnya dari skor model lengkap (Hair et al., 2022).

PLSpredict sebagai pengganti Q² Blindfolding

SmartPLS menghentikan dan menghapus Blindfolding di SmartPLS 4 karena prosedur itu hanya menilai prediksi di dalam sampel. Sebagai gantinya tersedia PLSpredict dan CVPAT yang menguji prediksi pada data di luar sampel pelatihan (SmartPLS, t.t.-a). Jalankan Calculate → PLSpredict/CVPAT dengan pengaturan bawaan 10 folds dan 10 pengulangan, pilih Fixed seed, lalu buka Final results → MV prediction summary.

Cara membacanya mengikuti Shmueli et al. (2019):

1. Q²predict > 0 pada semua indikator berarti model lebih akurat daripada sekadar menebak dengan rata-rata.
2. Bandingkan RMSE PLS-SEM dengan RMSE model regresi linear (LM). Jika semua indikator lebih kecil, kekuatan prediksi tinggi; jika sebagian besar atau setengahnya, sedang; jika sebagian kecil, rendah; jika tidak ada, model tidak memiliki kekuatan prediksi.

Keempat indikator MB, juga keempat indikator KP, memiliki RMSE PLS-SEM yang lebih kecil daripada LM, sehingga kekuatan prediksi model tergolong tinggi. CVPAT di Final results → CVPAT menguji hal serupa secara statistik: selisih average loss yang negatif dengan p < 0,05 berarti PLS-SEM lebih baik daripada pembanding.

Jika pembimbing meminta "Q²", jelaskan bahwa angka yang tersedia di SmartPLS 4 adalah Q²predict. Patokan Q² lama dari Blindfolding adalah > 0 kecil, > 0,25 sedang, dan > 0,50 besar (Hair, Risher, et al., 2019); jadi Q² 0,25–0,50 berarti relevansi prediktif sedang, bukan kuat.

Model fit (SRMR) bila diminta

SmartPLS menampilkan SRMR di Quality criteria → Model fit, dengan patokan < 0,08 (atau < 0,10 yang lebih longgar). Dokumentasi SmartPLS sendiri mengingatkan bahwa kriteria kecocokan model dalam PLS-SEM masih belum mapan, sehingga sebaiknya hanya dilaporkan sebagai pelengkap (SmartPLS, t.t.-c).

Mediasi dan Moderasi di SmartPLS 4

Mediasi: specific indirect effects

Efek tidak langsung KM → KP → MB adalah hasil kali dua jalur (0,559 × 0,407 = 0,228). Signifikansinya dibaca dari laporan bootstrapping di Final results → Specific indirect effects: t = 5,440; p < 0,001; interval kepercayaan 95% [0,150; 0,313]. Uji Sobel tidak diperlukan karena bootstrapping efek tidak langsung sudah menjadi praktik yang dianjurkan (Hair et al., 2022). Jenis mediasinya ditentukan bersama efek langsung (Zhao et al., 2010):

Pada contoh, efek langsung KM → MB (0,277) dan efek tidak langsung (0,228) sama-sama positif dan signifikan, sehingga Kepercayaan memediasi secara parsial dan komplementer; efek totalnya sekitar 0,50. Logika jalur langsung dan tidak langsung ini sama dengan analisis jalur di SPSS, tetapi SmartPLS mengujinya sekaligus pada variabel laten.

Moderasi: interaction term dengan pendekatan two-stage

Misalnya Anda ingin menguji apakah Pengalaman Belanja memperkuat pengaruh Kepercayaan terhadap Minat Beli:

1. Tambahkan konstruk moderator beserta indikatornya. Moderator satu butir, seperti usia, dimasukkan sebagai konstruk dengan satu indikator.
2. Klik tombol Moderating effect di toolbar, klik konstruk moderator, lalu klik panah KP → MB.
3. SmartPLS otomatis menambahkan jalur moderator → MB dan mengestimasi efek interaksi dengan pendekatan two-stage, yang juga berlaku bila konstruknya formatif (Hair et al., 2022).
4. Jalankan bootstrapping. Moderasi terbukti bila koefisien interaction term signifikan; tandanya menunjukkan apakah moderator memperkuat atau memperlemah hubungan.
5. Buka Final results → Simple slope analysis untuk melihat garis hubungan pada moderator rendah, rata-rata, dan tinggi.

Untuk ukuran efek interaksi, Kenny (2018, dalam Hair et al., 2022) memakai patokan f² 0,005 kecil, 0,01 sedang, dan 0,025 besar, jauh lebih kecil daripada patokan Cohen. Jika moderator Anda berupa variabel teramati dan modelnya regresi biasa, panduan uji moderasi dengan MRA di SPSS lebih sederhana.

Cara Melaporkan Hasil SEM-PLS di Bab 4

Susun subbab dengan urutan ini: (1) deskripsi responden dan variabel, (2) evaluasi model pengukuran (loading, reliabilitas, AVE, HTMT, dengan indikator yang dihapus beserta alasannya), (3) evaluasi model struktural (VIF, koefisien jalur, R², f², PLSpredict), (4) uji hipotesis langsung dan mediasi, lalu (5) pembahasan. Di Bab 3, sebutkan versi SmartPLS (Ringle et al., 2022), skema pembobotan, jumlah subsampel, metode interval kepercayaan, jenis uji (satu atau dua arah), dan penggunaan fixed seed.

Contoh kalimat, sesuaikan dengan penelitian Anda — jangan disalin mentah:

Evaluasi model pengukuran menunjukkan seluruh indikator memiliki loading ≥ 0,666 setelah KM3 (loading 0,281) dikeluarkan. Nilai rho_a dan rho_c seluruh konstruk berada di rentang 0,824–0,895 dan AVE berkisar 0,626–0,680, sehingga reliabilitas dan validitas konvergen terpenuhi. Nilai HTMT tertinggi 0,673 dengan batas atas interval kepercayaan 0,759 (< 0,85), sehingga validitas diskriminan terpenuhi.

Hasil bootstrapping dengan 10.000 subsampel menunjukkan bahwa Kepercayaan berpengaruh positif dan signifikan terhadap Minat Beli (β = 0,407; t = 6,024; p < 0,001; IK 95% [0,270; 0,536]), sehingga H3 didukung. Efek tidak langsung Kemudahan terhadap Minat Beli melalui Kepercayaan juga signifikan (β = 0,228; IK 95% [0,150; 0,313]); karena efek langsungnya tetap signifikan, Kepercayaan berperan sebagai mediator parsial komplementer.

Kesalahan Umum yang Ditandai Penguji

• Sampel terlalu kecil dengan alasan "PLS cocok untuk sampel kecil". Hitung sampel minimal dari jalur terkecil yang diharapkan.
• Membalik ambang HTMT. Batas 0,85 untuk konstruk yang konsepnya berbeda, 0,90 untuk yang mirip.
• Menghapus indikator hanya demi angka. Loading 0,40–0,708 dipertahankan bila AVE dan CR sudah memenuhi syarat dan butirnya penting secara isi.
• Melaporkan p-value tanpa interval kepercayaan dan arah koefisien. Penguji ingin tahu besar dan arah pengaruh, bukan hanya signifikansinya.
• Menulis "H0 diterima". Gunakan "H0 gagal ditolak" bila jalur tidak signifikan.
• Bootstrapping dengan random seed tanpa dicatat. Hasil berubah setiap dijalankan; gunakan Fixed seed dan laporkan jumlah subsampelnya.
• Tidak menyebut versi SmartPLS dan pengaturan algoritma di Bab 3, sehingga analisis tidak dapat direplikasi.

Langkah Berikutnya

Urutan kerjanya tidak boleh dibalik: pastikan model pengukuran valid dan reliabel, baru uji model struktural dan hipotesis. Simpan proyek SmartPLS beserta datanya (Export project) sebagai bukti olah data, karena penguji kadang meminta Anda menunjukkan output asli saat sidang. Setelah itu, susun pembahasan dengan membandingkan setiap jalur signifikan dan tidak signifikan dengan penelitian terdahulu di Bab 2.

Jika Anda ingin hasil SmartPLS Anda diperiksa atau dijalankan bersama pendamping, layanan olah data SmartPLS Jokify mengolah data kuesioner Anda sendiri dan menjelaskan setiap output, dari outer model hingga PLSpredict, agar Anda memahami setiap langkahnya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Apakah SmartPLS 4 gratis untuk mahasiswa?

Ada versi Student yang gratis, tetapi menurut panduan resmi SmartPLS 4 versi ini dibatasi maksimal 100 observasi. Untuk data lebih dari 100 responden, Anda memerlukan versi Professional, yang dapat dicoba gratis selama 30 hari sebelum harus membayar lisensi. Ketentuan lisensi bisa berubah, jadi periksa halaman resmi smartpls.com sebelum mulai mengolah data.

Apa beda SmartPLS 3 dan SmartPLS 4 untuk skripsi?

Perbedaan yang paling terasa adalah hilangnya Blindfolding, sehingga Q² diganti PLSpredict dan CVPAT, serta batas iterasi PLS-SEM algorithm yang kini tetap 3.000 dengan kriteria berhenti 10⁻⁷. SmartPLS 4 juga menambah jenis model lain seperti CB-SEM, regresi, dan PROCESS. Langkah intinya tetap sama, jadi panduan lama masih dapat diikuti selama Anda menyesuaikan nama menu dan menyebutkan versi yang dipakai di Bab 3.

Apakah data SEM-PLS harus berdistribusi normal?

Tidak, karena PLS-SEM tidak mengasumsikan distribusi tertentu dan signifikansinya diuji dengan bootstrapping. Namun, data yang sangat menceng atau runcing tetap memperbesar standard error hasil bootstrapping, sehingga peluang menemukan pengaruh signifikan berkurang. Karena itu, tetap laporkan skewness dan excess kurtosis setiap indikator yang tersedia di tampilan data SmartPLS.

Bagaimana jika nilai HTMT di atas 0,90?

Periksa tabel cross-loading untuk mencari butir yang memuat tinggi pada dua konstruk sekaligus, lalu pertimbangkan menghapus butir itu bila isinya memang tumpang tindih. Tinjau juga definisi kedua konstruk; bisa jadi secara konsep keduanya terlalu mirip sehingga lebih tepat digabung atau dirumuskan ulang. Setiap perubahan harus dilandasi teori dan dilaporkan, bukan sekadar mengejar angka di bawah batas.

Kapan boleh memakai uji satu arah di SmartPLS?

Uji satu arah boleh dipakai bila hipotesis Anda berarah, misalnya "berpengaruh positif", dan dasar teorinya kuat. Pilih Test type One tailed saat bootstrapping, maka nilai t kritis pada α 5% menjadi 1,645, bukan 1,96. Periksa juga tanda koefisiennya, karena jalur yang signifikan tetapi berlawanan arah dengan hipotesis tidak mendukung hipotesis tersebut.

Referensi

• Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Dalam G. A. Marcoulides (Ed.), Modern methods for business research (hlm. 295–336). Lawrence Erlbaum.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131
• Ringle, C. M., Wende, S., & Becker, J.-M. (2022). SmartPLS 4 [Perangkat lunak]. SmartPLS. https://www.smartpls.com
• Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189
• SmartPLS. (t.t.-a). Blindfolding. Diakses 10 Oktober 2026, dari https://www.smartpls.com/documentation/algorithms-and-techniques/resampling-and-inference/blindfolding
• SmartPLS. (t.t.-b). Bootstrapping. Diakses 10 Oktober 2026, dari https://smartpls.com/documentation/algorithms-and-techniques/resampling-and-inference/bootstrapping
• SmartPLS. (t.t.-c). Model fit. Diakses 10 Oktober 2026, dari https://smartpls.com/documentation/algorithms-and-techniques/validity-and-model-fit/model-fit
• Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257