Cara Olah Data SmartPLS untuk Skripsi, Langkah demi Langkah

Cara olah data SmartPLS untuk skripsi jalan dalam enam langkah: rapikan data di Excel, simpan sebagai CSV, buat project baru lalu impor, gambar model beserta indikatornya, jalankan PLS Algorithm untuk menguji outer model, dan jalankan Bootstrapping untuk menguji hipotesis. Yang bikin mandek biasanya bukan langkahnya. Yang bikin mandek adalah pertanyaan di tengah jalan: indikator dengan loading 0,63 itu dibuang atau tidak, angka mana yang benar-benar ditempel ke Bab 4, dan apa jawabannya kalau penguji bertanya kenapa kamu pakai SmartPLS dan bukan SPSS. Tiga hal itu yang dibahas di sini, bukan cuma urutan menunya.

#Apa yang harus beres sebelum SmartPLS dibuka

Sebagian besar error impor berasal dari file, bukan dari aplikasi. Bentuk datanya satu baris satu responden, satu kolom satu indikator.

1. Baris pertama berisi nama indikator yang pendek: X1.1, X1.2, Y1.3. Nama ini akan muncul di gambar model, jadi jangan tulis pertanyaan kuesionernya.
2. Jawaban skala Likert ditulis sebagai angka 1 sampai 5, bukan teks Sangat Setuju. SmartPLS menolak kolom teks sebagai indikator.
3. Hapus kolom yang tidak dipakai (timestamp Google Form, nama, email) kecuali kamu memang butuh untuk analisis kelompok.
4. Tidak boleh ada baris kosong di tengah dan tidak boleh ada sel kosong kalau bisa dihindari. Kalau yang kosong cuma satu dua sel, mean replacement masih wajar. Kalau satu responden mengosongkan banyak jawaban, lebih bersih dibuang sekalian dan jumlahnya dicatat di Bab 3.
5. Simpan sebagai CSV, bukan XLSX. Pastikan pemisahnya koma, dan desimalnya titik.

Soal jumlah responden, aturan praktis yang paling sering dipakai adalah sepuluh kali jumlah panah yang masuk ke satu konstruk terbanyak. Model dengan tiga variabel bebas menuju satu variabel terikat berarti minimal sekitar 30 responden secara statistik, tapi angka sekecil itu hampir selalu ditolak di tingkat prodi. Kalau kamu menghitung sampel dengan rumus Slovin, hitungannya bisa dicek cepat di kalkulator ukuran sampel Slovin supaya angka di Bab 3 konsisten dengan jumlah data yang kamu olah.

#Urutan menunya, dari impor sampai gambar model

Nama menu di bawah ini mengikuti SmartPLS 4. Di versi 3 labelnya mirip, hanya letaknya sedikit berbeda.

1. New project, beri nama, lalu Import data file dan pilih CSV kamu.
2. Klik dua kali nama project untuk membuka jendela model.
3. Ambil Latent variable dari toolbar, letakkan di kanvas, ganti namanya jadi nama konstruk (misalnya Kualitas Layanan).
4. Daftar indikator muncul di panel samping. Tarik indikator yang relevan ke konstruknya. Kalau sudah benar, kotak indikator menempel di sisi konstruk.
5. Pakai Connect untuk menarik panah antar konstruk sesuai hipotesis. Arah panah mengikuti teori, bukan mengikuti hasil yang kamu harapkan.
6. Konstruk reflektif (indikator adalah cerminan konstruk) dibiarkan di mode default. Konstruk formatif (indikator adalah pembentuk konstruk) diubah lewat klik kanan, Invert measurement model. Jangan diubah kalau kamu tidak bisa menjelaskan alasannya di sidang.
7. Calculate, lalu PLS-SEM Algorithm.

#Metrik outer model dan ambang yang diminta penguji

Ambang di tabel ini mengacu ke buku PLS-SEM Hair dan rekan, rujukan yang paling sering dipakai di skripsi Indonesia. Tulis sumbernya di Bab 3 supaya kamu tidak perlu berdebat soal angka ambang saat sidang.

AVE di atas 0,50 artinya konstruk menjelaskan lebih dari separuh variasi indikatornya. Composite reliability di atas 0,95 bukan kabar baik, itu tanda indikatormu nyaris menanyakan hal yang sama berulang kali.

#Satu indikator loading-nya rendah, dibuang atau dipertahankan

Ini keputusan yang tidak ada di modul mana pun, dan ini yang paling sering diputuskan dengan cara keliru: indikator dibuang satu per satu sampai semua angka hijau. Aturannya sebenarnya berurut.

Loading di bawah 0,40 dibuang, tanpa diskusi. Loading di atas 0,70 dipertahankan. Yang abu-abu adalah rentang 0,40 sampai 0,70, dan di sana syaratnya satu: indikator itu dibuang hanya kalau membuangnya menaikkan AVE atau composite reliability konstruknya melewati ambang. Kalau AVE dan reliabilitas sudah lolos, indikator itu dipertahankan meskipun loading-nya 0,63.

Contoh konkretnya. Konstruk X2 punya lima indikator, X2.4 loading-nya 0,612, dan AVE X2 keluar 0,538. AVE sudah di atas 0,50, jadi X2.4 tetap dipakai. Kasus kedua, AVE X2 keluar 0,472. Di sini X2.4 dibuang, AVE dihitung ulang, dan misalnya naik jadi 0,541. Keputusannya berbeda bukan karena loading-nya berbeda, tapi karena akibatnya berbeda.

Dua rambu tambahan. Jangan buang indikator sampai satu konstruk tinggal menyisakan satu atau dua indikator, karena konstruk jadi kehilangan isi yang kamu janjikan di definisi operasional. Dan setiap indikator yang dieliminasi harus dicatat di Bab 4 beserta alasannya, karena penguji akan membandingkan kuesioner 30 item di Bab 3 dengan 26 indikator di tabel hasilmu dan menanyakan selisihnya.

#Uji hipotesis lewat Bootstrapping

PLS Algorithm tidak mengeluarkan nilai t dan p sama sekali. Keduanya hanya keluar dari Bootstrapping, dan ini sumber kebingungan nomor satu saat mahasiswa mencari kolom Sig. seperti di SPSS.

Masuk ke Calculate, Bootstrapping, lalu atur subsamples 5000. Angka 500 memang lebih cepat, tapi hasilnya bergeser setiap kali dijalankan dan itu bikin tabelmu tidak sama dengan yang kamu tulis minggu lalu. Pilih two tailed kalau hipotesismu tidak menyebut arah (berpengaruh signifikan), dan one tailed kalau hipotesismu menyebut arah (berpengaruh positif). Hasilnya dibaca di Path Coefficients, kolom T Statistics dan P Values.

Ambang penolakan hipotesis nol pada taraf 5 persen adalah t di atas 1,96 untuk dua arah dan 1,645 untuk satu arah, atau p di bawah 0,05. Untuk inner model, R kuadrat 0,75 dibaca kuat, 0,50 moderat, dan 0,25 lemah. Ukuran efek f kuadrat 0,02 kecil, 0,15 sedang, 0,35 besar. Kalau kamu menguji mediasi, ambil angkanya dari Specific Indirect Effects, bukan dihitung manual dengan uji Sobel.

#Tabel apa saja yang masuk ke Bab 4

Output SmartPLS bisa puluhan halaman kalau dicetak semua, dan menempel semuanya adalah cara cepat membuat Bab 4 tidak terbaca. Yang perlu ada cuma enam.

1. Tabel outer loading indikator final.
2. Tabel Cronbach alpha, composite reliability, dan AVE per konstruk.
3. Tabel HTMT (dan Fornell-Larcker kalau pembimbingmu masih memintanya).
4. Tabel R kuadrat, dan f kuadrat kalau diminta.
5. Tabel path coefficient dengan nilai t, nilai p, dan kolom keputusan diterima atau ditolak.
6. Satu gambar model berisi angka loading dan koefisien jalur.

Salin angkanya ke Excel lalu bulatkan ke tiga desimal, jangan tempel tangkapan layar tabel. Cara menyusun kalimat pembahasan dari angka-angka itu dibahas terpisah di cara menulis Bab 4 skripsi.

#Kapan SmartPLS memang lebih tepat daripada SPSS

Pertanyaan ini sering muncul di sidang dan jawaban yang jujur bukan karena SmartPLS lebih canggih.

SmartPLS lebih tepat kalau modelmu berlapis, misalnya X mempengaruhi Z dan Z mempengaruhi Y, sehingga ada lebih dari satu variabel terikat dalam satu model. Juga kalau kamu menguji mediasi atau moderasi sekaligus, kalau variabelmu laten dengan banyak indikator dan kamu tidak ingin menganggap semua item berbobot sama, kalau sampelmu kecil, atau kalau datanya jauh dari normal.

Sebaliknya, kalau modelmu cuma satu lapis (X1, X2, X3 menuju Y), sampelmu besar, dan datanya normal, regresi berganda di SPSS sudah cukup dan jauh lebih mudah dipertanggungjawabkan. Memaksa SmartPLS di model sesederhana itu tidak salah, tapi kamu menambah daftar metrik yang harus kamu kuasai tanpa dapat keuntungan analitis. Kalau tujuanmu justru menguji kecocokan model teori secara keseluruhan dengan indeks goodness of fit dan sampelmu besar, alat yang dicari biasanya AMOS atau Lisrel, bukan SmartPLS.

#Kesalahan yang sering terjadi

• Mencari kolom signifikansi di output PLS Algorithm. Nilai p hanya ada di Bootstrapping.
• Menulis berpengaruh positif dan signifikan padahal koefisien jalurnya negatif. Baca tandanya, bukan cuma nilai p.
• Membuang indikator sampai semua angka hijau tanpa mencatat apa pun, lalu jumlah item di Bab 3 tidak cocok dengan Bab 4.
• Menjalankan bootstrapping dengan 500 subsamples, lalu panik karena nilai p berubah di percobaan berikutnya.
• Menyimpulkan model gagal karena R kuadrat cuma 0,31. Nilai itu lemah menurut kategori, bukan tanda analisismu salah.
• Membalik arah panah supaya hasilnya signifikan. Arah panah ditentukan teori di Bab 2.
• Menuliskan AVE 0,49 sebagai memenuhi syarat karena mendekati 0,50.

#Berapa minimal responden untuk analisis SmartPLS?

Aturan praktis yang umum dipakai adalah sepuluh kali jumlah panah terbanyak yang masuk ke satu konstruk. Secara statistik PLS memang bisa jalan dengan sampel kecil, tapi hampir semua prodi punya batas minimalnya sendiri, jadi tanyakan dulu ke pembimbing sebelum menutup pengumpulan data.

#Apa bedanya Cronbach alpha, rho_A, dan composite reliability?

Ketiganya mengukur konsistensi internal dengan asumsi berbeda. Cronbach alpha menganggap semua indikator berbobot sama sehingga cenderung paling rendah, composite reliability memakai bobot sebenarnya sehingga cenderung paling tinggi, dan rho_A ada di antaranya. Laporkan ketiganya kalau tabelmu memuat semuanya, dan pakai ambang 0,70 untuk semua.

#Kenapa nilai p saya berubah setiap kali bootstrapping dijalankan?

Karena bootstrapping mengambil subsampel secara acak. Semakin banyak subsamples, semakin stabil hasilnya. Pakai 5000, simpan hasilnya satu kali, dan pakai angka itu konsisten di seluruh naskah.

#Hipotesis saya tidak signifikan, berarti olah datanya salah?

Belum tentu, dan ini bukan alasan untuk mengulang analisis sampai hasilnya berubah. Yang perlu dipastikan dulu adalah arah panah, indikator yang tersisa, dan jumlah data yang benar-benar terolah. Setelah itu hasil tidak signifikan ditulis sebagai temuan. Cara menuliskannya ada di panduan hipotesis ditolak.

#Perlu uji normalitas dan uji asumsi klasik seperti di SPSS?

PLS-SEM tidak menuntut data berdistribusi normal, jadi uji normalitas bukan syarat masuk. Yang tetap perlu diperiksa adalah multikolinearitas lewat nilai VIF. Kalau pembimbingmu tetap meminta uji normalitas, lampirkan saja sebagai informasi tambahan tanpa menjadikannya dasar pengambilan keputusan.

#Versi gratis SmartPLS cukup untuk skripsi?

Versi percobaan membatasi masa pakai, bukan jenis analisisnya, jadi secara teknis cukup untuk satu model skripsi. Yang berisiko adalah masa percobaan habis di tengah revisi. Selesaikan analisis dalam satu rentang waktu, simpan seluruh output ke Excel, dan kalau alur skripsimu secara keseluruhan masih berantakan, rapikan dulu lewat panduan skripsi dari nol.