Sampel SmartPLS: 10 Kali Indikator Sudah Tidak Dianjurkan

Aturan 10 kali jumlah indikator sudah tidak dianjurkan sebagai penentu ukuran sampel PLS-SEM, dan yang mengatakan itu termasuk dokumentasi SmartPLS sendiri. Penggantinya adalah metode inverse square root, yang menghitung sampel minimal dari koefisien jalur terkecil yang mau kamu deteksi: bagi 2,486 dengan koefisien itu, lalu kuadratkan. Kabar ini belum sampai ke banyak buku panduan skripsi, jadi aturan lama masih ditulis di bab tiga setiap hari.

#Dari mana aturan 10 kali indikator dan kenapa ditinggalkan?

Aturan itu berbunyi: ambil jumlah indikator terbanyak pada satu konstruk formatif, atau jumlah jalur struktural terbanyak yang masuk ke satu konstruk, lalu kalikan sepuluh. Model dengan konstruk formatif berindikator enam berarti 60 responden.

Kelemahannya bisa dilihat tanpa menghitung apa pun. Aturan itu tidak menyebut besar efek, taraf signifikansi, maupun daya uji sama sekali. Padahal jumlah indikator adalah soal pengukuran, sementara jumlah sampel adalah soal kemampuan mendeteksi. Dua model dengan jumlah indikator identik tapi koefisien jalur yang sangat berbeda butuh responden yang sangat berbeda, dan aturan 10 kali memberi angka yang sama untuk keduanya.

Arah kesalahannya juga hampir selalu sama, yaitu terlalu kecil. Enam puluh responden tidak cukup untuk menyatakan jalur sebesar 0,20 signifikan, dan itu ukuran jalur yang biasa muncul di penelitian perilaku. Jadi mahasiswa mengumpulkan 60 data, menjalankan bootstrapping, lalu melaporkan tiga dari lima hipotesis tidak terdukung. Yang tidak terdukung bukan hipotesisnya.

#Berapa sampel yang dibutuhkan menurut inverse square root?

Hitungannya satu baris. Ambil koefisien jalur terkecil yang masih kamu anggap penting, bagi 2,486 dengan angka itu, lalu kuadratkan dan bulatkan ke atas. Konstanta 2,486 berlaku untuk taraf signifikansi 5 persen dengan daya uji 80 persen, dan ada konstanta berbeda untuk taraf 1 persen.

Baca tabel itu dari atas, bukan dari bawah. Perbedaan antara jalur 0,20 dan 0,30 cuma sepuluh poin desimal, tapi bedanya 86 responden. Efek yang lebih halus menuntut sampel yang jauh lebih besar, dan itu memang kenyataannya.

#Angka mana yang dipakai sebagai koefisien jalur terkecil?

Di sini letak keputusan yang sebenarnya, dan di sini juga tempat paling mudah untuk menipu diri sendiri. Ada tiga sumber, berurutan dari yang paling kuat.

1. Penelitian sebelumnya dengan model yang mirip. Ambil koefisien terkecil yang masih kamu anggap penting untuk dideteksi, bukan rata-rata semua koefisien, dan bukan yang terbesar.
2. Studi pendahuluan dengan 30 responden. Jangan pakai untuk menyimpulkan apa pun, cukup untuk menebak besaran. Tulis juga di bab tiga bahwa angka itu berasal dari studi pendahuluan.
3. Kalau dua-duanya tidak ada, pakai patokan konservatif. Untuk efek sedang di penelitian perilaku, 0,20 adalah angka yang umum dipakai, dan hasilnya 155.

Yang tidak boleh dilakukan adalah memilih 0,40 karena hasilnya 39 dan itu yang sanggup kamu kumpulkan. Kalau koefisien aslinya 0,18 sementara sampelmu 39, hampir pasti tidak signifikan, dan kamu akan menulis pembahasan panjang tentang kenapa teorinya tidak berlaku di Indonesia. Yang tidak berlaku adalah jumlah respondennya.

#Contoh untuk model dengan lima jalur

Misalkan dari tiga penelitian sejenis kamu memperkirakan lima koefisien jalur: 0,45, 0,38, 0,31, 0,22, dan 0,19.

Yang menentukan adalah 0,19, yaitu yang terkecil, bukan rata-ratanya yang 0,31. Logikanya: kalau sampelmu cuma cukup untuk mendeteksi 0,31, jalur 0,19 akan terbaca tidak signifikan dan satu hipotesis gugur karena perencanaan.

Bagi 2,486 dengan 0,19 lalu kuadratkan, hasilnya 172. Itu jumlah data valid yang kamu butuhkan, dan sekarang tambahkan dua lapis cadangan. Kalau kamu memperkirakan 15 persen baris akan dibuang karena pengisi di luar populasi atau menjawab seragam dari atas sampai bawah, targetnya naik jadi 203. Kalau tingkat pengembalian kuesioner onlinemu sekitar separuh, sebarkan ke sekitar 406 orang.

Angka 60 dari aturan 10 kali indikator dan angka 406 dari perhitungan ini adalah jarak yang menjelaskan kenapa banyak skripsi PLS berakhir dengan hipotesis yang gugur tanpa sebab yang jelas.

#Apa yang ditulis di bab tiga supaya tetap bisa mengutip Hair?

Jangan buang referensi lama. Cara paling aman adalah menuliskan dua-duanya dan menjelaskan kenapa kamu memilih yang satu sebagai penentu.

Paragraf ukuran sampelmu sebaiknya memuat lima hal ini, dan urutannya memang begini:

1. Angka yang dihasilkan aturan 10 kali indikator, lengkap dengan dasar hitungannya.
2. Alasan angka itu tidak dijadikan penentu akhir, yaitu karena tidak memperhitungkan besar efek dan daya uji.
3. Koefisien jalur terkecil yang kamu targetkan, beserta dari mana angkanya kamu ambil.
4. Hasil hitungan inverse square root.
5. Angka akhir yang dipakai, yaitu yang terbesar dari dua angka itu, ditambah cadangan untuk data yang dibuang.

Lima poin itu cukup ditulis dalam satu paragraf dan menutup hampir semua pertanyaan penguji tentang ukuran sampel. Hair tetap kamu kutip, karena kriteria lain yang kamu pakai memang berasal dari sana: ambang outer loading, nilai AVE, uji HTMT untuk validitas diskriminan, dan tafsiran R². Yang digantikan hanya cara menentukan jumlah responden, bukan seluruh kerangkanya.

Kalau pembimbingmu bertahan pada aturan 10 kali, perdebatannya tidak perlu dimenangkan. Angka yang lebih besar memenuhi dua aturan sekaligus, jadi ambil yang lebih besar dan tulis keduanya.

#Kesalahan yang sering terjadi

1. Aturan 10 kali dihitung dari total seluruh indikator di model, bukan dari jumlah indikator terbanyak pada satu konstruk. Selisih hasilnya bisa lima kali lipat.
2. Aturan 10 kali diterapkan pada model yang seluruh konstruknya reflektif, padahal aturan itu lahir untuk konstruk formatif dan jumlah jalur struktural.
3. Koefisien jalur terkecil ditentukan setelah data masuk, dengan melihat output sendiri. Itu bukan perencanaan sampel, itu pembenaran setelah kejadian.
4. PLS dipakai dengan 40 responden dengan alasan PLS tahan sampel kecil. PLS memang tetap menghasilkan estimasi, tapi rentang keyakinannya lebar, dan jalur berukuran sedang akan terbaca tidak signifikan.
5. Bootstrapping dijalankan 500 kali karena lebih cepat. Lima ribu sudah jadi standar dan bedanya hanya waktu tunggu beberapa detik.
6. Angka hasil hitungan ditulis sebagai target penyebaran kuesioner, padahal itu target data yang terpakai.
7. Nilai R² yang tinggi dipakai sebagai bukti sampel sudah cukup. R² tidak mengukur kecukupan sampel dan bisa tinggi di data yang sangat kecil.

#FAQ

#Apakah PLS benar-benar bisa dipakai dengan sampel kecil?

Bisa menghasilkan estimasi, iya. Bisa mendeteksi efek kecil, tidak. Kalimat "PLS cocok untuk sampel kecil" biasanya dikutip tanpa separuh keduanya, dan separuh yang hilang itu yang menggugurkan hipotesis.

#Kalau hasil inverse square root lebih kecil dari aturan 10 kali, pakai yang mana?

Yang lebih besar, selalu. Dua aturan itu menjawab pertanyaan yang berbeda, jadi memenuhi keduanya tidak merugikan apa pun kecuali waktu pengumpulan data.

#Apakah masih boleh mengutip Hair untuk kriteria lain?

Boleh dan memang sebaiknya. Ambang outer loading, AVE, reliabilitas komposit, HTMT, dan tafsiran R² tetap mengacu ke sana. Yang berubah hanya penentuan ukuran sampel.

#Berapa outer loading minimal supaya indikator dipertahankan?

Nilai 0,70 ke atas aman. Antara 0,40 dan 0,70 masih bisa dipertahankan kalau AVE dan reliabilitas komposit sudah memenuhi syarat, jadi jangan langsung dibuang. Pertimbangan membuang atau memperbaikinya dibahas di item kuesioner tidak valid, dibuang atau diperbaiki.

#Apakah data harus berdistribusi normal untuk PLS?

Tidak, dan itu salah satu alasan PLS sering dipilih untuk data kuesioner. Tapi pencilan ekstrem tetap menggeser hasil, jadi periksa sebaran sebelum menjalankan model.

#Model saya punya variabel moderasi, apakah hitungan sampelnya berubah?

Berubah, dan biasanya naik. Suku interaksi hampir selalu punya koefisien lebih kecil daripada jalur utama, jadi dialah yang menentukan. Cara mengujinya dibahas di variabel moderasi vs intervening.

Untuk penelitian survei biasa yang tidak memakai model jalur, penentuan sampelnya berbeda lagi dan ada di rumus Slovin dan kapan dia tidak valid, termasuk kalkulatornya.