ANALISIS DATA MENGGUNAKAN APLIKASI SMARTPLS V.3.2.

7 2018

Oleh : Natalia Ririn Furadantin

Mahasiswa Program Pasca Sarjana Universitas Palangka Raya
Program Studi Magister Sains Manajemen

Mahasiswa yang sedang mengerjakan penelitian untuk skripsi atau tesis kerap
mengalami kebingungan saat melakukan analisis data, khususnya analisis inferensial.
Penulis telah mengikuti workshop tentang cara menggunakan aplikasi SmartPLS, namun
waktu satu hari itu ternyata tidak cukup untuk membuat penulis bisa menggunakan aplikasi
SmartPLS dengan maksimal. Akhirnya penulis terpaksa mencari tahu sendiri di website
SmartPLS, forum-forum diskusi, dan membaca berbagai artikel dan buku tentang
SmartPLS. Hasil telusur tersebut penulis sajikan dalam artikel ini, dengan harapan dapat
membantu rekan-rekan mahasiswa menyelesaikan tesis atau skripsi dengan analisis yang
memadai.
Sebagai awal, izinkan penulis mengulang sedikit mengenai jenis analisis data yang
sering digunakan dalam penulisan tesis atau skripsi, yaitu analisis deskriptif dan analisis
inferensial.
1. Analisis Deskriptif
Analisis deskriptif adalah analisis statistik yang berfungsi untuk mendeskripsikan
atau memberi gambaran terhadap obyek yang diteliti melalui data sampel atau populasi
sebagaimana adanya tanpa melakukan analisis dan membuat kesimpulan yang berlaku
umum dalam penelitian ( Ferdinand, 2014 ). Dalam analisis deskriptif, seorang peneliti
akan menjelaskan obyek penelitian, memetakan responden berdasarkan karakteristik
mereka, serta memetakan kecenderungan tanggapan responden terhadap pertanyaan-
pertanyaan yang berkaitan dengan indikator-indikator variabel penelitian.
Teknik yang sering digunakan untuk memetakan respon responden adalah mean
atau rerata dan analisis indeks. Nilai mean atau rerata adalah jumlah seluruh data dibagi
dengan banyaknya data yang ada. Mean merupakan ukuran tendensi sentral yang paling
umum digunakan karena mean merupakan cara termudah untuk mendeskripsikan data (
Kuncoro, 2013 ). Sedangkan analisis indeks yang sering digunakan adalah Three-box
Method ( Ferdinand, 2014 ).
2. Analisis Inferensial
Analisis inferensial adalah serangkaian metode yang digunakan untuk mengolah
data agar dapat ditarik kesimpulan atau menguji hipotesis ( menurut penulis ). Analisis
inferansial terbagi menjadi menjadi teknik statistik inferensial parametrik dan teknik statistik
inferensial non parametrik. Dalam melakukan Teknik statistik inferensial parametrik,
seorang peneliti dibantu dengan menggunakan alat analisis yang sesuai dengan model
penelitian. Misalnya analisis regresi, regresi moderasi, dan regresi dua tahap bias
menggunakan SPSS. Analisis kausalitas biasa menggunakan SEM atau Structural
Equation Modelling. Analisis kausalitas jalur dapat dilakukan dengan menggunakan Path
Analysis ( Ferdinand, 2014 ).
Penulis tidak akan menguraikan mengenai SEM atau Structural Equation Modelling
dalam tulisan ini, melainkan SEM-PLS atau Structural Equation Modelling – Partial Least
Square.

1
 2

Banyak peneliti memilih menggunakan SEM-PLS karena berbagai alasan. Abdillah

dan Hartono (2015) menyebutkan bahwa SEM-PLS merupakan variance atau
commponent-based SEM, di mana indikator-indikator variabel laten yang satu tidak
dikorelasikan dengan indikator-indikator dari variabel laten lain dalam satu model
penelitian. Keunggulan SEM-PLS adalah bersifat non parametrik atau tidak membutuhkan
berbagai asumsi. Jumlah sampel yang dibutuhkan dalam SEM-PLS tidak besar. Hanya
dengan 30 sampel saja aplikasi bisa dijalankan. SEM-PLS dapat menganalisis konstruk
dengan indikator normatif maupun reflektif, serta dapat digunakan pada model yang dasar
teorinya masih belum kuat.
Ghozali dan Latan (2015) menyebutkan bahwa dalam hal menguji hubungan antar
konstruk, SEM-PLS bersifat prediktif dan hanya satu arah, tidak rekursif.
Abdillah dan Hartono (2015) juga menyebutkan bahwa teknik statistika variance-
based SEM adalah pilihan yang tepat untuk riset prediksi. Riset prediksi adalah riset yang
bertujuan untuk menguji pengaruh antar variabel untuk memprediksi hubungan sebab-
akibat. Hipotesis yang diuji adalah hipotesis parsial, yaitu hipotesis yang menyatakan
hubungan relational atau kausal antar variabel saja, bukan hubungan relational atau kausal
satu model penelitian ( hipotesis model ). Kriteria kelayakan hasil penelitian mengacu pada
tingkat signifikansi prediksi hubungan antar variabel atau t-statistics.
Berdasarkan beberapa sifat dan keunggulan SEM-PLS di atas, pembaca dapat
menentukan apakah SEM-PLS sesuai untuk kebutuhan analisis data penelitian yang
pembaca rencanakan.
Langkah berikutnya adalah memilih aplikasi SEM-PLS. ada berbagai aplikasi yang
tersedia di pasaran, misalnya SmartPLS, WarpPLS. Mengenai keunggulan dan
kekurangan masing-masing aplikasi, penulis tidak akan membahasnya dalam tulisan ini.
Analisis data statistik yang akan diuraikan dalam tulisan ini adalah SEM-PLS dengan
menggunakan aplikasi SmartPLS v.3.2.7 2018. Alasannya adalah penulis hanya memiliki
pengalaman menggunakan SmartPLS ( mohon maklum, penulis masih pemula dalam hal
penelitian ).
SmartPLS v.3.2.7 tersedia dalam versi berbayar dan versi gratis. Apabila memilih
menggunakan versi berbayar, pembaca dapat memilih plan bulanan atau tahunan. Versi
gratis tersedia dalam versi student yang gratis tanpa batas waktu, namun dibatasi hanya
100 data saja alias tidak full version. Versi gratis yang satu lagi adalah versi trial, yaitu full
version tanpa batasan jumlah data, namun lisensi hanya berlaku 1 bulan saja. Penulis
sendiri menggunakan versi trial 1 bulan lalu lanjut dengan membeli lisensi 1 bulan (
seharga 40 Euro atau Rp. 600 ribuan ). Namun akibat penulis lalai mengerjakan tesis di
tengah kesibukan kerja, akhirnya versi berbayar ini pun kadaluarsa sebelum tesis selesai.
Karena merasa sayang harus keluar uang untuk membeli lisensi lagi penulis menggunakan
trik berikut. Setelah lisensi trial yang satu berakhir, penulis menginstal SmartPLS di
komputer lain, dan memindahkan data SmartPLS dari komputer lama ke komputer baru (
penulis meminjam komputer milik anak, komputer milik suami, dan komputer kantor. Jadi
penulis mendapat tambahan 3 bulan lagi trial full version gratis. Syukurlah... cukup untuk
menyelesaikan analisis data ). Pembaca yang hanya memiliki satu komputer saja harus
memastikan data yang akan dianalisis telah siap untuk diolah, baru mendaftar untuk lisensi
trial. Pastikan dalam satu bulan tersebut semua data telah diolah dan disimpan dalam
bentuk Excel atau html agar dapat disertakan dalam file tesis atau skripsi pembaca.
Analisis inferensial dalam tulisan ini dilakukan dalam dua tahap. Tahap pertama
adalah melakukan evaluasi model pengukuran atau outer model dan tahap kedua adalah
melakukan evaluasi model struktural atau inner model. Jenis-jenis evaluasi dalam kedua
tahap yang akan dibahas di tulisan ini adalah untuk model penelitian yang menggunakan
indikator reflektif saja, bukan indikator formatif ataupun campuran formatif dan reflektif.
 3

Tahap 1 : Tahap 2 :
• Relibilitas indikator • Kolinearitas
• Internal consistency • Koefisien determinasi (R2)
reliability • Predictive relevance atau
• Validitas konvergen Cross-validated
• Validitas diskriminan Redundancy ( Q2)
• Effect Size atau f-square (f2
)
• Path coefficients

Gambar 1. Tahapan evaluasi model dalam SEM-PLS

Sumber : Sarstedt M., Ringle C.M., dan Hair J.F. 2017. Partial Least Square
Structural Equation Modeling. Dalam : Homburg C., Klarmann M., Vomberg A.
(eds) Handbook of Marketing Research. Springer, Cham.

2.1. Evaluasi Model Pengukuran atau Outer Model

Suatu model penelitian dapat menggunakan konstruk laten dengan indikator reflektif
maupun formatif. Indikator – indikator tersebut perlu diuji validitas dan reliabilitasnya.
Berikut ini adalah uji validitas dan reliabilitas untuk model yang seluruhnya mengunakan
indikator reflektif. Keempat evaluasi model pengukuran atau Outer Model berikut ini
didapat dengan menjalankan PLS Algorithm dalam SmartPLS v.3.2.72018. Adapun
caranya adalah Calculate à PLS Algorithm. Prosedur ini sekaligus akan menghasilkan
nilai VIF, R2, f2, dan Path Coefficients yang digunakan dalam evaluasi Inner Model.
1) Reliabilitas Indikator
Reliabiltas indikator bertujuan untuk menilai apakah indikator pengukuran
variabel laten reliabel atau tidak. Caranya dengan mengevaluasi hasil outer
loading tiap indikator. Nilai loading di atas 0,7 menunjukkan bahwa konstruk
dapat menjelaskan lebih dari 50% varians indikatornya ( Wong K.K., 2013;
Sarstedt dkk., 2017 ).
2) Internal Consistency Reliability
Internal Consistency Reliability mengukur seberapa mampu indikator
dapat mengukur konstruk latennya. ( Memon dkk., 2017 ). Alat yang digunakan
untuk menilai hal ini adalah composite reliability dan Cronbach’s alpha. Nilai
composite reliability 0,6 – 0,7 dianggap memiliki reliabilitas yang baik ( Sarstedt
dkk., 2017 ), dan nilai Cronbach’s alpha yang diharapkan adalah di atas 0,7 (
Ghozali dan Latan, 2015 ).
3) Validitas Konvergen
Validitas konvergen ditentukan berdasarkan dari prinsip bahwa pengukur-
pengukur dari suatu konstruk seharusnya berkorelasi tinggi ( Ghozali dan
Latan, 2015 ). Validitas konvergen sebuah konstruk dengan indikator reflektif
dievaluasi dengan Average Variance Extracted (AVE). Nilai AVE seharusnya
sama dengan 0,5 atau lebih. Nilai AVE 0,5 atau lebih berarti konstruk dapat
menjelaskan 50% atau lebih varians itemnya ( Wong K.K., 2013, Sarstedt dkk.,
2017).
 4

4) Validitas Diskriminan
Validitas diskriminan bertujuan untuk menentukan apakah suatu indikator
reflektif benar merupakan pengukur yang baik bagi konstruknya berdasarkan
prinsip bahwa setiap indikator harus berkorelasi tinggi terhadap konstruknya
saja. Pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi
tinggi ( Ghozali dan Latan, 2015 ). Dalam aplikasi SmartPLS 3.2.7 uji validitas
diskriminan menggunakan nilai cross loadings dan Fornell-Larcker Criterion,
dan Heterotrait-Monotrait (HTMT) ( Henseler dkk., 2015 ).
Cross Loadings
Nilai cross loading masing-masing konstruk dievaluasi untuk memastikan
bahwa korelasi konstruk dengan item pengukuran lebih besar daripada
konstruk lainnya. Nilai cross loading yang diharapkan adalah lebih besar dari
0,7 ( Ghozali dan Latan, 2015 ).
Fornell-Larcker Criterion
Metode lain untuk menilai validitas diskriminan adalah dengan Fornell-
Larcker Criterion, sebuah metode tradisional yang telah digunakan lebih dari 30
tahun, yang membandingkan nilai akar kuadrat dari Average Variance
Extracted (AVE) setiap konstruk dengan korelasi antara konstruk lainnya dalam
model ( Henseler dkk., 2015 ). Jika nilai akar kuadrat AVE setiap konstruk lebih
besar daripada nilai korelasi antar konstruk dengan konstruk lainnya dalam
model, maka model tersebut dikatakan memiliki nilai validitas diskriminan yang
baik ( Fornell dan Larker, 1981 dalam Wong, 2013 ).
Heterotrait – Monotrait Ratio ( HTMT )
Beberapa ahli berpendapat bahwa cross loading dan Fornell-Larcker
Criterion kurang sensitif dalam menilai validitas diskriminan. HTMT merupakan
metode alternatif yang direkomendasikan untuk menilai validitas diskriminan.
Metode ini menggunakan multitrait-multimethod matrix sebagai dasar
pengukuran. Nilai HTMT harus kurang dari 0,9 untuk memastikan validitas
diskriminan antara dua konstruk reflektif ( Henseler dkk., 2015 )

2.2. Evaluasi Model Struktural atau Inner Model

Langkah awal evaluasi model struktural adalah mengecek adanya kolinearitas antar
konstruk dan kemampuan prediktif model ( Sarstedt dkk., 2017 ). Kemudian dilanjutkan
dengan mengukur kemampuan prediksi model menggunakan empat kriteria yaitu koefisien
determinasi (R2), cross-validated redundancy (Q2), effect size (f2), dan path coefficients
atau koefisien jalur ( Sarstedt dkk., 2017 ).
1) Variance Inflation Factor ( VIF ).
SmartPLS v.3.2.7 2018 menggunakan Variance Inflation Factor ( VIF )
untuk mengevaluasi kolinearitas.Multikolinearitas cukup sering ditemukan
dalam statistik. Multikolinearitas merupakan fenomena di mana dua atau lebih
variabel bebas atau konstruk eksogen berkorelasi tinggi sehingga
menyebabkan kemampuan prediksi model tidak baik ( Sekaran dan Bougie,
2016 ). Nilai VIF harus kurang dari 5, karena bila lebih dari 5 mengindikasikan
adanya kolinearitas antar konstruk ( Sarstedt dkk., 2017 ).
2) Koefisien determinasi (R2)
Koefisien determinasi ( R2 ) merupakan cara untuk menilai seberapa besar
konstruk endogen dapat dijelaskan oleh konstruk eksogen. Nilai koefisien
determinasi ( R2 ) diharapkan antara 0 dan 1. Nilai R2 0,75, 0,50, dan 0,25
 5

menunjukkan bahwa model kuat, moderat, dan lemah ( Sarstedt dkk., 2017 ).
Chin memberikan kriteria nilai R2 sebesar 0,67, 0,33 dan 0,19 sebagai kuat,
moderat, dan lemah ( Chin, 1998 dalam Ghozali dan Latan, 2015 ).
3) Cross-validated Redundancy (Q2)
Cross-validated redundancy (Q2) atau Q-square test digunakan untuk
menilai predictive relevance. Nilai Q2 > 0 menunjukkan bahwa model
mempunyai predictive relevance yang akurat terhadap konstruk tertentu
sedangkan nilai Q2 < 0 menunjukkan bahwa model kurang mempunyai
predictive relevance ( Sarstedt dkk., 2017 ).
Nilai Cross-validated Redundancy (Q2) didapat dengan prosedur
Blindfolding dalam SmartPLS v.3.2.7. Caranya Calculate à Blindfolding.
4) Effect Size ( f2 )
Selain menilai apakah ada atau tidak hubungan yang signifikan antar
variabel, seorang peneliti hendaknya juga menilai besarnya pengaruh antar
variabel dengan Effect Size atau f-square ( Wong, 2013 ). Nilai f2 0,02 sebagai
kecil, 0,15 sebagai sedang, dan nilai 0,35 sebagai besar. Nilai kurang dari 0,02
bisa dabaikan atau dianggap tidak ada efek ( Sarstedt dkk., 2017 ).
5) Path Coefficients atau Koefisien Jalur
Selanjutnya dilakukan pengukuran path coefficients antar konstruk untuk
melihat signifikansi dan kekuatan hubungan tersebut dan juga untuk menguji
hipotesis. Nilai path coefficients berkisar antara -1 hingga +1. Semakin
mendekati nilai +1, hubungan kedua konstruk semakin kuat. Hubungan yang
makin mendekati -1 mengindikasikan bahwa hubungan tersebut bersifat negatif
( Sarstedt dkk., 2017 ).

2.3. Model Fit

SmartPLS v.3.2.7 2018 mengukur model fit dengan Standardized Root Mean
Square Residual (SRMR). SMSR adalah indeks rata-rata residual terstandar antara
matriks korelasi yang diobservasi dengan matriks hipotesis ( ini terjemahan bebas menurut
penafsiran pribadi penulis, mohon konfirmasi ulang dari sumber lain ). Definisi aslinya
menurut website resmi SmartPLS adalah sebagai berikut :
“The SRMR is defined as the difference between the observed correlation and the model
implied correlation matrix. Thus, it allows assessing the average magnitude of the
discrepancies between observed and expected correlations as an absolute measure of
(model) fit criterion.”
Agar model memenuhi kriteria model fit, nilai SMSR harus kurang dari 0,05 ( Cangur
dan Ercan, 2015 ).
Cara lain yang disediakan SmartPLS v.3.2.7 untuk menilai model fit selain SRMR
adalah Exact fit criteria d_ULS and d_G, NFI, Chi², dan RMS_theta. Penjelasannya dapat
pembaca browsing di alamat berikut :
https://www.smartpls.com/documentation/functionalities/model-fit

2.4. Evaluasi Pengaruh Tidak Langsung

SmartPLS v.3.2.7 2018 telah menyertakan hasil penghitungan pengaruh tidak

langsung (indirect effect) yang berguna dalam menganalisis kekuatan hubungan variabel
mediator dengan variabel yang lain.
 6

Mediasi terjadi bila sebuah variabel mempengaruhi hubungan antara variabel bebas
dab terikat. Perubahan pada variabel bebas menyebabkan perubahan pada variabel
mediator dan akhirnya menyebabkan perubahan pada variabel terikat. Dalam tulisan ini,
penulis menggunakan model mediasi sederhana, yaitu hanya ada satu variabel mediator.
Untuk menganalisis model mediasi sederhana ini, penulis mengadopsi alur yang dibuat
oleh Zhao dkk. ( 2010 ).

Gambar 2. Model mediasi sederhana

Sumber : Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny:
Myths and Truths about Mediation Analysis. Journal of Consumer Research. Vol. 37 :
197 – 206.
Gambar 2 di atas merupakan model mediator sederhana. Analisis pengaruh
mediasi menggunakan nilai – nilai berikut :
• c adalah efek langsung ( direct effect ),
• Perkalian antara axb sama dengan efek tidak langsung ( indirect effect ),
• c + ( axb ) sama dengan pengaruh total ( total effect ).
Nilai - nilai tersebut secara otomastis dihitung oleh aplikasi SmartPLS v.3.2.7 saat
prosedur bootstrapping dijalankan. Hasil penghitungan tersebut di atas kemudian
dimasukkan dalam alur analisis sebagai berikut :

Gambar 3. Alur analisis pengelompokan mediasi

Sumber : Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny:
Myths and Truths about Mediation Analysis. Journal of Consumer Research. Vol. 37 :
197 – 206.
 7

Zhao dkk. ( 2010 ) membagi efek mediasi menjadi lima kelompok, yaitu :
1. Complementary ( partial mediation ) bila axb signifikan, c signifikan, dan axbxc
signifikan
2. Competitive ( partial mediation ) bila axb signifikan, c signifikan, namum axbxc
tidak signifikan
3. Indirect-only ( full mediation ) bila axb signifikan, namun c tidak signifikan
4. Direct-only ( no mediation ) bila axb tidak signifikan, namun c signifikan
5. No effect ( no mediation ) bila axb tidak signifikan dan c tidak signifikan
Setelah efek mediasi dan jenis atau tipe mediasi dikelompokkan, Zhao dkk. (2010)
menganjurkan untuk memahami keterlibatan mediator dalam pembentukan teori sebagai
berikut :

Gambar 4. Makna efek mediasi terhadap pembentukan teori

Sumber : Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny:
Myths and Truths about Mediation Analysis. Journal of Consumer Research. Vol. 37 :
197 – 206.
Penulis belum dapat menjelaskan bagan Zhao dkk. Yang terakhir ini, karena
keterbatasan ilmu yang penulis miliki.

2.5. Uji Hipotesis ( Resampling Bootstrapping )

Prosedur bootstrapping menghasilkan nilai t-statistik untuk setiap jalur hubungan
yang digunakan untuk menguji hipotesis. Nilai t-statistik tersebut akan dibandingkan
dengan nilai t-tabel. Penelitian yang menggunakan tingkat kepercayaan 95% sehingga
tingkat presisi atau batas ketidakakuratan (α) = 5% = 0,05, nilai nilai t-tabelnya adalah 1,96.
Jika nilai t-statistik lebih kecil dari nilai t-tabel ( t-statistik < 1.96 ), maka Ho diterima dan
Ha ditolak. Jika nilai t-statistik lebih besar atau sama dengan t-tabel ( t-statistik > 1.96 ),
maka Ho ditolak dan Ha diterima ( Ghozali dan Latan, 2015).
SmartPLS juga menghasilkan nilai koefisien untuk setiap indikator. Dengan
demikian bisa dilihat indikator mana yang memberikan pengaruh terbesar dan mana yang
pengaruhnya paling kecil. Pembaca dapat menggunakan hasil ini untuk memberikan saran
bagi praktisi yang terkait dengan penelitian pembaca.
 8

Penutup
Demikian secuil tulisan dari pengalaman penulis saat menyelesaikan tesis dengan
menggunakan SmartPLS v.3.2.7 2018 sebagai aplikasi pengolah data. Tentu saja tulisan
ini masih jauh dari sempurna. Terimakasih untuk perhatian pembaca atas tulisan ini.

Daftar Referensi :
Abdillah W., Hartono J. 2015. Partial Least Square (PLS) Alternatif Structural Equation Modeling
(SEM) dalam Penelitian Bisnis. CV. Andi Offset, Yogyakarta.
Cangur S. dan Ercan I. 2015. Comparison of Model Fit Indices Used in Structural Equation
Modeling Under Multivariate Normality. Journal of Modern Applied Statistical Methods. Vol.
14, No. 1 : 152 – 167.
Ferdinand A. 2014. Metode Penelitian Manajemen, Pedomen Penelitian Untuk Penulisan Skripsi,
Tesis, dan Disertasi Ilmu Manajemen. Ed. Ke-5. Badan Penerbit Universitas Diponegoro,
Semarang.
Ghozali I. dan Latan H. 2015. Partial Least Squares Konsep, Teknik dan Aplikasi Menggunakan
Program SmartPLS 3.0. Ed. Ke-2. Badan Penerbit Universitas Diponegoro, Semarang.
Henseler J., Ringle C.M., dan Sarstedt M. 2015. A new criterion for assessing discriminant validity in
variance-based structural equation modeling. Journal of the Academy of Marketing
Science. Vol. 43 : 115 – 135.
Kuncoro, M. 2013. Metode Riset untuk Bisnis dan Ekonomi : Bagaimana Meneliti dan Menulis Tesis?.
Ed. Ke-4. Penerbit Erlangga, Jakarta.
Sarstedt M., Ringle C.M., dan Hair J.F. 2017. Partial Least Square Structural Equation Modeling.
Dalam : Homburg C., Klarmann M., Vomberg A. (eds) Handbook of Marketing Research.
Springer, Cham.
Sekaran U. dan Bougie R. 2016. Research Methods for Business. 7th ed. John Wiley & Sons Ltd,
Chichester.
Wong K.K. 2013. Partial Least Squares Structural Equation Modeling (PLS-SEM) Techniques Using
SmartPLS. Marketing Bulletin. Vol.24: Technical Note1.
Zhao X., Lynch J.G., dan Chen Q. 2010. Reconsidering Baron and Kenny: Myths and Truths about
Mediation Analysis. Journal of Consumer Research. Vol. 37 : 197 – 206.