MAKALAH

STRUCTURAL EQUATION MODELLING (SEM)

DENGAN SMART PLS

oleh
Esa Amanda Setiawan
NIM. 232520102004

Dosen Pengampu
Prof. Dr. drg. Ristya Widi Endah Yani., M.Kes

PROGRAM STUDI MAGISTER ILMU KESEHATAN MASYARAKAT

PASCASARJANA UNIVERSITAS JEMBER
2023
 DAFTAR ISI
BAB I PENDAHULUAN .....................................................................................1
A. LATAR BELAKANG ..........................................................................1
B. RUMUSAN MASALAH .....................................................................2
C. TUJUAN ...............................................................................................2
BAB II TEORI ......................................................................................................3
A. DEFINISI SEM.................................................................................................3
A. PERBANDINGAN............................................................................................3
B. FUNGSI SEM .......................................................................................3
C. APLIKASI UTAMA SEM ...................................................................4
D. ASUMSI DASAR ..................................................................................5
E. LANGKAH-LANGKAH ANASALISIS SEM ...................................6
F. LANGKAH-LANGKAH SEM MENGGUNAKAN AMOS .............7
BAB III ANALISIS DAN INTERPRETASI ....................................................10
A. ANALISIS DAN INTERPRETASI DENGAN SPSS ......................10
DAFTAR PUSTAKA ..........................................................................................15
 BAB 1. PENDAHULUAN
1.1 Latar Belakang
Statistik adalah kumpulan data yang bisa memberikan gambaran tentang suatu keadaan yang
ditekankan pada angka. Sedangkan statistika adalah Ilmu yang mempelajari cara-cara
pengumpulan, penyajian, analisis, interpretasi dan pengambilan kesimpulan dari data yang
didapat. Menurut Sugiyono (2019) Statistik memiliki peranan penting dalam penelitian, yaitu
sebagai : (1) alat untuk menghitung besarnya anggota sampel yang diambil dari suatu populasi.
Dengan demikian jumlah sampel yang diperlukan lebih dapat dipertanggungjawabkan; (2) alat
untuk menguji validitas dan reliabilitas instrumen. Sebelum instrumen digunakan untuk
penelitian, maka harus diuji validitas dan reliabilitasnya terlebih dahulu; (3) teknik-teknik untuk
menyajikan data, sehingga data lebih komunukatif. Teknik-teknik penyajian data ini antara lain :
tabel, grafik, diagram lingkaran, dan pictogram; (4) alat untuk analisis data seperti menguji
hipotesis penelitian yang diajukan. Dalam hal ini statistik yang digunakan antara lain; korelasi,
regresi, t-tes, anova, dan lain-lain.
Pemodelan Persamaan Struktural (Structural Equation Modelling) atau lebih dikenal dengan
SEM memiliki beberapa sebutan lain, seperti analisis struktur kovarian (covariance structure
analysis), analisis variabel laten (latent variable analysis) analisis faktor konfirmatori
(confirmatory factor analysis) dan analisis Linier Structural Relations (Lisrel) (Hair, dkk. 2021).
Berdasarkan sebutan-sebutan tersebut, SEM dapat dideskripsikan sebagai suatu analisis yang
menggabungkan pendekatan analisis faktor (factor analysis), model struktural (structural model)
dan analisis jalur (path analysis). Menurut Meyliana, 2020 SEM merupakan suatu metode analisis
statistik multivariat, melakukan olah data SEM berbeda dengan melakukan olah data regresi atau
analisis jalur. Olah data SEM lebih rumit, karena SEM dibangun oleh model pengukuran dan
model struktural. Structural Equation Modeling (SEM) adalah sekumpulan teknik statistika yang
memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit yang tidak dapat
diselesaikan oleh persamaan regresi linear (Reza, 2019). SEM dapat juga dianggap sebagai
gabungan dari analisis regresi dan analisis faktor. Disisi lain disebut juga Path Analysis atau
Confirmatory factor Analysis, karena keduanya merupakan jenis-jenis khusus dari SEM.
Hubungan tersebut dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau
beberapa varibel independen.
 Di dalam SEM terdapat 3 (tiga) kegiatan secara bersamaan, yaitu pemeriksaan validitas dan
reliabilitas instrumen (confirmatory factor analysis), pengujian model hubungan antara variabel
(path analysis), dan mendapatkan model yang cocok untuk prediksi (model struktural dan analisis
regresi). Sebuah pemodelan lengkap pada dasamya terdiri dari model pengukuran (measurement
model) dan structural model atau causal model. Model pengukuran dilakukan untuk menghasilkan
penilaian mengenai validitas dan validitas diskriminan, sedangkan model struktural, yaitu
pemodelan yang menggambarkan hubungan-hubungan yang dihipotesakan. Untuk melakukan
olah data SEM dengan lebih mudah dapat menggunakan bantuan software statistik. Saat ini sudah
tersedia berbagai macam software untuk olah data SEM diantaranya adalah Lisrel, AMOS dan
Smart PLS (Algifari,2019).
Dalam memudahkan kita mengolah data dengan analisa statistika dapat menggunakan berbagai
macam alat bantu atau software. Adapun software statistika yang dapat digunakan sangatlah
banyak namun tidak semuanya memiliki keakuratan yang baik. Ada beberapa software statistika
yang sering digunakan baik dalam dunia pendidikan ataupun dalam bidang yang lain yaitu : SPSS
(Statistical Package for the Social Software), Minitab, SAS (Statistical Analysis System), Lisrel
(Linear Structural Relationship), SMARTPLS (PARTIAL LEAST SQUARE), AMOS (Analysis
of Moment Structure), EVIEWS (Economic Views), R-Software, STATA (Statistika dan Data)
(Susanto, 2020).

1.2 Rumusan Masalah

a. Apa keunggulan SmartPLS dalam menerapkan SEM dibandingkan dengan metode SEM
lainnya?
b. Apa kendala yang sering dihadapi dalam menggunakan SmartPLS untuk analisis SEM?
c. Bagaimana kontribusi penerapan SEM dengan SmartPLS dalam menghasilkan model
konseptual yang akurat dan relevan?

1.3 Tujuan
a. Mengidentifikasi keunggulan SmartPLS dalam menerapkan SEM dan membandingkannya
dengan metode SEM lainnya.
b. Menganalisis kendala-kendala yang sering dihadapi dalam menggunakan SmartPLS untuk
analisis SEM.
c. Mengukur kontribusi penerapan SEM dengan SmartPLS dalam menghasilkan model
konseptual yang akurat dan relevan.
 BAB II. TINJAUAN PUSTAKA
2.1 Definisi SEM (Structural Equation Modeling)
Structural Equation Modeling (SEM) adalah metode statistik yang digunakan untuk menguji
dan mengukur hubungan antar variabel laten atau tidak terukur. SEM menyediakan suatu
kerangka kerja yang kompleks untuk memodelkan hubungan antar variabel yang kompleks dan
dapat mencakup model pengukuran dan model struktural (Martono, 2020).
SEM dianggap sebagai teknik yang sangat berguna untuk menguji serangkaian hubungan
dependensi secara simultan dengan memecahkan beberapa persamaan. Sebagai contoh, kita dapat
berasumsi bahwa pemulihan pasien menyebabkan Return on Investment (ROI) yang lebih baik
untuk sistem rumah sakit, dan ROI yang lebih baik membantu meningkatkan infrastruktur dan
dengan demikian meningkatkan pemulihan pasien (Joseph F. Hair Jr. et al, 2021).
SEM memiliki dua tujuan utama dalam analisisnya, tujuan yang pertama yaitu menentukan
apakah model possible (masuk akal) atau fit, atau dengan kata lain menguji fit suatu model yaitu
kesesuaian model dengan data empiris. Tujuan kedua yaitu menguji berbagai hipotesis yang telah
dibangun sebelumnya. SEM memiliki 4 perbedaan dengan regresi biasa dan teknik multivariate
lainnya yaitu:
1. SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan atas regresi biasa
dan analisis varian.
2. Regresi biasa, umumnya, menspesifikan hubungan kausal antara variabel-variabel teramati,
sedangkan pada model variabel laten SEM, hubungan kausal terjadi di antara variabel-
variabel tidak teramati atau variabel-varibel laten.
3. SEM selain memberikan informasi tentang hubungan kausal simultan di antara variabel-
variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan
pengukuran.
4. Estimasi terhadap multiple interrelated dependence relationships. Pada SEM sebuah variabel
bebas pada satu persamaan bisa menjadi variabel terikat pada persamaan lain.
Komponen-komponen yang terdapat dalam SEM yang menjadi karakteristik dalam model
tersebut yaitu:
1. Variabel yaitu variabel laten dan variabel teramati.
2. Model yaitu model struktural dan model pengukuran.
3. Galat yaitu galat struktural dan galat pengukuran
 2.2 Variabel SEM
Menurut Muji, 2021 variabel-variabel pada SEM masing-masing saling mempengaruhi.
Variabel- variabel yang terdapat dalam SEM meliputi:
1. Variabel laten (Latent Variable)
Dalam SEM variabel yang menjadi perhatian adalah variabel laten. Variabel laten atau konstruk
laten adalah variabel yang tidak terukur secara langsung, sebagai contoh: perilaku, sikap,
perasaan, dan motivasi. Variabel laten terdapat dua jenis, yaitu:
a. Eksogen
b. Endogen
2. Variabel teramati (Observed atau Measured atau Manifest Variable)
Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan disebut
sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Variabel
teramati yang berkaitan dengan variabel eksogen diberi notasi matematik dengan label X,
sedangkan yang berkaitan dengan dengan variabel laten endogen diberi label Y. Disimbolkan
dengan bujur sangkar atau kotak, variabel ini merupakan indikator. Pemberian nama variabel
teramati pada diagram lintasan bisa mengikuti notasi matematiknya atau nama/kode dari
pertanyaan-pertanyaan pada kuisioner (Muji,2021).

2.3 Model SEM

Model-model yang terdapat dalam SEM Meliputi :
1. Model Struktural
Model struktural bertujuan untuk memeriksa hubungan yang mendasari atau yang menyusun
variabel laten ke dalam model pengukuran dan variabel konstruk lainnya berdasarkan teori.
Parameter yang menunjukkan regresi variabel laten eksogen diberi label dengan huruf Yunani
(“gamma”), sedangkan untuk regresi variabel laten endogen diberi label dengan huruf Yunani
(“beta”), dan matriks kovarians variabel-variabel laten eksogen diberi label dengan huruf
Yunani Φ (“phi”).
2. Model Pengukuran
Model pengukuran digunakan untuk menduga hubungan antar variabel laten dengan variabel-
variabel teramatinya. Variabel laten dimodelkan sebagai sebuah faktor yang mendasari
 variabel-variabel teramati yang terkait. Muatan-muatan faktor atau factor loadings yang
menghubungkan variabel laten dengan variabel- variabel teramati disimbolkan dengan huruf
Yunani (“lambda”).
Pada model variabel laten SEM, hubungan kausal (sebab-akibat) terjadi diantara variabel-
variabel tidak teramati (unobserved variables) atau variabel-variabel laten. Parameter-
parameter dari persamaan pada model pengukuran SEM merupakan factor loadings dari
variabel laten terhadap indikator-indikator atau variabel-variabel teramati yang terkait. Model
SEM memberikan informasi tentang hubungan kausal simultan di antara variabel-
variabelnya, memberikan informasi tentang muatan faktor dan galat-galat pengukuran.

2.4 Jenis SEM

Berikut ini jenis-jenis yang digunakan dalam model persamaan struktural :
1. Diagram Path
Diagram Path adalah representasi grafis dari sebuah model yang menggambarkan
seluruh hubungan antara variabel-variabel yang ada di dalamnya. Variabel- variabe
yang terdapat dalam diagram path adalah variabel teramati dan tidak mengandung
variabel laten. Diagram path dibuat untuk mempermudah melihat hubungan yang ada
pada model (Meyliana, 2020).
2. Confirmatory Factor Analysis (CFA)
Analisis faktor konfirmatori atau Confirmatory Factor Analysis (CFA) dalam SEM
merupakan model pengukuran sebuah variabel laten diukur oleh satu atau lebih variabel-
variabel teramati. Menurut Reza Avrizal (2019) CFA didasarkan pada variabel-variabel
teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk
tertentu yang mendasarinya. Karakteristik dalam model CFA yaitu:
a. Model dibentuk lebih dahulu.
b. Jumlah variabel laten ditentukan oleh analisis.
c. Pengaruh suatu variabel laten terhadap variabel teramati ditentukan lebih dahulu.
d. Beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan
sama dengan nol atau konstan.
e. Galat pengukuran boleh berkorelasi.
 f. Kovarians variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai
tertentu.
g. Identifikasi parameter diperlukan (Reza, 2021).

2.5 SmartPLS
SmartPLS (Smart Partial Least Squares) adalah perangkat lunak statistik yang digunakan
untuk analisis Structural Equation Modeling (SEM). SEM adalah metode statistik yang
memungkinkan pengujian dan estimasi hubungan kompleks antara variabel. SmartPLS
memiliki tujuan yang serupa dengan perangkat lunak SEM lainnya seperti Lisrel dan AMOS.
Manfaat SmartPLS dalam analisis SEM melibatkan beberapa kelebihan dan kelemahan
tertentu (Lenni Khotimah Harahap, M.Pd., 2020) :
Kelebihan SmartPLS:
1. Pendekatan yang Powerful: Pendekatan SmartPLS dianggap kuat karena tidak bergantung
pada berbagai asumsi seperti pendekatan lainnya.
2. Jumlah Sampel yang Relatif Kecil: SmartPLS memerlukan jumlah sampel yang lebih kecil
dalam analisisnya. Ini menjadi keunggulan ketika terdapat keterbatasan jumlah sampel
sementara model yang dibangun kompleks.
3. Tidak Bergantung pada Distribusi Normal: SmartPLS menggunakan metode bootstrapping
atau penggandaan secara acak, sehingga tidak bergantung pada distribusi normal data.
Asumsi normalitas tidak menjadi masalah, dan tidak ada persyaratan jumlah minimum
sampel.
4. Uji Model SEM Formatif dan Reflektif: SmartPLS mampu menguji model SEM formatif
dan reflektif dengan skala pengukuran indikator yang berbeda dalam satu model. Ini
memungkinkan pengujian dengan berbagai bentuk skala, seperti rasio kategori, Likert, dan
lainnya.
Kelemahan utama dari SmartPLS adalah terdapat keterbatasan dalam format baca data, di
mana perangkat lunak ini hanya mampu membaca data Excel dalam bentuk CSV. Meskipun
SmartPLS memiliki kelebihan signifikan, pembatasan ini dapat menjadi hambatan terutama
jika data yang ingin diolah tersedia dalam format lain selain CSV. Meskipun pembatasan ini
dapat diatasi dengan mengonversi data ke dalam format yang sesuai, proses ini mungkin
memakan waktu dan menambah tingkat kompleksitas dalam persiapan data sebelum analisis.
Oleh karena itu, pengguna SmartPLS perlu mempertimbangkan kompatibilitas format data
ketika memilih dan menggunakan perangkat lunak ini untuk memastikan kelancaran proses
analisisnya.
Dalam analisis SEM, SmartPLS memberikan fleksibilitas dan keunggulan dalam situasi di
mana jumlah sampel terbatas atau ketika terdapat kompleksitas model. Kelebihan dan
kelemahan SmartPLS harus dipertimbangkan dengan cermat sebelum digunakan, tergantung
pada kebutuhan dan karakteristik khusus dari analisis yang akan dilakukan.
 BAB III. APLIKASI
3.1 Prosedur langkah-langkah menyelesaikan SEM menggunakan SmartPls
Menganalisis data SEM (Structural Equation Modeling) dengan menggunakan SmartPLS
melibatkan beberapa langkah. Berikut adalah langkah-langkah umum untuk menyelesaikan SEM
dengan SmartPLS (Santoso, 2020) :
1. Menyiapkan Data
1) Pastikan data Anda sudah terstruktur dengan baik dan siap untuk dianalisis.
2) Periksa kualitas data dan lakukan pre-processing jika diperlukan, seperti penanganan
missing data atau transformasi variabel.
2. Membuat Model SEM:
1) Tentukan model SEM yang sesuai dengan pertanyaan penelitian Anda.
2) Identifikasi variabel laten dan observasional, serta hubungan antar mereka.
3. Mengimpor Data ke SmartPLS:
1) Buka SmartPLS dan buat proyek baru.
2) Impor data Anda ke dalam SmartPLS.
4. Spesifikasi Model:
1) Masukkan variabel laten dan observasional ke dalam model.
2) Tentukan hubungan antar variabel dengan menentukan lintasan (paths) antara mereka.
5. Menentukan Metode Analisis:
1) Pilih metode analisis yang sesuai, seperti PLS-SEM atau CB-SEM (Covariance-Based
SEM).
2) Pilih kriteria penilaian model, seperti Bootstrap untuk estimasi parameter dan uji
signifikansi.
6. Menjalankan Analisis:
1) Jalankan analisis SEM menggunakan SmartPLS.
2) Tinjau hasil analisis, termasuk nilai koefisien jalur, nilai R-squared, dan lainnya.
7. Menilai Model:
1) Tinjau hasil pengukuran goodness-of-fit, seperti SRMR, d(Blind), dan lainnya.
2) Tinjau signifikansi statistik koefisien jalur.
8. Validasi Model:
 1) Lakukan validasi model untuk memastikan kecocokan model dengan data.
2) Gunakan teknik seperti bootstrapping untuk mengukur stabilitas parameter.
9. Menginterpretasi Hasil:
1) Interpretasikan hasil analisis untuk menjelaskan hubungan antar variabel dan implikasinya
terhadap pertanyaan penelitian.
10. Menyusun Laporan:
1) Buat laporan penelitian yang mencakup semua temuan, interpretasi, dan analisis yang telah
dilakukan.
2) Sertakan tabel dan grafik yang mendukung hasil analisis.
11. Refleksi dan Revisi:
1) Refleksikan temuan Anda dan pertimbangkan apakah ada revisi yang diperlukan pada
model atau analisis (Santoso, 2020).

3.2 Langkah-langkah Pengolahan Data dengan SmartPLS

Sebelum memulai olah data pastikan data sudah tersimpan dalam bentuk CSV dan untuk
memulai PLS data harus ditutup terlebih dahulu.
Langkah 1 “Data hasil survei excel disimpan dalam format CSV”
Langkah 2 “Buka aplikasi SmartPLS lalu klik new project, setelah itu masukkan data survei”

Langkah 3 “Klik “Back” à Klik “Create Model” à pilih “Model type” à Klik “PLS-SEM” à Klik
“File Name”, tulis nama file à Klik “Latent Variable” à Klik “Connect”.
Setelah itu, rapikan objek dengan cara klik “select”, pindahkan item pengukuran dengan cara
diblok, kemudian ditarik ke bawah.

Langkah 4 “ Proses perhitungan (Calculate) data survey klik “Calculate”, kemudian pilih ”PLS-
SEM Algorithm” à klik “open report” à klik “start calculation”.
Output dan Interprestasi Data
Output Calculate Alghoritm:
- Outer Weights
- Laten Variable Correlation

- Path Coefficients
 BAB IV. PEMBAHASAN
4.1 Keunggulan SmartPLS dalam menerapkan SEM dibandingkan dengan metode SEM
lainnya
Smart PLS atau Smart Partial Least Square adalah software statistik yang sama tujuannya
dengan Lisrel dan AMOS yaitu untuk menguji hubungan antara variabel. Pendekatan smartPLS
dianggap powerful karena tidak mendasarkan pada berbagai asumsi. Menurut Khotimah (2021)
mengatakan bahwa Penggunaan Smart PLS sangat dianjurkan ketika kita mememiliki keterbatasan
jumlah sampel sementara model yang dibangung kompleks, hal ini tidak dapat dilakukan ketika
kita menggunakan kedua software di atas (Khotimah,2021).
Lisrel dan AMOS membutuhkan kecukupan sampel. Data dalam analisis smartPLS tidak
harus memiliki distribusi normal karena SmartPLS menggunakan metode bootstraping atau
penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi
PLS. Selain terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS tidak
mensyaratkan jumlah minimum sampel (Lenni,2019). SmartPLS juga mampu menguji model
SEM formatif dan reflektif dengan skala pengukuran indikator berbeda dalam satu model. Apapun
bentuk skalanya (rasio kategori, Likert, dam lain-lain) dapat diuji dalam satu model.
SmartPLS memiliki kinerja komputasi yang cepat, terutama dalam hal perhitungan dan
analisis model yang besar dan kompleks. Hal ini dapat menghemat waktu pemrosesan
dibandingkan dengan beberapa metode SEM tradisional (Reza,2021). SmartPLS dapat menjadi
pilihan yang baik untuk penelitian yang lebih fokus pada pengembangan model teoritis dan
pengujian konsep daripada pada pengujian hipotesis statistik.

4.2 Kendala yang sering dihadapi dalam menggunakan SmartPLS untuk analisis SEM
Penggunaan SmartPLS untuk analisis SEM dapat memberikan banyak keunggulan, tetapi
seperti halnya dengan alat analisis statistik lainnya, ada beberapa kendala yang mungkin dihadapi
oleh pengguna. Berikut merupakan kendala-kendala yang dihadapi dalam menggunakan
SmartPLS untuk analisis SEM (Lenni,2019) :
1. Ukuran Sampel yang Kecil:
SmartPLS lebih bersifat robust terhadap ukuran sampel yang kecil, tetapi tetap ada batasan.
Ukuran sampel yang sangat kecil dapat mengurangi keandalan hasil analisis.
2. Pengolahan Variabel Laten:
 Memahami dan memproses variabel laten dengan benar memerlukan pemahaman yang baik
tentang konsep yang sedang diteliti. Kesalahan dalam mengukur atau mengkonseptualisasikan
variabel laten dapat memengaruhi hasil analisis.
3. Ketidakpatuhan Terhadap Asumsi Statistik:
Seperti analisis statistik lainnya, SmartPLS mengasumsikan distribusi normalitas dan
homoskedastisitas. Ketidakpatuhan terhadap asumsi ini dapat memengaruhi interpretasi hasil
analisis.
4. Penanganan Outlier:
Outlier dapat memiliki dampak yang signifikan pada hasil analisis SEM. Penanganan yang
tidak tepat terhadap outlier dapat menghasilkan estimasi parameter yang bias.
5. Pilihan Model Struktural:
Pemilihan model struktural yang tepat memerlukan pengetahuan mendalam tentang teori yang
mendasarinya. Kesalahan dalam merancang model struktural dapat mengarah pada interpretasi
yang keliru.
6. Keterbatasan Fit Statistik:
Fit statistik yang digunakan dalam SmartPLS memiliki keterbatasan. Sebagai contoh, PLS-
SEM tidak memberikan nilai p-value yang dapat digunakan untuk pengujian hipotesis statistik
seperti pada SEM yang berbasis Covariance.
7. Kesalahan dalam Spesifikasi Model:
Kesalahan dalam menentukan hubungan antar variabel atau spesifikasi model dapat
menghasilkan temuan yang tidak akurat (Lenni,2019),

4.3 Kontribusi penerapan SEM dengan SmartPLS dalam menghasilkan model konseptual
yang akurat dan relevan
Penerapan Structural Equation Modeling (SEM) dengan menggunakan SmartPLS dapat
memberikan kontribusi signifikan dalam menghasilkan model konseptual yang akurat dan relevan
(Ghozali, 2019). Berikut merupakan beberapa cara agar kontribusi tersebut dapat terwujud :
1. Analisis Variabel Laten:
SmartPLS memungkinkan analisis yang lebih fleksibel terhadap variabel laten. Ini
memungkinkan peneliti untuk merinci dan mengukur konsep abstrak dengan lebih baik,
memperkuat representasi variabel laten dalam model konseptual.
2. Fleksibilitas Pengukuran:
SmartPLS memberikan fleksibilitas dalam pengukuran variabel laten, baik dalam bentuk
indikator reflektif maupun formatif. Hal ini memungkinkan peneliti untuk lebih sesuai dengan
konsep teoritis yang mereka pertimbangkan.
3. Penanganan Nonlinieritas:
Kemampuan SmartPLS untuk menangani model yang lebih nonlinier dapat meningkatkan
akurasi model konseptual, terutama ketika hubungan antar variabel tidak terbatas pada
hubungan linier.
4. Uji Bootstrap dan Interval Kepercayaan:
SmartPLS menggunakan pendekatan bootstrap untuk menghasilkan interval kepercayaan dan
uji signifikansi. Ini memberikan informasi tambahan tentang sejauh mana hasil analisis dapat
diandalkan, menguatkan kepercayaan pada model konseptual.
5. Pengelolaan Outlier:
SmartPLS dapat lebih tangguh terhadap outlier, yang dapat membantu memastikan bahwa
hasil analisis tidak terlalu dipengaruhi oleh data yang tidak representatif.
6. Analisis Jalur Parsial:
Dengan memungkinkan analisis jalur parsial, SmartPLS memungkinkan peneliti untuk lebih
fokus pada hubungan langsung antar variabel, membantu menyederhanakan interpretasi model
konseptual.
7. Perkiraan Parameter yang Cepat:
Kemampuan SmartPLS untuk memberikan perkiraan parameter dengan cepat, terutama pada
model yang besar dan kompleks, dapat meningkatkan efisiensi analisis dan memungkinkan
peneliti untuk menguji iteratif model konseptual mereka.
8. Penggunaan yang Mudah:
Antarmuka pengguna SmartPLS yang sederhana dan intuitif membuatnya dapat diakses oleh
peneliti dari berbagai latar belakang. Ini memungkinkan lebih banyak peneliti untuk
menerapkan SEM dalam penelitian mereka, meningkatkan kontribusi terhadap pengembangan
model konseptual (Ghozali,2019).
4.4 Contoh Kasus Analisis Menggunakan SmartPLS
Analisis Pengaruh Waktu Tunggu Pelayanan Pasien BPJS Kesehatan dan Mutu Pelayanan
Terhadap Kepuasan Pasien di Rumah Sakit Graha Medika Banyuwangi Pada Bulan September
2023.
1. Populasi dan Sampel
a. Populasi :
Seluruh pasien BPJS Kesehatan pada bulan September 2023 di Rumah Sakit Graha
Medika Banyuwangi, dengan kriteria inklusi pasien terdaftar sebagai peserta BPJS yang
sedang melakukan pelayanan, memiliki kemampuan baca tulis dan bersedia menjadi
responden dengan menyetujui informed consent. Adapun kriteria eksklusi pada penelitian
ini yaitu responden dengan data yang tidak lengkap.
b. Sampel :
Seluruh Pasien BPJS Kesehatan di Rumah Sakit Graha Medika Banyuwangi pada bulan
September 2023
2. Analisis Data dengan Smart PLS
a. Data hasil survei excel disimpan dalam format CSV

b. Buka aplikasi SmartPLS lalu klik new project, setelah itu masukkan data survei
c. Klik “Back” à Klik “Create Model” à pilih “Model type” à Klik “PLS-SEM” à Klik
“File Name”, tulis nama file à Klik “Latent Variable” à Klik “Connect”.
d. Setelah itu, rapikan objek dengan cara klik “select”, pindahkan item pengukuran dengan
cara diblok, kemudian ditarik ke bawah.

e. Proses perhitungan (Calculate) data survey klik “Calculate”, kemudian pilih ”PLS-SEM
Algorithm” à klik “open report” à klik “start calculation”.
f. Output dan Interprestasi Data
Output Calculate Alghoritm:
- Outer Weights
 - Laten Variable Correlation

- Path Coefficients

Kesimpulan :
a. Pengaruh langsung antara mutu pelayanan terhadap meningkatnya kepuasan pasien yaitu
0.639
Hasil ini menunjukkan bahwa terdapat pengaruh yang positif antara mutu pelayanan
terhadap peningkatan kepuasan pasien di RS Graha Medika Banyuwangi. Semakin tinggi
mutu layanan maka semakin besar terjadinya kepuasan pasien .
b. Pengaruh langsung antara waktu tunggu pelayanan terhadap kepuasan pasien adalah 0.023
Hasil ini menunjukkan bahwa adanya pengaruh positif terhadap waktu tunggu pelayanan
 terhadap kepuasan pasien. Hal ini dimungkinkan apabila waktu tunggu pelayanan sesuai
dengan standart yang ada maka akan mempengaruhi kepuasan pasien di RS Graha Medika.
c. Pengaruh langsung antara waktu tunggu pelayanan sesuai dengan standart terhadap pasien
BPJS Kesehatan adalah -0.272.
d. Pengaruh langsung antara mutu pelayanan terhadap Pasien BPJS Kesehatan adalah 0,244
Hasil menunjukkan bahwa terdapat pengaruh yang positif antara mutu pelayanan terhadap
pasien BPJS Kesehatan. Apabila mutu pelayanan baik maka akan menarik minat pasien
BPJS Kesehatan di RS. Graha Medika Banyuwangi.
 BAB V. KESIMPULAN
a. Keunggulan SmartPLS dalam Menerapkan SEM Dibandingkan dengan Metode SEM Lainnya:
Dalam kesimpulan, dapat disimpulkan bahwa SmartPLS menonjol dalam konteks penerapan
Structural Equation Modeling (SEM). Keunggulan utamanya terletak pada tangguhnya
terhadap ukuran sampel kecil, fleksibilitas dalam pengukuran variabel laten, dan
kemampuannya untuk menangani model nonlinier. Dengan antarmuka pengguna yang ramah
dan analisis yang cepat, SmartPLS memberikan alternatif yang menarik untuk penelitian yang
membutuhkan pendekatan SEM yang lebih intuitif dan mudah diakses.
b. Kendala yang Sering Dihadapi dalam Menggunakan SmartPLS untuk Analisis SEM:
Kendala yang sering muncul ketika menggunakan SmartPLS mencakup batasan dalam
interpretasi fit statistik, kebutuhan akan spesifikasi model yang hati-hati, dan perhatian khusus
terhadap pengolahan outlier. Meskipun tangguh terhadap ukuran sampel kecil, pengguna
SmartPLS juga harus memahami asumsi statistik yang mendasarinya, termasuk distribusi
normalitas.
c. Kontribusi Penerapan SEM dengan SmartPLS dalam Menghasilkan Model Konseptual yang
Akurat dan Relevan:
Penerapan SEM dengan SmartPLS memberikan kontribusi positif terhadap pembangunan
model konseptual. Fleksibilitas dalam pengukuran variabel laten, analisis jalur parsial, dan
kemampuan untuk menangani kompleksitas model membantu memastikan bahwa model yang
dihasilkan lebih akurat dan relevan. Meskipun demikian, penelitian ini menunjukkan bahwa
pengguna SmartPLS harus memahami kelebihan dan keterbatasan alat tersebut untuk
mendapatkan hasil analisis yang optimal.

Dengan menyimpulkan keunggulan, kendala, dan kontribusi SmartPLS dalam konteks SEM,
makalah ini memberikan pandangan komprehensif tentang relevansi dan potensi SmartPLS dalam
menyokong pengembangan teori dan penelitian empiris di berbagai bidang.
 DAFTAR PUSTAKA

Afthanorhan, A., Z. Awang, dan N. Aimran. 2020. An Extensive Comparison of CB-SEM and
PLS-SEM for Reliability and Validity. International Journal of Data and Network Science.
4 : 357-364

Ali, F. et. al. 2019. An Assessment of the Use of Partial Least Squares Structural Equation
Modeling (PLS-SEM) in Hospitality Research. International Journal of Contemporary
Hospitality Management. 30(1) : 514-538

Dash, G., dan J. Paul. 2021. CB-SEM vs PLS-SEM Methods for Research in Social Sciences and
Technology Forecasting. Technological Forecasting and Social Change. 173 : 121092

Francisco, L., V. Marinkovic, dan Z. Kalinic. 2017. A SEM-Neural Network Approach for
Predicting Antecedents of M-Commerce Acceptance. International Journal of Information
Management. 37(2) : 14-24

Ghozali, Imam, 2019, Generalized Structural Component Analysis (GSCA) SEM berbasis
Komponen, Badan Penerbit Universitas Diponegoro, Semarang.

Ghozali, Imam, 2020. Structural Equation Modeling, Metode Alternatif dengan Partial Least
Squares (PLS), Dilengkapi Software Smartpls 3.0, Xlstat 2014 dan WarpPLS 4.0.,
Semarang, Badan Penerbit – Undip.

Hair, J. F. et. al. 2019. Partial Least Squares Structural Equation ModelingBased Discrete Choice
Modeling: An Illustration In Modeling Retailer Choice. Business Research. 12(1) : 115-
142

Haryono, S. 2020. Mengenal Metode Structural Equation Modeling (SEM) untuk Penelitian
Manajemen Menggunakan Amos 18.00. Jurnal Ekonomi dan Bisnis STIE YPN. 7(1) : 23-
34
Purwanto, A., dan Y. Sudarigini. 2021. Partial Least Squares Structural Squation Modeling (PLS-
SEM) Analysis for Social and Management Research : A Literature Review. Journal of
Industrial Engineering and Management Research. 2(4) : 114-123

Santoso, Singgih, 2019. Konsep Dasar dan Aplikasi SEM dengan AMOS 22, Jakarta, PT. Elex
Media Komputindo

Solihin, Mahfud dan Ratmono, Dwi, 2019. Analisis SEM-PLS dengan WarpPPL 3.0, Yogyakarta,
Penerbit ANDI Yogyakarta.