SOFTWARE SMARTPLS

1. Pengertian SmartPLS

SmartPLS merupakan salah satu perangkat lunak yang digunakan untuk melakukan analisis Structural Equation Modeling (SEM) dengan pendekatan Partial Least Squares (PLS). Software ini banyak digunakan dalam penelitian kuantitatif, khususnya penelitian yang melibatkan beberapa variabel yang saling berhubungan dan memiliki indikator yang cukup banyak.

Dalam penelitian sosial, ekonomi, manajemen, pemasaran, akuntansi, maupun bidang lainnya, sering kali peneliti ingin mengetahui hubungan antara konsep yang tidak dapat diukur secara langsung. Misalnya, kepuasan pelanggan, kualitas pelayanan, loyalitas, kepercayaan, motivasi, religiusitas, atau persepsi. Konsep-konsep tersebut disebut sebagai konstruk atau variabel laten. Karena tidak dapat diukur secara langsung, konstruk perlu diwakili oleh beberapa indikator melalui pertanyaan dalam kuesioner.

SmartPLS membantu peneliti menganalisis hubungan antara konstruk tersebut sekaligus mengevaluasi apakah indikator yang digunakan memang mampu mengukur konstruk yang dimaksud.

Secara sederhana, SmartPLS dapat digunakan untuk menjawab pertanyaan seperti:

Apakah kualitas pelayanan berpengaruh terhadap kepuasan pelanggan?
Apakah kepuasan pelanggan berpengaruh terhadap loyalitas?
Apakah harga berpengaruh terhadap keputusan pembelian?
Apakah kepercayaan memediasi hubungan kualitas pelayanan dengan loyalitas?
Apakah suatu model penelitian secara keseluruhan memiliki kualitas yang baik?

Dengan demikian, SmartPLS bukan hanya digunakan untuk menghitung hubungan antarvariabel, tetapi juga membantu peneliti menguji kualitas instrumen penelitian dan menguji model penelitian secara keseluruhan.

2. Apa Itu PLS-SEM?

Sebelum memahami SmartPLS, penting untuk memahami konsep PLS-SEM.

SEM merupakan singkatan dari Structural Equation Modeling, yaitu metode statistik yang digunakan untuk menganalisis hubungan yang kompleks antara sejumlah variabel. SEM memungkinkan peneliti menguji beberapa hubungan dalam satu model penelitian.

Sementara itu, PLS merupakan singkatan dari Partial Least Squares. PLS-SEM merupakan pendekatan SEM yang berorientasi pada prediksi dan pengembangan teori/model.

Dalam PLS-SEM terdapat dua bagian utama yang dianalisis, yaitu:

Measurement Model (Outer Model)
Structural Model (Inner Model)

Keduanya memiliki fungsi yang berbeda.

A. Measurement Model atau Outer Model

Outer model digunakan untuk melihat hubungan antara konstruk dengan indikator-indikator yang membentuknya.

Contohnya:

Kualitas Pelayanan → indikator pelayanan cepat, pelayanan ramah, fasilitas, dan sebagainya.

Peneliti perlu memastikan bahwa indikator tersebut benar-benar mampu mengukur konstruk kualitas pelayanan.

B. Structural Model atau Inner Model

Inner model digunakan untuk melihat hubungan antar konstruk atau variabel laten.

Misalnya:

Kualitas Pelayanan → Kepuasan → Loyalitas

Dari model tersebut, peneliti dapat mengetahui apakah kualitas pelayanan memengaruhi kepuasan dan apakah kepuasan memengaruhi loyalitas.

3. Fungsi dan Kegunaan SmartPLS

SmartPLS memiliki berbagai fungsi dalam penelitian kuantitatif. Beberapa fungsi utamanya adalah sebagai berikut.

3.1 Menguji hubungan antarvariabel

SmartPLS dapat digunakan untuk mengetahui apakah suatu variabel memiliki pengaruh terhadap variabel lainnya.

Contohnya:

X = Kualitas Pelayanan
Y = Kepuasan Pelanggan

Peneliti dapat menguji apakah kualitas pelayanan berpengaruh terhadap kepuasan pelanggan.

3.2 Menguji validitas dan reliabilitas

SmartPLS dapat membantu menguji apakah indikator yang digunakan dalam kuesioner valid dan reliabel.

Validitas berkaitan dengan kemampuan instrumen dalam mengukur apa yang seharusnya diukur, sedangkan reliabilitas berkaitan dengan konsistensi hasil pengukuran.

3.3 Menguji model penelitian

SmartPLS memungkinkan peneliti menguji model yang terdiri dari beberapa variabel sekaligus.

Misalnya:

Kualitas Produk → Kepuasan → Loyalitas

Dalam model tersebut terdapat hubungan langsung maupun tidak langsung yang dapat dianalisis.

3.4 Menguji variabel mediasi

SmartPLS dapat digunakan untuk menguji apakah suatu variabel menjadi mediator atau variabel intervening.

Contohnya:

Kualitas Pelayanan → Kepuasan → Loyalitas

Dalam model tersebut, kepuasan pelanggan dapat berperan sebagai variabel mediasi antara kualitas pelayanan dan loyalitas.

3.5 Menguji variabel moderasi

Selain mediasi, SmartPLS juga dapat digunakan untuk menganalisis moderasi.

Variabel moderator merupakan variabel yang dapat memperkuat atau memperlemah hubungan antara variabel independen dan dependen.

Contohnya:

Kualitas Pelayanan → Loyalitas

Hubungan tersebut dapat dipengaruhi oleh kepercayaan sebagai moderator.

4. Kelebihan SmartPLS

SmartPLS cukup populer karena memiliki beberapa kelebihan.

4.1 Dapat digunakan untuk model yang kompleks

SmartPLS dapat digunakan ketika penelitian memiliki banyak konstruk dan indikator serta hubungan antarvariabel yang cukup kompleks.

Misalnya:

X1 → Y1 → Y2
X2 → Y1 → Y2
X3 → Y2

Model seperti ini masih dapat dianalisis menggunakan PLS-SEM.

4.2 Tidak terlalu ketat terhadap asumsi distribusi data

Salah satu karakteristik PLS-SEM adalah tidak mengharuskan data mengikuti distribusi normal secara ketat seperti beberapa pendekatan statistik parametrik lainnya.

Hal ini menjadi salah satu alasan PLS-SEM sering digunakan dalam penelitian sosial yang menggunakan data kuesioner.

4.3 Cocok untuk penelitian dengan orientasi prediksi

PLS-SEM banyak digunakan ketika tujuan penelitian adalah memprediksi konstruk tertentu atau mengembangkan model penelitian.

4.4 Dapat digunakan untuk sampel relatif kecil

PLS-SEM sering dipilih ketika ukuran sampel penelitian tidak terlalu besar. Namun, bukan berarti peneliti boleh menggunakan sampel sembarangan. Ukuran sampel tetap harus ditentukan berdasarkan desain penelitian dan karakteristik model.

4.5 Antarmuka relatif mudah digunakan

SmartPLS menyediakan antarmuka berbasis visual sehingga peneliti dapat membuat model dengan cara memasukkan konstruk dan menghubungkannya menggunakan garis/path.

Hal ini membuat proses pemodelan menjadi lebih mudah dipahami dibandingkan jika seluruh analisis harus dilakukan melalui syntax.

5. Kekurangan SmartPLS

Meskipun memiliki banyak kelebihan, SmartPLS juga memiliki beberapa keterbatasan.

5.1 Tidak semua penelitian cocok menggunakan PLS-SEM

PLS-SEM bukan metode yang harus digunakan untuk semua penelitian. Pemilihan metode harus disesuaikan dengan tujuan penelitian, model teoritis, karakteristik data, dan kebutuhan analisis.

5.2 Fokus pada prediksi

PLS-SEM lebih berorientasi pada prediksi dan pengembangan model. Oleh karena itu, apabila penelitian memiliki tujuan utama untuk mengonfirmasi teori yang sudah sangat mapan, pendekatan SEM kovarians dapat menjadi alternatif yang lebih sesuai dalam kondisi tertentu.

5.3 Hasil harus tetap diinterpretasikan berdasarkan teori

Software hanya menghasilkan angka statistik. Peneliti tetap harus menjelaskan mengapa hubungan tersebut terjadi berdasarkan teori dan penelitian terdahulu.

Jadi, hasil SmartPLS tidak boleh hanya ditulis:

"Variabel X berpengaruh terhadap Y."

Peneliti juga harus menjelaskan makna hubungan tersebut secara ilmiah.

6. Istilah-Istilah Penting dalam SmartPLS

Ada beberapa istilah yang harus dipahami sebelum menggunakan SmartPLS.

A. Konstruk/Variabel Laten

Konstruk adalah konsep yang tidak dapat diukur secara langsung.

Contohnya:

Kepuasan pelanggan
Loyalitas
Kepercayaan
Motivasi
Religiusitas
Persepsi
Kualitas pelayanan

Konstruk biasanya diukur melalui beberapa indikator.

B. Indikator

Indikator merupakan item atau pertanyaan yang digunakan untuk mengukur konstruk.

Misalnya konstruk Kepuasan Pelanggan memiliki indikator:

Saya puas terhadap pelayanan.
Pelayanan sesuai harapan saya.
Saya merasa keputusan menggunakan layanan ini tepat.
Saya bersedia menggunakan layanan ini kembali.

Keempat indikator tersebut digunakan untuk merepresentasikan konstruk kepuasan pelanggan.

C. Variabel Eksogen

Variabel eksogen merupakan variabel yang berperan sebagai variabel independen atau variabel yang memberikan pengaruh kepada konstruk lain dalam model.

Biasanya ditulis sebagai:

Contoh:

Kualitas Pelayanan (X)

D. Variabel Endogen

Variabel endogen merupakan variabel yang mendapatkan pengaruh dari konstruk lain.

Biasanya ditulis sebagai:

Contohnya:

Kepuasan Pelanggan (Y)

E. Path Coefficient

Path coefficient merupakan nilai yang menunjukkan arah dan kekuatan hubungan antara konstruk.

Nilainya biasanya berada antara -1 dan +1.

Semakin besar nilai absolutnya, semakin kuat hubungan yang ditunjukkan oleh model.

Contohnya:

X → Y = 0,650

Artinya hubungan X terhadap Y bersifat positif dengan koefisien sebesar 0,650.

7. Outer Model

Outer model merupakan tahap pertama yang penting dalam analisis SmartPLS.

Tujuannya adalah memastikan bahwa indikator yang digunakan mampu mengukur konstruk dengan baik.

Outer model biasanya dianalisis melalui:

Outer loading
Average Variance Extracted (AVE)
Composite Reliability
Cronbach's Alpha
Discriminant validity

8. Outer Loading

Outer loading menunjukkan seberapa kuat hubungan antara indikator dengan konstruk yang diukurnya.

Misalnya:

Konstruk: Kualitas Pelayanan
Indikator: X1.1, X1.2, X1.3, X1.4

Hasil:

Indikator	Loading
X1.1	0,812
X1.2	0,845
X1.3	0,779
X1.4	0,867

Semakin tinggi nilai loading, semakin kuat indikator merepresentasikan konstruk.

Secara umum, nilai 0,70 atau lebih sering digunakan sebagai patokan bahwa indikator memiliki loading yang baik. Namun, keputusan menghapus indikator tidak seharusnya hanya didasarkan pada angka loading, tetapi juga harus mempertimbangkan teori dan kualitas konstruk secara keseluruhan.

9. Convergent Validity

Convergent validity digunakan untuk melihat apakah indikator-indikator yang seharusnya mengukur konstruk yang sama memang memiliki keterkaitan yang kuat.

Salah satu ukuran yang digunakan adalah Average Variance Extracted (AVE).

Secara umum:

AVE ≥ 0,50

menunjukkan bahwa konstruk mampu menjelaskan setidaknya sekitar 50% varians indikator-indikatornya.

Contoh:

Konstruk	AVE
Kualitas Pelayanan	0,623
Kepuasan	0,681
Loyalitas	0,594

Ketiga konstruk tersebut memenuhi kriteria karena nilai AVE berada di atas 0,50.

10. Composite Reliability

Composite Reliability digunakan untuk mengukur konsistensi internal indikator dalam sebuah konstruk.

Secara umum, nilai:

CR ≥ 0,70

sering dianggap menunjukkan reliabilitas yang baik.

Contoh:

Konstruk	Composite Reliability
Kualitas Pelayanan	0,892
Kepuasan	0,914
Loyalitas	0,878

Berdasarkan nilai tersebut, seluruh konstruk dapat dikatakan memiliki reliabilitas yang baik.

11. Cronbach's Alpha

Cronbach's Alpha juga digunakan untuk menguji reliabilitas atau konsistensi internal indikator.

Secara umum:

α ≥ 0,70

sering digunakan sebagai pedoman reliabilitas yang memadai.

Namun, dalam PLS-SEM, peneliti tidak sebaiknya hanya melihat Cronbach's Alpha. Composite Reliability juga perlu diperhatikan, karena memiliki karakteristik yang berbeda dalam mengestimasi reliabilitas konstruk.

12. Discriminant Validity

Discriminant validity digunakan untuk memastikan bahwa suatu konstruk memang berbeda dari konstruk lainnya.

Contohnya, jika penelitian menggunakan:

Kualitas Pelayanan
Kepuasan
Loyalitas

maka indikator kualitas pelayanan harus benar-benar lebih merepresentasikan kualitas pelayanan daripada kepuasan atau loyalitas.

Beberapa pendekatan yang digunakan untuk menilai discriminant validity antara lain:

A. Fornell-Larcker Criterion

Kriteria ini membandingkan akar kuadrat AVE suatu konstruk dengan korelasinya dengan konstruk lain.

B. Cross Loadings

Nilai loading suatu indikator terhadap konstruk yang seharusnya diukur idealnya lebih tinggi dibandingkan loading indikator tersebut pada konstruk lain.

C. HTMT

Heterotrait-Monotrait Ratio (HTMT) merupakan salah satu pendekatan yang banyak digunakan untuk mengevaluasi discriminant validity.

Secara umum, nilai HTMT yang berada di bawah ambang batas tertentu digunakan sebagai indikasi bahwa discriminant validity terpenuhi. Batas 0,85 atau 0,90 sering digunakan tergantung konteks dan literatur metodologis yang menjadi acuan.

13. Inner Model

Setelah outer model memenuhi kriteria yang diperlukan, peneliti dapat melakukan evaluasi terhadap inner model atau structural model.

Inner model digunakan untuk mengetahui hubungan antarvariabel laten.

Beberapa indikator yang biasa diperhatikan adalah:

R-Square
F-Square
Path Coefficient
T-Statistics
P-Values
Predictive relevance
Collinearity

14. R-Square (R²)

R-Square digunakan untuk mengetahui seberapa besar kemampuan variabel independen menjelaskan variabel dependen.

Misalnya:

R² Kepuasan = 0,650

Artinya sekitar 65% variasi konstruk kepuasan dapat dijelaskan oleh konstruk-konstruk yang mengarah kepadanya dalam model, sedangkan sisanya dipengaruhi oleh faktor lain di luar model.

Contoh:

Variabel Endogen	R²
Kepuasan	0,650
Loyalitas	0,720

Semakin tinggi R², secara umum semakin besar kemampuan model dalam menjelaskan variabel endogen. Namun, interpretasi "tinggi" atau "rendah" harus mempertimbangkan bidang penelitian dan kompleksitas model.

15. F-Square (f²)

F-Square digunakan untuk melihat besarnya efek suatu konstruk eksogen terhadap konstruk endogen.

Secara umum, pedoman yang sering digunakan:

f²	Interpretasi
0,02	Efek kecil
0,15	Efek sedang
0,35	Efek besar

Misalnya:

Kualitas Pelayanan → Kepuasan = 0,30

Maka pengaruh tersebut dapat dikategorikan memiliki efek sedang menuju besar berdasarkan pedoman tersebut.

16. Path Coefficient

Path coefficient menunjukkan arah hubungan antarvariabel.

Misalnya:

Kualitas Pelayanan → Kepuasan = 0,725

Angka positif menunjukkan hubungan positif.

Artinya, semakin baik kualitas pelayanan, maka kepuasan cenderung meningkat.

Sebaliknya:

Harga → Keputusan Pembelian = -0,300

menunjukkan hubungan negatif.

Artinya, peningkatan variabel harga dalam konteks pengukuran penelitian tersebut berkaitan dengan penurunan keputusan pembelian.

Namun, arah hubungan harus selalu dibaca berdasarkan definisi dan skala pengukuran variabel.

17. Bootstrapping

Salah satu bagian penting dalam SmartPLS adalah Bootstrapping.

Bootstrapping merupakan prosedur resampling yang digunakan untuk memperoleh informasi mengenai ketidakpastian estimasi, termasuk standard error, t-statistics, dan p-values.

Bootstrapping digunakan untuk menguji apakah hubungan antarvariabel dalam model memiliki dukungan statistik yang memadai.

Misalnya:

X → Y
β = 0,512
t = 4,321
p = 0,000

Hasil tersebut menunjukkan adanya bukti statistik yang kuat untuk hubungan X terhadap Y pada tingkat signifikansi yang umum digunakan.

18. T-Statistics

T-statistics digunakan dalam pengujian signifikansi koefisien jalur.

Untuk pengujian dua arah dengan tingkat signifikansi 5%, nilai kritis yang sering digunakan adalah sekitar:

1,96

Dengan demikian, secara sederhana:

t > 1,96 → signifikan
t < 1,96 → tidak signifikan

Namun, interpretasi akhir sebaiknya dilakukan bersama dengan p-value dan confidence interval, bukan hanya berdasarkan t-statistics.

19. P-Value

P-value menunjukkan probabilitas mendapatkan hasil statistik setidaknya sebesar hasil yang diamati apabila hipotesis nol benar.

Dalam banyak penelitian, tingkat signifikansi yang digunakan adalah:

α = 5% atau 0,05

Secara umum:

p < 0,05 → signifikan
p ≥ 0,05 → tidak signifikan

Contohnya:

p-value = 0,012

Karena 0,012 < 0,05, hubungan tersebut dinyatakan signifikan secara statistik.

20. Pengujian Hipotesis

Hasil pengujian hipotesis biasanya disajikan dalam tabel.

Contoh:

Hipotesis	Hubungan	β	T-Statistics	P-Values	Keputusan
H1	Kualitas → Kepuasan	0,512	4,321	0,000	Diterima
H2	Kepuasan → Loyalitas	0,634	6,210	0,000	Diterima
H3	Kualitas → Loyalitas	0,121	1,542	0,123	Ditolak

Cara membacanya:

H1: kualitas pelayanan berpengaruh positif dan signifikan terhadap kepuasan karena β bernilai positif dan p-value < 0,05.

H2: kepuasan berpengaruh positif dan signifikan terhadap loyalitas.

H3: kualitas pelayanan tidak memiliki pengaruh langsung yang signifikan terhadap loyalitas karena p-value > 0,05.

21. Variabel Mediasi

SmartPLS juga dapat digunakan untuk menganalisis mediasi.

Contohnya:

Kualitas Pelayanan → Kepuasan → Loyalitas

Dalam model tersebut:

X = Kualitas Pelayanan
M = Kepuasan
Y = Loyalitas

Peneliti dapat menguji:

Pengaruh X → M
Pengaruh M → Y
Pengaruh X → Y
Pengaruh tidak langsung X → M → Y

Pengaruh tidak langsung biasanya disebut indirect effect.

22. Direct Effect dan Indirect Effect

Direct Effect

Direct effect merupakan pengaruh langsung suatu variabel terhadap variabel lainnya.

Contoh:

Kualitas Pelayanan → Loyalitas

Indirect Effect

Indirect effect merupakan pengaruh yang terjadi melalui variabel perantara.

Contoh:

Kualitas Pelayanan → Kepuasan → Loyalitas

Dengan demikian, kepuasan menjadi mediator.

23. Variabel Moderasi

Moderasi berbeda dengan mediasi.

Jika mediasi menjelaskan bagaimana atau melalui apa suatu pengaruh terjadi, moderasi menjelaskan kapan atau pada kondisi apa suatu pengaruh menjadi lebih kuat atau lebih lemah.

Contoh:

Kualitas Pelayanan → Loyalitas

Kemudian terdapat variabel Kepercayaan sebagai moderator.

Artinya, tingkat kepercayaan pelanggan dapat memengaruhi kuat atau lemahnya hubungan antara kualitas pelayanan dan loyalitas.

24. Predictive Relevance (Q²)

Q² digunakan untuk mengevaluasi predictive relevance dari model untuk konstruk endogen tertentu.

Nilai Q² yang positif umumnya menunjukkan bahwa model memiliki relevansi prediktif untuk konstruk tersebut.

Dalam SmartPLS, peneliti dapat memperoleh informasi ini melalui prosedur seperti blindfolding pada metode/versi yang mendukungnya, atau menggunakan pendekatan prediksi yang tersedia pada versi SmartPLS yang digunakan.

25. Collinearity

Collinearity perlu diperhatikan karena hubungan yang terlalu tinggi antar prediktor dapat memengaruhi estimasi model.

Salah satu ukuran yang digunakan adalah:

Variance Inflation Factor (VIF)

Semakin tinggi VIF, semakin perlu diperhatikan kemungkinan adanya masalah multikolinearitas.

Batas yang digunakan dapat berbeda menurut literatur, tetapi nilai sekitar 5 sering digunakan sebagai batas praktis, sementara nilai yang lebih ketat seperti 3,3 juga digunakan dalam konteks tertentu.

26. Langkah-Langkah Menggunakan SmartPLS

Secara umum, proses penggunaan SmartPLS dapat dilakukan melalui tahapan berikut.

Tahap 1 — Menentukan model penelitian

Pertama, peneliti harus menentukan:

Variabel penelitian
Indikator
Hubungan antarvariabel
Hipotesis

Misalnya:

X = Kualitas Pelayanan
M = Kepuasan
Y = Loyalitas

Model:

X → M → Y

Tahap 2 — Menyiapkan data

Data biasanya diperoleh melalui kuesioner.

Misalnya:

Responden	X1.1	X1.2	X1.3	M1.1	M1.2	Y1.1
1	4	5	4	4	5	4
2	5	4	5	5	4	5
3	3	4	3	4	3	4

Data tersebut kemudian dimasukkan ke dalam SmartPLS.

Tahap 3 — Membuat Project

Peneliti membuat project baru di SmartPLS.

Setelah itu, data penelitian diimpor ke dalam project.

Tahap 4 — Membuat konstruk

Peneliti membuat konstruk sesuai variabel penelitian.

Contoh:

Kualitas Pelayanan
Kepuasan
Loyalitas

Kemudian masing-masing indikator dimasukkan ke konstruk yang sesuai.

Tahap 5 — Membuat hubungan antarvariabel

Konstruk kemudian dihubungkan menggunakan path.

Contoh:

Kualitas Pelayanan → Kepuasan → Loyalitas

Jika ada pengaruh langsung:

Kualitas Pelayanan → Loyalitas

maka jalur tersebut juga dibuat.

Tahap 6 — Menjalankan PLS Algorithm

Setelah model selesai, peneliti menjalankan PLS Algorithm.

Hasilnya antara lain dapat digunakan untuk melihat:

Outer loading
Path coefficient
R²
AVE
Composite Reliability
Cronbach's Alpha

Tahap 7 — Mengevaluasi Outer Model

Peneliti memeriksa:

Outer loading
AVE
Composite Reliability
Cronbach's Alpha
Discriminant validity

Jika terdapat indikator yang bermasalah, peneliti perlu mengevaluasinya berdasarkan teori dan kriteria statistik.

Tahap 8 — Menjalankan Bootstrapping

Setelah model pengukuran dinilai memadai, peneliti menjalankan bootstrapping.

Hasil yang diperhatikan:

T-statistics
P-values
Confidence intervals
Signifikansi path

Tahap 9 — Menguji Hipotesis

Hasil bootstrapping kemudian digunakan untuk menentukan apakah hipotesis penelitian didukung atau tidak.

Tahap 10 — Menarik kesimpulan

Tahap terakhir adalah menginterpretasikan seluruh hasil berdasarkan:

teori,
hipotesis,
hasil statistik,
penelitian terdahulu,
dan konteks penelitian.

27. Contoh Sederhana Penelitian Menggunakan SmartPLS

Misalnya terdapat penelitian berjudul:

"Pengaruh Kualitas Pelayanan terhadap Loyalitas Nasabah dengan Kepuasan sebagai Variabel Mediasi."

Model penelitian:

Kualitas Pelayanan → Kepuasan → Loyalitas

Selain itu:

Kualitas Pelayanan → Loyalitas

Variabel:

Variabel	Kode	Contoh indikator
Kualitas Pelayanan	X	Pelayanan cepat, ramah, fasilitas
Kepuasan	M	Puas, sesuai harapan
Loyalitas	Y	Penggunaan ulang, rekomendasi

Kemudian diperoleh hasil:

Hubungan	β	P-value
Kualitas → Kepuasan	0,512	0,000
Kepuasan → Loyalitas	0,634	0,000
Kualitas → Loyalitas	0,121	0,123
Kualitas → Kepuasan → Loyalitas	0,325	0,001

Interpretasinya:

Kualitas pelayanan berpengaruh positif dan signifikan terhadap kepuasan. Kepuasan juga berpengaruh positif dan signifikan terhadap loyalitas. Sementara itu, pengaruh langsung kualitas pelayanan terhadap loyalitas tidak signifikan.

Namun, pengaruh tidak langsung kualitas pelayanan terhadap loyalitas melalui kepuasan signifikan.

Hal ini menunjukkan bahwa kepuasan berperan sebagai mediator dalam hubungan kualitas pelayanan dengan loyalitas.

28. Alur Analisis SmartPLS

Secara sederhana, alur analisis SmartPLS dapat digambarkan seperti berikut:

Data Kuesioner

↓

Input Data ke SmartPLS

↓

Membuat Konstruk & Indikator

↓

Membuat Model Penelitian

↓

PLS Algorithm

↓

Evaluasi Outer Model

→ Outer Loading
→ AVE
→ Composite Reliability
→ Cronbach's Alpha
→ Discriminant Validity

↓

Evaluasi Inner Model

→ R²
→ f²
→ VIF
→ Q²/Predictive Assessment

↓

Bootstrapping

↓

T-Statistics & P-Values

↓

Pengujian Hipotesis

↓

Interpretasi Hasil

↓

Kesimpulan

29. Perbedaan SmartPLS dengan SPSS

SmartPLS dan SPSS sama-sama digunakan dalam penelitian kuantitatif, tetapi memiliki karakteristik berbeda.

Aspek	SmartPLS	SPSS
Fokus utama	PLS-SEM	Analisis statistik umum
Model struktural kompleks	Sangat sesuai	Lebih terbatas
Variabel laten	Sangat sesuai	Tidak secara langsung seperti SEM
Outer model	Ya	Tidak menjadi fitur utama
Inner model	Ya	Tidak dalam bentuk PLS-SEM
Mediasi	Ya	Dapat dilakukan dengan metode tertentu
Moderasi	Ya	Dapat dilakukan
Regresi	Bisa dalam konteks model SEM	Sangat umum
Analisis faktor	Tersedia dalam konteks tertentu	Sangat umum
Visualisasi model SEM	Ya	Tidak menjadi fokus utama

Jadi, bukan berarti SmartPLS lebih baik daripada SPSS atau sebaliknya. Keduanya memiliki fungsi dan tujuan yang berbeda.

30. Kapan Sebaiknya Menggunakan SmartPLS?

SmartPLS dapat menjadi pilihan ketika:

Penelitian menggunakan konstruk laten.
Model penelitian memiliki beberapa variabel dan jalur hubungan.
Penelitian berorientasi pada prediksi atau pengembangan model.
Data tidak memenuhi asumsi distribusi normal secara ketat.
Peneliti memiliki model mediasi atau moderasi.
Penelitian memiliki model yang relatif kompleks.
Peneliti ingin mengevaluasi measurement model dan structural model secara bersamaan.

Namun, pemilihan PLS-SEM tetap harus didasarkan pada tujuan penelitian dan pertimbangan metodologis, bukan semata-mata karena software-nya mudah digunakan.

31. Kesalahan yang Sering Terjadi dalam Penggunaan SmartPLS

Beberapa kesalahan yang sering dilakukan oleh mahasiswa antara lain:

1. Menganggap semua loading di bawah 0,70 harus langsung dihapus

Tidak selalu demikian. Penghapusan indikator harus mempertimbangkan teori, validitas konstruk, reliabilitas, dan dampaknya terhadap model.

2. Hanya melihat P-value

Peneliti juga perlu melihat arah koefisien, ukuran efek, R², confidence interval, dan konteks teori.

3. Menganggap R² tinggi berarti penelitian pasti bagus

R² hanya menunjukkan kemampuan penjelasan konstruk endogen dalam model. Kualitas penelitian tidak dapat ditentukan hanya berdasarkan R².

4. Tidak menjelaskan teori

Hasil statistik harus dikaitkan dengan teori dan penelitian terdahulu.

5. Menghapus terlalu banyak indikator

Indikator tidak seharusnya dihapus hanya untuk "mempercantik" hasil statistik karena dapat mengurangi validitas isi konstruk.

6. Salah membedakan mediasi dan moderasi

Mediasi dan moderasi merupakan konsep yang berbeda sehingga model dan interpretasinya juga berbeda.

32. Kelebihan SmartPLS dalam Penelitian Mahasiswa

SmartPLS cukup banyak digunakan dalam penelitian mahasiswa karena dapat membantu menyederhanakan analisis model yang memiliki banyak variabel.

Misalnya dalam penelitian ekonomi syariah:

Religiusitas → Kepercayaan → Minat Menggunakan Bank Syariah

atau:

Pengetahuan Produk → Persepsi → Minat Menggunakan Produk Keuangan Syariah

Penelitian semacam itu sulit jika hanya menggunakan analisis sederhana karena konsep seperti religiusitas, persepsi, kepercayaan, dan minat biasanya merupakan konstruk laten yang diukur melalui beberapa indikator.

Dengan SmartPLS, hubungan antar konstruk dapat dianalisis secara terstruktur.

33. Kesimpulan

SmartPLS merupakan perangkat lunak yang digunakan untuk melakukan analisis Structural Equation Modeling berbasis Partial Least Squares (PLS-SEM). Software ini dapat digunakan untuk menguji model pengukuran sekaligus model struktural dalam penelitian kuantitatif.

Dalam penggunaannya, terdapat dua bagian utama yang harus diperhatikan, yaitu outer model dan inner model. Outer model digunakan untuk mengevaluasi apakah indikator mampu mengukur konstruk secara valid dan reliabel. Sementara itu, inner model digunakan untuk menganalisis hubungan antar konstruk dalam model penelitian.

Beberapa hasil penting yang biasanya diperhatikan dalam SmartPLS meliputi outer loading, AVE, Composite Reliability, Cronbach's Alpha, discriminant validity, R-Square, F-Square, path coefficient, VIF, Q²/predictive assessment, t-statistics, p-value, dan confidence interval.

Dengan demikian, SmartPLS bukan sekadar software untuk menghasilkan angka statistik. Penggunaan SmartPLS yang baik membutuhkan model teoritis yang jelas, indikator yang tepat, data yang sesuai, pemilihan metode yang tepat, serta kemampuan peneliti dalam menginterpretasikan hasil statistik berdasarkan teori.

https://www.alzaqa.com/2026/09/00112.html

https://www.alzaqa.com/2026/09/00021.html

https://www.alzaqa.com/2026/09/00024.html

https://www.alzaqa.com/2026/09/00028.html

https://www.alzaqa.com/2026/09/00033.html

https://www.alzaqa.com/2026/09/00035.html

https://www.alzaqa.com/2026/09/00051.html

https://www.alzaqa.com/2026/09/00044.html

https://www.alzaqa.com/2026/09/00047.html

https://www.alzaqa.com/2026/09/00053.html

https://www.alzaqa.com/2026/09/00056.html

https://www.alzaqa.com/2026/09/00059.html