SmartPLS

 1. Pengertian SmartPLS

SmartPLS adalah perangkat lunak statistik yang digunakan untuk melakukan analisis Structural Equation Modeling (SEM) dengan pendekatan Partial Least Squares (PLS-SEM). SmartPLS dirancang untuk menganalisis hubungan antar variabel laten (variabel yang tidak bisa diukur secara langsung) melalui indikator-indikatornya, dan banyak digunakan dalam penelitian sosial, bisnis, manajemen, dan pemasaran.


2. Sejarah Singkat

- SmartPLS dikembangkan oleh Christian M. Ringle, Sven Wende, dan Jan-Michael Becker

- Versi awal SmartPLS dirilis pada awal tahun 2000-an sebagai software gratis berbasis Java

- Terus dikembangkan hingga versi SmartPLS 3 dan SmartPLS 4 dengan tampilan yang lebih modern dan fitur analisis yang semakin lengkap


 3. Fungsi dan Kegunaan SmartPLS

- Menganalisis hubungan antara variabel laten dan indikatornya (model pengukuran)

- Menganalisis hubungan antar variabel laten (model struktural)

- Menguji validitas dan reliabilitas instrumen penelitian

- Menguji pengaruh langsung, tidak langsung, dan variabel mediasi maupun moderasi

- Cocok digunakan untuk penelitian dengan ukuran sampel yang relatif kecil dan model yang kompleks

- Tidak mengharuskan data berdistribusi normal, berbeda dengan metode SEM berbasis kovarian seperti pada AMOS atau LISREL


4. Konsep Dasar dalam PLS-SEM

- Variabel laten (latent variable): variabel yang tidak dapat diukur secara langsung, misalnya kepuasan pelanggan atau motivasi kerja

- Indikator (manifest variable): item atau pertanyaan yang digunakan untuk mengukur variabel laten, biasanya berasal dari butir kuesioner

- Model pengukuran (outer model): menggambarkan hubungan antara variabel laten dengan indikator-indikatornya

- Model struktural (inner model): menggambarkan hubungan antar variabel laten

- Konstruk reflektif: indikator dianggap sebagai cerminan dari variabel latennya

- Konstruk formatif: indikator dianggap membentuk atau menyusun variabel latennya


5. Komponen Utama Tampilan SmartPLS

- Project: proyek kerja yang menyimpan data, model, dan hasil analisis

- Data: berisi file data mentah yang telah diimpor ke dalam SmartPLS

- Model: area utama tempat menggambar diagram jalur (path diagram) yang menghubungkan variabel laten dan indikator

- Calculate: menu untuk menjalankan algoritma perhitungan, seperti PLS Algorithm, Bootstrapping, dan Blindfolding

- Report: jendela yang menampilkan seluruh hasil output setelah proses perhitungan dijalankan


 6. Membuat Model dan Memasukkan Data

- Data biasanya diimpor dalam format CSV atau file teks yang berisi jawaban responden dari kuesioner

- Setelah data diimpor, pengguna menggambar path diagram dengan menambahkan variabel laten (digambarkan sebagai lingkaran atau oval) dan menghubungkannya dengan indikator (digambarkan sebagai kotak)

- Hubungan antar variabel laten digambarkan dengan garis panah sesuai hipotesis penelitian

- Model yang telah digambar inilah yang kemudian dianalisis menggunakan algoritma PLS


7. PLS Algorithm

PLS Algorithm adalah proses perhitungan utama dalam SmartPLS untuk menghasilkan nilai-nilai model pengukuran dan model struktural, seperti outer loading, path coefficient, dan R-square.


- Outer loading: nilai yang menunjukkan seberapa kuat hubungan antara indikator dengan variabel latennya, pada konstruk reflektif

- Outer weight: nilai bobot indikator pada konstruk formatif

- Path coefficient: nilai yang menunjukkan kekuatan dan arah hubungan antar variabel laten

- R-square: menunjukkan seberapa besar variabel laten dependen dapat dijelaskan oleh variabel laten independennya


 8. Evaluasi Model Pengukuran (Outer Model)

Evaluasi outer model dilakukan untuk memastikan indikator yang digunakan benar-benar valid dan reliabel dalam mengukur variabel latennya.


A. Uji Validitas Konvergen

- Dilihat dari nilai outer loading, idealnya di atas 0,7

- Dilihat juga dari nilai Average Variance Extracted (AVE), idealnya di atas 0,5


B. Uji Validitas Diskriminan

- Fornell-Larcker Criterion: membandingkan akar AVE suatu konstruk dengan korelasinya terhadap konstruk lain

- Cross Loading: melihat apakah nilai loading indikator pada variabel latennya sendiri lebih tinggi dibanding pada variabel laten lain

- Heterotrait-Monotrait Ratio (HTMT): metode yang lebih baru dan dianggap lebih akurat untuk menguji validitas diskriminan


C. Uji Reliabilitas

- Cronbach's Alpha: mengukur konsistensi internal indikator, idealnya di atas 0,7

- Composite Reliability: alternatif pengukuran reliabilitas yang dianggap lebih sesuai untuk PLS-SEM, idealnya juga di atas 0,7


9. Evaluasi Model Struktural (Inner Model)

Setelah model pengukuran dinyatakan valid dan reliabel, tahap selanjutnya adalah mengevaluasi model struktural untuk menguji hipotesis penelitian.

- R-square (R2): menunjukkan besarnya pengaruh variabel independen terhadap variabel dependen, dikategorikan lemah, sedang, atau kuat tergantung nilainya

- Q-square (Q2): menunjukkan relevansi prediktif model, dihasilkan melalui prosedur Blindfolding

- F-square (F2): menunjukkan seberapa besar pengaruh suatu variabel independen tertentu terhadap variabel dependen jika variabel tersebut dihilangkan dari model

- Path Coefficient dan nilai signifikansi: digunakan untuk menguji apakah suatu hipotesis pengaruh antar variabel diterima atau ditolak


 10. Bootstrapping

Bootstrapping adalah prosedur resampling yang digunakan di SmartPLS untuk menguji signifikansi statistik dari path coefficient, karena PLS-SEM tidak mengasumsikan distribusi data secara normal.

- Hasil bootstrapping menampilkan nilai T-Statistics dan P-Values untuk setiap hubungan antar variabel

- Suatu hubungan atau pengaruh dianggap signifikan apabila nilai T-Statistics lebih besar dari 1,96 (pada taraf signifikansi 5 persen) atau nilai P-Values lebih kecil dari 0,05

- Bootstrapping juga digunakan untuk menguji signifikansi pengaruh mediasi (indirect effect)


 11. Analisis Mediasi dan Moderasi

- Analisis mediasi: menguji apakah suatu variabel menjadi perantara hubungan antara variabel independen dan variabel dependen, dilihat dari nilai indirect effect hasil bootstrapping

- Analisis moderasi: menguji apakah suatu variabel memperkuat atau memperlemah hubungan antara dua variabel lain, biasanya menggunakan fitur moderating effect yang tersedia di SmartPLS


12. Blindfolding

Blindfolding adalah prosedur yang digunakan untuk menghasilkan nilai Q-square, yang menunjukkan seberapa baik model mampu memprediksi data. Prosedur ini hanya berlaku untuk konstruk dengan indikator reflektif.


 13. Format Penyimpanan File SmartPLS

- File project SmartPLS biasanya tersimpan dalam bentuk folder proyek yang berisi data, model, dan hasil perhitungan

- Data mentah yang diimpor umumnya berformat CSV

- Hasil analisis bisa diekspor ke dalam format laporan seperti PDF, Excel, atau gambar diagram jalur


14. Kelebihan SmartPLS

- Tidak memerlukan asumsi data berdistribusi normal

- Bisa digunakan pada ukuran sampel yang relatif kecil

- Mampu menangani model penelitian yang kompleks dengan banyak variabel dan indikator sekaligus

- Tampilan path diagram memudahkan peneliti memahami hubungan antar variabel secara visual

- Cocok untuk penelitian yang bersifat prediktif dan eksploratif


 15. Keterbatasan SmartPLS

- Kurang tepat digunakan untuk tujuan pengujian teori yang bersifat konfirmatori murni dibanding SEM berbasis kovarian

- Interpretasi hasil membutuhkan pemahaman konsep PLS-SEM yang cukup mendalam, terutama terkait konstruk reflektif dan formatif

- Beberapa fitur lanjutan hanya tersedia pada versi berbayar


 16. Bidang yang Menggunakan SmartPLS

- Penelitian manajemen dan bisnis, misalnya untuk menguji pengaruh kepuasan kerja terhadap kinerja karyawan

- Penelitian pemasaran, misalnya untuk menguji pengaruh kualitas layanan terhadap loyalitas pelanggan

- Penelitian sistem informasi, misalnya untuk menguji penerimaan teknologi oleh pengguna

- Penelitian psikologi dan pendidikan yang melibatkan variabel laten seperti motivasi, kepuasan, atau sikap


 17. Tips Belajar SmartPLS

- Pahami dulu konsep dasar SEM, variabel laten, dan indikator sebelum praktik langsung di SmartPLS

- Pastikan kuesioner atau instrumen penelitian sudah dirancang dengan baik, karena kualitas data sangat memengaruhi hasil analisis

- Lakukan evaluasi outer model terlebih dahulu sebelum melanjutkan ke evaluasi inner model

- Jangan lupa menjalankan prosedur Bootstrapping untuk menguji signifikansi hubungan antar variabel, bukan hanya melihat hasil PLS Algorithm saja

- Latihan dengan data contoh atau data penelitian terdahulu untuk memahami alur analisis secara menyeluruh

Komentar

Posting Komentar

Postingan populer dari blog ini

TUGAS BACAAN HARIAN

    No Kode Link Judul Topik 1 00112 Agunan pada Perbankan Syariah 2 00021 Akad Hawalah pada Perbankan Syariah 3 00024 Akad Ijarah pada Perbankan Syariah 4 00028 Akad Istishna' pada Perbankan Syariah 5 00033 Akad Kafalah pada Perbankan Syariah 6 00035 Akad Mudharabah pada Perbankan Syariah 7 00051 Akad Murabahah pada Perbankan Syariah 8 00044 Akad Musyarakah pada Perbankan Syariah 9 00047 Akad Qardh pada Perbankan Syariah 10 00053 Akad Salam pada Perbankan Syariah 11 00056 Akad Sharf pada Perbankan Syariah 12 00059 Akad Wadiah pada Perbankan Syariah ...
Baca selengkapnya

Software SPSS

Gambar
  1. Pengertian SPSS SPSS adalah singkatan dari Statistical Package for the Social Sciences, yaitu perangkat lunak yang digunakan untuk mengolah dan menganalisis data statistik. SPSS awalnya dirancang untuk kebutuhan penelitian ilmu sosial, namun sekarang digunakan secara luas di berbagai bidang seperti pendidikan, kesehatan, ekonomi, bisnis, dan penelitian ilmiah lainnya.  2. Sejarah Singkat - SPSS pertama kali dikembangkan pada tahun 1968 oleh Norman H. Nie, Dale Bent, dan C. Hadlai Hull - Awalnya digunakan di lingkungan akademik untuk analisis data penelitian sosial - Pada tahun 2009, SPSS Inc. diakuisisi oleh IBM, sehingga nama resminya sekarang menjadi IBM SPSS Statistics - Terus dikembangkan dengan penambahan fitur analisis statistik yang semakin lengkap di setiap versinya 3. Fungsi dan Kegunaan SPSS - Mengolah data mentah menjadi informasi statistik yang mudah dipahami - Melakukan analisis deskriptif seperti rata-rata, median, dan standar deviasi - Melakukan uji hipote...
Baca selengkapnya

MENDELEY

Gambar
  ## 1. Pengertian Mendeley Mendeley adalah aplikasi pengelola referensi (reference manager) yang digunakan untuk menyimpan, mengorganisasi, memberi catatan, dan mengutip sumber pustaka, seperti jurnal, buku, dan dokumen PDF. Mendeley juga membantu membuat sitasi dalam teks dan daftar pustaka secara otomatis dalam berbagai gaya penulisan, misalnya APA, MLA, Harvard, dan Chicago. Selain itu, Mendeley memiliki fitur jejaring akademik dan perpustakaan bersama untuk kolaborasi. ## 2. Sejarah Singkat - Mendeley dibuat pada tahun 2007 oleh tiga mahasiswa doktoral - Sejak tahun 2013, Mendeley dimiliki dan dikelola oleh Elsevier, penerbit ilmiah yang juga mengelola ScienceDirect dan Scopus - Pada tahun 2022, Mendeley Reference Manager menggantikan Mendeley Desktop yang lama - Mendeley Cite menggantikan plugin sitasi lama untuk Microsoft Word - Fitur dan layanan dapat berubah dari waktu ke waktu, sehingga informasi terbaru perlu dicek di situs resmi ## 3. Fungsi dan Kegunaan Mendeley - Meny...
Baca selengkapnya