Software SmartPLS

1. Sejarah dan Latar Belakang

    SmartPLS pertama kali dikembangkan pada tahun 2005 oleh tiga akademisi yaitu Christian M. Ringle, Sven Wende, dan Jan-Michael Becker. Software ini lahir dari kebutuhan para peneliti di bidang sosial dan bisnis yang ingin menganalisis hubungan antar variabel laten (variabel yang tidak bisa diukur secara langsung, seperti "kepuasan pelanggan", "loyalitas merek", atau "kinerja karyawan") tanpa harus menulis kode program atau sintaks statistik yang rumit seperti pada software SEM berbasis kovarian (misalnya LISREL atau AMOS).

Sejak dirilis, SmartPLS mengalami beberapa kali pembaruan besar:

  • SmartPLS 1 dan 2: versi awal dengan fitur dasar PLS-SEM
  • SmartPLS 3: versi yang sangat populer dan banyak dipakai dalam skripsi, tesis, dan disertasi di seluruh dunia karena antarmukanya yang sederhana dan gratis untuk keperluan akademik terbatas
  • SmartPLS 4: versi terbaru dengan perombakan total pada tampilan antarmuka, mesin komputasi yang jauh lebih cepat, serta penambahan berbagai fitur analisis lanjutan yang tidak ada di versi sebelumnya
Perusahaan yang menaungi pengembangan dan distribusi resmi software ini adalah SmartPLS GmbH, yang berbasis di Jerman.

2. Apa Sebenarnya PLS-SEM Itu?

Sebelum masuk lebih jauh ke software-nya, penting memahami dasar metodenya. PLS-SEM (Partial Least Squares Structural Equation Modeling) adalah salah satu varian dari Structural Equation Modeling (SEM) yang berbasis varians (variance-based), berbeda dengan SEM berbasis kovarian (covariance-based SEM/CB-SEM) yang biasa dijalankan lewat AMOS atau LISREL.

Perbedaan mendasarnya:

PLS-SEM (variance-based)

  • Cocok untuk tujuan prediksi dan eksplorasi teori
  • Tidak mensyaratkan data berdistribusi normal secara ketat
  • Bisa digunakan pada ukuran sampel yang relatif kecil
  • Mampu menangani model yang sangat kompleks dengan banyak konstruk dan indikator
  • Mendukung konstruk reflektif maupun formatif dengan baik
CB-SEM (covariance-based
  • Lebih cocok untuk menguji dan mengonfirmasi teori yang sudah mapan
  • Mensyaratkan asumsi distribusi normal multivariat
  • Membutuhkan ukuran sampel yang relatif besar
  • Lebih fokus pada ketepatan model (model fit) secara keseluruhan
Karena karakteristik-karakteristik itulah PLS-SEM, dan karenanya SmartPLS, menjadi sangat populer di kalangan mahasiswa dan peneliti pemula yang biasanya punya keterbatasan jumlah responden dan tidak selalu punya data yang berdistribusi normal sempurna.

3. Spesifikasi Teknis Software

  • Bahasa pemrograman: Java, sehingga bisa dijalankan lintas sistem operasi
  • Sistem operasi yang didukung: Windows dan macOS (versi terbaru juga mulai mendukung Linux)
  • Jenis lisensi: Proprietary (berbayar), dengan skema lisensi akademik dan lisensi profesional/komersial yang berbeda harga
  • Bahasa antarmuka: mendukung puluhan bahasa termasuk Bahasa Indonesia, Inggris, Arab, Mandarin, Jepang, Korea, Jerman, Prancis, dan banyak lagi
  • Model distribusi: instalasi desktop (bukan berbasis cloud/web), sehingga data yang dianalisis tetap tersimpan secara lokal di komputer pengguna

4.  Fitur-Fitur Utama SmartPLS Secara Mendalam

a. Pemodelan Visual (Drag and Drop)

Salah satu daya tarik terbesar SmartPLS adalah kemampuannya membiarkan pengguna menggambar model penelitian secara visual: konstruk laten digambarkan sebagai lingkaran/elips, sementara indikator/item pengukuran digambarkan sebagai kotak, dan hubungan antar keduanya digambar sebagai anak panah. Pengguna tinggal menyeret elemen-elemen ini ke kanvas kerja, menyambungkannya dengan panah, lalu mengimpor data untuk diproses. Ini jauh lebih intuitif dibanding software SEM lain yang mengharuskan pengguna menulis baris-baris kode/sintaks.

b. Model Pengukuran (Outer Model / Measurement Model)

SmartPLS mendukung dua jenis model pengukuran:

  • Model reflektif: indikator dianggap sebagai cerminan (refleksi) dari konstruk latennya. Contoh: item-item kuesioner kepuasan kerja dianggap mencerminkan konstruk "kepuasan kerja".
  • Model formatif: indikator dianggap membentuk konstruknya, bukan sebaliknya. Contoh: indikator-indikator sosial ekonomi (pendapatan, pendidikan, pekerjaan) membentuk konstruk "status sosial ekonomi".

Untuk menilai kualitas model pengukuran reflektif, SmartPLS menyediakan berbagai kriteria seperti:

  • Outer loading: seberapa kuat setiap indikator merepresentasikan konstruknya (idealnya di atas 0,7)
  • Average Variance Extracted (AVE): mengukur validitas konvergen (idealnya di atas 0,5)
  • Composite reliability dan Cronbach's Alpha: mengukur konsistensi internal/reliabilitas
  • Kriteria HTMT (Heterotrait-Monotrait Ratio): kriteria modern untuk menguji validitas diskriminan, dianggap lebih akurat dibanding kriteria lama seperti Fornell-Larcker
Untuk model formatif, penilaian dilakukan dengan cara yang berbeda, seperti melihat nilai VIF (Variance Inflation Factor) untuk mendeteksi multikolinearitas antar indikator, serta melihat bobot (outer weight) dan signifikansinya.

c. Model Struktural (Inner Model / Structural Model)

Setelah model pengukuran dinyatakan valid dan reliabel, SmartPLS akan menguji hubungan antar konstruk laten itu sendiri (model struktural), meliputi:

  • Path coefficient: kekuatan dan arah hubungan antar konstruk
  • R-square (R²): seberapa besar variabel independen mampu menjelaskan variabel dependen
  • Q-square (Q²): mengukur relevansi prediktif model (predictive relevance)
  • F-square (f²): mengukur besar pengaruh (effect size) dari satu konstruk terhadap konstruk lain
  • Bootstrapping: prosedur resampling berulang untuk menguji signifikansi statistik dari setiap jalur hubungan, menghasilkan nilai t-statistic dan p-value tanpa perlu asumsi distribusi normal

d. PLSpredict

Fitur ini digunakan untuk menilai kemampuan prediksi out-of-sample dari model, yaitu seberapa baik model yang dibangun mampu memprediksi data baru yang tidak digunakan dalam proses estimasi awal. Ini penting terutama jika tujuan penelitian bukan hanya menjelaskan hubungan, tapi juga memprediksi.

e. Analisis Mediasi dan Moderasi

SmartPLS memudahkan pengguna menguji:

  • Efek mediasi: apakah pengaruh variabel X terhadap Y melewati variabel perantara (mediator) Z
  • Efek moderasi: apakah kekuatan hubungan antara X dan Y dipengaruhi oleh variabel moderator lain

Kedua analisis ini sangat sering dibutuhkan dalam penelitian ilmu sosial dan bisnis modern yang jarang hanya menguji hubungan langsung semata.

f. Multigroup Analysis (MGA) dan Uji Invariansi Pengukuran

Fitur ini memungkinkan peneliti membandingkan apakah kekuatan hubungan antar konstruk berbeda secara signifikan antar kelompok tertentu, misalnya antara responden pria dan wanita, atau antara perusahaan besar dan kecil. Sebelum melakukan MGA, biasanya perlu dilakukan uji invariansi pengukuran (measurement invariance) menggunakan prosedur MICOM (Measurement Invariance of Composite Models) untuk memastikan perbandingan antar kelompok itu valid secara statistik.

g. Importance-Performance Map Analysis (IPMA)

Fitur ini menggabungkan hasil analisis pengaruh (importance) dengan nilai rata-rata performa (performance) dari setiap konstruk, sehingga menghasilkan semacam peta prioritas: konstruk mana yang punya pengaruh besar tapi performanya masih rendah, sehingga perlu menjadi prioritas perbaikan.

h. Analisis Lanjutan Lainnya

SmartPLS 4 juga menyediakan beragam teknik analisis tambahan yang cukup canggih, di antaranya:

  • Confirmatory Tetrad Analysis (CTA) untuk menguji apakah model pengukuran seharusnya reflektif atau formatif
  • Model higher-order (konstruk orde tinggi/second order) untuk memodelkan konsep yang lebih abstrak dan kompleks
  • Latent Class Segmentation (FIMIX-PLS) untuk mendeteksi heterogenitas tersembunyi dalam data
  • Necessary Condition Analysis (NCA) untuk melihat apakah suatu faktor merupakan syarat mutlak (necessary condition), bukan sekadar berkontribusi rata-rata
  • Endogeneity assessment untuk mendeteksi dan mengatasi masalah endogenitas dalam model
  • Cross-validated predictive ability test (CVPAT) sebagai penyempurnaan dari PLSpredict
  • Confirmatory Factor Analysis (CFA) dan bahkan estimasi model berbasis kovarian (CB-SEM) sederhana

5. Alur Kerja Umum Menggunakan SmartPLS

Secara garis besar, langkah-langkah menggunakan SmartPLS dalam sebuah penelitian biasanya seperti berikut:

  1. Menyusun kerangka teori dan hipotesis penelitian — menentukan konstruk apa saja yang akan diteliti dan bagaimana hubungan yang dihipotesiskan antar konstruk tersebut
  2. Mengumpulkan data, biasanya melalui kuesioner dengan skala Likert
  3. Mempersiapkan data, memastikan format file (biasanya .csv atau .xlsx) sesuai dengan yang bisa dibaca SmartPLS, termasuk penamaan kolom yang konsisten dengan nama indikator
  4. Membangun model secara visual di kanvas SmartPLS, menghubungkan indikator dengan konstruknya, lalu menghubungkan antar konstruk sesuai hipotesis
  5. Menjalankan algoritma PLS (PLS Algorithm) untuk mendapatkan nilai loading, path coefficient, R², dan sebagainya
  6. Mengevaluasi model pengukuran terlebih dahulu (outer model) — memastikan validitas dan reliabilitas terpenuhi
  7. Mengevaluasi model struktural (inner model) — melihat kekuatan hubungan antar konstruk
  8. Menjalankan bootstrapping untuk menguji signifikansi hipotesis (biasanya dengan minimal 5000 subsample)
  9. Menginterpretasikan hasil — apakah hipotesis diterima atau ditolak berdasarkan nilai t-statistic (>1,96 untuk signifikansi 5%) atau p-value (<0,05)
  10. Menyusun laporan hasil penelitian berdasarkan output-output tersebut

6. Kelebihan SmartPLS

  • Antarmuka visual yang ramah pengguna, sangat membantu bagi yang belum terlalu mahir statistik lanjutan
  • Tidak memerlukan asumsi normalitas data yang ketat
  • Bisa digunakan dengan ukuran sampel yang relatif kecil dibanding CB-SEM
  • Mampu menangani model kompleks dengan banyak konstruk, termasuk konstruk higher-order
  • Fleksibel untuk model reflektif maupun formatif
  • Cocok untuk penelitian yang sifatnya eksploratif dan berorientasi prediksi, bukan hanya konfirmasi teori
  • Banyak tersedia tutorial, textbook, dan komunitas pengguna karena sudah sangat populer, terutama di bidang manajemen, pemasaran, dan sistem informasi
  • Mendukung banyak bahasa termasuk Bahasa Indonesia sehingga cukup mudah dipelajari mahasiswa Indonesia

7. Keterbatasan dan Kritik terhadap SmartPLS/PLS-SEM

Meski populer, PLS-SEM dan SmartPLS juga menerima berbagai kritik dari sebagian akademisi:

  • Karena longgarnya syarat penggunaan (sampel kecil, data tidak normal), ada kekhawatiran metode ini kadang dipakai secara serampangan tanpa pertimbangan metodologis yang matang
  • PLS-SEM tidak menghasilkan indeks model fit yang sama komprehensifnya dengan CB-SEM (meski SmartPLS versi terbaru sudah menambahkan beberapa indeks goodness of fit)
  • Karena sifatnya berbasis komponen (bukan berbasis faktor murni), ada perdebatan teoretis mengenai konsistensi estimasi parameter dibanding CB-SEM, terutama untuk ukuran sampel besar
  • Software ini berbayar untuk versi penuh, meskipun ada versi trial/light dengan keterbatasan fitur dan jumlah data yang bisa diproses
  • Karena kemudahan penggunaannya, banyak pengguna pemula yang menjalankan analisis tanpa benar-benar memahami dasar teori dan asumsi di baliknya, sehingga interpretasi hasilnya kadang keliru

8. Perbandingan Singkat dengan Software Sejenis

SmartPLS vs AMOS
AMOS lebih berorientasi pada CB-SEM dan cocok untuk menguji model teoretis yang sudah mapan dengan data yang relatif besar dan berdistribusi normal, sedangkan SmartPLS lebih fleksibel untuk model eksploratif dengan sampel lebih kecil.

SmartPLS vs LISREL
LISREL adalah software SEM klasik berbasis sintaks yang membutuhkan pemahaman pemrograman statistik lebih dalam, sementara SmartPLS menawarkan antarmuka drag-and-drop yang jauh lebih mudah dipelajari, sehingga kurva belajarnya jauh lebih rendah.

SmartPLS vs R (paket seperti seminr atau plspm)
R menawarkan fleksibilitas penuh dan gratis karena open-source, tapi membutuhkan kemampuan coding yang jauh lebih tinggi. SmartPLS lebih cocok bagi pengguna yang mengutamakan kemudahan visual meskipun harus membayar lisensi.

9. Bidang Penerapan SmartPLS

SmartPLS banyak digunakan dalam berbagai bidang penelitian, di antaranya:

  • Manajemen dan bisnis (kepuasan kerja, kinerja organisasi, kepemimpinan)
  • Pemasaran (loyalitas pelanggan, ekuitas merek, niat beli)
  • Sistem informasi (penerimaan teknologi/technology acceptance, adopsi sistem)
  • Psikologi organisasi
  • Pariwisata dan perhotelan
  • Pendidikan
  • Kesehatan masyarakat
  • Ilmu lingkungan dan keberlanjutan (sustainability)

10. Tips Praktis Bagi Pengguna Pemula

  • Pastikan jumlah sampel minimal memenuhi aturan praktis (rule of thumb) tertentu, misalnya 10 kali jumlah jalur terbanyak yang mengarah ke satu konstruk, meski aturan ini kini mulai digantikan dengan perhitungan power analysis yang lebih presisi
  • Selalu evaluasi model pengukuran (outer model) terlebih dahulu sebelum melangkah ke model struktural (inner model) — jangan sampai melompat langsung ke pengujian hipotesis
  • Perhatikan nilai VIF untuk mendeteksi multikolinearitas, baik pada indikator formatif maupun pada hubungan antar konstruk prediktor di model struktural
  • Gunakan minimal 5000 subsample saat menjalankan bootstrapping agar hasil pengujian signifikansi lebih stabil
  • Jangan hanya mengandalkan nilai R² untuk menilai kebaikan model — pertimbangkan juga Q² dan f² untuk gambaran yang lebih lengkap
  • Pahami dulu perbedaan konstruk reflektif dan formatif sebelum membangun model, karena kesalahan menentukan jenis konstruk bisa membuat seluruh hasil analisis menjadi tidak valid secara teoritis

Komentar

Posting Komentar

Postingan populer dari blog ini

Mengenal Menu View di Microsoft Word

     Menu atau tab View merupakan tab yang berfungsi untuk mengatur cara tampilan dokumen di layar saat sedang dikerjakan, bukan mengubah isi maupun format dokumen itu sendiri. Melalui tab ini pengguna dapat memilih mode tampilan yang paling sesuai dengan kebutuhan, mengatur alat bantu visual seperti penggaris dan garis kisi, mengatur tingkat perbesaran halaman, hingga mengelola tampilan ketika bekerja dengan lebih dari satu dokumen sekaligus. Berikut penjelasan lebih lengkap dan mendalam mengenai setiap kelompok fitur yang ada di dalam tab View. Views, Kelompok ini berisi berbagai pilihan mode tampilan dokumen secara keseluruhan. Fitur Read Mode digunakan untuk menampilkan dokumen dalam mode membaca yang bersih tanpa alat pengeditan, tampilan ini menyerupai halaman buku digital dan cocok digunakan ketika hanya ingin membaca isi dokumen tanpa berniat mengubah apapun. Fitur Print Layout merupakan mode tampilan standar yang paling sering digunakan karena menampilkan doku...
Baca selengkapnya

Tgs Inf lnf Lanjutan RUANG LINGKUP INFORMATIKA tgs tgl 28 Mei 2021 (Zahra Nur Rahmawati 8F/30)

Tugas Informatika Lanjutan : Ruang Lingkup Informatika 1.Program Komputer dan Model Komputasi Ada tiga model dasar komputasional yaitu fungsional, logika, dan imperatif. Sebagai tambahan terhadap satuan nilai-nilai dan operasi yang berhubungan, masing-masing model komputasional mempunyai satu set operasi yang digunakan untuk menggambarkan komputasi. a)Model Fungsional : terdiri dari satu set nilai-nilai, fungsi-fungsi dan operasi aplikasi fungsi dan komposisi fungsi. Fungsi dapat mengambil fungsi lain sebagai argumentasi dan mengembalikan fungsi sebagai hasil (higher-order function). Suatu program adalah koleksi definisi fungsi-fungsi dan suatu komputasi adalah aplikasi fungsi. b)Model Logika : terdiri dari satu set nilai-nilai, definisi hubungan dan kesimpulan logis. Program terdiri dari definisi hubungan dan suatu komputasi adalah suatu bukti(suatu urutan kesimpulan). c)Model Imperatif : terdiri dari satu set nilai-nilai yang mencakup suatu keadaan dan operasi tugas untuk memo...
Baca selengkapnya

Tugas Prakarya KOMODITAS SATWA HARAPAN 27 Maret 2021 (Zahra Nur Rahmawati/8F/30)

Komoditas Satwa Harapan 1.Jangkrik Jangkrik adalah serangga yang berkerabat dekat sengan belalang tubuh rata dan antena panjang.Di dunia dikenal sekitar 900 spesies jangkrik,termasuk di dalamnya adalah gangsir.Di Indonesia tercatat kurang lebih 123 jenis jangkrik.jangkrik adalah pemakan tumbuhan,seperti kerokot dan tanaman pertanian selerti sayuran dan palawija. 2.Cacing Tanah Cacing dapat hidup jika oksogen,air,pakan,suhu yang cocok.Cacing tanah membuat lubang menembus kedalam dan mencampir bagian bawag dengan bagian permukaan.kotoran cacing tanah mengandung nitrogen;unsur hara penting bagi tanaman.Cacing tergolong binatang berdarah dingin,dapat menumbuhkan ekor baru,tetapu tidak dapat menumbuhkan kepala baru jika bagian tersebut terpotong. 3.Lebah Madu Lebah Madu termasuk serangga sosial yang hidup berkoloni.Di dalam sebuah serang,koloni terdiri atas 3 anggota masyarakat lebah,yaitu seekor lebah ratu,ratusan lrbah jantan,ribuan lebah pekerja.Di habitat alaminya,lebah memb...
Baca selengkapnya