Cara Baca Hasil Output SmartPLS: AVE & Goodness of Fit

Cara Baca Hasil Output SmartPLS

Membaca hasil output SmartPLS dilakukan dengan mengevaluasi beberapa bagian: nilai AVE, Composite Reliability, dan Cronbach's Alpha untuk validitas-reliabilitas, Goodness of Fit (SRMR, NFI, RMS_theta) untuk kesesuaian model, lalu uji hipotesis (direct effect, indirect effect, dan specific indirect effect) untuk menjawab rumusan masalah penelitianmu.

Kalau kamu belum sampai tahap ini, pelajari dulu cara menggunakan SmartPLS untuk olah data kuesioner. Artikel ini fokus membahas cara membaca hasilnya setelah output keluar, dengan urutan berikut:

1. Cara Melihat AVE, Composite Reliability & Cronbach's Alpha
2. Cara Membaca Goodness of Fit (SRMR, NFI, RMS_theta)
3. Cara Membaca Uji Hipotesis (Direct & Indirect Effect)

Jika kamu membutuhkan bantuan mengolah data SmartPLS/PLS-SEM secara menyeluruh, kami menawarkan Jasa Olah Data SmartPLS selesai dalam 1–2 hari.

1. AVE, Composite Reliability & Cronbach's Alpha

Pertama kita akan menguji apakah indikator yang anda gunakan bagus atau tidak dalam mengukur sebuah variabel. Indikator yang biasa digunakan untuk melihat validitas dan reliabilitas di SEM PLS adalah Average Variance Extracted (AVE), Composite Reliability, dan Cronbach's Alpha.

Cara melihat nilai AVE di SmartPLS: buka tab PLS Algorithm, lalu klik Construct Reliability and Validity untuk melihat AVE, Composite Reliability, dan Cronbach's Alpha sekaligus dalam satu tabel.

Dari output diatas nilai AVE untuk seluruh variabel bernilai lebih besar dari 0,5 sehingga dapat dikatakan bahwa seluruh indikator valid konvergen dalam membentuk variabel masing-masing. Selain itu diperoleh juga nilai Cronbach's Alpha dan CR yang memiliki nilai lebih besar dari 0,6 untuk seluruh variabel. Dapat disimpulkan bahwa seluruh variabel dan item yang digunakan pada penelitian ini memenuhi validitas dan reliabilitas dalam pengukuran variable.

2. Goodness of Fit

Kedua adalah pengujian Goodness of Fit — ini digunakan untuk mengetahui apakah model yang kamu buat untuk mengukur hubungan antar variabel sudah sesuai (fit) atau belum. Indikator yang digunakan dalam pengujian ini ada 2 yaitu koefisien determinasi dan uji kesesuaian model.

Koefisien Determinasi

Koefisien determinasi digunakan untuk melihat seberapa besar kontribusi variabel independen dalam menjelaskan hubungannya dengan variabel dependen. Koefisien determinasi dilakukan dengan melihat nilai statistik R-Squared pada masing-masing hubungan variabel.

Kembali ke tab PLS Algorithm lalu klik R-Square

Dapat dilihat bahwa nilai R-Square pada variabel CT dan INO berturut-turut sebesar 0,030 dan 0,055. Angkat tersebtu menggambarkan bahwa variabel Communication Skill dan Product Knowledge memiliki kontribusi dalam menjelaskan variabel Innovation sebesar 5,5% sedangkan 94,5% lainnya dijelaskan oleh variabel lain di luar model. Selain itu variabel Communication Skill, Product Knowledge dan Innovation hanya mampu menjelaskan variabel Client Trust sebesar 3% sedangkan 97% sisanya dijelaskan oleh variabel lain di luar model. Oleh karena itu perlu memasukkan variabel lain yang kemungkinan dapat menjelaskan variabel Client Trust dengan baik.

SRMR, NFI & RMS_theta (Model Fit)

Uji kesesuaian model menggunakan beberapa indikator statistik diantaranya, Standardized Root Mean Square Residual (SRMR), Normed Fit Index (NFI), dan RMS_theta. Untuk mendapatkan model yang sesuai maka indikator tersebut harus memenuhi suatu nilai yakni SRMR < 0,08; NFI > 0,90; RMS_theta mendekati nol.

Untuk melihat kesesuaian model lainnya klik Model Fit

Berdasarkan output tersebut diperoleh bahwa nilai SRMR sebesar 0,071, yakni di bawah ambang 0,08 — sehingga syarat SRMR terpenuhi. Namun, nilai NFI sebesar 0,747 masih di bawah ambang 0,90, dan RMS_theta sebesar 0,247 juga belum sepenuhnya mendekati nol seperti yang diharapkan.

Bagaimana menyikapi hasil yang tidak seragam ini? Dalam praktik PLS-SEM, SRMR adalah indikator kesesuaian model yang paling umum diandalkan, sedangkan NFI dan RMS_theta bersifat pendukung dan belum memiliki standar seketat CB-SEM (AMOS/LISREL — baca perbandingan lengkapnya di Analisis SEM: Pengertian, Jenis & Cara Kerjanya). Karena syarat utama (SRMR) terpenuhi, model masih dapat dikatakan cukup sesuai — namun nilai NFI dan RMS_theta yang belum ideal tetap perlu dicermati. Sebaiknya periksa juga nilai R-Square dan predictive relevance (Q²) sebagai bukti pendukung sebelum menyimpulkan model benar-benar layak digunakan, bukan hanya mengandalkan satu indikator saja.

Q-Square (Predictive Relevance)

Selain SRMR, NFI, dan RMS_theta, satu indikator lagi yang sering dilewatkan pemula adalah Q-Square (Q²) — mengukur predictive relevance model, yaitu seberapa baik model memprediksi data yang diamati lewat prosedur blindfolding. Didapat lewat menu Calculate > Blindfolding di SmartPLS. Aturan bacanya:

• Q² > 0: model punya predictive relevance untuk variabel dependen tersebut.
• Q² ≤ 0: model tidak punya predictive relevance yang memadai — meski R-Square-nya tinggi sekalipun.

Q² sering dianggap "bukti tambahan" di luar R-Square untuk memastikan model bukan cuma menjelaskan data historis (in-sample), tapi juga relevan untuk memprediksi (out-of-sample).

3. Uji Hipotesis

Uji hipotesis SmartPLS dilihat dari 2 jenis hubungan: hubungan langsung (direct effect) dan hubungan tidak langsung (indirect effect). Hubungan antar variabel signifikan jika p-value T-Statistic kurang dari tingkat signifikansi 5%. Hubungan tersebut dapat dilihat pada output berikut.

Direct Effects

Dapat dilihat pada output tersebut bahwa seluruh hubungan langsung (direct effect) seluruh variabel memiliki nilai p-value kurang dari tingkat signifikansi 0,05 sehingga signifikan.

Indirect Effects

Dapat dilihat pada output tersebut diperoleh bahwa seluruh hubungan tidak langsung variabel memiliki p-value lebih besar dari tingkat signifikansi 0,05 sehingga tidak signifikan.

Specific Indirect Effects

Specific Indirect Effect adalah rincian per jalur mediasi dari hubungan tidak langsung — berguna kalau modelmu punya lebih dari satu variabel mediator, sehingga kamu bisa lihat jalur mana saja yang signifikan secara spesifik (bukan cuma kesimpulan indirect effect secara umum).

Interpretasi Model / Kesimpulan

1. Hubungan Communication Skill dengan Innovation (0,013)

Communication Skill memiliki pengaruh yang positif dan signifikan terhadap Innovation dengan pengaruh sebesar 0,156. Sehingga saat Communication Skill meningkat akan meningkatkan Innovation pegawai begitupun sebaliknya.

1. Hubungan Product Knowledge dengan Innovation (0,042)

Product Knowledge memiliki pengaruh yang positif dan signifikan terhadap Innovation dengan pengaruh sebesar 0,134. Sehingga saat Product Knowledge meningkat akan meningkatkan Innovation pegawai begitupun sebaliknya.

1. Hubungan Innovation dengan Client Trust (0,007)

Innovation memiliki pengaruh yang positif dan signifikan terhadap Client Trust dengan pengaruh sebesar 0,172. Sehingga saat Innovation meningkat akan meningkatkan Client Trust begitupun sebaliknya.

1. Hubungan Communication Skill dengan Client Trust yang dimediasi oleh Innovation (0,099)

Communication Skill memiliki pengaruh yang positif tetapi tidak signifikan terhadap Client Trust saat dimediasi oleh Innovation. sehingga variabel Innovation tidak berhasil mediasi hubungan antara Communication Skill dan Client Trust.

1. Hubungan Product Knowledge dengan Client Trust yang dimediasi oleh Innovation (0,178)

Product Knowledge memiliki pengaruh yang positif tetapi tidak signifikan terhadap Client Trust saat dimediasi oleh Innovation. sehingga variabel Innovation tidak berhasil mediasi hubungan antara Product Knowledge dan Client Trust.

Kesalahan Umum Membaca Hasil SmartPLS

1. Melihat path coefficient tanpa mengecek signifikansinya. Path coefficient 0,45 terlihat "besar," tapi kalau T-statistic-nya di bawah 1,96 (P-value > 0,05), hubungan itu tetap tidak signifikan secara statistik — jangan menyimpulkan hipotesis diterima hanya dari besar-kecilnya angka koefisien.
2. Menyimpulkan model tidak fit hanya dari satu indikator Goodness of Fit. Seperti contoh NFI/RMS_theta di atas — satu indikator yang belum ideal tidak otomatis berarti model gagal, tapi juga jangan diabaikan begitu saja. Lihat kombinasi SRMR, R-Square, dan Q² sebelum menyimpulkan.
3. Lupa cek Q-Square (predictive relevance). R-Square tinggi tidak menjamin model punya kemampuan prediksi yang baik — banyak yang berhenti di R-Square saja dan melewatkan Q².
4. Menyamakan signifikansi statistik dengan besarnya pengaruh praktis. Hubungan bisa signifikan (P < 0,05) tapi path coefficient-nya kecil (misalnya 0,08) — secara statistik "ada pengaruh," tapi secara praktis pengaruhnya tipis. Sebutkan keduanya (signifikansi dan besaran koefisien) saat melaporkan hasil, jangan hanya salah satu.
5. Tidak membaca Specific Indirect Effects saat modelnya punya lebih dari satu mediator. Kesimpulan "indirect effect signifikan" secara umum bisa menyembunyikan bahwa hanya salah satu dari beberapa jalur mediasi yang sebenarnya signifikan — selalu cek breakdown per jalur.

> Catatan dari Lukman, Statistical Analyst: Kesalahan nomor 1 ini yang paling sering saya lihat pas review draf skripsi — mahasiswa bilang "variabel X berpengaruh besar" cuma karena angka koefisiennya kelihatan tinggi, padahal P-value-nya di atas 0,05. Ingat: signifikan dulu, baru bicara besar-kecil pengaruhnya — bukan sebaliknya.