Cara Menggunakan SmartPLS: Olah Data Kuesioner Lengkap

Cara Menggunakan SmartPLS

Cara menggunakan SmartPLS untuk mengolah data kuesioner dilakukan melalui empat tahap utama: (1) membuat project dan import data dalam format .csv, (2) menyusun indikator lalu menghubungkan antar variabel sesuai kerangka penelitian, (3) uji validitas dan reliabilitas melalui menu PLS Algorithm, dan (4) uji hipotesis serta model struktural melalui menu Bootstrapping.

Metode Analisis yang sering digunakan dalam menganalisa data kuisioner adalah metode Structural Equation Modeling (SEM). Structural Equation Modeling (SEM) adalah metode statistik yang digunakan untuk menguji hipotesis tentang hubungan antara variabel laten (tidak terlihat secara langsung) dan variabel manifest (terlihat secara langsung). SEM memungkinkan peneliti untuk mengembangkan model konseptual yang menggambarkan hubungan antara variabel yang berbeda, serta memungkinkan peneliti untuk menguji hipotesis tentang hubungan tersebut secara langsung.

Metode analisis SEM sendiri ada 2 jenis yaitu SEM dan SEM PLS. Baca artikel SEM berikut jika anda masih bingung menggunakan metode SEM yang mana. Artikel kali ini akan membahasa khusus pengolahan data menggunakan metode SEM PLS. Salah satu software yang sering dipakai untuk analisis SEM PLS adalah SmartPLS.

Pengertian Smart PLS

Smart PLS adalah salah satu perangkat lunak yang tersedia untuk menganalisis data dengan menggunakan metode SEM. Smart PLS merupakan perangkat lunak yang mudah digunakan dan memiliki antarmuka yang intuitif. Selain itu, Smart PLS juga menyediakan beragam fitur yang memudahkan pengguna dalam melakukan analisis SEM, seperti pembangunan model, pengujian hipotesis, dan interpretasi hasil.

Dengan menggunakan Smart PLS, pengguna dapat dengan mudah menganalisis data menggunakan metode SEM dan memperoleh hasil yang berguna untuk pengambilan keputusan. Namun, penting untuk diingat bahwa hasil analisis SEM tergantung pada kualitas data yang digunakan, sehingga penting untuk memastikan bahwa data yang digunakan sudah bersih dan valid sebelum melakukan analisis.

Terdapat beberapa langkah utama dalam analisis data SEM menggunakan Smart PLS yakni:

1. Menguji validitas dan reliabilitas data hasil kuesioner
2. Membentuk model structural
3. Menguji Goodness of Fit model

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

Cara Menggunakan SmartPLS untuk Analisis SEM PLS

Tujuan Penelitian: Mengetahui pengaruh product knowledge dan communication skill Pegawai Customer Service terhadap client trust yang dimediasi oleh innovation. Alasan menggunakan SEM PLS adalah kerangka penelitian ini untuk memvalidasi teori diatas.

1.Membuat Project SmartPLS

Klik New Project, lalu isikan nama Project anda

Lalu Double-click to import data dan pilih data yang anda simpan

Pilih data yang ingin anda olah. Pastikan ekstensi data dalam bentuk .csv

Lalu akan muncul summary data anda

Selanjutnya double click Path Project yang telah anda buat

Akan muncul indikator data yang telah anda import

2. Masukan Indikator Project

Selanjutnya lakukan drag and drop pada worksheet project sesuai dengan kerangkan penelitian

Jika sudah disusun sesuai dengan kerangka penelitian 

3. Menghubungkan Antar Indikator

Selanjutnya klik button connect sesuai dengan kerangka penelitian

Selanjutnya lakukan Rename sesuai dengan penelitian anda

4. Uji Validitas dan Reliabilitas

Berikut tahapan uji validitas dan reliabilitas pada SmartPLS.

Klik Calculate dan PLS Algorithm

Biarkan settingan tetap pada default program dan selanjutnya klik Start Calculation

Selanjutnya akan muncul summary output PLS Algorithm

Untuk melihat Outer Loadings klik pada kolom Final Results

Selanjutnya akan muncul nilai Outer Loadings pada masing-masing indikator

Selanjutnya klik Construct Reliability and Validity untuk melihat nilai AVE, CR dan Cronbach’s Alpha

Dapat dilihat pada output tersebut bahwa 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.

Kenapa ambang batasnya 0,7 untuk Outer Loading dan 0,5 untuk AVE, bukan angka lain? Outer Loading adalah korelasi antara indikator dan variabel latennya — nilai 0,7 berarti indikator itu menjelaskan sekitar 49% (0,7²) variansnya sendiri lewat variabel laten, dianggap batas bawah yang wajar. AVE mengambil logika yang sama di level variabel: AVE > 0,5 berarti secara rata-rata, variabel laten menjelaskan lebih dari separuh varians indikator-indikatornya — lebih banyak dibanding varians yang tidak terjelaskan (error). Kalau AVE di bawah 0,5, artinya error masih mendominasi dibanding sinyal sebenarnya, sehingga konstruknya belum dianggap valid secara konvergen (Hair et al., 2021 — lihat Referensi).

Contoh Kasus: Indikator Gagal Loading

Supaya lebih konkret, ini contoh kasus yang sering terjadi. Misalnya dari 4 indikator variabel Communication Skill, satu di antaranya (CS3) punya Outer Loading hanya 0,42 — jauh di bawah 0,7, sementara 3 indikator lain semua di atas 0,75. Berikut cara menyikapinya, bukan cuma "drop saja":

1. Loading 0,4–0,7 (zona abu-abu): jangan langsung didrop. Cek dulu apakah AVE dan CR variabel tersebut sudah memenuhi syarat meski ada 1 indikator lemah — kalau sudah, secara statistik indikator itu boleh dipertahankan kalau dasar teorinya kuat (misalnya item itu penting secara konsep meski loading-nya pas-pasan).
2. Loading di bawah 0,4: menurut Hair et al. (2021), indikator di rentang ini sebaiknya didrop kecuali ada alasan teoretis yang sangat kuat untuk mempertahankannya — kontribusinya ke variabel laten terlalu kecil dibanding "noise" yang dibawanya.
3. Setelah drop: jalankan ulang PLS Algorithm. Pada contoh ini, setelah CS3 didrop, AVE Communication Skill naik dari 0,41 menjadi 0,58 — baru memenuhi syarat AVE > 0,5.

5. Pembentukan Model SEM

Untuk melakukan pembentukan model klik Calculate lalu Bootstraping

Selanjutnya biarkan seluruh settingan dalam format default lalu klik Start Calculation

Selanjutnya akan muncul summary output sebagai berikut

Untuk melihat hubungan tidak langsung dapat klik Specific Indirect Effects pada Final Results

6. Pengujian Goodness of Fit

Koefisien Determinasi

Kembali ke tab PLS Algorithm lalu klik R-Square

Uji Kesesuaian Model Lainnya

Untuk melihat kesesuaian model lainnya klik Model Fit.

Setelah Anda melakukan step tersebut, nanti akan ada output yang muncul otomatis dari SmartPLS. Untuk lebih jelas mengenai cara membaca hasil SmartPLS dan mengartikannya, Anda bisa klik di lanjutan artikel ini di cara baca hasil SmartPLS

Kesalahan Umum dalam Mengolah Data SmartPLS

Beberapa kesalahan yang paling sering ditemui saat mengolah data kuesioner dengan SmartPLS:

1. Salah menentukan indikator reflektif vs formatif. Sebagian besar tutorial (termasuk artikel ini) mengasumsikan model reflektif (indikator adalah cerminan variabel laten — cocok untuk kuesioner sikap/persepsi). Kalau indikatormu sebenarnya membentuk variabel laten (misalnya indeks yang dihitung dari komponen berbeda), model formatif dibutuhkan, dan evaluasinya berbeda (bukan Outer Loading/AVE, tapi Outer Weight dan VIF). Salah pilih arah ini membuat seluruh interpretasi validitas jadi keliru dari awal.
2. Menghapus indikator tanpa dasar teori. Drop indikator hanya untuk mengejar angka AVE/loading yang "cantik" tanpa mempertimbangkan apakah item itu penting secara konsep — bisa membuat variabel laten kehilangan makna substantifnya, meski angka statistiknya jadi rapi.
3. Terlalu fokus ke angka, lupa konteks penelitian. Nilai AVE 0,51 dan 0,49 secara teknis beda status (lolos vs tidak), tapi secara substansi hampir tidak berbeda. Jangan jadikan ambang batas sebagai aturan mati tanpa mempertimbangkan ukuran sampel dan konteks penelitianmu.
4. Menjalankan Bootstrapping sebelum outer model valid. Uji hipotesis (Bootstrapping) yang dijalankan sebelum outer model (validitas-reliabilitas) memenuhi syarat menghasilkan kesimpulan yang tidak bisa dipercaya — urutannya penting: outer model dulu baru inner model.
5. Salah menafsirkan R-Square sebagai ukuran validitas. R-Square kecil sering disalahartikan sebagai "model gagal" — padahal R-Square mengukur daya jelas variabel independen terhadap dependen, bukan validitas konstruknya (lihat FAQ di bawah).

SmartPLS (PLS-SEM) vs AMOS/Lisrel (CB-SEM): Kapan Pakai yang Mana?

Artikel ini membahas SmartPLS karena menggunakan pendekatan PLS-SEM — cocok untuk model eksploratif, sampel kecil, atau data yang tidak berdistribusi normal. Kalau penelitianmu justru untuk mengonfirmasi teori yang sudah ada, punya sampel besar (100+), dan datanya mendekati normal, pendekatan CB-SEM lewat AMOS atau LISREL biasanya lebih tepat. Baca perbandingan lengkapnya di Analisis SEM: Pengertian, Jenis & Cara Kerjanya.