Metodologi

SEM-PLS

Jawaban singkat

SEM-PLS menguji model dengan banyak variabel laten (konstruk yang diukur lewat beberapa indikator) dalam dua tahap. Outer model memeriksa validitas dan reliabilitas indikator: loading > 0,70, AVE > 0,50, composite reliability > 0,70, dan HTMT < 0,90. Inner model memeriksa hubungan antarkonstruk: R², f², dan uji hipotesis dengan bootstrapping, signifikan bila t > 1,96 atau p < 0,05 (dua sisi, α 5%).

Diperbarui 11 Oktober 2026Tim Metodologi
Daftar isi
  1. Kapan memakai SEM-PLS?
  2. Tahapan analisis
  3. Outer model (konstruk reflektif)
  4. Inner model
  5. Uji hipotesis dengan bootstrapping
  6. Menuliskan hasilnya
  7. Perangkat lunak
  8. Pertanyaan umum

SEM-PLS (Partial Least Squares Structural Equation Modeling) dipakai ketika model penelitian memiliki beberapa variabel laten, yaitu konsep yang tidak bisa diukur langsung (misalnya kepuasan atau niat beli) dan diukur lewat beberapa butir kuesioner (indikator). Metode PLS dikembangkan oleh Herman Wold pada 1970-an dan 1980-an. Di Indonesia, SEM-PLS paling sering dikerjakan dengan perangkat lunak SmartPLS.

Kapan memakai SEM-PLS?

  • Model memiliki banyak konstruk dan jalur, termasuk variabel mediasi atau moderasi.
  • Tujuan utamanya menjelaskan atau memprediksi variabel terikat.
  • Sampel relatif kecil atau data tidak berdistribusi normal.
  • Ada konstruk formatif (indikator membentuk konstruk, bukan mencerminkannya).

Bila tujuannya menguji kecocokan teori secara ketat dan sampelnya besar, SEM berbasis kovarians (AMOS, LISREL) biasanya lebih tepat.

Tahapan analisis

  1. Gambar model: konstruk, indikator, dan panah hubungan sesuai hipotesis.
  2. Evaluasi outer model (model pengukuran): apakah indikator valid dan reliabel?
  3. Evaluasi inner model (model struktural): seberapa kuat hubungan antarkonstruk?
  4. Uji hipotesis dengan bootstrapping.

Outer model (konstruk reflektif)

KriteriaUkuranBatas yang umum
Validitas konvergenOuter loading> 0,70 (0,60–0,70 masih sering diterima pada penelitian pengembangan)
Validitas konvergenAVE (Average Variance Extracted)> 0,50
ReliabilitasComposite reliability> 0,70
ReliabilitasCronbach's alpha> 0,70
Validitas diskriminanKriteria Fornell-LarckerAkar AVE konstruk > korelasinya dengan konstruk lain
Validitas diskriminanHTMT< 0,90 (atau < 0,85 untuk konstruk yang konsepnya berbeda jelas)

Kriteria akar AVE berasal dari Claes Fornell dan David Larcker (1981). HTMT (heterotrait-monotrait ratio) diusulkan Jörg Henseler, Christian Ringle, dan Marko Sarstedt (2015) karena kriteria Fornell-Larcker sering gagal mendeteksi masalah validitas diskriminan.

Bila ada indikator dengan loading rendah, keluarkan satu per satu (dimulai dari yang terendah), lalu jalankan ulang, selama penghapusan itu menaikkan AVE atau composite reliability dan tidak merusak isi konsepnya.

Inner model

UkuranFungsiPatokan yang sering dipakai
VIF innerMemeriksa multikolinearitas antarkonstruk< 5
R²Proporsi variasi konstruk terikat yang dijelaskan0,75 kuat, 0,50 moderat, 0,25 lemah (Hair dan rekan, 2011)
f²Besar pengaruh satu konstruk0,02 kecil, 0,15 sedang, 0,35 besar (Cohen, 1988)
Q²Relevansi prediksi> 0

Uji hipotesis dengan bootstrapping

SmartPLS menguji signifikansi jalur dengan bootstrapping: data diambil ulang secara acak ribuan kali (misalnya 5.000 subsampel) untuk memperkirakan galat baku koefisien jalur.

  • Original sample (O): koefisien jalur; tandanya menunjukkan arah pengaruh.
  • T statistics: signifikan bila > 1,96 (dua sisi, α 5%) atau > 1,645 (satu sisi).
  • P values: signifikan bila < 0,05.

Untuk mediasi, baca tabel Specific Indirect Effects. Cara ini lebih dianjurkan daripada uji Sobel karena tidak mengandaikan efek tidak langsung berdistribusi normal.

Contoh kalimat (angka ilustrasi)

Kualitas layanan berpengaruh positif dan signifikan terhadap kepuasan pelanggan (O = 0,412; t = 5,87; p < 0,001), sehingga H1 diterima.

Laporkan juga tabel outer loading, AVE, composite reliability, HTMT, R², dan tabel hasil bootstrapping. Sebutkan perangkat lunak dan jumlah subsampel bootstrapping yang dipakai.

Perangkat lunak

SmartPLS paling populer di Indonesia. Bila kamu butuh alternatif gratis dan terbuka, paket R seminr menyediakan estimasi PLS-SEM, bootstrapping, dan ukuran-ukuran evaluasi yang sama.

Pertanyaan umum

Apa beda SEM-PLS dan SEM berbasis kovarians (AMOS, LISREL)?

SEM berbasis kovarians (CB-SEM) bertujuan menguji kecocokan teori dengan data dan membutuhkan sampel besar serta data normal. SEM-PLS berorientasi pada prediksi, lebih longgar terhadap distribusi data, dan bisa dipakai untuk sampel yang lebih kecil serta model yang rumit.

Berapa sampel minimal SEM-PLS?

Patokan lama '10 kali jumlah panah terbanyak yang menuju satu konstruk' masih sering dipakai, tetapi kini dianggap terlalu longgar. Cara yang lebih tepat adalah analisis daya (power analysis) berdasarkan R² dan jumlah prediktor terbanyak pada satu konstruk.

Apakah SEM-PLS butuh uji normalitas?

Tidak sebagai syarat, karena uji signifikansinya memakai bootstrapping. Namun data yang sangat menceng tetap perlu diperiksa dan dilaporkan.

Panduan terkait