Kapan Menggunakan SmartPLS untuk Skripsi dan Tesis?

SmartPLS adalah software yang sering dipakai untuk SEM-PLS, yaitu analisis model yang menghubungkan beberapa konstruk. Konstruk biasanya diukur oleh beberapa indikator, misalnya kualitas layanan, kepercayaan, kepuasan, atau loyalitas.

Dalam SmartPLS, analisis tidak hanya membaca hubungan antar variabel. Sebelum membaca hipotesis, indikator dan konstruk perlu dicek lebih dulu melalui outer model. Setelah itu, hubungan antar konstruk dibaca melalui inner model dan bootstrapping.

Jadi, SmartPLS lebih tepat dipahami sebagai alat untuk membaca model hubungan antar konstruk, bukan sekadar pengganti SPSS. Jika penelitian hanya butuh regresi sederhana dengan skor variabel yang sudah siap, SmartPLS bisa saja terlalu berat.

SmartPLS relevan ketika penelitian memakai konstruk laten dengan banyak indikator. Misalnya setiap variabel dibentuk dari beberapa item kuesioner, lalu hubungan antar konstruk diuji dalam satu model.

SmartPLS juga masuk akal ketika dosen atau reviewer meminta SEM-PLS, outer model, inner model, HTMT, bootstrapping, mediasi, moderasi, atau model yang tidak cukup dibaca dengan regresi biasa.

Untuk tesis, jurnal, atau riset dengan beberapa konstruk dan banyak hipotesis, SmartPLS bisa membantu merapikan pembacaan model. Namun model tetap perlu punya dasar teori, data yang cukup, indikator yang jelas, dan arah hubungan yang tidak asal dibuat.

Jangan memakai SmartPLS hanya karena terlihat lebih canggih. Jika penelitian hanya membutuhkan deskriptif, validitas, reliabilitas, korelasi, regresi, uji beda, atau ANOVA dasar, SPSS sering lebih sederhana dan lebih mudah dijelaskan.

SmartPLS juga kurang tepat jika model belum jelas. Jika konstruk, indikator, hipotesis, arah hubungan, dan catatan dosen masih berubah-ubah, analisis bisa melebar dan hasil pertama mudah menjadi tidak relevan setelah revisi.

Jika jumlah indikator terlalu sedikit, data belum rapi, sampel sangat terbatas, atau teori hubungan antar konstruk lemah, SmartPLS tidak otomatis menyelesaikan masalah. Software hanya menghitung model yang diberikan; kualitas desain riset tetap menentukan pembacaan hasil.

SPSS lebih sering dipakai untuk uji instrumen, statistik deskriptif, asumsi klasik, korelasi, regresi, uji beda, dan ANOVA dasar. Output yang dibaca biasanya berupa tabel Descriptives, Reliability Statistics, Correlations, Model Summary, ANOVA, dan Coefficients.

SmartPLS lebih fokus pada SEM-PLS: indikator membentuk konstruk, lalu konstruk saling dihubungkan dalam model. Karena itu, output yang dibaca mencakup outer loading, AVE, composite reliability, Cronbach alpha, HTMT, R-square, f-square, Q-square, path coefficient, dan bootstrapping.

Jika riset Anda memakai skor total variabel dan modelnya sederhana, SPSS bisa cukup. Jika riset Anda memakai konstruk laten, banyak indikator, mediasi/moderasi, atau dosen meminta outer model dan inner model, SmartPLS lebih relevan untuk dicek.

Secara praktis, SmartPLS sering dipakai untuk SEM-PLS, sedangkan AMOS/LISREL sering dikaitkan dengan CB-SEM, CFA, path analysis, dan pembacaan model fit tertentu. Keduanya sama-sama perlu model teori yang jelas.

Pilihan antara SmartPLS dan AMOS/LISREL tidak boleh hanya berdasarkan software yang tersedia. Perlu dilihat tujuan analisis, arahan dosen, jenis model, indikator, asumsi metode, ukuran sampel, dan output yang diminta dalam pedoman penelitian.

Jika dosen secara eksplisit meminta AMOS, LISREL, CFA, atau indeks model fit tertentu, jangan langsung menggantinya dengan SmartPLS tanpa alasan metodologis. Sebaliknya, jika arahan jelas SEM-PLS dan output yang diminta adalah outer/inner model, SmartPLS bisa lebih sesuai.

Siapkan data responden, daftar konstruk, daftar indikator per konstruk, skala jawaban, hipotesis, diagram model, dan catatan pembimbing. Jika ada indikator yang tidak boleh dihapus atau hubungan yang wajib dipertahankan, tulis sejak awal.

Kirim juga informasi jumlah sampel, sumber data, item reverse jika ada, dan versi model terakhir. SmartPLS sangat sensitif terhadap perubahan konstruk, indikator, atau jalur hubungan. Satu jalur yang berubah bisa mengubah output dan interpretasi.

Jika sebelumnya data sudah diolah di SPSS, kirim file data dan output yang relevan. Validitas, reliabilitas, dan pembacaan SmartPLS bisa saling berkaitan, tetapi perpindahan dari SPSS ke SmartPLS tetap perlu pengecekan ulang struktur konstruk.

Outer loading membantu membaca kekuatan hubungan indikator dengan konstruk. AVE membantu membaca validitas konvergen. Composite reliability dan Cronbach alpha membantu membaca konsistensi internal konstruk dari sisi reliabilitas.

HTMT sering dipakai untuk membaca validitas diskriminan antar konstruk. Jika konstruk terlalu mirip, pembacaan hubungan dalam model bisa menjadi lemah atau sulit dipertahankan.

Pada inner model, R-square membantu membaca variasi konstruk endogen yang dijelaskan model. f-square membantu membaca ukuran efek. Q-square sering dipakai untuk melihat relevansi prediktif. Path coefficient dan bootstrapping dipakai untuk membaca arah hubungan, t-statistic, p-value, dan dukungan terhadap hipotesis.

Urutan ini penting karena hasil hipotesis sebaiknya tidak dibaca dari p-value saja. Indikator, konstruk, dan kualitas model perlu diperiksa sebelum kesimpulan hubungan antar konstruk ditulis.

Teori lemah: model terlihat ramai, tetapi hubungan antar konstruk sulit dijelaskan. Jika teori tidak mendukung, output yang rapi tetap bisa sulit dipertahankan saat bimbingan atau review.

Terlalu banyak indikator: model menjadi berat dan beberapa loading bisa rendah. Tidak semua indikator boleh dihapus begitu saja karena keputusan harus mempertimbangkan teori, instrumen, dan arahan dosen.

Masalah data dan sampel: missing value, coding tidak konsisten, responden terlalu sedikit, atau variasi jawaban terlalu sempit dapat memengaruhi loading, reliabilitas, dan hasil bootstrapping.

Perubahan model berulang: dosen bisa meminta jalur, konstruk, atau indikator diubah setelah hasil pertama keluar. Perubahan seperti ini dapat mengubah output dan biasanya perlu re-check scope.

Loading rendah atau path belum signifikan: hasil seperti ini perlu dibaca sebagai kondisi data dan model, bukan dipaksa agar sesuai harapan. Catatan risiko metodologis lebih aman daripada mengubah data.

SmartPLS tidak memberi kepastian bahwa semua hipotesis akan didukung data. Signifikansi bergantung pada data, model, indikator, sampel, dan teori yang digunakan.

SmartPLS juga tidak memberi kepastian model fit atau kelayakan model dalam arti yang sama untuk semua pendekatan SEM. Jika model lemah, bagian yang perlu dibaca hati-hati harus diberi catatan.

Data tidak boleh dimanipulasi, indikator tidak boleh dipaksa terlihat kuat, dan hasil tidak boleh diarahkan agar mengikuti keinginan. Analisis yang baik justru menjelaskan risiko model secara jujur.

Kirim data responden, file kuesioner, daftar konstruk, indikator per konstruk, hipotesis, diagram model, catatan dosen, dan output sebelumnya jika ada. Sertakan juga deadline dan format output yang diharapkan.

Tulis status model: apakah sudah final, masih menunggu arahan pembimbing, atau pernah direvisi. Informasi ini penting karena perubahan indikator, konstruk, dan jalur dapat mengubah estimasi harga, timeline, dan batas revisi.

Jika belum yakin apakah SmartPLS memang cocok, kirim konteks riset dan catatan dosen terlebih dahulu. RagamData dapat mengecek apakah arahnya SmartPLS, SPSS, AMOS/LISREL, atau analisis statistik lain sesuai kebutuhan.

Untuk kebutuhan SmartPLS, mulai dari halaman jasa SmartPLS dan SmartPLS checklist. Checklist membantu menyiapkan data, indikator, model, dan output sebelum konsultasi atau olah data.

Jika masih membandingkan software, baca perbedaan SPSS dan SmartPLS. Untuk riset skripsi atau tesis, halaman jasa olah data skripsi dan jasa olah data tesis membantu melihat batas bantuan, output, dan tanggung jawab akademik.

Untuk biaya, alur, dan bentuk deliverable, cek halaman harga, cara kerja, contoh output, dan FAQ. Jika belum tahu file apa saja yang perlu dikirim, baca checklist file sebelum olah data.