Cara Menggunakan Smart PLS 4 untuk Analisis SEM Penelitian Lengkap

1. Cara Menginstal dan Menyiapkan SmartPLS 4

Langkah pertama dalam cara menggunakan Smart PLS 4 adalah memastikan software terinstal dengan benar di komputer Anda. SmartPLS menyediakan uji coba gratis 30 hari dengan akses penuh ke semua fitur. Berikut langkah-langkah instalasi yang perlu Anda ikuti.

1. Kunjungi situs resmi SmartPLS: Buka halaman unduhan di smartpls.com dan daftarkan akun untuk mendapatkan lisensi akademik gratis atau versi trial profesional.

2. Unduh installer sesuai sistem operasi: SmartPLS 4 kini mendukung Apple Silicon melalui installer terpisah, serta tersedia versi eksperimental untuk sistem operasi Linux.
   

3. Jalankan proses instalasi: SmartPLS 4 akan diinstal di folder baru, dan versi SmartPLS 3 Anda akan tetap tersimpan serta dapat digunakan secara bersamaan.
   

4. Pilih lisensi yang sesuai: Masukkan kode lisensi jika sudah memiliki, atau pilih opsi free trial untuk mulai mengeksplorasi fitur.

5. Buat workspace baru: Workspace pada dasarnya adalah folder yang ditunjuk di komputer Anda yang berfungsi sebagai penyimpanan untuk semua proyek.
   

2. Cara Membuat Project Baru di SmartPLS 4

Setelah instalasi selesai, tahap selanjutnya dalam cara menggunakan Smart PLS 4 adalah membuat project baru untuk memulai analisis. SmartPLS 4 menyajikan panduan ringkas untuk membuat model PLS path pertama Anda, menghitung hasil, dan mengakses laporan.

1. Klik New Project: Pada tampilan utama SmartPLS, klik menu untuk membuat proyek baru.

2. Beri nama proyek: Pada dialog yang muncul, berikan nama untuk file model Anda, lalu tekan tombol Save.
   

3. Pilih lokasi penyimpanan: Pastikan proyek tersimpan dalam workspace yang sudah Anda tentukan sebelumnya agar mudah diakses kembali.

4. Siapkan model editor: Model editor akan terbuka dan memungkinkan Anda untuk mulai mengerjakan model baru.
   

3. Cara Mengimpor Data Penelitian ke SmartPLS 4

Keakuratan analisis bergantung pada kualitas data yang diimpor. Salah satu keunggulan terbaru dalam cara menggunakan Smart PLS 4 adalah kemampuannya membaca berbagai format data secara langsung. Pastikan data kuesioner yang sudah Anda kumpulkan telah melalui proses pembersihan terlebih dahulu.

Dataset sering kali tersedia dalam format Excel atau SPSS. SmartPLS kini dapat membaca format tersebut secara langsung tanpa konversi ke file CSV terlebih dahulu. Ini menjadi peningkatan signifikan dibandingkan versi sebelumnya yang hanya mendukung format CSV.

1. Klik Import Data: Klik pada opsi Import data file untuk mengimpor file data dalam format seperti CSV, SAV, atau Excel.
   

2. Pilih file data: Navigasikan ke lokasi file yang telah Anda simpan dan pilih file data tersebut.

3. Bersihkan data terlebih dahulu: Bersihkan data Anda terlebih dahulu (tangani nilai yang hilang dan reverse coding jika diperlukan). Nama variabel harus jelas dan ringkas.
   

4. Periksa ringkasan data: Setelah data berhasil diimpor, SmartPLS akan menampilkan ringkasan data yang memungkinkan Anda memverifikasi kebenaran impor.

4. Cara Membangun Model Penelitian di SmartPLS 4

Langkah krusial berikutnya dalam cara menggunakan Smart PLS 4 adalah membangun model penelitian sesuai kerangka konseptual. Model ini menggambarkan hubungan antara variabel laten dan indikator-indikatornya secara visual di kanvas pemodelan.

1. Pilih indikator dari daftar: Pilih indikator dari daftar Indicators di sebelah kiri, lalu seret dan lepaskan indikator tersebut ke kanvas pemodelan di sebelah kanan.
   

2. Beri nama konstruk: Sebuah kolom teks akan muncul untuk memberi nama konstruk baru. Jika perlu, sesuaikan nama yang disarankan, lalu tekan ENTER.
   

3. Ulangi untuk semua variabel: Lakukan proses yang sama untuk setiap variabel laten dalam model penelitian Anda.

4. Tentukan jenis model pengukuran: Secara default, semua konstruk memiliki hubungan reflektif. Anda dapat mengubah hubungan menjadi formatif dengan mengklik kanan pada variabel laten dan memilih Invert measurement model.
   

5. Cara Menghubungkan Variabel dalam Model Struktural

Setelah semua konstruk dibuat, tahap selanjutnya adalah menghubungkan variabel sesuai hipotesis penelitian. Proses ini penting agar model struktural menggambarkan arah pengaruh antar variabel secara tepat.

1. Pilih tool Connect: Pilih alat Connect pada toolbar utama.
   

2. Buat jalur antar konstruk: Klik pada konstruk awal dan arahkan ke konstruk tujuan sesuai kerangka hipotesis Anda.
   

3. Rapikan tata letak model: Seret elemen untuk menyesuaikan posisi, gunakan fitur alignment di toolbar, klik kanan pada konstruk untuk mengakses opsi seperti Align the indicators, atau tekan ALT + SHIFT untuk menyejajarkan indikator.
   

4. Verifikasi jalur model: Pastikan semua panah mengarah sesuai hipotesis penelitian Anda sebelum melanjutkan ke tahap analisis.

6. Cara Menjalankan PLS Algorithm di SmartPLS 4

Setelah model selesai dibangun, cara menggunakan Smart PLS 4 dilanjutkan dengan menjalankan algoritma PLS untuk mendapatkan estimasi awal model. Tahap ini menghasilkan nilai loading factor, path coefficient, dan R² yang menjadi dasar evaluasi model.

1. Klik menu Calculate: Klik tombol Calculate pada toolbar utama.
   

2. Pilih PLS Algorithm: Dari menu dropdown, pilih opsi PLS Algorithm sebagai metode estimasi.

3. Atur konfigurasi: Konfigurasikan pengaturan seperti weighting scheme dan opsi kalkulasi, atau biarkan dalam pengaturan default.
   

4. Klik Start Calculation: Jalankan kalkulasi dan tunggu hingga proses selesai.

5. Periksa output grafis: Output yang dihasilkan menyajikan representasi grafis dari path coefficient, loadings, dan nilai R-square. Metrik ini sangat penting untuk mengevaluasi kekuatan dan kemampuan penjelasan model.
   

7. Cara Menguji Validitas dan Reliabilitas Model Pengukuran

Evaluasi model pengukuran (outer model) adalah langkah kunci untuk memastikan instrumen penelitian yang digunakan memenuhi standar kualitas. Berikut cara menggunakan Smart PLS 4 untuk menilai validitas dan reliabilitas model secara sistematis.

Untuk mengestimasi model di SmartPLS, model harus dievaluasi pada dua tingkat yang mencakup penilaian model pengukuran dan penilaian model struktural. Penilaian model pengukuran melibatkan beberapa langkah termasuk evaluasi factor loadings, reliabilitas konstruk, dan validitas konstruk.

1. Periksa nilai Outer Loadings: Kriteria untuk factor loadings adalah 0,70; item dengan loadings kurang dari 0,70 dapat dipertimbangkan untuk dihapus jika penghapusan dapat meningkatkan reliabilitas dan validitas.
   

2. Evaluasi Composite Reliability dan Cronbach's Alpha: Reliabilitas konstruk dinilai menggunakan Cronbach's Alpha dan Composite Reliability, dengan nilai yang dipersyaratkan adalah 0,70 untuk keduanya.
   

3. Periksa nilai AVE untuk validitas konvergen: Validitas konstruk dinilai menggunakan validitas konvergen (AVE lebih dari 0,50) dan validitas diskriminan (Fornell & Larcker Criterion dan Heterotrait-Monotrait Ratio).
   

4. Periksa validitas diskriminan dengan HTMT: Heterotrait-Monotrait Ratio (HTMT) merupakan kriteria untuk menilai validitas diskriminan. Ambang batas HTMT kurang dari 0,90 untuk konstruk yang secara konseptual serupa direkomendasikan.
   

8. Cara Melakukan Bootstrapping untuk Uji Hipotesis

Bootstrapping merupakan prosedur resampling non-parametrik yang digunakan untuk menguji signifikansi hubungan dalam model struktural. Tahap ini sangat penting dalam cara menggunakan Smart PLS 4 karena menentukan apakah hipotesis penelitian Anda diterima atau ditolak.

1. Kembali ke tampilan model: Klik tombol Edit untuk kembali ke tampilan Model.

2. Pilih opsi Bootstrapping: Klik tombol Calculate pada toolbar utama. Pilih opsi Bootstrapping, sesuaikan pengaturan jika diperlukan, dan klik Start calculation.
   

3. Periksa hasil signifikansi: Laporan hasil Bootstrapping akan menyediakan semua informasi yang diperlukan untuk melakukan pengujian signifikansi berbasis bootstrapping.
   

4. Evaluasi t-statistic dan p-value: Periksa nilai t-statistics dan p-values untuk signifikansi jalur. Nilai t-statistic lebih besar dari 1,96 menunjukkan hubungan yang signifikan pada taraf 5%.
   

9. Cara Mengevaluasi Model Struktural (Inner Model)

Evaluasi model struktural bertujuan mengukur seberapa baik variabel independen menjelaskan variasi pada variabel dependen. Pada tahap cara menggunakan Smart PLS 4 ini, Anda akan menilai kekuatan prediktif model berdasarkan beberapa metrik utama.

1. Periksa nilai R-Square: Nilai R² minimal 0,10 menunjukkan kekuatan prediktif yang memadai. Semakin tinggi nilai R², semakin baik kemampuan model dalam menjelaskan variabel endogen.
   

2. Evaluasi Effect Size (f²): Nilai effect size f² minimal 0,02 menunjukkan kontribusi variabel eksogen terhadap variabel endogen.
   

3. Periksa Predictive Relevance (Q²): Q² minimal 0,02 mengindikasikan relevansi prediktif model.
   

4. Analisis Path Coefficients: Periksa arah dan besaran koefisien jalur untuk menentukan kekuatan hubungan antar variabel.

5. Periksa Specific Indirect Effects: Jika model memiliki variabel mediasi, periksa efek tidak langsung untuk menilai peran mediasi.

10. Cara Mengekspor dan Membaca Laporan Hasil Analisis

Tahap akhir dalam rangkaian cara menggunakan Smart PLS 4 adalah menyimpan dan mengekspor hasil analisis ke format yang sesuai untuk pelaporan. SmartPLS 4 menyediakan berbagai opsi ekspor yang memudahkan dokumentasi hasil penelitian.

1. Akses Report Navigation: Navigasi Report di sisi kiri memungkinkan Anda menjelajahi berbagai hasil PLS-SEM. Hasil ini menyediakan evaluasi komprehensif terhadap model.
   

2. Simpan laporan ke proyek: Anda dapat menyimpan laporan ke proyek untuk penggunaan nanti atau mengekspornya ke Excel atau HTML untuk dibagikan dengan orang lain.
   

3. Ekspor diagram model: Ekspor diagram model dalam format PNG atau PDF untuk dimasukkan ke dalam laporan skripsi atau tesis Anda.

4. Interpretasi hasil secara menyeluruh: Baca setiap tabel output dengan teliti, mulai dari model pengukuran hingga model struktural, untuk menarik kesimpulan yang valid dari data penelitian Anda.

11. Fitur Baru SmartPLS 4 yang Wajib Diketahui Peneliti

SmartPLS 4 membawa sejumlah pembaruan penting yang menjadikannya lebih dari sekadar alat PLS-SEM. Menurut Cheah, Magno, dan Cassia (2024) dalam Journal of Marketing Analytics, "SmartPLS 4 merupakan lompatan signifikan dalam pengembangan dengan antarmuka grafis yang sepenuhnya diperbarui." Berikut fitur-fitur baru yang perlu Anda ketahui saat mempelajari cara menggunakan Smart PLS 4.

• Modul CB-SEM: Anda kini dapat menjalankan analisis covariance-based structural equation modeling (CB-SEM) serupa dengan IBM SPSS AMOS. Anda dapat membuat, mengestimasi, dan mengevaluasi model menggunakan CB-SEM. Fitur baru ini juga mendukung confirmatory factor analysis (CFA).
  

• Endogeneity Assessment: Penilaian endogenitas menggunakan pendekatan Gaussian copula membantu peneliti mendeteksi potensi masalah endogenitas dalam model.
  

• Necessary Condition Analysis (NCA): Analisis kondisi yang diperlukan (NCA) termasuk pengujian signifikansi kini tersedia langsung dalam SmartPLS 4.
  

• PROCESS Analysis: Meskipun SmartPLS dikenal terutama untuk PLS-SEM, versi terbarunya mencakup fitur yang memungkinkan peneliti melakukan dan memvisualisasikan analisis regresi secara efektif.
  

• Model Comparison: Fitur baru algoritma perbandingan model memudahkan peneliti membandingkan dua model secara langsung.
  

• Dark Mode: Tersedia dark mode untuk kenyamanan visual yang lebih baik di lingkungan gelap atau saat malam hari.
  

• Contoh Model Bawaan: Terdapat banyak contoh model berbeda yang terintegrasi langsung dalam software, sehingga Anda bisa langsung mencoba berbagai fungsi bahkan tanpa data sendiri.
  

• Kustomisasi Diagram: Diagram kini dapat dikustomisasi. Misalnya, warna atau ukuran baru untuk titik-titik dapat ditentukan serta berbagai properti lain dapat diubah dan disimpan sebagai default baru.
  

12. Perbedaan PLS-SEM dan CB-SEM di SmartPLS 4

Salah satu keunggulan utama SmartPLS 4 adalah kemampuannya menjalankan baik PLS-SEM maupun CB-SEM dalam satu platform. Memahami perbedaan keduanya sangat penting agar Anda dapat memilih metode yang tepat untuk penelitian. Software statistik SmartPLS 4 baru-baru ini memperkenalkan modul CB-SEM baru yang meningkatkan pengalaman pengguna melalui antarmuka grafis modern dan intuitif serta laporan hasil yang komprehensif.

PLS-SEM berfokus pada prediksi dan maksimalisasi varians yang dijelaskan dalam variabel endogen. Metode ini lebih fleksibel dalam menangani sampel kecil dan distribusi data yang tidak normal. Di sisi lain, CB-SEM bertujuan untuk konfirmasi teori dengan meminimalkan perbedaan antara matriks kovarians yang diestimasi dan diamati. Cara menggunakan Smart PLS 4 untuk CB-SEM serupa dengan PLS-SEM, namun opsi kalkulasi yang dipilih berbeda.

Roger Calantone, profesor dari Michigan State University, menyatakan bahwa "pemodelan PLS merupakan teknik solusi hebat untuk berbagai masalah data multivariat." Dengan tersedianya kedua metode dalam satu software, peneliti kini memiliki fleksibilitas lebih besar dalam mengadaptasi pendekatan analitis mereka.

Partial least squares structural equation modeling (PLS-SEM) telah menjadi pendekatan standar untuk menganalisis hubungan kompleks antara variabel yang diamati dan variabel laten. Peneliti menghargai berbagai keunggulan PLS-SEM seperti kemampuan untuk mengestimasi model yang sangat kompleks dan fleksibilitas metode terkait persyaratan data.

13. Kapan Sebaiknya Menggunakan PLS-SEM

Memilih metode analisis yang tepat merupakan keputusan strategis dalam penelitian. Tidak semua kondisi cocok untuk PLS-SEM, sehingga pemahaman tentang kapan menggunakan metode ini akan meningkatkan kualitas analisis Anda. Berikut situasi di mana cara menggunakan Smart PLS 4 dengan pendekatan PLS-SEM menjadi pilihan yang tepat.

• Tujuan prediksi: PLS-SEM cocok digunakan ketika tujuan utama penelitian adalah prediksi dan penjelasan variabel dependen.

• Model kompleks: Ketika model struktural mencakup banyak konstruk, indikator, atau hubungan model yang rumit.

• Ukuran sampel kecil: PLS-SEM tetap bekerja baik dengan sampel terbatas, meskipun juga optimal untuk sampel besar.

• Konstruk formatif: Ketika model jalur mencakup satu atau lebih konstruk yang diukur secara formatif.

• Distribusi tidak normal: Ketika masalah distribusi menjadi perhatian, seperti kurangnya normalitas pada data.

• Eksplorasi teori: Ketika tujuan penelitian adalah memahami peningkatan kompleksitas melalui eksplorasi perluasan teoretis.

14. Tips Mengoptimalkan Hasil Analisis di SmartPLS 4

Untuk mendapatkan hasil analisis yang akurat dan dapat diandalkan, ada beberapa praktik terbaik yang perlu diterapkan. Tips berikut akan membantu Anda mengoptimalkan penggunaan SmartPLS 4 dalam penelitian akademik Anda.

• Pastikan data bersih dan valid: Lakukan screening data untuk nilai yang hilang, outlier, dan duplikasi sebelum mengimpor ke SmartPLS 4.

• Gunakan jumlah sampel yang memadai: Meskipun PLS-SEM fleksibel terhadap sampel kecil, ukuran sampel yang lebih besar tetap menghasilkan estimasi yang lebih stabil.

• Evaluasi model secara bertahap: Selalu evaluasi model pengukuran terlebih dahulu sebelum beralih ke model struktural untuk memastikan instrumen valid dan reliabel.

• Gunakan subsample bootstrapping yang cukup: Disarankan menggunakan minimal 5.000 subsample dalam bootstrapping untuk hasil pengujian signifikansi yang lebih akurat.

• Manfaatkan contoh model bawaan: SmartPLS 4 menyediakan banyak contoh model yang terintegrasi langsung, sehingga Anda bisa mencoba berbagai fungsi tanpa menggunakan data sendiri.
  

• Simpan laporan secara berkala: Ekspor hasil ke Excel atau HTML secara rutin sebagai backup dan untuk memudahkan perbandingan antar iterasi model.

15. Kesalahan Umum yang Harus Dihindari saat Menggunakan SmartPLS 4

Banyak peneliti pemula melakukan kesalahan teknis yang memengaruhi validitas hasil analisis. Mengenali dan menghindari kesalahan-kesalahan ini akan membantu Anda memanfaatkan cara menggunakan Smart PLS 4 secara optimal. Berikut adalah beberapa kesalahan yang sering terjadi beserta cara mengatasinya.

• Mengabaikan data cleaning: Data yang mengandung missing values atau outlier ekstrem dapat mendistorsi hasil estimasi. Selalu bersihkan data sebelum analisis.

• Salah menentukan jenis model pengukuran: Tidak semua konstruk bersifat reflektif. Pastikan Anda memahami perbedaan antara model reflektif dan formatif sebelum membangun model.

• Langsung menilai model struktural: Banyak peneliti melewati evaluasi model pengukuran dan langsung mengevaluasi model struktural. Tahap evaluasi model pengukuran harus dilakukan terlebih dahulu.

• Mempertahankan indikator dengan loading rendah: Indikator dengan loading factor di bawah 0,70 sebaiknya dipertimbangkan untuk dihapus jika penghapusannya meningkatkan reliabilitas dan validitas keseluruhan model.
  

• Jumlah subsample bootstrapping terlalu kecil: Menggunakan terlalu sedikit subsample dalam bootstrapping menghasilkan estimasi yang tidak stabil. Gunakan minimal 5.000 subsample.

• Mengabaikan validitas diskriminan: Selain Fornell-Larcker Criterion, gunakan juga HTMT untuk memastikan validitas diskriminan yang memadai.

16. Jenis Skala Pengukuran yang Didukung SmartPLS 4

Memahami jenis skala pengukuran variabel sangat penting karena memengaruhi cara data diproses dan diinterpretasikan dalam analisis. SmartPLS 4 mendukung beberapa jenis skala yang perlu dipahami oleh setiap pengguna.

• Skala Metrik (Interval/Rasio): Variabel yang diukur pada skala interval atau rasio bersifat numeris dan memungkinkan perhitungan rata-rata dan standar deviasi secara bermakna. Contohnya: usia, pendapatan, atau skor Likert 1-7. Digunakan untuk indikator variabel laten dalam PLS Algorithm dan Bootstrapping.
  

• Skala Biner: Variabel dengan hanya dua nilai yang mungkin, dikodekan sebagai 0 dan 1 (misalnya Ya/Tidak, Pria/Wanita). Variabel biner dapat dimasukkan dalam model tetapi harus diperlakukan dengan tepat, sering digunakan sebagai variabel kontrol atau eksogen.
  

• Skala Ordinal: Variabel dengan nilai yang memiliki urutan peringkat, tetapi interval antar nilai tidak setara. Perlu perhatian khusus dalam interpretasinya.

17. Kelebihan SmartPLS 4 untuk Penelitian Akademik

Alat PLS-SEM yang baru dan jauh lebih canggih ini memiliki lebih banyak hal untuk ditawarkan. Software ini sangat ramah pengguna dan merupakan alat yang hebat bagi akademisi maupun praktisi untuk melakukan analisis data yang kompleks. Berikut keunggulan utama SmartPLS 4 yang menjadikannya pilihan favorit di kalangan peneliti.

• Antarmuka drag-and-drop yang intuitif: Membangun model menjadi lebih mudah tanpa perlu menulis kode atau rumus manual.

• Fleksibilitas data: Mendukung data dengan distribusi tidak normal, sampel kecil, dan model yang kompleks.

• Hasil cepat dengan visualisasi informatif: Output grafis langsung menampilkan koefisien jalur, loading, dan R² pada diagram model.

• Multi-metode dalam satu platform: PLS-SEM, CB-SEM, PROCESS, dan Regresi tersedia dalam satu software.

• Performa lebih cepat: Performa telah meningkat secara signifikan di banyak area. Algoritma seperti bootstrapping atau FIMIX kini jauh lebih cepat.
  

• Dukungan komunitas luas: Tersedia ratusan video tutorial, buku referensi, dan sumber akademik yang mendukung pembelajaran.

18. Panduan Migrasi dari SmartPLS 3 ke SmartPLS 4

Bagi peneliti yang sebelumnya menggunakan SmartPLS 3, migrasi ke versi terbaru dapat dilakukan dengan mudah tanpa kehilangan proyek yang sudah ada. Memahami proses migrasi ini akan mempermudah transisi Anda dalam menerapkan cara menggunakan Smart PLS 4 pada proyek yang sedang berjalan.

1. Instal SmartPLS 4: Instal dan jalankan SmartPLS 4 di komputer Anda.
   

2. Buat workspace baru: SmartPLS 4 akan meminta Anda memulai dengan workspace baru, di mana Anda dapat mengimpor proyek SmartPLS 3 yang sudah ada dengan membuat salinannya.
   

3. Impor proyek lama: Navigasikan ke File lalu Import Projects from a folder. Temukan root dari workspace SmartPLS 3 Anda. Pilih proyek untuk diimpor.
   

4. Perbarui file data: Untuk mengatasi file data yang berwarna merah, buka file tersebut dan klik "Update".
   

5. Perhatikan kompatibilitas: File yang dimodifikasi di SmartPLS 4 menjadi tidak kompatibel dengan SmartPLS 3. Pastikan Anda menyimpan backup proyek asli.
   

19. FAQ

Apa itu SmartPLS 4 dan untuk apa digunakan?

SmartPLS adalah software dengan antarmuka grafis untuk variance-based structural equation modeling (SEM) menggunakan metode partial least squares (PLS) path modeling. Software ini digunakan oleh mahasiswa dan peneliti untuk menganalisis hubungan antar variabel dalam penelitian kuantitatif, terutama di bidang sosial, bisnis, dan manajemen.

Apakah SmartPLS 4 tersedia secara gratis?

SmartPLS menyediakan uji coba gratis 30 hari versi Professional dengan akses penuh ke semua fitur tanpa perlu kartu kredit. Selain itu, tersedia lisensi akademik gratis untuk mahasiswa dan peneliti yang dapat diakses melalui situs resmi SmartPLS.

Format data apa saja yang didukung SmartPLS 4?

SmartPLS 4 mendukung berbagai format file data termasuk CSV, Excel (.xlsx), dan SPSS (.sav). Peningkatan ini memudahkan cara menggunakan Smart PLS 4 karena peneliti tidak perlu lagi mengonversi data ke format CSV terlebih dahulu seperti pada versi sebelumnya.

Berapa ukuran sampel minimum untuk analisis PLS-SEM?

PLS-SEM dikenal fleksibel terhadap ukuran sampel kecil. Meskipun demikian, aturan umum menyarankan minimal 10 kali jumlah jalur struktural terbesar yang mengarah ke variabel laten tertentu. Semakin besar sampel, semakin stabil estimasi yang dihasilkan dalam cara menggunakan Smart PLS 4 untuk analisis SEM.

Apa perbedaan utama SmartPLS 4 dengan SmartPLS 3?

SmartPLS 4 menghadirkan lompatan signifikan dalam pengembangan dengan antarmuka grafis yang sepenuhnya diperbarui, kecepatan pemrosesan data yang lebih cepat, dan fitur penilaian model baru seperti cross-validated predictive ability test, penilaian endogenitas, dan analisis kondisi yang diperlukan. Selain itu, tersedia modul CB-SEM dan analisis regresi yang tidak ada di versi sebelumnya.

Bagaimana cara membaca hasil bootstrapping di SmartPLS 4?

Pada hasil bootstrapping, perhatikan nilai t-statistic dan p-value untuk setiap hubungan jalur. Hubungan dianggap signifikan jika t-statistic lebih besar dari 1,96 atau p-value kurang dari 0,05 pada taraf signifikansi 5%. Cara menggunakan Smart PLS 4 untuk interpretasi ini dapat dilihat pada bagian Report setelah menjalankan bootstrapping.

Apakah SmartPLS 4 bisa digunakan untuk publikasi jurnal ilmiah?

SmartPLS 4 sangat layak untuk analisis data yang akan dipublikasikan di jurnal ilmiah. PLS-SEM merupakan metode analisis data multivariat yang sangat populer dan diterima secara luas di berbagai disiplin ilmu. Pastikan Anda mengikuti panduan pelaporan PLS-SEM yang direkomendasikan oleh Hair et al. (2022) agar hasil analisis memenuhi standar publikasi.