Inner Model SmartPLS 4: Bootstrapping, R Square, Path Coefficient, Cara Membaca

Oleh Skriptas · 26 Oktober 2026 · 8 menit baca

Uji inner model SmartPLS 4: bootstrapping, cara membaca path coefficient, t statistik, p value, R Square, f Square, Q Square, dan contoh kalimat untuk Bab 4.

Uji inner model SmartPLS adalah tahap tempat hipotesis Anda akhirnya diuji. Setelah model pengukuran lolos, Anda menjalankan bootstrapping, lalu layar dipenuhi tabel: Path coefficients, T statistics, P values, R Square, f Square. Banyak mahasiswa berhenti di sini karena tidak tahu tabel mana yang dibaca lebih dulu dan angka berapa yang disebut lolos.

Artikel ini memandu Anda membaca hasil bootstrapping SmartPLS 4 secara berurutan: cek kolinearitas, jalankan bootstrapping dengan pengaturan yang benar, baca path coefficient beserta t statistik dan p value, lalu nilai R Square, f Square, dan Q Square. Di akhir ada contoh tabel hipotesis dan kalimat yang bisa Anda adaptasi untuk Bab 4.

Semua angka di sini adalah contoh. Ambang yang saya sebut adalah yang lazim dipakai dari Hair et al. dan Chin, tetapi keputusan akhir tetap mengikuti pedoman kampus dan pembimbing Anda.

Apa itu inner model dan mengapa diuji setelah outer model

Dalam PLS-SEM ada dua lapis model. Outer model (model pengukuran) menguji apakah indikator benar-benar mengukur konstruknya: loading factor, AVE, composite reliability, dan validitas diskriminan. Inner model (model struktural) menguji hubungan antarkonstruk, yaitu hipotesis Anda: apakah X1 berpengaruh terhadap Y, seberapa besar, dan apakah signifikan.

Urutannya tidak boleh dibalik. Kalau indikator tidak valid, koefisien jalur yang Anda baca dibangun di atas pengukuran yang keliru. Pastikan outer model sudah memenuhi loading 0,70 ke atas, AVE minimal 0,50, reliabilitas minimal 0,70, dan HTMT di bawah 0,90 sebelum lanjut. Bila belum, kembali ke panduan SmartPLS untuk skripsi dan perbaiki dulu.

Langkah 1: cek kolinearitas inner model dengan VIF

Sebelum membaca koefisien jalur, pastikan variabel bebas yang mengarah ke satu konstruk tidak saling tumpang tindih. Jalankan Calculate, PLS-SEM algorithm, lalu buka laporan Quality criteria, Collinearity statistics (VIF), Inner model.

• VIF di bawah 5 dianggap aman oleh banyak sumber. Hair et al. edisi terbaru menyarankan di bawah 3 sebagai batas ideal.
• VIF 3 sampai 5 masih bisa diterima dengan catatan, tetapi koefisien jalur mungkin kurang stabil.
• VIF di atas 5 menandakan kolinearitas serius. Pertimbangkan menggabungkan konstruk yang sangat mirip atau meninjau ulang model.

Kolinearitas tinggi membuat koefisien jalur bisa berubah tanda dan standar error membengkak. Langkah kecil ini menyelamatkan Anda dari salah tafsir di tahap berikutnya.

Langkah 2: menjalankan bootstrapping di SmartPLS 4

PLS-SEM tidak mengasumsikan data berdistribusi normal, sehingga signifikansi tidak dihitung dari rumus distribusi, melainkan dari pengambilan sampel ulang (resampling). Inilah bootstrapping. Langkahnya:

1. Buka proyek, pastikan model sudah tergambar dan algoritma PLS sudah berjalan tanpa peringatan.
2. Klik Calculate, pilih Bootstrapping.
3. Subsamples: isi 10.000. Ini bawaan SmartPLS 4 dan rekomendasi Hair et al. Angka 500 dari SmartPLS 3 terlalu sedikit untuk hasil yang stabil.
4. Do parallel processing: centang supaya lebih cepat.
5. Amount of results: pilih Complete bila Anda butuh tabel lengkap termasuk indirect effects dan f Square dengan nilai t. Pilih Basic bila komputer lambat.
6. Confidence interval method: Percentile bootstrap adalah pilihan yang paling sering dianjurkan. Bias-corrected and accelerated (BCa) dipakai bila Anda ingin koreksi bias. Keduanya diterima, cukup konsisten dan sebutkan di Bab 3.
7. Test type: One tailed bila hipotesis Anda berarah (misalnya "berpengaruh positif"), Two tailed bila hipotesis hanya menyebut "berpengaruh".
8. Significance level: 0,05 untuk kebanyakan skripsi. Beberapa kampus menerima 0,10, cek pedoman.
9. Klik Start calculation. Dengan 10.000 subsampel, proses memakan waktu beberapa detik sampai beberapa menit.

Catat setiap pengaturan ini. Dosen penguji sering bertanya berapa subsampel dan jenis uji yang Anda pakai, dan jawabannya harus sama dengan yang tertulis di Bab 3.

Cara membaca path coefficient, t statistik, dan p value

Setelah bootstrapping selesai, buka Final results, Path coefficients, lalu tab Mean, STDEV, T values, p values. Ada lima kolom utama:

• Original sample (O): koefisien jalur dari data asli Anda. Tanda positif atau negatif menunjukkan arah pengaruh. Inilah angka yang dilaporkan sebagai koefisien.
• Sample mean (M): rata-rata koefisien dari 10.000 subsampel. Bila jauh berbeda dari O, ada indikasi bias atau sampel kecil.
• Standard deviation (STDEV): standar error bootstrap.
• T statistics (|O/STDEV|): koefisien dibagi standar errornya.
• P values: peluang memperoleh koefisien sebesar itu bila sebenarnya tidak ada pengaruh.

Aturan keputusan pada taraf 5%:

• Two-tailed: signifikan bila t di atas 1,96 atau p di bawah 0,05.
• One-tailed: signifikan bila t di atas 1,645 atau p di bawah 0,05 (SmartPLS sudah menyesuaikan p dengan jenis uji yang Anda pilih).
• Pastikan arah koefisien sesuai hipotesis. Jalur yang signifikan tetapi arahnya negatif padahal hipotesis positif berarti hipotesis ditolak, bukan diterima.

Buka juga tab Confidence intervals. Jalur dianggap signifikan bila rentang 2,5% sampai 97,5% (two-tailed) tidak memuat angka nol. Melaporkan interval kepercayaan menunjukkan Anda memahami logika bootstrap, dan beberapa penguji menyukainya.

Contoh pembacaan (angka contoh): jalur X1 ke Y memiliki O = 0,312, STDEV = 0,071, t = 4,394, p = 0,000. Karena t di atas 1,96 dan p di bawah 0,05, X1 berpengaruh positif signifikan terhadap Y. Tulis p sebagai p < 0,001, bukan 0,000.

R Square dan R Square adjusted

Buka Quality criteria, R-square. R Square menunjukkan berapa persen variasi konstruk endogen (Y) yang dijelaskan oleh semua konstruk yang mengarah kepadanya. Dua acuan yang paling sering dikutip:

Gunakan R Square adjusted bila jumlah prediktor cukup banyak atau Anda membandingkan model dengan jumlah prediktor berbeda, karena nilai ini menghukum penambahan variabel yang tidak berguna. Di penelitian perilaku konsumen atau pendidikan, R Square 0,20 sampai 0,40 sangat umum. Nilai rendah bukan alasan hipotesis gagal, melainkan bahan pembahasan: ada faktor lain di luar model.

f Square: seberapa besar sumbangan tiap jalur

Signifikan belum tentu penting. f Square mengukur perubahan R Square bila satu konstruk eksogen dikeluarkan dari model. Lihat di Quality criteria, f-square. Acuan Cohen yang dipakai Hair et al.: 0,02 kecil, 0,15 sedang, 0,35 besar. Nilai di bawah 0,02 berarti konstruk tersebut praktis tidak menambah daya jelas, meskipun jalurnya signifikan karena sampel besar. Laporkan f Square di samping koefisien jalur agar pembahasan Anda lebih kaya.

Q Square dan PLSpredict

Q Square (Stone-Geisser) menilai relevansi prediktif model. Di SmartPLS 3 nilai ini dihitung lewat Blindfolding dengan omission distance 7. Di SmartPLS 4, cara yang dianjurkan adalah Calculate, PLSpredict, lalu baca Q2predict pada konstruk endogen dan indikatornya. Nilai di atas 0 berarti model punya relevansi prediktif. Bandingkan juga RMSE model PLS dengan model LM (linear model): bila RMSE PLS lebih kecil pada sebagian besar indikator, daya prediksi model Anda baik.

Menu Blindfolding masih tersedia di beberapa versi SmartPLS 4, tetapi tidak lagi menjadi prosedur utama. Bila pembimbing meminta Q Square versi lama, jalankan Blindfolding dan sebutkan omission distance yang dipakai. Bila tidak, PLSpredict sudah cukup dan lebih mutakhir.

Menyusun tabel hipotesis dan contoh kalimat Bab 4

Gabungkan hasil menjadi satu tabel yang mudah dibaca penguji. Kolom yang biasanya diminta: hipotesis, jalur, koefisien (O), t statistik, p value, dan keputusan.

Contoh kalimat (angka contoh): "Hasil bootstrapping dengan 10.000 subsampel menunjukkan X1 berpengaruh positif dan signifikan terhadap Y (koefisien 0,312; t = 4,394; p < 0,001), sehingga H1 diterima. X2 tidak berpengaruh signifikan terhadap Y (koefisien 0,087; t = 1,120; p = 0,263), sehingga H2 ditolak. Model menjelaskan 46,3% variasi Y (R Square = 0,463), tergolong moderat menurut kriteria Hair et al."

Lanjutkan setiap hipotesis dengan pembahasan: apa arti arah dan besarnya, apakah sejalan dengan teori dan penelitian terdahulu, dan apa penjelasan bila bertentangan. Pola penulisan lengkapnya ada di cara menulis Bab 4 dari output statistik.

Kesalahan umum saat membaca inner model

Checklist sebelum menulis Bab 4

• Outer model lolos: loading, AVE, reliabilitas, HTMT.
• VIF inner model di bawah 5 (idealnya di bawah 3).
• Bootstrapping 10.000 subsampel, jenis uji dan metode interval tercatat.
• Setiap jalur: koefisien, arah, t, p, interval kepercayaan.
• R Square dan R Square adjusted tiap konstruk endogen.
• f Square tiap jalur.
• Q2predict atau Q Square.
• Tabel hipotesis lengkap dengan keputusan.
• Pengaturan di SmartPLS sama dengan yang ditulis di Bab 3.

Kalau Anda sudah sampai di tahap ini tetapi hasilnya tidak sesuai harapan, misalnya jalur utama tidak signifikan, jangan buru-buru mengubah data. Periksa dulu jumlah sampel lewat panduan minimal sampel SmartPLS, pertimbangkan apakah ada mediasi yang belum diuji lewat uji mediasi, dan bahas keterbatasannya secara jujur.

Bila ingin didampingi langsung, saya membuka bimbingan SmartPLS via Zoom mulai Rp30.000 per sesi. Anda yang menjalankan SmartPLS di laptop sendiri, saya memandu dari pengaturan bootstrapping sampai tabel hipotesis selesai dan Anda bisa menjelaskannya saat sidang. Konsultasi awal gratis lewat WhatsApp.