SEM-PLS dengan Hair 2022 Standards

Seorang peneliti ingin tahu apakah kepuasan nasabah benar-benar mendorong loyalitas mereka pada sebuah bank. Masalahnya: “kepuasan” dan “loyalitas” bukan angka yang bisa langsung diukur dengan penggaris seperti tinggi badan. Tidak ada satu alat yang membaca “kadar kepuasan = 7,3”. Yang bisa ia lakukan hanyalah mengajukan beberapa pertanyaan kuesioner — “Seberapa puas Anda dengan layanan?”, “Apakah Anda akan merekomendasikan bank ini?” — lalu menebak konsep tak kasatmata di baliknya dari pola jawaban.

Di sinilah dua tantangan bertumpuk jadi satu. Pertama, ia harus memastikan kumpulan pertanyaan itu memang mengukur konsep yang dimaksud, bukan sesuatu yang lain. Kedua, baru setelah itu ia boleh bertanya: seberapa kuat kepuasan menggerakkan loyalitas? Alat yang menangani dua tantangan ini sekaligus — mengukur konsep tak teramati dan menghubungkannya — disebut pemodelan persamaan struktural (Structural Equation Modeling, SEM). Varian yang paling banyak dipakai mahasiswa S2/S3 di Indonesia adalah PLS-SEM (Partial Least Squares).

Sayangnya banyak tesis SEM-PLS Indonesia masih memakai standar yang sudah ketinggalan satu dekade. Artikel ini membangun SEM-PLS dari nol, lalu menjelaskan standar modern Hair et al. (2022) — apa yang sekarang dipakai, dan apa yang sudah ditinggalkan.

Intuisi: Dua Lapis yang Wajib Dipisah

Bayangkan model Anda sebagai bangunan dua lantai.

Lantai bawah — model pengukuran. Di sini Anda memastikan setiap konsep tak teramati (disebut konstruk laten) memang tertangkap dengan baik oleh pertanyaan-pertanyaan kuesioner (disebut indikator). Pertanyaannya: “Apakah ketiga pertanyaan tentang kepuasan benar-benar bercerita tentang satu hal yang sama?”

Lantai atas — model struktural. Di sini, dan hanya setelah lantai bawah kokoh, Anda mengukur hubungan antar-konsep: “Seberapa kuat kepuasan memengaruhi loyalitas?”

Urutan ini tidak boleh dibalik. Kalau alat ukur Anda rusak (lantai bawah goyah), maka angka hubungan di lantai atas tidak bermakna apa pun — seperti menimbang berat badan dengan timbangan yang jarumnya ngaco. Aturan “ukur dulu, baru hubungkan” ini bernama pendekatan dua langkah (Anderson & Gerbing, 1988) dan merupakan kaidah paling mendasar dalam SEM.

Membaca Diagram Jalur

Seluruh ide ini bisa digambar dalam satu diagram baku. Bentuk geometri di dalamnya bukan hiasan — tiap bentuk punya arti tetap.

Empat kosakata dari gambar ini akan dipakai sepanjang artikel:

• Konstruk laten (oval): konsep tak teramati seperti kepuasan, loyalitas, motivasi. Disebut eksogen ($\xi$, dibaca “ksi”) kalau ia hanya memengaruhi dan tidak dipengaruhi konstruk lain dalam model; endogen ($\eta$, dibaca “eta”) kalau ia menerima panah dari konstruk lain.
• Indikator (persegi): pertanyaan kuesioner yang terukur, misalnya skala Likert 1–5.
• Muatan ($\lambda$, dibaca “lambda”): kekuatan hubungan satu indikator dengan konstruknya — pada dasarnya korelasi indikator dengan konstruk.
• Koefisien jalur ($\gamma$, dibaca “gamma”, atau $\beta$ untuk jalur antar-endogen): kekuatan hubungan antar-konstruk di lantai atas — pada dasarnya koefisien regresi.

Reflektif atau Formatif? Salah Tentukan, Salah Semua

Sebelum menghitung apa pun, ada satu keputusan yang 80% mahasiswa salah — dan kalau salah, seluruh kriteria evaluasi yang dipakai jadi keliru. Pertanyaannya: arah panah antara konstruk dan indikatornya ke mana?

• Reflektif — konstruk menyebabkan indikator (panah dari oval ke persegi, seperti pada diagram di atas). Indikator adalah cerminan/gejala dari konstruk. Contoh: kepuasan yang tinggi menyebabkan seseorang menjawab tinggi pada “Saya puas”, “Saya senang”, “Layanan memuaskan”. Ketiga jawaban naik-turun bersama karena ditarik oleh konstruk yang sama, sehingga indikator reflektif saling berkorelasi tinggi dan bisa saling menggantikan.
• Formatif — indikator membentuk/menyebabkan konstruk (panah dari persegi ke oval). Contoh: status sosial-ekonomi dibentuk oleh pendapatan + pendidikan + pekerjaan. Ketiganya tidak harus berkorelasi (orang berpendidikan tinggi bisa berpendapatan rendah) dan tidak boleh dibuang karena masing-masing menyumbang bagian berbeda dari konstruk.

Pegangan praktis: kalau membuang satu indikator mengubah makna konstruk → formatif. Kalau indikator hanyalah salah satu dari banyak gejala yang setara → reflektif. Sebagian besar konstruk sikap/persepsi dalam riset perilaku bersifat reflektif — dan itulah fokus contoh hitung di bawah. Kriteria untuk formatif berbeda total (lihat tabel ringkas nanti).

Lantai Bawah: Mengevaluasi Konstruk Reflektif

Setelah yakin konstruk bersifat reflektif, ada tiga pertanyaan yang harus dijawab dengan angka, masing-masing punya rumus sederhana dan ambang baku Hair 2022.

1. Muatan indikator — apakah tiap pertanyaan layak?

Muatan $\lambda$ adalah korelasi tiap indikator dengan konstruknya. Kuadratnya, $\lambda^2$, adalah proporsi variasi indikator yang dijelaskan konstruk — persis gagasan R² dari regresi.

$$\lambda \ge 0{,}708$$

Mengapa angka aneh 0,708? Karena $0{,}708^2 \approx 0{,}50$. Ambang ini berarti: konstruk harus menjelaskan setidaknya separuh variasi indikatornya. Indikator dengan muatan di bawah 0,708 boleh dipertimbangkan untuk dibuang (maksimal sekitar 20% item), tetapi hanya kalau pembuangannya menaikkan AVE atau reliabilitas dan tidak merusak makna konstruk.

2. AVE — apakah konstruk menangkap cukup banyak?

AVE (Average Variance Extracted, rata-rata variansi terekstraksi) adalah rata-rata $\lambda^2$ dari semua indikator sebuah konstruk:

$$\text{AVE} = \frac{\sum_{i=1}^{n} \lambda_i^2}{n}$$

Tiap lambang:

• $\lambda_i$ = muatan indikator ke-$i$.
• $\lambda_i^2$ = proporsi variasi indikator ke-$i$ yang dijelaskan konstruk.
• $n$ = banyak indikator pada konstruk itu.
• $\sum_{i=1}^{n}$ = “jumlahkan untuk semua indikator, dari ke-1 sampai ke-$n$”.

$$\text{AVE} \ge 0{,}50$$

Ambang 0,50 dibaca polos: rata-rata, konstruk menjelaskan lebih dari separuh variasi indikator-indikatornya — sisanya galat pengukuran. Ini disebut validitas konvergen: indikator-indikator yang seharusnya mengukur satu hal memang “berkumpul” (konvergen) pada hal itu.

3. Reliabilitas komposit — apakah pengukurannya konsisten?

Sebuah konstruk reliabel kalau indikatornya konsisten satu sama lain. Ukuran modernnya reliabilitas komposit ($\rho_c$), yang — berbeda dari alfa Cronbach — menimbang tiap indikator menurut muatannya:

$$\rho_c = \frac{\left(\sum_{i=1}^{n}\lambda_i\right)^2}{\left(\sum_{i=1}^{n}\lambda_i\right)^2 + \sum_{i=1}^{n}\left(1 - \lambda_i^2\right)}$$

Bagian $(1-\lambda_i^2)$ adalah variansi galat indikator ke-$i$ — bagian yang tidak dijelaskan konstruk. Jadi rumus ini membandingkan “sinyal bersama kuadrat” dengan “sinyal bersama kuadrat + total galat”. Ambangnya:

$$0{,}70 \le \rho_c \le 0{,}95$$

Batas atas 0,95 penting dan sering dilupakan: reliabilitas terlalu tinggi justru pertanda buruk — indikatornya nyaris kembar (redundan), tidak menambah informasi.

Contoh Hitung dari Nol: Konstruk “Kepuasan”

Misalkan konstruk Kepuasan diukur tiga indikator reflektif, dengan muatan hasil estimasi:

$$\lambda_1 = 0{,}82 \quad \lambda_2 = 0{,}78 \quad \lambda_3 = 0{,}86$$

Ketiganya $\ge 0{,}708$, jadi tak ada yang perlu dibuang. Sekarang hitung AVE dan reliabilitas komposit langkah demi langkah.

Langkah 1 — kuadratkan tiap muatan.

Langkah 2 — AVE. Rata-ratakan kolom $\lambda_i^2$:

$$\text{AVE} = \frac{2{,}0204}{3} = 0{,}6735$$

AVE = 0,67 ≥ 0,50 → validitas konvergen terpenuhi. Konstruk menjelaskan rata-rata 67% variasi indikatornya.

Langkah 3 — reliabilitas komposit. Masukkan jumlah muatan (2,46) dan jumlah galat (0,9796):

$$\rho_c = \frac{(2{,}46)^2}{(2{,}46)^2 + 0{,}9796} = \frac{6{,}0516}{6{,}0516 + 0{,}9796} = \frac{6{,}0516}{7{,}0312} = 0{,}8607$$

$\rho_c$ = 0,86 — di rentang [0,70; 0,95]. Konstruk reliabel dan tidak redundan. Lantai bawah untuk konstruk Kepuasan kokoh.

Validitas Diskriminan: HTMT, Bukan Fornell-Larcker

Satu pemeriksaan terakhir di lantai bawah: apakah dua konstruk yang berbeda memang benar-benar berbeda, bukan dua nama untuk hal yang sama? Ini disebut validitas diskriminan. Kalau “kepuasan” dan “loyalitas” ternyata tak terbedakan secara empiris, model gabungannya tak masuk akal.

Ukuran modernnya adalah HTMT (Heterotrait-Monotrait ratio, rasio heterotrait-monotrait). Idenya satu kalimat: bandingkan korelasi indikator antar konstruk berbeda (heterotrait) dengan korelasi indikator dalam konstruk yang sama (monotrait). Kalau indikator dua konstruk berbeda berkorelasi hampir sama tingginya dengan indikator se-konstruk, berarti dua konstruk itu tidak terbedakan.

$$\text{HTMT} = \frac{\overline{r}_{\text{antar-konstruk}}}{\sqrt{\overline{r}_{\text{dalam K}} \times \overline{r}_{\text{dalam L}}}}$$

• Pembilang = rata-rata korelasi semua pasangan indikator antar dua konstruk (K dan L).
• Penyebut = akar dari hasil-kali rata-rata korelasi indikator di dalam K dengan rata-rata di dalam L.

$$\text{HTMT} < 0{,}85 \;(\text{ketat}) \qquad \text{HTMT} < 0{,}90 \;(\text{longgar})$$

Contoh hitung dari nol. Konstruk Kepuasan (k1, k2, k3) dan Loyalitas (l1, l2, l3). Dari matriks korelasi:

• Sembilan korelasi antar-konstruk (tiap k dengan tiap l): 0,32; 0,28; 0,30; 0,35; 0,31; 0,27; 0,29; 0,33; 0,30. Rata-ratanya $\overline{r}_{\text{antar}} = 2{,}75/9 = 0{,}3056$.
• Tiga korelasi dalam Kepuasan: 0,62; 0,58; 0,60 → rata-rata 0,60.
• Tiga korelasi dalam Loyalitas: 0,66; 0,64; 0,62 → rata-rata 0,64.

$$\text{HTMT} = \frac{0{,}3056}{\sqrt{0{,}60 \times 0{,}64}} = \frac{0{,}3056}{\sqrt{0{,}384}} = \frac{0{,}3056}{0{,}6197} = 0{,}493$$

HTMT = 0,49 < 0,85 → kedua konstruk terbedakan dengan jelas. Korelasi antar-konstruk jauh lebih lemah daripada korelasi dalam masing-masing konstruk.

Mengapa HTMT, bukan Fornell-Larcker? Kriteria lama Fornell-Larcker (membandingkan $\sqrt{\text{AVE}}$ dengan korelasi antar-konstruk) terbukti gagal mendeteksi ketiadaan validitas diskriminan secara andal, terutama saat muatan indikator mirip (Henseler, Ringle, & Sarstedt, 2015). HTMT punya daya deteksi jauh lebih baik dan kini menjadi kriteria utama. Laporkan HTMT sebagai yang utama; Fornell-Larcker boleh disertakan sebagai pelengkap.

rho_A, Bukan Alfa Cronbach sebagai Patokan

Hampir semua tesis lama melaporkan alfa Cronbach sebagai ukuran reliabilitas utama. Masalahnya, alfa Cronbach mengandaikan semua indikator punya muatan yang persis sama (asumsi tau-equivalent) — asumsi yang dilanggar oleh PLS-SEM, yang justru membiarkan muatan bervariasi. Akibatnya alfa Cronbach cenderung meremehkan reliabilitas pada konteks PLS.

Ukuran modern penggantinya: rho_A ($\rho_A$, Dijkstra-Henseler), yang melonggarkan asumsi itu dan konsisten dengan cara kerja PLS. Praktik Hair 2022:

• Laporkan ketiganya — alfa Cronbach, $\rho_A$, dan $\rho_c$ — karena penelaah jurnal masih mengharapkannya.
• Ambil keputusan berdasar $\rho_A$. Ia berada di antara alfa (batas bawah) dan $\rho_c$ (batas atas), sehingga menjadi penengah yang seimbang.
• Kalau alfa < $\rho_A$ (lazim), berarti alfa meremehkan reliabilitas — pakai $\rho_A$. Kalau alfa > $\rho_A$ (jarang), selidiki kemungkinan konstruk multidimensi.

Ukuran Sampel: Akar Terbalik Kock-Hadaya, Bukan “10 Kali”

Aturan usang: 10 kali jumlah indikator

Bertahun-tahun mahasiswa memakai “10 observasi per indikator” — model 15 indikator → 150 sampel. Masalahnya: angka itu sama sekali tidak bersandar pada daya uji (statistical power, peluang mendeteksi pengaruh yang memang ada). Ia hanya kebiasaan.

Aturan modern: rumus akar terbalik (Kock & Hadaya, 2018)

Metode ini menanyakan hal yang benar: berapa sampel agar saya punya peluang cukup besar mendeteksi koefisien jalur terkecil yang ingin saya buktikan?

$$n_{\min} = \left(\frac{z_{1-\alpha/2} + z_{1-\beta}}{\lvert p_{\min}\rvert}\right)^2$$

Tiap lambang:

• $z_{1-\alpha/2}$ = nilai-z kritis untuk taraf nyata. Untuk $\alpha = 0{,}05$ dua-sisi, $z_{1-\alpha/2} = 1{,}96$.
• $z_{1-\beta}$ = nilai-z untuk daya uji. Untuk daya 80%, $z_{1-\beta} = 0{,}84$.
• $p_{\min}$ = koefisien jalur terkecil dalam model yang ingin terdeteksi sebagai signifikan.

Jumlah dua konstanta itu, $1{,}96 + 0{,}84 \approx 2{,}80$, lalu dibagi jalur terkecil dan dikuadratkan. Logikanya: makin kecil jalur yang ingin dideteksi, makin besar sampel yang dibutuhkan (penyebut mengecil → hasil membesar).

Pakai nilai penuh, bukan bulatan. Di teks kita tulis $\approx 2{,}80$ agar mudah dibaca, tetapi semua perhitungan di bawah memakai nilai eksak $z_{0{,}975} + z_{0{,}80} = 1{,}95996 + 0{,}84162 = 2{,}8016$. Membulatkan dulu ke 2,80 menggeser sebagian hasil ke bawah (mis. jalur 0,20 jadi 196, bukan 197) — selisih kecil tetapi membuat sampel sedikit di bawah daya uji yang ditargetkan. Karena ukuran sampel harus menjamin daya minimum, hitung dengan nilai penuh lalu bulatkan ke atas.

Contoh. Jalur terkecil yang dihipotesiskan $p_{\min} = 0{,}20$:

$$n_{\min} = \left(\frac{2{,}8016}{0{,}20}\right)^2 = (14{,}008)^2 = 196{,}22 \;\to\; 197$$

Karena ukuran sampel harus menjamin daya uji minimum, hasil selalu dibulatkan ke atas.

Tabel rujukan cepat

Untuk $\alpha = 0{,}05$ (dua-sisi) dan daya 80%, konstanta eksak $\approx 2{,}8016$ (semua nilai dihitung penuh lalu dibulatkan ke atas):

Satu-sisi vs dua-sisi. Tabel di atas memakai konstanta dua-sisi $1{,}96 + 0{,}84 \approx 2{,}80$ (nilai penuh 2,8016). Bentuk “praktis” Kock-Hadaya yang sering dikutip, $n_{\min} = (2{,}486/p_{\min})^2$, memakai konstanta satu-sisi $1{,}645 + 0{,}84 \approx 2{,}486$ (untuk hipotesis berarah), sehingga sampelnya lebih kecil (jalur 0,20 → 155; jalur 0,30 → 69). Keduanya sahih tetapi tidak bisa dipertukarkan — pastikan mana yang dipakai agar konsisten dengan hipotesis Anda. Untuk model rumit, lakukan analisis daya dengan G*Power atau paket R semPower.

Lantai Atas: Mengevaluasi Model Struktural

Setelah lantai bawah lolos (semua AVE ≥ 0,50; $\rho_c$, $\rho_A$ memadai; HTMT < 0,85), barulah model struktural dievaluasi. Empat hal pokok:

Koefisien jalur dan signifikansinya. Tiap $\gamma$ diuji dengan bootstrap minimal 5.000 subsampel (bukan asumsi normal, karena PLS bebas-distribusi). Periksa tanda-nya cocok dengan teori, bukan hanya besarnya.

R² konstruk endogen. Persis seperti di regresi, R² adalah proporsi variasi konstruk endogen yang dijelaskan konstruk-konstruk yang menunjuknya:

$$R^2 = 1 - \frac{\text{SS}_{\text{residual}}}{\text{SS}_{\text{total}}}$$

Patokan kasar Hair 2022: 0,25 lemah · 0,50 sedang · 0,75 substansial — selalu dengan konteks bidang, bukan mutlak. Contoh: kalau korelasi laten Kepuasan–Loyalitas adalah 0,49, maka $R^2 = 0{,}49^2 \approx 0{,}24$ — kepuasan menjelaskan sekitar 24% variasi loyalitas, tergolong lemah-menuju-sedang.

Ukuran efek f². Mengukur kontribusi tiap konstruk eksogen pada R²: 0,02 kecil · 0,15 sedang · 0,35 besar. Jalur boleh signifikan tetapi efeknya sepele — f² mencegah salah tafsir itu.

Relevansi prediktif Q². Lewat blindfolding, $Q^2 > 0$ menandakan model punya kemampuan memprediksi data baru, bukan sekadar mencocokkan data yang ada. Pelengkap modernnya PLS-Predict (Shmueli et al., 2019): model dinyatakan prediktif kalau RMSE-nya lebih kecil daripada tolok ukur regresi linear naif (LM benchmark) — pengujian luar-sampel sejati.

Analisis Mediasi: Selang Bootstrap, Bukan Uji Sobel

Kalau model menyertakan mediator (X → M → Y, misalnya kualitas → kepuasan → loyalitas), cara modern menguji pengaruh tak langsung adalah selang kepercayaan bootstrap, bukan uji Sobel yang berdaya rendah dan mengandaikan normalitas.

Coba Sendiri Kriteria-Kriterianya

Geser muatan dan korelasi pada alat di bawah, lalu lihat bagaimana AVE, reliabilitas, dan HTMT berubah serta kapan masing-masing melewati ambang Hair 2022.

Ringkasan Ambang Hair 2022

Satu peta untuk semua kriteria. Reflektif dan formatif memakai kriteria berbeda total — pastikan spesifikasi konstruk benar dulu.

Model pengukuran — konstruk reflektif:

Model pengukuran — konstruk formatif:

Model struktural:

Cek Pemahaman

1. Sebuah konstruk reflektif “Motivasi” punya tiga indikator dengan muatan 0,75; 0,80; 0,85. Hitung AVE dari nol, lalu putuskan apakah validitas konvergen terpenuhi.

Lihat jawaban

Kuadratkan tiap muatan: $0{,}75^2 = 0{,}5625$; $0{,}80^2 = 0{,}64$; $0{,}85^2 = 0{,}7225$. Jumlahnya $0{,}5625 + 0{,}64 + 0{,}7225 = 1{,}925$. AVE = $1{,}925 / 3 = 0{,}6417$.

AVE = 0,64 ≥ 0,50 → validitas konvergen terpenuhi. Ketiga muatan juga ≥ 0,708, jadi tak ada indikator yang perlu dibuang.

2. (Soal transfer.) Seorang mahasiswa merancang model dengan jalur terkecil yang dihipotesiskan sebesar 0,15. Ia mengumpulkan 150 responden memakai aturan “10 kali 15 indikator”. (a) Berapa ukuran sampel minimum yang seharusnya menurut Kock-Hadaya 2018 (dua-sisi, daya 80%)? (b) Apakah 150 cukup? (c) Apa risikonya kalau ia tetap memakai 150?

Lihat jawaban

(a) $n_{\min} = \left(\dfrac{2{,}8016}{0{,}15}\right)^2 = (18{,}677)^2 = 348{,}84 \to$ 349 responden (bulat ke atas).

(b) Tidak. 150 jauh di bawah 349 yang dibutuhkan untuk mendeteksi jalur sekecil 0,15 dengan daya 80%.

(c) Daya ujinya jauh di bawah 80%, sehingga jalur yang sebenarnya ada berisiko besar gagal terdeteksi sebagai signifikan (galat tipe II). Mahasiswa bisa keliru menyimpulkan “tidak ada pengaruh” padahal pengaruh itu nyata — sampelnya saja yang terlalu kecil.

Kesalahan Umum (Tanda Bahaya saat Bimbingan)

Salah tentukan reflektif vs formatif. Kesalahan paling sering (≈ 80% tesis). Menerapkan kriteria reflektif (AVE, HTMT) pada konstruk yang sebenarnya formatif membuat seluruh evaluasi pengukuran tidak sahih. Tentukan arah panah dari teori dulu.

Memakai aturan “10 kali” untuk ukuran sampel. Tidak bersandar pada daya uji. Pakai rumus akar terbalik Kock-Hadaya 2018 atau analisis daya (G*Power, semPower).

Melaporkan alfa Cronbach sebagai patokan utama. Alfa meremehkan reliabilitas pada PLS. Laporkan boleh, tetapi ambil keputusan berdasar $\rho_A$.

Hanya Fornell-Larcker untuk validitas diskriminan. Daya deteksinya rendah. HTMT < 0,85 adalah kriteria utama modern.

Mengevaluasi model struktural sebelum pengukuran lolos. Melanggar pendekatan dua langkah. Kalau alat ukur tak valid, angka jalur tak bermakna.

Mediasi pakai uji Sobel. Berdaya rendah dan mengandaikan normalitas. Gunakan selang kepercayaan bootstrap.

Melaporkan signifikansi jalur tanpa ukuran efek. Jalur bisa signifikan secara statistik tetapi $f^2$-nya sepele. Selalu sandingkan signifikansi dengan ukuran efek.

Tidak menguji relevansi prediktif. Tanpa $Q^2$ atau PLS-Predict, model hanya mencocokkan data lama, belum tentu mampu memprediksi data baru.

Dipakai di Dunia Nyata

• Riset perilaku konsumen. Model kepuasan–loyalitas–niat-membeli adalah tulang punggung pemasaran; SEM-PLS menanganinya saat sampel kecil atau data tak normal — situasi lazim pada survei lapangan di Indonesia.
• Sistem informasi. Model penerimaan teknologi (Technology Acceptance Model) yang menghubungkan persepsi kegunaan, kemudahan, dan niat memakai sistem digital pemerintah/perbankan hampir selalu diuji dengan PLS-SEM.
• Manajemen sumber daya manusia. Hubungan kepemimpinan → keterlibatan kerja → kinerja, dengan banyak konstruk laten yang hanya bisa diukur lewat kuesioner.
• Ekonomi pembangunan dan kebijakan. Konstruk seperti modal sosial, kapabilitas kelembagaan, atau kesejahteraan subjektif — yang tak punya satuan tunggal — kerap dimodelkan reflektif/formatif dalam evaluasi program dan studi dampak.

Perangkat Lunak (2026)

Resep tesis SEM-PLS modern: SmartPLS 4 atau R seminr; ukuran sampel via Kock 2018; dua langkah (ukur dulu, struktur kemudian); patokan utama $\rho_A$ dan HTMT (bukan alfa + Fornell-Larcker); bootstrap ≥ 5.000 untuk jalur dan mediasi; serta $Q^2$/PLS-Predict untuk relevansi prediktif.

Berkas Pendamping (Excel)

⬇ Unduh sem-pls-hair-2022.xlsx

Berkas berisi: daftar periksa kriteria Hair 2022, kalkulator ukuran sampel Kock 2018 (formula hidup), pohon keputusan reflektif vs formatif, dan pohon keputusan mediasi.

Lanjutan

SEM-PLS adalah salah satu cabang besar pemodelan hubungan antar-variabel; pondasinya tetap korelasi dan regresi.

• Sebelumnya: Korelasi — kekuatan hubungan dua variabel, dasar muatan dan HTMT — dan Regresi linear sederhana, dasar koefisien jalur dan R².
• Pendalaman daya uji dan ukuran sampel: Analisis Daya.
• Alternatif untuk data berstruktur unit-waktu: Panel Data FE/RE.
• Saat ragam galat tidak seragam: Galat Baku Robust.

Referensi

• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd ed. Sage. (rujukan inti)
• Sarstedt, M., Hair, J. F., Pick, M., Liengaard, B. D., Radomir, L., & Ringle, C. M. (2024). Progress in partial least squares structural equation modeling use.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity (HTMT). Journal of the Academy of Marketing Science.
• Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal.
• Shmueli, G., et al. (2019). Predictive model assessment in PLS-SEM: PLS-Predict. European Journal of Marketing.
• Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A two-step approach. Psychological Bulletin.