Bootstrapping PLS (Signifikansi Jalur: t & p-value)

Model PLS Anda sudah jadi. Hasilnya: kepuasan memengaruhi loyalitas dengan koefisien jalur 0,40. Angka itu terlihat besar, dan Anda lega. Lalu dosen penguji bertanya satu kalimat yang membuat ruang sidang hening: “Dari mana Anda yakin angka 0,40 ini bukan kebetulan dari sampel Anda?”

Pertanyaan itu masuk akal. Anda hanya mengambil 200 responden dari ribuan pelanggan. Kalau besok Anda menyebar kuesioner ke 200 orang lain, mungkin koefisiennya jadi 0,35, atau 0,46. Jadi angka 0,40 itu cuma satu tebakan dari sampel yang kebetulan Anda dapat. Pertanyaannya: kalau di kenyataan pengaruhnya sebenarnya nol, mungkinkah sampel Anda secara kebetulan tetap memberi 0,40? Untuk menjawabnya, kita perlu tahu seberapa goyah angka 0,40 itu. Di sinilah bootstrapping masuk.

Intuisi: Mengukur Goyah Sebuah Angka

Bayangkan Anda ingin tahu seberapa berat khasnya satu apel di sebuah keranjang, tetapi Anda hanya boleh menimbang delapan apel. Anda hitung rata-ratanya, misalnya 150 gram. Tapi seberapa percaya Anda pada angka 150 itu? Kalau delapan apel yang Anda ambil kebetulan yang besar-besar, 150 itu kemahalan. Kalau yang kecil-kecil, kemurahan.

Cara cerdiknya begini. Anda perlakukan delapan apel itu seolah-olah seluruh keranjang. Lalu Anda “ambil ulang” delapan apel dengan pengembalian: ambil satu, catat beratnya, kembalikan, ambil lagi (boleh apel yang sama terambil dua kali), sampai dapat delapan. Itu satu resample. Hitung rata-ratanya. Ulangi ribuan kali. Anda akan punya ribuan rata-rata yang berbeda-beda — dan seberapa lebar mereka tersebar memberi tahu seberapa goyah angka 150 tadi.

Itulah seluruh ide bootstrapping. Di PLS-SEM, “angka yang ingin diukur kegoyahannya” bukan rata-rata apel, melainkan koefisien jalur $\beta$. Mari kita lihat alurnya dalam satu gambar.

Apa Itu Bootstrapping

Bootstrapping (resampling dengan pengembalian) adalah teknik untuk menaksir seberapa stabil sebuah angka, tanpa berasumsi data berdistribusi normal. Tiga tahapnya persis seperti pada gambar:

1. Sampel asli Anda diperlakukan sebagai “populasi mini”.
2. Dari situ ditarik ribuan subsampel (resample) baru dengan pengembalian — satu responden bisa terpilih lebih dari sekali — masing-masing seukuran sampel asli.
3. Tiap subsampel diestimasi ulang sebagai model PLS yang utuh, menghasilkan satu nilai koefisien jalur. Ribuan subsampel memberi ribuan koefisien, dan sebaran ribuan koefisien itulah yang bercerita.

Pengembalian (dengan pengembalian / with replacement) artinya: setelah satu responden terpilih masuk subsampel, dia “dikembalikan” ke kumpulan dan boleh terpilih lagi. Tanpa pengembalian, tiap subsampel akan identik dengan sampel asli (hanya urutan yang berubah) dan tidak ada gunanya. Justru karena ada pengulangan inilah tiap subsampel sedikit berbeda satu sama lain, dan perbedaan itu yang kita ukur.

Kenapa PLS Tidak Pakai Uji t Biasa

Di regresi biasa, signifikansi datang dari uji t yang mengandalkan satu rumus galat baku analitis. Rumus itu sahih kalau datanya berdistribusi normal. Masalahnya, PLS-SEM justru sering dipakai karena penelitinya tidak mau mengandaikan data normal — data perilaku (kepuasan, niat, loyalitas) dari kuesioner Likert jarang normal. Begitu asumsi normal dilepas, rumus galat baku analitis tidak lagi berlaku.

Bootstrapping mengatasi ini dengan membangun galat baku secara empiris, langsung dari data, lewat resampling — tanpa menebak bentuk distribusinya. Itu sebabnya bootstrapping menjadi prosedur baku signifikansi di PLS-SEM. Hair et al. (2022) menganjurkan jumlah subsampel 5000 untuk pelaporan akhir; angka sebesar itu membuat galat baku stabil dan hasilnya dapat direproduksi (pengulangan oleh peneliti lain memberi angka yang praktis sama).

Kapan Dipakai

Bootstrapping dipakai pada tahap model struktural (inner model), setelah model pengukuran lolos (lihat Validitas Konvergen PLS). Tujuannya menguji hipotesis: apakah koefisien jalur antar konstruk berbeda dari nol secara nyata. Contoh:

• Apakah jalur Kepuasan → Loyalitas ($\beta = 0{,}40$) signifikan?
• Apakah pengaruh tidak langsung pada uji mediasi signifikan?
• Apakah efek interaksi pada uji moderasi signifikan?

Singkatnya, tiap panah hipotesis di model Anda diputuskan signifikansinya lewat bootstrapping.

Rumus

Setelah bootstrapping memberi sebaran ribuan koefisien, kita memerasnya menjadi tiga angka: galat baku, nilai t, dan selang kepercayaan.

Galat baku bootstrap

$$ SE_{boot} = \sqrt{\frac{1}{B-1}\sum_{b=1}^{B}\left(\beta^{(b)} - \bar{\beta}\right)^2} $$

Rumus ini terlihat berat, tetapi maknanya sederhana: galat baku bootstrap hanyalah standar deviasi (simpangan baku) dari ribuan koefisien hasil resampling. Tiap simbol:

• $B$ = banyak subsampel (lazimnya 5000).
• $\beta^{(b)}$ = koefisien jalur dari subsampel ke-$b$ (subsampel pertama memberi $\beta^{(1)}$, kedua $\beta^{(2)}$, dan seterusnya).
• $\bar{\beta}$ = rata-rata seluruh koefisien bootstrap, yaitu $\bar{\beta} = \tfrac{1}{B}\sum_{b=1}^{B}\beta^{(b)}$.
• $\sum_{b=1}^{B}$ artinya “jumlahkan untuk semua subsampel, dari yang ke-1 sampai ke-$B$”.

Makin lebar sebaran koefisien antar subsampel, makin besar $SE_{boot}$ — artinya koefisien Anda goyah. Makin rapat, makin kecil $SE_{boot}$ — koefisien stabil. SmartPLS menghitung angka ini untuk Anda; Anda tidak menjumlah 5000 angka dengan tangan.

Nilai t

Logika intinya sama dengan uji t mana pun: bandingkan ukuran efek dengan ketidakpastiannya.

$$ t = \frac{\beta}{SE_{boot}} $$

• $\beta$ (beta) = koefisien jalur dari sampel asli — kekuatan pengaruh yang Anda laporkan. Misalnya $\beta = 0{,}40$.
• $SE_{boot}$ = galat baku bootstrap dari rumus di atas — seberapa goyah $\beta$ kalau sampel diacak ulang. Misalnya $SE_{boot} = 0{,}10$.

Bacaannya: nilai t adalah berapa kali lipat koefisien Anda dibanding kegoyahannya. Makin kecil $SE_{boot}$ (koefisien stabil), makin besar $t$, makin kuat bukti bahwa jalurnya nyata. Nilai $t$ lalu dibandingkan dengan nilai kritis:

(Nilai-nilai ini berasal dari distribusi normal baku: 1,96 memotong 2,5% di tiap ekor, total 5%; 2,576 memotong 0,5% di tiap ekor, total 1%. PLS memakai ambang normal, bukan tabel t, karena resampling sudah menangani bentuk distribusi.)

Selang kepercayaan

$$ \text{CI 95\%} = \left[\,\beta - 1{,}96\,SE_{boot}\;;\;\; \beta + 1{,}96\,SE_{boot}\,\right] $$

Selang kepercayaan (confidence interval, CI) 95% adalah rentang nilai yang masuk akal untuk koefisien sebenarnya. Bentuk di atas adalah versi paling sederhana (berbasis normal). SmartPLS juga menawarkan versi BCa (bias-corrected and accelerated) yang lebih cermat saat distribusi bootstrap miring — itu yang dianjurkan untuk pelaporan. Aturan keputusannya satu kalimat: kalau selang tidak memuat angka 0, jalurnya signifikan.

Tiga indikator ini saling konsisten: kalau $t > 1{,}96$, biasanya $p < 0{,}05$ dan selang 95% tidak memuat 0.

Contoh Hitung Manual dari Nol

Resampling 5000 subsampel jelas butuh perangkat lunak. Tetapi begitu SmartPLS mengeluarkan koefisien sampel asli dan galat baku bootstrap, bagian $t = \beta/SE$ dan selang kepercayaan bisa Anda hitung sendiri — dan memang sebaiknya Anda paham asal angkanya.

Ambil jalur Kepuasan → Loyalitas. SmartPLS melaporkan dua angka:

• Koefisien jalur sampel asli: $\beta = 0{,}40$
• Galat baku bootstrap (simpangan baku 5000 koefisien): $SE_{boot} = 0{,}10$

Langkah 1 — hitung nilai t.

$$ t = \frac{\beta}{SE_{boot}} = \frac{0{,}40}{0{,}10} = 4{,}0 $$

Bacaannya: koefisien 0,40 itu empat kali lebih besar daripada kegoyahannya (0,10). Itu rasio yang kuat.

Langkah 2 — bandingkan dengan nilai kritis. Misalkan hipotesisnya dua arah, ambangnya 1,96.

$$ 4{,}0 > 1{,}96 \quad\text{(lolos 5\%)}\qquad\text{bahkan}\qquad 4{,}0 > 2{,}576 \quad\text{(lolos 1\%)} $$

Langkah 3 — susun selang kepercayaan.

$$ \text{CI 95\%} = [\,0{,}40 - 1{,}96 \times 0{,}10\;;\;\; 0{,}40 + 1{,}96 \times 0{,}10\,] = [\,0{,}204\;;\;\; 0{,}596\,] $$

Selang $[0{,}204;\ 0{,}596]$ tidak memuat 0 — sejalan dengan nilai t.

Langkah 4 — simpulkan. Jalur Kepuasan → Loyalitas signifikan pada taraf 5%, bahkan 1%. Konsisten dengan itu, p-value-nya jauh di bawah 0,05 (untuk $t = 4{,}0$, sekitar 0,00006). Artinya: kalau pengaruh sebenarnya nol, kemungkinan sampel memberi koefisien sebesar 0,40 (atau lebih) hanyalah sekitar 6 dari 100.000 — sangat kecil. Maka kita simpulkan pengaruhnya nyata.

Apa itu p-value di sini

P-value adalah peluang melihat koefisien sebesar yang Anda dapat (atau lebih ekstrem) seandainya jalur yang sebenarnya nol. P-value kecil = data Anda akan “mengejutkan” kalau pengaruhnya nol = bukti melawan nol. Patokan $p < 0{,}05$ artinya peluang itu di bawah 5%. SmartPLS membaca p-value langsung dari distribusi bootstrap (porsi koefisien yang menyeberang ke sisi berlawanan dari 0), jadi Anda tinggal membacanya, tidak menghitung.

Mengambil Keputusan

Tiga indikator dibaca bersama dan harus sejalan.

Kalau ketiganya sepakat “signifikan”, hipotesis Anda didukung data. Selang kepercayaan punya nilai tambah yang sering diabaikan: ia menunjukkan rentang kemungkinan nilai koefisien, bukan cuma status lolos atau tidak. Selang $[0{,}204;\ 0{,}596]$ memberi tahu bahwa pengaruhnya positif dan cukup berarti, walau besar persisnya tidak pasti. Bandingkan dengan selang $[0{,}01;\ 0{,}79]$ yang juga “tidak memuat 0” tetapi sangat lebar — di situ Anda tahu jalurnya signifikan tetapi tafsirnya rapuh.

Di SmartPLS, jalankan Calculate → Bootstrapping (atur subsamples 5000, pilih selang BCa). Hasilnya:

• Tab Path Coefficients → kolom T Statistics dan P Values untuk tiap jalur.
• Tab Confidence Intervals → batas bawah dan atas tiap jalur.

Bereksperimen Sendiri

Geser koefisien jalur $\beta$ dan galat baku bootstrap, lalu amati bagaimana nilai t, kurva bootstrap, dan status signifikansi berubah secara langsung.

Coba tiga hal:

1. Geser $\beta$ menjauh dari 0 — nilai t membesar dan kurva bootstrap menggeser dari garis 0.
2. Perkecil galat baku bootstrap — t melonjak (koefisien lebih stabil = bukti lebih kuat).
3. Perhatikan saat t melewati garis 1,96 lalu 2,576 — status berpindah dari tidak signifikan, ke signifikan 5%, lalu 1%.

Cek Pemahaman

1. SmartPLS melaporkan jalur Citra Merek → Niat Beli dengan koefisien $\beta = 0{,}25$ dan galat baku bootstrap $SE = 0{,}12$. Hitung nilai t dari nol, susun selang 95%, dan putuskan: signifikan pada taraf 5% (dua arah) atau tidak?

Lihat jawaban

Nilai t: $t = 0{,}25 / 0{,}12 = 2{,}08$. Bandingkan dengan 1,96 → $2{,}08 > 1{,}96$, lolos. Selang 95%: $[0{,}25 - 1{,}96\times0{,}12;\ 0{,}25 + 1{,}96\times0{,}12] = [0{,}015;\ 0{,}485]$ — tidak memuat 0. Kedua indikator sepakat: jalur signifikan pada taraf 5%. (Perhatikan: batas bawah 0,015 mepet ke 0, jadi walau signifikan, buktinya tidak sekuat contoh 0,40 tadi.)

2. (transfer) Seorang teman melaporkan jalur dengan $t = 0{,}89$ dan menyimpulkan “tidak signifikan, jadi hipotesis ditolak, dan ini membuktikan tidak ada pengaruh.” Selangnya $[-0{,}096;\ 0{,}256]$. Apakah kesimpulan “membuktikan tidak ada pengaruh” itu tepat? Jelaskan.

Lihat jawaban

Status “tidak signifikan” benar ($t = 0{,}89 < 1{,}96$, dan selang $[-0{,}096;\ 0{,}256]$ memuat 0). Tetapi kesimpulan “membuktikan tidak ada pengaruh” keliru. Tidak signifikan hanya berarti data belum cukup untuk menyimpulkan pengaruhnya berbeda dari nol — bisa karena pengaruhnya memang kecil, atau karena sampel terlalu sedikit sehingga galat baku besar. Buktinya: selang itu masih memuat nilai sebesar 0,256 sebagai kemungkinan yang masuk akal, yang bukan pengaruh sepele. Yang benar: “data tidak mendukung hipotesis”, bukan “terbukti tidak ada pengaruh”. Tidak menolak hipotesis nol ≠ membuktikan hipotesis nol.

Kesalahan Umum

Memakai uji t biasa untuk signifikansi jalur PLS. PLS tidak mengandaikan data normal, jadi galat baku analitis tidak sahih. Signifikansi jalur datang dari galat baku bootstrap, bukan dari rumus uji t OLS.

Subsampel terlalu sedikit. Bootstrapping dengan 300 subsampel boleh untuk pengecekan cepat saat menyusun model, tetapi pelaporan akhir memakai 5000 agar galat baku stabil dan hasil dapat direproduksi peneliti lain.

Salah arah uji. Ambang 1,96 untuk hipotesis dua arah; 1,645 untuk hipotesis berarah (misalnya “kepuasan berpengaruh positif”). Tentukan arah sebelum melihat hasil, bukan sesudah memilih ambang yang kebetulan meloloskan jalur Anda.

Mengabaikan selang kepercayaan. T statistic dan p-value hanya bilang lolos atau tidak. Selang menunjukkan rentang efek dan arahnya, sehingga tafsir lebih kaya. Laporkan ketiganya.

Menyamakan “tidak signifikan” dengan “terbukti nol”. Jalur tidak signifikan berarti data belum cukup membedakannya dari nol — bukan bukti pengaruhnya benar-benar nol (lihat Cek Pemahaman no. 2).

Bootstrapping sebelum model pengukuran beres. Menguji signifikansi jalur padahal konstruknya belum valid dan reliabel itu prematur. Beresi validitas konvergen dan reliabilitas dulu, baru uji hipotesis.

Dipakai di Dunia Nyata

Skripsi PLS-SEM perilaku. Hampir semua model kepuasan, loyalitas, dan niat beli menguji hipotesis jalur lewat bootstrapping sebelum menyimpulkan diterima atau ditolak. Tabel hasil hipotesis di Bab 4 (β, t, p, putusan) langsung lahir dari sini.

Riset pemasaran. Menguji apakah persepsi kualitas benar-benar mendorong niat beli, dengan data konsumen yang sering tidak normal.

Riset SDM dan sosial. Model dengan konstruk laten seperti keterikatan kerja atau modal sosial, tempat asumsi normalitas jarang terpenuhi, sehingga bootstrapping menjadi pilihan tepat.

Praktik konsultasi & evaluasi program. Survei kepuasan layanan publik atau dampak program kerap memakai PLS-SEM; signifikansi jalur (mis. kualitas layanan → kepercayaan) dipertanggungjawabkan lewat bootstrapping.

Excel Companion

/excel/pls-bootstrapping.xlsx berisi: koefisien jalur sampel asli dan galat baku bootstrap, perhitungan $t = \beta/SE$ dengan rumus terlihat, perbandingan terhadap tiga nilai kritis (1,645; 1,96; 2,576) memakai IF, penyusunan selang 95% ($\beta \pm 1{,}96 \times SE$), serta lembar ilustrasi resampling dan catatan langkah SmartPLS.

Lanjutan

Langkah berikutnya memakai bootstrapping yang sama untuk menguji hubungan yang lebih rumit:

• Uji Mediasi PLS (VAF) — signifikansi pengaruh tidak langsung lewat bootstrapping.
• Uji Moderasi & IPMA PLS — signifikansi efek interaksi.

Fondasi:

• Inner Model PLS (R², f²) — asal koefisien jalur $\beta$ yang diuji di sini.
• Membaca Output Regresi (uji t & F) — pembanding: uji t analitis yang justru tidak dipakai PLS.

Reference

• 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.
• Efron, B., & Tibshirani, R. (1993), “An Introduction to the Bootstrap”, Chapman & Hall.
• Streukens, S., & Leroi-Werelds, S. (2016), “Bootstrapping and PLS-SEM: A step-by-step guide to get more out of your bootstrap results”, European Management Journal.