Memahami Perbedaan R-Square, Q-Square, dan F-Square di Model PLS SEM dengan SmartPLS
Contoh tabel/diagram output R, Q dan F Square PLS SEM dengan SmartPLS.
Berikut merupakan ilustrasi contoh gabungan tabel hasil keluaran (*output*) SmartPLS untuk nilai *R-Square*, *f-square*, dan *Q-Square* beserta petunjuk pembacaan angkanya:
Berdasarkan simulasi tabel output metrik di atas, pembacaan dan pelaporan naratif untuk draf riset ilmiah dapat disusun dengan format berikut:
1. Pelaporan Hasil Evaluasi R-Square dan Q-Square
Berdasarkan hasil pengujian pada konstruk endogen Y1 (Kepuasan), diperoleh nilai *R-Square* sebesar 0.612, yang mengindikasikan bahwa 61.2% varians dari Y1 mampu dijelaskan oleh variabel prediktor X1 dan X2 secara bersama-sama, sehingga masuk dalam kategori kuat. Pengujian *Blindfolding* menghasilkan nilai *Q-Square* sebesar 0.385 (> 0.35), yang menunjukkan bahwa model struktural untuk Y1 memiliki relevansi prediktif yang sangat tinggi.
2. Pelaporan Hasil Ukuran Efek F-Square
Evaluasi ukuran efek *f-square* menunjukkan bahwa variabel X1 memberikan kontribusi efek yang besar terhadap Y1 dengan nilai *f-square* sebesar 0.382. Sementara itu, variabel X2 memiliki ukuran efek sedang terhadap Y1 sebesar 0.165. Namun, pada jalur X2 menuju Y2, diperoleh nilai *f-square* sebesar 0.010 (< 0.02), yang menandakan bahwa variabel X2 tidak memberikan kontribusi substantif terhadap pembentukan varians Y2.
Pembahasan Ilmiah: Perbedaan Peran Metrik dan Perbandingan Blindfolding vs PLSpredict
Secara epistemologis, ketiga metrik *R-Square*, *Q-Square*, dan *f-square* melayani tujuan kognitif yang berbeda dalam evaluasi pemodelan PLS-SEM. *R-Square* murni berfokus pada daya jelaskan *in-sample*, yaitu seberapa baik persamaan regresi parsial memotong titik-titik data sampel yang digunakan untuk mengestimasi parameter. Namun, Rigdon (2012) mengingatkan bahwa *R-Square* yang terlalu tinggi tanpa diimbangi evaluasi prediksi dapat menjadi indikasi terjadinya *overfitting* data.
Untuk mengatasi keterbatasan *in-sample fit*, *Q-Square* bertindak sebagai penyaring presisi prediksi *out-of-sample*. Melalui prosedur *Blindfolding*, sebagian data dihilangkan secara sistematis (*omission factor*) dan diestimasi kembali menggunakan parameter model yang tersisa. Jika nilai *Q-Square* bernilai positif, hal itu membuktikan bahwa model PLS memiliki keunggulan prediktif dibanding sekadar menggunakan nilai rata-rata sampel (Geisser, 1974; Hair et al., 2019).
Meskipun *Blindfolding Q-Square* telah menjadi standar pelaporan selama beberapa dekade, perkembangan metodologi terkini yang dipelopori oleh Shmueli et al. (2019) memperkenalkan *PLSpredict*. Kelemahan utama *Blindfolding* adalah pencampuran antara estimasi model pengukuran dan model struktural. Sebaliknya, *PLSpredict* menggunakan pembagian *holdout sample* (*cross-validation*) untuk menguji daya prediksi pada tingkat indikator individual secara murni.
Peran *f-square* menjadi sangat krusial dalam konteks hipotesis kausalitas. Sering kali terjadi bias analisis di mana peneliti mengagungkan nilai koefisien jalur yang signifikan pada sampel besar (N > 500). Padahal, dalam sampel besar, pengaruh yang sangat sepele dapat menjadi signifikan secara statistik. Di sinilah *f-square* berfungsi sebagai filter substantif untuk membuktikan apakah pengaruh tersebut benar-benar bermakna secara praktis dalam dunia nyata (Cohen, 1988; Hair et al., 2021).
Dengan mengintegrasikan ketiga metrik ini secara harmonis, peneliti tidak hanya menyajikan bukti bahwa model terbukti signifikan secara statistik, tetapi juga membuktikan bahwa model memiliki kapasitas eksplanatori yang kuat, kontribusi efek prediktor yang nyata, serta daya jangkau prediksi yang valid di luar data sampel penelitian.
Kesimpulan
Memahami perbedaan *R-Square*, *Q-Square*, dan *f-square* merupakan syarat mutlak dalam evaluasi model struktural PLS-SEM dengan SmartPLS. *R-Square* mengukur proporsi varians variabel endogen di dalam sampel (*explanatory power*), *f-square* mengukur kontribusi efek parsial dari masing-masing prediktor (*effect size*), dan *Q-Square* mengukur kemampuan model dalam merekonstruksi data di luar sampel (*predictive relevance*). Evaluasi yang ideal mewajibkan ketiga metrik ini terpenuhi secara simultan untuk menjamin kekokohan teoritis dan aplikatif dari model penelitian yang dibangun.
Daftar Pustaka
Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.
Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. Springer Nature.
Rigdon, E. E. (2012). Rethinking Partial Least Squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358.
Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111-133.