Panduan Lengkap Uji PLS MGA (Multi-Group Analysis) Menggunakan SmartPLS 4 dan Solusi Permasalahannya

Menjalankan uji PLS MGA menggunakan SmartPLS 4 kerap menghadapkan peneliti pada situasi dilematis saat hasil koefisien jalur (path coefficient) secara kasat mata menunjukkan perbedaan sangat besar antar kelompok, namun nilai signifikansi statistik pada output PLS-MGA p-value atau Parametric Test p-value justru berada di atas angka 0.05. Gejala eror lain yang tak kalah membingungkan adalah kegagalan pengujian Measurement Invariance of Composite Models pada algoritma permutasi, yang memicu munculnya pesan peringatan bahwa analisis pembandingan antar grup tidak dapat dilanjutkan secara metodologis.

Permasalahan ini biasanya bersumber dari ketidakseimbangan jumlah sampel antar kelompok yang terlalu ekstrem, ketidaksesuaian struktur indikator pada salah satu sub-sampel, atau pelanggaran asumsi invariasme pengukuran. Jika dipaksakan tanpa penanganan teknis yang ilmiah, perbandingan antar kelompok akan menghasilkan interpretasi yang keliru dan berisiko tinggi ditolak saat proses penelaahan jurnal ilmiah.

Konsep Teori Analisis Multi-Group (PLS-MGA) dan Pentingnya MICOM

Uji Multi-Group Analysis dalam kerangka kerja Partial Least Squares Structural Equation Modeling bertujuan untuk mengevaluasi apakah hubungan antar variabel laten yang dihipotesiskan berbeda secara signifikan ketika dibedakan berdasarkan kualifikasi kelompok kategorikal tertentu, seperti jenis kelamin, wilayah operasional, atau segmen konsumen (Henseler et al., 2009).

Dasar-dasar konseptual mengenai estimasi variabel laten dan konstruksi model struktural disajikan secara komprehensif pada artikel teori PLS SEM di www.statistikian.com. Pemahaman dasar ini sangat krusial untuk membedakan antara estimasi model pengukuran tunggal dan pembandingan antar sub-sampel.

Sebelum membandingkan koefisien jalur antar kelompok, pengujian kecocokan instrumen melalui prosedur MICOM merupakan syarat mutlak. Henseler, Ringle, dan Sarstedt (2016) menegaskan bahwa membandingkan koefisien regresi struktural tanpa membuktikan invariasme pengukuran ibarat membandingkan apel dan jeruk. Perbedaan koefisien jalur yang terdeteksi bisa jadi bukan berasal dari fenomena empiris yang sebenarnya, melainkan akibat perbedaan makna konsep instrumen antar kelompok.

Prosedur pengujian MICOM dalam SmartPLS 4 terbagi ke dalam tiga tingkatan sistematis:

1. Configural Invariance (Tahap 1)
Memastikan bahwa seluruh kelompok menggunakan model konseptual, indikator pengukuran, serta algoritma pemrosesan yang identik.

2. Compositional Invariance (Tahap 2)
Memastikan bahwa skor komposit variabel laten yang dibentuk pada masing-masing kelompok memiliki korelasi sempurna dengan nilai estimasi keseluruhan (nilai korelasi c bernilai 1).

3. Equal Means and Variances (Tahap 3)
Mengevaluasi apakah rata-rata komposit dan varians antar kelompok bernilai sama. Jika Tahap 1 dan Tahap 2 terpenuhi, instrumen dikatakan memiliki partial measurement invariance dan analisis MGA sudah sah untuk dijalankan (Hair et al., 2018).

Panduan Langkah-Langkah Teknis Pengujian PLS-MGA di SmartPLS 4

Berikut alur kerja praktis dan tepat sasaran untuk mengeksekusi uji PLS-MGA serta menyelesaikan kendala hasilnya pada aplikasi SmartPLS 4:

Langkah 1: Pembentukan Variabel Kelompok (Data Grouping)
Buka dataset di SmartPLS 4, klik menu Generate Groups pada kolom variabel kategorikal (misalnya Gender: 0 = Pria, 1 = Wanita). Pastikan nama grup terdefinisi dengan jelas.

Langkah 2: Menjalankan Algoritma Permutasi MICOM
Buka model struktural, pilih menu Calculate -> Permutation Algorithm. Pilih variabel kelompok yang telah dibuat pada bagian Group variable. Tetapkan nilai permutasi minimal 1.000.

Langkah 3: Evaluasi Hasil Compositional Invariance (MICOM Step 2)
Periksa output MICOM -> Step 2. Perhatikan nilai Original Correlation dan nilai p pada kolom Permutation p-values. Jika nilai p > 0.05, maka compositional invariance terpenuhi.

Langkah 4: Penanganan Jika MICOM Step 2 Gagal
Jika nilai p < 0.05 pada indikator tertentu, lakukan evaluasi outer loadings per grup. Hapus indikator yang memiliki perbedaan bobot sangat jauh antar kelompok guna memulihkan kesetaraan komposit.

Langkah 5: Menjalankan MGA Bootstrapping Analysis
Kembali ke lembar kerja model, pilih menu Calculate -> PLS-MGA. Pilih variabel kelompok dan tentukan Group A serta Group B yang akan dibandingkan.

Langkah 6: Pengaturan Sub-sampel Bootstrapping
Atur jumlah subsampel Bootstrapping minimal 5.000 (disarankan 10.000 untuk sampel kompleks) dengan metode Complete Bootstrapping dan tipe pengujian dua arah (Two-tailed).

Langkah 7: Memilih Metode Evaluasi MGA yang Tepat
SmartPLS 4 menyediakan beberapa pilihan output MGA. Pilih metode pengujian berdasarkan kondisi sampel:

* Henseler's PLS-MGA: Cocok untuk data non-parametrik dengan ukuran sampel seimbang.
* Parametric Test: Tepat jika varians data antar kelompok homogen dan distribusi data mendekati normal.
* Welch-Satterthwaite Test: Sangat direkomendasikan jika ukuran sampel dan varians antar kelompok tidak seimbang.

Langkah 8: Membaca Nilai p-value PLS-MGA
Buka output PLS-MGA -> Path Coefficients Comparison. Perhatikan kolom p-value. Beda koefisien jalur terbukti signifikan jika nilai p < 0.05 (atau p < 0.025 / p > 0.975 pada pendekatan non-parametrik Henseler).

Langkah 9: Mengatasi Masalah Ukuran Sampel Imbalans
Jika rasio jumlah anggota grup melebihi 1:3 (misalnya Grup A = 40, Grup B = 180), ambil acak sub-sampel dari kelompok besar (random subsampling) atau utamakan acuan nilai pada uji Welch-Satterthwaite (Matthews, 2017).

Langkah 10: Menyusun Pelaporan Hasil Akhir
Sajikan hasil evaluasi MICOM beserta tabel perbandingan koefisien jalur dan nilai signifikansinya secara sistematis dalam laporan riset.

Contoh Tabel/Diagram Output Hasil Uji PLS MGA SmartPLS 4

Berikut tampilan realistis lembar output perbandingan koefisien jalur pada SmartPLS 4 beserta petunjuk pembacaannya secara statistik:

Pembahasan Ilmiah: Mengapa P-Value MGA Bisa Tidak Signifikan Meskipun Selisih Koefisien Besar?

Fenomena di mana selisih nilai koefisien jalur tergolong lebar namun menghasilkan p-value yang tidak signifikan merupakan salah satu topik bahasan yang sering memicu perdebatan metodologis. Sarstedt et al. (2011) menjelaskan bahwa signifikansi perbedaan antar kelompok dalam PLS-MGA tidak hanya ditentukan oleh besarnya selisih absolut koefisien jalur, tetapi sangat bergantung pada besarnya varians estimasi atau standar eror dari masing-masing sub-sampel.

Ketika salah satu kelompok memiliki jumlah sampel yang terlalu kecil, standar eror yang dihasilkan dari proses bootstrapping akan membengkak secara signifikan. Standar eror yang tinggi ini melebarkan rentang selang kepercayaan (confidence interval), sehingga kurva distribusi kedua kelompok saling bertumpuk (overlap) secara luas. Dampaknya, algoritma pengujian mengabaikan selisih tersebut dan menyimpulkan bahwa tidak ada perbedaan yang nyata pada tingkat populasi (Hair et al., 2022).

Keunggulan pendekatan non-parametrik Henseler's PLS-MGA terletak pada kemampuannya mengevaluasi distribusi bootstrap secara langsung tanpa mengasumsikan distribusi normal parametrik (Henseler, 2012). Pengujian ini menghitung proporsi nilai subsampel bootstrap kelompok satu yang lebih besar dari kelompok dua. Pendekatan ini terbukti lebih stabil dan memiliki tingkat daya uji (statistical power) yang tinggi untuk pemodelan komposit pada Partial Least Squares.

Oleh sebab itu, peneliti sangat disarankan untuk senantiasa melaporkan ukuran sampel per grup, hasil pengujian ketahanan MICOM, serta pemilihan jenis algoritma MGA secara jelas dalam tulisan ilmiah guna menjaga validitas temuan penelitian.

Kesimpulan

Pengujian PLS MGA menggunakan SmartPLS 4 menuntut ketelitian dalam memastikan invariasme pengukuran melalui uji MICOM sebelum melakukan pembandingan koefisien jalur. Permasalahan p-value yang tidak signifikan atau kegagalan MICOM umumnya disebabkan oleh ukuran sampel tidak seimbang, varians data yang heterogen, atau indikator yang tidak sepadan. Dengan menerapkan fiksasi indikator, memilih uji Welch-Satterthwaite pada sampel imbalans, serta memanfaatkan algoritma bootstrap non-parametrik Henseler, peneliti dapat menyajikan hasil komparasi antar kelompok yang tepat dan sahih secara akademis.

Daftar Pustaka