Tutorial IPMA (Importance Performance Map Analysis) dengan SmartPLS 4 dan Solusi Permasalahannya

Saat menjalankan analisis lanjutan pada model jalur PLS-SEM, kendala teknis yang paling sering memicu kebingungan pengguna adalah munculnya notifikasi IPMA results are unavailable atau hasil skor kinerja (performance score) yang bernilai tidak valid pada menu output. Pelaksanaan Tutorial IPMA dengan SmartPLS 4 sering kali terhenti secara mendadak karena perangkat lunak gagal mengkalkulasi matriks efek total tidak terstandardisasi (unstandardized total effects) akibat ketidaksesuaian batas skala indikator yang dimasukkan ke dalam sistem.

Gejala permasalahan ini biasanya ditandai dengan grafik peta matriks yang tampak kosong, nilai rentang kinerja yang tidak berada pada skala nol hingga seratus, atau tombol menu Importance-Performance Map Analysis yang berwarna abu-abu dan tidak dapat diklik. Apabila konfigurasi variabel laten maupun *scale bounds* pada data mentah belum disetting secara presisi saat *data setup*, algoritma SmartPLS 4 secara otomatis membatalkan kalkulasi IPMA demi mencegah bias estimasi yang merusak interpretasi penelitian.

Secara metodologis, *Importance-Performance Map Analysis* (IPMA) merupakan perluasan fungsi analitis dalam pemodelan persamaan struktural berbasis *Partial Least Squares* (PLS-SEM). Teknik ini menggabungkan dua dimensi analitis utama, yaitu dimensi kepentingan (*importance*) yang diwakili oleh efek total tidak terstandardisasi (unstandardized total effects) dan dimensi kinerja (*performance*) yang dihitung dari rata-rata nilai variabel laten yang discaled-ulang ke dalam rentang nol hingga seratus.

Penggabungan kedua dimensi tersebut memungkinkan peneliti untuk tidak hanya mengetahui variabel independen mana yang berpengaruh secara signifikan terhadap variabel dependen, tetapi juga memahami sejauh mana tingkat kinerja aktual dari masing-masing pendorong (*drivers*) tersebut. Dengan demikian, IPMA menyajikan informasi kuantitatif yang sangat berharga untuk penentuan prioritas perbaikan manajerial secara praktis dan terarah.

Menurut Hair et al. (2018), analisis regresi atau PLS-SEM konvensional hanya berfokus pada besarnya koefisien jalur untuk menjelaskan hubungan antar variabel. Namun, besarnya efek total tidak secara otomatis menggambarkan tingkat keberhasilan implementasi di lapangan. Ringle dan Sarstedt (2016) menegaskan bahwa tanpa mengevaluasi nilai kinerja aktual, rekomendasi strategis yang dihasilkan dari model PLS-SEM berisiko menjadi tidak realistis atau salah sasaran.

Sebagai ilustrasi, sebuah konstruksi mungkin memiliki efek total (*importance*) yang sangat tinggi terhadap kepuasan pelanggan. Akan tetapi, jika skor kinerja (*performance*) konstruksi tersebut sudah mencapai nilai sembilan puluh lima dari skala seratus, maka peningkatan investasi lebih lanjut pada area tersebut hanya akan memberikan dampak marginal yang sangat kecil. Pemahaman mendalam mengenai konsep dasar PLS-SEM di statistikian.com sangat disarankan agar Anda memiliki fondasi teori yang kokoh mengenai pembentukan variabel laten dan estimasi model jalur sebelum melangkah ke tahap IPMA.

Langkah transformasi skala dari instrumen kuesioner asli (misalnya skala Likert 1 hingga 5 atau 1 hingga 7) menjadi rentang 0 hingga 100 pada IPMA dilakukan untuk menyelaraskan seluruh variabel agar dapat diperbandingkan secara adil. Proses *rescaling* ini secara matematis menghitung posisi relatif skor rata-rata laten terhadap batas minimum dan maksimum teoritis dari skala pengukuran yang digunakan dalam penelitian.

Untuk mengatasi kendala teknis dan memastikan prosedur IPMA pada SmartPLS 4 berjalan dengan lancar, langkah-langkah perbaikan teknis secara mandiri berikut harus diterapkan berdasarkan prinsip-prinsip metodologis yang tepat.

Pertama, lakukan pemeriksaan pada bagian *Data Setup* di SmartPLS 4. Pastikan setiap variabel indikator yang terikat pada model telah dikonfigurasi batas skala minimum (*scale minimum*) dan batas skala maksimumnya (*scale maximum*). Jika data penelitian menggunakan skala Likert 1 sampai 5, maka isi nilai 1 pada kolom *Min* dan nilai 5 pada kolom *Max*. Alasan ilmiah dari langkah ini adalah karena perhitungan skor kinerja IPMA memerlukan penjelas batas teoritis untuk mengubah nilai skala interval menjadi rentang persentase 0-100 secara akurat.

Kedua, periksa konsistensi arah pengkodingan item indikator (indicator coding direction). Apabila dalam kuesioner terdapat pertanyaan negatif (*reverse-coded items*), indikator tersebut wajib dibalik nilainya terlebih dahulu sebelum algoritma PLS dijalankan. Ketidakselarasan arah indikator akan menyebabkan bobot luar (outer weights) bernilai negatif dan merusak kalkulasi efek total tidak terstandardisasi yang menjadi sumbu *importance*.

Ketiga, pastikan algoritma PLS-SEM utama telah mencapai konvergensi penuh (stop criterion reached) sebelum membuka fitur IPMA. Jika estimasi model dasar belum konvergen akibat multikolinearitas ekstrem atau *missing values* yang berlebihan, SmartPLS 4 secara otomatis akan menonaktifkan modul kalkulasi IPMA. Lakukan penanganan data hilang dengan metode *mean imputation* atau hapus observasi yang memiliki pola *missing data* secara sistematis.

Keempat, tentukan satu variabel target (*target construct*) yang menjadi fokus analisis di dalam menu konfigurasi IPMA. IPMA tidak dapat dijalankan secara bersamaan untuk seluruh variabel laten dalam model, melainkan harus diorientasikan pada satu variabel laten endogen tertentu, seperti Kepuasan Pelanggan atau Loyalitas Merek.

Kelima, periksa skala instrumen pada variabel dependen. Seluruh indikator dari variabel prediktor maupun variabel target harus diukur menggunakan skala metrik atau kuasi-metrik yang seragam. Penggunaan indikator kategorial atau biner pada model akan menggagalkan logika *rescaling* persentase kinerja.

Contoh Tabel/Diagram Output Importance Performance Map Analysis

Grafik di atas menyajikan ilustrasi hasil pemetaan IPMA yang membagi area analisis menjadi empat kuadran berdasarkan nilai rata-rata *importance* dan *performance*. Pembacaan grafik ini dilakukan dengan mengevaluasi posisi koordinat tiap variabel laten prediktor terhadap variabel target.

Kuadran I (Prioritas Utama / *Concentrate Here*) berada pada sisi kanan bawah, menampung variabel yang memiliki nilai *importance* tinggi namun skor *performance* masih rendah. Pada contoh di atas, variabel Kualitas Layanan berada di kuadran ini dengan nilai *importance* 0.39 dan skor *performance* 54.2. Hal ini menunjukkan bahwa Kualitas Layanan merupakan faktor paling krusial dalam mendorong Kepuasan Pelanggan, namun kinerjanya saat ini masih sangat kurang sehingga menjadi area perbaikan utama yang harus segera ditangani oleh manajemen.

Kuadran II (Pertahankan Kinerja Baik / *Keep Up the Good Work*) terletak di sisi kanan atas, diisi oleh variabel dengan *importance* tinggi dan *performance* yang juga tinggi. Variabel Citra Merek terpetakan pada posisi ini dengan *importance* 0.35 dan *performance* 86.5. Artinya, strategi pengelolaan citra merek yang dijalankan saat ini telah terbukti sukses dan harus terus dipertahankan secara konsisten.

Kuadran III (Prioritas Rendah / *Low Priority*) berada di sisi kiri bawah, mencakup variabel dengan nilai *importance* rendah dan *performance* rendah, seperti variabel Kemudahan Akses. Peningkatan pada variabel di kuadran ini tidak akan memberikan dampak signifikan terhadap peningkatan variabel target, sehingga alokasi sumber daya tidak perlu diprioritaskan di sini.

Kuadran IV (Berlebihan / *Possible Overkill*) yang terletak di sisi kiri atas menampung variabel berkinerja tinggi namun memiliki tingkat kepentingan yang rendah, seperti variabel Promosi & Harga (*performance* 82.1, *importance* 0.14). Alokasi anggaran berlebih pada sektor ini sebaiknya dialihkan ke variabel yang berada pada Kuadran I agar efisiensi operasional organisasi dapat tercapai secara maksimal.

Secara akademis, keunggulan analitis IPMA terletak pada kemampuannya mentransformasi temuan statistik terikat menjadi panduan aksi strategis yang terukur. Rigdon et al. (2010) mengemukakan bahwa model struktural tanpa evaluasi deskriptif terhadap tingkat kinerja aktual berisiko menghasilkan rekomendasi teoritis yang tidak aplikatif dalam realitas praktis manajerial.

Dalam praktik penelitian empiris, penyajian hasil IPMA tidak hanya terbatas pada tingkat variabel laten (construct level), melainkan dapat diturunkan hingga tingkat indikator (indicator level). Penilaian pada tingkat indikator memungkinkan peneliti mengidentifikasi item atribut spesifik mana di dalam suatu variabel laten yang paling membutuhkan tindakan perbaikan mendesak.

Kajian Sarstedt et al. (2017) menegaskan pentingnya melakukan validasi kestabilan model struktural terlebih dahulu melalui pengujian *Outer Model* dan *Inner Model* sebelum mengeksekusi analisis IPMA. Nilai keandalan konstruksi seperti *Composite Reliability* dan *Average Variance Extracted* (AVE) harus memenuhi ambang batas yang disyaratkan agar estimasi skor laten tidak mengalami bias.

Selain itu, tingkat ketepatan prediksi model yang diukur melalui R-Square dan Q-Square predict menjadi prasyarat mutlak. Pemetaan IPMA yang didasarkan pada model struktural dengan daya jelaskan rendah akan menghasilkan peta kuadran yang tidak valid dan berisiko menyesatkan pengambil keputusan.

Untuk pemahaman lebih mendalam mengenai kriteria evaluasi model struktural, uji validitas, dan koefisien determinasi, Anda dapat merujuk pada artikel panduan landasan evaluasi PLS-SEM di statistikian.com yang mengulas kaidah kuantitatif secara menyeluruh.

Dengan mengombinasikan ketepatan verifikasi teknis pada kuesioner, penginputan *scale bounds* yang tepat di SmartPLS 4, serta pembacaan peta kuadran IPMA secara cermat, peneliti mampu menghasilkan karya ilmiah yang tidak hanya unggul secara metodologis, tetapi juga memberikan kontribusi manajerial yang nyata dan berdampak tinggi.

Kesimpulan

Penerapan Importance-Performance Map Analysis (IPMA) pada SmartPLS 4 merupakan langkah analitis yang sangat krusial untuk memperluas kegunaan praktis dari pemodelan PLS-SEM. Kendala teknis seperti kegagalan kalkulasi IPMA atau ketidakvalidan skor kinerja umumnya disebabkan oleh belum ditetapkannya batas skala minimum dan maksimum indikator (*scale bounds*) pada konfigurasi data mentah, serta ketidakselarasan arah pengkodingan indikator.

Melalui pengesetan *scale bounds* yang tepat, verifikasi konvergensi algoritma PLS, dan penetapan variabel target secara cermat, peta matriks kuadran IPMA dapat ditampilkan dengan akurat. Peneliti dapat mengidentifikasi variabel atau indikator mana yang masuk ke dalam kuadran prioritas utama (Kuadran I) sehingga alokasi sumber daya dan keputusan manajerial dapat diarahkan secara efektif dan efisien.

Daftar Pustaka

• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Thousand Oaks, CA: Sage Publications.
• Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Thousand Oaks, CA: Sage Publications.
• Rigdon, E. E., Ringle, C. M., & Sarstedt, M. (2010). Structural modeling of heterogeneous data: Review of PLS-SEM capabilities and applications. Advances in International Marketing, 20, 255-278.
• Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis (IPMA). Industrial Management & Data Systems, 116(9), 1865-1886.
• Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Partial least squares structural equation modeling. Handbook of Market Research, 1-40.