Tutorial Langkah Bootstrapping PLS SEM dengan SmartPLS untuk Menguji Hipotesis Signifikansi
Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering kali mengalami kendala saat nilai p-value atau t-statistik tidak muncul pada diagram jalur maupun laporan akhir. Memahami tutorial langkah bootstrapping PLS SEM dengan SmartPLS untuk menguji hipotesis signifikansi merupakan solusi teknis utama untuk mengatasi masalah output koefisien jalur yang hanya menampilkan nilai estimasi titik tanpa indikator signifikansi statistik.
Gejala utama dari permasalahan ini adalah hasil kalkulasi SmartPLS yang hanya memperlihatkan nilai Original Sample (koefisien regresi) tanpa disertai nilai probabilitas kesalahan. Hal ini terjadi karena algoritma dasar PLS bersifat non-parametrik dan tidak mengasumsikan distribusi normal multivariat, sehingga pengujian hipotesis tidak dapat dilakukan secara langsung tanpa melalui prosedur resampling empiris.
Latar belakang teoritis dari metode ini berakar pada karakteristik PLS-SEM sebagai metode statistik non-parametrik. Menurut Hair et al. (2021), PLS-SEM tidak mengandalkan asumsi distribusi data tertentu, sehingga uji signifikansi parametrik standar seperti uji t Student biasa tidak dapat diterapkan secara langsung pada model struktural.
Prosedur bootstrapping bekerja dengan cara mengambil sampel ulang secara acak dari data asli dengan pengembalian (with replacement). Proses penarikan sampel ulang ini dilakukan hingga ribuan kali untuk membangun distribusi sampling empiris bagi setiap estimasi parameter dalam model.
Henseler et al. (2009) menyatakan bahwa melalui variasi dari ribuan subsampel tersebut, nilai kesalahan standar (standard error) empiris dari setiap koefisien jalur dapat dihitung secara akurat. Nilai kesalahan standar inilah yang kemudian digunakan sebagai pembagi dalam menghasilkan nilai t-statistik.
Pembaca yang ingin memahami secara mendalam mengenai konsep dasar dan formulasi Partial Least Squares Structural Equation Modeling dapat mempelajari landasan teoritis komprehensif yang telah dibahas pada artikel utama di statistikian.com.
Berdasarkan pemikiran Tenenhaus et al. (2005), keunggulan utama teknik bootstrapping adalah kemampuannya memberikan estimasi selang kepercayaan yang valid meskipun data penelitian mengalami ketidaknormalan distribusi atau berukuran sampel relatif kecil.
Berikut adalah langkah-langkah teknis mandiri untuk menjalankan prosedur bootstrapping di aplikasi SmartPLS guna menguji signifikansi hipotesis penelitian:
1. Buka perangkat lunak SmartPLS dan pastikan model konseptual (model pengukuran dan model struktural) telah terhubung dengan benar serta data telah terimpor tanpa kesalahan.
2. Klik menu Calculate pada bagian atas antarmuka SmartPLS, lalu pilih opsi Bootstrapping dari daftar pilihan algoritma.
3. Pada jendela pengaturan, ubah nilai Subsamples menjadi 5.000. Hair et al. (2021) merekomendasikan jumlah subsampel minimal 5.000 agar estimasi nilai p-value stabil dan konsisten.
4. Pilih metode Complete Bootstrapping untuk memperoleh estimasi yang paling presisi, meskipun membutuhkan waktu komputasi sedikit lebih lama dibandingkan opsi Faster Bootstrapping.
5. Pada bagian Test Type, pilih Two-Tailed jika hipotesis penelitian tidak memiliki arah hubungan yang spesifik, atau pilih One-Tailed jika hipotesis memiliki arah hubungan yang berprediksi (misalnya berpengaruh positif).
6. Tentukan Significance Level sebesar 0,05 (tingkat kepercayaan 95 persen) sesuai standar pengujian dalam ilmu sosial dan bisnis.
7. Pada bagian Confidence Interval Method, pilih opsi Bias-Corrected and Accelerated (BCa) Bootstrap untuk menghasilkan interval kepercayaan yang telah dikoreksi dari bias kemiringan data.
8. Tekan tombol Start Calculation dan tunggu hingga proses komputasi resampling selesai dijalankan.
Contoh Tabel/Diagram output Bootstrapping PLS SEM SmartPLS
Berdasarkan tabel output hasil bootstrapping di atas, kolom Original Sample (O) menunjukkan besarnya nilai koefisien jalur atau arah pengaruh antar variabel. Kolom Sample Mean (M) merupakan rata-rata koefisien yang dihitung dari 5.000 subsampel, sedangkan Standard Deviation (STDEV) menggambarkan besarnya tingkat kesalahan standar dari penarikan sampel ulang tersebut.
Penentu utama pengujian hipotesis terletak pada nilai T Statistics dan P Values. Untuk pengujian dua arah dengan tingkat signifikansi 5 persen, hipotesis dinyatakan berpengaruh signifikan secara statistik apabila nilai t-statistik melebihi nilai kritis 1,96 dan nilai p-value berada di bawah ambang batas 0,05.
Implikasi ilmiah dari penggunaan 5.000 subsampel adalah untuk meminimalkan variasi acak akibat proses pemilihan data ulang. Chin (2010) menegaskan bahwa jumlah subsampel yang terlalu sedikit dapat menyebabkan kestabilan estimasi nilai p-value berkurang, sehingga berisiko menghasilkan keputusan uji hipotesis yang keliru.
Mengenai pemilihan metode interval kepercayaan, penggunaan Bias-Corrected and Accelerated (BCa) Bootstrap sangat dianjurkan dibandingkan metode Percentile Bootstrap standar. Henseler et al. (2015) mengemukakan bahwa BCa mampu mengoreksi ketidaksimetrisan dan bias pada distribusi sampel empiris, sehingga menghasilkan batas interval kepercayaan yang lebih presisi.
Pemahaman yang komprehensif mengenai aturan keputusan statistik ini penting agar peneliti tidak salah dalam mengambil kesimpulan. Bagi pembaca yang ingin memperdalam kaidah teoritis pengujian inferensial dan landasan teori uji hipotesis signifikansi, pembahasan mendalam dapat diakses melalui repositori materi statistikian.com.
Dengan menjalankan seluruh prosedur teknis di atas, masalah p-value atau t-statistik yang tidak muncul pada SmartPLS dapat teratasi secara ilmiah. Peneliti kini dapat menyajikan laporan hasil penelitian yang memenuhi kriteria validitas dan reliabilitas pengujian statistik inferensial standar publikasi ilmiah.
Kesimpulan
Prosedur bootstrapping pada SmartPLS merupakan tahapan metodologis yang wajib dilakukan untuk menguji signifikansi hipotesis dalam analisis PLS-SEM. Ketiadaan asumsi distribusi parametrik pada algoritma PLS menuntut penggunaan teknik resampling non-parametrik minimal 5.000 subsampel. Dengan mengonfigurasi parameter pengujian secara tepat melalui metode BCa dan mengevaluasi ambang batas nilai t-statistik serta p-value, keputusan pengujian hipotesis dapat disimpulkan secara akurat dan dipertanggungjawabkan secara ilmiah.
Daftar Pustaka
Chin, W. W. (2010). How to write up and report PLS analyses. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 655-690). Springer.
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.). SAGE Publications.
Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares exploratory path modeling in international marketing. Advances in International Marketing, 20, 277-319.
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.
Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159-205.