Cara Analisis Data SmartPLS Untuk Tesis — Panduan Lengkap 2026
Ramai pelajar PhD dan Master yang tersekat di bab 4 — bukan kerana data mereka bermasalah, tapi kerana tidak tahu cara menggunakan SmartPLS dengan betul. Software ini nampak complicated pada pandangan pertama, tapi sebenarnya ia sangat sistematik apabila anda faham logik di sebaliknya.
Artikel ini menerangkan keseluruhan proses analisis SmartPLS dari mula hingga selesai — dari setup model sehinggalah interpretasi hasil bootstrapping. Ia ditulis khusus untuk pelajar PhD dan Master Malaysia yang ingin memahami setiap langkah dengan jelas.
SmartPLS menggunakan pendekatan PLS-SEM (Partial Least Squares Structural Equation Modeling) — sesuai untuk kajian yang melibatkan variabel laten, data tidak normal, atau saiz sampel yang sederhana. Ia berbeza daripada CB-SEM (Amos) yang memerlukan syarat distribusi data yang lebih ketat.
Apa Itu SmartPLS dan Bila Perlu Gunakannya?
SmartPLS adalah perisian analisis statistik yang menggunakan kaedah PLS-SEM untuk menguji hubungan antara variabel laten (konstruk) melalui indikator-indikator yang diukur. Ia sangat popular dalam kajian bidang pengurusan, perniagaan, pendidikan dan sains sosial di Malaysia.
Gunakan SmartPLS apabila kajian anda memenuhi mana-mana syarat berikut:
- Model kajian melibatkan beberapa konstruk dan hipotesis serentak
- Data tidak bertaburan normal (non-normal distribution)
- Saiz sampel sederhana (50–300 responden)
- Tujuan kajian adalah untuk prediksi atau penerokaan teori
- Ada variabel mediasi atau moderasi dalam model
Langkah-Langkah Analisis SmartPLS
Sediakan Data dan Bina Model Struktural
Sediakan data dalam format CSV. Setiap lajur mewakili satu indikator. Dalam SmartPLS, buat project baru → import data → lukis path model dengan drag-and-drop variabel laten dan hubungkan menggunakan anak panah mengikut kerangka konseptual kajian anda.
Jalankan PLS Algorithm
Klik Calculate → PLS Algorithm. Gunakan tetapan default: weighting scheme "Path Weighting", maximum iterations 300, stop criterion 1e-7. Ini menghasilkan output outer model dan inner model awal.
Semak Outer Model (Measurement Model)
Ini langkah untuk mengesahkan validity dan reliability instrumen anda. Semak nilai outer loading, AVE, CR dan Cronbach Alpha untuk setiap konstruk. Indikator dengan outer loading kurang 0.40 boleh dipertimbangkan untuk dibuang.
Semak Inner Model (Structural Model)
Semak nilai R² untuk setiap variabel endogen. R² menunjukkan berapa peratus varians variabel endogen dapat dijelaskan oleh variabel eksogen dalam model. R² > 0.26 dianggap sederhana, > 0.75 dianggap kuat.
Jalankan Bootstrapping
Klik Calculate → Bootstrapping. Tetapan: subsamples 5000, confidence interval method "Percentile Bootstrap", two-tailed test, significance level 0.05. Ini menghasilkan nilai t-statistic dan p-value untuk setiap path coefficient bagi menguji hipotesis.
Interpretasi Hasil dan Keputusan Hipotesis
Semak setiap hipotesis berdasarkan nilai p-value dan t-statistic dari output bootstrapping. Buat kesimpulan sama ada hipotesis diterima atau ditolak, dan interpret path coefficient untuk memahami arah dan kekuatan hubungan.
Nilai Ambang yang Perlu Dipatuhi
| Pengujian | Nilai yang Diterima | Interpretasi |
|---|---|---|
| Outer Loading | > 0.70 (minimum 0.40) | Sumbangan indikator kepada konstruk |
| AVE (Average Variance Extracted) | > 0.50 | Convergent validity |
| CR (Composite Reliability) | > 0.70 | Internal consistency |
| Cronbach Alpha | > 0.70 | Reliability konstruk |
| HTMT Ratio | < 0.90 | Discriminant validity |
| R² (R-squared) | > 0.26 sederhana, > 0.75 kuat | Penerangan varians |
| t-statistic (two-tailed) | > 1.96 | Signifikan pada aras 0.05 |
| p-value | < 0.05 | Hipotesis diterima |
Tips Penting Semasa Analisis
Jangan buang indikator secara membuta tuli. Sebelum membuang indikator dengan outer loading rendah, semak sama ada ia penting secara teoritikal. Keputusan untuk membuang indikator perlu ada justifikasi akademik, bukan sekadar sebab nilai statistik.
- Susun urutan analisis dengan betul: Outer model dulu (validity & reliability) → Inner model → Bootstrapping. Jangan terbalik.
- Guna subsamples 5000 untuk bootstrapping — ramai pelajar guna 500 sahaja, tapi 5000 memberikan hasil yang lebih stabil dan boleh dipercayai.
- Semak discriminant validity menggunakan HTMT — kaedah ini lebih ketat berbanding Fornell-Larcker dan lebih diterima dalam penerbitan semasa.
- Laporan effect size (f²) apabila pemeriksa memintanya. f² > 0.02 (kecil), > 0.15 (sederhana), > 0.35 (besar).
- Simpan semua output sebagai gambar atau PDF sebelum tutup SmartPLS — ia tidak auto-save output.
Perlukan Bantuan Analisis SmartPLS untuk Tesis Anda?
Kami bantu dari RM1,000. Turnaround 3–5 hari bekerja. Quotation percuma tanpa komitmen.
WhatsApp Servis Data →Kesilapan Lazim yang Perlu Dielakkan
- ❌ Terus ke bootstrapping tanpa semak outer model — outer model perlu disahkan dahulu sebelum interpret inner model dan hipotesis.
- ❌ Buang terlalu banyak indikator — setiap konstruk perlu ada sekurang-kurangnya 3 indikator untuk pengukuran yang stabil.
- ❌ Guna one-tailed test untuk kajian dua arah — jika hipotesis anda tidak menyatakan arah hubungan secara spesifik, guna two-tailed test.
- ❌ Tidak lapor HTMT — jurnal semasa meminta discriminant validity dibuktikan menggunakan HTMT, bukan hanya Fornell-Larcker.
- ❌ Terlupa lapor R² dan Q² — kedua-dua nilai ini wajib ada dalam laporan inner model.
Soalan Lazim (FAQ)
Kesimpulan
Analisis SmartPLS bukanlah sesuatu yang perlu ditakuti. Dengan mengikut urutan yang betul — setup model, outer model, inner model, bootstrapping, interpretasi — keseluruhan proses boleh diselesaikan dalam masa beberapa jam apabila data anda tersedia dan bersih.
Yang paling penting adalah memahami logik di sebalik setiap ujian, bukan sekadar memasukkan data dan copy-paste output. Pemeriksa akan tanya kenapa anda buat sesuatu keputusan — dan jawapan anda perlu berdasarkan justifikasi akademik yang kukuh.
Masih Ada Soalan Tentang Analisis SmartPLS Anda?
Hubungi kami untuk konsultasi percuma. Kami bantu semak model anda dan kenal pasti isu sebelum analisis bermula.
WhatsApp Kami Sekarang →