Pada penelitian analisa jalur (path analysis) yang menghasilkan pertanyaan pengaruh variabel bebas terhadap variabel terikat, ataupun penelitian korelasional, yang menghasilkan pertanyaan hubungan antara variabel bebas dan variabel terikat, Â hipotesis penelitian diturunkan dari kerangka berfikir / konstelasi variabel penelitian yang sudah terkonfirmasi oleh Ahli (Expert) atau berdasarkan Grand Theory yang mendasarinya. Berdasarkan kerangka berpikir / konstelasi penelitian dan model statistik matematis disusun hipotesis penelitian. Pembuktian hipotesis adalah tantangan bagi peneliti untuk membuktikan secara ilmiah.
Menjadi syarat wajib bagi sebuah penelitian, bahwa pada tahap awal penelitian, perlu dilakukan uji normalitas terlebih dahulu sebelum melakukan pengujian lainnya yang berhubungan atau berpengaruh antara dua variabel yang berbeda. Salah satu aplikasi yang bisa direkomendasikan untuk kemudahan uji normalitas adalah aplikasi olah data SmartPLS, dengan beberapa keunggulannya yang dimilikinya. Pada tulisan kali ini, penulis mencoba memaparkan secara sederhana. Tulisan ini hanya dimaksudkan untuk memberikan penguatan memilih tool yang tepat pada saat pengolahan data.
Aplikasi olah data Smart-PLS adalah Software komputer yang digunakan untuk menganalisa data melalui pendekatan Variance Based SEM atau biasa disebut dengan Partial Least Square atau lebih dikenali dengan PLS. Maka dari itu untuk menggunakan perhitungan melalui pendekatan tersebut banyak yang menggunakan aplikasi Smart - PLS.Â
Partial least square (PLS) adalah suatu teknik statistik multivariat yang bisa untuk menangani banyak variabel respon serta variabel eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi komponen utama, karena metode ini bersifat lebih robust atau kebal. Robust artinya parameter model tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi dan Kowalski, 1986). Partial Least Square suatu teknik prediktif yang bisa menangani banyak variabel independen, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).
Proses mengolah data dengan menggunakan aplikasi ini yaitu menggunakan metode bootstrapping atau bisa juga dikenali dengan penggandaan secara acak. Itulah sebabnya, uji normalitas dapat dengan mudah untuk dihitung. Dengan demikian, tidak memerlukan syarat minimum sampel. Bahkan untuk sampel kecil pun bisa menggunakan metode ini. Kerangka dasar pada dalam smart - PLS, yaitu berbentuk regresi linear. Oleh sebab itu, semua hal yang terdapat pada regresi linear ada pula terdapat pada smart - PLS. Hanya saja dibedakan dengan simbol, lambang dan istilah yang berbeda. Dalam teknik smart - PLS, bisa menangani banyak variabel respon dan variabel eksplanatori.
Aplikasi olah data yang menggunakan teknik ini pertama kali dikembangkan pada tahun 1960 oleh Herman O. A. World. Walaupun terdapat multikolinearitas pada variabel tersebut, namun variabel tersebut masih dapat ditangani. Dengan demikian, pada kasus overfitting tersebut, bisa saja terjadi karena banyak faktor manifest.
Kapan Sebaiknya Menggunakan Aplikasi Smart - PLS?Â
Diantara banyaknya aplikasi untuk mengolah data statistik, seperti SPSS, SATA dan lainnya. Peneliti ada kalanya merasa kebingungan untuk menentukan aplikasi yang tepat pada data yang ditelitinya. Kecermatan memilih aplikasi adalah berkait dengan waktu dan akurasi hasil olah data. Yang selanjutnya interpretasi data dapat mendukung pembuktian hipotesis.  Dalam kajian penulis, ada  beberapa kondisi yang mengharuskan untuk menggunakan aplikasi SmartPLS adalah sebagai berikut :
1. Data Tidak Terdistribusi dengan NormalÂ
Apabila data tidak terdistribusi secara normal setelah dilakukan uji normalitas, Menurut hemat penulis sebaiknya peneliti  memilih menggunakan aplikasi Smart - PLS. Beberapa kasus terjadi data tidak berdistribusi normal pada kondisi dimana sampel dalam jumlah yang terlalu kecil.
2. Banyak Jalur yang Harus DianalisaÂ
Pengolah data yang mengharuskan banyak jalur variabel yang dapat dianalisa mengakibatkan banyak analisa, Untuk optimalisasi pengelolaan data sebaiknya peneliti menggunakan aplikasi Smart - PLS. Aplikasi ini lebih detail menganalisa besar hubungan atau pengaruh dari setiap indikator ke variabel, dan dari variabel ke variabel yang lain.
3. Terdapat Variabel Terikat Lebih dari SatuÂ
Apabila dalam suatu penelitian terdapat variabel terikat yang lebih dari satu, maka sebaiknya untuk menggunakan aplikasi Smart - PLS tersebut. Variabel terikat tersebut merupakan variabel independen yang menjadi penentu variabel regresi linear.
4. Peneliti Menginginkan Melakukan Analisa Langsung Berdasarkan IndikatorÂ
Indikator pada setiap variabel penelitian dapat menjadi penentu peneliti menganalisis data dengan mudah. Maka dari itu, apabila peneliti menginginkan melakukan analisa langsung dari indikator yang ada, sebaiknya untuk menggunakan aplikasi Smart - PLS. Pada aplikasi lain seperti SPSS atau SATA belum muncul nilai pengaruh atau hubungan pada setiap indikator variabel penelitian.
5. Terdapat Model yang Memuat Indikator FormatifÂ
Apabila dalam indikator tersebut terdapat model formatif, maka sebaiknya untuk menggunakan aplikasi pengolah data dari Smart - PLS. Dengan demikian, bisa dilihat uji normalitas dengan cepat dan tepat. Mengolah data dengan menggunakan aplikasi olah data Smart - PLS lebih memudahkan untuk uji normalitas. Penelitian yang menggunakan banyak variabel, tentunya tidak akan sulit karena adanya aplikasi tersebut. Sekalipun variabel tersebut terjadi overfitting diantara variabel-variabel responsif.
Tujuan Partial Least Square
Walaupun Partial Least Square (PLS) digunakan untuk menkonfirmasi teori, akan tetapi aplikasi ini dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten. Partial Least Square dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi unidentified model. PLS mempunyai dua model indikator dalam penggambarannya, yaitu:
1. Model Indikator Refleksif
Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Di bawah ini adalah contoh model hubungan reflektif :
Â
Gambar diatas menunjukkan bahwa: Variabel laten Y diukur dengan blok X yang terdiri dari 3 indikator. X1, X2 dan X3 secara reflektif.Sumber: Â kibrispdr.orgÂ
Model reflektif mencerminkan bahwa setiap indikator merupakan pengukuran kesalahan yang dikenakan terhadap variabel laten. Arah sebab akibat ialah dari variabel laten ke indikator dengan demikian indikator-indikator merupakan refleksi variasi dari variabel laten (Henseler, Ringle & Sinkovicks, 2009). Dengan demikian perubahan pada variabel laten diharapkan akan menyebabkan perubahan pada semua indikatornya.
Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator.
Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan.
2. Model Indikator Formatif
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten. Di bawah ini adalah contoh model hubungan formatif:
Gambar diatas menunjukkan bahwa: Variabel laten Y diukur dengan blok X yang terdiri dari 3 indikator. X1, X2 dan X3 secara formatif. Sumber: Â kibrispdr.orgÂ
Model hubungan formatif ialah hubungan sebab akibat berasal dari indikator menuju ke variabel laten. Hal ini dapat terjadi jika suatu variabel laten didefinisikan sebagai kombinasi dari indikator-indikatornya. Dengan demikian perubahan yang terjadi pada indikator-indikator akan tercermin pada perubahan variabel latennya.
Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi. Tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator. Karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk formatif.
Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten.
Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk.
Fungsi Partial Least Square
Dalam kajian penulis fungsi smart - PLS dapat penulis uraikan sebagai berikut: 1) Partial Least Square (PLS) adalah analisis yang fungsi utamanya untuk perancangan model, tetapi juga dapat digunakan untuk konfirmasi teori, 2) PLS tidak butuh banyak syarat atau asumsi, 3) Fungsi Partial Least Square kalau dikelompokkan secara awam ada 2, yaitu inner model dan outer model. Outer model itu lebih kearah uji validitas dan reliabilitas. Sedangkan inner model itu lebih kearah regresi yaitu untuk menilai pengaruh satu variabel terhadap variabel lainnya. 4) Dalam PLS hanya ada 2 kriteria untuk menilai kecocokan model, yaitu kecocokan model bagian luar yang disebut dengan outer model dan kecocokan bagian dalam yang disebut dengan inner model, 5) Penilaian kecocokan model bagian luar atau outer model antara lain: Reliabilitas dan validitas variabel laten reflektif dan validitas variabel laten formatif, dan 6) Penilaian kecocokan model bagian dalam antara lain: Penjelasan varian variabel laten endogenous, ukuran pengaruh yang dikontribusikan dan relevansi dalam prediksi.
Demikian kajian sederhana, yang penulis bisa paparkan. Tulisan ini semata - mata hanya untuk memberikan wacana pilihan aplikasi atau tools pengolah data bagi para peneliti. Semoga tulisan ini bermanfaat.
