Apakah nilai R² yang diterima dalam PLS-SEM?

Chin (1998) mencadangkan R² 0.67 sebagai kuat, 0.33 sebagai sederhana, dan 0.19 sebagai lemah. Hair et al. (2019) pula mencadangkan 0.75 (kuat), 0.50 (sederhana), dan 0.25 (lemah).

SmartPLS

SmartPLS SEM — Bila Nak Guna dan Macam Mana Nak Interpret Hasil?

Q: Bila PLS-SEM lebih sesuai berbanding CB-SEM?

PLS-SEM lebih sesuai apabila kajian bersifat eksploratori, saiz sampel kecil hingga sederhana, data tidak memenuhi syarat normaliti, dan model kajian kompleks dengan banyak konstruk laten. CB-SEM pula lebih sesuai untuk kajian yang bertujuan mengesahkan teori sedia ada dengan data bertaburan normal dan sampel besar (>200).

📅 28 April 2026· ⏱ 10 minit baca· ✍ W.O. | Ayden Smart Academy

Dalam landskap penyelidikan kuantitatif kontemporari, Structural Equation Modeling (SEM) telah menjadi kaedah analisis yang semakin dominan, khususnya dalam kajian-kajian yang melibatkan konstruk laten dan hubungan kompleks antara pemboleh ubah. Partial Least Squares SEM (PLS-SEM) yang dilaksanakan melalui perisian SmartPLS telah mendapat penerimaan meluas dalam kalangan penyelidik Malaysia, terutamanya dalam bidang pengurusan, pendidikan, dan sains sosial.

Namun, keputusan untuk menggunakan PLS-SEM berbanding Covariance-Based SEM (CB-SEM) tidak seharusnya dibuat secara sembarangan. Artikel ini membincangkan kriteria pemilihan yang tepat serta panduan interpretasi hasil yang komprehensif, dengan merujuk kepada sumber-sumber akademik semasa yang diterima pakai dalam komuniti penyelidikan antarabangsa.

Nota Penting: SmartPLS menggunakan pendekatan PLS-SEM yang berasaskan varians (variance-based), berbeza dengan CB-SEM yang berasaskan kovarians (covariance-based). Perbezaan asas ini menentukan kesesuaian aplikasinya dalam konteks kajian tertentu (Hair et al., 2019).

PLS-SEM vs CB-SEM: Kerangka Pemilihan yang Tepat

Pemilihan antara PLS-SEM dan CB-SEM merupakan keputusan metodologi yang kritikal dan perlu dijustifikasikan secara akademik dalam bahagian methodology tesis. Hair et al. (2019) dalam edisi terkini A Primer on Partial Least Squares Structural Equation Modeling menyediakan panduan komprehensif mengenai kriteria pemilihan ini.

Gunakan PLS-SEM apabila:

Objektif kajian bersifat prediktif atau eksploratori — bertujuan memaksimumkan varians yang dijelaskan dalam pemboleh ubah endogen
Model kajian kompleks dengan bilangan konstruk dan indikator yang banyak
Data tidak memenuhi andaian normaliti multivariat
Saiz sampel kecil hingga sederhana — PLS-SEM boleh memberikan keputusan yang konsisten dengan saiz sampel lebih kecil
Kajian menggunakan konstruk formatif atau gabungan reflektif dan formatif
Terdapat hubungan mediasi atau moderasi yang kompleks dalam model

Gunakan CB-SEM (Amos, LISREL) apabila:

Objektif kajian adalah pengesahan teori (confirmatory) yang telah mantap
Data memenuhi andaian normaliti multivariat
Saiz sampel besar (umumnya ≥ 200 atau 5-10 kali jumlah parameter)
Semua konstruk dalam model adalah reflektif
Kajian memerlukan global fit indices seperti CFI, RMSEA, dan SRMR

Kriteria	PLS-SEM (SmartPLS)	CB-SEM (Amos)
Orientasi	Prediksi, eksploratori	Pengesahan teori
Andaian normaliti	Tiada syarat ketat	Normaliti multivariat
Saiz sampel minimum	10x indikator max dalam satu konstruk	Umumnya ≥ 200
Jenis konstruk	Reflektif dan formatif	Reflektif sahaja
Kebolehgunaan untuk model kompleks	Tinggi	Terhad
Global model fit	SRMR, NFI (terhad)	CFI, RMSEA, SRMR, GFI

Penilaian Model Pengukuran (Outer Model)

Sebelum menginterpretasi hubungan struktural, penyelidik wajib memastikan kesahan dan kebolehpercayaan instrumen pengukuran. Hair et al. (2019) menetapkan hierarki pengujian yang mesti dipatuhi.

1. Kebolehpercayaan Indikator (Indicator Reliability)

Outer loading setiap indikator perlu melebihi 0.70 untuk memastikan konstruk menjelaskan lebih 50% varians indikator. Walau bagaimanapun, indikator dengan outer loading antara 0.40 hingga 0.70 boleh dikekalkan sekiranya pembuangannya akan menjejaskan kandungan kebolehpercayaan (content validity) konstruk (Hair et al., 2019).

2. Kebolehpercayaan Konsistensi Dalaman (Internal Consistency Reliability)

Composite Reliability (CR) perlu melebihi 0.70 untuk kajian eksploratori dan 0.80 untuk kajian yang lebih matang. Cronbach's Alpha boleh digunakan sebagai pengukuran alternatif, namun CR lebih disyorkan kerana ia mengambil kira perbezaan outer loading antara indikator (Hair et al., 2019).

3. Kesahan Konvergen (Convergent Validity)

Average Variance Extracted (AVE) perlu melebihi 0.50, menunjukkan bahawa konstruk menjelaskan lebih separuh daripada varians indikator-indikatornya. AVE yang rendah menandakan wujudnya masalah kesahan atau indikator yang lemah.

4. Kesahan Diskriminan (Discriminant Validity)

Henseler, Ringle & Sarstedt (2015) mencadangkan penggunaan Heterotrait-Monotrait (HTMT) ratio sebagai kaedah yang lebih sensitif berbanding kriteria Fornell-Larcker tradisional. Nilai HTMT perlu berada di bawah 0.90 (threshold konservatif: 0.85) untuk memastikan konstruk-konstruk dalam model adalah berbeza secara konseptual dan empirikal.

Amaran Metodologi: Penggunaan kriteria Fornell-Larcker semata-mata dalam kajian semasa boleh dipersoalkan oleh pemeriksa, memandangkan literatur terkini menunjukkan bahawa kriteria tersebut sering gagal mengesan masalah kesahan diskriminan. Kaedah HTMT kini diterima sebagai standard dalam penerbitan jurnal bereputasi tinggi (Henseler et al., 2015).

Penilaian Model Struktural (Inner Model)

Setelah model pengukuran disahkan, penyelidik boleh meneruskan penilaian model struktural yang melibatkan hubungan antara konstruk laten.

Koefisien Penentuan (R²)

R² mengukur kuantiti varians dalam konstruk endogen yang dapat dijelaskan oleh konstruk eksogen. Chin (1998) mencadangkan 0.67 (kuat), 0.33 (sederhana), dan 0.19 (lemah), manakala Hair et al. (2019) mencadangkan 0.75, 0.50, dan 0.25. Penyelidik perlu merujuk kepada nilai R² lazim dalam bidang kajian masing-masing kerana jangkaan berbeza mengikut konteks.

Saiz Kesan (Effect Size, f²)

f² mengukur perubahan R² apabila satu konstruk eksogen dikeluarkan dari model. Cohen (1988) menetapkan f² ≥ 0.02 (kecil), ≥ 0.15 (sederhana), dan ≥ 0.35 (besar). Pelaporan f² kini semakin diperlukan oleh jurnal-jurnal bereputasi sebagai bukti kepentingan praktikal sesebuah hubungan.

Relevansi Prediktif (Q²)

Q² Stone-Geisser diperoleh melalui prosedur blindfolding dan mengukur kemampuan model meramal nilai yang tidak digunakan dalam anggaran. Q² > 0 menunjukkan model mempunyai relevansi prediktif terhadap konstruk endogen berkenaan (Hair et al., 2019).

Bootstrapping dan Pengujian Hipotesis

Bootstrapping adalah prosedur nonparametrik yang digunakan dalam PLS-SEM untuk mendapatkan ralat piawai dan selang keyakinan bagi anggaran yang tidak diketahui taburannya. Hair et al. (2019) mengesyorkan minimum 5,000 bootstrap samples dengan menggunakan kaedah BCa (Bias-Corrected and Accelerated) bootstrap intervals.

Kriteria Keputusan Hipotesis

t-statistic > 1.96 dan p-value < 0.05 (two-tailed, aras signifikan 5%) → Hipotesis diterima
Selang keyakinan 95% tidak merangkumi sifar → Hubungan adalah signifikan
Path coefficient positif → Hubungan positif antara pemboleh ubah
Path coefficient negatif → Hubungan negatif atau songsang

Perlukan Bantuan Analisis SmartPLS SEM?

Kami membantu penyelidik PhD dan Master Malaysia menjalankan analisis PLS-SEM yang komprehensif dan menepati piawaian akademik antarabangsa. Bermula RM1,000. Turnaround 3–5 hari bekerja.

WhatsApp Servis Data →

Soalan Lazim (FAQ)

Bila PLS-SEM lebih sesuai berbanding CB-SEM?+

PLS-SEM lebih sesuai apabila kajian bersifat eksploratori atau prediktif, saiz sampel kecil hingga sederhana, data tidak memenuhi syarat normaliti multivariat, dan model kajian kompleks dengan konstruk formatif. CB-SEM pula lebih sesuai untuk kajian konfirmatori yang bertujuan mengesahkan teori sedia ada dengan data bertaburan normal dan sampel besar (Hair et al., 2019).

Apakah nilai R² yang mencukupi dalam PLS-SEM?+

Hair et al. (2019) mencadangkan 0.75 (kuat), 0.50 (sederhana), dan 0.25 (lemah) sebagai panduan umum. Namun nilai R² yang diterima bergantung kepada konteks kajian dan amalan dalam bidang penyelidikan berkenaan. Penyelidik perlu membandingkan dengan kajian-kajian lepas dalam domain yang sama.

Mengapa HTMT lebih disyorkan berbanding Fornell-Larcker?+

Henseler et al. (2015) membuktikan melalui kajian simulasi Monte Carlo bahawa kriteria Fornell-Larcker sering gagal mengesan masalah kesahan diskriminan, terutama apabila outer loading antara indikator-indikator hampir sama nilainya. HTMT terbukti lebih sensitif dan konsisten dalam mengesan isu-isu ini, menjadikannya pilihan metodologi yang lebih tepat untuk kajian semasa.

Berapa bilangan bootstrap samples yang sesuai digunakan?+

Hair et al. (2019) mengesyorkan minimum 5,000 bootstrap samples untuk mendapatkan anggaran yang stabil. Penggunaan 500 samples sahaja tidak mencukupi dan boleh menghasilkan keputusan yang tidak konsisten antara larian yang berbeza.

Kesimpulan

PLS-SEM melalui SmartPLS menawarkan fleksibiliti metodologi yang signifikan untuk penyelidik dalam bidang sains sosial, pengurusan, dan pendidikan. Namun, aplikasinya yang tepat memerlukan pemahaman mendalam tentang andaian, batasan, dan prosedur pelaporan yang menepati piawaian semasa. Penyelidik disarankan untuk merujuk kepada Hair et al. (2019) sebagai rujukan utama dan Henseler et al. (2015) untuk aspek kesahan diskriminan, bagi memastikan dapatan kajian diterima oleh komuniti akademik dan penilai jurnal antarabangsa.

Rujukan

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295–336.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report results of PLS-SEM. European Business Review, 31(1), 2–24.
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage Publications.
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.
Ringle, C. M., Wende, S., & Becker, J. M. (2022). SmartPLS 4. SmartPLS GmbH. https://www.smartpls.com

Ada Soalan Tentang Metodologi PLS-SEM Anda?

Hubungi kami untuk konsultasi percuma. Kami bantu pastikan analisis anda menepati piawaian akademik semasa.

WhatsApp Kami Sekarang →