Mengenal LISREL & Fungsinya:
LISREL (Linear Structural Relations) adalah salah satu software statistik paling legendaris dan menjadi standar emas (gold standard) untuk analisis Covariance-Based SEM (CB-SEM). Fungsi utama LISREL adalah untuk menguji dan mengonfirmasi apakah model konseptual yang dibangun peneliti berdasarkan teori-teori mapan sudah sesuai (fit) dengan data riil di lapangan. LISREL sangat unggul dalam menangani model penelitian kompleks dengan ukuran sampel yang besar (umumnya di atas 200 responden).

Komponen Analisis Teoritis:
Saat mahasiswa melihat gambar output LISREL di samping, mereka sedang melihat dua komponen inti SEM:

• Measurement Model (Model Pengukuran / CFA): Menguji validitas dan reliabilitas indikator (manifest) dalam membentuk variabel laten (konstruk) melalui nilai loading factor.

• Structural Model (Model Struktural): Menguji arah dan signifikansi hubungan antarvariabel laten (hipotesis penelitian) serta menilai kelayakan model secara menyeluruh melalui indikator Goodness of Fit (seperti Chi-Square, RMSEA, dan CFI).

Mengenal SmartPLS & Fungsinya:
SmartPLS adalah software mutakhir paling populer yang berbasis Variance-Based SEM atau Partial Least Squares (PLS-SEM). Fungsi utamanya adalah melakukan pemodelan jalur prediktif yang sangat fleksibel. Berbeda dengan LISREL/AMOS, SmartPLS tidak menuntut asumsi sebaran data yang ketat (bebas dari syarat normalitas) dan sangat tangguh dalam mengolah sampel kecil (30–100 responden), model eksploratif, serta data kuesioner berskala ordinal.

Komponen Analisis Teoritis:
Pada visual output SmartPLS di samping, komponen analisis dibagi menjadi dua tahap evaluasi ketat:

• Outer Model Evaluation: Menilai kualitas instrumen riset melalui Convergent Validity (nilai AVE > 0,50 dan Outer Loadings > 0,70), Discriminant Validity (Fornell-Larcker atau HTMT), serta Composite Reliability (> 0,70).

• Inner Model Evaluation: Menilai kekuatan prediksi model melalui nilai R-Square (kontribusi varians), f-Square (efek ukuran), dan signifikansi hipotesis melalui metode Bootstrapping untuk memunculkan nilai T-Statistics (> 1,96) dan P-Values (< 0,05).