Dalam penelitian kuantitatif yang menggunakan Structural Equation Modeling berbasis Partial Least Squares (PLS-SEM), salah satu tahap penting adalah memastikan bahwa hubungan antar variabel yang ditemukan benar-benar signifikan dan stabil. Salah satu cara untuk menilai hal tersebut adalah melalui bootstrapping confidence interval, yang menghasilkan dua angka penting yaitu BCI LL (Bootstrapped Confidence Interval Lower Limit) dan BCI UL (Bootstrapped Confidence Interval Upper Limit).

Secara sederhana, BCI LL dan BCI UL menunjukkan rentang nilai kemungkinan dari pengaruh sebenarnya suatu variabel terhadap variabel lain (Henseler et al., 2009). Dalam analisis statistik, hasil yang diperoleh dari sampel penelitian sebenarnya hanyalah estimasi dari kondisi populasi yang lebih besar. Oleh karena itu, peneliti perlu mengetahui seberapa jauh estimasi tersebut dapat dipercaya. Confidence interval memberikan gambaran mengenai rentang nilai yang paling mungkin menggambarkan pengaruh sebenarnya di populasi.

Dalam konteks PLS-SEM, bootstrapping dilakukan dengan cara mengambil sampel ulang secara acak dari data penelitian dalam jumlah yang sangat besar (biasanya ribuan kali). Setiap sampel ulang akan menghasilkan estimasi koefisien yang sedikit berbeda. Dari kumpulan estimasi tersebut kemudian dihitung batas bawah dan batas atas dari confidence interval, yaitu BCI LL dan BCI UL (Hair et al., 2022).

Misalnya, jika hasil analisis menunjukkan bahwa pengaruh heuristic bias terhadap keputusan investasi memiliki nilai BCI LL sebesar 0.32 dan BCI UL sebesar 0.55, maka dapat diartikan bahwa pengaruh sebenarnya kemungkinan berada dalam rentang tersebut. Karena rentang tersebut tidak melewati angka nol, maka hubungan antar variabel dianggap signifikan secara statistik. Sebaliknya, jika rentang confidence interval melewati angka nol, maka hubungan tersebut tidak dapat dipastikan signifikan.

Pendekatan ini memberikan cara yang lebih kuat untuk menilai signifikansi dibandingkan hanya melihat nilai koefisien saja. Hair et al. menjelaskan bahwa dalam PLS-SEM, signifikansi hubungan antar variabel dapat ditentukan dengan melihat apakah confidence interval dari hasil bootstrapping mencakup nilai nol atau tidak. Jika nol tidak berada dalam interval tersebut, maka hubungan antar variabel dianggap signifikan.

Selain itu, penggunaan confidence interval juga membantu memastikan bahwa hasil penelitian stabil dan tidak hanya terjadi secara kebetulan pada sampel tertentu. Dengan kata lain, metode ini meningkatkan keandalan hasil penelitian, terutama dalam studi yang menggunakan data survei dan model perilaku (Hair et al., 2017).

Dalam praktik penelitian modern, penggunaan bootstrapping dan confidence interval telah menjadi standar dalam analisis PLS-SEM karena memberikan gambaran yang lebih komprehensif mengenai ketepatan estimasi model.

Referensi

  • Hair, J. F., Ringle, C. M., Hult, G. T. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling. In SAGE Publications, Inc. https://doi.org/10.1016/j.lrp.2013.01.002
  • Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2017). Advanced Issues in Partial Least Squares Structural Equation Modeling. Sage Publications.
  • Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277–319. https://doi.org/10.1108/S1474-7979(2009)0000020014

BLH