Outer model atau disebut juga measurement model adalah tahap evaluasi dalam SEM-PLS yang bertujuan untuk menilai validitas dan reliabilitas hubungan antara indikator dengan variabel latennya. Evaluasi ini mencakup pengujian indikator reflektif dan formatif pada SmartPLS guna memastikan instrumen penelitian layak digunakan.
Apa Pengertian Outer Model dalam Analisis SmartPLS?
Outer model adalah sub-model dalam Partial Least Squares Structural Equation Modeling yang mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Definisi operasional ini sangat krusial untuk memastikan bahwa instrumen kuesioner yang disebarkan kepada responden benar-benar mengukur konsep atau konstruk yang ingin diteliti secara akurat.
Dalam software SmartPLS, pemodelan pengukuran ini dibagi menjadi dua jenis utama, yaitu indikator reflektif dan indikator formatif. Indikator reflektif mengasumsikan bahwa perubahan pada variabel laten akan menyebabkan perubahan pada indikatornya, sedangkan indikator formatif mengasumsikan bahwa indikator-indikator tersebut justru membentuk atau menyebabkan variabel laten itu sendiri.
Bagaimana Tahapan Evaluasi Outer Model Reflektif?
Evaluasi outer model reflektif dilakukan melalui pengujian convergent validity, discriminant validity, dan composite reliability. Langkah-langkah pengujian ini wajib dipahami oleh setiap mahasiswa agar hasil analisis data skripsi menggunakan software SmartPLS terbukti sahih dan konsisten.
Convergent validity atau validitas konvergen diukur melalui nilai outer loading dan Average Variance Extracted (AVE). Nilai outer loading dikatakan ideal jika berada di atas 0,70, meskipun dalam tahap pengembangan skala penelitian, nilai antara 0,50 hingga 0,60 masih dapat ditoleransi. Sementara itu, nilai AVE harus bernilai lebih besar dari 0,50 untuk menunjukkan bahwa variabel laten mampu menjelaskan lebih dari setengah varians dari indikator-indikatornya.
Discriminant validity atau validitas diskriminan dinilai dengan melihat nilai cross loadings serta kriteria Fornell-Larcker. Nilai cross loading suatu indikator pada variabel yang diukur harus lebih tinggi dibandingkan dengan korelasinya dengan variabel laten lainnya. Selain itu, akar kuadrat dari AVE untuk setiap variabel laten harus lebih tinggi daripada korelasi antara variabel tersebut dengan variabel laten lainnya di dalam model penelitian.
Reliabilitas instrumen dalam measurement model dievaluasi menggunakan composite reliability dan Cronbach’s alpha. Nilai minimum yang disyaratkan untuk composite reliability dan Cronbach’s alpha adalah 0,70. Jika nilai tersebut tercapai, maka instrumen penelitian dinyatakan memiliki konsistensi internal yang sangat baik untuk digunakan dalam pengujian hipotesis lanjutan.
Apa Kriteria Pengujian Outer Model Formatif?
Kriteria pengujian outer model formatif melibatkan analisis bobot outer weights, signifikansi statistik, dan tingkat multikolinearitas antar indikator. Berbeda dengan model reflektif, evaluasi model formatif tidak menitikberatkan pada konsistensi internal antar indikator.
Bobot outer weights harus bernilai signifikan secara statistik melalui prosedur bootstrapping dengan nilai t-statistic di atas 1,96 dan p-value di bawah 0,05. Apabila suatu indikator tidak signifikan secara statistik, peneliti perlu melihat nilai outer loading absolutnya. Jika nilai loading absolutnya di atas 0,50, indikator tersebut tetap dapat dipertahankan dalam model.
Pengujian multikolinearitas pada model formatif dilakukan dengan melihat nilai Variance Inflation Factor (VIF). Nilai VIF yang disyaratkan harus berada di bawah 5,0 atau bahkan di bawah 3,3 untuk memastikan tidak ada masalah multikolinearitas yang serius di antara indikator-indikator pembentuk variabel laten tersebut.
Tabel Ringkasan Kriteria Pengujian Outer Model
| Jenis Model | Parameter Uji | Kriteria Nilai Minimal / Batas Aman |
|---|---|---|
| Reflektif | Outer Loading | > 0,70 (0,50 – 0,60 dapat ditoleransi) |
| Reflektif | Average Variance Extracted (AVE) | > 0,50 |
| Reflektif | Composite Reliability | > 0,70 |
| Reflektif | Cronbach’s Alpha | > 0,70 |
| Formatif | Outer Weights (t-statistic) | Signifikan (> 1,96) atau loading > 0,50 |
| Formatif | Variance Inflation Factor (VIF) | < 5,0 (idealnya < 3,3) |
Bagaimana Langkah Melakukan Uji Outer Model di SmartPLS?
Langkah pengujian outer model di SmartPLS dimulai dengan mengimpor data penelitian berformat CSV ke dalam software. Setelah itu, buatlah diagram jalur dengan menyeret indikator ke dalam variabel laten yang sesuai berdasarkan konsep teoritis penelitian skripsi Anda.
Langkah berikutnya adalah menjalankan algoritma perhitungan dengan memilih menu Calculate lalu PLS Algorithm pada aplikasi SmartPLS. Setelah proses perhitungan selesai, Anda dapat langsung memeriksa nilai outer loadings, AVE, composite reliability, dan Cronbach’s alpha pada laporan hasil yang muncul di layar komputer Anda.
Jika terdapat indikator yang tidak memenuhi kriteria validitas atau reliabilitas, lakukan penghapusan indikator secara hati-hati dimulai dari nilai outer loading terendah. Setelah indikator yang tidak valid dihapus, jalankan kembali PLS Algorithm hingga seluruh kriteria evaluasi model pengukuran terpenuhi dengan baik sebelum melanjutkan ke tahap structural model.
Pertanyaan Umum
Apa perbedaan antara outer model dan inner model di SmartPLS?
Outer model adalah evaluasi hubungan antara indikator dengan variabel latennya, sedangkan inner model adalah evaluasi hubungan antar variabel laten atau konstruk dalam suatu diagram jalur SEM.
Berapa nilai minimal outer loading yang diterima dalam SmartPLS?
Nilai minimal outer loading yang ideal adalah di atas 0,70, namun untuk penelitian tahap awal atau eksplorasi, nilai 0,50 sampai 0,60 masih dapat diterima dalam analisis.
Apa yang harus dilakukan jika nilai AVE di bawah 0,50?
Jika nilai AVE di bawah 0,50, peneliti harus menghapus indikator yang memiliki outer loading paling rendah satu per satu hingga nilai AVE variabel tersebut mencapai angka 0,50 atau lebih.
Apabila Anda mengalami kendala teknis dalam memahami teori atau menerapkannya untuk tugas akhir, manfaatkan layanan konsultasi dan jasa olah data SmartPLS di jurnalskripsi.net agar penelitian Anda selesai tepat waktu dengan hasil yang valid.