Kesalahan umum saat pakai analisis SmartPLS meliputi mengabaikan uji asumsi dasar, salah memilih algoritma estimasi seperti PLS-SEM versus CB-SEM, salah membaca nilai Outer Loading di bawah batas kritis 0,70, dan keliru menentukan parameter bootstrapping untuk pengujian hipotesis jalur struktural penelitian.
Mengapa Outer Loading Rendah Sering Diabaikan Peneliti?
Outer loading rendah sering diabaikan karena mahasiswa kerap langsung melakukan uji hipotesis tanpa memeriksa validitas konvergen indikator pada model pengukuran luar. Padahal, nilai outer loading di bawah 0,70 pada indikator reflektif mengindikasikan bahwa item kuesioner tersebut tidak valid mengukur konstruknya sehingga harus didrop secara hati-hati dari model penelitian.
Dalam praktiknya, indikator dengan nilai outer loading antara 0,40 hingga 0,70 masih dapat dipertahankan jika nilai Average Variance Extracted atau AVE dari variabel laten tersebut sudah memenuhi syarat minimum di atas 0,50. Namun, jika AVE masih di bawah 0,50, indikator dengan outer loading terendah wajib dihapus satu per satu dimulai dari nilai terkecil, lalu jalankan ulang algoritma perhitungan SmartPLS untuk melihat perubahan nilai validitas konvergen secara keseluruhan pada konstruk tersebut.
Bagaimana Cara Menghindari Kesalahan Validitas dan Reliabilitas?
Cara menghindari kesalahan validitas dan reliabilitas adalah dengan memastikan nilai Cronbach Alpha, Composite Reliability, dan Average Variance Extracted memenuhi batas ambang minimum statistik yang ditetapkan. Cronbach Alpha dan Composite Reliability harus berada di atas 0,70 untuk membuktikan reliabilitas konsistensi internal yang handal dari instrumen penelitian.
Selain reliabilitas, validitas diskriminan juga harus diperiksa menggunakan kriteria Fornell-Larcker dan nilai Heterotrait-Monotrait Ratio atau HTMT. Nilai HTMT harus berada di bawah ambang batas 0,85 atau 0,90 agar terbukti bahwa antar variabel laten dalam model penelitian memiliki perbedaan yang jelas dan tidak terjadi multikolinearitas parah antar konstruk laten yang diuji.
Apa Saja Kesalahan dalam Mengatur Parameter Bootstrapping?
Kesalahan dalam mengatur parameter bootstrapping adalah menggunakan jumlah subsamples yang terlalu sedikit atau salah memilih jenis pengujian hipotesis satu arah versus dua arah. Bootstrapping adalah prosedur non-parametrik yang digunakan untuk menguji signifikansi jalur struktural, di mana jumlah subsamples minimal yang dianjurkan dalam perangkat lunak SmartPLS adalah 5000 untuk menghasilkan nilai t-statistik dan p-value yang stabil serta akurat.
Banyak peneliti pemula keliru memilih opsi pengujian dua sisi atau two-tailed test padahal hipotesis alternatif penelitian mereka sudah bersifat searah atau directional hypothesis. Jika hipotesis menyatakan pengaruh positif atau negatif secara spesifik, maka opsi pengujian satu sisi atau one-tailed test dengan nilai t-tabel sebesar 1,65 pada tingkat signifikansi 5 persen harus dipilih agar pengujian koefisien jalur menjadi lebih tepat sasaran.
Bagaimana Cara Membaca Nilai R-Square yang Tepat?
Cara membaca nilai R-Square yang tepat adalah dengan memahami bahwa R-Square mengukur kekuatan prediksi model struktural terhadap variabel endogen, bukan sekadar melihat besar kecilnya persentase varians. Nilai R-Square sebesar 0,75, 0,50, dan 0,25 masing-masing menunjukkan kekuatan prediksi model yang kuat, moderat, dan lemah dalam analisis jalur.
Kesalahan umum yang sering dilakukan mahasiswa adalah menganggap nilai R-Square yang rendah pasti membuat seluruh hipotesis ditolak, padahal dalam bidang ilmu tertentu seperti perilaku konsumen atau ilmu sosial, nilai R-Square yang lebih rendah tetap bisa diterima asalkan koefisien jalur atau path coefficients bernilai signifikan secara statistik melalui uji bootstrapping.
Tabel Perbandingan Kriteria Evaluasi Model SmartPLS
| Jenis Evaluasi | Parameter Statistik | Nilai Kritis / Ambang Batas |
|---|---|---|
| Validitas Konvergen | Outer Loading | > 0,70 (Indikator individu) |
| Validitas Konvergen | Average Variance Extracted (AVE) | > 0,50 (Per konstruk laten) |
| Reliabilitas Konsistensi | Composite Reliability | > 0,70 (Keandalan konstruk) |
| Validitas Diskriminan | HTMT (Heterotrait-Monotrait) | < 0,85 atau < 0,90 |
| Pengujian Hipotesis | t-statistik (Bootstrapping) | > 1,96 (Alpha 5%, two-tailed) |
Kapan Harus Melakukan Evaluasi Model Pengukuran Reflektif dan Formatif?
Evaluasi model pengukuran reflektif dan formatif harus dilakukan terpisah karena indikator reflektif dinilai berdasarkan korelasi antar indikator, sedangkan indikator formatif dinilai berdasarkan bobot atau weights serta potensi kolinearitas antar indikator. Kesalahan fatal dalam pemodelan Partial Least Squares Structural Equation Modeling adalah memperlakukan indikator formatif dengan kriteria validitas konvergen reflektif yang justru merusak hasil analisis data.
Pada model formatif, uji multikolinearitas menggunakan nilai Variance Inflation Factor atau VIF harus diperiksa dengan ambang batas di bawah 3,0 atau 5,0 untuk memastikan bahwa indikator-indikator tersebut tidak saling tumpang tindih secara berlebihan. Mengabaikan uji VIF pada indikator formatif dapat menyebabkan estimasi bobot menjadi tidak stabil dan menghasilkan interpretasi kesimpulan penelitian yang keliru mengenai hubungan antar variabel laten.
Bagaimana Mengatasi Masalah Collinearity atau VIF yang Tinggi?
Mengatasi masalah collinearity atau VIF yang tinggi dapat dilakukan dengan cara menghapus indikator yang memiliki nilai VIF di atas batas kritis atau menggabungkan indikator yang memiliki kemiripan makna konseptual yang sangat tinggi. Nilai VIF yang tinggi menunjukkan adanya multikolinearitas yang dapat mengaburkan kontribusi unik dari masing-masing indikator pembentuk konstruk formatif dalam model struktural.
Selain menghapus indikator bermasalah, peneliti juga harus meninjau kembali definisi operasional variabel dan instrumen kuesioner yang disebarkan kepada responden untuk memastikan tidak ada pertanyaan ganda atau redundant. Pemeriksaan cermat pada tahap spesifikasi model awal akan sangat membantu mencegah terjadinya masalah multikolinearitas yang rumit pada tahap pengolahan data lanjutan menggunakan perangkat lunak statistik.
Pertanyaan Umum
Apa saja kesalahan paling sering saat menggunakan analisis SmartPLS?
Kesalahan paling sering meliputi mengabaikan outer loading di bawah 0,70, salah mengatur parameter bootstrapping kurang dari 5000 subsamples, dan keliru membaca nilai R-Square serta kriteria validitas diskriminan HTMT.
Berapa nilai minimum outer loading dalam SmartPLS?
Nilai minimum outer loading yang dianjurkan adalah 0,70 untuk indikator individual, meskipun nilai antara 0,40 hingga 0,69 masih dapat ditoleransi jika nilai AVE konstruk tersebut sudah di atas 0,50.
Bagaimana cara mengatasi uji hipotesis SmartPLS yang tidak signifikan?
Uji hipotesis yang tidak signifikan dapat diatasi dengan memastikan jumlah subsamples bootstrapping sudah mencukupi, memeriksa kembali ketepatan model struktural, atau menggunakan jasa olah data SmartPLS untuk memastikan seluruh tahapan analisis telah dilakukan sesuai kaidah metodologi ilmiah yang valid.