Evaluasi Outer Model:
Fase “Seleksi Alam” Indikator
Garbage In, Garbage Out. Sebelum menguji hipotesis, kita wajib membuang data “sampah” agar hasil riset bersih dan valid.
Setelah Anda menekan tombol “Calculate > PLS Algorithm” di SmartPLS, layar akan penuh dengan angka. Jangan panik. Di tahap ini, kita BELUM melihat apakah hipotesis diterima atau ditolak.
Kita sedang berada di tahap Evaluasi Outer Model (Model Pengukuran). Tujuannya satu: Memastikan bahwa kuesioner/alat ukur yang Anda sebar benar-benar valid dan reliabel.
Sebelum tampil di panggung utama (Uji Hipotesis), setiap penyanyi harus lolos audisi. Jika suaranya sumbang, dia harus dikeluarkan dari tim agar tidak merusak harmoni keseluruhan.
Pos 1: Kekuatan Individu (Loading Factor)
Ini adalah ujian pertama. Kita mengecek setiap butir pertanyaan: “Apakah pertanyaan ini benar-benar dipahami responden dan mewakili variabelnya?”
Nilai korelasi antara indikator dengan variabelnya. Lihat di tab “Outer Loadings”.
(Pertahankan. Indikator Valid.)
(Pertimbangkan untuk dihapus dari model.)
*Catatan: Untuk riset eksploratif (teori baru), nilai 0.60 atau bahkan 0.50 kadang masih bisa ditoleransi asalkan AVE tetap tinggi.
Pos 2: Kekompakan Tim (Reliabilitas & AVE)
Setelah membuang indikator yang “sumbang” (Loading rendah), sekarang kita cek kualitas tim secara keseluruhan (per variabel).
Cek tab ini di SmartPLS. Ada 3 kolom utama yang harus dilihat:
| 1. Cronbach’s Alpha | Target: > 0.70 | Konsistensi jawaban responden. (Sering bias konservatif). |
| 2. Composite Reliability (rho_a) | Target: > 0.70 | Ukuran reliabilitas yang lebih modern dan akurat untuk PLS. |
| 3. AVE (Average Variance Extracted) | Target: > 0.50 | Rata-rata varian yang bisa dijelaskan. Artinya, variabel Anda mampu menjelaskan minimal 50% dari fenomena indikatornya. |
Pos 3: Keunikan Identitas (Validitas Diskriminan)
Terakhir, kita harus memastikan bahwa Variabel A benar-benar berbeda dari Variabel B. Jangan sampai responden bingung dan menganggap keduanya sama.
Metode lama menggunakan Fornell-Larcker, namun standar jurnal internasional modern (Henseler et al., 2015) mewajibkan penggunaan HTMT (Heterotrait-Monotrait Ratio).
Rasio korelasi antar variabel. Nilai yang tinggi justru buruk (artinya variabel tumpang tindih).
(Aman. Variabel punya identitas unik.)
(Masalah! Variabel tumpang tindih/redundan.)