🔍 SEO Excerpt:
Panduan LEAN mengevaluasi Outer Model di SmartPLS: dari persiapan data, aturan sampel berbasis G*Power, hingga validasi Cronbach’s Alpha, AVE, dan standar emas HTMT.
🏷️ Tags:
SmartPLS Outer Model Validitas Konvergen HTMT G*Power AurinoWorks
Panduan LEAN mengevaluasi Outer Model di SmartPLS: dari persiapan data, aturan sampel berbasis G*Power, hingga validasi Cronbach’s Alpha, AVE, dan standar emas HTMT.
🏷️ Tags:
SmartPLS Outer Model Validitas Konvergen HTMT G*Power AurinoWorks
Bagian 1: Persiapan Data & Evaluasi Outer Model di SmartPLS
Membangun fondasi yang kokoh sebelum menguji hipotesis. Karena alat ukur yang rusak akan menghasilkan data yang tidak bermakna.
💡 Prinsip LEAN dalam PLS-SEM:
Jangan pernah melihat hasil Inner Model (Path Coefficient / Hipotesis) sebelum Outer Model (Validitas & Reliabilitas) dinyatakan lolos. Jika indikator tidak valid, menguji hubungan antar konstruk adalah tindakan yang sia-sia.
Jangan pernah melihat hasil Inner Model (Path Coefficient / Hipotesis) sebelum Outer Model (Validitas & Reliabilitas) dinyatakan lolos. Jika indikator tidak valid, menguji hubungan antar konstruk adalah tindakan yang sia-sia.
📍 Studi Kasus Kontekstual: “KopiNusantara Digital”
Sebuah UMKM kopi lokal yang baru meluncurkan aplikasi pemesanan sendiri. Penelitian ini menguji pengaruh Kualitas Layanan Digital (Exogenous) terhadap Loyalitas Pelanggan (Endogenous), dengan Kepercayaan dan Kepuasan sebagai variabel intervening.
Sebuah UMKM kopi lokal yang baru meluncurkan aplikasi pemesanan sendiri. Penelitian ini menguji pengaruh Kualitas Layanan Digital (Exogenous) terhadap Loyalitas Pelanggan (Endogenous), dengan Kepercayaan dan Kepuasan sebagai variabel intervening.
Langkah 1: Desain Model & Pemetaan Indikator
Sebelum membuka SmartPLS, pastikan Anda sudah memetakan konstruk dan indikatornya di atas kertas. Untuk studi kasus ini, kita gunakan Model Reflektif (paling umum dalam riset bisnis).
<
Peta Jalan Model: Konstruk (Lingkaran) ➔ Indikator (Kotak)
Langkah 2: Persiapan Data & Aturan Sampel
Data harus bersih sebelum diimpor. SmartPLS sangat sensitif terhadap format data yang berantakan.
1
Struktur File Excel/CSV
Baris = Responden. Kolom = Item Kuesioner individual (bukan skor rata-rata variabel).
Gunakan skala Likert 1-5. Kode missing data dengan angka di luar skala (misal:
Baris = Responden. Kolom = Item Kuesioner individual (bukan skor rata-rata variabel).
Gunakan skala Likert 1-5. Kode missing data dengan angka di luar skala (misal:
99), lalu tangani (imputasi atau hapus) sebelum impor ke SmartPLS.
2
Kecukupan Sampel (Rule of Thumb yang Berdasar)
🚫 Hindari Rumus Slovin: Rumus ini tidak memiliki dasar teoretis yang jelas dalam literatur metodologi standar global dan sering disalahgunakan.
Gunakan pendekatan yang lebih ilmiah:
- 10× Rule (Inner Model): Jumlah sampel minimal = 10 × jumlah maksimum jalur struktural yang mengarah ke satu konstruk endogen. (Contoh: Jika ‘Loyalitas’ menerima 2 panah dari ‘Kepercayaan’ dan ‘Kepuasan’, minimal sampel = 2 × 10 = 20. Namun, ini batas absolut minimum).
- Rekomendasi Modern (G*Power): Gunakan software G*Power untuk menghitung minimum sample size berdasarkan efek yang diharapkan (misal: f² = 0.15, power = 0.95, α = 0.05). Hasil dari G*Power jauh lebih akurat dan dapat dipertanggungjawabkan secara akademis daripada aturan 10× yang kaku.
Langkah 3: Evaluasi Outer Model (Validitas & Reliabilitas)
Ini adalah “gerbang pertama”. Jalankan PLS-SEM Algorithm di SmartPLS, lalu evaluasi tiga pilar berikut secara berurutan:
1
Reliabilitas Konsistensi Internal
- Cronbach’s Alpha: ≥ 0.70 (batas konservatif).
- Composite Reliability (rho_a & rho_c): 0.70 – 0.90.
Catatan: Nilai > 0.95 mengindikasikan redundansi item (pertanyaan terlalu mirip/bertele-tele) dan justru harus dikurangi.
2
Validitas Konvergen
- Outer Loadings: ≥ 0.708 (artinya konstruk menjelaskan >50% varians indikator).
Pengecualian LEAN: Loading 0.40 – 0.70 boleh dipertahankan hanya jika menghapusnya tidak meningkatkan AVE atau Composite Reliability di atas ambang batas. Jika di bawah 0.40, hapus segera. - Average Variance Extracted (AVE): ≥ 0.50.
3
Validitas Diskriminan (Standar Emas Baru)
- Heterotrait-Monotrait Ratio (HTMT): < 0.85 (untuk konstruk yang berbeda secara konseptual) atau < 0.90 (untuk konstruk yang lebih mirip).
Penting: HTMT kini menjadi standar emas yang direkomendasikan oleh Hair et al., sepenuhnya menggantikan kriteria Fornell-Larcker yang sudah usang dan kurang sensitif.
💡 Aksi Perbaikan Data (Troubleshooting):
Jika HTMT > 0.90 atau AVE < 0.50, jangan langsung panik atau memanipulasi data. Tinjau item kuesioner secara kualitatif. Apakah ada pertanyaan yang ambigu atau “double-barreled” (bertanya dua hal sekaligus)? Hapus item bermasalah tersebut dari model, lalu jalankan ulang algoritma PLS.
Jika HTMT > 0.90 atau AVE < 0.50, jangan langsung panik atau memanipulasi data. Tinjau item kuesioner secara kualitatif. Apakah ada pertanyaan yang ambigu atau “double-barreled” (bertanya dua hal sekaligus)? Hapus item bermasalah tersebut dari model, lalu jalankan ulang algoritma PLS.
Catatan Efisiensi Resource:
Bagian 1 ini mencakup fondasi krusial: memastikan alat ukur Anda valid dan reliabel. Mengingat prinsip LEAN, saya menghentikan generasi di sini agar Anda dapat mencerna dan menerapkan evaluasi Outer Model terlebih dahulu.
Jika Outer Model Anda sudah “hijau” semua, tantangan berikutnya adalah membuktikan hipotesis.
Balas “Lanjut Bagian 2” jika Anda siap membahas Inner Model Evaluation (R², f², Q², dan Bootstrapping untuk signifikansi jalur) dengan studi kasus yang sama.
Bagian 1 ini mencakup fondasi krusial: memastikan alat ukur Anda valid dan reliabel. Mengingat prinsip LEAN, saya menghentikan generasi di sini agar Anda dapat mencerna dan menerapkan evaluasi Outer Model terlebih dahulu.
Jika Outer Model Anda sudah “hijau” semua, tantangan berikutnya adalah membuktikan hipotesis.
Balas “Lanjut Bagian 2” jika Anda siap membahas Inner Model Evaluation (R², f², Q², dan Bootstrapping untuk signifikansi jalur) dengan studi kasus yang sama.
🔗 Belum paham dasar filosofisnya? Baca kembali Bagian 0: Fondasi PLS-SEM & Anatomi Model.