Cara Membaca Output Inner Model pada PLS SEM Second Order dengan SmartPLS 4 dan Solusi Permasalahannya

Dalam pengujian hubungan struktural, pemahaman mengenai cara membaca output inner model PLS SEM second order pada SmartPLS 4 sering kali menjadi kendala utama bagi peneliti ketika menemukan koefisien jalur yang bernilai sangat kecil, nilai p-value melebihi 0.05, atau nilai t-statistik berada di bawah 1.96. Permasalahan ini kian membingungkan saat nilai evaluasi outer model telah dinyatakan valid dan reliabel, namun hasil pengujian hipotesis pada variabel tingkat kedua justru tidak signifikan atau memiliki arah hubungan yang berlawanan dengan teori.

Gejala kegagalan pada evaluasi inner model variabel orde kedua ini umumnya ditandai oleh nilai R-square variabel endogen yang sangat rendah, ukuran efek f-square yang mendekati nol, serta tingginya nilai Variance Inflation Factor di antara dimensi-dimensi pembentuk variabel higher-order construct. Keterkaitan antar dimensi yang mengalami multikolinearitas berat akan menyedot varians utama sehingga mengganggu kestabilan estimasi hubungan struktural antar variabel laten utama di dalam model.

Pengujian inner model atau model struktural dalam PLS-SEM bertujuan untuk menguji hipotesis hubungan kausal antar variabel laten yang dibangun berdasarkan teori. Menurut Hair et al. (2021), evaluasi model struktural berfokus pada kemampuan prediktif model serta kekuatan hubungan antar konstruksi yang ditunjukkan oleh nilai koefisien jalur.

Pada model yang melibatkan variabel orde kedua, proses evaluasi jalur menjadi lebih sensitif. Sarstedt et al. (2019) mengemukakan bahwa penentuan pendekatan estimasi, seperti *repeated indicators approach* atau *two-stage approach*, secara langsung memengaruhi cara ekstraksi skor variabel laten dan besaran koefisien jalur yang dihasilkan pada tingkat struktural.

Penggunaan pendekatan dua tahap terbukti lebih dianjurkan saat mengevaluasi inner model variabel orde kedua karena mampu memisahkan estimasi pengukuran dimensi dengan estimasi struktural utama. Langkah ini mencegah terjadinya pembiasan nilai *R-square* pada variabel orde kedua yang berperan sebagai variabel endogen di dalam model.

Kriteria utama dalam menilai kelayakan inner model meliputi pemeriksaan koefisien determinasi *R-square*, ukuran efek *f-square*, nilai *Variance Inflation Factor* struktural, serta signifikansi koefisien jalur melalui nilai t-statistik dan p-value (Chin, 1998). Selain itu, pengujian daya prediksi out-of-sample menggunakan metode *PLSpredict* atau *Q-square predict* juga diwajibkan untuk mengonfirmasi keandalan prediktif model.

Bagi peneliti yang ingin mempelajari prinsip teoretis pemodelan hubungan kausal dan pengujian hipotesis regresi secara terperinci, pembahasan mendalam mengenai landasan teori pemodelan persamaan struktural di statistikian.com dapat dijadikan acuan konseptual sebelum melakukan analisis teknis.

Prosedur pemeriksaan dan perbaikan teknis dalam membaca output inner model variabel orde kedua di SmartPLS 4 dapat dilaksanakan melalui langkah-langkah terstruktur berikut.

Pertama, periksa nilai *Variance Inflation Factor* struktural pada tabel output *Inner Model VIF Values*. Pastikan seluruh nilai VIF antar variabel eksogen maupun antar dimensi berada di bawah ambang batas 3.3 untuk memastikan tidak ada masalah multikolinearitas lateral yang mengganggu estimasi koefisien jalur.

Kedua, lakukan pengujian signifikansi koefisien jalur dengan menjalankan prosedur *Bootstrapping* menggunakan konfigurasi 5.000 *subsamples*, metode *bias-corrected and accelerated bootstrap*, serta pilihan pengujian *two-tailed* pada tingkat signifikansi 5 persen.

Ketiga, evaluasi nilai t-statistik dan p-value pada tabel *Path Coefficients*. Hubungan struktural dinyatakan signifikan secara statistik apabila nilai t-statistik lebih besar dari 1.96 dan nilai p-value lebih kecil dari 0.05.

Keempat, jika ditemukan jalur hubungan yang tidak signifikan, jangan terburu-buru menghapus variabel eksogen tersebut. Periksa nilai ukuran efek *f-square* pada tabel output *f-square* untuk menilai kontribusi relatif variabel tersebut terhadap pembentukan nilai *R-square* variabel endogen.

Kelima, klasifikasikan besaran nilai *f-square* berdasarkan kriteria Cohen (1988), di mana nilai 0.02 menandakan efek kecil, 0.15 menandakan efek sedang, dan 0.35 menandakan efek besar. Apabila nilai *f-square* kurang dari 0.02, maka variabel eksogen dianggap tidak memiliki kontribusi praktis terhadap variabel endogen.

Keenam, periksa nilai *R-square* dan *R-square adjusted* pada variabel endogen utama. Nilai *R-square* menggambarkan persentase varians variabel endogen yang dapat dijelaskan oleh kombinasi variabel eksogen *second-order* di dalam model.

Ketujuh, jalankan prosedur *PLSpredict* di SmartPLS 4 untuk mengevaluasi relevansi prediktif *Q-square predict*. Pastikan nilai *Q-square predict* pada indikator kunci bernilai lebih besar dari nol.

Kedelapan, bandingkan nilai *Root Mean Squared Error* dari model PLS-SEM dengan model *Linear Regression benchmark*. Jika mayoritas indikator variabel endogen pada model PLS memiliki nilai *RMSE* yang lebih kecil, maka model memiliki daya prediksi yang tinggi.

Kesembilan, apabila terjadi masalah *sign reversal* di mana tanda koefisien jalur berlawanan dengan teori, lakukan evaluasi korelasi bivariate antar variabel eksogen untuk mendeteksi multikolinearitas tersembunyi.

Kesepuluh, pastikan penyesuaian model struktural tetap berlandaskan pada kerangka teoretis yang kuat dan tidak hanya didasarkan pada upaya manipulasi statistik belaka.

Contoh Tabel/Diagram Output Evaluation of Inner Model Structural Path

Tabel output di atas memperlihatkan hasil analisis hubungan struktural antar variabel laten yang mencakup nilai koefisien sampel asli, t-statistik, p-value, serta besaran ukuran efek *f-square* dan koefisien determinasi *R-square*.

Pada jalur hubungan pertama antara variabel **Kualitas Layanan** sebagai variabel *higher-order construct* terhadap **Kepuasan Pelanggan**, diperoleh nilai koefisien sampel sebesar 0.452 dengan t-statistik sebesar 5.214 dan p-value sebesar 0.000. Karena nilai p-value jauh di bawah 0.05, maka hipotesis yang menyatakan bahwa Kualitas Layanan berpengaruh positif dan signifikan terhadap Kepuasan Pelanggan dinyatakan diterima.

Sebaliknya, pada baris kedua yang ditandai warna merah, hubungan langsung antara **Kualitas Layanan** terhadap **Loyalitas Pelanggan** menghasilkan nilai koefisien sampel sebesar 0.084 dengan t-statistik 1.120 dan p-value 0.263. Angka ini menunjukkan bahwa pengaruh langsung variabel *second-order* tersebut tidak signifikan secara statistik pada tingkat kepercayaan 95 persen.

Meskipun hubungan langsungnya tidak signifikan, nilai *f-square* pada jalur Kualitas Layanan ke Loyalitas Pelanggan tercatat sebesar 0.009 (kurang dari 0.02), yang mengonfirmasi bahwa variabel Kualitas Layanan memang tidak memberikan kontribusi langsung secara praktis dalam menjelaskan varians Loyalitas Pelanggan tanpa melalui variabel pemediasi.

Pada jalur ketiga, variabel **Kepuasan Pelanggan** terhadap **Loyalitas Pelanggan** menunjukkan pengaruh yang sangat kuat dan signifikan dengan koefisien sampel 0.612, t-statistik 7.845, dan nilai *f-square* sebesar 0.482. Hal ini mengindikasikan bahwa Kepuasan Pelanggan bertindak sebagai variabel pemediasi penuh (*full mediation*) yang menjembatani pengaruh Kualitas Layanan terhadap Loyalitas Pelanggan.

Nilai *R-square* untuk Kepuasan Pelanggan sebesar 0.524 menunjukkan bahwa 52.4 persen varians Kepuasan Pelanggan dapat dijelaskan oleh variabel Kualitas Layanan *second-order*. Sementara itu, nilai *R-square* Loyalitas Pelanggan sebesar 0.681 menandakan daya jelaskan kombinasi model struktural tergolong dalam kategori kuat.

Penyajian dan evaluasi *inner model* pada variabel orde kedua secara ilmiah mensyaratkan pemisahan tegas antara dampak langsung dan tidak langsung. Henseler et al. (2015) menegaskan bahwa temuan jalur langsung yang tidak signifikan tidak serta-merta menggugurkan peran variabel *higher-order*, melainkan sering kali mengindikasikan adanya mekanisme penyaluran pengaruh yang bersifat tidak langsung.

Dalam perspektif metodologis, Rigdon (2012) menjelaskan bahwa interpretasi *R-square* pada model PLS-SEM harus disesuaikan dengan konteks disiplin ilmu. Nilai *R-square* sebesar 0.26 dapat dikategorikan substansial dalam penelitian perilaku konsumen, sedangkan dalam penelitian operasi teknis, ambang batas yang dibutuhkan umumnya lebih tinggi.

Kock dan Lynn (2012) menambahkan bahwa ketidakmampuan model dalam menghasilkan jalur yang signifikan sering dipicu oleh *lateral collinearity*, di mana dua variabel eksogen bersaing secara sangat ketat dalam menjelaskan variabel endogen. Oleh karena itu, pemeriksaan matriks VIF struktural di SmartPLS 4 menjadi langkah penapis awal yang tidak boleh dilewati.

Shmueli et al. (2019) menggarisbawahi pentingnya pergeseran fokus dari sekadar *p-value testing* menuju *predictive evaluation*. Model struktural yang baik tidak hanya dituntut memiliki jalur-jalur yang signifikan, tetapi juga harus terbukti mampu melakukan prediksi out-of-sample dengan tingkat kesalahan yang lebih rendah dibandingkan model linier pembanding.

Dengan menerapkan kaidah pembacaan output yang tepat, melakukan pengujian ukuran efek secara komprehensif, serta mengevaluasi jalur mediasi secara cermat, analisis *inner model* PLS-SEM *second-order* pada SmartPLS 4 dapat disajikan secara akademis, kredibel, dan berdaya guna tinggi.

Kesimpulan

Membaca output inner model PLS-SEM second-order pada SmartPLS 4 membutuhkan evaluasi holistik yang tidak hanya tertuju pada nilai p-value semata. Peneliti harus mengintegrasikan pemeriksaan nilai VIF struktural untuk memastikan bebas multikolinearitas, mengevaluasi besaran nilai *f-square* untuk mengukur kontribusi praktis, serta menilai nilai *R-square* dan *Q-square predict* guna mengonfirmasi daya prediksi model.

Temuan koefisien jalur yang tidak signifikan pada variabel orde kedua sering kali merupakan petunjuk adanya alur mediasi penuh atau masalah kolinearitas antar dimensi. Dengan mengikuti panduan perbaikan berbasis prosedur ilmiah yang tepat, validitas konseptual dan daya prediksi dari model struktural yang dibangun dapat dipertanggungjawabkan secara sempurna.

Daftar Pustaka

• Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Thousand Oaks, CA: Sage Publications.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.
• Kock, N., & Lynn, G. S. (2012). Lateral collinearity and misleading results in variance-based SEM: Illustrations and a remedy. Journal of the Association for Information Systems, 13(7), 546-580.
• Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358.
• Sarstedt, M., Hair, J. F., Cheah, J. H., Becker, J. M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197-211.
• Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.