Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP

Saat mengeksekusi model persamaan struktural berbasis varians, momen paling memusingkan bagi peneliti adalah ketika dihadapkan pada indikator merah pada hasil output outer model. Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP menjadi kata kunci krusial ketika Anda mendapati nilai Outer Loadings berada di bawah ambang batas 0.708, atau nilai Average Variance Extracted (AVE) terjerembab di bawah 0.50. Gejala masalah ini biasanya langsung terlihat pada tabel evaluasi model pengukuran di panel hasil JASP, di mana peringatan validitas konvergen yang gagal menghentikan langkah Anda untuk menginterpretasikan hubungan antar variabel (inner model).

Mengabaikan masalah ini dan langsung melompat ke pengujian hipotesis adalah kesalahan fatal dalam metodologi penelitian. Jika instrumen kuisioner Anda tidak valid dan tidak reliabel, maka berapapun nilai path coefficient atau p-value pada model struktural menjadi tidak bermakna (garbage in, garbage out). Banyak pengguna pemula aplikasi JASP yang panik lalu menghapus indikator secara brutal, yang justru merusak content validity dari variabel laten itu sendiri. Penanganan harus dilakukan secara taktis, bertahap, dan berlandaskan pada justifikasi statistik yang kuat.

Fondasi Teori Model Pengukuran (Outer Model) PLS-SEM

Dalam arsitektur Partial Least Squares Structural Equation Modeling (PLS-SEM), evaluasi model dibagi menjadi dua tahap utama: outer model (model pengukuran) dan inner model (model struktural). Evaluasi outer model mutlak dilakukan pertama kali untuk memastikan bahwa indikator-indikator (item pernyataan/pertanyaan) benar-benar mengukur variabel laten yang dituju. Validitas dalam konteks ini terbagi dua, yakni validitas konvergen (seberapa besar korelasi indikator dengan konstruknya sendiri) dan validitas diskriminan (seberapa berbedanya sebuah konstruk dibandingkan konstruk lainnya).

Menurut Hair et al. (2019), validitas konvergen untuk model refleksif dinilai berdasarkan nilai Outer Loadings dan Average Variance Extracted (AVE). Standar emas mensyaratkan loading factor harus lebih besar dari 0.708. Angka ini tidak muncul begitu saja, melainkan didasari oleh prinsip bahwa konstruk laten harus mampu menjelaskan lebih dari 50% varians dari indikatornya (0.708 dikuadratkan mendekati 0.50).

Sementara itu, keandalan atau reliabilitas diukur untuk memastikan konsistensi internal kuesioner. Dalam PLS-SEM, parameter yang digunakan bukan hanya Cronbach's Alpha, melainkan juga Composite Reliability (rho_C) dan koefisien reliabilitas eksak (rho_A). Ketiga metrik ini idealnya harus bernilai di atas 0.70 untuk penelitian tahap confirmatory.

Bagi peneliti yang membutuhkan pendalaman teoritis tingkat lanjut mengenai derivasi rumus matematika di balik perhitungan varians ini, serta sejarah evolusi algoritma dari CB-SEM ke PLS-SEM, kami sangat menyarankan Anda membaca rujukan teoretis komprehensif kami di statistikian.com. Memahami filosofi teori di balik analisis SEM akan sangat membantu menajamkan intuisi analitik Anda, sementara artikel di statistikian.net ini akan berfokus pada penyelesaian troubleshooting praktis.

Langkah-Langkah Mengatasi Masalah Validitas di JASP

Langkah 1: Identifikasi dan Eliminasi Indikator < 0.40. Buka menu hasil PLS di JASP. Arahkan pandangan Anda pada tabel Outer Loadings. Jika terdapat indikator yang nilainya sangat rendah (di bawah 0.40), indikator tersebut harus dihapus dari model tanpa kompromi. Indikator dengan korelasi sekecil ini lebih banyak mengandung error daripada informasi sejati terkait konstruknya (Hair et al., 2019).

Langkah 2: Evaluasi Kritis Indikator 0.40 hingga 0.708. Jika Anda menemukan loading di kisaran nilai tengah ini, jangan buru-buru menghapusnya. Aturan praktis PLS-SEM menyatakan: Anda hanya boleh menghapus indikator di zona abu-abu ini JIKA DAN HANYA JIKA penghapusan tersebut dapat mendongkrak nilai AVE menjadi di atas 0.50 dan Composite Reliability menjadi di atas 0.70.

Langkah 3: Eksekusi Penghapusan di Antarmuka JASP. Untuk memperbaiki model di JASP, kembalilah ke panel pengaturan variabel di sebelah kiri. Pada kotak "Model", hapus sintaks variabel manifest yang bermasalah. Misalnya, jika variabel `Kepuasan =~ Y1 + Y2 + Y3` bermasalah pada `Y1`, ubah persamaannya menjadi `Kepuasan =~ Y2 + Y3`. JASP akan secara real-time menghitung ulang (re-estimasi) algoritma PLS.

Langkah 4: Re-evaluasi Nilai AVE. Setelah indikator yang memberatkan dibuang, periksa kembali tabel Construct Reliability and Validity. Pastikan nilai AVE kini telah menghijau atau melampaui angka 0.50. Nilai ini memvalidasi bahwa konstruk laten utama kini secara rata-rata membagikan varians yang memadai dengan item pengukurnya yang tersisa.

Langkah 5: Verifikasi Reliabilitas (rho_A, rho_C, Cronbach's Alpha). Bersamaan dengan perbaikan AVE, nilai reliabilitas secara otomatis akan terkalibrasi. Pastikan metrik Composite Reliability (rho_C) telah melampaui 0.70. Dalam banyak kasus di PLS, nilai Cronbach's Alpha cenderung underestimate (terlalu konservatif), sehingga Composite Reliability lebih direkomendasikan sebagai pedoman utama kelayakan (Henseler et al., 2015).

Langkah 6: Penanganan Validitas Diskriminan dengan HTMT. Jika validitas konvergen sudah tuntas, tantangan berikutnya adalah tabel HTMT (Heterotrait-Monotrait Ratio). Jika rasio HTMT antara dua variabel > 0.90, artinya kedua variabel tersebut secara statistik tidak bisa dibedakan. Solusinya: gabungkan kedua konstruk tersebut menjadi satu, atau hapus indikator dari salah satu konstruk yang memiliki cross-loading tinggi dengan konstruk lainnya.

Pembahasan Ilmiah: Mengapa Model PLS-SEM Sangat Sensitif Terhadap Indikator?

Ketidakstabilan nilai reliabilitas dan validitas dalam PLS-SEM sering kali mengejutkan peneliti. Hal ini berakar pada hakikat matematika PLS itu sendiri yang beroperasi sebagai metode berbasis varians (variance-based), yang berusaha memaksimalkan varians konstruk eksogen terhadap konstruk endogen. Ketika sebuah indikator memiliki beban faktor (loading) yang lemah, indikator tersebut tidak sekadar menjadi "penumpang gelap", namun secara komputasional menarik nilai rata-rata varians terekstraksi (AVE) ke bawah secara eksponensial.

Satu hal penting yang sering menjadi miskonsepsi adalah perlakuan terhadap model pengukuran Reflektif vs Formatif. Semua aturan ketat pemotongan nilai loading 0.708 dan AVE 0.50 ini HANYA BERLAKU untuk model refleksif, yakni model di mana konstruk laten diasumsikan sebagai "penyebab" dari indikator-indikatornya. Jika model Anda berspesifikasi formatif, di mana indikator yang membentuk variabel laten (misalnya indeks sosial ekonomi yang dibentuk dari pendapatan, pendidikan, dan pekerjaan), maka uji validitas konvergen menggunakan AVE menjadi sama sekali tidak relevan dan haram dilakukan (Diamantopoulos et al., 2008).

Masalah spesifikasi yang salah kaprah sering kali menjadi biang kerok mengapa error validitas terus menerus muncul di JASP. JASP dan software PLS modern lainnya menerapkan algoritma Consistent PLS (PLSc) untuk model refleksif secara default. PLSc diperkenalkan oleh Dijkstra & Henseler (2015) untuk memperbaiki kelemahan PLS tradisional yang cenderung melebih-lebihkan beban faktor dan meremehkan parameter struktural (atenuasi korelasi).

Konsekuensi dari penerapan PLSc di JASP adalah perhitungan *outer loadings* menjadi jauh lebih murni dan ketat. Indikator yang memiliki multicollinearity tinggi dengan item di variabel laten lain (cross-loading) akan dihukum dengan pemotongan varians. Hal inilah yang menjelaskan mengapa sebuah kuisioner yang tampak valid saat diuji menggunakan metode *Bivariate Pearson* klasik di SPSS, tiba-tiba menjadi "merah" rontok ketika dimasukkan ke dalam kerangka Outer Model PLS-SEM.

Pembahasan beralih ke Validitas Diskriminan. Dalam dua dekade terakhir, kriteria Fornell-Larcker menjadi primadona. Namun, Henseler et al. (2015) membuktikan melalui simulasi Monte Carlo bahwa Fornell-Larcker memiliki tingkat sensitivitas yang sangat buruk dalam mendeteksi ketiadaan validitas diskriminan. Inilah alasan mendasar mengapa aplikasi statistik termutakhir seperti JASP lebih menonjolkan penggunaan matrik HTMT (Heterotrait-Monotrait Ratio of Correlations).

Jika HTMT melampaui batas ambang kritis (0.85 untuk konstruk beda konseptual, atau 0.90 untuk konstruk mirip secara konseptual), itu mengindikasikan bahwa responden Anda tidak dapat membedakan dengan jelas pertanyaan antara variabel A dan variabel B. Penghapusan indikator dalam konteks HTMT tidak dilakukan berdasarkan nilai loading yang kecil, melainkan membuang indikator yang maknanya terlalu tumpang tindih secara semantik.

Lebih lanjut, pertimbangan ukuran sampel (sample size) tak luput dari masalah validitas. Meskipun PLS-SEM dikenal tangguh untuk sampel kecil, ukuran sampel yang sangat minim (misalnya di bawah 50 responden) menyebabkan nilai estimasi loading menjadi tidak stabil saat proses bootstrapping berjalan. Estimasi parameter akan meloncat-loncat, menghasilkan Standard Error yang lebar, dan ujung-ujungnya meruntuhkan t-statistik pada pengujian model pengukuran secara keseluruhan.

Oleh karena itu, tindakan preventif terbaik sebelum bertarung di kanvas JASP adalah dengan memastikan desain instrumen kuesioner Anda matang melalui pilot study (uji coba). Jika modifikasi dan pemotongan indikator terpaksa dilakukan, catatlah setiap item yang gugur secara transparan di dalam manuskrip riset Anda. Ingat, metodologi kuantitatif tidak menuntut sebuah model menjadi sempurna di awal, tetapi menuntut justifikasi dan transparansi atas setiap modifikasi yang Anda eksekusi.

Kesimpulan

Masalah gagalnya pengujian outer model bukanlah akhir dari riset Anda. Mengetahui Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP berpusat pada strategi penghapusan indikator yang terstruktur. Evaluasi indikator mulai dari yang terendah (< 0.40), hapus secara selektif, dan pantau kenaikan nilai AVE secara bertahap hingga menyentuh ambang 0.50 dan Composite Reliability di atas 0.70. Selalu gunakan kerangka teoritis—bedakan antara model reflektif dan formatif—sebelum memvonis indikator, dan andalkan metrik terkini seperti HTMT untuk menjamin bahwa antar-variabel Anda sungguh-sungguh berbeda secara konstruksi konsep.

Daftar Pustaka

• Diamantopoulos, A., Riefler, P., & Roth, K. P. (2008). Advancing formative indicator models: Where do we go from here? Journal of Business Research, 61(12), 1203-1218.
• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297-316.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.
• 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.