Contoh Kasus Penyelesaian Masalah Validitas Factor Loading dan AVE pada CB SEM AMOS
Contoh Kasus Penyelesaian Masalah Validitas Factor Loading dan AVE pada CB SEM AMOS sering kali diawali dengan temuan nilai Standardized Regression Weights di bawah 0,50 pada luaran AMOS Graphics, yang berdampak langsung pada nilai Average Variance Extracted (AVE) di bawah ambang batas minimal 0,50. Gejala masalah ini menyebabkan kriteria validitas konvergen (convergent validity) gagal terpenuhi, meskipun model pengukuran (outer model) secara teknis berhasil terestimasi tanpa pesan error konvergensi.
Kegagalan validitas konvergen ini berimbas pada hilangnya reliabilitas konstruk (construct reliability/CR) dan meningkatkan varians kesalahan (error variance) indikator. Ketika variabel manifes tidak mampu menjelaskan varians laten secara dominan, estimasi hubungan struktural pada tahap inner model menjadi bias dan berpotensi menghasilkan kesimpulan riset yang menyesatkan.
Konsep validitas konvergen dalam Covariance-Based Structural Equation Modeling (CB-SEM) mengukur sejauh mana indikator-indikator dari suatu konstruk laten saling berkorelasi positif dan berbagi proporsi varians yang tinggi.
Menurut Fornell dan Larcker (1981), validitas konvergen mensyaratkan dua kriteria utama, yaitu nilai Standardized Loading Factor (SLF) tiap indikator idealnya melebihi 0,70 (atau minimal 0,50 untuk riset eksploratif) dan besaran nilai AVE sekurang-kurangnya 0,50. Nilai AVE sebesar 0,50 mengindikasikan bahwa konstruk laten mampu menjelaskan lebih dari 50 persen varians dari indikator-indikator pembentuknya.
Hair et al. (2019) menggarisbawahi bahwa muatan faktor di bawah 0,50 menunjukkan bahwa varians kesalahan indikator (measurement error variance) lebih dominan daripada varians yang dijelaskan oleh konstruk laten. Hal ini secara langsung merusak konsistensi internal instrumen pengukuran.
Pengujian reliabilitas konstruk (Construct Reliability / CR) juga melengkapi evaluasi ini. Byrne (2016) menegaskan bahwa nilai CR minimal 0,70 menunjukkan bahwa sekumpulan indikator manifes secara konsisten merepresentasikan variabel laten yang tidak teramati.
Pembaca yang memerlukan pemahaman mendalam mengenai konsep dasar uji validitas dan reliabilitas instrumen dapat mempelajari landasan teoritis lengkapnya di website utama statistikian.com.
Langkah teknis pertama, buka luaran IBM SPSS AMOS Graphics dan cermati bagian Estimates -> Scalar -> Standardized Regression Weights. Identifikasi seluruh indikator yang memiliki nilai muatan faktor di bawah 0,50.
Langkah teknis kedua, periksa nilai varians kesalahan pada tabel Variances. Pastikan tidak ada indikator yang memiliki nilai varians negatif (Heywood case) yang dapat mengacaukan perhitungan matematis AVE.
Langkah teknis ketiga, lakukan proses eliminasi indikator (item trimming) secara bertahap. Mulailah dengan mengeksekusi indikator yang memiliki nilai Standardized Loading Factor paling rendah terlebih dahulu (Hair et al., 2019).
Langkah teknis keempat, jalankan kembali menu Calculate Estimates setelah menghapus satu indikator terlemah. Jangan menghapus beberapa indikator sekaligus karena penghapusan satu indikator akan mengubah distribusi varians dan nilai muatan indikator tersisa.
Langkah teknis kelima, rekapitulasi nilai Standardized Regression Weights terbaru dari indikator-indikator yang masih bertahan di dalam model pengukuran.
Langkah teknis keenam, hitung ulang nilai Average Variance Extracted (AVE) menggunakan rumus kuadrat dari jumlah muatan faktor terstandarisasi dibagi dengan jumlah indikator ditambah jumlah varians kesalahan indikator (Fornell & Larcker, 1981).
Langkah teknis ketujuh, apabila nilai AVE masih berada di bawah 0,50 meskipun seluruh muatan faktor sudah di atas 0,50, cermati indikator yang memiliki muatan antara 0,50 hingga 0,70. Indikator dalam rentang ini masih tergolong marjinal dan dapat dieliminasi jika menurunkan nilai AVE secara keseluruhan (Kline, 2023).
Langkah teknis kedelapan, hitung nilai Construct Reliability (CR) untuk memastikan konsistensi internal tetap terjaga di atas 0,70 pasca penghapusan indikator marjinal.
Langkah teknis kesembilan, periksa tabel Modification Indices (MI) untuk mendeteksi keberadaan indikator yang memiliki nilai cross-loading tinggi atau korelasi antar kesalahan pengukuran (error covariance) yang besar.
Langkah teknis kesepuluh, jika terdapat dua indikator yang saling merepresentasikan kesalahan redundansi kuesioner yang sama, pertimbangkan untuk mengeliminasi salah satu indikator atau menghubungkan varians kesalahan dengan garis panah ganda berbasis teoritis (Byrne, 2016).
Langkah teknis kesebelas, evaluasi ulang model pengukuran akhir untuk memastikan kriteria validitas konvergen (SLF >= 0,50 / 0,70, AVE >= 0,50) dan reliabilitas (CR >= 0,70) terpenuhi secara bersamaan tanpa mengorbankan identifikasi model.
Contoh Tabel/Diagram Output Contoh Kasus Validitas Factor Loading dan AVE pada CB SEM AMOS
Berdasarkan peragaan luaran simulasi pada tabel dan diagram di atas, interpretasi diawali dari evaluasi kondisi awal sebelum dilakukan eliminasi indikator. Pada kondisi awal dengan lima indikator (X1.1 hingga X1.5), indikator X1.2 memiliki nilai Standardized Loading Factor (SLF) sebesar 0,385 yang berada jauh di bawah nilai batas 0,50. Kondisi ini menyebabkan nilai kalkulasi AVE awal untuk Konstruk X1 hanya mencapai angka 0,421 (di bawah kriteria minimal 0,50), meskipun nilai Construct Reliability (CR) terhitung sebesar 0,768 (memenuhi syarat >= 0,70).
Langkah perbaikan pertama dilakukan dengan mengeliminasi indikator X1.2 dari model pengukuran AMOS. Setelah dilakukan kalkulasi ulang, nilai SLF indikator lainnya mengalami penyesuaian. Namun, nilai AVE masih tercatat sebesar 0,482 yang berarti belum melampaui ambang batas 0,50. Hal ini disebabkan oleh keberadaan indikator X1.4 yang memiliki nilai SLF marjinal sebesar 0,520.
Langkah perbaikan kedua dilakukan dengan mengeliminasi indikator X1.4 yang berpenampilan marjinal tersebut. Setelah diestimasi kembali di AMOS, tiga indikator tersisa (X1.1, X1.3, dan X1.5) menunjukkan peningkatan nilai SLF terstandarisasi secara signifikan, masing-masing menjadi 0,812; 0,745; dan 0,790.
Kondisi akhir pasca-eliminasi menghasilkan peningkatan nilai AVE secara dramatis dari 0,421 menjadi 0,613 (melampaui syarat minimal 0,50). Di saat yang sama, nilai Construct Reliability (CR) meningkat dari 0,768 menjadi 0,826. Dengan demikian, pengujian validitas konvergen untuk Konstruk X1 dinyatakan sukses terpenuhi sepenuhnya.
Solusi atas masalah validitas konvergen pada CB-SEM AMOS tidak semata-mata bergantung pada eliminasi mekanis. Kline (2023) memperingatkan bahwa pembuangan indikator secara berlebihan demi mengejar angka AVE dapat merusak kesahihan isi (content validity) dan cakupan domain konstruk laten.
Setiap konstruk laten idealnya mempertahankan sekurang-kurangnya tiga indikator manifes untuk menjaga kondisi identifikasi model (just-identified atau over-identified) dan menghindari kegagalan konvergensi (Byrne, 2016).
Dalam kondisi di mana eliminasi indikator berpotensi menghilangkan dimensi penting dari variabel, peneliti dapat mempertimbangkan pengumpulan data ulang dengan penyempurnaan item kuesioner atau beralih ke analisis orde kedua (second-order factor model) jika variabel bersifat multidimensi (Hair et al., 2019).
Penggunaan rumus AVE dan CR harus dilakukan secara presisi dengan mengekstrak parameter terstandarisasi (standardized loadings), bukan parameter unstandardized, guna menghindari bias akibat perbedaan skala pengukuran indikator.
Peneliti juga harus membedakan perlakuan terhadap indikator reflektif dan formatif. Pada CB-SEM AMOS, seluruh indikator dispesifikasikan secara reflektif, sehingga penghapusan indikator ber-loading rendah secara teoritis dibenarkan karena indikator-indikator tersebut merupakan cerminan dari konstruk yang sama (Fornell & Larcker, 1981).
Pemahaman mendalam mengenai kompromi antara parsimoni model dan validitas konstruk merupakan kunci keberhasilan penanganan masalah validitas pada analisis CB-SEM AMOS.
Kesimpulan
Penanganan masalah validitas factor loading dan AVE pada CB SEM AMOS dilakukan melalui pendekatan eliminasi indikator bertahap (item trimming) yang diprioritaskan pada indikator ber-loading di bawah 0,50 serta indikator marjinal. Prosedur ini secara langsung menurunkan varians kesalahan pengukuran, meningkatkan ekstraksi varians konstruk (AVE >= 0,50), dan memperkuat reliabilitas konstruk (CR >= 0,70) tanpa merusak keteridentifikasian model.
Daftar Pustaka
- Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
- Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.