Interpretasi Output PLS SEM dalam SmartPLS: Cara Cepat Membaca Inner dan Outer Model

Dalam analisis persamaan struktural berbasis varians, peneliti sering mengalami kebingungan saat melakukan **Interpretasi Output PLS SEM dalam SmartPLS: Cara Cepat Membaca Inner dan Outer Model**. Kebingungan ini biasanya muncul ketika nilai *outer loading* indikator berada di bawah 0.70, nilai *Average Variance Extracted* (AVE) kurang dari 0.50, nilai *Heterotrait-Monotrait Ratio* (HTMT) melebihi 0.90, atau ketika koefisien jalur (*path coefficient*) pada *inner model* menghasilkan p-value lebih besar dari 0.05. Kegagalan memahami urutan pembacaan output ini sering kali menyebabkan kesalahan fatal, seperti langsung menginterpretasikan hubungan antarvariabel padahal instrumen penelitian belum terbukti valid dan reliabel.

Secara umum, perangkat lunak SmartPLS menyajikan hasil komputasi dalam bentuk tabel angka yang sangat kompleks. Apabila seorang peneliti mengabaikan kriteria evaluasi model pengukuran (*outer model*) dan terburu-buru melompat ke analisis model struktural (*inner model*), maka seluruh inferensi statistik mengenai pengujian hipotesis, nilai *R-square*, serta dampak ukuran efek (*f-square*) menjadi tidak valid. Oleh karena itu, penguasaan hirarki evaluasi dua tahap (*two-step evaluation approach*) merupakan kriteria mutlak bagi setiap analisis PLS-SEM.

Konsep Teori Evaluasi Dual Sistem dalam PLS-SEM

Pemodelan persamaan struktural berbasis *Partial Least Squares* (PLS-SEM) memisahkan sistem hubungan variabel menjadi dua bagian utama, yaitu *outer model* (model pengamatan) dan *inner model* (model struktural). Menurut Hair et al. (2019), *outer model* menggambarkan bagaimana variabel laten diukur oleh indikator-indikatornya, sedangkan *inner model* menggambarkan hubungan kausalitas antarvariabel laten yang dihipotesiskan.

Bagi pembaca yang ingin mempelajari landasan teoretis mendasar mengenai asumsi, estimasi algoritma PLS, dan perbandingannya dengan SEM berbasis kovarians, silakan membaca konsep dasar teori Partial Least Squares SEM secara menyeluruh di www.statistikian.com.

Penilaian *outer model* bertujuan untuk memastikan bahwa pengukuran yang digunakan memenuhi kaidah reliabilitas dan validitas. Tenenhaus et al. (2005) menyatakan bahwa pengukuran laten yang tidak akurat akan menyalurkan kesalahan (*error propagation*) ke dalam hubungan struktural, sehingga menghasilkan estimasi parameter antarvariabel yang bias.

Setelah *outer model* dikonfirmasi valid dan reliabel, evaluasi beralih ke *inner model*. Menurut Henseler et al. (2015), fokus utama pengujian *inner model* adalah mengukur kekuatan prediktif model (*predictive power*), memeriksa adanya multikolinearitas antarvariabel independen, serta menetapkan signifikansi statistik dari hubungan struktural melalui teknik *bootstrapping* non-parametrik.

Langkah-Langkah Sistematis Membaca Output Outer Model dan Inner Model

Guna membaca output komputasi SmartPLS secara cepat, akurat, dan terstruktur, Anda dapat mengikuti tahapan evaluasi sistematis berikut beserta kriteria baku ilmiah yang disyaratkan:

Tahap 1: Evaluasi Outer Model (Model Pengukuran Reflektif)

1. Outer Loadings (Validitas Konvergen Indikator)
Buka tab output **Outer Loadings**. Setiap nilai indikator idealnya harus lebih besar dari 0.708 (Hair et al., 2019). Nilai ini menunjukkan bahwa variabel laten mampu menjelaskan lebih dari 50% varians dari indikator tersebut. Jika nilai *loading* berada di antara 0.40 dan 0.70, pertimbangkan untuk menghapusnya hanya apabila penghapusan tersebut dapat meningkatkan nilai AVE dan reliabilitas komposit di atas ambang batas.

2. Average Variance Extracted / AVE (Validitas Konvergen Konstruk)
Akses tab **Construct Reliability and Validity** dan periksa kolom **AVE**. Nilai AVE wajib sama dengan atau lebih besar dari 0.500 (Fornell & Larcker, 1981). Angka ini mengondisikan bahwa secara rata-rata, variabel laten menjelaskan lebih dari separuh varians dari seluruh indikator penyusunnya.

3. Cronbach's Alpha dan Composite Reliability (Reliabilitas Konstruk)
Masih pada tab yang sama, periksa kolom **Cronbach's Alpha** dan **Composite Reliability (rho_a / rho_c)**. Ambang batas yang diterima untuk penelitian konfirmatori adalah lebih besar dari 0.700 (Chin, 1998). Nilai di atas 0.950 perlu diwaspadai karena berpotensi mengindikasikan adanya redundansi indikator.

4. Heterotrait-Monotrait Ratio / HTMT (Validitas Diskriminan)
Buka tab **Discriminant Validity** lalu pilih sub-tab **HTMT**. Henseler et al. (2015) menegaskan bahwa uji HTMT jauh lebih sensitif dibandingkan kriteria Fornell-Larcker. Nilai HTMT antar dua konstruk harus berada di bawah 0.850 untuk konsep yang jelas berbeda, atau di bawah 0.900 untuk konstruk yang secara teoretis saling terkait erat.

Tahap 2: Evaluasi Inner Model (Model Struktural)

5. Collinearity Statistics / VIF (Uji Multikolinearitas Inner)
Sebelum memeriksa hubungan jalur, buka tab **Collinearity Statistics (VIF)** pada bagian *Inner Model*. Nilai *Variance Inflation Factor* (VIF) antarvariabel prediktor wajib berada di bawah 3.000 untuk menjamin ketiadaan masalah multikolinearitas (Hair et al., 2019). Sebagian pakar menyebutkan di bawah 5.

6. Path Coefficients dan Bootstrapping (Pengujian Hipotesis)
Jalankan prosedur **Bootstrapping** pada SmartPLS. Periksa nilai **Path Coefficients**, nilai **t-statistics**, dan **p-values**. Hubungan struktural dinyatakan signifikan secara statistik apabila nilai t-statistik lebih besar dari 1.96 (pada tingkat signifikansi 5% uji dua arah) dan p-value kurang dari 0.050.

7. R-Square dan Adjusted R-Square (Kekuatan Prediksi Model)
Buka tab **R-Square** untuk mengukur proporsi varians variabel endogen yang dijelaskan oleh variabel eksogen. Chin (1998) mengelompokkan nilai *R-square* menjadi tiga kategori: 0.67 (kuat), 0.33 (moderat), dan 0.19 (lemah).

8. Effect Size f-Square (Ukuran Efek Variabel)
Periksa tab **f-Square** untuk melihat kontribusi relatif masing-masing variabel eksogen terhadap *R-square* variabel endogen. Cohen (1988) menetapkan kriteria nilai *f-square* sebesar 0.02 (efek kecil), 0.15 (efek sedang), dan 0.35 (efek besar).

Contoh tabel/diagram output PLS-SEM dengan SmartPLS.

Pemahaman mendalam mengenai tata letak angka pada output SmartPLS dapat dipelajari secara visual melalui contoh struktur ringkasan hasil analisis berikut:

Berdasarkan simulasi output di atas, prosedur penulisan narasi hasil analisis dalam laporan ilmiah atau skripsi disajikan mengikuti tiga tahapan berikut:

1. Pengungkapan Validitas dan Reliabilitas Outer Model
Variabel X1, X2, dan Y1 menghasilkan nilai *Average Variance Extracted* (AVE) berturut-turut sebesar 0.672, 0.615, dan 0.728. Karena seluruh nilai AVE melampaui ambang batas 0.500, maka syarat validitas konvergen terpenuhi. Reliabilitas konstruk juga terkonfirmasi kuat, di mana nilai *Composite Reliability* (rho_c) berada pada rentang 0.864 hingga 0.915 (> 0.700).

2. Interpretasi Koefisien Jalur dan Pengujian Hipotesis
Pengujian pengaruh X1 terhadap Y1 menghasilkan koefisien jalur sebesar 0.412 dengan statistik t sebesar 4.215 dan p-value sebesar 0.000. Karena p-value < 0.050 dan t-statistik > 1.96, maka hipotesis pertama diterima. X1 terbukti berpengaruh positif dan signifikan terhadap Y1. Pengaruh X2 terhadap Y1 juga signifikan dengan koefisien jalur 0.325 (t-statistik 3.108; p-value 0.002).

3. Penilaian Kemampuan Prediksi R-Square
Variabel endogen Y1 memiliki nilai *R-square* sebesar 0.584. Angka ini mengindikasikan bahwa sebesar 58.4% varians dari Y1 dapat dijelaskan secara simultan oleh variabel X1 dan X2, sedangkan sisa 41.6% dijelaskan oleh faktor lain di luar model struktural.

Pembahasan Ilmiah: Metodologi Lanjutan dan Mitigasi Masalah Modalitas PLS-SEM

Penerapan metode PLS-SEM membutuhkan ketelitian metodologis saat menghadapi kondisi data riil di lapangan. Salah satu keunggulan utama dari algoritma *Partial Least Squares* adalah kemampuannya bekerja tanpa menuntut asumsi distribusi normal multivariat (Hair et al., 2017). Namun, kebebasan asumsi ini tidak boleh disalahartikan sebagai kelonggaran terhadap kriteria validitas pengukuran.

Ketika seorang peneliti mendapati *outer loading* indikator berada pada kisaran 0.400 hingga 0.700, Hair et al. (2019) merekomendasikan untuk melakukan *impact analysis*. Indikator tersebut tidak boleh langsung dihapus secara otomatis. Peneliti harus memeriksa terlebih dahulu apakah eliminasi indikator tersebut dapat meningkatkan nilai *Composite Reliability* dan AVE melebihi batas minimum. Jika eliminasi tidak meningkatkan nilai AVE, maka indikator tersebut sebaiknya tetap dipertahankan guna menjaga validitas isi (*content validity*).

Terkait validitas diskriminan, kajian statistik Henseler et al. (2015) membuktikan bahwa kriteria klasik Fornell-Larcker dan *cross-loadings* sering kali gagal mendeteksi masalah validitas diskriminan pada situasi tertentu. Rasio HTMT terbukti secara simulasi Monte Carlo memiliki tingkat sensitivitas (*sensitivity*) dan spesifisitas (*specificity*) yang jauh lebih unggul dalam mengidentifikasi overlap antarvariabel laten.

Pada evaluasi *inner model*, estimasi signifikansi wajib mengandalkan prosedur *bootstrapping* dengan jumlah sampel ulang (*resamples*) minimal 5.000 (Chin, 1998). Prosedur ini menghasilkan simpangan baku empiris untuk menghitung p-value tanpa bergantung pada asumsi parametrik. Penggunaan jumlah *resamples* yang terlalu sedikit dapat menyebabkan perkiraan nilai p-value bersifat tidak stabil (*unstable p-values*).

Selain nilai *R-square*, pengujian kekuatan prediktif modern dalam SmartPLS disarankan untuk menyertakan analisis PLSpredict (Shmueli et al., 2019). Analisis ini mengevaluasi apakah model PLS-SEM memiliki daya prediksi di luar sampel (*out-of-sample predictive power*) dengan membandingkan nilai *Root Mean Squared Error* (RMSE) antara model PLS dan model *Linear Regression* (LM) dasar.

Bagi penelitian yang melibatkan variabel mediasi atau moderasi, evaluasi koefisien jalur spesifik (*specific indirect effects*) wajib dibaca langsung pada output *bootstrapping*. Efek mediasi dinyatakan signifikan jika interval keyakinan *bias-corrected bootstrap* tidak mencakup angka nol di dalamnya (Hair et al., 2021).

Dengan mengikuti alur interpretasi *outer model* dan *inner model* secara ketat, peneliti dapat menyajikan hasil analisis SmartPLS yang tidak hanya memenuhi kaidah statistik akademis, tetapi juga kebal terhadap kritik metodologis saat proses evaluasi sejawat (*peer review*).

Kesimpulan

Interpretasi output PLS-SEM dalam SmartPLS wajib menerapkan prosedur evaluasi dua tahap secara ketat. Evaluasi tahap pertama berfokus pada *outer model* untuk memastikan validitas konvergen (*outer loading* > 0.708, AVE > 0.500), reliabilitas konstruk (CR > 0.700), dan validitas diskriminan (HTMT < 0.850 / 0.900). Setelah seluruh kriteria *outer model* terpenuhi, evaluasi dilanjutkan ke *inner model* dengan memeriksa multikolinearitas (VIF < 3.000), signifikansi koefisien jalur (p-value < 0.050; t-statistik > 1.96), besaran *R-square*, dan ukuran efek *f-square*.

Daftar Pustaka