Memahami Masalah Validitas Reliabilitas PLS SEM Second Order dengan SmartPLS 4 dan Solusinya

Saat melakukan evaluasi model pengukuran pada variabel tingkat tinggi, peneliti sering kali dihadapkan pada hasil pengujian yang tidak memenuhi syarat, seperti nilai Average Variance Extracted di bawah 0.50, skor reliabilitas komposit yang tidak terhitung, atau nilai Heterotrait-Monotrait Ratio antar dimensi yang melebihi batas toleransi. Kegagalan dalam proses pengujian validitas reliabilitas PLS SEM second order pada SmartPLS 4 umumnya dipicu oleh ketidakcermatan dalam mengeliminasi indikator bermasalah pada tingkat dimensi pertama sebelum melakukan estimasi pada variabel tingkat kedua.

Gejala permasalahan ini biasanya ditandai dengan munculnya nilai skor reliabilitas bernilai kosong atau NaN pada tabel output Construct Reliability and Validity untuk variabel orde kedua yang bersifat formatif, atau nilai pembebanan luar yang sangat rendah pada dimensi pembentuknya. Jika tahap pembersihan indikator pada tingkat pertama diabaikan, bias pengukuran akan merambat ke tingkat kedua sehingga menggagalkan pengujian validitas konvergen maupun validitas diskriminan seluruh model struktural.

Pengujian model pengukuran atau outer model pada struktur variabel orde kedua memiliki kompleksitas ganda dibandingkan dengan variabel orde pertama. Evaluasi tidak hanya dilakukan untuk menilai keterlibatan indikator manifest terhadap dimensi tingkat pertama, tetapi juga menilai sejauh mana dimensi-dimensi tersebut mampu mengukur konstruksi tingkat kedua secara konsisten dan valid.

Menurut Hair et al. (2021), validitas konvergen mengukur sejauh mana sebuah indikator atau dimensi berkorelasi positif dengan variabel laten sejenis. Pada tingkat pertama, validitas konvergen ditunjukkan oleh nilai outer loading di atas 0.708 dan Average Variance Extracted di atas 0.50. Apabila kriteria ini terpenuhi pada tingkat dimensi, maka varian empiris dari indikator dianggap telah terserap dengan baik oleh masing-masing konstruksi pembentuknya.

Sarstedt et al. (2019) mengemukakan bahwa kesalahan paling umum dalam evaluasi variabel orde kedua adalah menerapkan kriteria reliabilitas tradisional pada variabel orde kedua yang memiliki sifat pengukuran formatif. Ketika hubungan dari dimensi ke variabel utama bersifat formatif, indikator tidak dituntut untuk saling berkorelasi secara tinggi, sehingga ukuran reliabilitas seperti Cronbach Alpha dan Composite Reliability tidak relevan untuk digunakan.

Untuk variabel orde kedua yang bersifat reflektif-reflektif, evaluasi reliabilitas konsistensi internal tetap diwajibkan. Henseler et al. (2015) menegaskan bahwa pengujian validitas diskriminan antar dimensi tingkat pertama menggunakan matriks Heterotrait-Monotrait Ratio sangat krusial. Nilai rasio di atas 0.90 menandakan adanya diskriminasi yang buruk antar dimensi, yang berarti bahwa dimensi-dimensi tersebut mengukur hal yang sama dan memicu masalah multikolinearitas pada variabel tingkat kedua.

Bagi Anda yang ingin mendalami landasan teoretis mengenai pengujian validitas dan reliabilitas instrumen secara umum, Anda dapat membaca landasan teori validitas dan reliabilitas penelitian di statistikian.com untuk memahami prinsip pengukuran variabel sebelum melangkah ke tahap pengujian pemodelan struktural.

Prosedur perbaikan dan evaluasi teknis pengujian outer model pada variabel orde kedua di SmartPLS 4 dapat diselesaikan secara sistematis melalui langkah-langkah terstruktur berikut.

Pertama, lakukan evaluasi validitas konvergen pada tingkat dimensi pertama terlebih dahulu. Buka tabel Outer Loadings pada output analisis model pertama. Identifikasi indikator manifest yang memiliki nilai pembebanan di bawah 0.40 dan lakukan eliminasi secara bertahap pada indikator-indikator tersebut.

Kedua, untuk indikator yang memiliki nilai pembebanan antara 0.40 hingga 0.708, jangan terburu-buru menghapusnya. Periksa dampak eliminasi terhadap nilai Average Variance Extracted dan reliabilitas komposit dari dimensi terkait. Jika penghapusan indikator meningkatkan nilai statistik di atas batas minimal 0.50, maka indikator tersebut layak dikeluarkan dari model.

Ketiga, pastikan seluruh dimensi tingkat pertama telah memenuhi nilai minimal Average Variance Extracted sebesar 0.50 dan Composite Reliability sebesar 0.70 sebelum melangkah ke evaluasi variabel orde kedua. Langkah ini menjamin bahwa skor variabel laten yang diekstrak terbebas dari kesalahan pengukuran sistematis.

Keempat, periksa matriks Heterotrait-Monotrait Ratio antar dimensi tingkat pertama. Jika terdapat dua dimensi yang memiliki nilai rasio melebihi 0.90, evaluasi isi dari indikator-indikator pembentuknya. Jika secara konseptual item pertanyaan sangat mirip, pertimbangkan untuk menggabungkan kedua dimensi tersebut menjadi satu dimensi tunggal.

Kelima, tentukan kriteria evaluasi yang sesuai dengan spesifikasi variabel orde kedua di SmartPLS 4. Untuk tipe reflektif-reflektif, lakukan pengujian nilai pembebanan dari variabel tingkat kedua ke dimensi-dimensinya serta periksa kembali nilai Average Variance Extracted gabungan pada tingkat kedua.

Keenam, untuk tipe reflektif-formatif, abaikan nilai reliabilitas komposit pada variabel tingkat kedua. Alihkan evaluasi pada nilai Variance Inflation Factor antar dimensi. Pastikan nilai toleransi berada di bawah 3.0 untuk menghindari multikolinearitas berat antar dimensi pembentuk variabel orde kedua.

Ketujuh, jalankan prosedur Bootstrapping untuk menilai signifikansi bobot luar dari dimensi ke variabel tingkat kedua. Pastikan nilai t-statistik berada di atas 1.96 atau nilai p-value di bawah 0.05 untuk memastikan bahwa tiap dimensi memberikan kontribusi yang nyata.

Contoh Tabel/Diagram Output Validitas Reliabilitas PLS SEM Second Order

Tabel output di atas menyajikan gambaran komprehensif dari hasil evaluasi kriteria validitas dan reliabilitas pada variabel orde kedua beserta dimensi-dimensinya. Pembacaan tabel ini memisahkan antara pengujian variabel orde pertama (LOC) dan variabel orde kedua (HOC) berdasarkan sifat pengukurannya.

Pada tingkat dimensi pertama, variabel Kualitas Produk, Kualitas Layanan, dan Keadilan Harga menunjukkan kinerjanya yang sangat baik. Nilai Average Variance Extracted untuk ketiga dimensi tersebut masing-masing bernilai 0.679, 0.637, dan 0.608. Karena seluruh nilai berada jauh di atas ambang batas 0.50, maka dapat disimpulkan bahwa lebih dari 50 persen varians indikator berhasil dijelaskan oleh masing-masing dimensinya, yang membuktikan terpenuhinya validitas konvergen.

Aspek reliabilitas konsistensi internal dimensi tingkat pertama juga memenuhi syarat mutlak. Nilai Composite Reliability (rho_c) berkisar antara 0.861 hingga 0.894, yang mana berada di atas kriteria minimal 0.70. Hal ini mengonfirmasi bahwa indikator-indikator pada tingkat dimensi memiliki tingkat keandalan yang tinggi dalam mengukur konstruksinya.

Pada baris variabel orde kedua **Nilai Pelanggan** yang dikonfigurasi secara reflektif, nilai Average Variance Extracted tercatat sebesar 0.585 dengan Composite Reliability sebesar 0.918. Hasil ini menegaskan bahwa konstruksi tingkat kedua yang bersifat reflektif tersebut valid dan reliabel dalam menyerap varians dari ketiga dimensi pembentuknya.

Sementara itu, pada baris **Kepuasan Lanjutan** yang bersifat formatif, output menampilkan keterangan *N/A* atau tidak terhitung. Kondisi ini bukan merupakan kesalahan sistem, melainkan penandaan yang tepat bahwa variabel formatif tidak dievaluasi menggunakan kriteria kovarians dan homogenitas internal, melainkan menggunakan uji multikolinearitas dan signifikansi bobot luar.

Secara akademis, pemisahan kaidah evaluasi antara model reflektif dan formatif pada tingkat variabel orde kedua didasarkan pada asumsi ontologis pembentukan variabel laten. Chin (1998) menggarisbawahi bahwa variabel reflektif mengasumsikan bahwa perubahan pada konstruksi laten akan memicu perubahan pada seluruh indikator atau dimensinya, sehingga korelasi antar item menjadi prasyarat utama.

Sebaliknya, pada model formatif, variabel laten dianggap sebagai gabungan atau akibat dari dimensi-dimensi yang membentuknya. Diamantopoulos dan Siguaw (2006) menyatakan bahwa menghapus sebuah dimensi pada variabel formatif sama artinya dengan mengubah definisi konseptual dari variabel tersebut, sehingga pengujian reliabilitas tradisional menjadi tidak tepat untuk diterapkan.

Cheah et al. (2020) menyoroti pentingnya pengujian validitas diskriminan pada tingkat variabel orde kedua saat menggunakan pendekatan dua tahap. Peneliti harus memastikan bahwa variabel orde kedua terbukti unik dan tidak memiliki korelasi yang terlalu tinggi dengan variabel endogen lain dalam model struktural.

Penggunaan kriteria matriks Heterotrait-Monotrait Ratio pada variabel tingkat kedua terbukti lebih sensitif dalam mendeteksi masalah validitas diskriminan dibandingkan kriteria tradisional Fornell-Larcker. Jika nilai rasio antar variabel tingkat kedua melebihi 0.85, maka daya pembeda antar variabel laten dianggap kurang kuat.

Untuk penanganan mendalam mengenai pengujian hipotesis, efek mediasi, dan interpretasi jalur struktural secara rinci, Anda dapat merujuk pada artikel analisis mediasi dan moderasi PLS-SEM di statistikian.com yang mengulas kaidah struktural secara sistematis.

Dengan melakukan pemeriksaan teratur pada tingkat dimensi, memilih kriteria evaluasi yang sesuai dengan sifat pengukuran, serta melaporkan hasil statistik sesuai standar baku internasional, validitas dan reliabilitas pemodelan PLS-SEM *second-order* dapat dipertanggungjawabkan secara sempurna.

Kesimpulan

Evaluasi validitas dan reliabilitas pada pemodelan PLS-SEM *second-order* membutuhkan pendekatan berjenjang yang memisahkan pengujian tingkat dimensi (LOC) dan tingkat variabel utama (HOC). Kunci utama keberhasilan evaluasi terletak pada pembersihan indikator bermasalah pada tingkat dimensi pertama sebelum mengekstrak skor laten ke tingkat kedua.

Peneliti harus cermat dalam menerapkan kriteria statistik yang sesuai dengan sifat pengukuran variabel orde kedua. Konstruksi orde kedua yang bersifat reflektif dievaluasi melalui nilai AVE dan Composite Reliability, sedangkan konstruksi yang bersifat formatif dievaluasi melalui nilai VIF dan signifikansi Outer Weight, sehingga terhindar dari kesalahan penafsiran output pada SmartPLS 4.

Daftar Pustaka

• Cheah, J. H., Ting, H., Ramayah, T., Memon, M. A., & Cham, T. H. (2020). A comparison of five approaches to estimate hierarchical construct models in PLS-SEM. Asian Journal of Business Research, 10(1), 1-25.
• Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.
• Diamantopoulos, A., & Siguaw, J. A. (2006). Formative versus reflective indicators in organizational measure development: A comparison and empirical illustration. British Journal of Management, 17(4), 263-282.
• 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.
• 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.