Mengatasi Masalah Diskriminan Validitas (Fornell-Larcker & HTMT) Tidak Terpenuhi PLS SEM SmartPLS
Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering mendapati hasil evaluasi outer model yang tidak memenuhi kriteria pengujian. Memahami prosedur dalam mengatasi masalah diskriminan validitas (Fornell-Larcker & HTMT) tidak terpenuhi PLS SEM pada SmartPLS merupakan langkah krusial untuk memastikan bahwa setiap konstruk laten dalam model penelitian benar-benar mengukur fenomena yang berbeda secara konseptual.
Gejala utama dari permasalahan ini ditandai dengan nilai akar kuadrat Average Variance Extracted (AVE) suatu konstruk yang lebih kecil daripada korelasi antara konstruk tersebut dengan konstruk lainnya pada matriks Fornell-Larcker. Selain itu, nilai Heterotrait-Monotrait Ratio of Correlations (HTMT) antar dua variabel laten kerap melebihi ambang batas 0,85 atau 0,90. Kondisi ini mengindikasikan adanya tumpang tindih pengukuran (construct overlap) dan masalah multikolinearitas yang tinggi antar variabel laten.
Secara teoritis, validitas diskriminan menjamin bahwa sebuah konstruk laten bersifat unik dan mampu menangkap fenomena yang tidak diwakili oleh konstruk lain dalam model struktural. Fornell dan Larcker (1981) menyyaratkan bahwa sebuah konstruk harus berbagi lebih banyak varians dengan indikator-indikatornya sendiri daripada dengan konstruk laten lainnya.
Namun, studi simulasi statistik oleh Henseler et al. (2015) menunjukkan bahwa kriteria tradisional Fornell-Larcker sering kali gagal mendeteksi masalah validitas diskriminan pada situasi sampel tertentu. Sebagai dampaknya, Henseler et al. mengembangkan pendekatan Heterotrait-Monotrait Ratio of Correlations (HTMT) yang memiliki tingkat sensitivitas jauh lebih tinggi dalam mengidentifikasi kurangnya validitas diskriminan.
Menurut Hair et al. (2021), terdapat dua ambang batas utama untuk evaluasi rasio HTMT. Ambang batas konvensional yang ketat menetapkan nilai maksimum sebesar 0,85 untuk konstruk yang secara teoritis sangat berbeda. Sedangkan untuk konstruk yang secara konseptual memiliki kemiripan erat, nilai batas toleransi diperlonggar hingga 0,90.
Pembaca yang ingin mendalami landasan matematis dan konsep dasar evaluasi model pengukuran PLS SEM dapat membaca referensi teoritis lengkap yang disajikan di situs utama statistikian.com.
Kegagalan memenuhi syarat validitas diskriminan berimplikasi serius pada hasil analisis struktural. Garson (2016) menegaskan bahwa jika dua konstruk laten mengalami tumpang tindih pengukuran, estimasi koefisien jalur (path coefficients) dapat menjadi bias, tidak stabil, atau bahkan menghasilkan tanda koefisien yang berlawanan dengan teori (spurious correlation).
Berikut adalah langkah-langkah perbaikan teknis mandiri yang sistematis untuk mengatasi masalah validitas diskriminan yang tidak terpenuhi pada PLS SEM dengan SmartPLS:
1. Buka laporan hasil PLS Algorithm di SmartPLS, kemudian periksa matriks Cross Loadings pada bagian evaluasi Outer Model.
2. Identifikasi indikator-indikator yang memiliki nilai bobot muatan (loading rate) tinggi pada konstruk lain yang tidak seharusnya (cross-loading berlebih).
3. Lakukan penghapusan (dropping) indikator bermasalah tersebut satu per satu secara iteratif, dimulai dari indikator yang memiliki selisih loading paling kecil antara konstruk aslinya dengan konstruk lawan.
4. Jalankan kembali algoritma PLS setelah menghapus satu indikator, lalu periksa ulang apakah kriteria Fornell-Larcker atau rasio HTMT telah memenuhi ambang batas yang disyaratkan.
5. Apabila eliminasi indikator tidak menyelesaikan masalah tanpa mengorbankan content validity, periksa isi item pertanyaan kuesioner untuk melihat apakah ada redundansi makna item antar variabel.
6. Jika dua konstruk laten secara substansial terbukti mengukur hal yang hampir sama (nilai HTMT mendekati 1,0), pertimbangkan untuk menggabungkan kedua konstruk tersebut menjadi satu konstruk tingkat tinggi (higher-order construct) yang secara teoritis valid.
7. Jalankan prosedur Complete Bootstrapping untuk menguji HTMT Inference guna memeriksa apakah batas atas interval kepercayaan (Confidence Interval Bias-Corrected) tidak mencakup angka 1,0.
Contoh tabel/diagram output HTMT dan Fornell-Larcker SmartPLS
Berdasarkan tabel output analisis di atas, hubungan antara variabel Kepuasan dan Loyalitas menunjukkan nilai HTMT sebesar 0,742 yang berada di bawah ambang batas 0,85, serta nilai akar kuadrat AVE (0,812) yang lebih besar daripada koefisien korelasi antar kedua variabel tersebut (0,680). Kondisi ini mengonfirmasi bahwa kedua variabel tersebut memenuhi syarat validitas diskriminan secara sempurna.
Sebaliknya, hubungan antara variabel Kepercayaan dan Reputasi menunjukkan nilai HTMT sebesar 0,938 yang melampaui batas toleransi 0,90, disertai akar kuadrat AVE (0,710) yang lebih kecil daripada nilai korelasi antar konstruk (0,820). Hal ini membuktikan adanya masalah diskriminan validitas serius yang memerlukan tindakan perbaikan teknis pada indikator pembentuknya.
Prosedur eliminasi indikator bermasalah harus dilakukan secara hati-hati dan bertahap. Hair et al. (2021) menekankan bahwa peneliti tidak boleh secara asal menghapus indikator hanya demi mencapai angka statistik yang bagus tanpa mempertimbangkan representasi teori dari konstruk yang diukur.
Alternatif analisis yang sangat disarankan oleh Henseler et al. (2015) ketika nilai matriks HTMT berada pada batas samar (antara 0,85 hingga 0,90) adalah dengan menggunakan pengujian HTMT Inference melalui metode bootstrapping. Jika interval kepercayaan 95 persen yang dikoreksi bias (BCa) tidak mencakup nilai 1,0, maka validitas diskriminan secara statistik masih dapat diterima.
Pemahaman yang mendalam mengenai prinsip pengukuran ini mencegah kesalahan penarikan kesimpulan pada tahap pengujian model struktural. Bagi peneliti yang membutuhkan pemahaman komprehensif mengenai metodologi landasan teori uji validitas dan reliabilitas, penjelasan фундаментаal dapat dipelajari lebih lanjut melalui rujukan ilmiah di statistikian.com.
Dengan mengaplikasikan tahapan eliminasi iteratif berdasarkan matriks cross loadings atau menerapkan pengujian inferensi HTMT, kendala tidak terpenuhinya validitas diskriminan pada SmartPLS dapat diselesaikan dengan tepat dan sesuai dengan kaidah metodologi penelitian yang berlaku.
Kesimpulan
Pengujian validitas diskriminan merupakan syarat mutlak dalam evaluasi model pengukuran PLS-SEM sebelum melakukan uji hipotesis struktural. Penggunaan kriteria HTMT memberikan estimasi yang lebih superior dan akurat dibandingkan kriteria tradisional Fornell-Larcker. Ketika terjadi ketidaksesuaian kriteria diskriminan, langkah perbaikan harus dilakukan secara iteratif melalui pemeriksaan matriks cross loadings, penghapusan indikator tumpang tindih secara cermat, penggabungan konstruk jika terbukti identik, atau melalui pengujian interval kepercayaan HTMT inference.
Daftar Pustaka
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of Fornell-Larcker criterion and HTMT. Journal of Business Research, 104, 330-342.
Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Statistical Associates Publishers.
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.). 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.