Panduan Evaluasi Model Struktural (Inner Model) dan Kesalahan Yang Sering Terjadi

Kegagalan dalam melakukan interpretasi pengujian hipotesis pada Partial Least Squares Structural Equation Modeling sering berakar dari ketidakpahaman peneliti saat menjalankan panduan evaluasi model struktural (inner model) dan kesalahan yang sering terjadi dalam proyek riset mereka. Gejala umum dari masalah ini terlihat ketika nilai koefisien jalur bernilai signifikan secara statistik namun memiliki arah hubungan yang berlawanan dengan landasan teori, atau ketika nilai koefisien determinasi sangat tinggi tetapi nilai keberartian prediktif bernilai negatif.

Selain itu, kesalahan fatal yang sering dijumpai adalah peneliti langsung mengevaluasi nilai tingkat signifikansi hipotesis tanpa terlebih dahulu melakukan pemeriksaan kolinearitas antarvariabel prediktor. Akibatnya, hubungan antarvariabel mengalami bias berat, besaran efek menjadi tidak terukur dengan tepat, dan kesimpulan riset yang dihasilkan menjadi cacat secara metodologis.

Evaluasi model struktural atau inner model merupakan tahap krusial kedua dalam analisis persamaan struktural berbasis varians setelah model pengukuran (outer model) terbukti valid dan reliabel. Hair et al. (2021) menjelaskan bahwa inner model menggambarkan hubungan prediktif antarvariabel laten yang dibangun berdasarkan pilar teori atau kerangka hipotesis penelitian.

Indikator utama dalam evaluasi inner model meliputi uji kolinearitas (Variance Inflation Factor), koefisien determinasi (R-squared), ukuran efek (f-squared), relevansi prediktif (Q-squared), serta arah dan signifikansi koefisien jalur (path coefficient). Henseler et al. (2009) menekankan bahwa penilaian model struktural pada PLS-SEM berbeda dengan SEM berbasis kovarians karena PLS-SEM tidak mengandalkan indeks keselarasan global (global goodness-of-fit).

Chin (1998) mengemukakan bahwa nilai R-squared mengukur seberapa besar varians variabel endogen yang dapat dijelaskan oleh variabel prediktornya. Kategori nilai R-squared sebesar 0.67, 0.33, dan 0.19 masing-masing diartikan sebagai substansial, moderat, dan lemah. Namun, mengandalkan nilai R-squared saja dapat menyesatkan karena angka tersebut cenderung meningkat seiring bertambahnya variabel eksogen dalam model.

Untuk mengimbangi keterbatasan tersebut, Cohen (1988) merumuskan pengujian f-squared effect size untuk menilai kontribusi relatif suatu variabel eksogen terhadap nilai R-squared variabel endogen. Pengujian ini memberikan informasi apakah hilangnya suatu variabel prediktor berpengaruh secara praktis terhadap substansi model.

Bagi peneliti yang ingin mempelajari dasar teoritis mengenai formulasi persamaan dan konsep dasar pemodelan persamaan struktural, penjelasan landasan teori komprehensif dapat dipelajari pada domain utama statistikian.com.

Geisser (1974) dan Stone (1974) mengembangkan pengujian relevansi prediktif (Q-squared) melalui teknik resampling blindfolding. Nilai Q-squared di atas nol menunjukkan bahwa model memiliki relevansi prediktif bagi variabel laten endogen tertentu.

Berikut adalah langkah-langkah teknis mandiri dan sekuensial untuk melakukan evaluasi model struktural (inner model) agar terhindar dari kesalahan penafsiran:

1. Uji kolinearitas model struktural (inner VIF). Sebelum mengevaluasi koefisien jalur, pastikan seluruh nilai VIF antarvariabel prediktor berada di bawah angka 3.0 atau maksimal 5.0. Jika nilai VIF melebihi 5.0, terjadi multikolinearitas yang membiaskan estimasi koefisien jalur.

2. Evaluasi nilai R-squared pada variabel laten endogen. Nilai ini menggambarkan kemampuan prediktif di dalam sampel (in-sample predictive power) dari model yang diuji.

3. Hitung besarnya f-squared effect size untuk setiap jalur hubungan. Nilai 0.02, 0.15, dan 0.35 mewakili efek kecil, menengah, dan besar. Nilai di bawah 0.02 mengindikasikan bahwa variabel eksogen tidak memberikan kontribusi praktis meskipun koefisien jalur bernilai signifikan secara statistik.

4. Jalankan pengujian Q-squared menggunakan prosedur blindfolding atau prosedur PLSpredict pada SmartPLS 4. Penggunaan PLSpredict kini lebih direkomendasikan oleh Shmueli et al. (2019) untuk mengevaluasi kekuatan prediktif di luar sampel (out-of-sample predictive power).

5. Evaluasi besarnya koefisien jalur (path coefficient) dan signifikansinya menggunakan algoritma bootstrapping (5000 subsamples). Pastikan nilai t-statistic di atas 1.96 dan p-value di bawah 0.05 untuk pengujian dua arah pada tingkat signifikansi 5%.

6. Periksa arah tanda koefisien jalur (positif atau negatif) apakah sesuai dengan hipotesis teoritis. Tanda koefisien yang berlawanan dengan teori meskipun signifikan merupakan indikasi kuat adanya insiden ketiadaan logika teoritis atau masalah kolinearitas tersembunyi.

Contoh Tabel/Diagram Output Evaluasi Model Struktural Inner Model PLS SEM

Pembacaan matriks output analisis model struktural di atas menunjukkan pentingnya mengevaluasi seluruh indikator secara simultan. Jalur hubungan X1 dan X2 terhadap Y menunjukkan kondisi ideal di mana nilai inner VIF berada di bawah 2.0, nilai f-squared berada pada kategori menengah (di atas 0.15), serta nilai p-value terbukti signifikan dengan arah koefisien positif sesuai dengan hipotesis teori.

Sebaliknya, pada jalur X3 terhadap Y, terjadi kesalahan klasik yang sering terabaikan oleh peneliti. Meskipun nilai p-value bernilai 0.038 (signifikan pada taraf 5%), koefisien jalur bernilai negatif (-0.210) dan nilai inner VIF mencapai 5.820 (melebihi batas toleransi 5.0). Kondisi ini mengindikasikan hadirnya efek supresi (suppression effect) akibat kolinearitas tinggi antarvariabel prediktor, sehingga angka signifikansi tersebut tidak dapat dipercaya secara akademis.

Shmueli et al. (2019) menegaskan bahwa evaluasi kekuatan prediktif kini bergeser dari sekadar mengandalkan nilai R-squared dan Q-squared menuju prosedur PLSpredict. Dalam prosedur PLSpredict, peneliti membandingkan nilai kesalahan prediksi (Root Mean Squared Error atau RMSE) antara model PLS-SEM dengan model dasar regresi linier (LM).

Jika mayoritas indikator variabel endogen pada model PLS-SEM menghasilkan nilai RMSE yang lebih kecil dibandingkan model LM, maka model terbukti memiliki daya prediksi luar sampel (out-of-sample predictive power) yang tinggi. Sebaliknya, jika RMSE model PLS-SEM lebih tinggi daripada model LM, maka model mengalami keterbatasan kemampuan prediksi secara praktis.

Hair et al. (2019) juga mengingatkan bahwa penggunaan kriteria keselarasan model global seperti SRMR (Standardized Root Mean Square Residual) atau NFI (Normed Fit Index) dalam PLS-SEM harus diinterpretasikan secara sangat hati-hati. Tidak seperti pada CB-SEM, nilai SRMR pada PLS-SEM bukan kriteria utama untuk menerima atau menolak model struktural.

Peneliti yang baik harus mengedepankan kriteria substantif seperti besarnya efek praktis (f-squared) dan arah koefisien yang logis daripada memaksakan manipulasi data hanya untuk mengejar nilai indeks fit yang sempurna.

Dengan menerapkan protokol pemeriksaan sekuensial yang mencakup evaluasi kolinearitas, daya jelaskan varians, besaran efek, relevansi prediktif, serta signifikansi koefisien jalur, evaluasi model struktural yang dihasilkan akan kokoh dan terhindar dari bias kesimpulan.

Kesimpulan

Evaluasi model struktural (inner model) dalam PLS-SEM memerlukan pendekatan sistematis yang tidak hanya terfokus pada nilai signifikansi p-value. Peneliti wajib mengevaluasi ketiadaan multikolinearitas melalui nilai inner VIF, mengukur daya jelaskan varians dengan R-squared, menguji besaran efek praktis dengan f-squared, serta memastikan kekuatan prediksi di luar sampel dengan Q-squared atau PLSpredict. Menerapkan tahapan ini secara disiplin akan mencegah timbulnya efek supresi dan menjamin keabsahan ilmiah dari hasil pengujian hipotesis penelitian.

Daftar Pustaka

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.

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.

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., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111-133.