Solusi Nilai Loading Factor Kurang dari 0.7 pada Analisis PLS SEM (Simulasi SmartPLS 4)

Saat pertama kali mengeklik tombol "Calculate > PLS-SEM Algorithm" di SmartPLS 4, momen yang paling sering membuat peneliti pemula panik adalah munculnya angka berwarna merah pada garis panah model pengukuran (outer model). Angka merah ini adalah indikator bahwa nilai outer loading atau loading factor dari item kuesioner Anda berada di bawah ambang batas standar 0.70. Kondisi ini menandakan adanya masalah pada validitas konvergen (convergent validity), yang berarti item pertanyaan tersebut gagal merefleksikan atau mengukur variabel laten yang seharusnya ia ukur dengan baik.

Banyak mahasiswa atau peneliti langsung mengambil jalan pintas yang fatal: menghapus semua indikator yang bernilai di bawah 0.70 secara bersamaan, atau bahkan memanipulasi data mentah agar nilainya naik. Padahal, penghapusan indikator secara membabi buta dapat merusak content validity (validitas isi) dari kerangka teori penelitian Anda. Ada aturan metodologis yang sangat ketat mengenai kapan sebuah indikator berskor rendah boleh dipertahankan dan kapan wajib dibuang dari model.

Ilustrasi Masalah: Indikator Merah pada Outer Model SmartPLS 4

Secara teoretis, outer loading adalah ukuran sejauh mana varians dari sebuah indikator dapat dijelaskan oleh konstruk latennya. Mengapa angka 0.70 menjadi standar emas? Menurut Hair et al. (2021), nilai loading 0.708 atau lebih menunjukkan bahwa konstruk laten mampu menjelaskan setidaknya 50% dari varians indikator tersebut (diperoleh dari pengkuadratan nilai loading: 0.708 x 0.708 = 0.50). Varians sisanya yang tidak dapat dijelaskan dianggap sebagai measurement error atau galat pengukuran.

Namun, ada miskonsepsi umum bahwa setiap indikator yang berada di bawah 0.70 adalah indikator "sampah" yang harus segera dibuang. Hair et al. (2019) memberikan rule of thumb yang sangat jelas untuk mengatasi hal ini: Indikator dengan nilai outer loading antara 0.40 hingga 0.70 harus dievaluasi secara hati-hati dan hanya boleh dihapus JIKA penghapusannya mampu meningkatkan nilai Average Variance Extracted (AVE) atau Composite Reliability (CR) melampaui batas ambang yang disarankan (AVE > 0.50 dan CR > 0.70).

Aturan ini berbeda tajam untuk indikator ekstrem. Jika nilai outer loading sebuah item berada di bawah 0.40, indikator tersebut wajib dihapus dari model pengukuran reflektif dalam kondisi apa pun (Hair et al., 2017). Nilai sekecil itu menandakan bahwa item kuesioner Anda sama sekali tidak memiliki korelasi yang bermakna dengan variabel yang sedang diteliti, kemungkinan karena bahasa kuesioner yang ambigu atau bias responden.

Penting untuk membedakan antara model reflektif dan formatif. Evaluasi loading factor > 0.70 HANYA berlaku untuk konstruk dengan indikator reflektif (panah dari konstruk ke indikator). Jika variabel Anda menggunakan model formatif (panah dari indikator ke konstruk), nilai outer loading tidak lagi relevan, dan Anda harus mengevaluasi Outer Weights beserta nilai signifikansinya (p-value), serta melakukan uji multikolinearitas (VIF) (Henseler et al., 2016).

Untuk memahami secara mendalam perbedaan antara model reflektif dan formatif, serta bagaimana perhitungan matematis di balik algoritma Partial Least Squares, Anda sangat disarankan untuk membaca literatur dasar PLS SEM di website otoritas teori kami pada halaman statistikian.com. Pemahaman fondasi teori sangat krusial sebelum Anda mengotak-atik model secara teknis.

Langkah-Langkah Perbaikan Mandiri di SmartPLS 4

1. Identifikasi Kelompok Rentang Nilai: Buka laporan "Outer Loadings" di SmartPLS. Kelompokkan indikator yang bermasalah. Hapus langsung indikator yang bernilai < 0.40 (seperti KL_4 pada ilustrasi di atas). Biarkan sementara indikator yang bernilai antara 0.40 - 0.70.

2. Evaluasi AVE dan CR Saat Ini: Masuk ke menu Construct Reliability and Validity. Cek nilai AVE dari konstruk yang indikatornya bermasalah (misalnya Kualitas Layanan). Jika nilai AVE sudah > 0.50 dan CR > 0.70 meskipun ada indikator bernilai 0.60, maka JANGAN HAPUS indikator tersebut. Indikator itu masih layak dipertahankan demi menjaga validitas isi teori Anda.

3. Strategi Penghapusan Bertahap (Stepwise Deletion): Jika AVE masih di bawah 0.50, Anda baru boleh menghapus indikator di rentang 0.40-0.70. Peringatan keras: Jangan hapus semuanya sekaligus! Hapuslah satu indikator dengan nilai paling rendah (misal KL_3 = 0.540). Klik kanan pada kanvas, pilih delete, lalu WAJIB klik Calculate > PLS-SEM Algorithm ulang. Nilai loading sisa indikator biasanya akan otomatis naik (terkoreksi) setelah satu indikator lemah dibuang.

4. Pengecekan Ulang Konstruk (Domain Teori): Setiap kali Anda membuang indikator, tanyakan pada teori dasar penelitian Anda: "Apakah penghapusan item pertanyaan ini mengubah makna definisi operasional variabel saya?". Jika konstruk Anda hanya tersisa dua indikator akibat terlalu banyak yang dihapus, model Anda akan rentan mengalami masalah identifikasi (unidentified model) (Hair et al., 2021).

5. Pemeriksaan Data Mentah (Outlier & Skewness): Jika mayoritas indikator bernilai hancur (di bawah 0.50), masalahnya bukan pada SmartPLS, melainkan pada data Anda. Periksa data mentah Anda di Excel atau SPSS. Cek apakah ada responden yang menjawab asal-asalan (straight-lining, misal menjawab 3 semua) atau terdapat outlier yang ekstrem. Membersihkan data mentah jauh lebih etis dan efektif daripada memaksakan manipulasi di software.

Pembahasan Ilmiah: Mengapa Loading Factor Bisa Rendah?

Untuk menangani masalah outer model dengan benar, peneliti harus memahami patologi atau akar penyebab mengapa sebuah indikator bisa gagal mencapai ambang batas 0.70. Faktor utama yang sering ditemukan adalah desain instrumen yang buruk (poor questionnaire design). Kalimat pertanyaan yang terlalu panjang, ambigu, atau menggunakan jargon teknis yang tidak dipahami oleh responden target akan menghasilkan respons yang bias dan meningkatkan varians error.

Dalam ekosistem algoritma PLS-SEM yang berbasis varians, nilai outer loading adalah korelasi bivariat Pearson antara indikator dan konstruk latennya. Ketika nilai korelasi ini dikuadratkan, kita mendapatkan R-squared indikator tersebut. Jika loading factor adalah 0.60, maka varians yang bisa dijelaskan (0.60^2) hanya 36%. Artinya, 64% sisanya adalah noise atau galat. Inilah rasionalisasi matematis mengapa para ahli ekonometrika menetapkan 0.70 (50% varians) sebagai batas ideal (Hair et al., 2021).

Meskipun demikian, ada keringanan akademis bergantung pada tahap kematangan penelitian Anda. Henseler et al. (2016) menegaskan bahwa untuk penelitian yang bersifat eksploratif—di mana peneliti menggunakan skala ukur yang baru dikembangkan atau diadaptasi secara radikal ke konteks budaya baru—nilai loading factor 0.50 atau 0.60 masih dapat ditoleransi. Hal ini berbeda dengan penelitian konfirmatori yang menggunakan skala matang (established scales) yang wajib mematuhi standar > 0.70 secara kaku.

Bahaya terbesar dari membuang semua indikator di bawah 0.70 secara otomatis adalah jebakan Capitalization on Chance. Dengan membuang terlalu banyak indikator, Anda mungkin memang "berhasil" mendapatkan nilai statistik model fit, AVE, dan CR yang terlihat hijau dan sempurna di SmartPLS. Namun, secara substansi, validitas isi (content validity) konstruk Anda telah tereduksi. Misalnya, variabel "Kepuasan Kerja" yang awalnya memiliki dimensi gaji, rekan kerja, dan atasan, malah hanya tersisa dimensi gaji saja. Model Anda valid secara statistik, namun cacat secara konseptual.

Oleh karena itu, interaksi antara nilai Loading Factor dan Average Variance Extracted (AVE) sangat dinamis. Rumus AVE adalah rata-rata dari kuadrat seluruh outer loading dalam satu konstruk. Jika dalam satu variabel terdapat 4 indikator dengan loading: 0.90, 0.85, 0.80, dan 0.60, maka rata-rata kuadrat mereka (AVE) pasti akan melampaui 0.50. Dalam skenario ini, indikator bernilai 0.60 sangat aman untuk dibiarkan karena tertolong oleh indikator lain yang sangat kuat (Hair et al., 2019).

Selain masalah kuesioner, ancaman lain yang menurunkan loading adalah Common Method Bias (CMB). Ini terjadi ketika kuesioner Anda memicu responden untuk memberikan pola jawaban artifisial, misalnya karena efek kelelahan (fatigue effect) karena item pertanyaan yang terlalu banyak (lebih dari 50 pertanyaan tanpa jeda). Akibatnya, matriks kovarians antar indikator menjadi tidak alami, dan algoritma SmartPLS akan mendeteksinya sebagai pelemahan struktural yang bermuara pada penurunan outer loading.

Perlu juga disadari bahwa algoritma metode iteratif PLS difokuskan untuk memaksimalkan varians yang dijelaskan dari konstruk endogen (target variabel). Walaupun PLS-SEM dijuluki sebagai metode soft-modeling yang tidak mensyaratkan asumsi normalitas distribusi data dengan ketat, algoritma ini tetap sangat sensitif terhadap extreme outliers (pencilan data ekstrem). Outlier menarik garis regresi menjauhi pola data mayoritas, merusak estimasi bobot (weights), yang pada akhirnya mendistorsi loading factor.

Sebagai langkah pamungkas yang menjaga integritas penelitian, setiap tindakan penghapusan indikator (item deletion) harus didokumentasikan dengan transparan. Dalam penulisan skripsi, tesis, atau naskah publikasi jurnal, Anda wajib membuat tabel khusus yang melaporkan indikator apa saja yang dieliminasi (dropped items) beserta alasannya (misal: "Indikator dihapus karena outer loading 0.45, yang mana penghapusannya diperlukan untuk menaikkan AVE di atas batas 0.50"). Transparansi ini akan membentengi Anda dari cecaran penguji atau reviewer jurnal.

Kesimpulan

Mendapatkan nilai loading factor di bawah 0.70 pada SmartPLS 4 bukanlah tanda kegagalan riset yang harus disikapi dengan kepanikan menghapus semua indikator. Evaluasi model pengukuran harus bersifat komprehensif. Buang indikator dengan nilai di bawah 0.40, namun pertimbangkan masak-masak indikator pada rentang 0.40 - 0.70 dengan merujuk pada syarat peningkatan nilai reliabilitas AVE (harus > 0.50) dan CR (harus > 0.70). Terapkan strategi stepwise deletion (penghapusan satu persatu mulai dari yang terkecil), dan jangan pernah mengorbankan validitas isi teori Anda hanya demi mengejar model statistik yang terlihat hijau dan sempurna di software.

Daftar Pustaka

• 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.
• 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., & Thiele, K. O. (2017). Mirror, mirror on the wall: a comparative evaluation of composite-based structural equation modeling methods. Journal of the Academy of Marketing Science, 45(5), 616-632.
• Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: updated guidelines. Industrial Management & Data Systems, 116(1), 2-20.