Artikel StatKlinik
Outer model SmartPLS tidak lolos, biasanya masalahnya di mana?
Outer model yang tidak lolos bukan sekadar masalah angka. Bisa jadi indikator tidak kuat, konstruk belum rapi, data tidak mendukung, atau model penelitian perlu dibaca ulang dari awal.
- Cek loading dan indikator yang terlalu lemah
- Baca ulang AVE, composite reliability, dan Cronbach's Alpha
- Pastikan konstruk dan indikator memang cocok secara teori
- Jangan memaksa model lolos dengan membuang indikator tanpa alasan
Outer model adalah tahap awal sebelum membaca inner model
Dalam SmartPLS, outer model dipakai untuk membaca hubungan indikator dengan konstruk. Jika outer model belum kuat, hasil inner model seperti path coefficient, p-value, dan kesimpulan hipotesis bisa ikut lemah.
Karena itu, ketika outer model tidak lolos, masalahnya tidak cukup dijawab dengan 'hapus indikator saja'. Perlu dilihat apakah indikator memang tidak cocok, data kurang mendukung, atau model penelitian sejak awal perlu dibaca ulang.
Bagian yang biasanya dicek saat outer model bermasalah
Output SmartPLS memuat beberapa ukuran yang saling berkaitan. Untuk penelitian reflektif, pembacaan biasanya dimulai dari outer loading, lalu validitas konvergen, reliabilitas, dan validitas diskriminan.
Jika kampus atau pembimbing punya batas tertentu, batas tersebut perlu diikuti. Jika tidak, pembacaan bisa mengikuti rujukan metodologi yang umum dipakai, tetapi tetap harus disesuaikan dengan konteks penelitian.
- Outer loading untuk melihat kekuatan indikator
- AVE untuk membaca validitas konvergen
- Composite reliability, rho_A, dan Cronbach Alpha untuk reliabilitas
- HTMT, Fornell-Larcker, atau cross loading untuk validitas diskriminan
- Catatan indikator yang lemah dan dampaknya terhadap konstruk
Apakah indikator rendah harus langsung dibuang?
Tidak selalu. Menghapus indikator memang bisa membuat angka terlihat lebih baik, tetapi keputusan itu harus punya alasan. Indikator bisa saja penting secara teori walaupun loading-nya rendah, atau justru indikator tersebut menunjukkan bahwa konstruk belum diukur dengan baik.
Keputusan membuang indikator perlu mempertimbangkan arahan pembimbing, teori, jumlah indikator tersisa, dan dampaknya terhadap model. Jika indikator dibuang asal-asalan, model bisa terlihat lolos tetapi sulit dipertanggungjawabkan saat bimbingan.
- Cek dulu apakah indikator salah coding atau salah input
- Lihat apakah item memang tidak searah dengan konstruk
- Perhatikan jumlah indikator yang tersisa setelah evaluasi
- Catat alasan jika indikator perlu dikeluarkan
- Jangan mengubah model hanya untuk mengejar angka tanpa dasar
Apa yang perlu dikirim jika outer model tidak lolos?
Agar bisa dicek dengan benar, file yang dikirim sebaiknya tidak hanya screenshot output. Model penelitian, indikator, konstruk, hipotesis, dan data mentah tetap dibutuhkan.
Dengan file lengkap, pengecekan bisa melihat apakah masalahnya ada di data, item, konstruk, atau cara menjalankan model. Ini lebih aman dibanding menebak dari satu tabel saja.
- File data mentah atau file SmartPLS
- Daftar konstruk dan indikator
- Gambar model penelitian terbaru
- Hipotesis lengkap, termasuk mediasi atau moderasi jika ada
- Catatan pembimbing terkait indikator, AVE, HTMT, atau loading
Setelah outer model lolos, apa langkah berikutnya?
Jika outer model sudah layak, analisis bisa lanjut ke inner model. Di tahap ini, hasil bootstrapping, path coefficient, t-statistic, p-value, R-square, f-square, dan indirect effect mulai dibaca sesuai hipotesis.
Namun hasil inner model tetap tidak boleh dipaksakan. Jika pengaruh tidak signifikan atau arah hubungan tidak sesuai dugaan, kesimpulan harus ditulis sesuai data. Yang bisa dibantu adalah membaca hasil, menjelaskan batasnya, dan membuat alur interpretasi lebih rapi.
Kapan perlu minta bantuan cek SmartPLS?
Bantuan cek SmartPLS biasanya dibutuhkan ketika output sudah keluar tetapi tidak yakin bagian mana yang bermasalah. Ada juga klien yang datang sebelum running karena ingin memastikan model, indikator, dan hipotesis sudah rapi.
Semakin awal dicek, semakin kecil risiko bolak-balik revisi. Jika model baru diperbaiki setelah semua tabel disusun, biasanya pekerjaan menjadi lebih panjang karena output dan interpretasi ikut berubah.
- Outer loading banyak di bawah batas yang diminta
- AVE atau reliabilitas belum memenuhi kriteria
- HTMT bermasalah atau konstruk terlihat tumpang tindih
- Hasil bootstrapping sulit dijelaskan ke Bab 4
- Pembimbing meminta indikator, model, atau jalur hipotesis dicek ulang
Butuh cek file langsung?
Kirim data dan arahan pembimbing. Kami cek dulu kebutuhan awal sebelum menentukan paket.
Tanya via WhatsApp