Cara membaca output Outer Model dan Inner Model di SmartPLS

Masih bingung melihat tumpukan angka di layar SmartPLS Anda? Tenang, Anda tidak sendirian. Banyak peneliti pemula yang terjebak dalam labirin statistik hanya karena tidak tahu mana yang harus dibaca duluan. Memahami Cara membaca output Outer Model dan Inner Model di SmartPLS adalah kunci agar skripsi, tesis, atau riset pasar Anda tidak dianggap sampah oleh penguji. Jangan biarkan software canggih ini hanya menjadi hiasan di laptop Anda tanpa Anda mengerti apa maksud dari angka-angka berwarna hijau dan merah tersebut.

Baca selengkapnya Panduan Lengkap Ekonometrika untuk Penelitian Ekonomi

Kenapa Anda Harus Peduli dengan Outer dan Inner Model?

Dalam dunia Partial Least Squares Structural Equation Modeling (PLS-SEM), model penelitian dibagi menjadi dua bagian besar. Outer model bicara tentang validitas dan reliabilitas instrumen Anda. Singkatnya: apakah kuesioner Anda sampah atau emas? Sedangkan Inner model bicara tentang hubungan antar variabel. Singkatnya: apakah variabel A benar-benar mempengaruhi variabel B, atau itu cuma imajinasi Anda saja?

Jika Anda bergerak di bidang keuangan atau ekonomi, ketelitian ini harga mati. Salah baca output berarti salah ambil keputusan investasi atau salah strategi bisnis. Jadi, mari kita bedah satu per satu dengan cara yang paling manusiawi.

Langkah 1: Membedah Outer Model (Measurement Model)

Sebelum bicara hubungan cinta antar variabel, pastikan dulu alat ukur Anda tidak rusak. Outer model adalah tahap filter pertama. Jika di tahap ini gagal, jangan harap hasil Inner model Anda valid.

1. Validitas Konvergen (Loading Factor & AVE)

Lihat kolom ‘Outer Loadings’. Aturan mainnya sederhana: angka harus di atas 0.70. Kalau ada yang di bawah itu, indikator Anda lemah. Buang saja daripada merusak model. Namun, untuk riset yang sifatnya pengembangan (exploratory), angka 0.60 masih bisa ditoleransi. Jangan malas, cek juga Average Variance Extracted (AVE). Syaratnya wajib di atas 0.50. Artinya, variabel laten Anda mampu menjelaskan lebih dari setengah varians indikator-indikatornya.

2. Validitas Diskriminan (Fornell-Larcker & HTMT)

Ini adalah cara untuk memastikan bahwa variabel Anda tidak “selingkuh” dengan variabel lain. Gunakan kriteria Fornell-Larcker atau yang lebih modern: Heterotrait-Monotrait Ratio (HTMT). Nilai HTMT harus di bawah 0.90. Jika lebih, berarti variabel Anda terlalu mirip dengan variabel lain. Identitasnya tidak unik.

3. Reliabilitas Konstruk

Gunakan Cronbach’s Alpha dan Composite Reliability. Jangan puas hanya dengan angka 0.60. Di Zona Ekonomi, kita mendorong standar yang lebih tinggi. Targetkan angka di atas 0.70 agar instrumen Anda dianggap benar-benar handal dan konsisten secara internal.

Langkah 2: Menguliti Inner Model (Structural Model)

Setelah Outer model beres dan semua angka berwarna hijau, barulah kita masuk ke menu utama: Inner Model. Di sinilah hipotesis Anda diuji. Apakah kerja keras Anda mengumpulkan data membuahkan hasil?

1. R-Square (Koefisien Determinasi)

R-Square menunjukkan seberapa besar variabel independen mampu menjelaskan variabel dependen. Jika R-Square Anda 0.75, itu kuat. Jika 0.25, itu lemah. Tapi ingat, dalam ekonomi, R-Square kecil bukan berarti riset Anda gagal. Perilaku manusia itu kompleks, tidak bisa dijelaskan hanya dengan satu atau dua variabel saja. Jangan berkecil hati kalau angkanya kecil, yang penting signifikan!

2. Path Coefficients & P-Values

Ini adalah jantung dari riset Anda. Lihat kolom ‘Path Coefficients’. Angka positif berarti hubungan searah, negatif berarti berlawanan. Namun, lihat juga P-Values-nya. Jika P-Values di bawah 0.05, selamat! Hipotesis Anda diterima. Jika di atas itu? Ya, silakan cari alasan logis di bab pembahasan mengapa teori Anda tidak terbukti di lapangan.

3. f-Square (Effect Size)

Jangan cuma lihat signifikan atau tidak. Lihat juga seberapa besar dampaknya. f-Square memberi tahu kita apakah dampak variabel tersebut kecil (0.02), medium (0.15), atau besar (0.35). Terkadang sesuatu itu signifikan secara statistik, tapi dampaknya secara praktis sangat kecil. Jangan tertipu angka!

Menjawab Ketakutan Psikologis Peneliti

Banyak orang gemetar saat melihat angka merah di SmartPLS. Secara psikologis, kita dididik untuk takut pada warna merah. Tapi di PLS-SEM, warna merah adalah petunjuk. Itu artinya model Anda butuh perbaikan, bukan berarti Anda bodoh. Mungkin ada indikator yang ambigu, atau responden Anda menjawab asal-asalan. Hadapi angkanya, jangan lari dari kenyataan.

• Apakah data saya harus normal? Tidak. PLS-SEM adalah metode non-parametrik. Dia tidak rewel soal distribusi data.
• Bagaimana kalau hipotesis ditolak? Itu bukan kiamat. Justru menarik untuk dibahas mengapa teori yang ada tidak berlaku pada objek penelitian Anda.
• Berapa jumlah sampel minimal? Gunakan aturan ’10 times rule’ atau analisis G*Power untuk lebih akurat.

Kesalahan Fatal yang Sering Dilakukan Pemula

Banyak yang langsung lompat ke Inner Model tanpa membereskan Outer Model. Ini seperti membangun rumah mewah di atas tanah rawa. Roboh! Pastikan validitas dan reliabilitas tuntas 100%. Selain itu, jangan mengabaikan nilai VIF (Variance Inflation Factor). Jika VIF di atas 5, model Anda terkena masalah multikolinearitas. Artinya, antar variabel independen Anda terjadi tumpang tindih yang parah. Bersihkan itu!

Kesimpulan: Jadilah Peneliti yang Berani

Membaca output SmartPLS bukan sekadar mencocokkan angka dengan tabel standar. Ini adalah seni bercerita menggunakan data. Anda sedang membuktikan sebuah fenomena ekonomi atau perilaku keuangan. Jangan biarkan software mendikte Anda; Andalah yang harus mendikte software tersebut berdasarkan logika teori yang kuat.

Ingin tahu lebih dalam tentang strategi finansial dan analisis data yang tajam? Langsung saja meluncur ke Zona Ekonomi. Kami tidak hanya bicara soal angka, tapi soal bagaimana angka tersebut merubah hidup dan cara Anda melihat dunia keuangan.

FAQ: Pertanyaan yang Sering Muncul

• Apa bedanya SmartPLS 3 dan SmartPLS 4 dalam membaca output? Secara prinsip sama, namun SmartPLS 4 memiliki fitur tambahan seperti analisis PLS-predict dan integrasi dengan bahasa pemrograman R yang lebih baik.
• Mengapa nilai AVE saya rendah padahal Loading Factor tinggi? Periksa apakah ada indikator yang memiliki varians error yang sangat besar. Terkadang satu indikator bermasalah bisa merusak rata-rata AVE satu variabel.
• Kapan saya harus menggunakan Bootstrapping? Selalu lakukan Bootstrapping untuk mendapatkan nilai T-Statistics dan P-Values. Tanpa ini, Anda tidak bisa melakukan uji signifikansi hipotesis.