Dalam penelitian kuantitatif yang menggunakan pendekatan Structural Equation Modeling (SEM), khususnya Partial Least Square (PLS), terdapat dua komponen penting yang harus dievaluasi yaitu outer model dan inner model. Outer model—sering juga disebut sebagai measurement model—berfokus pada hubungan antara indikator dengan konstruk yang diukur. Dengan kata lain, outer model memastikan bahwa indikator yang digunakan benar-benar mampu mewakili variabel laten yang ingin diteliti. Evaluasi ini sangat penting karena kualitas hasil penelitian akan sangat dipengaruhi oleh baik atau tidaknya indikator dalam mengukur konstruk secara valid dan reliabel.
Konsep Dasar Outer Model SmartPLS
Outer model adalah tahap analisis yang menjelaskan hubungan antara variabel laten dengan indikator-indikatornya. Dalam SEM-PLS, variabel laten tidak dapat diukur secara langsung, sehingga diperlukan indikator yang berfungsi sebagai representasi empiris dari konstruk tersebut. Outer model berfungsi memastikan bahwa hubungan antara indikator dan konstruk tersebut memenuhi standar validitas dan reliabilitas yang dapat dipertanggungjawabkan. Tanpa analisis outer model yang baik, hasil analisis inner model berpotensi bias atau tidak akurat.
Outer model memiliki dua tujuan utama yaitu validitas pengukuran dan reliabilitas pengukuran. Validitas menunjukkan sejauh mana indikator benar-benar mengukur konstruk yang dimaksud. Sementara itu, reliabilitas mengacu pada konsistensi indikator dalam mengukur konstruk yang sama. Dalam SmartPLS, kedua aspek ini diuji dengan berbagai alat statistik seperti loading factor, Average Variance Extracted (AVE), serta Composite Reliability. Ketiga komponen ini menjadi dasar untuk menilai apakah indikator dapat dipertahankan atau harus dieliminasi.
SmartPLS membedakan konstruk menjadi dua jenis yaitu reflective dan formative. Pada konstruk reflektif, indikator merupakan refleksi dari variabel laten, sehingga perubahan konstruk memengaruhi perubahan indikator. Sementara pada konstruk formatif, indikator membentuk konstruk, sehingga peneliti harus memastikan indikator bersifat komprehensif. Perbedaan ini sangat penting karena teknik pengujian outer model antara keduanya berbeda. Kesalahan menentukan jenis konstruk dapat menimbulkan hasil analisis yang keliru.
Dalam membangun outer model, peneliti harus memahami bahwa indikator tidak hanya dipilih berdasarkan teori, tetapi juga harus memenuhi standar statistik. Misalnya, sebuah indikator dengan loading factor rendah dapat mengganggu interpretasi konstruk secara keseluruhan. Oleh karena itu, sering kali peneliti perlu melakukan revisi, menghapus indikator yang lemah, atau menyesuaikan kembali model agar hasilnya lebih optimal. Proses iteratif ini adalah bagian normal dalam analisis SEM-PLS.
Secara keseluruhan, outer model merupakan pondasi utama dalam penelitian berbasis SmartPLS. Keberhasilan analisis inner model sangat bergantung pada kualitas outer model. Oleh sebab itu, peneliti wajib memahami konsep dasar outer model agar dapat merancang, menguji, dan menginterpretasikan hasil penelitian secara tepat. Pemahaman ini akan menjadi dasar sebelum masuk ke pembahasan teknik dan prosedur evaluasi pada bagian berikutnya.
Baca Juga: Memahami 5 Fungsi Komunikasi Massa dalam Kehidupan Modern
Komponen dan Indikator dalam Outer Model
Komponen utama outer model terdiri dari indikator, konstruk laten, dan hubungan pengukuran antara keduanya. Indikator merupakan variabel observasi yang dikumpulkan melalui kuesioner atau instrumen penelitian lainnya. Sementara konstruk laten adalah konsep abstrak seperti kepuasan, motivasi, atau kepercayaan. Hubungan antara indikator dengan konstruk itulah yang kemudian diestimasi melalui SmartPLS menggunakan pendekatan partial least square.
Indikator dalam outer model biasanya dibedakan menjadi indikator reflektif dan formatif. Pada konstruk reflektif, indikator saling berkorelasi dan merupakan manifestasi dari konstruk yang sama. Misalnya, kepuasan pelanggan dapat diukur menggunakan sejumlah indikator seperti perasaan puas, kecocokan harapan, atau kesediaan merekomendasikan. Sementara pada konstruk formatif, indikator tidak harus berkorelasi karena masing-masing komponen membentuk konstruk secara independen. Contohnya adalah indikator kualitas layanan yang terdiri dari tangibles, reliability, responsiveness, assurance, dan empathy.
Setiap indikator dalam outer model harus diuji apakah mampu merepresentasikan konstruk secara valid. SmartPLS memberikan nilai loading factor untuk setiap indikator. Semakin tinggi loading factor, semakin tinggi kontribusi indikator dalam menjelaskan variabel laten. Peneliti biasanya mempertimbangkan nilai minimum 0,70, meskipun dalam penelitian eksploratif nilai 0,60 masih dapat diterima. Jika nilai loading terlalu rendah, indikator dapat dihapus agar konstruk menjadi lebih kuat.
Selain loading factor, SmartPLS juga menyediakan informasi penting terkait reliabilitas seperti Composite Reliability dan Cronbach Alpha. Composite Reliability dianggap lebih baik dalam SEM-PLS karena mampu mengakomodasi karakteristik model dengan indikator yang tidak homogen. Nilai Composite Reliability yang baik adalah di atas 0,70. Hal ini menunjukkan konsistensi internal indikator dalam mengukur konstruk. Jika nilai reliabilitas rendah, maka indikator belum menunjukkan konsistensi yang baik.
Komponen terakhir dalam outer model adalah Average Variance Extracted (AVE). AVE digunakan untuk mengevaluasi validitas konvergen, yaitu sejauh mana indikator-indikator dalam konstruk yang sama saling berhubungan. Nilai AVE minimum yang disarankan adalah 0,50. Jika nilai AVE di bawah standar, maka konstruk belum memenuhi validitas konvergen, dan perlu dilakukan perbaikan seperti menghapus indikator dengan loading rendah. Dengan memahami komponen-komponen ini, peneliti dapat melakukan evaluasi outer model secara menyeluruh.
Uji Validitas dan Reliabilitas Outer Model
Evaluasi outer model dilakukan melalui dua aspek utama yaitu uji validitas dan reliabilitas. Validitas memastikan bahwa indikator mampu mengukur konsep yang dimaksud, sedangkan reliabilitas memastikan konsistensi pengukuran. SmartPLS menyediakan berbagai alat statistik untuk melakukan uji ini secara praktis dan sistematis.
1. Uji Validitas Konvergen
Uji validitas konvergen dilakukan untuk memastikan bahwa indikator dalam konstruk yang sama saling berkorelasi.
Poin penting:
-
Indikator dinyatakan valid jika loading factor ≥ 0,70
-
AVE harus ≥ 0,50
-
Indikator dengan loading < 0,40 harus dihapus
-
Jika loading berada di antara 0,40–0,70, indikator dievaluasi berdasarkan dampaknya terhadap AVE dan reliabilitas
-
Nilai outer loading ditampilkan dalam output SmartPLS dan menjadi rujukan utama
2. Uji Validitas Diskriminan
Validitas diskriminan menunjukkan bahwa suatu konstruk berbeda secara jelas dari konstruk lainnya.
Poin penting:
-
Menggunakan kriteria Fornell–Larcker
-
Akar kuadrat AVE harus lebih tinggi dari korelasi antar konstruk
-
Cross loading indikator harus lebih tinggi pada konstruk yang diukur
-
Menggunakan HTMT (Heterotrait–Monotrait Ratio) dengan nilai < 0,85
-
HTMT dijadikan acuan utama dalam penelitian modern SEM-PLS
3. Uji Reliabilitas
Uji reliabilitas mengevaluasi konsistensi indikator.
Poin penting:
-
Composite Reliability ≥ 0,70
-
Cronbach Alpha ≥ 0,70 (nilai 0,60 masih diterima pada penelitian eksploratif)
-
Jika reliabilitas rendah, periksa kembali indikator yang bermasalah
-
Indikator yang tidak konsisten harus dipertimbangkan untuk dihapus
-
Reliabilitas tinggi menunjukkan model stabil dan dapat dipercaya
Langkah-langkah Evaluasi Outer Model di SmartPLS
Evaluasi outer model di SmartPLS dilakukan melalui serangkaian langkah yang terstruktur. Peneliti harus memahami urutan evaluasi agar hasil analisis lebih akurat dan sesuai dengan standar metodologi. Berikut langkah-langkah yang umum dilakukan dalam penelitian menggunakan SmartPLS.
1. Memeriksa Outer Loading
-
Pastikan setiap indikator memiliki nilai loading minimal 0,70
-
Indikator lemah dievaluasi sebelum dihapus
-
Visualisasi model memudahkan peneliti mengidentifikasi indikator bermasalah
-
Hasil loading dapat dilihat pada tabel outer loading
-
Penghapusan indikator harus mempertimbangkan signifikansi teoritis
2. Menghitung AVE
-
AVE dievaluasi untuk setiap konstruk
-
Nilai minimum yang disarankan adalah 0,50
-
Jika AVE rendah, indikator dengan loading rendah diperiksa
-
Penghapusan indikator harus meningkatkan nilai AVE
-
AVE merupakan indikator utama validitas konvergen
3. Memeriksa Composite Reliability
-
Composite Reliability menunjukkan konsistensi internal
-
Nilai ideal antara 0,70 hingga 0,90
-
Nilai di atas 0,95 menunjukkan redundansi indikator
-
Reliabilitas dievaluasi setelah AVE
-
Gunakan nilai ini untuk memastikan konsistensi konstruk
4. Menilai Validitas Diskriminan
-
Gunakan tabel Fornell–Larcker
-
Gunakan hasil HTMT sebagai pengujian modern
-
Pastikan HTMT < 0,85 untuk model ideal
-
Perbaiki konstruk yang terlalu mirip
-
Validitas diskriminan penting untuk memastikan perbedaan konsep antar variabel
5. Menjalankan Bootstrapping
-
Bootstrapping digunakan untuk menilai signifikansi indikator
-
Indikator signifikan jika t-statistic > 1,96
-
SmartPLS menyediakan nilai p-value untuk pengujian
-
Bootstrapping memperkuat interpretasi hasil
-
Tahap ini dilakukan setelah model final stabil
Peran Outer Model dalam Menjamin Kualitas Penelitian
Outer model memiliki peran strategis dalam menjamin kualitas penelitian berbasis SEM-PLS. Tanpa outer model yang valid dan reliabel, konstruksi inner model menjadi kurang bermakna karena indikator yang digunakan belum tentu merepresentasikan konsep yang sebenarnya. Oleh sebab itu, keberhasilan penelitian yang menggunakan SmartPLS sangat bergantung pada ketepatan evaluasi outer model.
Keakuratan outer model berdampak langsung pada interpretasi hubungan antar variabel laten. Ketika indikator valid, hubungan yang dihasilkan di inner model lebih dapat dipercaya. Hal ini meningkatkan kualitas penelitian, baik secara teoretis maupun praktis. Peneliti dapat memberikan rekomendasi yang lebih tepat karena model didukung oleh data yang kuat.
Dalam penelitian akademik seperti skripsi, tesis, atau disertasi, evaluasi outer model sering menjadi poin penilaian penting dari penguji. Penguji tidak hanya melihat hasil akhir, tetapi juga memahami bagaimana peneliti melakukan seleksi indikator, melakukan evaluasi statistik, dan menjelaskan logika metodologis. Dengan memahami outer model secara mendalam, peneliti dapat menyusun analisis yang lebih kredibel dan berkontribusi pada pengembangan ilmu pengetahuan.
Baca Juga: 4 Teori Komunikasi Massa: Fondasi Pemahaman Dinamika Media dalam Masyarakat Modern
Kesimpulan
Outer model SmartPLS merupakan komponen penting dalam analisis SEM-PLS yang berfungsi mengevaluasi hubungan antara konstruk laten dengan indikatornya. Evaluasi outer model mencakup uji validitas konvergen, validitas diskriminan, serta reliabilitas, yang semuanya menjadi dasar untuk memastikan kualitas data dalam penelitian. Hasil evaluasi outer model menentukan apakah indikator mampu mengukur variabel secara tepat dan konsisten.
Dengan pemahaman yang benar mengenai komponen outer model, indikator reflektif maupun formatif, serta langkah-langkah evaluasi di SmartPLS, peneliti dapat menghasilkan penelitian yang valid, reliabel, dan dapat dipertanggungjawabkan secara ilmiah. Outer model yang kuat akan menghasilkan inner model yang lebih baik, sehingga penelitian menjadi lebih akurat dan bermakna.
Pada akhirnya, keberhasilan dalam menggunakan SmartPLS tidak hanya bergantung pada software, tetapi juga pemahaman metodologis peneliti dalam mengolah data. Oleh karena itu, penguasaan terhadap outer model menjadi landasan utama bagi siapa saja yang ingin melakukan penelitian SEM-PLS secara profesional dan berkualitas.
Terakhir, jika Anda mengalami kesulitan dalam menyusun penelitian baik skripsi, tesis, maupun disertasi dan membutuhkan bimbingan bersama mentor yang kredibel. Segera konsultasikan kesulitanmu bersama jasa bimbingan skripsi Hubungi kami melalui whatsapp maupun instagram untuk tahu lebih banyak seputar layanan.
