Kali ini Mastahtugas hadir dengan memberikan penyelesaian masalah berkaitan dengan kendala kendala yang sering muncul dalam melakukan olah data Smartpls. Ada lebih dari 5 mahasiswa yang konsultasi kepada tim Mastahtugas untuk bantu mengatasi masalah-masalah dalam olah data di Smartpls seperti Ave Rendah, HTMT terlalu tinggi, dan hubungan tidak signifikan terutama pada bagian path Coefficient. Pada kesempatan ini kami akan selesaikan masalah ini semua dengan memberikan solusi tahap demi tahap. Silahkan perhatikan sampai selesai.
1. AVE Rendah
Masalah pertama yang cukup sering ditemukan adalah Average Variance Extracted (AVE) yang rendah.
AVE digunakan untuk melihat apakah indikator-indikator yang digunakan dalam suatu konstruk mampu menjelaskan konstruk tersebut dengan baik. Secara umum, nilai AVE yang diharapkan adalah sekitar 0,50 atau lebih.
Apabila nilai AVE berada di bawah batas tersebut, berarti konstruk belum mampu menjelaskan varians indikator secara memadai. Kondisi seperti ini tentu dapat membuat mahasiswa bingung, terutama ketika semua indikator sudah dimasukkan ke dalam model tetapi hasil pengujiannya belum memenuhi kriteria.
Lalu, apakah indikator harus langsung dihapus?
Tidak selalu.
Kita perlu melihat terlebih dahulu nilai outer loading dari masing-masing indikator. Jika terdapat indikator dengan loading yang sangat rendah, indikator tersebut dapat dievaluasi lebih lanjut. Namun, keputusan untuk menghapus indikator tidak boleh hanya didasarkan pada keinginan untuk membuat angka menjadi bagus. Penghapusan indikator harus tetap mempertimbangkan teori, definisi konstruk, serta karakteristik penelitian.
Jadi, penyelesaiannya bukan sekadar “hapus indikator yang merah”, tetapi harus dilakukan secara sistematis agar model penelitian tetap dapat dipertanggungjawabkan.
2. HTMT Terlalu Tinggi ( Merah)
Masalah berikutnya adalah HTMT atau Heterotrait-Monotrait Ratio yang terlalu tinggi.
HTMT digunakan untuk mengevaluasi discriminant validity, yaitu apakah suatu konstruk memang berbeda dengan konstruk lainnya.
Contohnya, dalam sebuah penelitian terdapat konstruk Kualitas Pelayanan dan Kepuasan Pelanggan. Secara teori, keduanya merupakan dua konsep yang berbeda. Namun, jika nilai HTMT terlalu tinggi, bisa muncul indikasi bahwa kedua konstruk tersebut terlalu mirip secara empiris.
Hal ini tentu perlu diperiksa karena model penelitian bukan hanya harus memiliki indikator yang reliabel, tetapi juga harus mampu membedakan satu konstruk dengan konstruk lainnya.
Untuk menyelesaikan masalah HTMT, kita tidak boleh asal menghapus indikator. Kita perlu melihat indikator mana yang memiliki kemiripan tinggi, memeriksa kembali pertanyaan dalam kuesioner, serta memastikan bahwa masing-masing konstruk memang memiliki dasar teori yang jelas.
3. Outer Loading Rendah
Masalah ketiga yang sering ditemukan adalah outer loading yang rendah.
Outer loading menunjukkan seberapa kuat suatu indikator merepresentasikan konstruk yang diukurnya. Semakin tinggi nilainya, secara umum semakin baik kemampuan indikator tersebut dalam merepresentasikan konstruk.
Misalnya terdapat indikator dengan nilai loading 0,85, sementara indikator lainnya hanya 0,40. Indikator dengan nilai 0,40 tentu perlu mendapatkan perhatian.
Namun sekali lagi, bukan berarti setiap nilai di bawah 0,70 harus otomatis dihapus. Kita perlu melihat keseluruhan model, nilai AVE, composite reliability, teori yang mendasari indikator, serta dampak penghapusan indikator terhadap kualitas konstruk.
Inilah alasan mengapa pengolahan SmartPLS tidak cukup hanya dengan memasukkan data kemudian menekan tombol Calculate. Dibutuhkan pemahaman untuk membaca hasil dan menentukan tindakan yang tepat.
4. VIF Bermasalah
Selanjutnya terdapat masalah Variance Inflation Factor atau VIF.
VIF berkaitan dengan kemungkinan adanya multikolinearitas. Kondisi ini dapat terjadi ketika variabel atau indikator dalam model memiliki hubungan yang terlalu kuat satu sama lain.
Jika nilai VIF terlalu tinggi, hasil estimasi hubungan antarvariabel dapat menjadi kurang stabil. Oleh karena itu, nilai VIF juga perlu diperiksa, terutama ketika kita sedang mengevaluasi model struktural.
Pemeriksaan VIF menjadi semakin penting apabila penelitian memiliki banyak variabel independen yang digunakan untuk menjelaskan satu variabel dependen.
5. Path Coefficient Tidak Signifikan
Nah, ini merupakan salah satu masalah yang paling sering membuat mahasiswa panik.
Misalnya hipotesis penelitian berbunyi:
H1: Kualitas Pelayanan berpengaruh positif terhadap Kepuasan Pelanggan.
Setelah dilakukan bootstrapping, ternyata nilai P-Value > 0,05.
Kemudian mahasiswa langsung berpikir:
“Waduh, hasil penelitian saya gagal.”
Padahal sebenarnya hubungan yang tidak signifikan bukan berarti SmartPLS mengalami error.
Hasil tersebut justru merupakan bagian dari temuan penelitian. Artinya, berdasarkan data yang diperoleh, belum terdapat bukti statistik yang cukup untuk menyatakan bahwa hubungan tersebut signifikan pada tingkat signifikansi yang digunakan.
Yang perlu dilakukan adalah memeriksa kembali model, kualitas indikator, ukuran sampel, karakteristik data, serta dasar teori yang digunakan. Jangan sampai hanya karena hipotesis tidak signifikan, kemudian dilakukan manipulasi data atau penghapusan indikator secara sembarangan.
6. Bootstrapping Tidak Sesuai Harapan
Masalah lainnya dapat muncul ketika mahasiswa menjalankan bootstrapping dan mendapatkan hasil yang berbeda dari perkiraan.
Bootstrapping digunakan untuk memperoleh informasi seperti standard error, t-statistic, p-value, serta confidence interval. Oleh karena itu, tahap ini sangat penting ketika kita ingin menguji hipotesis penelitian.
Kesalahan dalam pengaturan atau pemahaman hasil bootstrapping dapat menyebabkan mahasiswa salah dalam mengambil kesimpulan.
Karena itu, setelah proses bootstrapping selesai, jangan hanya melihat apakah angka p-value berwarna merah atau hijau. Kita perlu memahami apa arti setiap angka yang muncul dan bagaimana kaitannya dengan hipotesis penelitian.
Jangan Asal Menghapus Data atau Indikator
Satu hal yang sangat penting untuk teman-teman semua.
Ketika mendapatkan hasil SmartPLS yang tidak sesuai harapan, jangan langsung menghapus data, menghapus indikator, atau mengubah data responden hanya untuk mengejar hasil yang signifikan.
Pengolahan data penelitian harus dilakukan secara metodologis dan dapat dipertanggungjawabkan. Jika memang terdapat indikator yang bermasalah, kita harus mengetahui alasan mengapa indikator tersebut bermasalah dan apa konsekuensinya apabila indikator tersebut dihapus.
Begitu juga ketika path coefficient tidak signifikan. Hasil tersebut tetap dapat dilaporkan dalam penelitian selama interpretasinya dilakukan dengan benar.
Mastahtugas Siap Membantu
Melalui pengalaman menangani berbagai kendala pengolahan data mahasiswa, Mastahtugas berusaha membantu teman-teman memahami permasalahan SmartPLS secara lebih sistematis.
Mulai dari memeriksa data, menjalankan PLS Algorithm, mengevaluasi outer loading, AVE, composite reliability, discriminant validity, HTMT, VIF, hingga melakukan bootstrapping dan membaca path coefficient, semuanya perlu dilakukan secara berurutan. Anda bisa mendapatkan layanan kami melalui laman listing jasa olah data Smartpls.
Jadi, apabila saat ini Anda sedang mengalami masalah seperti AVE rendah, HTMT tinggi, outer loading rendah, VIF tinggi, atau path coefficient yang tidak signifikan, jangan langsung panik.
Bisa jadi masalah tersebut masih dapat dievaluasi dan diperbaiki melalui langkah-langkah metodologis yang tepat.
Untuk teman-teman yang sedang mengerjakan skripsi atau penelitian dan mengalami kendala dalam pengolahan data SmartPLS, Mastahtugas siap membantu melakukan pengecekan dan memberikan solusi sesuai dengan kondisi data dan model penelitian Anda.
Silakan perhatikan setiap tahapnya dengan baik, karena pada pembahasan berikutnya kita akan masuk ke contoh kasus secara langsung, mulai dari melihat masalah pada hasil SmartPLS, mengidentifikasi penyebabnya, menentukan bagian yang perlu dievaluasi, hingga mendapatkan model yang lebih baik dan dapat dipertanggungjawabkan secara akademis.
Jangan hanya mengejar hasil yang bagus. Yang lebih penting adalah memahami mengapa hasil tersebut muncul dan bagaimana cara menyelesaikannya secara benar.
