Cara Interpretasi Output SmartPLS: Outer Loading, AVE, CR, dan Path Coefficient
Banyak mahasiswa yang sudah selesai menjalankan analisis di SmartPLS, tetapi justru terhenti di tahap berikutnya: interpretasi output SmartPLS. Angka-angka seperti outer loading 0,812, AVE 0,541, CR 0,823, dan path coefficient 0,347 terpampang di layar — tetapi artinya tidak langsung jelas. Apakah model sudah valid? Apakah hipotesis diterima? Seberapa kuat pengaruh antarvariabel?
Kebingungan ini wajar. SmartPLS menghasilkan banyak tabel sekaligus, dan tidak semua panduan menjelaskan cara baca output SmartPLS secara urut dan kontekstual untuk keperluan skripsi atau tesis.
Direct Answer: Interpretasi output SmartPLS dilakukan dalam dua tahap utama. Pertama, uji outer model (validitas dan reliabilitas): outer loading ≥ 0,70, AVE ≥ 0,50, dan Composite Reliability ≥ 0,70. Kedua, uji inner model (hubungan antarkonstruk): evaluasi path coefficient dan p-value — hipotesis diterima jika p-value < 0,05 atau t-statistic > 1,96.
Dua fakta teknis penting: (1) outer loading ≥ 0,70 dianggap valid di SmartPLS; (2) AVE ≥ 0,50 membuktikan validitas konvergen konstruk Anda.
- Cara membaca nilai outer loading dan batas minimalnya
- Cara menginterpretasikan AVE dan Composite Reliability untuk uji reliabilitas
- Cara memahami path coefficient dan menentukan apakah hipotesis diterima atau ditolak
- Tabel ringkasan ambang batas semua indikator utama SmartPLS
- Studi kasus fiktif: mahasiswa S2 yang berhasil menyelesaikan interpretasi model PLS-SEM
Mengapa Interpretasi Output SmartPLS Sering Menjadi Hambatan Mahasiswa
SmartPLS dirancang untuk model Structural Equation Modeling berbasis Partial Least Squares (SEM-PLS). Dibanding SPSS yang output-nya relatif linear, SmartPLS menghasilkan beberapa tabel evaluasi sekaligus — dari outer loadings, cross-loadings, AVE, Composite Reliability, Cronbach Alpha, hingga path coefficients dan hasil bootstrapping. Setiap tabel menjawab pertanyaan berbeda tentang model.
Masalahnya, banyak panduan hanya menampilkan angka tanpa menjelaskan mengapa angka tersebut penting dan bagaimana menuliskan interpretasinya di bab IV. Panduan ini mengisi celah tersebut dengan pendekatan bertahap dan praktis, sesuai standar yang berlaku dalam penelitian kuantitatif berbasis SmartPLS.
Tahap Pertama Interpretasi Output SmartPLS: Uji Outer Model
Sebelum menguji hipotesis, Anda wajib memastikan bahwa instrumen pengukuran sudah valid dan reliabel. Ini disebut evaluasi outer model atau measurement model. Ada tiga indikator utama yang harus diperiksa.
1. Outer Loading — Validitas Indikator
Outer loading mengukur seberapa kuat setiap butir pernyataan (indikator) mencerminkan konstruk latennya. Dalam SmartPLS, nilai ini ada di tabel Outer Loadings pada menu Construct Reliability and Validity.
- ≥ 0,70 — indikator valid, dipertahankan
- 0,40–0,69 — evaluasi dulu: hapus hanya jika AVE atau CR meningkat secara signifikan
- < 0,40 — sebaiknya dihapus dari model
Contoh penulisan di bab IV: "Seluruh indikator pada konstruk Kepuasan Kerja memiliki outer loading di atas 0,70, sehingga semua indikator dinyatakan valid dan dapat dipertahankan dalam model."
2. AVE (Average Variance Extracted) — Validitas Konvergen
AVE mengukur rata-rata varians yang dapat dijelaskan oleh konstruk dari indikator-indikatornya. Syarat minimum untuk validitas konvergen adalah AVE ≥ 0,50. Nilai ini tersedia di kolom Average Variance Extracted (AVE) pada tabel yang sama.
Jika AVE < 0,50, artinya varians kesalahan (error variance) lebih besar dari varians yang dijelaskan konstruk — model perlu direvisi.
3. Composite Reliability dan Cronbach Alpha — Reliabilitas Konstruk
Dua indikator reliabilitas yang dihasilkan SmartPLS adalah Composite Reliability (CR) dan Cronbach Alpha. Keduanya harus ≥ 0,70 agar konstruk dianggap reliabel.
Composite Reliability lebih direkomendasikan dalam konteks SEM-PLS karena mempertimbangkan bobot outer loading masing-masing indikator, sehingga lebih akurat dibanding Cronbach Alpha yang mengasumsikan kontribusi indikator identik.
| Indikator | Ambang Minimum | Interpretasi Jika Terpenuhi |
|---|---|---|
| Outer Loading | ≥ 0,70 | Indikator valid, mencerminkan konstruk dengan baik |
| AVE | ≥ 0,50 | Validitas konvergen terpenuhi |
| Composite Reliability | ≥ 0,70 | Konstruk reliabel (diutamakan vs Cronbach Alpha) |
| Cronbach Alpha | ≥ 0,70 | Konstruk reliabel (pendukung CR) |
| HTMT (diskriminan) | < 0,85 atau < 0,90 | Validitas diskriminan terpenuhi |
Tahap Kedua Interpretasi Output SmartPLS: Uji Inner Model dan Path Coefficient
Setelah outer model lolos evaluasi, langkah berikutnya adalah menguji hubungan antarkonstruk — ini disebut inner model atau structural model. Di sinilah hipotesis penelitian Anda diuji.
Path Coefficient — Arah dan Kekuatan Pengaruh
Path coefficient (β) menunjukkan arah dan besaran pengaruh dari satu konstruk ke konstruk lain. Nilai ini ada di output Path Coefficients setelah menjalankan bootstrapping.
- Positif: konstruk eksogen berpengaruh searah terhadap konstruk endogen
- Negatif: berpengaruh berlawanan arah
- Semakin besar nilai absolut koefisien, semakin kuat pengaruhnya
T-Statistic dan P-Value — Signifikansi Hipotesis
Untuk menentukan apakah hipotesis diterima atau ditolak, lihat nilai t-statistic dan p-value dari hasil bootstrapping SmartPLS:
- t-statistic > 1,96 → pengaruh signifikan (α = 5%)
- p-value < 0,05 → hipotesis diterima
- Jika keduanya tidak terpenuhi → hipotesis ditolak (pengaruh tidak signifikan)
Tutorial: Langkah-Langkah Interpretasi Output SmartPLS Secara Urut
Langkah 1 — Jalankan PLS Algorithm terlebih dahulu
Buka SmartPLS, klik menu Calculate → PLS Algorithm. Biarkan pengaturan default (maximum iterations 300, stop criterion 10⁻⁷). Tunggu hingga proses selesai. Hasil ini menghasilkan outer loadings, AVE, dan CR.
Langkah 2 — Periksa Outer Loadings
Buka tab Outer Loadings. Cek setiap nilai: indikator dengan loading < 0,40 perlu dihapus. Untuk loading antara 0,40–0,69, evaluasi efeknya terhadap AVE sebelum menghapus. Catat semua nilai untuk dilaporkan di bab IV.
Langkah 3 — Evaluasi AVE dan Composite Reliability
Buka tab Construct Reliability and Validity. Kolom yang perlu diperhatikan: Cronbach's Alpha, Composite Reliability, dan Average Variance Extracted (AVE). Semua konstruk harus memenuhi: CR ≥ 0,70 dan AVE ≥ 0,50.
Langkah 4 — Cek Validitas Diskriminan dengan HTMT
Di tab Discriminant Validity → HTMT, pastikan nilai HTMT antar-konstruk < 0,85 (konservatif) atau < 0,90 (longgar). Jika ada yang melebihi batas, pertimbangkan untuk merevisi model atau menggabungkan konstruk yang terlalu mirip.
Langkah 5 — Jalankan Bootstrapping
Klik Calculate → Bootstrapping. Atur jumlah sampel bootstrap minimal 5.000 dan pilih two-tailed dengan significance level 0,05. Proses ini menghasilkan t-statistic dan p-value untuk setiap jalur hipotesis.
Langkah 6 — Baca Path Coefficients dan Uji Hipotesis
Buka tab Path Coefficients lalu lihat kolom T Statistics dan P Values. Untuk setiap hipotesis: jika p-value < 0,05, hipotesis diterima. Catat pula nilai koefisien (β) dan arahnya (positif/negatif) untuk diinterpretasikan di bab IV.
Studi Kasus: Rina dan Model SmartPLS yang Membingungkan
Rina, mahasiswa S2 Manajemen di sebuah universitas negeri, sedang mengerjakan bab IV tesisnya. Ia telah berhasil menjalankan SmartPLS dan output sudah muncul — tetapi ia tidak tahu harus memulai dari mana. Tabel Outer Loadings menampilkan nilai antara 0,612 hingga 0,891 untuk konstruk Motivasi Kerja, dan AVE-nya 0,487.
Rina menyadari bahwa dua indikator dengan loading 0,612 dan 0,634 harus dievaluasi lebih lanjut. Setelah menghapus keduanya dan menjalankan ulang PLS Algorithm, AVE naik menjadi 0,531 — sudah memenuhi batas 0,50. CR juga naik dari 0,719 menjadi 0,802. Outer model kini lolos.
Selanjutnya, Rina menjalankan bootstrapping dengan 5.000 sampel. Hasil menunjukkan bahwa konstruk Motivasi Kerja berpengaruh positif terhadap Kinerja Karyawan (β = 0,412, p = 0,003). Hipotesis pertamanya diterima. Dengan bantuan panduan bertahap, Rina berhasil menyelesaikan bab IV dalam dua hari.
Catatan: Rina adalah tokoh fiktif untuk ilustrasi. Angka yang ditampilkan adalah contoh, bukan hasil riset nyata.
Checklist Sebelum dan Sesudah Interpretasi Output SmartPLS
- Pastikan semua outer loading ≥ 0,70 sebelum melanjutkan ke uji reliabilitas.
- Verifikasi bahwa AVE setiap konstruk ≥ 0,50 — ini syarat mutlak validitas konvergen.
- Cek Composite Reliability ≥ 0,70 (utamakan CR, bukan hanya Cronbach Alpha).
- Jalankan bootstrapping dengan minimal 5.000 sampel untuk hasil t-statistic yang stabil.
- Catat nilai β, t-statistic, dan p-value untuk setiap jalur hipotesis secara lengkap.
- Pastikan narasi di bab IV konsisten dengan tabel output — jangan ada angka yang berbeda.
FAQ: Pertanyaan Umum Seputar Interpretasi Output SmartPLS
Bagaimana cara membaca nilai outer loading di SmartPLS?
Nilai outer loading di SmartPLS menunjukkan seberapa kuat setiap indikator mengukur konstruknya. Nilai outer loading ≥ 0,70 dianggap valid. Jika nilainya antara 0,40–0,70, evaluasi dulu apakah penghapusan indikator tersebut meningkatkan AVE atau CR sebelum memutuskan untuk membuangnya.
Berapa nilai AVE yang dianggap baik dalam SmartPLS?
Nilai Average Variance Extracted (AVE) yang memenuhi syarat validitas konvergen dalam SmartPLS adalah ≥ 0,50. Artinya, konstruk mampu menjelaskan lebih dari 50% varians indikator-indikatornya. Nilai AVE di bawah 0,50 menandakan bahwa konstruk perlu dievaluasi ulang.
Apa perbedaan Composite Reliability dan Cronbach Alpha di SmartPLS?
Composite Reliability (CR) lebih direkomendasikan dari Cronbach Alpha untuk model SEM-PLS karena CR mempertimbangkan bobot outer loading masing-masing indikator. Cronbach Alpha mengasumsikan semua indikator berkontribusi sama. Keduanya harus ≥ 0,70; namun CR dianggap lebih akurat dalam konteks SmartPLS.
Bagaimana cara menginterpretasikan path coefficient dan nilai p-value di SmartPLS?
Path coefficient menunjukkan arah dan kekuatan pengaruh antara dua konstruk. Nilai positif berarti pengaruh searah, nilai negatif berarti berlawanan arah. Hipotesis diterima jika p-value < 0,05 (signifikan pada 5%) atau t-statistic > 1,96. Semakin besar nilai koefisien, semakin kuat pengaruhnya.
Kesimpulan
Interpretasi output SmartPLS bukan sekadar membaca angka — ini tentang memahami apakah model yang Anda bangun valid, reliabel, dan mampu membuktikan hipotesis penelitian. Dengan urutan yang tepat — dari outer loading, AVE, Composite Reliability, hingga path coefficient dan bootstrapping — proses ini menjadi sistematis dan dapat dilaporkan dengan percaya diri di bab IV. Berdasarkan pengalaman percetakanwisuda.com sejak 2004 mendampingi mahasiswa S1, S2, dan S3, hambatan terbesar bukan di software, melainkan di pemahaman tentang apa yang harus dilihat dan bagaimana menarasikannya.
Untuk panduan lebih lengkap tentang SEM-PLS secara menyeluruh, baca juga artikel kami: Panduan Lengkap Olah Data SmartPLS.
Output SmartPLS sudah ada tapi bingung memaknainya? Konsultasikan sekarang.