Outer Loading di Bawah 0,7: Kapan Indikator Boleh Dihapus di SmartPLS?

Outer loading adalah besarnya hubungan antara sebuah indikator (butir kuesioner) dan konstruk yang diukurnya. Patokan yang umum dipakai untuk model reflektif adalah 0,708. Namun, outer loading di bawah 0,7 tidak otomatis berarti indikator harus dihapus.

Banyak mahasiswa langsung menghapus semua indikator yang loading-nya di bawah 0,7, lalu menjalankan ulang SmartPLS sampai semua angka “hijau”. Masalahnya, penguji bisa bertanya: “Kenapa butir ini dibuang? Apakah konstruknya masih mengukur hal yang sama?” Artikel ini menjelaskan aturan yang dipakai di literatur PLS-SEM, lengkap dengan contoh kapan indikator perlu dihapus dan kapan sebaiknya dipertahankan.

Artikel ini bagian dari seri Materi Statistik IDTesis. Outer loading adalah langkah pertama evaluasi model pengukuran di SEM PLS. Urutan membaca seluruh output ada di artikel cara membaca output SmartPLS.

Mengapa Patokannya 0,708?

Kuadrat outer loading menunjukkan reliabilitas indikator, yaitu seberapa besar varians indikator yang dijelaskan oleh konstruknya. Angka 0,708 dipilih karena 0,708² ? 0,50. Artinya, pada loading 0,708, konstruk menjelaskan sedikitnya setengah varians indikator tersebut (Hair dkk., 2022).

Sebagai pembanding, indikator dengan loading 0,45 hanya dijelaskan sekitar 20% (0,45² = 0,20) oleh konstruknya. Sisanya adalah variasi lain atau kesalahan pengukuran.

Aturan Menghapus Indikator Menurut Hair dkk.

Aturan baris kedua berasal dari Hair, Ringle, dan Sarstedt (2011). Indikator dengan loading 0,40 sampai 0,70 hanya dipertimbangkan untuk dihapus jika penghapusannya menaikkan composite reliability (CR) atau AVE sampai melewati batas yang disarankan. Jika CR dan AVE sudah memenuhi, tidak ada alasan statistik untuk menghapusnya.

Rumus AVE dan Composite Reliability

Keputusan menghapus indikator selalu dikaitkan dengan dua ukuran ini. AVE (average variance extracted) adalah rata-rata kuadrat loading:

Composite reliability (CR atau ?c) dihitung dari jumlah loading:

Keterangan: ?? adalah outer loading indikator ke-i, dan n adalah jumlah indikator konstruk tersebut.

Patokan yang umum dipakai: AVE ? 0,50, dan CR antara 0,70 sampai 0,90 (memuaskan sampai baik). CR di atas 0,95 justru perlu diwaspadai, karena bisa berarti butir-butirnya terlalu mirip satu sama lain (Hair dkk., 2019). Penjelasan reliabilitas secara umum ada di artikel uji reliabilitas.

Contoh Kasus: Dihapus atau Dipertahankan?

Sebuah penelitian memiliki dua konstruk reflektif: Kepuasan Kerja (KK, 5 indikator) dan Komitmen Organisasi (KO, 4 indikator). Loading di bawah ini adalah angka ilustrasi.

Kasus 1: Kepuasan Kerja, Indikator Perlu Dihapus

Dua indikator berada di bawah 0,708, yaitu KK4 (0,45) dan KK5 (0,62). AVE Kepuasan Kerja hanya 0,480, belum mencapai 0,50. Jadi ada alasan untuk menghapus indikator.

Hapus satu per satu, mulai dari loading terendah. Setelah KK4 dihapus:

AVE kini melewati 0,50. Karena batas sudah terpenuhi, KK5 (0,62) tidak perlu ikut dihapus. Seandainya KK5 juga dihapus, AVE naik menjadi 0,604, tetapi konstruk kehilangan satu aspek lagi tanpa alasan yang kuat.

Untuk menyederhanakan, contoh ini menganggap loading KK1, KK2, KK3, dan KK5 tidak berubah setelah KK4 dihapus. Di SmartPLS, Anda harus menjalankan ulang model. Semua loading, AVE, dan CR akan sedikit bergeser, dan angka hasil estimasi ulang itulah yang dilaporkan.

Kasus 2: Komitmen Organisasi, Indikator Dipertahankan

KO4 memiliki loading 0,63, di bawah 0,708. Namun AVE Komitmen Organisasi sudah 0,584 dan CR 0,847, keduanya memenuhi batas. Menurut aturan Hair dkk., KO4 dipertahankan.

Menghapus KO4 memang menaikkan AVE menjadi 0,646, tetapi CR justru turun sedikit menjadi 0,845. Yang lebih penting, isi konstruk menjadi lebih sempit. Menaikkan angka yang sudah memenuhi syarat bukan alasan untuk membuang butir.

Memutuskan indikator mana yang dibuang dan menjelaskan alasannya kepada penguji sering menjadi bagian yang paling banyak direvisi. Jika Anda butuh teman diskusi untuk membaca hasil SmartPLS Anda sendiri, tim IDTesis bisa membantu.

Periksa Validitas Isi Sebelum Menghapus

Setiap indikator biasanya mewakili satu aspek dari definisi konstruk. Misalnya, kepuasan kerja sering diukur dari aspek gaji, pekerjaan itu sendiri, rekan kerja, atasan, dan promosi. Jika KK4 adalah satu-satunya butir tentang promosi, menghapusnya berarti konstruk tidak lagi mencakup aspek promosi.

Sebelum menghapus, tanyakan dua hal. Apakah aspek yang diwakili butir ini masih tercakup oleh butir lain? Apakah definisi konstruk di Bab 2 masih sesuai? Jika jawabannya tidak, diskusikan dengan pembimbing dan tuliskan sebagai keterbatasan penelitian. Konsep konstruk dan indikator dijelaskan di artikel konsep, konstruk, dan variabel.

Penyebab Outer Loading Rendah

• Butir negatif belum dibalik skornya. Ciri khasnya, loading bernilai negatif. Cara membalik skor butir negatif ada di artikel skala Likert ?.
• Kalimat butir ambigu atau menanyakan dua hal sekaligus, misalnya “Gaji dan tunjangan saya memadai.”
• Butir sebenarnya lebih dekat ke konstruk lain. Periksa cross loading di artikel validitas diskriminan ?.
• Variasi jawaban sangat sempit, misalnya hampir semua responden menjawab 4.
• Salah input atau salah urutan kolom saat data dipindahkan dari Excel.

Periksa penyebab-penyebab ini dulu. Banyak loading rendah yang ternyata selesai hanya dengan membetulkan data, tanpa perlu menghapus butir.

Aturan Ini Tidak Berlaku untuk Indikator Formatif

Semua aturan di atas hanya untuk model pengukuran reflektif, yaitu ketika indikator dianggap mencerminkan konstruknya. Pada model formatif, indikator membentuk konstruk, sehingga indikator tidak harus saling berkorelasi. Indikator formatif dievaluasi dengan VIF dan signifikansi outer weight, bukan dengan batas 0,708 (Hair dkk., 2022). Menghapus indikator formatif berarti mengubah makna konstruk, sehingga keputusannya harus jauh lebih hati-hati.

Contoh Penulisan di Bab 4

Evaluasi validitas konvergen menunjukkan bahwa sebagian besar indikator memiliki outer loading di atas 0,708. Indikator KK4 (0,45) dan KK5 (0,62) berada di bawah batas tersebut, dan AVE Kepuasan Kerja sebesar 0,480 belum memenuhi batas 0,50. Mengikuti saran Hair dkk. (2022), indikator dengan loading terendah, yaitu KK4, dikeluarkan dari model. Setelah model diestimasi ulang, AVE Kepuasan Kerja menjadi 0,549 dan composite reliability 0,828, sehingga memenuhi batas yang disarankan. Indikator KK5 dan KO4 tetap dipertahankan karena AVE dan composite reliability konstruknya telah memenuhi batas, dan keduanya mewakili aspek penting dari konstruk masing-masing.

Ganti angka setelah penghapusan dengan hasil estimasi ulang dari SmartPLS Anda. Urutan lengkap pelaporan hasil ada di artikel cara menulis hasil SEM PLS.

Kesalahan yang Sering Terjadi

• Menghapus semua indikator di bawah 0,7 sekaligus, bukan satu per satu.
• Menghapus indikator hanya untuk menaikkan AVE yang sebenarnya sudah memenuhi batas.
• Tidak menjalankan ulang model setelah menghapus indikator.
• Tidak melaporkan indikator yang dihapus beserta alasannya.
• Menerapkan batas 0,708 pada indikator formatif.
• Mengabaikan loading negatif, padahal biasanya itu tanda butir negatif yang belum dibalik.
• Menyebut indikator “tidak valid”. Istilah yang lebih tepat adalah reliabilitas indikator rendah. Validitas diuji lewat AVE dan validitas diskriminan.

Pertanyaan yang Sering Diajukan

Bolehkah memakai batas 0,5 atau 0,6?

Sebagian pedoman kampus dan penelitian memakai batas lebih rendah, terutama untuk instrumen yang baru dikembangkan. Jika Anda memakainya, cantumkan rujukannya dan alasannya di Bab 3. Dalam praktiknya, aturan Hair dkk. sudah memberi ruang: indikator 0,5 atau 0,6 tetap boleh dipertahankan selama AVE dan CR konstruknya memenuhi batas.

Berapa banyak indikator yang boleh dihapus?

Tidak ada angka pasti. Yang menjadi ukuran adalah apakah isi konstruk masih terwakili. Jika banyak indikator harus dihapus, kemungkinan ada masalah pada instrumen, dan hal ini perlu dibahas sebagai keterbatasan penelitian.

Apakah saya masih perlu uji validitas r hitung di SPSS?

Umumnya tidak, jika analisis utama Anda memakai PLS-SEM, karena validitas sudah dievaluasi lewat outer loading, AVE, dan validitas diskriminan. Namun uji coba instrumen sebelum penelitian tetap bisa memakai cara di artikel uji validitas.

Apakah butir yang dihapus juga dibuang dari kuesioner di lampiran?

Tidak. Lampirkan instrumen asli seperti yang dibagikan kepada responden. Sebutkan di Bab 4 butir mana yang dikeluarkan dari analisis dan alasannya.

Butuh Teman Diskusi untuk Olah Data?

Masih ragu memutuskan indikator mana yang dipertahankan? Tim IDTesis bisa menemani Anda memeriksa outer loading, AVE, dan composite reliability, mencari penyebab loading rendah, dan menuliskan keputusannya di Bab 4 dengan alasan yang kuat. Ceritakan dulu kebutuhan Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: Cara Membaca Output SmartPLS · Validitas Diskriminan ? · SEM PLS

Referensi

• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
• Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–152
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.