Validitas diskriminan adalah bukti bahwa sebuah konstruk benar-benar berbeda dari konstruk lain dalam model. Dengan kata lain, butir-butir yang mengukur kepuasan seharusnya lebih mirip satu sama lain daripada dengan butir-butir yang mengukur loyalitas.
Masalah ini sering muncul pada konstruk yang konsepnya berdekatan, misalnya kepuasan dan loyalitas, atau komitmen dan keterikatan kerja. Jika validitas diskriminan tidak terpenuhi, hubungan antarkonstruk sulit ditafsirkan, karena keduanya bisa jadi mengukur hal yang sama.
Artikel ini bagian dari seri Materi Statistik IDTesis. Validitas diskriminan adalah salah satu tahap evaluasi model pengukuran di SEM PLS. Konsep validitas secara umum dibahas di artikel uji validitas.
Validitas Konvergen dan Validitas Diskriminan
Keduanya bagian dari validitas konstruk, tetapi menjawab pertanyaan yang berbeda:
- Validitas konvergen: apakah butir-butir satu konstruk saling sejalan? Ukurannya outer loading (? 0,708) dan AVE (? 0,50).
- Validitas diskriminan: apakah konstruk itu bisa dibedakan dari konstruk lain?
Urutan pemeriksaannya: reliabilitas dan validitas konvergen dulu, baru validitas diskriminan. Kriteria Fornell-Larcker memakai AVE, sehingga AVE harus dihitung lebih dahulu.
Tiga Cara Menguji Validitas Diskriminan
| Kriteria | Yang dibandingkan | Patokan | Catatan |
|---|---|---|---|
| Cross loading | Loading butir pada konstruknya sendiri dan pada konstruk lain | Loading pada konstruk sendiri paling tinggi | Hampir tidak pernah mendeteksi masalah (Henseler dkk., 2015) |
| Fornell-Larcker | Akar AVE dan korelasi antarkonstruk | Akar AVE lebih besar dari semua korelasinya | Sering gagal mendeteksi masalah |
| HTMT | Korelasi butir antarkonstruk dan korelasi butir dalam konstruk | Di bawah 0,85 atau 0,90 | Ukuran yang dianjurkan saat ini |
Angka contoh di bawah memakai tiga konstruk ilustrasi: Kualitas Layanan (KL), Kepuasan (KP), dan Loyalitas (LY).
1. Cross Loading
Setiap butir harus memiliki loading tertinggi pada konstruknya sendiri. Tabel berikut adalah cuplikan dua butir pertama tiap konstruk:
| Butir | KL | KP | LY |
|---|---|---|---|
|
KL1 |
0,812 | 0,541 | 0,402 |
|
KL2 |
0,786 |
0,522 |
0,405 |
|
KP1 |
0,534 |
0,801 |
0,588 |
|
KP2 |
0,507 |
0,774 |
0,571 |
|
LY1 |
0,411 |
0,611 |
0,829 |
|
LY2 |
0,398 |
0,603 |
0,796 |
Semua butir memiliki loading tertinggi pada konstruknya sendiri (angka tebal). Namun, simulasi Henseler dkk. (2015) menunjukkan cross loading hampir tidak pernah mendeteksi masalah validitas diskriminan. Jadi, kriteria ini sebaiknya hanya pelengkap.
2. Kriteria Fornell-Larcker
Fornell dan Larcker (1981) menyarankan agar akar AVE setiap konstruk lebih besar daripada korelasinya dengan konstruk lain. Logikanya, sebuah konstruk harus berbagi lebih banyak varians dengan butir-butirnya sendiri daripada dengan konstruk lain.
File: kriteria-fornell-larcker-validitas-diskriminan.webp · Alt text: Tabel Fornell-Larcker dengan akar AVE di diagonal dan korelasi antarkonstruk di bawah diagonal untuk tiga konstruk
Pada contoh, AVE ketiga konstruk adalah 0,62 (KL), 0,59 (KP), dan 0,66 (LY), sehingga akar AVE-nya 0,787; 0,768; dan 0,812. Semua angka diagonal lebih besar dari korelasi di baris dan kolomnya, sehingga kriteria Fornell-Larcker terpenuhi.
3. HTMT (Heterotrait-Monotrait Ratio)
HTMT diperkenalkan oleh Henseler dkk. (2015) karena dua kriteria sebelumnya kurang peka. HTMT membandingkan rata-rata korelasi antarbutir dari dua konstruk berbeda dengan rata-rata korelasi antarbutir di dalam konstruk yang sama:
Keterangan: r?ij adalah rata-rata korelasi antara butir konstruk i dan butir konstruk j. Sementara itu, r?ii dan r?jj adalah rata-rata korelasi antarbutir di dalam konstruk i dan di dalam konstruk j.
Nilai HTMT dapat dibaca sebagai perkiraan korelasi dua konstruk seandainya keduanya diukur tanpa kesalahan. Henseler dkk. (2015) merangkum dua patokan:
- Di bawah 0,85 untuk konstruk yang konsepnya jelas berbeda.
- Di bawah 0,90 untuk konstruk yang konsepnya mirip.
Pengujian yang lebih ketat memakai interval kepercayaan hasil bootstrapping. Hair dkk. (2019) menyarankan agar batas atas interval kepercayaan 95% berada di bawah 0,85 atau 0,90. Franke dan Sarstedt (2019) juga menyarankan pengujian seperti ini daripada sekadar membandingkan angka dengan patokan.
Pada contoh, pasangan Kepuasan–Loyalitas memiliki HTMT 0,871 dengan batas atas 0,894. Pasangan ini lolos batas 0,90, tetapi tidak lolos batas 0,85. Mana yang dipakai bergantung pada patokan yang Anda tetapkan di Bab 3 beserta alasannya. Yang penting, patokan ditentukan sebelum melihat hasil, bukan dipilih setelah tahu hasilnya.
Di SmartPLS, nilai HTMT, Fornell-Larcker, dan cross loading ada di laporan PLS-SEM algorithm bagian Discriminant validity. Interval kepercayaan HTMT muncul setelah menjalankan Bootstrapping. Urutan membaca seluruh output dijelaskan di artikel cara membaca output SmartPLS.
Menentukan patokan dan menafsirkan nilai HTMT yang “nanggung” sering membingungkan. Jika Anda butuh teman diskusi untuk membaca hasil SmartPLS Anda, tim IDTesis bisa membantu.
Jika Validitas Diskriminan Tidak Terpenuhi
- Periksa butir yang bermasalah. Cari butir yang korelasinya tinggi dengan konstruk lain atau yang isinya tumpang tindih dengan konstruk lain.
- Pertimbangkan mengeluarkan butir itu, asalkan isi konstruk tetap terwakili. Laporkan butir yang dikeluarkan beserta alasannya.
- Tinjau ulang definisi konstruk. Jika dua konstruk ternyata satu konsep, mungkin keduanya lebih tepat digabung. Periksa kembali konsep, konstruk, dan variabel penelitian Anda.
- Jangan menghapus butir hanya demi angka. Menghapus terlalu banyak butir bisa membuat konstruk kehilangan maknanya.
Contoh Penulisan di Bab 4
Validitas diskriminan diuji dengan HTMT (Henseler dkk., 2015). Nilai HTMT berkisar antara 0,612 sampai 0,871, semuanya di bawah 0,90. Batas atas interval kepercayaan 95% hasil bootstrapping juga berada di bawah 0,90. Dengan demikian, setiap konstruk dapat dibedakan secara empiris dari konstruk lainnya. Sebagai pelengkap, kriteria Fornell-Larcker juga terpenuhi, karena akar AVE setiap konstruk lebih besar daripada korelasinya dengan konstruk lain.
Contoh ini memakai batas 0,90. Jika Bab 3 Anda menetapkan 0,85, pasangan Kepuasan–Loyalitas perlu dibahas dan ditindaklanjuti. Urutan lengkap pelaporan hasil ada di artikel cara menulis hasil SEM PLS.
Kesalahan yang Sering Terjadi
- Hanya melaporkan cross loading atau Fornell-Larcker, tanpa HTMT.
- Memilih batas 0,90 setelah melihat HTMT di atas 0,85, tanpa alasan konseptual.
- Membandingkan AVE, bukan akar AVE, dengan korelasi pada tabel Fornell-Larcker.
- Menghapus banyak butir sampai isi konstruk hilang.
- Menyamakan validitas diskriminan dengan uji validitas butir (r hitung dibandingkan r tabel). Keduanya pemeriksaan yang berbeda.
Pertanyaan yang Sering Diajukan
Lebih baik memakai batas HTMT 0,85 atau 0,90?
Batas 0,85 lebih ketat dan cocok untuk konstruk yang konsepnya jelas berbeda. Batas 0,90 bisa dipakai untuk konstruk yang konsepnya mirip. Tentukan sebelum melihat hasil, lalu tuliskan alasannya di Bab 3.
Kampus saya masih meminta Fornell-Larcker. Bagaimana?
Laporkan keduanya. Jadikan HTMT sebagai ukuran utama, dan Fornell-Larcker sebagai pelengkap sesuai pedoman kampus.
Apakah validitas diskriminan juga diuji di CB-SEM atau AMOS?
Ya. Kriteria Fornell-Larcker lahir dari CB-SEM, dan HTMT juga bisa dihitung di sana. Perbedaan kedua pendekatan dibahas di artikel CB-SEM vs PLS-SEM.
Kenapa nilai HTMT lebih tinggi daripada korelasi antarkonstruk?
Karena HTMT memperkirakan korelasi dua konstruk seandainya diukur tanpa kesalahan. Korelasi skor konstruk biasa masih terpengaruh kesalahan pengukuran, sehingga nilainya cenderung lebih kecil.
Butuh Teman Diskusi untuk Olah Data?
Masih ragu membaca hasil validitas diskriminan penelitian Anda? Tim IDTesis bisa menemani Anda memeriksa HTMT dan Fornell-Larcker, mencari butir yang bermasalah, dan menuliskan hasilnya di Bab 4. Ceritakan dulu kendala Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Cara Membaca Output SmartPLS · CB-SEM vs PLS-SEM · Uji Validitas
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. https://doi.org/10.1177/002224378101800104
- Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447. https://doi.org/10.1108/IntR-12-2017-0515
- 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., 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. https://doi.org/10.1108/EBR-11-2018-0203
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
