Penelitian kuantitatif, kualitas instrumen penelitian perlu diperiksa sebelum hasil analisis digunakan untuk menjawab hipotesis. Salah satu aspek yang perlu diperhatikan adalah validitas konstruk, khususnya ketika penelitian menggunakan pendekatan Partial Least Squares Structural Equation Modeling (PLS-SEM). Salah satu ukuran yang sering digunakan untuk menilai validitas indikator adalah outer loading.
Istilah outer loading cukup sering muncul dalam hasil pengolahan data menggunakan SmartPLS. Namun, bagi peneliti yang baru menggunakan PLS-SEM, angka yang muncul pada tabel outer loading terkadang masih membingungkan. Apakah nilai 0,60 masih dapat diterima? Apakah indikator dengan nilai 0,65 harus dihapus? Mengapa ada indikator yang memiliki loading lebih dari 0,70, sedangkan indikator lainnya lebih rendah?
Artikel ini membahas outer loading secara bertahap agar peneliti dapat memahami bukan hanya batas nilainya, tetapi juga cara mengambil keputusan ketika terdapat indikator dengan loading rendah.
Apa Itu Outer Loading? Outer loading adalah nilai yang menunjukkan seberapa kuat hubungan antara sebuah indikator dengan konstruk atau variabel laten yang diukurnya.
Dalam penelitian dengan PLS-SEM, konstruk seperti kepuasan pelanggan, kualitas pelayanan, loyalitas pelanggan, perceived usefulness, atau motivasi kerja tidak dapat diukur secara langsung. Konstruk tersebut biasanya direpresentasikan melalui beberapa indikator atau item pertanyaan dalam kuesioner.
Sebagai contoh, variabel Kepuasan Pelanggan dapat diukur menggunakan beberapa indikator:
- KP1: Saya merasa puas terhadap layanan perusahaan.
- KP2: Layanan perusahaan memenuhi harapan saya.
- KP3: Saya merasa keputusan menggunakan layanan ini sudah tepat.
- KP4: Saya bersedia menggunakan layanan ini kembali.
Masing-masing indikator kemudian diuji untuk melihat seberapa kuat kemampuannya merepresentasikan konstruk Kepuasan Pelanggan. Kekuatan hubungan tersebut salah satunya tercermin dari nilai outer loading.
Semakin tinggi nilai outer loading, semakin kuat keterkaitan indikator dengan konstruk yang diukurnya.
Mengapa Outer Loading Perlu Diperiksa? Outer loading berkaitan dengan kualitas indikator dalam merefleksikan konstruk penelitian. Jika sebuah indikator mempunyai loading yang sangat rendah, indikator tersebut mungkin kurang mampu menjelaskan variabel laten yang seharusnya diwakilinya.
Sebaliknya, indikator dengan loading yang tinggi menunjukkan bahwa variasi indikator tersebut memiliki hubungan yang kuat dengan konstruk.
Pemeriksaan outer loading penting karena peneliti tidak cukup hanya melihat apakah kuesioner telah disusun berdasarkan teori. Setelah data dikumpulkan, indikator tetap perlu dievaluasi menggunakan data empiris.
Dalam PLS-SEM, pemeriksaan ini termasuk bagian dari evaluasi measurement model atau outer model.
Berapa Nilai Outer Loading yang Dianggap Baik? Secara umum, nilai outer loading 0,70 atau lebih sering digunakan sebagai acuan bahwa indikator memiliki reliabilitas indikator yang baik.
Namun, angka 0,70 bukan berarti batas mutlak yang harus diterapkan tanpa mempertimbangkan kondisi penelitian.
Secara praktis, interpretasinya dapat digambarkan sebagai berikut:
| Nilai Outer Loading | Interpretasi Umum |
| ≥ 0,70 | Baik dan umumnya dipertahankan |
| 0,60–0,69 | Masih dapat dipertimbangkan |
| 0,40–0,59 | Perlu dievaluasi lebih lanjut |
| < 0,40 | Umumnya dipertimbangkan untuk dihapus |
Kriteria tersebut sebaiknya tidak digunakan secara mekanis. Keputusan untuk menghapus indikator perlu mempertimbangkan hasil evaluasi model pengukuran secara keseluruhan dan landasan teoritis penelitian.
Mengapa Nilai 0,70 Sering Digunakan? Nilai 0,70 berkaitan dengan kemampuan indikator dalam menjelaskan varians konstruk.
Jika outer loading sebuah indikator adalah 0,70, kuadrat dari nilai tersebut adalah:
0,70² = 0,49
Artinya, secara sederhana, sekitar 49% varians indikator dapat dikaitkan dengan konstruk yang diukurnya.
Jika loading mencapai 0,80:
0,80² = 0,64
Artinya sekitar 64% varians indikator berkaitan dengan konstruk.
Perhitungan tersebut membantu menjelaskan mengapa loading yang semakin tinggi umumnya menunjukkan indikator yang semakin representatif terhadap konstruk.
- Apakah Outer Loading 0,60 Harus Dihapus? Tidak selalu.
Ini merupakan salah satu kesalahan yang cukup sering terjadi dalam analisis PLS-SEM. Peneliti terkadang langsung menghapus semua indikator yang memiliki outer loading di bawah 0,70.
Padahal, indikator dengan loading sekitar 0,60–0,70 masih dapat dipertahankan apabila penghapusan indikator tersebut justru tidak memberikan perbaikan yang diperlukan terhadap kualitas model pengukuran.
Peneliti perlu melihat beberapa aspek lain, seperti:
- Composite Reliability
- Average Variance Extracted (AVE)
- Discriminant validity
- Konsistensi teoritis indikator
- Dampak penghapusan indikator terhadap konstruk
Sebagai contoh, sebuah konstruk mempunyai empat indikator dengan loading 0,72; 0,75; 0,68; dan 0,71. Indikator dengan loading 0,68 tidak otomatis harus dihapus. Jika indikator tersebut penting secara teoritis dan nilai reliabilitas serta validitas konstruk tetap memenuhi kriteria, indikator tersebut dapat dipertahankan.
Contoh Hasil Outer Loading. Misalnya penelitian mengenai Kualitas Pelayanan menggunakan lima indikator. Hasil pengolahan SmartPLS menunjukkan:
| Indikator | Outer Loading | Keputusan |
| KP1 | 0,812 | Dipertahankan |
| KP2 | 0,776 | Dipertahankan |
| KP3 | 0,731 | Dipertahankan |
| KP4 | 0,684 | Dievaluasi |
| KP5 | 0,853 | Dipertahankan |
Berdasarkan tabel tersebut, KP1, KP2, KP3, dan KP5 memiliki loading di atas 0,70. Sementara itu, KP4 memiliki nilai 0,684.
KP4 belum tentu harus dihapus. Peneliti dapat memeriksa nilai AVE dan Composite Reliability terlebih dahulu. Selain itu, isi pertanyaan KP4 perlu diperiksa untuk memastikan indikator tersebut memang relevan secara konseptual.
Hubungan Outer Loading dengan AVE. Outer loading juga berkaitan dengan Average Variance Extracted (AVE).
AVE digunakan untuk melihat kemampuan konstruk dalam menjelaskan varians indikator-indikator yang membentuknya. Secara umum, nilai AVE sebesar 0,50 atau lebih digunakan sebagai salah satu kriteria convergent validity.
Artinya, konstruk diharapkan mampu menjelaskan setidaknya sekitar setengah dari varians indikator-indikatornya.
Karena AVE dihitung berdasarkan loading indikator, perubahan outer loading dapat memengaruhi nilai AVE. Ketika indikator dengan loading rendah dihapus, nilai AVE dapat meningkat. Namun, penghapusan indikator tidak boleh hanya dilakukan untuk mengejar angka AVE yang lebih tinggi.
Ada pertimbangan teoritis yang tetap harus diperhatikan.
Outer Loading dan Convergent Validity. Outer loading merupakan salah satu indikator yang digunakan dalam evaluasi convergent validity.
Convergent validity menunjukkan sejauh mana indikator-indikator yang seharusnya mengukur konstruk yang sama benar-benar memiliki keterkaitan yang memadai.
Dalam evaluasi convergent validity pada PLS-SEM, peneliti biasanya tidak hanya melihat outer loading. Nilai AVE juga perlu diperhatikan.
Dengan kata lain, keputusan mengenai validitas konstruk sebaiknya tidak dibuat berdasarkan satu angka saja.
Bagaimana Jika Outer Loading Rendah? Jika terdapat indikator dengan outer loading rendah, langkah pertama bukan langsung menghapus indikator tersebut.
Peneliti dapat melakukan evaluasi secara bertahap.
1. Periksa kembali indikator
Pastikan tidak terdapat kesalahan input data, kesalahan pengkodean, atau kesalahan dalam memasukkan item kuesioner.
2. Periksa dasar teoritis
Tanyakan apakah indikator tersebut memang relevan untuk menjelaskan konstruk.
Indikator yang memiliki dasar teori kuat tidak seharusnya dihapus hanya karena nilainya sedikit lebih rendah dari batas umum.
3. Periksa AVE
Lihat apakah konstruk masih memiliki convergent validity yang memadai.
4. Periksa Composite Reliability
Pastikan reliabilitas konstruk tetap memenuhi kriteria yang digunakan dalam penelitian.
5. Pertimbangkan dampak penghapusan
Jika indikator dihapus, model perlu dijalankan kembali untuk melihat perubahan pada AVE, reliabilitas, dan validitas konstruk lainnya.
Jangan Menghapus Indikator Berkali-kali Hanya untuk Mengejar Nilai Tinggi. Praktik menghapus indikator satu per satu sampai seluruh angka terlihat “bagus” perlu dihindari.
Penghapusan indikator harus memiliki alasan metodologis yang jelas.
Misalnya, indikator X memiliki loading 0,52. Setelah diperiksa, ternyata indikator tersebut memang tidak relevan dengan definisi konstruk atau memiliki masalah pada penyusunan item. Penghapusan dapat dipertimbangkan.
Berbeda dengan indikator yang memiliki loading 0,68 dan secara teoritis merupakan bagian penting dari konstruk. Menghapusnya hanya karena tidak mencapai 0,70 belum tentu merupakan keputusan yang tepat.
Penelitian yang baik bukan penelitian yang memiliki angka statistik paling tinggi, melainkan penelitian yang memiliki proses pengukuran yang dapat dipertanggungjawabkan.
Cara Membaca Output Outer Loading di SmartPLS. Setelah model penelitian dijalankan di SmartPLS, peneliti dapat melihat hasil outer loading pada bagian hasil measurement model.
Contoh hasilnya:
Variabel X1 – Kualitas Produk
- X1.1 = 0,823
- X1.2 = 0,791
- X1.3 = 0,756
- X1.4 = 0,682
Interpretasinya dapat ditulis:
Berdasarkan hasil evaluasi outer loading, sebagian besar indikator pada konstruk Kualitas Produk memiliki nilai outer loading di atas 0,70. Sementara itu, indikator X1.4 memiliki nilai outer loading sebesar 0,682. Nilai tersebut masih dapat dipertimbangkan dengan memperhatikan nilai AVE, Composite Reliability, serta relevansi teoritis indikator. Hasil evaluasi secara keseluruhan digunakan sebagai dasar dalam menentukan apakah indikator dipertahankan atau dikeluarkan dari model.
Penulisan seperti ini lebih tepat daripada langsung menyatakan bahwa X1.4 tidak valid hanya karena nilainya berada di bawah 0,70.
Contoh Narasi untuk Skripsi atau Tesis. Jika seluruh indikator memiliki outer loading di atas 0,70, narasi hasil penelitian dapat ditulis seperti berikut:
Hasil pengujian outer loading menunjukkan bahwa seluruh indikator memiliki nilai loading di atas 0,70. Kondisi tersebut menunjukkan bahwa masing-masing indikator memiliki hubungan yang kuat dengan konstruk yang diukurnya. Hasil ini memberikan dukungan terhadap terpenuhinya convergent validity pada tingkat indikator.
Jika terdapat indikator dengan nilai sekitar 0,60–0,70, penulisannya dapat disesuaikan:
Hasil pengujian menunjukkan bahwa sebagian besar indikator memiliki nilai outer loading di atas 0,70. Terdapat satu indikator dengan nilai outer loading sebesar 0,68. Indikator tersebut tidak langsung dikeluarkan karena keputusan evaluasi juga mempertimbangkan nilai AVE, Composite Reliability, serta landasan teoritis konstruk. Berdasarkan evaluasi model pengukuran secara keseluruhan, indikator tersebut dipertahankan karena keberadaannya masih dapat mendukung pengukuran konstruk.
Perbedaan Outer Loading dan Cross Loading. Outer loading jangan disamakan dengan cross loading.
Outer loading menunjukkan hubungan indikator dengan konstruk yang seharusnya diukur.
Sementara itu, cross loading digunakan untuk melihat hubungan indikator dengan konstruk lain dalam model.
Sebagai contoh, indikator X1.1 seharusnya mengukur konstruk Kualitas Produk. Outer loading menunjukkan hubungan X1.1 dengan Kualitas Produk, sedangkan cross loading dapat memperlihatkan hubungan X1.1 dengan konstruk lain seperti Harga, Kepuasan, atau Loyalitas.
Keduanya memiliki fungsi yang berbeda dalam evaluasi measurement model.
Kesalahan yang Sering Terjadi
Beberapa kesalahan umum dalam penggunaan outer loading antara lain:
Pertama, menganggap 0,70 sebagai aturan mutlak. Nilai 0,70 merupakan pedoman yang umum digunakan, tetapi keputusan evaluasi tetap perlu melihat keseluruhan measurement model.
Kedua, langsung menghapus indikator yang loading-nya di bawah 0,70. Indikator perlu dilihat dari sisi statistik dan teori.
Ketiga, hanya melihat outer loading tanpa memeriksa AVE dan Composite Reliability. Evaluasi validitas konstruk membutuhkan pemeriksaan yang lebih menyeluruh.
Keempat, menghapus indikator tanpa menjalankan model kembali. Setelah indikator dihapus, model perlu dievaluasi ulang karena nilai konstruk lainnya dapat berubah.
Kelima, mengubah atau menghapus data responden hanya untuk meningkatkan outer loading. Tindakan tersebut dapat mengganggu integritas penelitian apabila tidak memiliki dasar metodologis.
Kesimpulan
Outer loading merupakan salah satu ukuran penting dalam evaluasi measurement model pada PLS-SEM. Nilai tersebut menunjukkan kekuatan hubungan antara indikator dengan konstruk yang diukurnya.
Nilai 0,70 atau lebih umumnya menunjukkan indikator yang baik. Namun, indikator dengan nilai sekitar 0,60–0,70 tidak otomatis harus dihapus. Peneliti perlu mempertimbangkan AVE, Composite Reliability, validitas diskriminan, serta dasar teoritis indikator sebelum mengambil keputusan.
Inti dari evaluasi outer loading bukan sekadar mencari angka yang melewati batas tertentu. Hal yang lebih penting adalah memastikan bahwa indikator benar-benar mampu merepresentasikan konstruk penelitian dan model pengukuran dapat dipertanggungjawabkan secara statistik maupun teoritis.