Menilai kualitas model penelitian adalah langkah penting dalam analisis PLS-SEM. Salah satu aspek yang sering membingungkan mahasiswa adalah goodness of fit, yaitu ukuran yang menggambarkan apakah model sudah sesuai dengan struktur teori yang direncanakan. Banyak peneliti pemula masih salah kaprah karena memakai ukuran GOF lama yang sebenarnya sudah tidak direkomendasikan dalam pendekatan PLS modern.
Karena itu, pemahaman yang benar menjadi sangat penting. Kamu perlu mengetahui indikator mana yang valid, standar terbaru yang digunakan, serta bagaimana cara menafsirkan hasilnya secara tepat. Dengan memahami konsep ini sejak awal, proses analisis akan lebih terarah dan hasil penelitianmu bisa dipertanggungjawabkan secara metodologis.
Mengapa Goodness of Fit itu Penting?
Goodness of fit berfungsi sebagai penilaian apakah model sudah layak sebelum melangkah ke tahap pengujian Goodness of fit berfungsi sebagai penilaian awal untuk memastikan bahwa model benar-benar layak sebelum kamu melangkah ke tahap pengujian hipotesis. Tanpa evaluasi ini, kesimpulan penelitian bisa menyimpang karena model sebenarnya belum memenuhi kualitas dasar yang dibutuhkan. Dengan kata lain, GOF menjadi “gerbang awal” yang menentukan apakah analisis berikutnya dapat dipercaya.
Dalam konteks PLS-SEM, proses evaluasi tidak hanya terfokus pada kecocokan model struktural, tetapi juga pada kualitas model pengukuran. Karena itu, kamu perlu memastikan bahwa dua aspek berikut berjalan dengan baik:
- Hubungan antarvariabel benar-benar relevan secara empiris, bukan sekadar didukung teori.
- Indikator mampu mencerminkan konstruk dengan tepat, sehingga nilai loading dan reliabilitas tidak menyesatkan.
- Model memiliki kekuatan prediktif yang memadai, sesuai orientasi utama PLS sebagai metode berbasis prediksi.
Namun, di sinilah banyak mahasiswa sering merasa bingung. PLS tidak memakai konsep overall model fit seperti chi-square, RMSEA, atau CFI yang umum dipakai pada SEM berbasis kovarian (seperti AMOS dan LISREL). PLS menggunakan pendekatan yang berbeda karena tujuannya bukan mencari model paling “fit”, melainkan model yang paling “prediktif”. Perbedaan tujuan ini membuat interpretasi GOF dalam PLS tidak bisa disamakan dengan teknik SEM tradisional.
Dengan memahami pembedaan ini sejak awal, kamu dapat menilai model secara lebih tepat dan menghindari kesalahan umum saat menginterpretasikan hasil analisis PLS-SEM.
Goodness of Fit dalam PLS: Perubahan dari Konsep Lama ke Konsep Baru
Sebelum masuk ke teknis, kamu perlu memahami bahwa konsep GOF dalam PLS telah berubah. Ukuran GoF Sebelum masuk ke bagian teknis, kamu perlu memahami bahwa konsep GOF dalam PLS telah mengalami perubahan penting. Ukuran Goodness of Fit Tenenhaus (GoF Index) yang dahulu sering dipakai sekarang tidak direkomendasikan lagi. Alasannya cukup kuat: indeks tersebut tidak mampu mendeteksi model yang bias, tidak sensitif terhadap kesalahan spesifikasi, dan memiliki interpretasi yang lemah sehingga sering menyesatkan peneliti pemula.
Sebagai gantinya, pendekatan modern mengikuti rekomendasi dari Hair et al., yang menilai kelayakan model melalui tiga komponen utama, yaitu:
- Model Pengukuran (Outer Model) – memastikan indikator valid dan reliabel dalam merepresentasikan konstruk.
- Model Struktural (Inner Model) – menilai kekuatan hubungan antarvariabel laten, termasuk nilai R², f², dan Q².
- Kualitas Prediksi (PLSpredict) – mengevaluasi apakah model memiliki kemampuan prediktif yang baik, tidak hanya cocok terhadap data.
Pendekatan ini dianggap lebih komprehensif dan relevan untuk penelitian modern karena menilai model dari tiga perspektif sekaligus: kualitas indikator, kekuatan teori, dan kemampuan prediksi. Dengan memahami struktur penilaian ini, kamu bisa melakukan evaluasi PLS-SEM dengan cara yang benar serta sesuai standar internasional yang digunakan dalam skripsi dan publikasi ilmiah saat ini.
1. Evaluasi Model Pengukuran (Outer Model)
Model pengukuran berfungsi memastikan bahwa indikator benar-benar mencerminkan konstruk yang diteliti. Bagian ini menjadi fondasi sebelum masuk ke inner model.
a. Validitas Konvergen
Validitas konvergen menjawab pertanyaan: apakah indikator mengukur konstruk yang sama?
Komponen yang perlu dicek:
• Loading Factor
- Standar ideal: ≥ 0.70
- Masih dapat diterima: 0.60 – 0.70
- Dihapus jika: < 0.40
Jika indikator rendah, kamu perlu melihat apakah kontribusinya penting secara teoretis. Namun, sebagai aturan praktis, indikator <0.40 sebaiknya dihapus.
• Average Variance Extracted (AVE)
- Batas minimal: 0.50
Ini berarti konstruk mampu menjelaskan lebih dari setengah varians indikatornya.
b. Validitas Diskriminan
Validitas diskriminan memastikan bahwa setiap konstruk dalam model bersifat unik, tidak tumpang tindih dengan variabel lain.
Metode yang digunakan:
• Fornell–Larcker Criterion
Nilai akar AVE konstruk harus lebih besar dari korelasi antar konstruk lainnya.
• Heterotrait-Monotrait Ratio (HTMT)
- Ideal: < 0.85
- Maksimum: < 0.90
Nilai HTMT tinggi menunjukkan konstruk saling tumpang tindih, dan model dianggap tidak valid.
c. Reliabilitas Konstruk
Tujuannya adalah memastikan indikator stabil dalam mengukur konstruk.
Komponen yang dinilai:
• Composite Reliability (CR)
- Batas minimal: 0.70
• Cronbach’s Alpha
- Batas minimal: 0.70
- Nilai 0.60 masih dapat diterima pada penelitian eksploratori
Meskipun Cronbach’s Alpha sering digunakan, CR dianggap lebih akurat dalam konteks PLS.
2. Evaluasi Model Struktural (Inner Model)
Setelah model pengukuran valid, langkah berikutnya mengevaluasi inner model. Bagian ini menunjukkan kekuatan hubungan antar konstruk dalam model.
a. R-Square (R²)
R² menggambarkan seberapa besar variabel independen menjelaskan variabel dependen.
Interpretasinya:
- 0.75 = kuat
- 0.50 = moderat
- 0.25 = lemah
Kriteria ini dapat berbeda tergantung konteks penelitian, namun nilai di atas 0.50 biasanya cukup baik untuk skripsi.
b. Effect Size (f²)
Effect size menunjukkan pengaruh variabel independen terhadap dependen.
Standar Cohen:
- 0.02 = lemah
- 0.15 = sedang
- 0.35 = kuat
Jika nilai f² sangat kecil, efek variabel mungkin tidak signifikan atau tidak penting.
c. Predictive Relevance (Q²)
Q² diperoleh menggunakan teknik blindfolding.
Interpretasi:
- > 0 = model memiliki relevansi prediktif
- 0.02 = kecil, 0.15 = sedang, 0.35 = besar
Q² adalah indikator penting dalam penilaian goodness of fit PLS.
d. Standardized Root Mean Square Residual (SRMR)
SRMR adalah ukuran kecocokan model secara keseluruhan, mirip dengan SEM kovarian tetapi bisa dipakai pada PLS.
Standar:
- ≤ 0.08 = model fit
Namun, perlu dicatat bahwa SRMR bukan penentu tunggal. Ia hanya digunakan sebagai pelengkap.
PLSpredict merupakan pendekatan terbaru yang menilai kemampuan prediksi model PLS terhadap data baru.
Hasil yang dilihat:
- Nilai RMSE lebih rendah dibandingkan model benchmark
- Q² positif
- Model menghasilkan prediksi lebih baik dibandingkan regresi linier sederhana
Ini sangat relevan terutama untuk penelitian yang fokus pada aspek predikt
3. Evaluasi Kualitas Prediksi (PLSpredict)
PLSpredict merupakan pendekatan terbaru dalam PLS-SEM yang berfokus pada evaluasi predictive performance atau kemampuan model dalam memprediksi data baru di luar sampel pelatihan. Berbeda dari ukuran klasik yang hanya menilai kecocokan teori, PLSpredict menguji apakah model benar-benar mampu memberikan prediksi yang akurat pada konteks dunia nyata. Karena itu, metode ini menjadi sangat penting terutama pada penelitian yang menekankan aspek prediktif.
Dalam praktiknya, ada beberapa indikator utama yang diperhatikan:
- Nilai RMSE yang lebih rendah dibandingkan model benchmark, seperti regresi linier sederhana atau model naïve. Jika RMSE model PLS lebih kecil, berarti prediksinya lebih akurat.
- Nilai Q² yang positif, yang menunjukkan bahwa model memiliki relevansi prediktif dan tidak sekadar cocok terhadap data sampel.
- Kemampuan prediksi yang lebih tinggi daripada regresi biasa, yang menguatkan bahwa penggunaan PLS-SEM memang memberikan manfaat tambahan dari sisi prediktif.
Secara keseluruhan, PLSpredict membantu memastikan bahwa model tidak hanya baik secara teoritis tetapi juga andal saat digunakan untuk memprediksi data baru. Pendekatan ini semakin relevan dalam riset modern yang mengutamakan kekuatan prediksi, terutama pada penelitian perilaku, bisnis, manajemen, dan pemasaran.
Contoh Interpretasi Goodness of Fit PLS
Untuk memudahkan, berikut contoh ringkas yang bisa kamu adaptasikan ke skripsi:
“Hasil evaluasi model pengukuran menunjukkan bahwa semua indikator memiliki loading factor >0.70, composite reliability >0.80, dan AVE >0.50, sehingga konstruk memenuhi syarat validitas konvergen dan reliabilitas. Selain itu, nilai HTMT berada di bawah 0.85, menandakan terpenuhinya validitas diskriminan.
Pada evaluasi inner model, nilai R² konstruk Y sebesar 0.62 yang berarti variabel independen mampu menjelaskan 62% variasi konstruk Y. Nilai Q² sebesar 0.41 menunjukkan bahwa model mempunyai relevansi prediktif yang kuat. Selain itu, SRMR sebesar 0.062 menandakan model memiliki tingkat fit yang baik. Dengan demikian, model PLS memenuhi kriteria goodness of fit dan layak digunakan untuk pengujian hipotesis.”
Kamu tinggal menyesuaikan angka sesuai hasil output SmartPLS-mu.
Kesalahan Umum dalam Menginterpretasi Goodness of Fit PLS
Banyak mahasiswa melakukan kesalahan berikut:
- Masih memakai GoF Tenenhaus yang sudah obsolete
- Menilai model hanya dari satu indikator, misalnya hanya from SRMR
- Tidak melaporkan HTMT
- Mengabaikan Q²
- Menghapus indikator tanpa alasan teoretis
- Menganggap loading <0.70 harus selalu dihapus
- Salah membaca arah hipotesis
Dengan menghindari kesalahan ini, kualitas skripsimu akan meningkat drastis.
Tips Agar Interpretasi Goodness of Fit Lebih Kuat
- Sertakan tabel perbandingan standar (rekomendasi vs hasil)
- Tampilkan gambar model PLS dari SmartPLS
- Gunakan referensi Hair et al. (2019/2021)
- Jelaskan alasan indikator yang dihapus
- Berikan narasi yang jelas dan tidak kaku
- Selalu sesuaikan interpretasi dengan konteks teori
Jika kamu masih bingung menentukan apakah model PLS-mu sudah fit atau belum, atau jika kamu ingin dibantu menginterpretasikan hasil SmartPLS secara lengkap, hubungi nomor ini agar kamu bisa mendapatkan bantuan analisis yang cepat, akurat, dan sesuai standar akademik.
Baca juga : Interpretasi Goodness of Fit dalam AMOS untuk SEM
Artikel atau dokumentasi resmi terkait PLS-SEM
- https://www.smartpls.com/documentation
→ Dokumentasi resmi SmartPLS, sangat relevan untuk mendukung pembahasan teknis.
Leave a Reply