Anda baru saja menjalankan algoritma PLS di SmartPLS. Tabel “Construct Reliability and Validity” muncul dengan tiga kolom yang membingungkan: Cronbach’s Alpha, rho_A, dan Composite Reliability. Dosen pembimbing menyuruh “pakai yang Composite Reliability saja”. Kenapa bukan Cronbach yang sudah Anda pelajari di bab reliabilitas? Dan apa itu rho_A yang nilainya selalu nyempil di antara keduanya?
Tiga angka, satu konstruk, dan tak ada yang menjelaskan kenapa harus repot melaporkan ketiganya. Artikel ini membongkar persoalan itu dari nol.
Apa Itu Reliabilitas Konstruk
Bayangkan empat orang menimbang satu karung beras pakai empat timbangan berbeda. Kalau keempat timbangan menunjuk angka yang berdekatan, Anda percaya alatnya konsisten. Kalau satu menunjuk 50 kg dan yang lain 5 kg, ada timbangan yang rusak. Reliabilitas konstruk menanyakan hal serupa untuk kuesioner: apakah indikator-indikator pengukur satu konstruk saling sejalan, atau ada yang jalan sendiri?
Istilah teknisnya konsistensi internal (internal consistency): seberapa kompak indikator-indikator dalam mengukur satu konstruk laten — konsep yang tidak bisa diukur langsung (seperti “kepuasan” atau “loyalitas”), hanya bisa diraba lewat beberapa pertanyaan. Idenya sama persis dengan Cronbach’s Alpha yang sudah Anda kenal: kalau indikator memang mengukur hal yang sama, skornya bergerak searah. Yang berbeda hanya cara menimbang kontribusi tiap indikator.
Di PLS-SEM, ukuran ini menilai model pengukuran reflektif — model di mana konstruk dianggap “menyebabkan” indikatornya, sehingga panah mengarah dari konstruk ke indikator. Diagram berikut menunjukkan posisinya:
Reliabilitas konstruk dinilai untuk tiap oval secara terpisah, jauh sebelum panah $\gamma$ antar-oval (inner model) disentuh. Logikanya: percuma menguji pengaruh kepuasan terhadap loyalitas kalau alat ukur kepuasannya sendiri belum terbukti andal.
Tiga Ukuran, Satu Ide
Kenapa PLS melaporkan tiga angka, bukan satu? Karena ketiganya menaksir hal yang sama (konsistensi internal) dengan asumsi yang berbeda-beda, dan masing-masing punya kelemahan.
Cronbach’s Alpha menganggap semua indikator punya bobot setara — seolah tiap pertanyaan menyumbang sama besar ke konstruk. Padahal di model PLS tiap indikator punya outer loading yang berbeda; ada yang loading-nya 0,85 (kuat), ada yang 0,70 (lebih lemah). Karena Alpha mengabaikan perbedaan ini, ia cenderung meremehkan reliabilitas: nilainya lebih rendah dari yang sebenarnya. Alpha berguna sebagai batas bawah yang konservatif.
Composite Reliability (CR) memakai loading asli tiap indikator, jadi indikator kuat dihargai lebih besar. Estimasinya lebih adil dan biasanya jadi batas atas. Inilah ukuran utama yang diandalkan di PLS-SEM.
rho_A (dibaca “rho-A”) diperkenalkan Dijkstra dan Henseler (2015) sebagai penaksir yang paling akurat untuk reliabilitas komposit PLS. Sifat khasnya: nilainya hampir selalu jatuh di antara Alpha dan CR. Karena itu SmartPLS menampilkan ketiganya berderet — supaya Anda melihat rentangnya sekaligus.
| Ukuran | Cara menimbang indikator | Posisi khas |
|---|---|---|
| Cronbach’s Alpha | bobot dianggap sama (meremehkan) | batas bawah |
| rho_A (Dijkstra-Henseler) | penaksir konsisten | di tengah |
| Composite Reliability | pakai loading asli | batas atas |
Pegangan praktisnya sederhana: kalau ketiga angka berdekatan dan semuanya di atas 0,70, reliabilitas konstruk aman. Materi ini fokus menghitung CR karena itulah satu-satunya dari ketiganya yang bisa Anda rakit dengan tangan dari outer loading; Alpha dan rho_A butuh matriks data mentah, jadi Anda baca saja dari output.
Rumus Composite Reliability
$$ CR = \frac{\left(\sum \lambda_i\right)^2}{\left(\sum \lambda_i\right)^2 + \sum (1-\lambda_i^2)} $$Sebelum menghitung, kenali tiap lambang — masing-masing dengan contoh angka kecil:
- $\lambda_i$ (dibaca “lambda-i”) = outer loading indikator ke-$i$, yaitu korelasi indikator dengan konstruknya, selalu antara 0 dan 1. Misalnya $\lambda_1 = 0{,}80$ berarti indikator pertama berkorelasi 0,80 dengan konstruk.
- $\sum \lambda_i$ artinya “jumlahkan semua outer loading”. Kalau loading-nya 0,80 dan 0,70, maka $\sum \lambda_i = 0{,}80 + 0{,}70 = 1{,}50$.
- $\left(\sum \lambda_i\right)^2$ = jumlah loading itu dikuadratkan (jumlahkan dulu, baru kuadratkan). Dari contoh di atas: $1{,}50^2 = 2{,}25$. Ini mewakili “sinyal bersama” yang ditangkap konstruk.
- $\lambda_i^2$ = porsi varian indikator yang dijelaskan konstruk. Varian = ukuran seberapa beragam skor sebuah indikator; loading 0,80 berarti $0{,}80^2 = 0{,}64$, jadi 64% keragaman indikator itu dijelaskan konstruk.
- $1-\lambda_i^2$ = varian galat (error) indikator ke-$i$: bagian keragaman yang tidak dijelaskan konstruk. Polosnya, galat = bagian yang tersisa setelah konstruk menjelaskan apa yang bisa dijelaskannya. Untuk loading 0,80: $1 - 0{,}64 = 0{,}36$, jadi 36% keragaman indikator adalah derau yang tak terjelaskan.
- $\sum (1-\lambda_i^2)$ = jumlahkan varian galat seluruh indikator.
Intuisinya: pembilang adalah kekuatan sinyal bersama indikator, penyebut adalah sinyal itu ditambah seluruh derau (galat). Makin kecil total galat relatif terhadap sinyal, makin besar CR dan makin andal konstruknya. Bandingkan dengan rumus Alpha yang tidak melibatkan $\lambda_i$ satu per satu — di situlah CR lebih teliti.
Contoh Hitung dari Nol
Pakai konstruk Kepuasan dengan 4 indikator (KP1-KP4). Outer loading hasil algoritma PLS — sama persis dengan contoh di materi AVE, supaya nyambung:
| Indikator | Outer loading $\lambda_i$ |
|---|---|
| KP1 | 0,80 |
| KP2 | 0,70 |
| KP3 | 0,75 |
| KP4 | 0,85 |
Langkah 1 — jumlahkan loading, lalu kuadratkan
$$ \sum \lambda_i = 0{,}80 + 0{,}70 + 0{,}75 + 0{,}85 = 3{,}10 $$$$ \left(\sum \lambda_i\right)^2 = 3{,}10^2 = 9{,}61 $$Langkah 2 — hitung varian galat tiap indikator
Untuk tiap indikator, kuadratkan loading lalu kurangkan dari 1:
| Indikator | $\lambda_i^2$ | Galat $1-\lambda_i^2$ |
|---|---|---|
| KP1 | $0{,}80^2 = 0{,}64$ | $1 - 0{,}64 = 0{,}36$ |
| KP2 | $0{,}70^2 = 0{,}49$ | $1 - 0{,}49 = 0{,}51$ |
| KP3 | $0{,}75^2 = 0{,}5625$ | $1 - 0{,}5625 = 0{,}4375$ |
| KP4 | $0{,}85^2 = 0{,}7225$ | $1 - 0{,}7225 = 0{,}2775$ |
| Σ | 1,585 |
Jumlah varian galat:
$$ \sum (1-\lambda_i^2) = 0{,}36 + 0{,}51 + 0{,}4375 + 0{,}2775 = 1{,}585 $$Langkah 3 — masukkan ke rumus
$$ CR = \frac{9{,}61}{9{,}61 + 1{,}585} = \frac{9{,}61}{11{,}195} = 0{,}858 $$Composite Reliability = 0,858.
Sebagai pembanding, Cronbach’s Alpha untuk indikator yang sama keluar sekitar 0,857 — sedikit di bawah CR, persis seperti yang diharapkan: Alpha batas bawah, CR batas atas, rho_A di tengah. Ketiganya berdekatan dan semuanya di atas 0,70, jadi konstruk Kepuasan andal.
Membaca Output dan Mengambil Keputusan
Bandingkan CR (dan rho_A) dengan ambang baku Hair et al. (2022):
| Nilai CR / rho_A | Interpretasi |
|---|---|
| < 0,60 | Tidak andal — tolak konstruk |
| 0,60 – 0,70 | Cukup, masih bisa diterima untuk riset eksploratori |
| 0,70 – 0,90 | Andal, ideal |
| 0,90 – 0,95 | Masih bisa diterima, mulai waspada |
| > 0,95 | Terlalu tinggi — indikator kemungkinan redundan |
Dua ambang ini paling sering bikin salah paham:
- Batas bawah 0,70. Inilah patokan utama untuk riset konfirmatori (riset yang menguji teori yang sudah ada, bukan menjajaki). Di bawahnya, indikator tidak cukup kompak.
- Batas atas 0,95. Reliabilitas yang terlalu tinggi bukan kabar baik. Kalau CR melewati 0,95, besar kemungkinan beberapa indikator menanyakan hal yang nyaris identik (redundan), sehingga membengkakkan konsistensi secara semu. Pertanyaan “Saya puas dengan layanan ini” dan “Saya senang dengan layanan ini” praktis kembar — keduanya benar, tapi tidak menambah informasi. Solusinya: pertimbangkan membuang salah satu indikator kembar.
Cara baca output SmartPLS. Setelah algoritma PLS jalan, buka Quality Criteria → Construct Reliability and Validity. Anda akan melihat kolom Cronbach’s Alpha, rho_A, dan Composite Reliability berderet untuk tiap konstruk. Fokus ke kolom Composite Reliability dan rho_A; pastikan keduanya berada di rentang 0,70-0,95. (Versi SmartPLS terbaru juga menampilkan rho_c sebagai notasi lain untuk Composite Reliability.)
Bereksperimen Sendiri
Geser keempat slider loading dan lihat Composite Reliability berubah langsung, lengkap dengan pita ambang 0,70-0,95.
Coba tiga skenario ini:
- Kembalikan keempat loading ke default (0,80 / 0,70 / 0,75 / 0,85) dan pastikan CR = 0,858, tepat di pita hijau.
- Naikkan semua loading mendekati 0,99 dan lihat CR menembus 0,95 (sekitar 0,995): pita berubah oranye — tanda indikator mulai redundan.
- Turunkan semua loading ke 0,45-an dan perhatikan CR merosot ke bawah 0,70 (sekitar 0,504): pita merah, tidak andal. Catatan penting: menurunkan satu loading saja biasanya belum cukup menjatuhkan CR — misalnya KP1 turun ke 0,45 sementara tiga lainnya tetap, CR masih sekitar 0,789. CR cukup tahan karena dihitung dari seluruh indikator; perlu beberapa indikator lemah untuk benar-benar menjatuhkannya.
Excel Companion
/excel/pls-reliabilitas-konstruk.xlsx berisi: tabel 4 outer loading konstruk Kepuasan, perhitungan $\sum\lambda$ dan kuadratnya, kolom varian galat $1-\lambda^2$ tiap indikator dengan rumus terlihat, perakitan CR langkah demi langkah, tabel ambang 0,70-0,95, plus perbandingan posisi Alpha vs rho_A vs CR.
Cek Pemahaman
1. Sebuah konstruk punya 3 indikator dengan outer loading 0,90 ; 0,80 ; 0,70. Hitung Composite Reliability dari nol.
Lihat jawaban
Langkah 1 — jumlahkan lalu kuadratkan: $\sum\lambda = 0{,}90 + 0{,}80 + 0{,}70 = 2{,}40$, maka $(\sum\lambda)^2 = 2{,}40^2 = 5{,}76$.
Langkah 2 — varian galat tiap indikator: $1-0{,}90^2 = 0{,}19$ ; $1-0{,}80^2 = 0{,}36$ ; $1-0{,}70^2 = 0{,}51$. Jumlahnya $\sum(1-\lambda^2) = 0{,}19 + 0{,}36 + 0{,}51 = 1{,}06$.
Langkah 3 — masukkan ke rumus: $CR = \dfrac{5{,}76}{5{,}76 + 1{,}06} = \dfrac{5{,}76}{6{,}82} = 0{,}845$.
Karena $0{,}70 < 0{,}845 < 0{,}95$, konstruk andal.
2. (Penerapan) Output SmartPLS Anda menunjukkan satu konstruk dengan CR = 0,968. Semua loading di atas 0,90. Dosen penguji menyorot angka ini. Apa masalahnya, dan apa langkah yang Anda usulkan?
Lihat jawaban
CR = 0,968 melewati ambang atas 0,95, jadi bukan “makin tinggi makin bagus”. Nilai setinggi ini menandakan indikator-indikatornya kemungkinan redundan — beberapa pertanyaan menanyakan hal yang nyaris identik, sehingga reliabilitas terlihat tinggi secara semu padahal informasinya tumpang-tindih. Langkah yang diusulkan: periksa rumusan butir kuesioner, identifikasi pasangan pertanyaan yang nyaris sama maknanya, lalu pertimbangkan membuang salah satu indikator kembar dan hitung ulang. Tujuannya membawa CR turun ke pita 0,70-0,90 yang ideal, bukan sedekat mungkin ke 1.
3. (Penerapan) Untuk satu konstruk, SmartPLS melaporkan Cronbach’s Alpha = 0,72 tetapi Composite Reliability = 0,81. Rekan Anda panik karena Alpha-nya “rendah”. Apakah konstruk ini bermasalah?
Lihat jawaban
Tidak bermasalah. Cronbach’s Alpha memang meremehkan reliabilitas karena menyamakan bobot semua indikator, sehingga wajar nilainya lebih rendah dari CR. Yang dijadikan patokan utama di PLS-SEM adalah Composite Reliability (dan rho_A), bukan Alpha. CR = 0,81 berada di pita ideal 0,70-0,90, jadi konstruk andal. Alpha cukup dilaporkan sebagai batas bawah pembanding, bukan sebagai vonis.
Kesalahan Umum
Memakai Cronbach’s Alpha sebagai patokan utama di PLS. Alpha meremehkan reliabilitas karena menyamakan semua loading. Di PLS, laporkan dan nilai dengan Composite Reliability serta rho_A; Alpha cukup sebagai batas bawah pembanding.
Menganggap CR makin tinggi makin bagus. CR > 0,95 justru sinyal indikator redundan. Reliabilitas ideal ada di pita 0,70-0,95, bukan sedekat mungkin ke 1.
Menghitung CR untuk konstruk formatif. Reliabilitas internal hanya berlaku untuk indikator reflektif (panah dari konstruk ke indikator). Untuk konstruk formatif — indikator yang justru membentuk konstruk — yang dicek adalah kolinearitas (VIF) dan signifikansi bobot, bukan CR. Beda keduanya dibahas di Indikator Reflektif vs Formatif.
Memakai loading sebelum algoritma konvergen. Outer loading yang dipakai adalah hasil akhir algoritma PLS yang sudah konvergen (berhenti berubah antar-iterasi). Memakai loading dari iterasi awal atau dari korelasi mentah memberi CR yang salah.
Mencampur CR dengan AVE. CR mengukur reliabilitas (konsistensi internal), sedangkan AVE mengukur validitas konvergen (rata-rata varian terjelaskan). Konstruk bisa andal (CR tinggi) tapi AVE < 0,50; keduanya dilaporkan terpisah dan menjawab pertanyaan berbeda.
Dipakai di Dunia Nyata
Skripsi/tesis berbasis SmartPLS. Bab hasil wajib melaporkan tabel reliabilitas konstruk (Alpha, rho_A, CR) untuk tiap variabel laten sebelum menguji hipotesis jalur. Penguji hampir selalu menanyakan tabel ini lebih dulu.
Riset perilaku konsumen. Memastikan konstruk seperti kepuasan, loyalitas, atau niat beli diukur secara konsisten oleh butir-butir kuesionernya sebelum pengaruh antar-konstruk disimpulkan.
Pengembangan dan validasi instrumen. Saat menyusun skala baru, CR dan rho_A jadi bukti bahwa indikator yang diusulkan cukup kompak untuk dipakai ulang peneliti lain.
Lanjutan
Setelah konstruk lolos reliabilitas dan validitas konvergen (AVE), langkah berikutnya memastikan tiap konstruk benar-benar berbeda dari konstruk lain:
- Lanjut ke Validitas Diskriminan PLS (Fornell-Larcker & HTMT) — apakah konstruk Anda tidak tumpang-tindih dengan tetangganya.
Fondasi:
- Validitas Konvergen PLS (AVE & Outer Loading) — sumber outer loading yang dipakai di sini.
- Uji Reliabilitas (Cronbach’s Alpha) — akar gagasan konsistensi internal.
Reference
- Dijkstra, T.K., & Henseler, J. (2015), “Consistent partial least squares path modeling”
- Hair, J.F., Hult, G.T.M., Ringle, C.M., & Sarstedt, M. (2022), “A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)”
- Ghozali, I., & Latan, H. (2015), “Partial Least Squares: Konsep, Teknik dan Aplikasi SmartPLS”