Konstruk “Kepuasan” di kuesioner Anda diukur empat pertanyaan. Pertanyaannya sederhana tetapi menentukan: apakah keempat pertanyaan itu benar-benar mengukur kepuasan, atau ada satu-dua yang nyasar mengukur hal lain? Bayangkan satu butir ternyata lebih banyak menangkap “kemudahan akses” daripada “kepuasan” — kalau butir itu ikut dijumlahkan, skor kepuasan Anda jadi campur aduk, dan semua kesimpulan setelahnya ikut goyah.

Dosen penguji hampir pasti menanyakan satu tabel ini lebih dulu, sebelum melihat hipotesis Anda. Tabel itulah yang menjawab: alat ukur Anda waras atau tidak. Artikel ini menjelaskan validitas konvergen dari nol — apa artinya, dua angka yang harus Anda baca, dan cara menghitung salah satunya sendiri.

Apa Itu Validitas Konvergen

Bayangkan satu konstruk laten — sesuatu yang tidak bisa diukur langsung, seperti “kepuasan” — yang Anda ukur lewat beberapa pertanyaan kuesioner (indikator). Validitas konvergen menanyakan satu hal: apakah indikator-indikator itu benar-benar mengukur konstruk yang sama?

Kata “konvergen” artinya “menuju satu titik”. Kalau keempat pertanyaan kepuasan memang mengukur kepuasan, jawabannya akan bergerak searah: responden yang puas cenderung memberi nilai tinggi di keempatnya, yang tidak puas memberi nilai rendah di keempatnya. Mereka konvergen — menuju (mengumpul ke) konstruk yang sama. Sebaliknya, kalau ada satu pertanyaan yang jalan sendiri (jawabannya tidak ikut naik-turun bersama yang lain), pertanyaan itu bukan ukuran kepuasan yang baik.

Pengecekan ini bagian dari evaluasi model pengukuran (outer model) — yaitu bagian model yang menghubungkan tiap konstruk laten dengan indikator-indikatornya. Pengecekan ini dilakukan sebelum Anda menilai hubungan antar konstruk. Logikanya lurus: percuma menguji apakah kepuasan memengaruhi loyalitas kalau alat ukur kepuasannya sendiri belum terbukti benar.

Sebelum masuk ke angka, kita perlu satu gambar tentang di mana validitas konvergen “hidup” di dalam model.

Diagram jalur model persamaan struktural (SEM)Diagram jalur SEM. Di kiri ada konstruk laten ksi (eksogen) sebagai oval; di kanan ada konstruk laten eta (endogen), juga oval. Tiap oval memancarkan tiga panah ke tiga persegi indikatornya: ksi ke indikator X-satu, X-dua, X-tiga di sisi kiri; eta ke indikator Y-satu, Y-dua, Y-tiga di sisi kanan. Arah panah laten ke indikator menandakan model reflektif, dengan bobot muatan lambda. Sebuah panah struktural mendatar dari ksi ke eta menandai koefisien jalur gamma, yaitu pengaruh konstruk eksogen terhadap konstruk endogen. Tiap indikator X menerima galat pengukuran delta dari kiri, tiap indikator Y menerima galat epsilon dari kanan, dan konstruk eta menerima galat struktural zeta dari atas.ζγjalur strukturalλλX₁X₂X₃Y₁Y₂Y₃ξeksogenηendogenδεoval = konstruk laten • persegi = indikator terukur • panah laten→indikator = reflektif
Validitas konvergen dinilai pada panah laten → indikator (panah $\lambda$ hijau dari oval ke persegi) — bagian model pengukuran reflektif. Tiap oval adalah konstruk laten; tiap persegi adalah indikator terukur. Validitas konvergen menanyakan: seberapa kuat panah-panah dari satu oval menarik indikator-indikatornya. Panah struktural $\gamma$ (antar oval) baru dinilai setelah model pengukuran ini lolos.

Untuk konstruk reflektif, validitas konvergen diperiksa lewat dua kriteria yang dipakai bersama:

  • Outer loading tiap indikator — idealnya $\geq 0{,}70$.
  • AVE (Average Variance Extracted, rata-rata varian terekstraksi) tiap konstruk — $\geq 0{,}50$.

Kriteria Pertama: Outer Loading

Outer loading (muatan luar) adalah korelasi antara satu indikator dengan konstruk laten yang diukurnya. Lambangnya $\lambda$ (dibaca “lambda”). Nilainya berkisar 0 sampai 1: makin tinggi, makin kuat indikator itu mewakili konstruknya. Loading 0,85 berarti indikator itu nyaris bergerak seirama dengan konstruknya; loading 0,30 berarti indikator itu lebih banyak mengukur hal lain.

Pada diagram di atas, outer loading adalah “kekuatan” tiap panah hijau dari oval ke persegi. Panah yang kuat (loading tinggi) berarti indikator itu setia pada konstruknya.

Ambang tindakannya bertingkat:

Outer loadingTindakan
$\geq 0{,}70$Pertahankan — indikator baik
$0{,}40$ – $0{,}70$Pertimbangkan dibuang, hanya jika membuangnya menaikkan AVE atau CR melewati ambang
$< 0{,}40$Buang dari model

Kenapa angka 0,70? Karena $0{,}70^2 = 0{,}49$ — kira-kira setengah. Artinya, pada loading 0,70, konstruk menjelaskan sekitar separuh varian (naik-turunnya jawaban) indikator itu; separuh sisanya galat dan hal lain. Di bawah ambang itu, konstruk menjelaskan kurang dari separuh, dan indikatornya mulai diragukan.

Catatan penting: item dengan loading 0,40–0,70 jangan langsung dihapus. Buang hanya kalau ada manfaat nyata untuk reliabilitas, dan jangan korbankan validitas isi (cakupan makna konstruk). Membuang asal bisa membuat konstruk Anda jadi sempit dan kehilangan sebagian artinya.

Kriteria Kedua: AVE

AVE mengukur rata-rata porsi varian indikator yang berhasil dijelaskan konstruknya. Ambangnya $0{,}50$ — artinya konstruk menjelaskan minimal 50% varian indikator-indikatornya. Di bawah 0,50, varian yang tidak terjelaskan (galat) lebih besar daripada yang terjelaskan; konstruk menjelaskan indikatornya kurang dari separuh, dan validitas konvergen gagal.

Bedanya dengan outer loading: outer loading dinilai per indikator (satu angka untuk tiap panah), sedangkan AVE adalah ringkasan satu konstruk (satu angka untuk satu oval, merangkum semua panah yang keluar darinya). Keduanya saling melengkapi — satu butir bisa lemah tetapi konstruk secara keseluruhan masih lolos, atau sebaliknya.

Rumus AVE

$$ AVE = \frac{\sum_{i=1}^{n} \lambda_i^2}{n} $$

Penjelasan tiap lambang:

  • $\lambda_i$ (lambda-i) = outer loading indikator ke-$i$, dalam bentuk terstandar (sudah berskala 0–1; SmartPLS menstandarkannya otomatis). Misalnya $\lambda_1 = 0{,}80$.
  • $\lambda_i^2$ = loading dikuadratkan — yaitu porsi varian indikator ke-$i$ yang dijelaskan konstruk. Contoh: $0{,}80^2 = 0{,}64$, berarti konstruk menjelaskan 64% varian indikator pertama.
  • $n$ = banyak indikator pada konstruk itu. Kalau ada 4 pertanyaan, $n = 4$.
  • $\sum_{i=1}^{n} \lambda_i^2$ artinya “jumlahkan loading kuadrat untuk semua indikator, dari yang ke-1 sampai ke-$n$”. Misalnya untuk 4 indikator: $\lambda_1^2 + \lambda_2^2 + \lambda_3^2 + \lambda_4^2$.

Jadi AVE hanyalah rata-rata dari loading kuadrat. Bersihkan dari jargon: kuadratkan tiap loading, jumlahkan, lalu bagi dengan banyaknya indikator. Hanya itu.

Satu hal yang sering membingungkan pemula: outer loading sendiri tidak bisa dihitung tangan — angka itu hasil iterasi PLS Algorithm di dalam SmartPLS (lihat Spesifikasi Model PLS-SEM). Tetapi begitu loading-nya keluar dari SmartPLS, AVE tinggal Anda hitung sendiri dengan rumus di atas — dan memang sebaiknya Anda hitung sendiri sekali, supaya paham angka di tabel SmartPLS itu datang dari mana.

Contoh Hitung AVE dari Nol

Konstruk Kepuasan punya 4 indikator. SmartPLS mengeluarkan outer loading berikut:

$$ \lambda_1 = 0{,}80 \quad;\quad \lambda_2 = 0{,}70 \quad;\quad \lambda_3 = 0{,}75 \quad;\quad \lambda_4 = 0{,}85 $$

Langkah 1 — kuadratkan tiap loading. Inilah porsi varian tiap indikator yang dijelaskan konstruk:

Indikator$\lambda_i$$\lambda_i^2$Arti
Kepuasan-10,800,6400konstruk menjelaskan 64%
Kepuasan-20,700,4900konstruk menjelaskan 49%
Kepuasan-30,750,5625konstruk menjelaskan 56%
Kepuasan-40,850,7225konstruk menjelaskan 72%
Σ2,4150

Langkah 2 — jumlahkan loading kuadrat:

$$ \sum_{i=1}^{4} \lambda_i^2 = 0{,}64 + 0{,}49 + 0{,}5625 + 0{,}7225 = 2{,}415 $$

Langkah 3 — bagi dengan jumlah indikator ($n = 4$):

$$ AVE = \frac{\sum \lambda_i^2}{n} = \frac{2{,}415}{4} = 0{,}604 $$

Hasilnya 0,604.

Menafsirkan Hasilnya

AVE = 0,604 berarti konstruk Kepuasan menjelaskan rata-rata sekitar 60% varian indikator-indikatornya — sisanya yang 40% adalah galat pengukuran dan pengaruh lain. Karena $0{,}604 > 0{,}50$, validitas konvergen pada sisi AVE terpenuhi.

Tetapi jangan berhenti di AVE. Cek juga loading per item: keempatnya $\geq 0{,}70$ (yang terendah pas 0,70). Tidak ada indikator yang perlu dibuang. Kedua kriteria lolos, jadi konstruk Kepuasan valid secara konvergen dan Anda boleh lanjut.

Gabungkan kedua kriteria seperti ini:

KondisiKeputusan
AVE $\geq 0{,}50$ dan semua loading $\geq 0{,}70$Valid konvergen — lanjut
AVE $\geq 0{,}50$ tetapi ada loading 0,40–0,70Boleh lanjut, tetapi catat item lemah; buang hanya jika menaikkan AVE/CR
AVE $< 0{,}50$Belum valid — buang indikator loading terendah lalu hitung ulang AVE

Di SmartPLS, angka ini ada di dua tempat: AVE di tabel Construct Reliability and Validity (kolom AVE), loading di tabel Outer Loadings. Baca AVE per konstruk, lalu cek loading tiap indikator di konstruknya. Kalau satu konstruk gagal, perbaiki konstruk itu dulu sebelum menilai konstruk lain.

Coba Sendiri

Geser keempat outer loading dan amati AVE terbarui beserta garis ambang 0,50. Turunkan satu loading di bawah 0,70 untuk melihat indikator itu ditandai peringatan; turunkan beberapa loading sampai AVE menembus 0,50 untuk melihat status berubah dari valid (hijau) ke tidak valid (merah).

Cek Pemahaman

1. Sebuah konstruk Loyalitas punya 3 indikator dengan outer loading dari SmartPLS: 0,72 ; 0,68 ; 0,91. Hitung AVE-nya dari nol, lalu putuskan apakah validitas konvergen terpenuhi.

Lihat jawaban

Kuadratkan tiap loading: $0{,}72^2 = 0{,}5184$ ; $0{,}68^2 = 0{,}4624$ ; $0{,}91^2 = 0{,}8281$. Jumlahkan: $0{,}5184 + 0{,}4624 + 0{,}8281 = 1{,}8089$. Bagi dengan $n = 3$:

$$AVE = \frac{1{,}8089}{3} = 0{,}603$$

AVE = 0,603, di atas 0,50 — sisi AVE lolos. Tetapi perhatikan loading kedua, 0,68, ada di rentang 0,40–0,70. Indikator ini tidak otomatis dibuang: karena AVE konstruk sudah lolos, butir 0,68 boleh dipertahankan dan cukup dicatat sebagai item agak lemah. Buang hanya jika membuangnya menaikkan AVE atau CR melewati ambang — dan itu pun tidak perlu di sini karena keduanya sudah lolos.

2. (transfer) Konstruk Citra Merek punya 4 indikator dengan loading: 0,81 ; 0,78 ; 0,45 ; 0,83. Seorang mahasiswa langsung membuang indikator ketiga (0,45) karena “di bawah 0,70”. Apakah tindakannya tepat? Hitung AVE sebelum dan sesudah pembuangan untuk mendukung jawaban Anda.

Lihat jawaban

Hitung AVE dengan keempat indikator. Loading kuadrat: $0{,}81^2 = 0{,}6561$ ; $0{,}78^2 = 0{,}6084$ ; $0{,}45^2 = 0{,}2025$ ; $0{,}83^2 = 0{,}6889$. Jumlah = 2,1559. AVE $= 2{,}1559 / 4 = 0{,}539$ — sudah di atas 0,50.

Karena AVE konstruk sudah lolos, pembuangan tidak wajib. Loading 0,45 ada di rentang 0,40–0,70 (bukan di bawah 0,40), jadi aturannya: buang hanya kalau ada manfaat nyata untuk AVE atau CR. Membuang 0,45 memang menaikkan AVE jadi $1{,}9534/3 = 0{,}651$, tetapi kenaikan itu tidak mengubah keputusan (sudah lolos dengan atau tanpa butir itu), sementara membuangnya berisiko menyempitkan makna konstruk (validitas isi).

Jadi tindakan langsung-membuang kurang tepat sebagai refleks. Yang benar: nilai dulu apakah pembuangan benar-benar diperlukan untuk lolos ambang. Di sini tidak. Kalaupun butir 0,45 hendak dibuang, alasannya harus argumen substansi (butir itu memang tidak relevan dengan citra merek), bukan sekadar “angkanya kecil”.

Kesalahan Umum

Mengira AVE bisa dihitung dari skor mentah kuesioner. AVE dihitung dari outer loading terstandar, dan loading itu hasil iterasi PLS Algorithm. Hitung tangan hanya setelah loading keluar dari SmartPLS — bukan dari jawaban kuesioner langsung.

Buru-buru membuang indikator berloading 0,40–0,70. Item di rentang ini dibuang hanya jika membuangnya menaikkan AVE atau CR melewati ambang. Membuang asal bisa merusak validitas isi konstruk. Hanya loading $< 0{,}40$ yang dibuang tanpa banyak pertimbangan.

Menerapkan AVE ke konstruk formatif. AVE dan outer loading hanya untuk konstruk reflektif. Konstruk formatif dinilai dengan outer weight dan VIF, bukan AVE — lihat Reflektif vs Formatif. Salah terap di sini adalah kesalahan konsep, bukan sekadar salah hitung.

Lupa memakai loading terstandar. Rumus AVE memakai loading terstandar (0–1). Kalau dipakai angka tak terstandar, AVE jadi keliru. SmartPLS sudah menstandarkan secara default, jadi cukup pastikan Anda menyalin dari kolom yang benar.

Berhenti di validitas konvergen. Lolos AVE belum cukup. Konstruk juga harus lolos reliabilitas konstruk (CR) dan validitas diskriminan (HTMT) sebelum model pengukuran dianggap beres.

Dipakai di Dunia Nyata

  • Skripsi/tesis dengan konstruk laten reflektif. Hampir semua model PLS-SEM perilaku (kepuasan, loyalitas, niat beli, kinerja) wajib menyajikan tabel AVE dan outer loading sebelum uji hipotesis. Inilah tabel pertama yang ditanyakan penguji.
  • Validasi instrumen baru. Saat menyusun skala pengukuran sendiri, AVE dan loading membuktikan bahwa item-item benar-benar mengumpul ke satu konstruk — bukti empiris bahwa kuesioner Anda mengukur apa yang dimaksud.
  • Riset pemasaran dan SDM. Mengukur konstruk seperti citra merek, ekuitas merek, atau keterikatan karyawan, di mana satu konsep abstrak diwakili banyak pertanyaan dan perlu dibuktikan menyatu.
  • Praktik konsultasi dan survei korporat. Survei kepuasan pelanggan atau keterlibatan karyawan yang diolah dengan PLS-SEM memakai ambang yang sama sebelum hasilnya dipakai untuk keputusan manajemen.

Lanjutan

Validitas konvergen baru langkah pertama dalam menilai model pengukuran. Setelah lolos, lanjutkan ke:

Fondasi yang sebaiknya kokoh dulu:

Referensi

  • Hair, J.F., Hult, G.T.M., Ringle, C.M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), edisi ke-3. Sage.
  • Fornell, C., & Larcker, D.F. (1981). “Evaluating Structural Equation Models with Unobservable Variables and Measurement Error”. Journal of Marketing Research, 18(1), 39–50.
  • Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program SPSS. Badan Penerbit Universitas Diponegoro.