HTMT SmartPLS: Validitas Diskriminan

HTMT (Heterotrait-Monotrait Ratio) adalah salah satu kriteria uji validitas diskriminan yang lebih ketat dan akurat dibanding metode Fornell-Larcker yang lebih dulu populer. Kalau kamu sudah memeriksa outer loading dan AVE tapi masih ragu apakah variabel-variabel latenmu benar-benar terpisah secara statistik, HTMT SmartPLS adalah uji berikutnya yang perlu dijalankan.

Apa Itu HTMT dalam SmartPLS

HTMT SmartPLS adalah rasio yang membandingkan korelasi antar indikator dari variabel laten yang berbeda (heterotrait) dengan korelasi antar indikator dalam variabel laten yang sama (monotrait). Uji ini dipakai untuk menguji validitas diskriminan, yaitu memastikan bahwa setiap variabel laten dalam model SmartPLS benar-benar mengukur konsep yang berbeda satu sama lain, bukan konsep yang tumpang tindih.

Kriteria Nilai HTMT SmartPLS

Ada dua ambang batas yang umum dipakai dalam penelitian PLS-SEM, tergantung seberapa mirip secara konseptual variabel-variabel yang diuji:

HTMT di bawah 0,90: dipakai kalau variabel-variabel dalam model secara konseptual cukup mirip satu sama lain.
HTMT di bawah 0,85: kriteria yang lebih ketat, dipakai kalau variabel-variabel dalam model secara konseptual cukup berbeda.

Kalau nilai HTMT antar dua variabel laten melebihi ambang batas yang dipakai, itu tandanya kedua variabel tersebut belum cukup terpisah secara statistik, meski secara teori dianggap sebagai konsep yang berbeda.

Cara Menjalankan Uji HTMT di SmartPLS

Nilai HTMT otomatis dihasilkan SmartPLS setelah kamu menjalankan algoritma PLS, biasanya muncul di bagian Discriminant Validity pada laporan hasil (Quality Criteria). Hasilnya ditampilkan dalam bentuk matriks yang membandingkan setiap pasang variabel laten dalam model. Kamu perlu memeriksa setiap sel dalam matriks tersebut dan memastikan semuanya berada di bawah ambang batas yang dipakai.

HTMT Dibanding Kriteria Fornell-Larcker

Sebelum HTMT populer, validitas diskriminan umumnya diuji lewat kriteria Fornell-Larcker, yaitu membandingkan akar kuadrat AVE suatu variabel dengan korelasinya terhadap variabel laten lain. Namun, beberapa studi metodologi menunjukkan bahwa Fornell-Larcker kurang sensitif mendeteksi masalah validitas diskriminan, terutama pada model dengan variabel yang secara konsep mirip. HTMT dianggap lebih akurat mendeteksi masalah ini, sehingga saat ini lebih banyak direkomendasikan sebagai kriteria utama, dengan Fornell-Larcker sebagai pendukung tambahan.

Contoh Kasus Membaca Hasil HTMT

Misalnya penelitianmu punya dua variabel laten, “Kepuasan Kerja” dan “Loyalitas Karyawan”, dan hasil matriks HTMT menunjukkan nilai 0,78 antara keduanya. Karena nilai ini di bawah ambang batas 0,85 (kriteria yang lebih ketat), kedua variabel tersebut dianggap cukup terpisah secara statistik meski secara konsep berkaitan erat. Sebaliknya, kalau nilainya keluar 0,93, itu tandanya kedua variabel tersebut tumpang tindih dan perlu ditinjau ulang, baik dari definisi operasionalnya maupun kemungkinan adanya item kuesioner yang mengukur konsep yang sama di kedua variabel.

Pertanyaan yang Sering Diajukan (FAQ)

Apakah HTMT dan Fornell-Larcker harus dilaporkan keduanya?

Tidak wajib, tapi banyak jurnal dan pembimbing yang meminta keduanya dilaporkan untuk memperkuat argumen validitas diskriminan, terutama karena HTMT sudah menjadi standar yang lebih diterima secara metodologis dalam beberapa tahun terakhir.

Kenapa nilai HTMT saya melebihi ambang batas?

Kemungkinan dua variabel laten dalam modelmu secara konsep terlalu mirip atau tumpang tindih. Solusinya bisa dengan meninjau ulang definisi operasional masing-masing variabel, atau mempertimbangkan apakah keduanya sebenarnya perlu digabung menjadi satu konstruk.

Apakah HTMT dihitung untuk semua pasangan variabel laten?

Ya, SmartPLS menghitung HTMT untuk setiap kemungkinan pasangan variabel laten dalam model, ditampilkan dalam bentuk matriks segitiga.

Apakah HTMT bisa dipakai untuk model dengan banyak variabel laten?

Bisa, meski semakin banyak variabel laten, semakin banyak pula pasangan yang perlu diperiksa satu per satu di matriks HTMT. Pastikan tidak ada satu pun pasangan yang melebihi ambang batas yang kamu pakai sebelum melanjutkan ke uji model struktural.

Kesimpulan

HTMT SmartPLS adalah kriteria validitas diskriminan yang lebih ketat dan lebih diandalkan dibanding Fornell-Larcker, dan menjadi langkah lanjutan setelah outer loading dan AVE terpenuhi. Setelah HTMT SmartPLS terpenuhi, langkah berikutnya adalah memeriksa VIF SmartPLS untuk memastikan model strukturalmu juga bebas dari multikolinearitas. Kalau kamu masih ragu menafsirkan hasil HTMT pada model penelitianmu, tim jasa olah data SmartPLS Sisi Statistik siap membantu dari evaluasi awal sampai interpretasi lengkap untuk keperluan sidang.

Konsultasikan hasil olah data SmartPLS-mu sekarang via WhatsApp: +62 851-5739-5951