Revisi pada bab analisis data jarang disebabkan oleh perangkat lunaknya. Sumber utamanya adalah keputusan analisis yang tidak disertai dasar yang memadai. Berikut lima kesalahan yang paling sering ditemui.
- Menentukan ukuran sampel tanpa dasar perhitungan
Kesalahan yang paling awal biasanya terjadi sebelum data diolah. Peneliti menetapkan jumlah responden berdasarkan kemudahan pengumpulan data, lalu berlindung pada anggapan bahwa PLS-SEM “cocok untuk sampel kecil”. Padahal sampel yang kurang memadai menurunkan stabilitas estimasi dan daya statistik model. Kaidah “sepuluh kali jumlah indikator” masih banyak dipakai tetapi kerap dikritik. Pendekatan yang lebih dapat dipertanggungjawabkan adalah analisis daya statistik (G*Power) atau metode inverse square root, dengan dasar perhitungan yang dilaporkan secara eksplisit di bagian metodologi.
- Menghapus indikator secara mekanis berdasarkan angka 0,7
Ambang 0,7 pada outer loading adalah pedoman, bukan ketentuan mutlak. Indikator dengan loading 0,4 sampai 0,7 seharusnya dievaluasi terlebih dahulu: apakah penghapusannya meningkatkan reliabilitas komposit dan Average Variance Extracted (AVE) secara berarti, dan apakah indikator itu memuat aspek penting dari definisi konstruk? Penghapusan indikator hanya agar seluruh angka memenuhi ambang batas mengubah konstruk demi hasil yang diinginkan, dan penguji yang cermat biasanya menanyakannya.
- Mengabaikan atau salah menilai validitas diskriminan
Validitas diskriminan sering hanya dinilai dengan kriteria Fornell-Larcker. Literatur metodologis menunjukkan kriteria ini kurang sensitif dalam mendeteksi masalah, sehingga rasio Heterotrait-Monotrait (HTMT) kini lebih dianjurkan. Nilai HTMT yang terlalu tinggi (umumnya di atas 0,85 untuk konstruk yang berbeda secara konseptual, atau 0,90 untuk konstruk yang berdekatan) menandakan dua konstruk belum terbedakan dengan jelas. Solusinya tidak selalu berupa penghapusan indikator. Kadang konstruk perlu dirumuskan ulang atau digabung, dengan justifikasi teoretis.
- Salah menafsirkan hasil bootstrapping
Kekeliruan yang umum: memakai jumlah subsampel terlalu sedikit, mencampuradukkan uji satu arah dan dua arah, membaca signifikansi hanya dari nilai p tanpa melihat selang kepercayaan, atau menyimpulkan bahwa pengaruh yang signifikan otomatis berarti pengaruh yang besar. Praktik yang lazim adalah 5.000 subsampel, dengan kriteria signifikansi yang dinyatakan sejak awal (mis. dua arah, taraf 5%), disertai selang kepercayaan dan ukuran efek. Signifikansi menjawab apakah pengaruh itu ada, bukan seberapa penting pengaruhnya.
- Menguji mediasi tanpa menilai pengaruh tidak langsung yang spesifik
Pada model dengan variabel mediasi, kesalahan yang sering muncul adalah menyimpulkan mediasi hanya dari signifikansi jalur individual. Pengujian yang lebih tepat berfokus pada signifikansi pengaruh tidak langsung yang spesifik (specific indirect effect) melalui bootstrapping, lalu menentukan jenis mediasinya (penuh, sebagian, atau tidak ada) dengan memperhatikan pengaruh langsungnya. Tanpa langkah ini, kesimpulan tentang mediasi mudah dipertanyakan.
Penutup
Kelima kesalahan di atas berakar pada hal yang sama: keputusan analisis dibuat dari kebiasaan atau kemudahan, bukan dari pemahaman atas tujuan tiap pengujian. Peneliti yang mampu menjelaskan alasan di balik setiap keputusan analisis akan lebih siap menghadapi pengujian di ruang sidang maupun proses telaah jurnal.
