Asumsi Multikolinearitas pada PLS SEM dengan SmartPLS: VIF Inner dan Outer Model

Saat melakukan pengujian pemodelan persamaan struktural, peneliti kerap menemui hambatan teknis berupa tingginya korelasional antarvariabel prediktor yang mengganggu **Asumsi Multikolinearitas pada PLS SEM dengan SmartPLS: VIF Inner dan Outer Model**. Permasalahan ini umumnya ditandai dengan munculnya nilai *Variance Inflation Factor* (VIF) yang melampaui batas ambang krisis 5 atau bahkan 10 pada tabel *Collinearity Statistics*. Dampak langsung dari gejala ini adalah berubahnya tanda koefisien jalur (*path coefficient*) secara tidak rasional, misalnya hubungan yang secara teoretis bernilai positif mendadak berubah menjadi negatif, serta melonjaknya nilai kesalahan standar (*standard error*) yang menyebabkan pengujian hipotesis menjadi tidak relevan.

Kebingungan makin meningkat ketika peneliti tidak dapat membedakan penanganan nilai VIF pada *outer model* (model pengukuran) dan *inner model* (model struktural). Pada *outer model* formatif, tingginya multikolinearitas antarindikator akan menyebabkan bobot indikator (*outer weight*) menjadi tidak stabil dan bernilai tidak signifikan. Sementara itu, pada *inner model*, multikolinearitas antarvariabel laten independen akan mengacaukan estimasi daya jelaskan model (*R-square*) dan memicu efek supresi (*suppression effect*). Tanpa pemahaman diagnostik yang tepat, peneliti berisiko melakukan eliminasi variabel secara serampangan yang justru merusak struktur konseptual penelitian.

Konsep Teori Multikolinearitas dalam Pemodelan PLS-SEM

Multikolinearitas terjadi ketika dua atau lebih variabel independen dalam model regresi linier atau model struktural memiliki hubungan korelasi yang sangat kuat (*highly correlated*). Menurut Hair et al. (2019), meskipun teknik estimasi *Partial Least Squares* relatif tahan terhadap pelanggaran asumsi distribusi normal, PLS-SEM tetap sangat sensitif terhadap permasalahan multikolinearitas karena algoritma estimasinya berbasis regresi parsial *Ordinary Least Squares* (OLS).

Bagi pembaca yang ingin memahami landasan teoretis mendalam mengenai penyebab matematis, pengujian statistik linieritas, dan dampaknya pada model regresi secara umum, Anda dapat meninjau pembahasan teori asumsi multikolinearitas dan uji VIF secara lengkap di www.statistikian.com.

Dalam arsitektur SmartPLS, evaluasi kolinearitas terbagi secara tegas menjadi dua ranah, yaitu *Outer VIF* dan *Inner VIF*. Diamantopoulos dan Siguaw (2006) menjelaskan bahwa pada model pengukuran formatif, *Outer VIF* digunakan untuk menguji keterkaitan antarindikator penyusun konstruk. Jika indikator formatif saling berkorelasi sangat tinggi, maka estimasi bobot (*outer weight*) masing-masing indikator menjadi tidak stabil dan mengalami inflasi varians.

Sementara itu, *Inner VIF* mengevaluasi hubungan antarvariabel laten eksogen yang mengarah ke variabel laten endogen yang sama. Kock dan Lynn (2012) menegaskan pentingnya memeriksa *lateral collinearity*, yakni situasi di mana variabel laten prediktor secara terselubung mengukur fenomena yang sama, sehingga mengaburkan kontribusi unik dari tiap-tiap jalur struktural.

Langkah Diagnostik dan Solusi Teknis Pengujian VIF SmartPLS

Guna menyelesaikan masalah multikolinearitas secara efektif tanpa mengorbankan integritas model penelitian, Anda dapat menerapkan tahapan perbaikan sistematis beserta pertimbangan ilmiah berikut:

1. Pemeriksaan Ambang Batas VIF Outer Model
Buka tab **Collinearity Statistics (VIF)** pada bagian *Outer Model*. Untuk indikator reflektif, korelasi antarindikator memang diharapkan tinggi sehingga VIF tinggi adalah wajar dan evaluasi fokus pada *outer loadings*. Namun untuk indikator formatif, Hair et al. (2017) menetapkan bahwa nilai VIF idealnya di bawah 3.00. Nilai VIF antara 3.00 hingga 5.00 masih dapat ditoleransi, tetapi nilai VIF di atas 5.00 menunjukkan indikator formatif mengalami kritis multikolinearitas.

2. Pemeriksaan Ambang Batas VIF Inner Model
Pindah ke tab **Collinearity Statistics (VIF)** pada bagian *Inner Model*. Amatilah setiap himpunan variabel prediktor yang mengarah pada variabel dependen tertentu. Garson (2016) dan Hair et al. (2019) menyarankan agar nilai VIF antarvariabel prediktor tidak melebihi 3.00 untuk menghindari gangguan korelasi silang. Batas maksimum toleransi absolut dalam pemodelan PLS adalah 5.00.

3. Eliminasi Indikator Formative Redundant
Jika *Outer VIF* indikator formatif melebihi 5.00, lakukan tindakan eliminasi secara bertahap pada indikator yang memiliki nilai VIF tertinggi. Menurut Diamantopoulos dan Siguaw (2006), penghapusan indikator formatif harus dilakukan secara hati-hati agar tidak mengurangi domain konseptual dari variabel laten yang diukur.

4. Penggabungan Indikator Menjadi Indeks Komposit
Alternatif lain untuk mengatasi *Outer VIF* yang tinggi adalah menggabungkan dua atau lebih indikator yang berkorelasi sangat erat menjadi satu indikator komposit tunggal melalui rata-rata hitung sebelum dimasukkan kembali ke dalam SmartPLS.

5. Penggabungan Variabel Laten Eksogen yang Overlap
Apabila *Inner VIF* antara dua variabel independen (misalnya Variabel A dan Variabel B) bernilai di atas 5.00, hal ini menandakan kedua variabel secara teoretis mengukur dimensi yang sama. Kock dan Lynn (2012) merekomendasikan untuk menggabungkan kedua konstruk tersebut menjadi satu variabel laten utama.

6. Pemodelan Konstruk Tingkat Tinggi (Higher-Order Construct / HOC)
Pendekatan metodologis yang lebih baik saat terjadi *Inner VIF* tinggi adalah mengubah variabel-variabel independen yang berkorelasi tersebut menjadi sub-dimensi (konstruk tingkat pertama) yang bernaung di bawah satu *Higher-Order Construct* (konstruk tingkat kedua) (Hair et al., 2018).

7. Evaluasi Common Method Bias (Full Collinearity VIF)
Periksa juga pengujian kolinearitas penuh (*Full Collinearity Test*). Kock (2015) menyatakan bahwa jika seluruh nilai VIF internal dan eksternal berada di bawah 3.300, maka model penelitian terbebas dari ancaman *Common Method Bias* (CMB) yang kerap merusak data survei berbasis kuesioner mandiri.

8. Re-Eksekusi Algoritma PLS
Setiap kali Anda melakukan perbaikan berupa penghapusan item atau restrukturisasi variabel, lakukan *Re-run PLS Algorithm* untuk memastikan seluruh nilai VIF terbaru telah memenuhi syarat di bawah 3.00 atau 5.00.

Contoh tabel/diagram output VIF PLS SEM dengan SmartPLS

Tata cara membaca tabel hasil estimasi VIF SmartPLS dapat disimulasikan melalui contoh struktur tabel *Outer VIF* dan *Inner VIF* berikut:

Berdasarkan simulasi tabel output VIF di atas, penyusunan narasi ilmiah untuk bab hasil penelitian dapat dituliskan dengan pola berikut:

1. Pembahasan Hasil Outer VIF (Model Pengukuran Formatif)
Pengujian kolinearitas pada indikator formatif variabel X1 menunjukkan bahwa indikator X1.1 dan X1.2 memiliki nilai VIF masing-masing sebesar 1.842 dan 2.105 (< 3.00). Namun, indikator X1.3 menghasilkan nilai VIF sebesar 5.821, yang melampaui batas toleransi maksimum 5.00. Untuk menjaga stabilitas *outer weight*, indikator X1.3 dikeluarkan dari model, sehingga seluruh indikator formatif yang tersisa memenuhi syarat bebas multikolinearitas.

2. Pembahasan Hasil Inner VIF (Model Struktural)
Evaluasi *Inner VIF* dilakukan pada variabel eksogen X1 dan X2 yang memprediksi variabel endogen Y1. Hasil komputasi menunjukkan nilai VIF sebesar 2.140 untuk kedua prediktor tersebut. Karena nilai VIF berada jauh di bawah kriteria konservatif 3.00, maka dipastikan tidak terjadi masalah multikolinearitas antarvariabel independen dalam model struktural ini.

Pembahasan Ilmiah: Dampak Metodologis Multikolinearitas dan Fenomena Supresi

Secara metodologis, terjadinya multikolinearitas pada PLS-SEM membawa implikasi serius terhadap interpretasi teoritis. Ketika dua variabel independen saling berkorelasi sangat tinggi, matriks varians-kovarians menjadi hampir singular. Kondisi ini menyebabkan estimasi persamaan regresi parsial kesulitan memisahkan kontribusi unik (*unique variance*) dari masing-masing variabel prediktor terhadap variabel kriteria (Hair et al., 2021).

Salah satu dampak paling berbahaya dari multikolinearitas yang diabaikan adalah timbulnya fenomena *Simpson's Paradox* atau efek supresi (*suppression effect*). Dalam situasi ini, koefisien jalur suatu variabel dapat berubah tanda dari positif menjadi negatif, meskipun korelasi bivariat sederhananya bernilai positif kuat. Kock dan Lynn (2012) menjelaskan bahwa hal ini terjadi karena variabel prediktor kedua menyerap seluruh varians yang tumpang tindih secara berlebihan, menyisakan komponen *error* yang membalikkan arah hubungan struktural.

Perbedaan mendasar antara indikator reflektif dan formatif juga menjadi kunci penting dalam pengujian ini. Pada model reflektif, indikator dianggap dijumpai sebagai cerminan dari variabel laten (*manifestation of construct*), sehingga korelasi antarindikator yang sangat tinggi memang disyaratkan untuk mencapai *internal consistency reliability*. Oleh karena itu, *Outer VIF* tinggi pada model reflektif bukanlah sebuah pelanggaran, melainkan bukti tingginya reliabilitas indikator (Hair et al., 2019).

Sebaliknya, pada model formatif, indikator-indikator bertindak sebagai pembentuk variabel laten (*cause of construct*). Indikator formatif disyaratkan untuk menangkap dimensi informasi yang berbeda-beda. Jika *Outer VIF* pada model formatif bernilai tinggi, hal itu menunjukkan adanya redundansi informasi, yang secara matematis membagi nilai *outer weight* sehingga indikator-indikator tersebut secara tidak adil menjadi bernilai tidak signifikan (Diamantopoulos & Siguaw, 2006).

Guna memastikan model penelitian benar-benar kokoh, pengujian *Full Collinearity Test* yang diperkenalkan oleh Kock (2015) sangat dianjurkan. Pendekatan ini mengevaluasi nilai VIF secara simultan untuk seluruh variabel laten dalam model. Apabila nilai *Full Collinearity VIF* konsisten berada di bawah 3.300, maka model penelitian terbukti bebas dari gangguan multikolinearitas vertikal, lateral, maupun bias metode umum (*Common Method Bias*).

Kesimpulan

Evaluasi asumsi multikolinearitas dalam PLS-SEM dengan SmartPLS harus dilakukan secara terpisah antara *Outer VIF* (model pengukuran formatif) dan *Inner VIF* (model struktural). Kriteria ideal nilai VIF adalah di bawah 3.00, dengan batas toleransi maksimum sebesar 5.00. Jika terdeteksi nilai VIF melebihi ambang batas, langkah perbaikan dapat dilakukan dengan mengeliminasi indikator formatif redundant, membuat nilai variabel komposit, atau menerapkan pemodelan *Higher-Order Construct* (HOC). Bebasnya model dari multikolinearitas menjamin stabilitas estimasi koefisien jalur dan keakuratan pengujian hipotesis penelitian.

Daftar Pustaka