Cara Memilih Jenis Indikator Reflektif Ataukah Formatif pada PLS SEM Second Order dengan SmartPLS 4 dan Solusinya

Saat memodelkan variabel higher-order construct di SmartPLS 4, kesalahan dalam menentukan cara memilih jenis indikator reflektif ataukah formatif pada PLS SEM second order sering mengakibatkan munculnya warning error seperti singular matrix, nilai outer loading bernilai negatif, atau nilai Variance Inflation Factor (VIF) indikator melambung tinggi di atas 5. Kesalahan spesifikasi ini (construct misspecification) tidak hanya menggagalkan konvergensi algoritma PLS path, tetapi juga merusak validitas konstruk pada tingkat first-order maupun second-order.

Gejala umum yang dialami peneliti mencakup nilai t-statistik indikator formatif yang tidak signifikan (p-value > 0.05) pada saat outer weights diuji, atau nilai outer loadings reflektif yang merosot di bawah 0.70 akibat dipaksakan masuk ke dalam konstruk yang sebenarnya berkarakteristik formatif. Ketika peneliti keliru menetapkan hubungan antar dimensi ke variabel second-order (misalnya menentukan Type I, Type II, Type III, atau Type IV), estimasi bobot jalur (path coefficient) pada inner model menjadi bias dan dapat menyebabkan sign reversal di mana arah hubungan struktural berubah secara mendadak dari positif menjadi negatif.

Pengukuran dalam pemodelan persamaan struktural berbasis varians (PLS-SEM) terbagi menjadi dua paradigma utama, yaitu model reflektif dan model formatif. Menurut Jarvis et al. (2003), penentuan sifat hubungan antara indikator manifest dan variabel laten ditentukan oleh arah kausalitas ontologis yang mendasarinya.

Pada model reflektif, variabel laten diasumsikan sebagai sebab yang memancarkan pengaruh ke indikator-indikatornya. Oleh karena itu, indikator bersifat saling menggantikan (interchangeable), memiliki korelasi antar-indikator yang sangat tinggi, serta berbagi domain konseptual yang sama (Coltman et al., 2008). Jika satu indikator dihilangkan, makna konseptual dari variabel laten tidak akan berubah.

Sebaliknya, pada model formatif, indikator-indikator bertindak sebagai pembentuk atau penyusun variabel laten. Arah panah kausalitas mengalir dari indikator menuju ke variabel laten. Indikator formatif tidak harus saling berkorelasi dan tidak bersifat menggantikan, karena setiap indikator menangkap dimensi atau aspek spesifik yang unik dari variabel laten (Diamantopoulos & Winklhofer, 2001). Penghapusan satu indikator formatif akan secara langsung mengubah definisi dan cakupan makna dari variabel laten tersebut.

Dalam pemodelan variabel orde kedua (higher-order constructs), kombinasi spesifikasi pada tingkat first-order (Lower-Order Construct / LOC) dan second-order (Higher-Order Construct / HOC) menghasilkan empat taksonomi utama: Type I (Reflective-Reflective), Type II (Reflective-Formative), Type III (Formative-Reflective), dan Type IV (Formative-Formative) (Becker et al., 2012). Pemahaman mendalam mengenai landasan teori indikator reflektif dan formatif di statistikian.com dapat membantu peneliti memahami perbedaan konseptual mendasar ini sebelum melangkah ke eksekusi software.

Kesalahan dalam mengklasifikasikan hubungan ini (construct misspecification) dapat memicu konsekuensi teoretis dan praktis yang serius. Hair et al. (2021) menegaskan bahwa memaksakan indikator formatif menjadi reflektif akan mengabaikan varians penting yang membentuk konstruk, sedangkan memaksakan indikator reflektif menjadi formatif akan memicu multikolinearitas ekstrim antar indikator.

Berikut adalah langkah-langkah teknis mandiri yang terstruktur untuk mengidentifikasi, memilih, dan memperbaiki spesifikasi indikator reflektif versus formatif pada PLS-SEM second order menggunakan SmartPLS 4.

Pertama, lakukan evaluasi kausalitas teoritis menggunakan kerangka kriteria Jarvis. Ajukan pertanyaan mendasar: Apakah indikator didefinisikan sebagai gejala yang disebabkan oleh laten (reflektif), ataukah sebagai variabel penyusun yang membentuk laten (formatif)?

Kedua, periksa matriks korelasi antar-indikator pada output SmartPLS 4. Jika korelasi antar indikator sangat tinggi (di atas 0.70) dan memiliki item yang homogen, indikator tersebut secara alami cenderung berkarakteristik reflektif.

Ketiga, jika indikator bersifat formatif, periksa nilai Variance Inflation Factor (VIF) pada tabel Outer VIF Values. Nilai VIF indikator formatif idealnya berada di bawah 3.3 untuk menghindari masalah multikolinearitas berat. Jika nilai VIF berada di antara 3.3 hingga 5.0, periksa korelasi spesifiknya, dan jika VIF melebihi 5.0, indikator yang redundan harus dieliminasi atau digabungkan.

Keempat, jalankan prosedur Bootstrapping dengan 5.000 subsamples di SmartPLS 4 untuk mengevaluasi signifikansi outer weights pada indikator formatif. Jika p-value dari outer weight kurang dari 0.05, maka indikator formatif terbukti memiliki kontribusi relatif yang signifikan secara statistik.

Kelima, jika outer weight indikator formatif tidak signifikan (p-value > 0.05), jangan langsung menghapus indikator tersebut. Periksa nilai outer loading indikator tersebut pada tabel output *Outer Loadings*.

Keenam, sesuai dengan panduan Hair et al. (2021), apabila outer loading indikator formatif tersebut mencapai nilai 0.50 atau lebih, indikator harus tetap dipertahankan di dalam model karena memiliki kontribusi absolut yang penting bagi konstruk.

Ketujuh, apabila outer weight tidak signifikan dan nilai outer loading berada di bawah 0.50, lakukan uji signifikansi pada outer loading tersebut. Jika outer loading juga tidak signifikan secara statistik, maka indikator formatif tersebut dapat dikeluarkan dari model.

Kedelapan, untuk variabel *second-order*, tentukan pendekatan estimasi yang tepat di SmartPLS 4. Untuk model Type I (Reflective-Reflective), pendekatan *Repeated Indicators Approach* dapat langsung digunakan. Namun untuk Type II (Reflective-Formative) dan Type IV (Formative-Formative), sangat disarankan menggunakan *Extended Two-Stage Approach*.

Kesembilan, pada tahap pertama *Extended Two-Stage Approach*, ekstrak nilai *latent variable scores* dari dimensi *first-order* (LOC). Pada tahap kedua, gunakan nilai *scores* tersebut sebagai indikator pembentuk variabel *second-order* (HOC).

Kesepuluh, lakukan pengujian validitas konvergen untuk konstruk formatif melalui *Redundancy Analysis*. Hubungkan konstruk formatif dengan satu indikator global berukuran tunggal (global single-item measure) dan pastikan nilai koefisien jalur (*path coefficient*) mencapai minimal 0.70.

Contoh Tabel/Diagram Output Measurement Model Specification Comparison

Tabel output di atas memperlihatkan perbandingan hasil pengujian outer model untuk indikator reflektif, indikator formatif, serta hubungan variabel *first-order* ke *second-order* pada SmartPLS 4.

Pada baris pertama, indikator formatif **X1.1** terhadap konstruk *first-order* **Kapasitas Inovasi** menunjukkan nilai *outer weight* sebesar 0.412, nilai VIF sebesar 1.842 (di bawah 3.3), serta p-value sebesar 0.008. Angka p-value yang berada di bawah 0.05 mengonfirmasi bahwa indikator X1.1 memiliki kontribusi relatif yang signifikan sebagai pembentuk Kapasitas Inovasi.

Sebaliknya, baris kedua yang ditandai dengan kotak merah memperlihatkan indikator formatif **X1.2**. Indikator ini menghasilkan *outer weight* yang sangat kecil (0.095), nilai p-value yang tidak signifikan (0.341), serta nilai Outer VIF yang tinggi mencapai 5.821 (melebihi ambang batas toleransi 5.0). Kondisi multikolinearitas ekstrim ini menyebabkan estimasi bobot menjadi tidak stabil, sehingga X1.2 disarankan untuk dieliminasi dari model.

Baris ketiga menampilkan evaluasi indikator reflektif **Y1.1** terhadap variabel **Kinerja Organisasi**. Hasil analisis menunjukkan nilai *outer loading* sebesar 0.845 (di atas ambang batas 0.70) dengan p-value 0.000, yang membuktikan bahwa indikator tersebut sangat valid dan reliabel secara reflektif.

Pada baris keempat, hasil evaluasi hubungan *first-order* **Kapasitas Inovasi** menuju variabel *second-order* **Orientasi Strategis** (Type II HOC) menghasilkan nilai *weight* sebesar 0.521, VIF sebesar 2.204, dan p-value 0.001. Hasil ini mengonfirmasi bahwa dimensi Kapasitas Inovasi secara valid membentuk variabel *higher-order* Orientasi Strategis pada tingkat struktural sekunder.

Pembatasan dan pemilihan jenis indikator tidak boleh semata-mata didasarkan pada manipulasi angka statistik untuk mengejar nilai fit model. Diamantopoulos dan Siguaw (2006) menekankan bahwa mengubah indikator formatif menjadi reflektif hanya karena terjadi masalah multikolinearitas adalah bentuk pelanggaran metodologis yang serius, karena akan merusak landasan teoretis dari variabel yang diteliti.

Dalam praktik pemodelan PLS-SEM modern, Sarstedt et al. (2019) menyarankan agar peneliti mendokumentasikan alasan teoretis penetapan spesifikasi indikator sejak tahap rancangan kuesioner. Penggunaan argumen kausalitas logis harus mendahului seluruh rangkaian uji empiris di SmartPLS 4.

Lebih lanjut, Wright et al. (2012) menyatakan bahwa penerapan *Extended Two-Stage Approach* pada variabel *second-order* berkarakter formatif memberikan hasil estimasi yang jauh lebih bias-free dibandingkan metode *Repeated Indicators Approach* konvensional, terutama ketika ukuran sampel tergolong moderat.

Dengan memahami karakteristik kausalitas indikator, mematuhi pengujian VIF serta *outer weights/loadings*, dan menerapkan pendekatan dua tahap yang tepat pada SmartPLS 4, peneliti dapat menyusun model PLS SEM *second order* yang tangguh, valid secara teoritis, dan akurat secara statistik.

Kesimpulan

Memilih jenis indikator reflektif atau formatif pada pemodelan PLS SEM *second order* dengan SmartPLS 4 memerlukan landasan teoritis yang kokoh mengenai arah kausalitas antar variabel laten dan indikatornya. Pengujian empiris seperti nilai VIF, signifikansi *outer weights*, dan besaran *outer loadings* berfungsi sebagai prosedur konfirmasi teknis untuk memastikan tidak terjadi masalah multikolinearitas maupun kesalahan spesifikasi model.

Penggunaan *Extended Two-Stage Approach* terbukti menjadi solusi efektif dalam mengatasi potensi bias estimasi pada variabel *higher-order construct* yang bersifat formatif. Peneliti dihimbau untuk tetap mempertahankan integritas konseptual indikator dan menghindari tindakan paksaan spesifikasi semata-mata demi mencapai angka signifikansi statistik.

Daftar Pustaka

• Becker, J. M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5-6), 359-394.
• Coltman, T., Devinney, T. M., Midgley, D. F., & Venaik, S. (2008). Formative versus reflective measurement models: Operationalization and statistical detection. Journal of Business Research, 61(12), 1250-1262.
• Diamantopoulos, A., & Siguaw, J. A. (2006). Formative versus reflective indicators in organizational measure development: A comparison and empirical illustration. British Journal of Management, 17(4), 263-282.
• Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269-277.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Thousand Oaks, CA: Sage Publications.
• Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199-218.
• Sarstedt, M., Hair, J. F., Cheah, J. H., Becker, J. M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197-211.
• Wright, R. T., Campbell, D. E., Thatcher, J. B., & Roberts, N. (2012). Operationalizing multidimensional constructs in structural equation modeling: Recommendations for IS research. Communications of the Association for Information Systems, 30(1), 23.