Cara Menangani Indikator Formatif vs Reflektif dalam Spesifikasi Model PLS SEM. Jangan Salah Pilih!

Salah menentukan arah hubungan indikator sering berujung pada gugurnya indikator penelitian yang sebenarnya valid akibat nilai outer loading yang berada di bawah kriteria kualifikasi. Kekeliruan mendasar ini muncul ketika peneliti memaksakan pengujian reliabilitas seperti Cronbach's alpha dan composite reliability pada model pengukuran yang seharusnya bersifat pembentuk, sehingga menghasilkan pesan peringatan reliabilitas rendah atau nilai variance inflation factor yang membesar. Pemahaman mendalam mengenai cara menangani indikator formatif vs reflektif dalam spesifikasi model PLS SEM menjadi krusial agar struktur konseptual variabel di dalam perangkat lunak SmartPLS digambarkan secara metodologis dan tidak merusak hasil pengujian hipotesis struktural.

Gejala kesalahan spesifikasi ini terlihat jelas sewaktu peneliti menghapus indikator-indikator penting dari variabel karena dianggap tidak valid berdasarkan standar evaluasi reflektif. Padahal, eliminasi indikator pada model formatif justru akan mengubah makna konseptual dari variabel itu sendiri. Sebaliknya, memperlakukan indikator reflektif seolah-olah indikator formatif dapat menutupi masalah multikolinearitas antarindikator dan membiaskan nilai koefisien jalur struktural.

Secara teoritis, pembedaan antara model pengukuran reflektif dan model pengukuran formatif berlandaskan pada arah kausalitas antara variabel laten dengan indikator pengukurnya. Jarvis et al. (2003) menjelaskan bahwa dalam model reflektif, variabel laten dianggap sebagai penyebab dari indikator-indikatornya. Oleh karena itu, semua indikator reflektif dipandang sebagai manifestasi dari konstruk yang sama, saling berkorelasi tinggi, serta bersifat dapat dipertukarkan.

Sebaliknya, pada model formatif, indikator-indikator dipandang sebagai pembentuk atau penyebab dari variabel laten tersebut. Diamantopoulos dan Winklhofer (2001) menegaskan bahwa indikator formatif menentukan definisi operasional dari konstruk. Indikator formatif tidak harus saling berkorelasi, tidak bersifat dapat dipertukarkan, serta hilangnya satu indikator akan menghilangkan sebagian dimensi makna dari variabel laten terkait.

Coltman et al. (2008) mengajukan kriteria keputusan teoritis dan empiris untuk mengidentifikasi sifat indikator, meliputi arah hubungan kausalitas, sifat kovarians antarindikator, serta keterikatan indikator terhadap anteseden dan konsekuensi variabel. Kegagalan peneliti dalam mengidentifikasi sifat ini sebelum tahap pengumpulan data sering kali memicu salah kaprah saat pemodelan data sekunder maupun primer.

Bagi peneliti yang ingin memperdalam landasan konseptual mengenai perbedaan paradigma model pengukuran dan persamaan struktural, pembahasan teori dasar mengenai pembentukan variabel laten dapat dipelajari secara lengkap pada domain utama statistikian.com.

Hair et al. (2021) menekankan bahwa keputusan menetapkan model reflektif atau formatif tidak boleh didasarkan pada keinginan untuk mempermudah pemenuhan syarat statistik semata, melainkan wajib dituntun oleh kerangka teori dan konteks operasional variabel.

Berikut adalah panduan langkah teknis dan kriteria baku untuk menentukan serta mengelola indikator formatif maupun reflektif di dalam spesifikasi model PLS-SEM:

1. Gunakan uji kausalitas konseptual. Tanyakan apakah perubahan pada variabel laten akan secara otomatis mengubah seluruh nilai indikator. Jika ya, spesifikasikan sebagai reflektif. Jika perubahan terjadi pada indikator lalu menyebabkan perubahan pada variabel laten, spesifikasikan sebagai formatif.

2. Lakukan evaluasi keterpertukaran indikator. Pada variabel reflektif, menghapus satu indikator tidak mengubah definisi variabel karena indikator lain memiliki domain makna yang sama. Pada variabel formatif, setiap indikator mewakili dimensi unik; penghapusan indikator akan mengubah cakupan makna variabel.

3. Buka model proyek pada perangkat lunak SmartPLS 4. Secara bawaan, SmartPLS akan menggambarkan panah indikator menunjuk keluar dari variabel laten menuju indikator untuk model reflektif.

4. Jika variabel berkarakteristik formatif, klik kanan pada konstruk yang bersangkutan di lembar kerja SmartPLS 4, lalu pilih opsi Invert measurement model. Langkah ini akan mengubah arah panah dari indikator masuk menuju ke variabel laten.

5. Terapkan protokol evaluasi model pengukuran reflektif yang mencakup pengujian validitas konvergen (outer loading di atas 0.70), validitas diskriminan (Heterotrait-Monotrait Ratio atau HTMT di bawah 0.90), serta reliabilitas konstruk (Cronbach's alpha dan composite reliability di atas 0.70).

6. Terapkan protokol evaluasi model pengukuran formatif yang berfokus pada tiga aspek utama: validitas konvergen melalui redundancy analysis (nilai path coefficient di atas 0.70), pengujian kolinearitas antarindikator (outer VIF di bawah 3.0 atau maksimal 5.0), serta signifikansi outer weight melalui prosedur bootstrapping.

7. Apabila outer weight indikator formatif tidak signifikan pada uji bootstrapping, jangan langsung menghapus indikator tersebut. Periksa nilai outer loading indikator. Jika outer loading di atas 0.50, indikator tetap dipertahankan karena memiliki kontribusi absolut yang tinggi. Jika outer loading di bawah 0.50 dan tidak signifikan, barulah pertimbangkan eliminasi indikator secara hati-hati.

8. Hindari menguji nilai Cronbach's alpha atau composite reliability pada model formatif karena indikator formatif tidak dituntut memiliki korelasi antar-item yang tinggi, sehingga kriteria reliabilitas konsistensi internal menjadi tidak relevan.

Contoh Tabel/Diagram Output Evaluasi Model Pengukuran Formatif dan Reflektif di SmartPLS

Tabel perbandingan output di atas memperlihatkan perbedaan fundamental dalam kriteria evaluasi model pengukuran reflektif dan formatif. Pada model reflektif, fokus utama berada pada pengujian konsistensi internal melalui nilai Cronbach's alpha dan composite reliability serta besarnya outer loading yang menggambarkan sejauh mana variabel laten mampu menjelaskan varians indikator.

Sementara itu, pada model formatif, pengujian konsistensi internal sama sekali tidak dianjurkan. Evaluasi dialihkan pada ketiadaan multikolinearitas antarindikator melalui nilai outer VIF serta pengujian besarnya kontribusi relatif (outer weight) dan kontribusi absolut (outer loading) dari setiap indikator terhadap pembentukan variabel laten.

Pentingnya spesifikasi model pengukuran yang tepat ditunjukkan oleh penelitian Becker et al. (2013) yang menganalisis dampak kesalahan spesifikasi model pengukuran terhadap estimasi parameter struktural. Ketika model yang seharusnya formatif secara keliru diestimasi sebagai reflektif, koefisien jalur struktural dari dan ke variabel tersebut akan mengalami bias yang bermakna, baik berupa perkiraan terlalu tinggi maupun terlalu rendah.

Petter et al. (2007) menambahkan bahwa salah spesifikasi juga meningkatkan risiko kesalahan Tipe I dan kesalahan Tipe II dalam pengujian hipotesis. Kesalahan Tipe I terjadi ketika peneliti menyimpulkan adanya hubungan antarkonstruk yang signifikan padahal secara riil tidak ada, sedangkan kesalahan Tipe II terjadi ketika hubungan riil yang ada gagal terdeteksi secara statistik.

Dalam konteks PLS-SEM, algoritma iteratif memperhitungkan bobot indikator untuk menciptakan skor variabel laten. Pada model reflektif, bobot dihitung berdasarkan estimasi komponen utama, sedangkan pada model formatif, bobot dihitung menggunakan regresi linier berganda di mana indikator bertindak sebagai variabel independen. Oleh sebab itu, masalah multikolinearitas antarindikator formatif sangat kritis karena dapat membuat estimasi outer weight menjadi tidak stabil atau bernilai negatif berlawanan dengan arah teoritis.

Sarstedt et al. (2016) menegaskan bahwa redundancy analysis merupakan syarat mutlak untuk membuktikan validitas konvergen variabel formatif. Prosedur ini dilakukan dengan menghubungkan variabel formatif ke variabel reflektif tunggal atau variabel reflektif multi-indikator yang mengukur konstruk konseptual yang sama. Nilai path coefficient antara kedua variabel ini minimal harus mencapai angka 0.70 untuk memastikan bahwa indikator formatif telah mencakup sebagian besar varians konstruk.

Dengan mengikuti kaidah metodologis dan langkah evaluasi yang cermat, peneliti dapat menjamin bahwa spesifikasi model pengukuran dalam PLS-SEM mencerminkan realitas fenomena yang diteliti serta memberikan dasar yang kuat bagi interpretasi hasil penelitian.

Kesimpulan

Menentukan spesifikasi indikator formatif vs reflektif dalam PLS-SEM merupakan keputusan metodologis mendasar yang menentukan keabsahan seluruh hasil pengujian. Model reflektif mensyaratkan arah kausalitas dari variabel ke indikator dengan kriteria evaluasi konsistensi internal dan validitas konvergen, sedangkan model formatif mensyaratkan arah dari indikator ke variabel dengan kriteria bebas kolinearitas dan signifikansi bobot pembentuk. Ketepatan dalam menggambar arah panah serta menerapkan protokol evaluasi di SmartPLS menjamin estimasi koefisien jalur struktural bebas dari bias dan dapat dipertanggungjawabkan secara akademis.

Daftar Pustaka

Becker, J. M., Rai, A., Ringle, C. M., & Völckner, F. (2013). Discovering unobserved heterogeneity in structural equation modeling to avert validity threats. MIS Quarterly, 37(3), 665-694.

Coltman, T., Devinney, T. M., Midgley, D. F., & Venaik, S. (2008). Formative versus reflective measurement models: Two applications of economy. Journal of Business Research, 61(12), 1250-1262.

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.). 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.

Petter, S., Straub, D., & Rai, A. (2007). Specifying formative constructs in information systems research. MIS Quarterly, 31(4), 623-656.

Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies!. Journal of Business Research, 69(10), 3998-4010.