Tutorial PLS SEM Second Order dengan SmartPLS 4 dan Solusi Berbagai Permasalahannya

Dalam pemodelan persamaan struktural berbasis varians, kendala teknis yang paling sering membingungkan peneliti adalah munculnya notifikasi error singular matrix, kegagalan konvergensi algoritma, atau nilai koefisien yang tidak rasional saat mengestimasi variabel tingkat tinggi (higher-order constructs). Pelaksanaan Tutorial PLS SEM Second Order dengan SmartPLS 4 sering kali terhenti akibat masalah multikolinearitas ekstrem antara dimensi orde pertama (lower-order constructs) dan konstruksi orde kedua (higher-order construct) ketika metode yang digunakan tidak sesuai dengan karakteristik pengukuran model.

Gejala permasalahan ini umumnya ditandai dengan nilai R-square pada variabel dimensi yang bernilai tepat 1.000, estimasi bobot luar (outer weights) yang bernilai negatif tanpa alasan teoritis yang jelas, atau kalkulasi Bootstrapping yang terhenti secara mendadak. Jika konfigurasi spesifikasi model hierarkis dan penentuan metode estimasi dua tahap (two-stage approach) tidak dilakukan dengan tepat saat pembentukan jalur, SmartPLS 4 akan menghasilkan bias estimasi yang merusak validitas konvergen maupun validitas diskriminan seluruh model penelitian.

Secara konseptual, pemodelan variabel orde kedua atau *second-order construct* dalam istilah ilmiah dikenal sebagai Model Komponen Hierarkis (Hierarchical Component Model atau HCM). Pendekatan ini digunakan ketika suatu abstraksi teoretis tidak dapat diukur secara langsung oleh indikator manifest, melainkan dibentuk oleh beberapa dimensi laten utama yang masing-masing memiliki kelompok indikator tersendiri.

Menurut Becker et al. (2012), struktur HCM membagi konstruksi menjadi dua tingkatan utama, yaitu lower-order constructs (LOC) yang mengoperasionalkan dimensi-dimensi spesifik, dan higher-order construct (HOC) yang menggambarkan konsep tingkat atas yang lebih abstrak. Penggunaan HOC bertujuan untuk mengurangi kompleksitas model jalur serta meningkatkan parsimoni tanpa menghilangkan informasi rinci dari tiap dimensi.

Berdasarkan sifat hubungan antar tingkatannya, Sarstedt et al. (2019) mengklasifikasikan HCM ke dalam empat bentuk kombinasi utama: reflektif-reflektif, reflektif-formatif, formatif-reflektif, dan formatif-formatif. Jenis hubungan ini menentukan apakah dimensi LOC bersifat merefleksikan HOC atau justru membentuk HOC secara kausal kualitatif.

Penggunaan metode indikator berulang (repeated indicators approach), di mana seluruh indikator manifest dari LOC disalin ulang ke dalam HOC, sangat cocok untuk tipe reflektif-reflektif. Namun, Chin (1998) mengingatkan bahwa meniru indikator secara langsung pada tipe reflektif-formatif akan memicu multikolinearitas sempurna karena seluruh varian HOC dijelaskan sepenuhnya oleh LOC, yang mengakibatkan nilai R-square LOC menjadi 1.000.

Untuk memahami landasan teori pengujian konstruk dan perbedaan mendasar antara spesifikasi indikator sebelum membentuk variabel second order, Anda dapat mempelajari landasan teori model pengukuran PLS-SEM di statistikian.com agar memiliki pemahaman yang kukuh mengenai kerangka konseptual yang digunakan.

Guna mengatasi kendala bias matematis dan error kalkulasi pada SmartPLS 4, berikut adalah prosedur perbaikan teknis mandiri yang disistematisasikan berdasarkan pendekatan dua tahap yang diperluas (extended two-stage approach).

Langkah pertama, buat model awal atau Stage 1 di SmartPLS 4 tanpa memasukkan variabel orde kedua (HOC). Hubungkan seluruh dimensi laten orde pertama (LOC) secara langsung ke variabel prediktor atau variabel endogen lain yang ada dalam model struktural. Hubungan langsung ini bertujuan untuk menghitung skor laten yang terbebas dari bias penumpukan variabel tingkat atas.

Langkah kedua, jalankan algoritma PLS standar (PLS-SEM Algorithm) pada model Stage 1 tersebut. Setelah kalkulasi selesai dan konvergen, masuk ke menu Final Results lalu pilih opsi Latent Variable Scores. Unduh atau salin seluruh nilai skor laten dari masing-masing LOC yang dihasilkan oleh sistem.

Langkah ketiga, impor kembali skor variabel laten hasil Stage 1 ke dalam dataset penelitian di SmartPLS 4 sebagai kolom variabel baru. Kolom-kolom skor ini sekarang bertindak sebagai data empiris tingkat dimensi yang siap digunakan untuk mengukur HOC.

Langkah keempat, buat diagram model baru atau Stage 2. Pada tahap ini, bentuk variabel HOC dengan menggunakan skor laten dari LOC yang telah diimpor sebelumnya sebagai indikator pembentuknya. Dengan cara ini, HOC tidak lagi meminjam indikator manifest asli dari LOC, melainkan diukur langsung oleh skor ringkasan dari dimensi-dimensinya.

Langkah kelima, apabila tipe hubungan yang digunakan adalah reflektif-formatif, atur hubungan dari indikator skor laten menuju HOC secara formatif (panah mengarah dari skor LOC ke HOC). Metode ini mengeliminasi masalah *singular matrix* dan memastikan estimasi parameter struktural berjalan secara stabil.

Langkah keenam, lakukan evaluasi multikolinearitas pada Stage 2 dengan memeriksa nilai Variance Inflation Factor (VIF) antar dimensi LOC yang mengukur HOC. Sesuai dengan rekomendasi Hair et al. (2021), nilai VIF ideal harus berada di bawah 3.0 untuk memastikan tidak ada redundansi antar dimensi pembentuk.

Langkah ketujuh, jalankan prosedur Bootstrapping dengan sampel minimal 5.000 subsampel pada Stage 2 untuk menguji signifikansi bobot luar (outer weights) dari LOC ke HOC serta koefisien jalur ke variabel target.

Contoh Tabel/Diagram Output Structural Model Second Order PLS-SEM

Diagram di atas menggambarkan hasil estimasi akhir dari pemodelan *second-order* tipe reflektif-formatif yang diselesaikan menggunakan pendekatan dua tahap yang diperluas. Variabel **Nilai Pelanggan** bertindak sebagai *higher-order construct* (HOC) yang dibentuk oleh tiga dimensi laten orde pertama, yaitu **Kualitas Produk** (LOC 1), **Kualitas Layanan** (LOC 2), dan **Keadilan Harga** (LOC 3).

Pembacaan hasil dimulai dari evaluasi model pengukuran HOC (hubungan dari LOC ke HOC). Nilai *outer weight* untuk Kualitas Produk adalah 0.412, Kualitas Layanan sebesar 0.385, dan Keadilan Harga sebesar 0.310. Seluruh nilai bobot ini memiliki tingkat signifikansi p-value di bawah 0.05, yang membuktikan bahwa ketiga dimensi tersebut memberikan kontribusi relatif yang signifikan secara statistik dalam membentuk variabel Nilai Pelanggan.

Selanjutnya, evaluasi model struktural ditunjukkan oleh koefisien jalur dari Nilai Pelanggan menuju **Loyalitas Merek** sebesar 0.645 dengan nilai p-value kurang dari 0.001. Hal ini bermakna bahwa Nilai Pelanggan memiliki pengaruh positif dan signifikan yang kuat terhadap Loyalitas Merek. Nilai koefisien determinasi *R-square* sebesar 0.416 mengindikasikan bahwa 41.6 persen varians dari Loyalitas Merek dapat dijelaskan oleh konstruksi Nilai Pelanggan tingkat tinggi tersebut.

Pengujian ilmiah terhadap model komponen hierarkis memerlukan kecermatan dalam membedakan antara validitas model pengukuran tingkat pertama dan tingkat kedua. Hair et al. (2021) menggarisbawahi bahwa kriteria evaluasi untuk HOC sepenuhnya bergantung pada sifat pengukuran yang diterapkan pada Stage 2.

Jika HOC bersifat formatif, maka peneliti harus memfokuskan evaluasi pada tiga aspek utama: validitas konvergen HOC melalui *redundancy analysis*, pengujian multikolinearitas antar LOC menggunakan nilai VIF, serta signifikansi dan relevansi dari *outer weights*. Penilaian keandalan konsistensi internal seperti *Cronbach alpha* atau *Composite Reliability* tidak lagi relevan diterapkan pada HOC yang diukur secara formatif.

Sebaliknya, jika suatu hubungan LOC ke HOC memiliki nilai *outer weight* yang tidak signifikan saat diuji melalui *bootstrapping*, peneliti tidak boleh langsung mengeliminasi dimensi tersebut. Diamantopoulos dan Winklhofer (2001) menyarankan untuk memeriksa nilai *outer loading* absolute dimensi tersebut. Apabila nilai *outer loading* berada di atas 0.50, maka dimensi tersebut tetap wajib dipertahankan dalam model karena memiliki kontribusi absolut yang penting secara konseptual.

Ringle et al. (2020) menyoroti bahwa keunggulan utama dari penggunaan *extended two-stage approach* pada SmartPLS 4 terletak pada netralitas estimasi koefisien jalur pada model struktural utama. Dengan mengisolasi estimasi skor laten pada Stage 1, dampak bias ukuran sampel dan jumlah indikator manifest yang tidak seimbang antar LOC dapat diredam secara efektif.

Untuk pendalaman mengenai tata cara evaluasi model struktural secara komprehensif, termasuk pengujian efek ukuran *f-square* dan daya prediksi *Q-square predict*, Anda dapat membaca panduan evaluasi inner model dan outer model PLS-SEM di statistikian.com untuk memperkuat argumentasi metodologis pada bab pembahasan tesis atau disertasi Anda.

Dengan menerapkan spesifikasi teknik dua tahap yang tepat, mengatasi multikolinearitas antar dimensi, serta menyajikan pembacaan bobot dan koefisien jalur secara benar, analisis *second-order* pada SmartPLS 4 dapat menghasilkan temuan empiris yang sah, transparan, dan memenuhi kaidah publikasi ilmiah internasional.

Kesimpulan

Penggunaan model PLS-SEM *second-order* dengan SmartPLS 4 membutuhkan pemahaman mendalam mengenai tipe hubungan hierarkis yang dimodelkan. Kendala teknis seperti error *singular matrix*, nilai *R-square* 1.000 pada LOC, dan bias koefisien jalur dapat diatasi secara efektif dengan beralih dari metode indikator berulang menuju *extended two-stage approach*.

Melalui ekstraksi skor variabel laten pada Stage 1 dan memanfaatkannya sebagai indikator pembentuk HOC pada Stage 2, peneliti dapat mengevaluasi kontribusi masing-masing dimensi secara akurat. Prosedur ini memastikan bahwa model tingkat tinggi terbebas dari masalah multikolinearitas ekstrem serta menghasilkan estimasi jalur struktural yang stabil dan dapat dipertanggungjawabkan secara ilmiah.

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.
• Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.
• 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.
• Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2020). Partial least squares structural equation modeling in HRM research. The International Journal of Human Resource Management, 31(12), 1617-1643.
• 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.