Model reflektif dan formatif adalah dua cara menghubungkan konstruk (variabel laten) dengan indikatornya dalam SEM. Pada model reflektif, konstruk memengaruhi indikator. Pada model formatif, indikator yang membentuk konstruk.
Perbedaan ini bukan sekadar arah panah di gambar. Jenis model menentukan cara menguji validitas dan reliabilitas, serta indikator mana yang boleh dihapus. Jika jenisnya salah, hasil analisis bisa menyesatkan (Jarvis dkk., 2003). Artikel ini menjelaskan cara menentukannya dan contoh lengkap menguji konstruk formatif.
Artikel ini bagian dari seri Materi Statistik IDTesis dan melengkapi artikel SEM PLS.
Apa Itu Model Reflektif?
Pada model reflektif, indikator adalah “cerminan” dari konstruk. Contohnya kepuasan kerja yang diukur dengan butir “Saya senang dengan pekerjaan saya”, “Saya puas dengan tugas saya”, dan “Saya merasa betah bekerja di sini”. Karyawan yang puas cenderung setuju dengan semua butir itu sekaligus.
Akibatnya, butir-butir reflektif seharusnya saling berkorelasi tinggi dan bisa saling menggantikan. Membuang satu butir tidak mengubah makna konstruk. Sebagian besar kuesioner sikap dan persepsi di skripsi dan tesis memakai model ini.
Apa Itu Model Formatif?
Pada model formatif, indikator adalah “bahan penyusun” konstruk. Contoh klasiknya status sosial ekonomi yang terbentuk dari pendidikan, pendapatan, dan pekerjaan. Pendapatan seseorang naik tidak berarti pendidikannya ikut naik. Ketiga indikator tidak harus berkorelasi.
Karena setiap indikator menyumbang bagian makna yang berbeda, membuang satu indikator formatif berarti mengubah isi konstruk. Jika indikator “pekerjaan” dibuang, konstruk itu tidak lagi utuh mengukur status sosial ekonomi (Diamantopoulos & Winklhofer, 2001).
Cara Menentukan: Empat Pertanyaan Penentu
Jarvis dkk. (2003) merumuskan empat kriteria yang bisa dipakai sebagai pertanyaan sederhana:
| Pertanyaan | Jika jawabannya… | Model |
|---|---|---|
| Jika konstruk naik, apakah semua indikator ikut naik? | Ya | Reflektif |
| Jika satu indikator naik, apakah konstruk ikut naik walau indikator lain tetap? | Ya | Formatif |
| Jika satu indikator dibuang, apakah makna konstruk berubah? | Ya | Formatif |
| Apakah semua indikator seharusnya berkorelasi tinggi? | Ya | Reflektif |
Yang menentukan adalah definisi konsep dari teori, bukan hasil olah data. Konsep yang sama bisa dimodelkan berbeda tergantung definisinya. Misalnya, “kualitas layanan” yang didefinisikan sebagai persepsi umum pelanggan cocok dimodelkan reflektif, sedangkan “kualitas layanan” yang didefinisikan sebagai gabungan beberapa aspek layanan yang berbeda bisa dimodelkan formatif. Tulis alasan pilihan Anda di Bab 3, lengkap dengan rujukannya.
Perbedaan Cara Evaluasi
Inilah alasan utama mengapa jenis model harus jelas sejak awal. Ukuran evaluasinya berbeda total (Hair dkk., 2022).
| Aspek | Reflektif | Formatif |
|---|---|---|
| Validitas konvergen | Outer loading ? ? 0,708 dan AVE ? 0,50 | Analisis redundansi: jalur ke butir global ? 0,70 |
| Reliabilitas | Cronbach’s alpha dan composite reliability | Tidak relevan, karena indikator tidak harus berkorelasi |
| Validitas diskriminan | HTMT ? | Tidak dinilai dengan HTMT |
| Kolinearitas antarindikator | Wajar jika tinggi | VIF idealnya < 3; ? 5 tanda masalah |
| Kontribusi indikator | Outer loading | Outer weight (bobot) dan signifikansinya |
Karena itu, meminta Cronbach’s alpha untuk konstruk formatif sebenarnya kurang tepat. Uji reliabilitas konsistensi internal hanya bermakna untuk indikator reflektif.
Contoh Evaluasi Konstruk Formatif
Seorang peneliti mengukur Bauran Promosi secara formatif dengan empat indikator: Iklan, Promosi Penjualan, Pameran dan Event, serta Media Sosial. Konstruk ini memengaruhi Keputusan Pembelian (reflektif, tiga butir). Kuesioner juga memuat satu butir global: “Secara keseluruhan, promosi perusahaan ini menarik.” Data berasal dari 200 responden (data ilustrasi). Evaluasinya mengikuti tiga langkah Hair dkk. (2022).
Langkah 1: Validitas Konvergen lewat Analisis Redundansi
Konstruk formatif dihubungkan dengan butir global dalam model terpisah. Jalurnya 0,722, sudah di atas 0,70. Artinya, keempat indikator cukup mewakili konsep bauran promosi secara keseluruhan (Cheah dkk., 2018).
Langkah 2: Kolinearitas antarindikator
Nilai VIF keempat indikator berada antara 1,17 dan 1,44, jauh di bawah 3. Tidak ada masalah kolinearitas. Jika VIF tinggi, bobot indikator menjadi tidak stabil, sama seperti pada uji multikolinearitas ? di regresi.
Langkah 3: Signifikansi dan Relevansi Bobot
Bobot (outer weight) diuji dengan bootstrapping ? 5.000 subsampel.
| Indikator | Outer weight | t | p | Outer loading | Keputusan |
|---|---|---|---|---|---|
| Iklan | 0,521 | 6,42 | < 0,001 | 0,798 | Dipertahankan |
| Promosi penjualan | 0,499 | 5,93 | < 0,001 | 0,769 | Dipertahankan |
| Pameran dan event | 0,048 | 0,53 | 0,600 | 0,573 | Dipertahankan (loading ? 0,5) |
| Media sosial | 0,329 | 3,88 | < 0,001 | 0,525 | Dipertahankan |
Bobot Pameran dan Event tidak signifikan. Apakah indikator ini harus dibuang? Belum tentu. Hair dkk. (2022) menyarankan melihat loading-nya. Jika loading ? 0,5, indikator tetap dipertahankan karena masih punya hubungan yang berarti dengan konstruk. Indikator baru dipertimbangkan untuk dibuang jika bobot tidak signifikan dan loading di bawah 0,5, itu pun setelah menimbang apakah isi konstruk masih utuh tanpa indikator tersebut.
Pada contoh ini, bobot kecil berarti pameran dan event hanya menyumbang sedikit pada bauran promosi setelah tiga indikator lain diperhitungkan. Temuan ini justru menarik untuk dibahas di Bab 5.
Menentukan jenis model dan mengevaluasi indikator formatif sering menjadi bahan diskusi panjang dengan pembimbing. Jika Anda butuh teman diskusi untuk menimbangnya, tim IDTesis bisa membantu.
Langkah di SmartPLS
- Gambar konstruk dan hubungkan indikatornya seperti biasa.
- Untuk konstruk formatif, balik arah model pengukurannya (klik kanan konstruk, lalu pilih opsi untuk membalik model pengukuran) sehingga panah mengarah dari indikator ke konstruk.
- Jalankan PLS Algorithm. Lihat VIF indikator di bagian Collinearity statistics untuk outer model.
- Jalankan Bootstrapping. Lihat tabel Outer weights dan Outer loadings beserta nilai t dan p-nya.
- Untuk analisis redundansi, buat model terpisah: konstruk formatif menuju konstruk satu butir (butir global).
Cara membaca tabel lainnya dibahas di artikel cara membaca output SmartPLS.
Kesalahan yang Sering Terjadi
- Mengubah konstruk menjadi formatif karena loading-nya rendah. Jenis model ditentukan teori, bukan hasil data.
- Membuang indikator formatif hanya karena bobotnya tidak signifikan. Periksa loading dan isi konstruk dulu.
- Menilai konstruk formatif dengan Cronbach’s alpha, AVE, atau HTMT. Ukuran-ukuran itu dirancang untuk model reflektif.
- Lupa menyiapkan butir global. Analisis redundansi butuh butir global yang harus ada di kuesioner sejak awal.
Pertanyaan yang Sering Diajukan
Apakah kuesioner skala Likert bisa dipakai untuk model formatif?
Bisa. Jenis skala tidak menentukan jenis model. Yang menentukan adalah hubungan konsep dengan indikatornya.
Apakah model formatif bisa dipakai di AMOS atau CB-SEM?
Bisa, tetapi lebih rumit. Konstruk formatif di CB-SEM butuh syarat identifikasi tambahan, misalnya harus memengaruhi minimal dua konstruk atau indikator reflektif. Karena itu, model dengan konstruk formatif lebih sering dianalisis dengan PLS. Perbandingannya ada di artikel CB-SEM vs PLS-SEM ?.
Berapa jumlah indikator yang dibutuhkan untuk konstruk formatif?
Tidak ada angka pasti. Indikator formatif harus mencakup semua aspek penting dari definisi konstruk. Jika satu aspek terlewat, konstruknya menjadi tidak lengkap.
Apa itu butir global dan kapan harus disiapkan?
Butir global adalah satu pertanyaan yang merangkum konstruk secara keseluruhan. Butir ini harus dimasukkan ke kuesioner sejak tahap proposal, karena tidak bisa ditambahkan setelah data terkumpul.
Butuh Teman Diskusi untuk Model Pengukuran SEM?
Ragu apakah konstruk Anda reflektif atau formatif? Tim IDTesis bisa menemani Anda menelaah definisi konstruk, menyusun model di SmartPLS, dan mengevaluasi indikatornya dengan ukuran yang tepat. Ceritakan dulu model Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: SEM PLS · Outer Loading SmartPLS ? · Validitas Diskriminan ?
Referensi
- Cheah, J.-H., Sarstedt, M., Ringle, C. M., Ramayah, T., & Ting, H. (2018). Convergent validity assessment of formatively measured constructs in PLS-SEM: On using single-item versus multi-item measures in redundancy analyses. International Journal of Contemporary Hospitality Management, 30(11), 3192–3210.
- 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. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
- 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.
