🧩 Model Formatif: Panduan Lengkap
Dari konsep dasar hingga IPMA — dengan studi kasus KopiNusantara Digital
1 Reflektif vs Formatif: Kapan Pakai yang Mana?
Kesalahan paling umum di PLS-SEM: memaksa konstruk reflektif padahal seharusnya formatif (atau sebaliknya). Ini berakibat fatal karena uji evaluasi yang dipakai salah total.
📏 Model Reflektif
Contoh: Kepuasan Pelanggan — rasa puas (laten) “tercermin” dalam skor layanan, harga, dan pengalaman.
🧱 Model Formatif
Contoh: Status Sosio-Ekonomi — pendidikan + pendapatan + pekerjaan membentuk status. Hapus satu, makna berubah.
Tabel Perbandingan Lengkap
| Aspek | Reflektif | Formatif |
|---|---|---|
| Arah kausal | Konstruk → indikator | Indikator → konstruk |
| Asumsi | Indikator mencerminkan konstruk | Indikator membentuk konstruk |
| Korelasi antar indikator | Diharapkan tinggi (multikolinier) | Tidak harus berkorelasi |
| Indikator dihapus | Makna konstruk tetap | Makna konstruk berubah |
| Uji validitas | AVE ≥ 0.5, HTMT, loading | VIF, outer weight, outer loading |
| Uji reliabilitas | Cronbach’s Alpha, CR | Tidak diperlukan |
| Contoh konstruk | Kepuasan, kepercayaan, komitmen, minat beli | Status sosio-ekonomi, digitalisasi, kualitas hidup, brand awareness |
🌲 Decision Tree: Reflektif atau Formatif?
- Pertanyaan 1: Apakah indikator-indikator adalah manifestasi dari konstruk? → Ya = Reflektif. Bukan = lanjut ke pertanyaan 2.
- Pertanyaan 2: Apakah indikator-indikator mendefinisikan/menyusun konstruk? → Ya = Formatif.
- Pertanyaan 3: Apakah menghapus satu indikator mengubah makna konstruk? → Ya = Formatif.
- Pertanyaan 4: Apakah antar-indikator harus berkorelasi tinggi? → Tidak = Formatif.
2 Studi Kasus: KopiNusantara Digital
☕ Konteks
UMKM kopi dengan aplikasi pemesanan ingin mengukur “Kesiapan Digital UMKM” sebagai konstruk formatif. Indikatornya: (1) Adopsi teknologi POS, (2) Kemampuan marketing digital, (3) Akses internet stabil, (4) Literasi data pemilik.
Mengapa formatif? Keempat indikator membentuk kesiapan digital — bukan mencerminkan. UMKM bisa jago marketing digital tapi belum punya POS; menghapus salah satu akan mengubah makna “kesiapan digital” itu sendiri.
🔬 4 Langkah Uji Model Formatif (Studi Kasus)
- Cek Collinearity (VIF) Di SmartPLS → Outer Weights → lihat kolom VIF. Hasil KopiNusantara: VIF = 1.8–2.4 (semua < 5, ideal < 3). ✅ Aman — tidak ada tumpang tindih antar indikator.
- Uji Signifikansi Outer Weight (Bootstrap) Jalankan bootstrapping 5000 subsample. Hasil: • Adopsi POS: weight 0.38, p = 0.001 ✅ • Marketing digital: weight 0.42, p < 0.001 ✅ • Akses internet: weight 0.31, p = 0.003 ✅ • Literasi data: weight 0.22, p = 0.07 ❌ (tidak signifikan)
- Jika weight tidak signifikan → cek outer loading Literasi data punya loading 0.58 (> 0.5) → pertahankan karena relevan absolut meskipun kontribusi relatif kecil. Pertimbangkan menambah sampel jika memungkinkan.
- Laporkan secara transparan Tuliskan di Bab IV: “Meskipun outer weight literasi data tidak signifikan (p=0.07), indikator dipertahankan karena outer loading 0.58 menunjukkan relevansi absolut (Hair et al., 2019).”
3 IPMA: Dari Analisis ke Rekomendasi Manajerial
IPMA (Importance-Performance Map Analysis) adalah senjata pamungkas untuk mengubah angka statistik menjadi rekomendasi konkret. Ia memetakan konstruk dalam 2 dimensi:
- Importance: total effect konstruk terhadap target (semakin besar = semakin berpengaruh)
- Performance: skor indeks konstruk (0–100, semakin tinggi = semakin baik kinerjanya)
🎯 Membaca 4 Kuadran IPMA
☕ Kembali ke KopiNusantara
Target: Keunggulan Bersaing. Hasil IPMA: • Marketing Digital → Importance 0.52, Performance 45 → PRIORITAS TERTINGGI • Kualitas Produk → Importance 0.48, Performance 82 → PERTAHANKAN • Lokasi → Importance 0.15, Performance 38 → LOW HANGING FRUIT • Dekorasi Kedai → Importance 0.12, Performance 88 → POSSIBLE OVERKILL
📝 Template Pelaporan IPMA (Siap Pakai)
4 🔎 Saat Hasil Tak Terjawab: Diagnostik Fenomena dengan Crosstabulasi
Dalam praktik, tidak semua temuan dapat langsung dijelaskan oleh teori maupun model utama. Kadang muncul bukti yang “membangkang” — jalur yang seharusnya signifikan ternyata tidak, arah moderasi yang berlawanan dengan dugaan, atau efek mediasi yang tiba-tiba menghilang. Sering kali akar masalahnya adalah keterbatasan data: instrumen tidak menangkap konteks secara utuh, dan hanya sedikit peneliti yang benar-benar “mengobrak-abrik” data mereka sebelum menarik kesimpulan.
Kabar baiknya: penjelasan sering bersembunyi di dalam data itu sendiri. Alat yang sederhana namun ampuh adalah crosstabulasi — menyilangkan variabel X dengan Y, atau melibatkan variabel moderasi/mediasi, lalu membaca polanya per segmen. Model agregat menyembunyikan; tabel silang menampakkan.
🧰 Crosstab untuk Tiap Kebutuhan
| Kebutuhan | Silangkan | Yang Dibaca |
|---|---|---|
| Menjelaskan jalur X→Y yang lemah | X (kategori) × Y (kategori) | Apakah hubungan hanya muncul di segmen tertentu? |
| Memahami arah moderasi | (X × Moderator) → rata-rata Y | Apakah kekuatan/arah hubungan berubah per level moderator? |
| Memahami mediasi yang hilang | X (kategori) × Mediator (kategori) | Apakah mediator hanya “aktif” pada kondisi tertentu? |
| Menggali anomali demografis | Segmen (usia/wilayah/ukuran) × Y | Apakah anomali terkonsentrasi di satu segmen? |
🔬 5 Langkah Diagnostik Sederhana
- Belah variabel menjadi kategori Gunakan median/mean split atau kategori alami: X → Rendah/Tinggi, Y → Rendah/Tinggi, Moderator → Rendah/Tinggi.
- Buat tabel silang 2×2 (beri lapisan moderator bila perlu) Hitung frekuensi dan persentase tiap sel. Bisa di Excel, SPSS (Crosstabs), atau SmartPLS (export skor lalu olah).
- Bandingkan pola antar sel Cari di mana hubungan kuat, lemah, atau hilang. Perbedaan mencolok antar sel = petunjuk mekanisme tersembunyi.
- Konfirmasi dengan uji sederhana Chi-square (untuk frekuensi) atau perbandingan mean antar sel, agar pola tidak dibaca sebagai kebetulan.
- Narasikan sebagai penjelasan pendukung Posisikan crosstab sebagai bukti eksploratif yang memperkaya diskusi — bukan klaim kausal utama.
☕ Contoh: Mengapa Jalur Agregat KopiNusantara Tampak Lemah?
Model utama menunjukkan pengaruh Marketing Digital → Keunggulan Bersaing yang lemah secara agregat. Crosstab yang dibelah oleh Literasi Data mengungkap cerita sebenarnya:
| Literasi Data TINGGI | ||
|---|---|---|
| Y Rendah | Y Tinggi | |
| X Rendah (n=40) | 70% | 30% |
| X Tinggi (n=45) | 25% | 75% |
| Literasi Data RENDAH | ||
|---|---|---|
| Y Rendah | Y Tinggi | |
| X Rendah (n=50) | 52% | 48% |
| X Tinggi (n=42) | 47% | 53% |
Interpretasi: hubungan X→Y kuat hanya ketika literasi data tinggi; pada literasi rendah, hubungan nyaris hilang. Inilah yang “mengencerkan” koefisien agregat. Dengan temuan ini, diskusi Bab IV menjadi jauh lebih hidup — dan rekomendasi menjadi spesifik: tingkatkan literasi data agar investasi marketing digital berdampak.
4 FAQ Model Formatif (8 Pertanyaan Umum)
Apakah model formatif butuh Cronbach’s Alpha / CR?
Tidak. Uji reliabilitas internal hanya berlaku untuk model reflektif. Formatif dievaluasi lewat VIF, signifikansi outer weight, dan outer loading.
Apakah AVE & HTMT berlaku untuk indikator formatif?
Tidak. AVE dan HTMT adalah uji validitas konvergen/diskriminan untuk model reflektif. Jangan terapkan pada konstruk formatif — itu kesalahan metodologis serius.
Bolehkah menggabungkan konstruk reflektif & formatif dalam satu model?
Boleh dan sah. Ini disebut higher-order construct atau mixed model. Pastikan setiap konstruk dievaluasi sesuai tipenya — reflektif dengan AVE/CR, formatif dengan VIF/weight.
Apa bedanya formatif dengan “komposit”?
Dalam literatur PLS-SEM modern (Hair et al., 2019), konstruk formatif pada dasarnya adalah komposit — kombinasi linear indikator. Istilah “komposit” lebih netral secara filosofis.
Berapa jumlah indikator minimum untuk model formatif?
Minimal 3 indikator agar konstruk dapat teridentifikasi dengan baik. Namun kualitas konsep lebih penting dari jumlah — 3 indikator yang tepat lebih baik dari 8 indikator yang tumpang tindih.
Kapan IPMA paling berguna?
Saat Anda ingin memberi rekomendasi praktis berbasis data — khususnya untuk riset terapan, skripsi manajemen, atau laporan konsultan. IPMA mengubah koefisien statistik menjadi prioritas aksi.
Apakah IPMA bisa dipakai untuk konstruk reflektif?
Bisa. IPMA bekerja di level konstruk (bukan indikator), jadi berlaku untuk tipe apa pun. Tapi pastikan konstruk target (variabel dependen akhir) terukur dengan baik.
Bagaimana jika model formatif saya hanya punya 2 indikator?
Secara teknis masih bisa diestimasi SmartPLS, tetapi lemah secara konseptual. Solusi: (a) tambah indikator dari literatur, (b) gabungkan dengan konstruk lain, atau (c) perlakukan sebagai variabel manifest (bukan laten).
5 Lanjutkan Pembelajaran
Panduan ini adalah Bagian 4 dari seri lengkap SmartPLS. Pastikan Anda sudah menguasai fondasi sebelum melangkah lebih jauh:
🚀 Siap Menerapkan Model Formatif di Riset Anda?
Ikuti Learning Path lengkap SmartPLS — atau langsung praktikkan di draf skripsi Anda melalui Tugas Terstruktur 14 minggu.