Cara Menentukan Ukuran Sampel Minimal yang Dibutuhkan untuk Analisis CB SEM AMOS

Ketika menjalankan analisis Covariance-Based Structural Equation Modeling (CB SEM) menggunakan perangkat lunak IBM SPSS AMOS, peneliti sering kali dihadapkan pada pesan eror yang membingungkan seperti “The covariance matrix is not positive definite”, “The model is not identified”, atau proses estimasi yang berhenti mendadak dengan status “Execution terminated – Non-convergent solution”. Masalah teknis yang sangat mengganggu ini umumnya berakar dari perencanaan ukuran data yang kurang matang, di mana penentuan ukuran sampel minimal CB SEM AMOS tidak tercalculasi dengan presisi sehingga matriks kovarians sampel yang dihasilkan menjadi tidak stabil (ill-conditioned matrix).

Dampak langsung dari keterbatasan jumlah sampel ini mencakup pembengkakan nilai standard error, munculnya estimasi parameter yang tidak masuk akal (*Heywood cases* seperti varians kesalahan bernilai negatif), hingga ketidakmampuan algoritma Maximum Likelihood (ML) untuk menghitung nilai indeks kelayakan model (goodness of fit). Menatap layar monitor yang menampilkan teks peringatan berwarna merah tanpa mengetahui akar penyebab matematis di baliknya tentu sangat menyita waktu dan mengganggu kelancaran penyelesaian riset akademis maupun profesional Anda.

Dalam kerangka metodologi penelitian kuantitatif, penentuan ukuran sampel pada model statistik parametrik linier biasa mungkin cukup mengandalkan rumus-rumus sederhana. Namun, pada CB SEM, ukuran sampel bukan sekadar formalitas untuk memenuhi syarat keterwakilan populasi, melainkan variabel matematis krusial yang menentukan berfungsinya algoritma optimasi numerik dalam mengestimasi matriks kovarians teramati.

Sebagaimana dijelaskan oleh Hair et al. (2019), estimasi parameter dalam CB SEM membutuhkan kecukupan informasi empiris pada matriks kovarians sampel agar sistem persamaan simultan memiliki derajat kebebasan (degrees of freedom) yang stabil. Jika jumlah titik data unik pada matriks kovarians teramati terbatas akibat ukuran sampel yang terlampau kecil, fungsi diskrepansi algoritma optimasi tidak akan mencapai kondisi konvergen.

Kline (2016) menegaskan bahwa CB SEM berlandaskan penuh pada asymptotic theory. Teori ini mengasumsikan bahwa sifat-sifat statistik utama dari estimator Maximum Likelihood seperti sifat tidak bias (unbiasedness), efisiensi (efficiency), dan distribusi normal multivariat hanya akan terpenuhi secara optimal ketika ukuran sampel mencapai batas kecukupan kritis tertentu.

Apabila ukuran sampel yang digunakan berada di bawah ambang batas kecukupan tersebut, variabilitas acak akibat kesalahan penarikan sampel (sampling error) akan mendominasi struktur kovarians. Hal ini mengakibatkan matriks kovarians teramati berdeviasi secara dramatis dari matriks kovarians populasi yang sebenarnya, yang pada akhirnya merusak presisi analisis.

Kondisi ini dipertegas oleh Wolf et al. (2013) yang menyatakan bahwa kebutuhan sampel minimal dalam SEM bersifat sangat dinamis. Kebutuhan tersebut dipengaruhi oleh tingkat kompleksitas model, jumlah indikator per variabel laten, nilai keandalan (reliability) indikator, serta besarnya koefisien muatan faktor (factor loadings). Untuk memahami dasar-dasar inferensi statistik dan struktur konsep dasar structural equation modeling secara komprehensif, peneliti sangat dianjurkan untuk mendalami landasan teoretis kovarians terlebih dahulu.

Untuk menyelesaikan permasalahan ukuran sampel dan mencegah munculnya eror saat running data di IBM SPSS AMOS, berikut adalah langkah-langkah teknis mandiri yang dapat Anda terapkan secara ilmiah:

Langkah 1: Terapkan Aturan Rasio N:q (Jumlah Sampel terhadap Parameter Bebas). Parameter bebas (q) mencakup seluruh koefisien jalur regresi, muatan faktor (loading factor) yang tidak di-fix, varians variabel eksogen, kovarians antar-konstruk, serta varians kesalahan (error variance). Hitung total parameter yang diestimasi oleh model AMOS Anda.

Rekomendasi teoretis yang sangat dirujuk menetapkan bahwa rasio antara jumlah sampel (N) dan jumlah parameter bebas (q) idealnya berkisar antara 5:1 hingga 10:1 (Bentler & Chou, 1987; Hair et al., 2019). Sebagai contoh konkrit, jika model AMOS Anda memiliki total 30 parameter bebas yang harus diestimasi, maka batas sampel minimal mutlak adalah 150 responden (30 dikali 5), sedangkan ukuran sampel yang disarankan untuk tingkat kestabilan tinggi adalah 300 responden (30 dikali 10).

Langkah 2: Evaluasi Jumlah Indikator per Variabel Laten. Variabel laten yang hanya diukur oleh 2 indikator (just-identified construct) membutuhkan jumlah sampel yang jauh lebih besar untuk mencapai kestabilan estimasi dibandingkan dengan variabel laten yang diukur oleh 4 atau lebih indikator berandalan tinggi.

Menurut Marsh et al. (1998), mendesain model dengan minimal 4 indikator berandalan per faktor secara empiris dapat menurunkan ambang batas kebutuhan sampel minimal. Hal ini terjadi karena penambahan indikator yang valid secara otomatis memperkaya informasi kovarians teramati yang ditangkap oleh matriks data.

Langkah 3: Lakukan Perhitungan A-Priori Sample Size berbasis Statistical Power. Peneliti dapat mempergunakan kalkulator ukuran sampel a-priori (seperti Soper A-Priori Sample Size Calculator atau software G*Power) dengan menginput parameter nilai *effect size* antisipasi (misalnya 0,1 hingga 0,3), tingkat daya uji statistik (statistical power = 0,80), tingkat signifikansi (alpha = 0,05), serta jumlah variabel laten dan variabel teramati.

Pendekatan ini direkomendasikan oleh Westland (2010) untuk memastikan bahwa ukuran sampel yang ditentukan tidak hanya mencukupi secara teknis agar model teridentifikasi, tetapi juga memiliki kekuatan statistik yang memadai untuk menolak hipotesis nol jika hubungan antarvariabel memang ada dalam populasi.

Langkah 4: Periksa Nilai Hoelter Critical N pada Output AMOS. Setelah Anda melakukan tes awal (pilot study atau running data sementara), buka output window AMOS pada bagian Goodness of Fit dan periksa baris Hoelter 0.05 dan Hoelter 0.01.

Hoelter (1983) menyatakan bahwa nilai Hoelter Critical N di atas 200 mengindikasikan bahwa ukuran sampel yang Anda gunakan sudah cukup besar dan memadai untuk menghasilkan uji Chi-Square yang stabil. Jika nilai Hoelter berada di bawah 200, ini menjadi sinyal kuat bahwa sampel penelitian Anda perlu diperbesar agar model mencapai tingkat kecukupan statistik.

Langkah 5: Penyesuaian Kebutuhan Sampel akibat Ketidaknormalan Data Multivariat. Jika pengujian normalitas data menunjukkan nilai koefisien *skewness* atau *kurtosis* multivariat yang signifikan (koefisien Mardia tinggi), algoritma Maximum Likelihood standar akan menghasilkan uji Chi-Square yang terlalu sensitif dan standard error yang terdistorsi.

Nevitt dan Hancock (2001) menyarankan penambahan ukuran sampel sebesar 50% hingga 100% dari batas minimal standar apabila data terbukti tidak berdistribusi normal multivariat, atau peneliti harus mengaktifkan fasilitas estimasi Bollen-Stine Bootstrap pada menu Analysis Properties di AMOS untuk mengoreksi nilai *p-value* Chi-Square.

Langkah 6: Tambahkan Cadangan Sampel untuk Non-Response dan Data Outlier. Dalam pengumpulan data lapangan, selalu tambahkan marjin cadangan (buffer sample) sebesar 10% hingga 20% di atas perhitungan sampel minimal murni untuk mengantisipasi kuesioner yang tidak diisi lengkap, pola jawaban monoton (unengaged responses), atau data pencilan (multivariate outliers) yang harus dibuang saat pembersihan data.

Contoh Tabel/Diagram Output Hasil Uji Kecukupan Sampel dan Hoelter N CB SEM AMOS

Berdasarkan ilustrasi keluaran output AMOS di atas, cara membaca kecukupan sampel dapat dievaluasi secara langsung dengan membandingkan nilai N Observasi sampel nyata Anda terhadap nilai kritis yang tercantum pada kolom HOELTER .05 dan HOELTER .01. Apabila angka jumlah responden nyata yang Anda kumpulkan berada di atas angka HOELTER .05, maka secara kuantitatif model penelitian Anda telah aman dari ancaman eror ketidakcukupan sampel pada tingkat signifikansi lima persen.

Pembahasan mendalam mengenai penentuan ukuran sampel minimal pada analisis CB SEM memerlukan pemahaman menyeluruh terhadap mekanisme kerja fungsi diskrepansi algoritma Maximum Likelihood. Estimasi ML bekerja secara sistematis untuk meminimalkan jarak atau perbedaan antara matriks kovarians sampel teramati (S) dan matriks kovarians yang diestimasikan oleh model (\Sigma).

Ketika ukuran sampel yang digunakan terlalu kecil, elemen-elemen individual dalam matriks kovarians sampel (S) sangat mudah terdistorsi oleh kesalahan acak penarikan sampel. MacCallum et al. (1996) menjelaskan bahwa distorsi ini menyebabkan proses balik matriks (matrix inversion) yang merupakan tahap kunci dalam kalkulasi log-likelihood menjadi tidak stabil secara matematis.

Akibat dari ketidakstabilan proses balik matriks tersebut adalah munculnya kondisi ill-conditioned covariance matrix, di mana nilai determinan dari matriks kovarians sampel mendekati angka nol mutlak. Fenomena matematis inilah yang menjadi pemicu utama munculnya peringatan eror fatal pada perangkat lunak AMOS, yaitu “The covariance matrix is not positive definite”.

Masalah kecukupan sampel ini menjadi jauh lebih sensitif apabila model penelitian yang diuji melibatkan variabel laten dengan tingkat muatan faktor (factor loading) yang tergolong rendah, yaitu di bawah angka 0,50. Hair et al. (2019) menggarisbawahi bahwa indikator dengan nilai muatan faktor yang lemah membutuhkan pasokan data dari ukuran sampel yang jauh lebih besar untuk membantu algoritma memisahkan antara sinyal varians asli dan varians kesalahan (error variance).

Sebaliknya, apabila sebuah model dikonstruksi oleh variabel laten yang memiliki indikator dengan tingkat keandalan sangat tinggi (nilai komunalitas di atas 0,70), algoritma optimasi AMOS mampu mencapai estimasi parameter yang konvergen dan stabil meskipun hanya didukung oleh ukuran sampel yang relatif terbatas, yakni sekitar 100 hingga 150 responden (Boomsma & Hoogland, 2001).

Selain faktor keandalan indikator, kompleksitas arsitektur model yang diukur dari jumlah variabel laten dan jalur struktural yang dibangun juga memegang peranan mutlak. Model SEM yang kompleks dengan banyak konstruk laten secara otomatis mengeksponensialkan jumlah parameter bebas yang harus diestimasi oleh sistem persamaan.

Bentler (1990) mengemukakan bahwa setiap penambahan satu variabel laten baru ke dalam model tidak hanya menambah satu koefisien regresi, melainkan memperluas kombinasi varians dan kovarians yang harus dihitung pada matriks teramati. Oleh karena itu, skenario model yang kompleks menuntut ekspansi ukuran sampel secara proporsional untuk menjaga kestabilan derajat kebebasan model.

Dalam konteks pengujian kelayakan model (Goodness of Fit), statistik Chi-Square (\chi^2) dikenal sangat peka terhadap skala ukuran sampel. Pada pemakaian ukuran sampel yang sangat besar (misalnya N > 400), statistik Chi-Square hampir selalu menghasilkan nilai yang signifikan (p < 0,05), yang secara keliru mengindikasikan bahwa model tidak cocok dengan data empiris padahal perbedaan matriks sesungguhnya sangat kecil (Sarstedt et al., 2017).

Sebaliknya, pada penggunaan ukuran sampel yang terlampau kecil (N < 100), statistik Chi-Square cenderung menghasilkan nilai yang tidak signifikan (p> 0,05). Hal ini memberikan kecenderungan impresi palsu seolah-olah model memiliki tingkat kelayakan yang sangat prima, padahal kondisi tersebut terjadi semata-mata karena rendahnya daya uji statistik untuk mendeteksi kesalahan spesifikasi model.

Guna mengatasi kelemahan sifat sensitivitas statistik Chi-Square ini, pakar metodologi seperti Browne dan Cudeck (1993) merekomendasikan peneliti untuk berfokus pada evaluasi indeks kelayakan alternatif yang kurang terpengaruh ukuran sampel, seperti Root Mean Square Error of Approximation (RMSEA) dan Comparative Fit Index (CFI).

Namun demikian, Curran et al. (1996) memberikan peringatan penting bahwa pada ukuran sampel yang berada di bawah ambang batas kecukupan (N < 100), nilai RMSEA memiliki kecenderungan terdistorsi menjadi terlalu tinggi (overestimated), sedangkan nilai CFI terdistorsi menjadi terlalu rendah (underestimated). Kondisi ini dapat berujung pada penolakan model yang sebenarnya sudah terspesifikasi dengan benar.

Apabila peneliti menghadapi keterbatasan populasi yang tidak memungkinkan penambahan sampel secara fisik (misalnya studi pada subjek langka atau tingkat organisasi manajerial tingkat atas), beberapa strategi adjustment metodologis dapat dipertimbangkan secara cermat.

Salah satu teknik kompensasi yang terbukti efektif secara empiris adalah *item parceling*. Teknik ini dilakukan dengan cara menggabungkan beberapa butir indikator tunggal menjadi skor komposit rata-rata guna menyederhanakan jumlah parameter bebas yang harus diestimasi oleh AMOS (Little et al., 2013).

Melalui penerapan *item parceling*, jumlah parameter bebas (q) dapat dikurangi secara signifikan. Penurunan nilai q ini secara otomatis meningkatkan rasio N:q ke batas ambang aman tanpa harus mengorbankan variabel laten utama yang sedang diteliti dalam model.

Meskipun demikian, Marsh et al. (2004) memberikan catatan kritis bahwa strategi *item parceling* hanya boleh diterapkan apabila indikator-indikator yang digabungkan telah terbukti secara konfirmatori bersifat unidimensional, agar tidak menimbulkan bias spesifikasi yang menyembunyikan kesalahan struktur pengukuran.

Bila penyederhanaan model tetap tidak memungkinkan dan ukuran sampel berada pada kisaran sangat terbatas (N < 100), peneliti disarankan untuk mempertimbangkan pengalihan pendekatan analisis dari CB SEM ke *Partial Least Squares SEM* (PLS-SEM) atau mengaplikasikan teknik *Bayesian SEM* yang tidak bergantung pada asumsi ukuran sampel besar linier (Lopatin et al., 2023).

Secara garis besar, penetapan ukuran sampel minimal pada analisis CB SEM AMOS bukanlah sebuah keputusan tunggal yang kaku seperti penggunaan rumus Slovin. Penentuan ini merupakan proses evaluasi terintegrasi yang harus mempertimbangkan kompleksitas model, tingkat keandalan indikator, kriteria rasio N:q, serta distribusi normalitas data yang digunakan.

Kesimpulan

Penentuan ukuran sampel minimal untuk analisis CB SEM AMOS membutuhkan perencanaan yang matang sejak tahap penyusunan instrumen penelitian. Mengabaikan rasio kecukupan sampel hanya akan berujung pada kegagalan teknis saat menjalankan perangkat lunak AMOS, seperti eror matriks tidak positif definit atau hilangnya nilai indeks kelayakan model.

Guna memastikan analisis CB SEM berjalan lancar dan menghasilkan estimasi yang valid, peneliti wajib menerapkan pedoman ilmiah berikut: (1) Menghitung total parameter bebas (q) dan menerapkan rasio N:q minimal 5:1 hingga 10:1; (2) Memastikan setiap variabel laten diukur oleh minimal 4 indikator berandalan; (3) Mengevaluasi indeks Hoelter Critical N pada nilai di atas 200; serta (4) Menerapkan teknik koreksi seperti Bollen-Stine Bootstrap atau *item parceling* apabila dihadapkan pada kendala distribusi data atau keterbatasan jumlah responden.

Daftar Pustaka

• Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238-246.
• Bentler, P. M., & Chou, C. P. (1987). Practical issues in structural modeling. Sociological Methods & Research, 16(1), 78-117.
• Boomsma, A., & Hoogland, J. J. (2001). The robustness of LISREL applications combined with ML estimation. Structural Equation Models: Present and Future, 139-168.
• Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. Testing Structural Equation Models, 154, 136-162.
• Curran, P. J., West, S. G., & Finch, J. F. (1996). The robustness of test statistics to nonnormality and specification error in confirmatory factor analysis. Psychological Methods, 1(1), 16-29.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
• Hoelter, J. W. (1983). The analysis of covariance structures: Goodness-of-fit indices. Sociological Methods & Research, 11(3), 325-344.
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• Little, T. D., Rhemtulla, M., Gibson, K., & Schoemann, A. M. (2013). Why the items versus parcels controversy faces no simple answer. Psychological Methods, 18(3), 285-300.
• Lopatin, A., Katenka, N., & Hair, J. F. (2023). Sample size assessment in covariance-based and partial least squares structural equation modeling. Journal of Business Research, 158, 113642.
• MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130-149.
• Marsh, H. W., Hau, K. T., Balla, J. R., & Grayson, D. (1998). Is more ever too much? The number of indicators per factor in confirmatory factor analysis. Multivariate Behavioral Research, 33(2), 181-220.
• Marsh, H. W., Lüdtke, O., Nagengast, B., Trautwein, U., & Abduljabbar, A. S. (2004). Item parceling in structural equation modeling: A caution. Structural Equation Modeling, 11(3), 320-341.
• Nevitt, J., & Hancock, G. R. (2001). Performance of bootstrapping approaches to model fit evaluation and parameter standard error estimation in axial structural equation modeling. Structural Equation Modeling, 8(3), 353-377.
• Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Partial least squares structural equation modeling (-SEM): An emerging tool in business research. Review of Managerial Science, 11(3), 619-641.
• Westland, J. C. (2010). Lower bounds on sample size in structural equation modeling. Electronic Commerce Research and Applications, 9(6), 476-487.
• Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913-934.