{ "version": "https://jsonfeed.org/version/1", "title": "Statistikian Net", "description": "", "home_page_url": "https://statistikian.net", "feed_url": "https://statistikian.net/feed.json", "user_comment": "", "icon": "https://statistikian.net/media/website/logo-statistikian.svg.svg", "author": { "name": "Anwar Hidayat" }, "items": [ { "id": "https://statistikian.net/solusi-error-degrees-of-freedom-df-nol-atau-negatif-pada-model-struktural-lisrel/", "url": "https://statistikian.net/solusi-error-degrees-of-freedom-df-nol-atau-negatif-pada-model-struktural-lisrel/", "title": "Solusi Error Degrees of Freedom (df) Nol atau Negatif pada Model Struktural LISREL", "summary": "Saat menjalankan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah…", "content_html": "
\n

Saat menjalankan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah satu kendala teknis yang sering memicu kegagalan estimasi adalah ditemukannya error Degrees of Freedom (df) nol atau negatif pada LISREL. Kemunculan pesan kesalahan ini umumnya ditandai dengan tidak keluarnya nilai Chi-Square, indeks kelayakan model (Goodness of Fit) yang bernilai tidak terdefinisi, atau munculnya peringatan sistem seperti \"The model is not identified\" dan \"Degrees of Freedom is Negative\" pada jendela eksekusi SIMPLIS.

\n

Kondisi ini menyebabkan seluruh proses perhitungan estimasi parameter terhenti secara otomatis karena matriks kovarians sampel tidak memiliki kecukupan informasi untuk mengestimasi seluruh parameter bebas yang diajukan. Bagi peneliti atau praktisi olah data, kemacetan estimasi ini sering kali menimbulkan keraguan terhadap validitas spesifikasi model yang sedang dibangun.

\n\n
POHON MASALAH: Error Degrees of Freedom (df) ≤ 0 Informasi Data Terbatas Jumlah Variabel Diamati Sedikit Status Identifikasi Model Just-Identified / Under-Identified Over-Spesifikasi Parameter Terlalu Banyak Jalur Bebas Data unik matriks kovarians S = k(k+1)/2 bernilai kecil (Tidak cukup titik data) df = 0: Persamaan pas-pasan df < 0: Estimasi mustahil (Gagal uji Goodness of Fit) Semua korelasi error dibuka Setiap variabel terhubung (Parameter t membengkak) CATATAN & SOLUSI AWAL: Gunakan fixed parameter, batasi estimasi kovarians error, atau tambahkan indikator baru agar jumlah data unik (S) melebihi jumlah parameter bebas (t) sehingga df > 0.
\n

Secara matematis, konsep dasar besaran Degrees of Freedom atau derajat bebas pada pemodelan persamaan struktural dihitung dari selisih antara jumlah elemen unik dalam matriks kovarians sampel yang diamati dengan jumlah parameter bebas yang perlu diestimasi oleh program. Informasi unik yang tersedia pada matriks input dihitung berdasarkan rumus k(k+1)/2, dengan k mewakili jumlah variabel manifes atau indikator yang dimasukkan ke dalam analisis.

\n

Sebaliknya, total parameter bebas mencakup seluruh koefisien jalur struktural, bobot faktor pengukuran, varians kesalahan pengukuran (error variance), serta kovarians antar variabel yang tidak ditetapkan nilainya secara eksplisit. Berdasarkan klasifikasi identifikasi model, suatu model dikategorikan sebagai over-identified jika nilai derajat bebas lebih besar dari nol (df > 0).

\n

Apabila jumlah parameter bebas persis sama dengan jumlah elemen informasi unik pada matriks kovarians, model berada dalam kondisi just-identified atau saturated model di mana derajat bebas bernilai nol (df = 0). Menurut Jöreskog dan Sörbom (1996), model yang berada pada kondisi just-identified akan selalu menghasilkan estimasi yang secara matematis pas, namun tidak menyisakan derajat bebas sedikit pun untuk menguji hipotesis kesesuaian model secara empiris.

\n

Aturan kecukupan identifikasi ini secara fundamental dijelaskan melalui konsep t-rule oleh Bollen (1989), yang menegaskan bahwa syarat mutlak agar suatu model struktural dapat diestimasi dan diuji kelayakannya adalah memenuhi ketidaksamaan di mana nilai t (parameter bebas) harus lebih kecil dari nilai informasi matriks sampel. Tanpa pemenuhan syarat ini, pengujian statistik menjadi tidak memiliki pijakan matematis.

\n

Hair et al. (2019) menambahkan bahwa model dengan df nol atau negatif tidak memberikan nilai informasi ilmiah karena tidak dapat ditolak maupun diterima melalui pengujian statistik. Untuk memahami dasar pengujian struktural secara lebih mendalam sebelum melakukan penyelesaian teknis, Anda dapat membaca rincianlandasan teori pada panduan Structural Equation Modeling (SEM) di pusat dokumentasi utama kami.

\n

Untuk mengantisipasi dan memecahkan hambatan teknis ini secara mandiri, berikut adalah langkah-langkah perbaikan beserta alasan ilmiah yang wajib dieksekusi dalam skrip SIMPLIS Project (.SPJ):

\n

1. Menghitung Nilai t-Rule dan Evaluasi Matriks Informasi
Langkah awal adalah menghitung jumlah variabel indikator (k). Jika Anda menggunakan 6 indikator, maka elemen matriks yang tersedia adalah 6(6+1)/2 = 21. Jika skrip SIMPLIS Anda mengestimasi 21 atau lebih parameter bebas, maka df dipastikan akan bernilai nol atau negatif. Lakukan pemangkasan parameter yang tidak krusial.

\n

2. Menetapkan Fixed Parameter pada Bobot Indikator (Scale Setting)
Pada setiap variabel laten, minimal satu bobot faktor indikator harus ditetapkan nilainya menjadi 1.00 untuk menetapkan skala ukur variabel laten tersebut. Jika dalam skrip SIMPLIS Anda membiarkan seluruh bobot indikator bebas diestimasi tanpa penetapan skala, LISREL akan menganggapnya sebagai parameter bebas tambahan yang menguras derajat bebas.

\n

3. Menghapus Korelasi Error yang Tidak Disertai Alasan Teoretis
Sering kali pengguna secara bebas menambahkan perintah korelasi antar kesalahan pengukuran (Set Correlation Between Error of Manifest Variables) untuk mengejar indeks kelayakan. Setiap penambahan satu korelasi error akan mengurangi 1 nilai derajat bebas. Hapus korelasi error yang berlebihan.

\n

4. Menerapkan Equality Constraints pada Parameter Homogen
Apabila secara teori dua indikator memiliki karakteristik kontribusi yang identik, Anda dapat menggunakan perintah penyamaan parameter (Set Path Coefficient of VarA to VarB Equal). Langkah ini menghemat jumlah parameter yang perlu diestimasi oleh algoritma LISREL.

\n

5. Menambahkan Indikator Terukur pada Konstruk Laten yang Kurang
Konstruk laten yang hanya memiliki 1 atau 2 indikator sangat rentan memicu kondisi under-identified pada sub-model pengukuran. Menambahkan indikator berkualitas hingga berjumlah minimal 3 atau 4 buah per variabel laten secara otomatis akan memperbesar pasokan informasi matriks k(k+1)/2 secara signifikan.

\n

Berikut adalah contoh sintaks SIMPLIS Project (.SPJ) yang mengalami error df = 0 beserta perbaikannya:

\n
! SINTAKS ERROR (df = 0 / Just-Identified)\nObserved Variables: X1 X2 Y1 Y2\nLatent Variables: Exogen Endogen\nRelationships:\nX1 = Exogen\nX2 = Exogen\nY1 = Endogen\nY2 = Endogen\nEndogen = Exogen\nSet Correlation Between Error of X1 and X2\nSet Correlation Between Error of Y1 and Y2\nPath Diagram\nEnd of Problem\n\n! SINTAKS SOLUSI PERBAIKAN (df > 0 / Over-Identified)\nObserved Variables: X1 X2 X3 Y1 Y2 Y3\nLatent Variables: Exogen Endogen\nRelationships:\nX1 = 1.00*Exogen\nX2 = Exogen\nX3 = Exogen\nY1 = 1.00*Endogen\nY2 = Endogen\nY3 = Endogen\nEndogen = Exogen\nPath Diagram\nEnd of Problem
\n\n
DECISION TREE SOLUSI PEMECAHAN DF ≤ 0 Jalankan Estimasi SIMPLIS / SPJ Terdeteksi: Degrees of Freedom ≤ 0 (Model Under-Identified / Just-Identified) Kondisi 1: Indikator < 3 Per Laten Informasi data matriks terlalu minim Kondisi 2: Terlalu Banyak Jalur/Korelasi Parameter diestimasi berlebihan SOLUSI TEKNIS A: 1. Tambahkan indikator baru hingga ≥ 3 2. Tetapkan fixed parameter scale = 1.00 SOLUSI TEKNIS B: 1. Hapus korelasi error kovarians non-teoretis 2. Terapkan equality constraints pada jalur HASIL: Degrees of Freedom (df) > 0 (Model Valid & Fit)
\n

Contoh Tabel/Diagram Output Structural Equation Modeling LISREL

\n\n
LISREL OUTPUT SUMMARY: Goodness of Fit Statistics Minimum Fit Function Chi-Square 18.42 (P = 0.188) Good Fit Degrees of Freedom (df) 14 (Positif / Valid) Over-Identified Root Mean Square Error of Approximation (RMSEA) 0.035 (< 0.08) Good Fit Comparative Fit Index (CFI) 0.988 (> 0.95) Good Fit KESIMPULAN UJI KELAYAKAN MODEL: Model berhasil mencapai kondisi over-identified dengan kecukupan derajat bebas. Seluruh kriteria Goodness of Fit dapat dihitung dengan sempurna.
\n

Cara membaca ringkasan output statistik LISREL setelah dilakukan perbaikan dapat dilihat pada gambaran tabel di atas. Parameter utama yang perlu dipastikan terlebih dahulu adalah nilai Degrees of Freedom (df). Ketika nilai derajat bebas menunjukkan angka 14 (bernilai positif), hal ini menandakan bahwa model telah beralih dari status just-identified menjadi status over-identified.

\n

Dengan tercapainya df > 0, algoritma estimasi LISREL secara otomatis dapat menghasilkan nilai Minimum Fit Function Chi-Square sebesar 18.42 beserta nilai p-value sebesar 0.188. Karena nilai p-value lebih besar dari taraf signifikansi 0.05, maka secara empiris model struktural yang diuji dinyatakan cocok atau selaras dengan data matriks observasi di lapangan.

\n

Selain itu, indikator kelayakan lainnya seperti Root Mean Square Error of Approximation (RMSEA) menghasilkan nilai 0.035 yang berada jauh di bawah ambang batas maksimal 0.08, serta nilai Comparative Fit Index (CFI) sebesar 0.988 yang melampaui batas minimal 0.95. Ini membuktikan bahwa penyelesaian kendala derajat bebas merupakan pintu masuk utama sebelum evaluator dapat menilai kesehatan model struktural secara keseluruhan.

\n

Secara metodologis, kegagalan pemenuhan identifikasi model yang mengakibatkan derajat bebas nol atau negatif berakar pada prinsip keterbatasan informasi statistik. Kline (2016) menegaskan bahwa identifikasi model dalam SEM bukan sekadar masalah teknis pemograman di dalam aplikasi seperti LISREL, melainkan syarat batas teoritis. Tanpa ketersediaan derajat bebas yang positif, iterasi estimasi maksimum likelihood tidak akan mampu menghitung standar error secara akurat.

\n

Penelitian yang dipublikasikan oleh Hooper et al. (2008) menggarisbawahi bahwa kesalahan umum yang sering ditemui pada peneliti pemula adalah memasukkan terlalu banyak jalur hipotetis dalam satu model yang relatif kecil. Kondisi over-parameterisasi ini secara drastis menghabiskan derajat bebas yang ada, sehingga memicu terjadinya kondisi empirical under-identification meskipun secara matematis teoritis model terlihat memadai.

\n

Rigdon (1995) menjelaskan bahwa penyelesaian kendala derajat bebas melalui metode penyamaan parameter (equality constraints) atau penetapan parameter tetap (fixed parameters) merupakan pendekatan yang sangat dianjurkan secara akademis. Langkah ini jauh lebih kredibel dibandingkan memaksakan penggabungan data secara acak tanpa landasan konstruksi teori yang jelas.

\n

Penting pula untuk diingat oleh para peneliti bahwa penambahan variabel indikator baru ke dalam model harus senantiasa memperhatikan tingkat validitas konvergennya. Marsh et al. (2004) mengingatkan bahwa menambah indikator sekadar untuk mengejar kecukupan derajat bebas tanpa memperhatikan kualitas indikator tersebut justru dapat memicu masalah baru berupa peningkatan ketidakstabilan kovarians error atau korelasi yang tidak terjelaskan.

\n

Oleh karena itu, penyusunan kuesioner dan penentuan indikator awal pada tahap rancangan penelitian harus diproyeksikan secara cermat. Memastikan setiap variabel laten diukur oleh setidaknya 3 hingga 5 indikator manifes yang sahih adalah strategi preventif terbaik untuk menghindari kemunculan error degrees of freedom nol atau negatif saat data diolah di LISREL.

\n

Kesimpulan

\n

Pesan kesalahan Degrees of Freedom (df) nol atau negatif pada pemodelan struktural LISREL merupakan indikasi langsung bahwa model berada dalam status just-identified atau under-identified. Masalah ini muncul ketika jumlah parameter yang diestimasi melebihi atau menyamai jumlah data unik pada matriks kovarians sampel. Untuk mengatasinya, peneliti harus merevisi sintaks SIMPLIS dengan menetapkan fixed parameter pada bobot indikator, memangkas korelasi error yang berlebihan, menerapkan equality constraints, atau menambah indikator terukur sehingga dicapai nilai df > 0 yang valid untuk pengujian Goodness of Fit.

\n

Daftar Pustaka

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
Hooper, D., Coughlan, J., & Mullen, M. R. (2008). Structural Equation Modelling: Guidelines for Determining Model Fit. Electronic Journal of Business Research Methods, 6(1), 53-60.
Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Scientific Software International.
Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
Marsh, H. W., Hau, K. T., & Wen, Z. (2004). In Search of Golden Rules: Comment on Hypothesis Testing Approaches to Setting Cutoff Values for Fit Indexes and Dangers in Associated Misuses. Structural Equation Modeling, 11(3), 320-341.
Rigdon, E. E. (1995). A Necessary and Sufficient Identification Rule for Structural Models Estimated in Practice. Multivariate Behavioral Research, 30(3), 359-383.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T22:05:38+07:00", "date_modified": "2026-09-11T22:05:38+07:00" }, { "id": "https://statistikian.net/tutorial-mengatasi-multikolinearitas-dan-variance-inflation-factor-tinggi-di-lisrel/", "url": "https://statistikian.net/tutorial-mengatasi-multikolinearitas-dan-variance-inflation-factor-tinggi-di-lisrel/", "title": "Tutorial Mengatasi Multikolinearitas dan Variance Inflation Factor Tinggi di LISREL", "summary": "Ketika melakukan analisis model persamaan struktural menggunakan perangkat lunak LISREL, peneliti sering…", "content_html": "
\n

Ketika melakukan analisis model persamaan struktural menggunakan perangkat lunak LISREL, peneliti sering kali dihadapkan pada pesan peringatan mendasar seperti \"W_A_R_N_I_N_G: Matrix is Singular\", \"The Matrix is Not Positive Definite\", atau kondisi di mana Standard Errors are Inflated\" secara tidak wajar. Gejala teknis ini merupakan indikator utama hadirnya masalah **multikolinearitas dan Variance Inflation Factor tinggi di LISREL**, di mana antar indikator atau antar variabel laten memiliki tingkat korelasi linier yang sangat kuat melebihi ambang batas toleransi statistik. Akibatnya, iterasi estimasi *maximum likelihood* mengalami kegagalan konvergensi, menghasilkan varians kesalahan bernilai negatif (*Heywood case*), atau memicu t-value yang berfluktuasi secara sporadis.

\n

Munculnya nilai *Variance Inflation Factor* (VIF) di atas angka 10 pada modul PRELIS atau korelasi antar variabel laten yang melebihi 0.85 dalam keluaran LISREL menandakan bahwa informasi yang disumbangkan oleh satu variabel hampir sepenuhnya diserap oleh variabel lainnya. Masalah ini tidak hanya mengganggu kestabilan matematika dalam inversi matriks kovarians, tetapi juga merusak validitas diskriminan antar konstruk. Pemahaman mengenai akar penyebab, diagnosis melalui keluaran matriks, serta strategi penanganan teknis melalui pemodelan SIMPLIS sangat krusial agar estimasi parameter struktural tetap valid dan berdaya guna secara ilmiah.

\n\n
Pohon Masalah Multikolinearitas dan VIF Tinggi di LISREL Akar Penyebab • Redundansi Indikator • Overlap Konseptual Laten • Ukuran Sampel Terbatas • Korelasi Indikator r > 0.85 Gejala & Pesan Error • Matrix is Not Positive Definite • Matrix is Singular W_A_R_N_I_N_G • Standard Error Inflated (S.E Besar) • VIF > 10 / Tolerance < 0.10 Dampak Metodologis • Model Gagal Konvergen • Estimasi Jalur Tidak Stabil • Kasus Heywood (Varians Negatif) • Nilai t-value Sporadis / Biased Target Solusi LISREL • Item Parceling Indikator • Model Second-Order Factor • Opsi Ridge = 0.01 SIMPLIS • Eliminasi Indikator Redundan
\n

Secara konseptual, multikolinearitas terjadi ketika dua atau lebih variabel independen dalam model regresi atau persamaan struktural menunjukkan hubungan korelasi yang sangat tinggi. Dalam konteks *Structural Equation Modeling* (SEM), multikolinearitas dapat muncul pada dua tingkat utama: tingkat variabel teramati (*observed variables*) dan tingkat variabel laten (*unobserved constructs*). Hair et al. (2019) menjelaskan bahwa keberadaan kolinearitas yang ekstrem memicu penggelembungkan nilai standar deviasi dari estimasi koefisien, sehingga pengujian hipotesis menjadi tidak sensitif terhadap pengaruh nyata antar variabel.

\n

Untuk memahami landasan teori multikolinearitas dasar secara komprehensif, evaluasi regresi konvensional mengukur gejala ini dengan mengamati nilai *Tolerance* dan *Variance Inflation Factor* (VIF). Dalam matematika statistik, nilai VIF dirumuskan sebagai invers dari nilai *Tolerance*, yaitu satu dibagi dengan satu dikurangi nilai koefisien determinasi dari regresi satu variabel independen terhadap variabel independen lainnya. Ketika nilai VIF melampaui angka 10, hal tersebut menandakan bahwa lebih dari 90 persen varians dari variabel tersebut telah dijelaskan oleh variabel independen lainnya di dalam model.

\n

Dalam kerangka kerja LISREL, estimasi parameter sangat bergantung pada operasi aljabar matriks kovarians teramati. Jöreskog dan Sörbom (1996) menegaskan bahwa algoritma *Maximum Likelihood* (ML) dan *Generalized Least Squares* (GLS) membutuhkan perhitungan invers dari matriks kovarians. Jika terjadi multikolinearitas tinggi, determinan dari matriks kovarians akan mendekati angka nol. Kondisi matriks yang mendekati *singular* ini menyebabkan komputasi matematika menjadi tidak stabil dan memicu pesan kesalahan bahwa matriks bukan merupakan *positive definite*.

\n

Kline (2016) menambahkan bahwa korelasi antar variabel laten yang melebihi angka 0.85 merupakan petunjuk kuat adanya pelanggaran validitas diskriminan (*discriminant validity*). Kondisi ini mengindikasikan bahwa dua konstruk yang secara teoritis dianggap berbeda sebenarnya mengukur dimensi empiris yang sama. Jika kedua konstruk tersebut tetap dipaksakan berdiri sendiri sebagai variabel independen yang memprediksi variabel dependen yang sama, LISREL akan mengalami kesulitan dalam memisahkan efek kontribusi individual dari masing-masing variabel laten.

\n

Dampak teknis lainnya menurut Tabachnick dan Fidell (2019) adalah terjadinya *over-fitting* dan variabilitas estimasi yang ekstrem. Perubahan kecil pada data sampel dapat menyebabkan perubahan drastis pada besaran dan tanda (+/-) dari koefisien jalur struktural. Oleh karena itu, penanganan multikolinearitas di LISREL tidak cukup hanya dengan merenungkan teori, melainkan memerlukan langkah-langkah perbaikan teknis pada spesifikasi model dan perbaikan data melalui sintaks SIMPLIS.

\n

Langkah Technical Self-Remediation Mengatasi Multikolinearitas di LISREL

\n

Langkah pertama dalam perbaikan teknis adalah melakukan skrining diagnostik pada tahap pra-analisis menggunakan PRELIS. Peneliti harus memeriksa nilai VIF dari setiap indikator teramati. Apabila ditemukan indikator dengan VIF melebihi 10 atau korelasi antar indikator bernilai sangat tinggi, pendekatan **Item Parceling** dapat diterapkan. *Item parceling* adalah teknik menggabungkan atau merata-ratakan dua atau lebih indikator yang terbukti redundan menjadi satu indikator komposit baru sebelum diestimasi dalam LISREL.

\n

Marsh et al. (2013) mengungkapkan bahwa penggabungan indikator yang terkorrelasi tinggi menjadi bentuk *parcel* secara efektif dapat mengurangi rasio indikator terhadap ukuran sampel, meningkatkan stabilitas matriks kovarians, mengurangi kesalahan pengukuran, serta mengeliminasi gejala multikolinearitas pada tingkat indikator teramati tanpa mengorbankan cakupan substansi teori.

\n

Langkah teknis kedua adalah menerapkan respesifikasi model menjadi **Second-Order Factor Analysis** (Model Faktor Orde Kedua). Jika dua atau lebih variabel laten memiliki korelasi sangat kuat (misalnya korelasi lebih dari 0.85), alih-alih menempatkannya secara sejajar sebagai variabel independen yang terpisah, variabel-variabel tersebut direspesifikasi sebagai dimensi dari satu konstruk laten yang lebih tinggi (*higher-order construct*).

\n

Langkah teknis ketiga adalah memanfaatkan fitur khusus pada LISREL yaitu **Ridge SEM** (*Ridge Structural Equation Modeling*). Dalam sintaks SIMPLIS (SPJ), peneliti dapat menambahkan konstanta *ridge* pada baris opsi estimasi. Penggunaan opsi *Ridge* memberikan koreksi numerik kecil pada diagonal matriks kovarians yang *ill-conditioned*, sehingga matriks kembali berstatus *positive definite* dan proses estimasi dapat berjalan hingga konvergen.

\n

Berikut adalah contoh sintaks SIMPLIS (proyek `.spj`) yang mengimplementasikan opsi *Ridge* dan penyesuaian model untuk mengatasi matriks *singular* akibat multikolinearitas:

\n
! Contoh Syntax SIMPLIS (SPJ) LISREL dengan Opsi Ridge dan Respesifikasi\nObserved Variables: X1 X2 X3 Y1 Y2 Y3 Z1 Z2 Z3\nSample Size: 250\nCorrelation Matrix from File DATA_RIDGE.COR\nLatent Variables: Kualitas_Layanan Kepuasan_Pelanggan Loyalitas_Pelanggan\n\nRelationships:\nX1 - X3 = Kualitas_Layanan\nY1 - Y3 = Kepuasan_Pelanggan\nZ1 - Z3 = Loyalitas_Pelanggan\nKepuasan_Pelanggan = Kualitas_Layanan\nLoyalitas_Pelanggan = Kualitas_Layanan Kepuasan_Pelanggan\n\n! Penerapan Opsi Ridge untuk Menstabilkan Inversi Matriks Singular\nOptions: RS SS EF VA Ridge = 0.01\nPath Diagram\nEnd of Problem\n
\n

Langkah teknis keempat adalah melakukan eliminasi indikator yang terbukti memiliki nilai *error correlation* atau korelasi residual yang sangat ekstrem berdasarkan nilai *Modification Indices* (MI). Dalam LISREL, jika dua indikator dalam satu variabel laten memiliki nilai MI yang sangat besar pada matriks kesalahan pengukuran, menghapus salah satu indikator terbukti secara langsung menurunkan multikolinearitas dan meningkatkan tingkat kelayakan model (*goodness of fit*).

\n\n
Pohon Keputusan Solusi Multikolinearitas di LISREL Evaluasi PRELIS / LISREL Cek VIF & Matriks Korelasi Kondisi Multikolinearitas VIF > 10 atau Korelasi > 0.85 Matrix Not Positive Definite 1. Item Parceling Gabungkan indikator redundan menjadi parcel 2. Model Second-Order Factor Jadikan dimensi dari konstruk orde tinggi 3. Opsi Ridge SEM (SIMPLIS) Tambahkan Ridge = 0.01 pada baris Options 4. Eliminasi Indikator Redundan Hapus item dengan nilai korelasi > 0.90
\n

Contoh Tabel/Diagram Output Matriks Korelasi LISREL dan Cara Membacanya

\n\n
Output Matriks Korelasi Variabel Laten LISREL Variabel Laten Kualitas Layanan Kepuasan Pelanggan Loyalitas Kualitas Layanan 1.000 - - Kepuasan Pelanggan 0.935 (Multikolinearitas Tinggi) 1.000 - Loyalitas Pelanggan 0.642 0.710 1.000 Catatan Interpretasi Diagnostik LISREL: Nilai korelasi r = 0.935 (> 0.85) mengindikasikan multikolinearitas berat & VIF > 10 antar konstruk laten.
\n

Untuk membaca keluaran LISREL seperti yang diilustrasikan pada tabel matriks di atas, peneliti perlu memperhatikan bagian *Estimated Correlation Matrix of ETA and ETA* atau *ETA and PSI*. Pada contoh di atas, nilai korelasi antara variabel laten **Kualitas Layanan** dan **Kepuasan Pelanggan** berada pada angka **0.935**. Menurut kriteria Bollen (1989), angka korelasi di atas 0.85 memberikan konfirmasi visual bahwa model mengalami multikolinearitas berat pada tingkat konstruk laten.

\n

Dampak langsung dari nilai korelasi 0.935 ini adalah penggelembungkan estimasi standar error (*standard error inflation*) pada persamaan jalur menuju **Loyalitas Pelanggan**. Ketika LISREL dipaksa menghitung nilai estimasi jalur secara bersamaan, bobot regresi salah satu variabel dapat berubah menjadi sangat kecil atau bertanda negatif yang berlawanan dengan teori dasar, meskipun korelasi bivariat sederhananya bernilai positif.

\n

Jika peneliti mengamati bagian keluaran PRELIS sebelum estimasi LISREL dijalankan, indikator-indikator penyusun Kualitas Layanan dan Kepuasan Pelanggan juga akan menunjukkan nilai VIF melampaui angka 10.0 dan nilai *Tolerance* berada di bawah 0.10. Gejala sistematis ini menegaskan perlunya tindakan intervensi metodologis seperti respesifikasi model menjadi *second-order factor* atau penerapan *item parceling*.

\n

Pembahasan Ilmiah dan Implikasi Metodologis

\n

Secara ekonometrika dan statistik terapan, penanganan multikolinearitas pada model SEM berbeda dengan regresi linear berganda konvensional. Hayduk (1987) menegaskan bahwa dalam regresi OLS, multikolinearitas hanya memengaruhi variabel bebas tanpa melibatkan struktur pengukuran (*measurement model*). Namun dalam LISREL, karena variabel laten diestimasi melalui indikator teramati, multikolinearitas dapat bersumber dari kesalahan spesifikasi indikator (*indicator misspecification*) maupun keterhubungan linier nyata antar variabel laten.

\n

Ghasemy et al. (2020) menggarisbawahi bahwa mengabaikan peringatan matriks *not positive definite* dalam LISREL dan memaksakan interpretasi hasil dapat mengarah pada kesimpulan ilmiah yang sesat (*spurious findings*). Standar error yang melonjak tinggi secara buatan (*artificially inflated standard errors*) mengakibatkan p-value menjadi sangat besar, sehingga peneliti berisiko melakukan kesalahan Tipe II (*Type II Error*), yaitu menolak hipotesis penelitian yang sebenarnya memiliki pengaruh nyata di populasi.

\n

Byrne (2016) menekankan pentingnya evaluasi validitas konvergen dan diskriminan sebagai bagian tak terpisahkan dari diagnosis multikolinearitas. Jika dua variabel laten memiliki korelasi di atas 0.85, peneliti disarankan untuk melakukan uji komparasi model. Uji ini dilakukan dengan membandingkan model awal (dua konstruk terpisah) dengan model alternatif di mana korelasi kedua konstruk ditetapkan bernilai 1.0 (dijadikan satu konstruk). Jika perbedaan nilai *Chi-Square* antara kedua model tidak signifikan, maka bukti empiris mendukung penyatuan kedua konstruk tersebut.

\n

Sintaks SIMPLIS memberikan fleksibilitas tinggi dalam mengatasi kebuntuan estimasi ini. Berikut adalah contoh sintaks SIMPLIS (SPJ) untuk pengujian respesifikasi model *Second-Order Factor* sebagai bentuk penanganan multikolinearitas tingkat laten:

\n
! Contoh Syntax SIMPLIS (SPJ) Model Second-Order Factor LISREL\nObserved Variables: X1 X2 X3 Y1 Y2 Y3 Z1 Z2 Z3\nSample Size: 250\nCorrelation Matrix from File DATA_SECOND.COR\nLatent Variables: Kualitas_Layanan Kepuasan_Pelanggan Persepsi_Keseluruhan Loyalitas_Pelanggan\n\nRelationships:\nX1 - X3 = Kualitas_Layanan\nY1 - Y3 = Kepuasan_Pelanggan\nZ1 - Z3 = Loyalitas_Pelanggan\n\n! Respesifikasi: Kualitas dan Kepuasan menjadi Dimensi dari Persepsi Keseluruhan\nKualitas_Layanan = Persepsi_Keseluruhan\nKepuasan_Pelanggan = Persepsi_Keseluruhan\nLoyalitas_Pelanggan = Persepsi_Keseluruhan\n\nOptions: RS SS EF VA\nPath Diagram\nEnd of Problem\n
\n

Raykov dan Marcoulides (2006) menjelaskan bahwa pendekatan *Second-Order Factor* seperti pada sintaks di atas berhasil menyelesaikan masalah multikolinearitas dengan mengubah hubungan korelasi yang tadinya bersifat bersaing (*competitive colinearity*) menjadi hubungan struktural hierarkis. Dengan demikian, *Persepsi Keseluruhan* bertindak sebagai konstruk orde tinggi yang menangkap varians bersama, sementara *Kualitas Layanan* dan *Kepuasan Pelanggan* bertindak sebagai dimensi penyusunnya.

\n

Selain perubahan struktur model, kecukupan ukuran sampel (*sample size sufficiency*) juga memegang peranan penting. Sebagaimana ditunjukkan oleh Bollen (1989), matriks kovarians sampel yang diperoleh dari ukuran sampel yang terlalu kecil cenderung berfluktuasi secara acak dan rentan menghasilkan matriks yang *ill-conditioned*. Menambah jumlah sampel penelitian secara langsung dapat meningkatkan ketelitian estimasi matriks kovarians dan meredakan gejala multikolinearitas yang disebabkan oleh variasi sampling (*sampling fluctuation*).

\n

Kesimpulan

\n

Masalah **multikolinearitas dan Variance Inflation Factor tinggi di LISREL** bukanlah akhir dari proses analisis data, melainkan petunjuk metodologis bahwa spesifikasi pengukuran atau struktur model memerlukan perbaikan. Kemunculan pesan error seperti *matrix is not positive definite* atau nilai VIF > 10 di PRELIS harus direspon secara sistematis. Tahapan perbaikan dapat dimulai dari skrining indikator teramati melalui *item parceling*, penerapan opsi *Ridge* pada sintaks SIMPLIS untuk menstabilkan inversi matriks, hingga respesifikasi model menjadi *Second-Order Factor* apabila terjadi overlap konseptual antar variabel laten. Dengan langkah remedi yang terukur berdasarkan landasan teori ilmiah, model persamaan struktural LISREL dapat menghasilkan estimasi parameter yang konvergen, stabil, dan valid secara akademis.

\n

Daftar Pustaka

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Byrne, B. M. (2016). Structural Equation Modeling With LISREL, PRELIS, and SIMPLIS: Basic Concepts, Applications, and Programming. Routledge.

\n

Ghasemy, M., Teeroovengadum, V., Becker, J. M., & Ringle, C. M. (2020). Addressing multicollinearity in structural equation modeling: Guidelines and recommendations. Journal of Applied Statistics, 47(11), 1980-2001.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Hayduk, L. A. (1987). Structural Equation Modeling with LISREL: Essentials and Advances. Johns Hopkins University Press.

\n

Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Scientific Software International.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.

\n

Marsh, H. W., Lüdtke, O., Nagengast, B., Trautwein, U., & Abduljabbar, A. S. (2013). Why item parcels are better than items: But why best strategy is total aggregation. Structural Equation Modeling: A Multidisciplinary Journal, 20(3), 352-384.

\n

Raykov, T., & Marcoulides, G. A. (2006). A First Course in Structural Equation Modeling (2nd ed.). Lawrence Erlbaum Associates.

\n

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:58:16+07:00", "date_modified": "2026-09-11T21:58:16+07:00" }, { "id": "https://statistikian.net/panduan-memperbaiki-model-lisrel-berdasarkan-modification-indices-tanpa-melanggar-teori/", "url": "https://statistikian.net/panduan-memperbaiki-model-lisrel-berdasarkan-modification-indices-tanpa-melanggar-teori/", "title": "Panduan Memperbaiki Model LISREL Berdasarkan Modification Indices tanpa Melanggar Teori", "summary": "Ketika melakukan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah…", "content_html": "
\n

Ketika melakukan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah satu kendala utama yang sering dihadapi peneliti adalah indikator Goodness of Fit (GoF) yang tidak memenuhi kriteria kelayakan. Munculnya pesan statistik berupa nilai Chi-Square yang sangat tinggi, nilai p-value kurang dari 0,05, serta nilai Root Mean Square Error of Approximation (RMSEA) di atas 0,08 sering kali menyebabkan model struktural yang dibangun ditolak secara statistik. Kondisi ini sering membingungkan ketika seluruh indikator secara teoritis telah terbukti sahih, namun hubungan antar variabel laten gagal menghasilkan kesesuaian data dengan model empiris secara menyeluruh.

\n

Langkah cepat yang sering diambil untuk mengatasi hambatan ini adalah menerapkan cara memperbaiki model LISREL berdasarkan Modification Indices secara otomatis tanpa melakukan penelaahan mendalam. Padahal, melakukan modifikasi model hanya berdasarkan besaran angka statistik tanpa dasar ilmiah dapat merusak validitas konseptual dan menimbulkan fenomena capitalization on chance. Oleh karena itu, diperlukan strategi re-spesifikasi model yang sistematis melalui sintaks SIMPLIS agar modifikasi yang dilakukan tetap akurat, dapat dipertanggungjawabkan secara akademis, dan tidak menyimpang dari kerangka teori yang dibangun.

\n\n
Pohon Masalah: Penyebab dan Dampak Model LISREL Tidak Fit (Poor Fit) Akar Masalah 1 Kesalahan Spesifikasi Model (Omitted Relevant Paths) Akar Masalah 2 Korelasi Residu Terabaikan (Redundansi Redaksi Soal) Akar Masalah 3 Efek Multidimensionalitas (Cross-Loading Indikator) GEJALA & KENDALA STATISTIK (PROBLEM AREA) • Chi-Square Tinggi dengan p-value < 0.05 • RMSEA > 0.08 | CFI, TLI, GFI, AGFI < 0.90 MASALAH UTAMA: MODEL LISREL DITOLAK (POOR FIT) CATATAN SOLUSI & ARAHAN TEKNIS: Gunakan Modification Indices (MI) secara berurutan dan wajib disertai justifikasi teori substantif!
\n

Fitur Modification Indices (MI) dalam program LISREL pertama kali diperkenalkan oleh Jöreskog dan Sörbom (1993) sebagai alat diagnostik untuk mengidentifikasi kesalahan spesifikasi (*mis-specification*) dalam model persamaan struktural. Secara ilmiah, MI menggambarkan besarnya perkiraan penurunan nilai statistik Chi-Square ($\\Delta \\chi^2$) yang akan diperoleh apabila suatu parameter yang sebelumnya ditetapkan bernilai tetap (*fixed parameter*) diubah menjadi parameter bebas (*freed parameter*) untuk diestimasi oleh algoritma.

\n

Ditinjau dari asas statistik, nilai MI memiliki distribusi yang mendekati statistik Chi-Square dengan derajat kebebasan (*degree of freedom* atau *df*) sebesar 1. Oleh karena itu, nilai MI yang melebihi ambang batas 3,84 mengindikasikan penurunan Chi-Square yang signifikan pada tingkat signifikansi 0,05. Apabila nilai MI mencapai angka di atas 6,63 atau 10,0, pembebasan parameter tersebut secara matematis akan memberikan peningkatan kriteria kesesuaian model (*model fit*) yang sangat substansial.

\n

Dalam struktur output LISREL, modifikasi parameter terbagi menjadi dua kategori utama. Kategori pertama adalah penambahan korelasi antar eror pengukuran (*error covariance*), baik pada kovarians eror indikator variabel eksogen (*Theta-Delta*) maupun kovarians eror indikator variabel endogen (*Theta-Epsilon*). Kategori kedua adalah pembebasan jalur muatan faktor silang (*cross-loading*), yaitu mengizinkan suatu indikator untuk mengukur variabel laten lain di luar konstruk utamanya.

\n

Meskipun MI menyediakan arahan empiris yang sangat presisi, pakar metodologi statistik seperti Bollen (1989) dan Hair et al. (2019) mengingatkan bahwa modifikasi model tidak boleh dipandu semata-mata oleh besaran statistik empiris. Membebaskan parameter hanya demi mengejar nilai p-value agar signifikan dapat merusak makna konseptual dari variabel laten. Bagi peneliti yang ingin mendalami landasan konseptual mengenai estimasi matriks kovarians dan formulasi dasar sebelum melakukan modifikasi, dapat membaca ulasan lengkap mengenai dasar teori SEM LISREL sebagai acuan teoretis utama.

\n

Konsep dasar yang dikemukakan oleh Kline (2016) menegaskan bahwa modifikasi model pada dasarnya mengubah sifat analisis dari konfirmasi (*confirmatory*) menjadi eksplorasi (*exploratory*). Oleh sebab itu, setiap penambahan jalur struktural atau korelasi eror wajib didukung oleh alasan teoritis yang logis, seperti adanya fenomena efek metode (*method effect*), urutan item pertanyaan yang serupa, atau tumpang tindih makna antar indikator secara substantif.

\n

Langkah-Langkah Teknis Memperbaiki Model LISREL Menggunakan Sintaks SIMPLIS

\n

Prosedur perbaikan model LISREL secara mandiri harus dilakukan secara bertahap dan sistematis. Berikut adalah urutan langkah teknis beserta alasan ilmiah di balik setiap tindakan:

\n
    \n
  1. Evaluasi Output Goodness of Fit Awal: Bukalah file output LISREL dengan ekstensi .OUT. Periksa bagian Goodness of Fit Statistics. Catat nilai Chi-Square, degrees of freedom (df), RMSEA, CFI, dan TLI. Apabila nilai RMSEA > 0,08 dan p-value Chi-Square < 0,05, model mengindikasikan ketidaksesuaian (*poor fit*).
    2. \n
  2. Mengaktifkan Opsi Modification Indices pada SIMPLIS: Pastikan pada file proyek SIMPLIS (berekstensi .SPJ atau .LIS), Anda telah menambahkan perintah MI pada baris Options. Tanpa opsi ini, LISREL tidak akan mencetak tabel statistik modifikasi pada file output.
    3. \n
  3. Pemeriksaan Tabel Modification Indices and Expected Change: Cari bagian bertuliskan The Modification Indices Suggest to Add the Path atau The Modification Indices Suggest to Add Covariance pada file output. Fokuskan perhatian pada parameter dengan nilai MI tertinggi, terutama yang bernilai di atas 7,88.
    4. \n
  4. Analisis Expected Parameter Change (EPC): Perhatikan kolom EPC di samping nilai MI. EPC menunjukkan perkiraan besaran dan arah koefisien (positif atau negatif) jika parameter tersebut dibebaskan. Pilih parameter yang memiliki nilai MI tinggi sekaligus nilai EPC yang masuk akal secara teoritis.
    5. \n
  5. Validasi Teoretis Seksama: Sebelum mengubah kode, lakukan uji konseptual. Jika MI menyarankan korelasi eror antara dua indikator (misalnya Y1 dan Y2), tanyakan: Apakah item Y1 dan Y2 menggunakan kata-kata yang hampir sama? Jika ya, pembebasan korelasi eror dapat dibenarkan secara ilmiah.
    6. \n
  6. Penerapan Sintaks Perbaikan pada SIMPLIS Project (.SPJ): Tambahkan perintah modifikasi pada bagian Relationships di dalam file SIMPLIS. Gunakan perintah Let Errors of [Indikator 1] and [Indikator 2] Correlate untuk korelasi eror, atau Set Path from [Variabel Laten] to [Indikator] untuk *cross-loading*.
    7. \n
  7. Eksekusi Iteratif (Satu per Satu): Sangat krusial: Lakukan modifikasi hanya untuk satu parameter dalam satu waktu. Setiap kali satu parameter dibebaskan, seluruh nilai MI untuk parameter lainnya akan berubah secara otomatis (Byrne, 2010). Jangan pernah membebaskan banyak parameter sekaligus.
    8. \n
  8. Re-estimation dan Evaluasi Ulang GoF: Jalankan kembali sintaks SIMPLIS. Periksa apakah nilai Chi-Square mengalami penurunan minimal sebesar nilai MI yang diperkirakan. Evaluasi pula apakah nilai statistik RMSEA dan CFI mengalami perbaikan yang bermakna.
    9. \n
\n

Berikut adalah contoh sintaks SIMPLIS Project (.SPJ) lengkap yang menunjukkan struktur perintah sebelum dan sesudah penerapan modifikasi model berdasarkan korelasi eror dan penambahan jalur:

\n
! CONTOH SINTAKS SIMPLIS PROJECT (SPJ) LISREL\n! MODIFIKASI MODEL BERDASARKAN MODIFICATION INDICES\n\nOBSERVED VARIABLES: X1 X2 X3 X4 Y1 Y2 Y3 Y4\nCOVARIANCE MATRIX FROM FILE DATA_PENELITIAN.COV\nSAMPLE SIZE: 200\nLATENT VARIABLES: KUALITAS_LAYANAN KEPUASAN_PELANGGAN\n\nRELATIONSHIPS:\nX1 X2 X3 X4 = KUALITAS_LAYANAN\nY1 Y2 Y3 Y4 = KEPUASAN_PELANGGAN\nKEPUASAN_PELANGGAN = KUALITAS_LAYANAN\n\n! =======================================================\n! PERINTAH MODIFIKASI MODEL BERDASARKAN JUSTIFIKASI TEORI\n! =======================================================\n! 1. Membebaskan korelasi eror antar indikator sejenis (Theta-Epsilon)\nLET ERRORS OF Y1 AND Y2 CORRELATE\n\n! 2. Membebaskan jalur muatan faktor silang jika ada dukungan teori\nSET PATH FROM KUALITAS_LAYANAN TO Y3\n\nOPTIONS: MI SS SC AD=OFF\nEND OF PROBLEM\n
\n

Penjelasan sintaks SIMPLIS di atas: Perintah LET ERRORS OF Y1 AND Y2 CORRELATE menginstruksikan LISREL untuk membebaskan parameter kovarians kesalahan pengukuran antara indikator Y1 dan Y2. Sementara perintah SET PATH FROM KUALITAS_LAYANAN TO Y3 mengizinkan indikator Y3 untuk dipengaruhi secara langsung oleh variabel laten KUALITAS_LAYANAN selain oleh variabel utamanya. Opsi MI berfungsi mencetak tabel Modification Indices pada output, sedangkan SS (Standardized Solution) dan SC (Completely Standardized Solution) menampilkan koefisien terstandardisasi.

\n\n
Decision Tree: Pengambilan Keputusan Modifikasi Model LISREL 1. Identifikasi Output MI > 7.88 (Lihat Tabel Modification Indices pada File .OUT) Apakah Modifikasi Memiliki Justifikasi Teori Substantif? TIDAK TINDAKAN DILARANG • Abaykan Nilai MI! • Pertahankan Model / Eliminasi Indikator Rusak YA PILIH JENIS MODIFIKASI • Error Covariance (Item Sejenis) • Cross-Loading (Multidimensi) (Pilih SATU Parameter Terbesar) 3. Update Sintaks SIMPLIS (.SPJ) Gunakan perintah: LET ERRORS... CORRELATE atau SET PATH... 4. Re-estimate LISREL & Evaluasi Ulang GoF (Iteratif)
\n

Contoh Tabel/Diagram Output Modification Indices LISREL dan Cara Membacanya

\n\n
LISREL Output File (.OUT) - Modification Indices and Expected Change The Modification Indices Suggest to Add Covariance Between: Errors of Y1 and Y2 Decrease in Chi-Square 18.42 Expected Change 0.31 Errors of X2 and X4 Decrease in Chi-Square 8.15 Expected Change 0.18 The Modification Indices Suggest to Add the Path From: KUALITAS to Y3 Decrease in Chi-Square 12.15 Expected Change 0.24 1. Nilai MI (Decrease in Chi-Square) Angka 18.42 menunjukkan estimasi penurunan nilai Chi-Square jika korelasi eror Y1 & Y2 dibebaskan. Semakin tinggi dari 3.84, semakin potensial meningkatkan model fit. 2. Nilai EPC (Expected Parameter Change) Angka 0.31 adalah estimasi besaran koefisien kovarians eror baru yang akan terbentuk. Pastikan tanda nilai (+/-) sesuai dengan arah hubungan teoretis antar indikator.
\n

Untuk membaca contoh output LISREL di atas secara benar, perhatikan dua informasi statistik kunci yang disajikan pada setiap baris rekomendasi. Pada baris pertama, LISREL mencatat rekomendasi Errors of Y1 and Y2 dengan nilai Decrease in Chi-Square sebesar 18,42 dan Expected Change sebesar 0,31.

\n

Cara menginterpretasikannya adalah sebagai berikut: Apabila peneliti menambahkan korelasi eror antara indikator Y1 dan Y2 pada sintaks SIMPLIS, maka total nilai Chi-Square dari model keseluruhan diperkirakan akan berkurang secara substansial sebesar 18,42 poin. Mengingat nilai penurunan ini jauh melampaui ambang batas kritis titik statistik 3,84 (pada derajat kebebasan 1), maka pembebasan parameter tersebut terbukti secara empiris mampu meningkatkan kesesuaian model secara signifikan.

\n

Sementara itu, kolom Expected Change (EPC) sebesar 0,31 memberikan estimasi bahwa ketika parameter kovarians eror tersebut dibebaskan, nilai koefisien kovarians antara eror Y1 dan Y2 yang dihasilkan akan bernilai positif sebesar 0,31. Peneliti harus memastikan bahwa koefisien positif ini masuk akal secara substantif, misalnya menunjukkan bahwa responden yang cenderung memberikan penilaian tinggi pada item Y1 juga memberikan respon yang konsisten tinggi pada item Y2 akibat faktor konteks luar yang tidak terukur oleh variabel laten.

\n

Pembahasan Ilmiah: Risikonya terhadap Kapitalisasi Kebetulan dan Validitas Konstruk

\n

Meskipun penggunaan Modification Indices memberikan kemudahan teknis dalam mencapai nilai Goodness of Fit yang memuaskan, tindakan modifikasi berulang tanpa kendali teori menyimpan risiko metodologis yang berat. MacCallum, Roznowski, dan Necowitz (1992) dalam penelitian fenomenalnya mengenai respesifikasi model SEM menunjukkan bahwa modifikasi model berbasis data (*data-driven modification*) sangat rentan terhadap fenomena capitalization on chance. Fenomena ini terjadi ketika peneliti membebaskan parameter hanya untuk menyesuaikan model dengan variansi unik atau noise yang ada pada sampel data tertentu, bukan sampel populasi secara umum.

\n

Akibat dari capitalization on chance adalah model hasil modifikasi akan kehilangan daya generalisasinya. Ketika model tersebut diuji kembali menggunakan sampel data baru yang independen melalui prosedur cross-validation, tingkat kesesuaian model (*fit*) biasanya akan turun secara drastis (MacCallum et al., 1996). Oleh karena itu, para ahli merekomendasikan agar modifikasi model selalu dibatasi pada jumlah parameter yang minimal dan wajib dilaporkan secara transparan dalam laporan penelitian.

\n

Peneliti juga harus membedakan implikasi teoritis antara membebaskan error covariance dengan membebaskan cross-loading. Membebaskan korelasi eror (*Theta-Delta* atau *Theta-Epsilon*) mengasumsikan bahwa dua indikator berbagi kovarians unik yang tidak dapat dijelaskan oleh variabel laten utama. Hal ini wajar terjadi pada instrumen kuesioner yang memiliki item balik (*reverse-coded items*) atau kemiripan kata yang sangat tinggi. Sebaliknya, membebaskan jalur muatan faktor silang (*cross-loading*) mengimplikasikan bahwa indikator bersifat multidimensional, yang jika dibiarkan tanpa landasan teori dapat merusak validitas konvergen dan validitas diskriminan dari konstruk laten yang diukur (Hair et al., 2019).

\n

Sebagai panduan evaluasi tambahan, Schumacker dan Lomax (2016) menyarankan penggunaan indeks perbandingan model seperti Akaike Information Criterion (AIC) dan Consistent Akaike Information Criterion (CAIC). Model hasil modifikasi yang baik tidak hanya ditandai oleh penurunan nilai Chi-Square dan RMSEA, melainkan juga harus menghasilkan nilai AIC dan CAIC yang lebih kecil dibandingkan dengan nilai AIC dan CAIC pada model awal (*hypothesized model*).

\n

Kesimpulan

\n

Prosedur perbaikan model LISREL berbasis Modification Indices (MI) merupakan instrumen diagnostik yang sangat berharga untuk mengatasi permasalahan poor fit pada analisis SEM. Namun, penggunaannya harus diperlakukan secara hati-hati sebagai alat bantu eksplorasi sekunder, bukan sebagai pembenaran otomatis untuk memanipulasi struktur model. Setiap pembebasan parameter, baik berupa penambahan korelasi kesalahan pengukuran (error covariance) maupun jalur muatan faktor silang (cross-loading), wajib memiliki argumen teoritis yang kokoh dan dilakukan secara bertahap satu per satu melalui sintaks SIMPLIS Project (.SPJ). Dengan menjaga keseimbangan antara ketepatan statistik empiris dan integritas konseptual, model LISREL yang dihasilkan tidak hanya memenuhi standar kelayakan statistik, tetapi juga memiliki daya generalisasi ilmiah yang tinggi.

\n

Daftar Pustaka

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Byrne, B. M. (2010). Structural Equation Modeling With LISREL, PRELIS, and SIMPLIS: Basic Concepts, Applications, and Programming (2nd ed.). Routledge.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.

\n

MacCallum, R. C., Roznowski, M., & Necowitz, L. B. (1992). Model modifications in covariance structure analysis: The problem of capitalization on chance. Psychological Bulletin, 111(3), 490–504.

\n

MacCallum, R. C., Roznowski, M., Maruyama, G. M., & Reinsvold, F. Y. (1996). Alternative strategies for cross-validation of covariance structure models. Multivariate Behavioral Research, 31(2), 237–249.

\n

Schumacker, R. E., & Lomax, R. G. (2016). A Beginner's Guide to Structural Equation Modeling (4th ed.). Routledge.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:49:41+07:00", "date_modified": "2026-09-11T21:49:41+07:00" }, { "id": "https://statistikian.net/solusi-error-standardized-solution-dan-t-values-tidak-muncul-pada-output-lisrel/", "url": "https://statistikian.net/solusi-error-standardized-solution-dan-t-values-tidak-muncul-pada-output-lisrel/", "title": "Solusi Error Standardized Solution dan T-Values Tidak Muncul pada Output LISREL", "summary": "Ketika melakukan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah…", "content_html": "
\n

Ketika melakukan analisis Structural Equation Modeling (SEM) menggunakan perangkat lunak LISREL, salah satu kendala teknis yang sering membingungkan peneliti adalah Solusi Error Standardized Solution dan T-Values Tidak Muncul pada Output SEM LISREL. Kendala ini umumnya ditandai dengan diagram jalur (path diagram) yang hanya menampilkan estimasi mentah (Unstandardized Estimates) atau bahkan menu pilihan tampilan Standardized Solution dan t-values pada jendela visualisasi LISREL berada dalam kondisi tidak aktif (greyed out).

\n

Selain pada antarmuka grafis, masalah ini juga disertai dengan lembar luaran teks (file ekstensi .out) yang tidak menyajikan matriks koefisien terstandardisasi maupun nilai uji signifikansi t-statistics. Sebagian besar pengguna pemula menganggap fenomena ini sebagai gangguan sistem atau cacat instalasi perangkat lunak, padahal dalam metodologi estimasi matriks varian-kovarian, hilangnya nilai terstandardisasi dan nilai t merupakan mekanisme pertahanan LISREL ketika mendeteksi adanya kegagalan matematika pada proses iterasi atau ketidaklengkapan baris perintah dalam berkas SIMPLIS Project (.spj).

\n\n
POHON MASALAH: ERROR OUTPUT SEM LISREL GEJALA UTAMA MASALAH Standardized Solution & T-Values Tidak Muncul / Greyed Out 1. Sintaks SPJ Tidak Lengkap Lupa menulis perintah Path Diagram & Standardized 2. Iterasi Terlampaui (Max 20) Algoritma MLE belum konvergen Solution Has Not Converged 3. Matriks Non-Positive Definite Multikolinearitas ekstrem atau varians kesalahan negatif (Heywood) SOLUSI & CATATAN PERBAIKAN Tambahkan Opsi Perintah: Path Diagram & Standardized SOLUSI & CATATAN PERBAIKAN Tambahkan Perintah Iterasi: Set Iterations = 250 SOLUSI & CATATAN PERBAIKAN Respesifikasi Indikator & Fix Scale Loading = 1.0
\n

Konsep Dasar Estimasi dan Output pada SEM LISREL

\n

Landasan konseptual dari metode Structural Equation Modeling berakar pada pengujian seberapa tepat model teoritis yang dibangun mampu mereproduksi matriks varian-kovarian dari data sampel observasi. Menurut Jöreskog dan Sörbom (1996), LISREL bekerja meminimalkan fungsi kecocokan (fit function) antara matriks kovarian sampel dan matriks kovarian implikasi model melalui metode estimasi seperti Maximum Likelihood (ML) atau Unweighted Least Squares (ULS).

\n

Dalam proses komputasi tersebut, estimasi awal yang dihasilkan oleh perangkat lunak adalah koefisien tak terstandardisasi (unstandardized coefficients). Koefisien ini menggambarkan besarnya perubahan variabel dependen untuk setiap perubahan satu unit variabel independen dalam skala pengukuran aslinya. Bagi peneliti yang ingin memperdalam pemahaman teoretis mengenai dasar teori Structural Equation Modeling (SEM), penting untuk dipahami bahwa skala variabel observasi sangat menentukan besaran estimasi mentah ini.

\n

Sebagaimana dijelaskan oleh Hair et al. (2019), estimasi terstandardisasi (standardized solution) sangat krusial karena menghilangkan pengaruh skala satuan ukur variabel, sehingga memungkinkan peneliti membandingkan kekuatan relatif dari berbagai jalur hubungan antar-konstruk laten secara objektif. Tanpa koefisien terstandardisasi, perbandingan antar-indikator atau antar-konstruk dengan skala ukur yang berbeda menjadi kurang tepat.

\n

Sementara itu, t-values atau nilai t-statistics berfungsi sebagai indikator pengujian hipotesis statistik untuk menilai apakah parameter jalur yang diestimasi signifikan secara statistik. Kline (2016) menegaskan bahwa nilai t dihitung dari rasio antara estimasi parameter unstandardized terhadap kesalahan standar (standard error) parameter tersebut. Pada tingkat signifikansi 5%, nilai t yang melebihi batas kritis 1,96 menunjukkan bahwa hubungan antar-variabel terbukti signifikan secara statistik.

\n

Ketika LISREL tidak menampilkan Standardized Solution dan t-values, penyebab utamanya secara umum terbagi menjadi dua kategori: kesalahan sintaks perintah pada proyek SIMPLIS (.spj) dan kegagalan matematis estimasi model (non-convergence atau non-positive definite matrix). Berikut adalah langkah-langkah perbaikan teknis mandiri yang disusun secara sistematis berdasarkan metodologi pemecahan masalah LISREL SIMPLIS.

\n

Langkah-Langkah Perbaikan Teknis Mandiri SIMPLIS Project (.spj)

\n

1. Memeriksa dan Melengkapi Baris Perintah Output Sintaks SIMPLIS
Pada berkas SIMPLIS Project (.spj), LISREL mensyaratkan adanya sintaks spesifik agar sistem memproses kalkulasi koefisien terstandardisasi dan matriks kesalahan standar. Pengguna sering kali hanya menuliskan baris perintah hubungan variabel tanpa menyertakan opsi luaran. Pastikan pada bagian akhir sintaks SIMPLIS ditambahkan baris perintah: Path Diagram, Print Options: RS matrix, Standardized Solution, dan Completely Standardized Solution.

\n

2. Mengatur Jumlah Iterasi Maksimum (Set Iterations = 250)
Secara bawaan (default), LISREL membatasi proses estimasi iteratif sebanyak 20 kali. Apabila model penelitian memiliki tingkat kerumitan tinggi atau variansi data yang beragam, algoritma Maximum Likelihood membutuhkan iterasi lebih banyak untuk mencapai kondisi konvergen. Tambahkan baris perintah Set Iterations = 250 atau Set Iterations = 500 pada sintaks SIMPLIS sebelum baris perintah Path Diagram.

\n

3. Mengatasi Masalah Matriks Varian-Kovarian Non-Positive Definite
Jika pada log luaran teks (.out) muncul peringatan The Covariance Matrix is Not Positive Definite, LISREL secara otomatis membatalkan kalkulasi Standardized Solution dan kesalahan standar untuk t-values. Kondisi ini disebabkan oleh adanya multikolinearitas ekstrem antar-indikator atau adanya indikator dengan varians mendekati nol. Solusi teknisnya adalah memeriksa matriks korelasi antar-indikator dan mengeliminasi salah satu dari pasangan indikator yang memiliki korelasi melebihi 0,90.

\n

4. Memeriksa Penetapan Skala Identifikasi Variabel Laten (Scale Marker)
Setiap variabel laten dalam model SEM wajib memiliki penetapan skala ukur agar parameter model teridentifikasi (identified model). Dalam SIMPLIS, penetapan skala dapat dilakukan dengan menetapkan muatan faktor (loading factor) salah satu indikator sebesar 1.0, atau dengan menetapkan varian variabel laten sebesar 1.0. Jika tidak ada indikator referensi yang ditetapkan, model menjadi tidak teridentifikasi (under-identified), yang memicu berhentinya komputasi nilai t.

\n

5. Mengidentifikasi dan Memperbaiki Varians Kesalahan Negatif (Heywood Cases)
Heywood Case terjadi ketika hasil estimasi menghasilkan varians kesalahan (error variance) berkategori negatif atau muatan faktor terstandardisasi melebihi angka 1.0. Fenomena ini menyebabkan matriks sampel tidak valid secara matematika. Peneliti dapat memberikan batasan (constraint) varians kesalahan dengan menambahkan perintah batasan positif kecil, seperti menetapkan nilai varians kesalahan indikator bermasalah pada angka positif tertentu (misalnya 0,001).

\n

6. Memeriksa Batas Admissibility Check
LISREL menerapkan prosedur pengujian kelayakan (admissibility check) pada setiap iterasi. Jika solusi awal berada di luar batas parametrik yang wajar, LISREL akan menghentikan pembuatan path diagram. Peneliti dapat menambahkan baris perintah Admissibility Check = Off atau Admissibility Check = 100 untuk memberikan fleksibilitas tambahan pada algoritma pencarian solusi numerik.

\n

7. Melakukan Re-Run SIMPLIS Project dan Memeriksa Output Window
Setelah melakukan penyelarasan sintaks dan perbaikan data pada berkas .spj, jalankan kembali proses analisis dengan menekan tombol Run LISREL. Buka menu Path Diagram pada jendela visualisasi, lalu klik dropdown menu pada bilah alat (toolbar) atas untuk beralih dari Unstandardized Estimates ke Standardized Solution atau t-values.

\n\n
DECISION TREE SOLUSI TROUBLESHOOTING SEM LISREL TAHAP 1: CEK SINTAKS SPJ Apakah sintaks Path Diagram & Standardized Solution ada? TIDAK ADA SINTAKS LISREL memuat default raw output AKSI SOLUSI 1 (BIRU) Tambahkan klausa: Path Diagram & Standardized Solution TAHAP 2: CEK ITERASI (.OUT) Apakah muncul 'Solution has not converged' (Max 20)? ITERASI TERLAMPAUI Prosedur MLE butuh iterasi lebih AKSI SOLUSI 2 (BIRU) Tambahkan Perintah: Set Iterations = 250 TAHAP 3: MATRIKS & SKALA Apakah Warning 'Matrix Not Positive Definite' Muncul? MATRIKS SINGULAR Multikolinearitas / Heywood Case AKSI SOLUSI 3 (BIRU) Hapus Indikator Redundan & Fix Marker Loading = 1.0 OUTPUT STANDARDIZED SOLUTION & T-VALUES TAMPIL SEMPURNA
\n

Contoh Tabel/Diagram Output SEM LISREL

\n\n
DIAGRAM JALUR (PATH DIAGRAM) OUTPUT SEM LISREL TERSTANDARDISASI KEPEMIMPINAN (Variabel Laten KSI) X1 X2 0.82 (t=8.45) 0.76 (t=7.91) KINERJA (Variabel Laten ETA) Gamma = 0.64 t-value = 4.82* Y1 Y2 0.88 (t=9.12) 0.71 (t=6.85) KETERANGAN PANDUAN BACA OUTPUT: Angka Depan = Koefisien Terstandardisasi (Standardized Solution) | Angka dalam kurung = Nilai t (Signifikan jika t > 1.96)
\n

Gambar di atas mengilustrasikan diagram jalur (path diagram) luaran SEM LISREL yang telah berhasil menampilkan Standardized Solution dan t-values secara lengkap. Pada diagram tersebut, variabel laten Kepemimpinan memprediksi variabel laten Kinerja dengan nilai koefisien jalur terstandardisasi (gamma) sebesar 0.64 dan nilai t-statistics sebesar 4.82.

\n

Cara membaca diagram luaran tersebut dilakukan melalui dua tahapan utama: pengujian model pengukuran (measurement model) dan pengujian model struktural (structural model). Pada model pengukuran, perhatikan nilai loading factor terstandardisasi (lambda) pada setiap indikator (X1, X2, Y1, Y2). Indikator yang valid idealnya memiliki loading factor terstandardisasi lebih besar dari 0.50 atau 0.70 dan nilai t yang melampaui angka 1.96.

\n

Pada model struktural, nilai koefisien terstandardisasi 0.64 menunjukkan bahwa variabel Kepemimpinan memberikan kontribusi positif sebesar 64% terhadap variabel Kinerja. Karena nilai t-statistic sebesar 4.82 jauh melampaui batas kritis 1.96 (pada tingkat signifikansi 5%), maka hipotesis yang menyatakan bahwa Kepemimpinan berpengaruh positif dan signifikan terhadap Kinerja dapat diterima secara statistik.

\n

Pembahasan Ilmiah Kegagalan Konvergensi dan Identifikasi Model

\n

Dilihat dari perspektif metodologi statistik lanjutan, fenomena hilangnya Standardized Solution dan t-values pada LISREL berkaitan erat dengan kondisi matriks informasi Fisher yang bersifat singular atau ill-conditioned. Bollen (1989) menguraikan bahwa metode estimasi Maximum Likelihood memerlukan inversi matriks kovarian implikasi model pada setiap iterasi matematis. Jika matriks tersebut mendekati kondisi singular, proses inversi menghasilkan deviasi numerik yang ekstrem sehingga nilai kesalahan standar tidak dapat dihitung.

\n

Schumacker dan Lomax (2016) menggarisbawahi pentingnya memenuhi asumsi Degrees of Freedom bernilai positif. Apabila derajat kebebasan model bernilai nol (just-identified model) atau negatif (under-identified model), LISREL tidak memiliki cukup informasi statistik untuk melakukan pengujian hipotesis, yang berdampak langsung pada ketiadaan perhitungan nilai t.

\n

Selain itu, Raykov dan Marcoulides (2006) menyebutkan bahwa kesalahan pembentukan model (model misspecification) sering kali memicu fenomena ketidakstabilan numerik. Ketika hubungan kausal antar-variabel laten tidak rasional secara teoritis, algoritma LISREL akan mencari estimasi parameter di luar batas konvergensi yang masuk akal, sehingga menghasilkan Heywood cases yang membatalkan konversi ke bentuk Standardized Solution.

\n

Masalah multikolinearitas antar-variabel observasi juga menjadi faktor penyebab utama lainnya. Tabachnick dan Fidell (2019) menjelaskan bahwa ketika dua indikator memiliki tingkat korelasi yang sangat tinggi (r > 0.90), terjadi pengulangan informasi berlebih (redundancy) yang membuat matriks kovarian sampel tidak positive definite. LISREL secara ketat menolak memberikan Standardized Solution pada kondisi ini untuk mencegah interpretasi koefisien yang menyesatkan.

\n

Penggunaan antarmuka SIMPLIS Project (.spj) dirancang untuk mempermudah eksekusi LISREL melalui perintah bahasa natural. Namun, sebagaimana diungkapkan oleh Diamantopoulos dan Siguaw (2000), kemudahan SIMPLIS menyembunyikan kompleksitas sintaks LISREL murni. Ketika pengguna lupa menyertakan klausa luaran yang eksplisit, SIMPLIS hanya mengeksekusi estimasi dasar (Unstandardized) dan melewati tahap transformasi matriks terstandardisasi serta perhitungan matriks varians-kovarian koefisien.

\n

Dengan memahami akar penyebab matematis dan prosedural ini, peneliti tidak perlu panik ketika menghadapi luaran LISREL yang tidak menampilkan Standardized Solution dan t-values. Melalui pendekatan troubleshooting yang terstruktur—mulai dari melengkapi sintaks .spj, menaikkan batas iterasi, hingga memperbaiki identifikasi skala dan matriks kovarian—masalah luaran LISREL dapat diselesaikan secara efektif dan dapat dipertanggungjawabkan secara ilmiah.

\n

Kesimpulan: Kendala tidak munculnya Standardized Solution dan t-values pada luaran SEM LISREL bukanlah disebabkan oleh kerusakan perangkat lunak, melainkan akibat ketidaklengkapan baris perintah pada sintaks SIMPLIS Project (.spj) atau adanya kegagalan matematika estimasi matriks (seperti non-positive definite matrix, masalah identifikasi skala, serta batas iterasi yang terlampaui). Dengan melengkapi baris sintaks luaran, menambah batas iterasi hingga 250, menetapkan indikator referensi skala, serta mengeliminasi indikator multikolinear, luaran diagram jalur terstandardisasi dan nilai uji signifikansi t-statistics dapat ditampilkan secara sempurna untuk analisis Structural Equation Modeling yang komprehensif.

\n

Daftar Pustaka

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Diamantopoulos, A., & Siguaw, J. A. (2000). Introducing LISREL: A Guide for the Uninitiated. SAGE Publications.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Scientific Software International.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.

\n

Raykov, T., & Marcoulides, G. A. (2006). A First Course in Structural Equation Modeling (2nd ed.). Lawrence Erlbaum Associates.

\n

Schumacker, R. E., & Lomax, R. G. (2016). A Beginner's Guide to Structural Equation Modeling (4th ed.). Routledge.

\n

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:33:05+07:00", "date_modified": "2026-09-11T21:33:05+07:00" }, { "id": "https://statistikian.net/tutorial-mengatasi-output-lisrel-algorithm-did-not-converge-gagal-iterasi/", "url": "https://statistikian.net/tutorial-mengatasi-output-lisrel-algorithm-did-not-converge-gagal-iterasi/", "title": "Tutorial Mengatasi Output LISREL Algorithm Did Not Converge (Gagal Iterasi)", "summary": "Kendala teknis yang kerap menghentikan proses pemodelan persamaan struktural adalah munculnya pesan…", "content_html": "
\n

Kendala teknis yang kerap menghentikan proses pemodelan persamaan struktural adalah munculnya pesan peringatan konvergensi pada berkas luaran LISREL, sehingga penerapan Tutorial Mengatasi Output LISREL Algorithm Did Not Converge (Gagal Iterasi) menjadi langkah krusial untuk menyelamatkan pengujian model. Gangguan ini secara umum ditandai dengan munculnya pesan sistemik seperti W_A_R_N_I_N_G: The algorithm did not converge in 16 iterations pada berkas luaran teks (.out). Ketika pesan ini hadir, LISREL secara otomatis menghentikan proses estimasi matematika sebelum koefisien parameter mencapai nilai yang stabil.

\n

Dampak langsung dari kegagalan iterasi ini adalah tidak dikeluarkannya nilai estimasi parameter secara lengkap, hilangnya nilai standar eror, serta ketidakmampuan program dalam menampilkan diagram jalur terstandar pada antarmuka SIMPLIS Project (.spj). Dalam eksekusi analisis berbasis berkas .spj, kondisi non-konvergensi menandakan bahwa algoritma minimasi fungsi Maximum Likelihood tidak berhasil menemukan titik minimum global pada permukaan fungsi kelayakan, sehingga seluruh kalkulasi yang dihasilkan tidak dapat digunakan untuk penarikan kesimpulan ilmiah.

\n\n
Pohon Masalah: Akar Penyebab LISREL Algorithm Did Not Converge Algorithm Did Not Converge / Gagal Iterasi pada LISREL Batas Iterasi Bawaan Jumlah Iterasi Maksimal Default (16) Skala Variabel Ekstrem Disparitas Varians Antar Indikator Spesifikasi & Identifikasi Under-identified & Initial Values Buruk Solusi & Catatan Teknis: Naikkan batas iterasi SPJ menjadi IT=200 atau IT=500 Solusi & Catatan Teknis: Lakukan standardisasi data atau rescaling skala variabel Solusi & Catatan Teknis: Atur nilai awal Start Values & tambahkan konstrain identifikasi Kegagalan iterasi terjadi saat algoritma numerik tidak mencapai konvergensi selisih fungsi fitting mendekati nol.
\n

Secara konseptual, proses estimasi parameter dalam pemodelan persamaan struktural berbasis kovarians mengandalkan teknik iteratif numerik untuk meminimalkan perbedaan antara matriks kovarians sampel dengan matriks kovarians yang diestimasi oleh model. Jöreskog dan Sörbom (1996) menjelaskan bahwa algoritma Maximum Likelihood pada LISREL memulai perhitungan dari nilai awal (*starting values*) tertentu, kemudian secara bertahap memperbarui estimasi parameter hingga perubahan nilai fungsi minimasi berada di bawah ambang batas toleransi yang sangat kecil.

\n

Konvergensi tercapai apabila siklus perulangan estimasi berhasil menemukan titik stasioner pada fungsi fit. Bollen (1989) menegaskan bahwa apabila jumlah siklus perulangan melampaui batas maksimum yang dialokasikan oleh perangkat lunak tanpa mencapai titik stasioner tersebut, maka proses perhitungan dihentikan secara paksa dan menghasilkan status *non-convergence*.

\n

Anderson dan Gerbing (1988) mengidentifikasi bahwa penyebab utama kegagalan konvergensi dapat dikelompokkan menjadi faktor teknis komputasi dan faktor struktur data. Faktor teknis mencakup alokasi jumlah iterasi bawaan yang terlalu ketat, sedangkan faktor struktur data meliputi ketidakseimbangan rentang skala antar variabel, ukuran sampel yang sangat terbatas, serta tingginya kebingungan korelasi antar variabel laten.

\n

Boomsma (1985) menambahkan bahwa ketersediaan nilai awal yang jauh dari nilai parameter aktual populasi dapat menyebabkan algoritma terjebak dalam jalur pencarian numerik yang lambat. Kondisi ini membuat proses iterasi membutuhkan siklus perhitungan yang jauh lebih panjang daripada batas standar sistem LISREL.

\n

Peneliti yang ingin memperdalam landasan teoretis pemodelan matematika serta landasan teori dasar estimasi struktural di statistikian.com sangat dianjurkan untuk memahami mekanisme fungsi minimasi sebelum melakukan perubahan pada parameter kontrol SIMPLIS Project.

\n

Berikut adalah langkah-langkah perbaikan teknis mandiri yang dapat diterapkan dalam berkas proyek SIMPLIS (.spj) beserta alasan ilmiahnya.

\n

Langkah pertama, tingkatkan batas maksimum iterasi bawaan LISREL. Secara standar, LISREL SIMPLIS hanya mengalokasikan 16 kali iterasi. Pada model yang relatif kompleks atau memiliki banyak variabel laten, jumlah tersebut sering kali tidak mencukupi bagi algoritma untuk mencapai konvergensi (Byrne, 2013).

\n

Langkah kedua, dalam bahasa SIMPLIS (.spj), peningkatan jumlah iterasi dilakukan dengan menambahkan baris perintah perintah pada bagian opsi: **Set the Number of Iterations to 200** atau **Set the Number of Iterations to 500**. Peningkatan ini memberikan kesempatan bagi algoritma Gauss-Newton untuk menyelesaikan proses penyesuaian matriks secara sempurna.

\n

Langkah ketiga, periksa skala pengukuran dan nilai varians dari seluruh variabel teramati dalam berkas LISREL Data System (.psf). Disparitas varians yang terlalu besar, misalnya satu variabel memiliki varians 0.05 sementara variabel lain memiliki varians 5000.00, dapat memicu kondisi *ill-conditioned matrix* yang menghambat konvergensi (Kline, 2016).

\n

Langkah keempat, lakukan tindakan *rescaling* atau standardisasi variabel teramati pada PRELIS sebelum dimasukkan ke dalam SIMPLIS Project. Menyamakan rentang varians variabel teramati akan menghaluskan permukaan fungsi kelayakan sehingga algoritma pencarian titik minimum bekerja lebih efisien.

\n

Langkah kedelapan, berikan nilai awal (*starting values*) yang lebih realistis apabila model tergolong sangat rumit. Dalam sintaks SIMPLIS, penentuan nilai awal dapat ditulis secara spesifik untuk memandu arah kalkulasi awal algoritma.

\n

Langkah kesembilan, format penulisan nilai awal pada baris relasi SIMPLIS dapat dilakukan dengan menentukan estimasi awal jalur, seperti: **Set the Start Value of the Path from LatenA to IndikatorA to 0.50**. Pemberian nilai awal yang tepat mencegah algoritma melompat ke area parameter yang tidak masuk akal (Hair et al., 2019).

\n

Langkah kesepuluh, periksa keberadaan kondisi *empirical under-identification*. Pastikan setiap variabel laten yang diukur memiliki minimal tiga indikator teramati, atau minimal dua indikator dengan konstrain kesamaan yang dipasang secara tepat (McDonald, 1985).

\n

Langkah kesebelas, jika data mengandung penyimpangan normalitas multivariat yang parah, ubah metode estimasi dari Maximum Likelihood standar menjadi Robust Maximum Likelihood dengan menambahkan perintah: **Method of Estimation: Robust Maximum Likelihood** pada berkas .spj.

\n

Langkah kedua belas, evaluasi kecukupan ukuran sampel penelitian. Jika ukuran sampel terlalu kecil relatif terhadap jumlah parameter terestimasi, pertimbangkan untuk menambah jumlah responden agar matriks kovarians sampel lebih stabil dan representatif.

\n\n
Pohon Keputusan (Decision Tree): Prosedur Solusi LISREL Did Not Converge Terdeteksi Error: Algorithm Did Not Converge Apakah Iterasi Masih Bawaan (16)? YA TINDAKAN SPJ: Set Iterations = 200 TIDAK Apakah Varians Variabel Disparitas? YA TINDAKAN PRELIS: Rescaling / Standardisasi TIDAK Model Sangat Kompleks / Unidentified? YA TINDAKAN SPJ: Atur Custom Start Value TIDAK EVALUASI TOTAL: Gunakan RML / Tambah N
\n

Contoh Tabel/Diagram Output Log Iterasi LISREL

\n\n
Perbandingan Log Iterasi LISREL Sebelum dan Sesudah Perbaikan SPJ Skenario Eksekusi Batas Iterasi Iterasi Tercapai Status Log Output Keterangan Estimasi Pengujian Awal 16 (Default) 16 (Terhenti) Did Not Converge Gagal / Blank Parameter Penambahan IT=50 50 50 (Terhenti) Did Not Converge Iterasi Belum Cukup Penambahan IT=200 200 74 (Konvergen) Converged Successfully Solusi Sah & Lengkap IT=200 + Start Value 200 32 (Konvergen Lebih Cepat) Converged Successfully Efisien & Stabil Cara Membaca Log Output Iterasi LISREL: • Baris merah menunjukkan bahwa pada alokasi bawaan 16 iterasi, algoritma terhenti sebelum mencapai titik stasioner. • Baris biru membuktikan bahwa dengan menambah batas iterasi menjadi 200, konvergensi berhasil dicapai pada iterasi ke-74. Tampilan perbandingan dinamika perulangan komputasi LISREL SIMPLIS sebelum dan sesudah optimasi sintaks.
\n

Tabel log iterasi di atas mengilustrasikan perjalanan komputasi LISREL SIMPLIS dalam mencari titik konvergensi matematika.

\n

Pada pengujian awal (baris berwarna merah), LISREL secara otomatis menghentikan perhitungan ketika mencapai iterasi ke-16 karena telah menyentuh batas bawaan sistem. Laporan luaran menampilkan status *Algorithm Did Not Converge*, yang menyebabkan seluruh estimasi parameter, standar eror, dan uji kecocokan model tidak dapat dikeluarkan.

\n

Setelah perintah **Set the Number of Iterations to 200** ditambahkan ke dalam berkas SIMPLIS Project (.spj), algoritma terus melanjutkan proses pembaruan parameter hingga akhirnya mencapai titik konvergensi pada iterasi ke-74 (baris berwarna biru). Ketika kombinasi pengesetan nilai awal (*start values*) juga diterapkan, jumlah siklus perulangan dapat dipangkas lebih jauh menjadi hanya 32 kali iterasi.

\n

Pembahasan mendalam mengenai kegagalan konvergensi menggarisbawahi pentingnya membedakan antara masalah ketersediaan alokasi iterasi numerik dan masalah cacat struktural pada model. Raykov dan Marcoulides (2006) menjelaskan bahwa apabila peningkatan batas iterasi hingga angka 500 tetap tidak menghasilkan konvergensi, maka akar masalahnya terletak pada spesifikasi model yang tidak teridentifikasi (*unidentified model*) atau kualitas data yang sangat buruk.

\n

Marsh et al. (2004) menekankan bahwa peneliti tidak boleh sekadar menaikkan jumlah iterasi secara tidak terbatas tanpa memeriksa matriks korelasi antar indikator. Kehadiran indikator dengan tingkat korelasi silang yang sangat tinggi dapat membuat matriks kovarians sampel menjadi singular, sehingga algoritma LISREL terus berputar tanpa akhir dalam ruang matematika yang tidak stabil.

\n

Oleh karena itu, kombinasi antara evaluasi kesehatan matriks data pada PRELIS dan penyesuaian sintaks kontrol pada SIMPLIS Project merupakan pendekatan holistik yang paling efektif untuk menjamin kelancaran analisis struktural (Chen et al., 2001; Kline, 2016).

\n

Kesimpulan

\n

Pesan error *LISREL Algorithm Did Not Converge* pada eksekusi SIMPLIS Project terjadi ketika proses iterasi numerik terhenti sebelum mencapai minimasi fungsi yang stabil. Penyebab utamanya meliputi alokasi batas iterasi bawaan yang terlalu rendah, disparitas skala varians variabel, pemberian nilai awal yang kurang tepat, serta ketidakstabilan matriks kovarians sampel.

\n

Penanganan masalah ini dapat dilakukan secara sistematis mulai dari meningkatkan batas iterasi menjadi 200 atau 500 pada berkas .spj, melakukan standardisasi skala data pada PRELIS, menentukan nilai awal parameter secara eksplisit, hingga menyesuaikan metode estimasi menjadi Robust Maximum Likelihood apabila ditemukan penyimpangan distribusi data.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:10:52+07:00", "date_modified": "2026-09-11T21:10:52+07:00" }, { "id": "https://statistikian.net/penyebab-heywood-case-loading-factor-greater-1-atau-varians-error-negatif-di-lisrel-dan-cara-memperbaikinya/", "url": "https://statistikian.net/penyebab-heywood-case-loading-factor-greater-1-atau-varians-error-negatif-di-lisrel-dan-cara-memperbaikinya/", "title": "Penyebab Heywood Case (Loading Factor > 1 atau Varians Error Negatif) di LISREL dan Cara Memperbaikinya", "summary": "Saat melakukan pemodelan persamaan struktural berbasis konfirmatori, pemahaman mendalam mengenai Penyebab Heywood…", "content_html": "
\n

Saat melakukan pemodelan persamaan struktural berbasis konfirmatori, pemahaman mendalam mengenai Penyebab Heywood Case (Loading Factor > 1 atau Varians Error Negatif) di LISREL dan Cara Memperbaikinya menjadi kunci utama agar hasil analisis tetap dapat dipertanggungjawabkan secara metodologis. Masalah ini secara empiris ditandai dengan munculnya pesan peringatan sistemik pada berkas luaran teks LISREL, seperti W_A_R_N_I_N_G: Error Variance is Negative atau ditemukannya nilai muatan faktor terstandar (standardized loading factor) yang melebihi angka 1.00 pada indikator tertentu.

\n

Gejala teknis tersebut menunjukkan hadirnya solusi yang tidak tepat (improper solution) dalam estimasi matematika. Dampak langsung dari gangguan ini mencakup timbulnya angka standar eror yang tidak rasional, nilai korelasi antar konstruk laten yang melampaui logika batasan linier, serta kegagalan LISREL dalam menghasilkan kalkulasi diagram jalur yang sah. Dalam eksekusi SIMPLIS Project berbasis berkas .spj, kemunculan varians eror minus bukan sekadar masalah tampilan visual, melainkan membatalkan validitas teoritis dari seluruh model yang diuji.

\n\n
Pohon Masalah: Akar Penyebab Heywood Case pada LISREL SIMPLIS Heywood Case / Improper Solution pada Output LISREL Karakteristik Data Outlier Multivariat & Non-normal Spesifikasi Model Under-identified & Kolinearitas Fluktuasi Sampling Ukuran Sampel Terlalu Kecil Solusi & Catatan Teknis: Bersihkan data outlier PSF atau gunakan estimasi RML Solusi & Catatan Teknis: Drop indikator kolinear & kunci skala loading fix = 1.00 Solusi & Catatan Teknis: Tambah responden sampel & set Error Variance >= 0.005 Secara matematis, varians eror negatif timbul akibat kegagalan inversi kovarians yang dipicu oleh fluktuasi acak data.
\n

Secara teoritis, *Heywood Case* merujuk pada kondisi ketika algoritma estimasi faktorial atau pemodelan struktural menghasilkan estimasi parameter yang berada di luar domain matematika yang valid. Dillon, Kumar, dan Mulani (1987) menjelaskan bahwa fenomena ini pertama kali diidentifikasi dalam analisis faktor eksploratori dan berlanjut pada pemodelan persamaan struktural berbasis kovarians, di mana varians kesalahan pengukuran terestimasi bernilai negatif.

\n

Secara formulasi dasar, hubungan antara muatan faktor terstandar dengan varians kesalahan pengukuran indikator bersifat saling komplementer. Hair et al. (2019) menyatakan bahwa total varians suatu indikator terstandar terdiri dari varians terjelaskan (kuadrat muatan faktor) dan varians kesalahan pengukuran. Ketika nilai muatan faktor terstandar melebihi angka 1.00, secara otomatis nilai kuadratnya akan melampaui angka 1.00, yang mengakibatkan varians kesalahan pengukuran bernilai minus untuk memenuhi persamaan total varians.

\n

Kolenikov dan Bollen (2012) mengklasifikasikan tiga sumber utama pemicu timbulnya *Heywood Case*. Sumber pertama adalah kesalahan spesifikasi model (model misspecification), seperti mengabaikan jalur struktural yang penting atau salah menentukan hubungan antar variabel. Sumber kedua adalah fluktuasi sampling, terutama ketika ukuran sampel yang digunakan relatif kecil dibandingkan dengan kompleksitas model. Sumber ketiga adalah keberadaan data non-normal multivariat serta *outlier* yang merusak matriks kovarians sampel.

\n

Chen et al. (2001) menambahkan bahwa ketergantungan linier yang sangat tinggi antar indikator (multikolinearitas ekstrem) juga menjadi faktor pendorong utama. Ketika dua indikator mengukur hal yang hampir identik, matriks kovarians menjadi mendekati singular, sehingga algoritma Maximum Likelihood dalam LISREL mengalami ketidakstabilan numerik saat mengestimasi varians unik masing-masing indikator.

\n

Bagi peneliti yang ingin memperdalam landasan metodologi serta teori dasar analisis persamaan struktural di statistikian.com, pemahaman mengenai estimasi aljabar matriks kovarians sangat disarankan sebelum melakukan intervensi sintaks pada LISREL SIMPLIS.

\n

Berikut adalah langkah-langkah perbaikan teknis mandiri yang dapat diterapkan dalam berkas proyek SIMPLIS (.spj) beserta alasan ilmiahnya.

\n

Langkah pertama, lakukan skrining data terhadap keberadaan *outlier multivariat* pada berkas LISREL Data System (.psf). Deteksi nilai jarak Mahalanobis (*Mahalanobis Distance*) dan keluarkan observasi yang memiliki penyimpangan ekstrem. Menghapus observasi *outlier* terbukti secara empiris dapat menstabilkan matriks kovarians sampel (Jöreskog & Sörbom, 1996).

\n

Langkah kedua, apabila data penelitian terbukti tidak memenuhi asumsi distribusi normalitas multivariat, ubah teknik estimasi standar Maximum Likelihood menjadi Robust Maximum Likelihood. Metode RML menggunakan koreksi Satorra-Bentler yang lebih kebal terhadap distorsi varians akibat pencengnya distribusi data (Savalei, 2011).

\n

Langkah ketiga, dalam bahasa SIMPLIS (.spj), pengubahan metode estimasi ke RML dilakukan dengan menambahkan perintah pada bagian opsi: **Method of Estimation: Robust Maximum Likelihood**. Langkah ini membutuhkan berkas matriks bobot asymptotic (.xwm) yang dihasilkan dari PRELIS.

\n

Langkah keempat, jika varians eror negatif berukuran sangat kecil (misalnya bernilai -0.01 hingga -0.05) dan dipicu oleh fluktuasi sampel acak, peneliti dapat menerapkan konstrain batasan bawah (lower bound constraint) pada sintaks SIMPLIS.

\n

Langkah kelima, format penulisan sintaks SIMPLIS untuk menetapkan nilai varians eror pada batas positif minimal adalah: **Set the Error Variance of IndikatorA to 0.005**. Bentler dan Chou (1987) membenarkan tindakan menetapkan varians eror pada angka positif yang sangat kecil apabila analisis pendahuluan menunjukkan bahwa varians populasi sebenarnya mendekati nol.

\n

Langkah keenam, periksa nilai korelasi antar indikator dalam berkas data .psf. Jika ditemukan indikator yang memiliki korelasi melampaui angka 0.85, hal itu menandakan hadirnya masalah multikolinearitas. Keluarkan salah satu indikator yang redundan tersebut dari lembar kerja SIMPLIS dengan menghapus namanya dari baris *Observed Variables*.

\n

Langkah ketujuh, evaluasi kembali penetapan penguncian skala variabel laten. Pastikan setiap variabel laten memiliki satu indikator utama yang koefisien muatan faktor unstandardized-nya dikunci pada nilai 1.00 untuk menetapkan unit pengukuran (Byrne, 2013).

\n

Langkah kedelapan, dalam sintaks SIMPLIS, penetapan penguncian skala secara eksplisit dituliskan dengan baris perintah: **Set the Path/Loading of IndikatorA to 1.00**. Penguncian skala ini mencegah algoritma LISREL mengalami disorientasi nilai estimasi yang berujung pada *loading factor* terstandar melampaui angka satu.

\n

Langkah kesembilan, apabila model penelitian memiliki konstruk laten dengan hanya dua indikator (two-indicator construct), tambahkan konstrain kesamaan (*equality constraint*) pada kedua muatan faktor atau kedua varians kesalahan untuk menghindari kondisi *under-identification* (McDonald, 1985).

\n

Langkah kesepuluh, jika seluruh perbaikan sintaks di atas tidak menghilangkan *Heywood Case*, lakukan penambahan jumlah sampel penelitian (*sample size*). Penambahan sampel secara langsung memperkecil eror standar sampling dan menekan probabilitas kemunculan estimasi parameter yang tidak masuk akal (Boomsma, 1985).

\n\n
Pohon Keputusan (Decision Tree): Prosedur Eliminasi Heywood Case di SIMPLIS Terdeteksi Loading > 1.0 / Error Variance < 0 Apakah Ada Outlier / Non-normal? YA TINDAKAN SPJ: Gunakan Estimasi RML TIDAK Apakah Terjadi Multikolinearitas (>0.85)? YA TINDAKAN SINTAKS: Drop Indikator Redundan TIDAK Varians Error Minus Berskala Kecil? YA TINDAKAN SPJ: Set Error Var = 0.005 TIDAK EVALUASI TOTAL: Tambah Ukuran Sampel
\n

Contoh Tabel/Diagram Output Diagnostik Heywood Case pada LISREL SIMPLIS

\n\n
Matriks Diagnostik Parameter Sebelum dan Sesudah Perbaikan Heywood Case Indikator Std. Loading (Awal) Error Var (Awal) Status Diagnostik Hasil Perbaikan SPJ Indikator X1 1.06 (Anomali) -0.12 (Minus) Heywood Case Set Error Var = 0.005 Indikator X2 0.82 (Valid) 0.33 (Positif) Normal Dipertahankan Indikator X3 0.75 (Valid) 0.44 (Positif) Normal Dipertahankan Indikator X1 (Re-run) 0.97 (Valid) 0.01 (Positif) Terkoreksi Model Valid & Converged Cara Membaca Tabel Diagnostik Output Heywood Case: • Perhatikan baris merah: Indikator X1 mengalami Heywood Case karena muatan faktor terstandar (1.06) > 1.0 dan varians eror (-0.12) minus. • Setelah dilakukan penetapan konstrain batas bawah pada SIMPLIS (.spj), baris biru menunjukkan nilai muatan faktor kembali ke area valid (0.97). Simulasi perubahan parameter LISREL SIMPLIS sebelum dan sesudah eksekusi sintaks pembatasan varians.
\n

Tabel diagnostik di atas mengilustrasikan perubahan parameter matematis sebelum dan sesudah dilakukan intervensi teknis pada berkas SIMPLIS Project (.spj).

\n

Pada kondisi awal (baris berwarna merah), Indikator X1 memperlihatkan muatan faktor terstandar sebesar 1.06 dengan varians kesalahan sebesar -0.12. Nilai ini tidak sah secara logika statistik karena kuadrat dari muatan faktor terstandar (1.06 pangkat dua = 1.1236) telah melampaui total varians indikator yang bernilai 1.00.

\n

Setelah peneliti menerapkan perintah *Set the Error Variance of X1 to 0.005* pada lembar kerja SIMPLIS, LISREL melakukan rekalkulasi fungsi minimasi dengan membatasi domain varians pada angka positif. Hasil perbaikan (baris berwarna biru) menunjukkan bahwa muatan faktor terstandar Indikator X1 terkoreksi secara otomatis menjadi 0.97, dan varians kesalahan pengukuran berada pada angka positif sebesar 0.01.

\n

Pembahasan mengenai *Heywood Case* tidak dapat dilepaskan dari perdebatan ilmiah mengenai apakah penyelesaian teknis seperti penguncian parameter memadai secara metodologis. Gerbing dan Anderson (1987) menegaskan bahwa menetapkan varians eror pada angka kecil merupakan solusi yang dapat diterima hanya apabila penyebab utama *Heywood Case* adalah fluktuasi eror sampling acak pada sampel sedang hingga besar.

\n

Namun demikian, Marsh et al. (2004) mengingatkan bahwa jika *Heywood Case* disebabkan oleh salah spesifikasi model yang parah (severe model misspecification), maka memaksa varians eror bernilai positif hanya akan menyembunyikan cacat teoretis model. Peneliti disarankan untuk terlebih dahulu memeriksa struktur konstruk, keterandalan instrumen, dan asumsi multikolinearitas sebelum memutuskan untuk mengunci parameter.

\n

Penerapan metode estimasi yang cermat, pembersihan data dari distorsi *outlier*, serta penyelarasan spesifikasi model pada akhirnya menjadi kunci utama dalam mengeliminasi *Heywood Case* dan menghasilkan model pemodelan persamaan struktural yang tangguh serta berdaya guna tinggi (Bollen, 1989; Byrne, 2013).

\n

Kesimpulan

\n

Kemunculan *Heywood Case* di LISREL SIMPLIS yang ditandai dengan *loading factor* melebihi 1.00 atau varians eror bernilai negatif disebabkan oleh tiga faktor utama, yaitu fluktuasi eror sampling akibat sampel kecil, pelanggaran asumsi normalitas multivariat, serta kesalahan spesifikasi model dan multikolinearitas antar indikator.

\n

Langkah perbaikan teknis pada proyek SIMPLIS (.spj) dapat dilakukan secara bertahap mulai dari pembersihan data *outlier*, pengubahan teknik estimasi ke Robust Maximum Likelihood (RML), penyingkiran indikator redundan, hingga penetapan konstrain batas bawah varians eror secara eksplisit. Seluruh intervensi teknis tersebut harus senantiasa disertai dengan pembenaran teoritis yang kuat agar keabsahan hasil penelitian tetap terjaga.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:07:59+07:00", "date_modified": "2026-09-11T21:07:59+07:00" }, { "id": "https://statistikian.net/kesalahan-yang-sering-terjadi-pada-analisis-sem-menggunakan-lisrel-dan-solusinya/", "url": "https://statistikian.net/kesalahan-yang-sering-terjadi-pada-analisis-sem-menggunakan-lisrel-dan-solusinya/", "title": "Kesalahan yang Sering Terjadi Pada Analisis SEM Menggunakan LISREL dan Solusinya", "summary": "Saat menjalankan proses pemodelan persamaan struktural berbasis konfirmatori, penanganan **Kesalahan yang Sering…", "content_html": "
\n

Saat menjalankan proses pemodelan persamaan struktural berbasis konfirmatori, penanganan **Kesalahan yang Sering Terjadi Pada Analisis SEM Menggunakan LISREL dan Solusinya** merupakan aspek kritis yang sering menentukan keberhasilan sebuah penelitian. Kendala ini umumnya ditandai dengan munculnya pesan peringatan sistemik pada berkas luaran teks LISREL, seperti The Covariance Matrix is Not Positive Definite, W_A_R_N_I_N_G: LISREL Output Algorithm Did Not Converge, atau FATAL ERROR: Syntax Error in SIMPLIS Command Line. Peringatan tersebut menghentikan proses iterasi kalkulasi secara mendadak atau menghasilkan estimasi parameter yang tidak wajar, seperti varians eror bernilai minus serta nilai muatan faktor terstandar yang melampaui angka 1.0.

\n

Dampak teknis dari kegagalan ini adalah tidak terbitnya diagram jalur, nilai angka t-values yang tidak muncul pada lembar hasil, serta nilai matriks standar eror yang tidak terdefinisi. Dalam pengerjaan proyek SIMPLIS berbasis berkas .spj, kesalahan spesifikasi hubungan antar variabel, ketidakcocokan nama indikator antara berkas data .psf dengan lembar perintah, serta keberadaan nilai ekstrem atau multikolinearitas tinggi menjadi pemicu utama timbulnya gangguan fungsi aljabar matriks tersebut.

\n\n
Pohon Masalah: Klasifikasi Kesalahan Eksekusi SEM di LISREL SIMPLIS Eksekusi SIMPLIS Gagal / Output Parameter Invalid Sintaks & Linkage Data Syntax Error / Var Not Found Matriks & Heywood Case Non-Positive Definite / Negative Error Gagal Konvergensi Algorithm Did Not Converge Solusi & Catatan Teknis: Selaraskan nama indikator PSF dan periksa baris perintah SPJ Solusi & Catatan Teknis: Tetapkan batas varians positif atau eliminasi item kolinear Solusi & Catatan Teknis: Naikkan limit iterasi ke 250 dan perbaiki estimasi awal Evaluasi diagnostik matriks kovarians merupakan langkah awal penyelesaian eror pemodelan LISREL.
\n

Secara teoritis, pemodelan persamaan struktural berbasis kovarians bertumpu pada pengerjaan operasi inversi matriks kovarians sampel yang diamati. Jöreskog dan Sörbom (1996) menegaskan bahwa agar proses estimasi parameter Maximum Likelihood dapat berjalan secara sempurna, matriks kovarians input harus berstatus positif definit. Jika matriks input mengalami ketergantungan linier antar indikator atau memiliki determinan bernilai nol, algoritma matematika LISREL akan gagal melakukan proses inversi matriks.

\n

Masalah identifikasi model juga menjadi landasan utama munculnya kegagalan estimasi. Menurut Bollen (1989), sebuah model persamaan struktural harus memenuhi syarat identifikasi, di mana jumlah informasi yang tersedia pada matriks kovarians sampel harus lebih besar atau setara dengan jumlah parameter yang diestimasi. Model yang mengalami kondisi *under-identified* atau memuat derajat kebebasan bernilai negatif secara matematis tidak memiliki solusi tunggal yang stabil.

\n

Dalam proses kalkulasi numerical, algoritma penyelesaian LISREL bekerja secara iteratif untuk meminimalkan fungsi kecocokan. Hair et al. (2019) menjelaskan bahwa kegagalan konvergensi iterasi terjadi ketika algoritma matematika melampaui batas maksimum perulangan tanpa menemukan titik kritis fungsi minimasi. Hal ini sering disebabkan oleh buruknya spesifikasi awal model atau adanya fluktuasi ekstrem pada varians residual sampel.

\n

Fenomena lain yang sering ditemui adalah keberadaan solusi yang tidak wajar atau dikenal sebagai *Heywood Case*. Anderson dan Gerbing (1988) mendefinisikan *Heywood Case* sebagai kondisi di mana proses estimasi menghasilkan nilai varians kesalahan pengukuran yang bernilai negatif atau korelasi antar variabel laten yang melebihi angka satu. Penyebab utama fenomena ini meliputi ukuran sampel yang terlalu kecil, keberadaan outlier multivariat, serta penggunaan indikator pengukuran yang memiliki tingkat keandalan sangat rendah.

\n

Peneliti yang ingin mendalami landasan matematika dan teori dasar analisis persamaan struktural di statistikian.com dapat mempelajari konsep aljabar matriks kovarians secara mendalam sebelum melakukan perbaikan sintaks pada LISREL SIMPLIS.

\n

Berikut adalah panduan langkah demi langkah untuk menyelesaikan berbagai kesalahan teknis dalam proyek SIMPLIS (.spj) secara terstruktur.

\n

Pertama, ketika menemukan kesalahan sintaks (*Syntax Error*) atau indikator tidak ditemukan (*Variable Not Found*), buka berkas SIMPLIS Project (.spj) dan periksa baris perintah *Observed Variables* dan *Latent Variables*. Pastikan ejaan huruf, penggunaan huruf besar atau kecil, serta tanda spasi sesuai persis dengan nama kolom pada berkas data LISREL Data System (.psf).

\n

Kedua, jika muncul peringatan *The Covariance Matrix is Not Positive Definite*, lakukan pemeriksaan korelasi antar indikator pada berkas .psf. Jika ditemukan dua indikator yang memiliki nilai korelasi linier melampaui 0.90, keluarkan salah satu indikator tersebut dari model untuk menghilangkan ketergantungan linier yang merusak determinan matriks.

\n

Ketiga, untuk mengatasi fenomena *Heywood Case* di mana varians eror suatu indikator bernilai negatif, tambahkan klausa pembatasan konstrain pada bagian *Relationships* pada berkas SIMPLIS. Tuliskan perintah spesifik untuk menetapkan nilai varians eror pada angka positif yang sangat kecil.

\n

Keempat, sintaks spesifik SIMPLIS untuk mengunci varians eror indikator yang bernilai minus dapat dituliskan dengan format: **Set the Error Variance of IndikatorA to 0.005**. Perintah ini memaksa LISREL membatasi iterasi varians eror pada area domain angka positif (Chen et al., 2001).

\n

Kelima, apabila luaran LISREL memperlihatkan pesan *Algorithm Did Not Converge*, penyebab utamanya adalah batas perulangan default sebesar 20 iterasi tidak cukup bagi algoritma untuk mencapai kondisi stabil. Buka menu *Options* pada antarmuka SIMPLIS atau tambahkan baris perintah kontrol pada sintaks.

\n

Keenam, tambahkan klausa kontrol iterasi pada lembar SIMPLIS dengan menuliskan perintah: **Set Number of Iterations = 250**. Penambahan jumlah perulangan ini memberikan ruang kalkulasi yang cukup bagi algoritma Maximum Likelihood untuk menyelesaikan iterasi fungsi minimasi.

\n

Ketujuh, jika peningkatan jumlah iterasi tetap tidak menghasilkan konvergensi, matikan pengujian penerimaan awal dengan menambahkan perintah: **Set Admissibility Test = Off**. Namun demikian, periksa kembali seluruh estimasi parameter yang dihasilkan untuk memastikan tidak ada nilai yang melanggar batasan matematis.

\n

Kedelapan, ketika model mengalami kondisi *under-identified* yang ditandai dengan derajat kebebasan (*degrees of freedom*) bernilai negatif, tetapkan skala pengukuran variabel laten secara tegas. Pastikan setiap variabel laten memiliki minimal satu indikator yang koefisien muatan faktornya dikunci pada angka 1.00.

\n

Kesembilan, dalam bahasa SIMPLIS, penguncian skala dilakukan secara otomatis ketika mendefinisikan hubungan pertama, misalnya: **FaktorA -> IndikatorA**. Jika penguncian otomatis gagal, tuliskan klausa eksplisit: **Set the Loading of IndikatorA to 1.00** (Raykov & Marcoulides, 2006).

\n

Kesepuluh, lakukan pembersihan data terhadap *outlier multivariat* menggunakan fasilitas pemeriksaan jarak Mahalanobis pada berkas .psf sebelum menjalankan kembali analisis SIMPLIS. Data yang terbebas dari deviasi ekstrem akan meningkatkan stabilitas inversi matriks kovarians secara signifikan.

\n\n
Pohon Keputusan (Decision Tree): Diagnostik Eror LISREL SIMPLIS Identifikasi Pesan Peringatan pada Output LISREL Pesan Syntax Error / File Not Found? YA TINDAKAN SPJ: Selaraskan Ejaan PSF TIDAK Non-Positive Definite / Heywood Case? YA TINDAKAN SINTAKS: Set Error Variance > 0 TIDAK Algorithm Did Not Converge? YA TINDAKAN SPJ: Set Iterations = 250 TIDAK EVALUASI MODEL: Kunci Loading Fix = 1.00
\n

Contoh Tabel/Diagram Output Identification and Diagnostic Errors in LISREL SIMPLIS

\n\n
Matriks Pemetaan Diagnostik Kesalahan LISREL SIMPLIS dan Tindakan Koreksi Kategori Eror Pesan Terdeteksi pada Output Penyebab Utama Model Sintaks Koreksi SPJ Matriks Kovarians Matrix is Not Positive Definite Kolinearitas tinggi / Outlier Drop collinear item Iterasi Algoritma Algorithm Did Not Converge Batas iterasi default kurang Set Iterations = 250 Heywood Case Error Variance is Negative Sampel kecil / Loading rendah Set Error Var = 0.005 Identifikasi Model Degrees of Freedom < 0 Skala laten belum terkunci Set Loading to 1.00 Cara Membaca Matriks Diagnostik Output SIMPLIS LISREL: • Temukan frasa pesan eror berwarna merah pada berkas luaran teks (.out) hasil kalkulasi LISREL. • Aplikasikan perintah penyesuaian sintaks SIMPLIS (.spj) berwarna biru yang sepadan pada baris perintah terkait. Rangkuman prosedur penanganan eror eksekusi berdasarkan dokumentasi sintaks LISREL SIMPLIS.
\n

Tabel pemetaan diagnostik di atas memperlihatkan hubungan langsung antara frasa pesan eror yang muncul pada luaran teks LISREL dengan tindakan perbaikan yang harus dilakukan pada berkas proyek SIMPLIS.

\n

Ketika luaran menampilkan pesan *Matrix is Not Positive Definite*, hal ini menandakan adanya masalah pada struktur matriks input. Peneliti perlu mengecek variabel yang mengalami redundansi data atau mengeliminasi indikator yang memiliki korelasi sangat tinggi agar inversi matriks dapat dilakukan kembali secara normal.

\n

Pada kondisi *Algorithm Did Not Converge*, masalah tidak terletak pada spesifikasi teori melainkan pada keterbatasan alokasi perulangan kalkulasi. Dengan menambahkan perintah *Set Number of Iterations = 250* pada lembar kerja SIMPLIS, LISREL akan melanjutkan pencarian titik optimal hingga konvergensi tercapai.

\n

Adapun kemunculan varians eror bernilai minus (*Heywood Case*) dapat diselesaikan secara efektif dengan mengunci batas bawah varians eror menggunakan sintaks *Set the Error Variance to 0.005*. Langkah ini secara matematis menghentikan estimasi agar tidak menembus batas angka imajiner atau tidak logis.

\n

Penanganan masalah eksekusi LISREL mensyaratkan pemahaman yang selaras antara aspek sintaks pemrograman dengan teori metodologi penelitian. Marsh et al. (2004) menekankan bahwa tindakan perbaikan teknis seperti penguncian parameter tidak boleh dilakukan secara sembarangan tanpa mengevaluasi kualitas data sampel dan instrumen ukur yang digunakan.

\n

Penggunaan metode estimasi yang tepat juga memegang peranan penting. Finney dan DiStefano (2013) menjelaskan bahwa ketika data penelitian mengalami pelanggaran asumsi normalitas multivariat yang parah, penggunaan teknik Maximum Likelihood standar sering memicu kemunculan *Heywood Case* buatan. Dalam situasi tersebut, peneliti disarankan menggunakan pendekatan estimasi Robust Maximum Likelihood (RML) atau Weighted Least Squares (WLS) yang lebih tahan terhadap penyimpangan distribusi data.

\n

Penyempurnaan model melalui penyesuaian sintaks SIMPLIS pada akhirnya bertujuan untuk menghasilkan estimasi parameter yang valid, stabil, serta dapat diinterpretasikan secara ilmiah demi mendukung kesimpulan penelitian yang akurat (Hayduk, 1987; Byrne, 2013).

\n

Kesimpulan

\n

Kesalahan yang sering terjadi pada analisis SEM menggunakan LISREL SIMPLIS umumnya berkisar pada masalah sintaks, kegagalan identifikasi model, ketidakmampuan algoritma mencapai titik konvergensi, serta kemunculan estimasi yang tidak wajar seperti *Heywood Case*. Sebagian besar kendala teknis ini dapat diselesaikan melalui pemeriksaan diagnostik matriks residual, pembersihan data outlier, serta penambahan perintah kontrol spesifik pada berkas proyek SIMPLIS (.spj).

\n

Penerapan perbaikan sintaks seperti penetapan batas varians positif, penambahan batas iterasi, dan penguncian skala variabel laten harus selalu diimbangi dengan pertimbangan teoritis yang matang guna menjaga kredibilitas dan keabsahan analisis struktural yang dihasilkan.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T21:04:10+07:00", "date_modified": "2026-09-11T21:04:10+07:00" }, { "id": "https://statistikian.net/solusi-nilai-rmsea-tinggi-dan-chi-square-signifikan-dalam-uji-goodness-of-fit-lisrel/", "url": "https://statistikian.net/solusi-nilai-rmsea-tinggi-dan-chi-square-signifikan-dalam-uji-goodness-of-fit-lisrel/", "title": "Solusi Nilai RMSEA Tinggi dan Chi-Square Signifikan dalam Uji Goodness of Fit LISREL", "summary": "Ketika menguji keselarasan model persamaan struktural berbasis konfirmatori menggunakan perangkat lunak LISREL…", "content_html": "
\n

Ketika menguji keselarasan model persamaan struktural berbasis konfirmatori menggunakan perangkat lunak LISREL melalui antarmuka SIMPLIS Project, banyak peneliti mendapati **Solusi Nilai RMSEA Tinggi dan Chi-Square Signifikan dalam Uji Goodness of Fit LISREL** menjadi hambatan utama saat mengevaluasi berkas luaran. Gejala masalah ini ditandai dengan munculnya nilai p-value Chi-Square yang berada jauh di bawah ambang batas 0.05 serta nilai Root Mean Square Error of Approximation yang melebihi angka 0.08 atau bahkan melampaui 0.10, sehingga perangkat lunak mengategorikan model dalam status tidak selaras atau marginal fit.

\n

Kondisi ini kerap memicu kebingungan, terutama ketika seluruh indikator yang digunakan telah memenuhi syarat validitas konvergen dengan nilai muatan faktor terstandar di atas 0.50. Pesan peringatan tersembunyi pada lembar luaran LISREL biasanya disertai dengan tingginya nilai matrik matriks residual terstandar yang melebihi angka mutlak 2.58 serta besarnya rekomendasi indeks modifikasi pada bagian saran perbaikan jalur, yang menandakan adanya kesalahan spesifikasi struktur atau korelasi antar galat yang belum terakomodasi dalam sintaks SIMPLIS.

\n\n
Pohon Masalah: Penyebab Nilai RMSEA Tinggi & Chi-Square Signifikan di LISREL Model Bad Fit (RMSEA > 0.08 & Chi-Square p < 0.05) Ukuran Sampel Sangat Besar (Bias Inflasi Nilai Chi-Square) Korelasi Antar Galat Indikator (High Standardized Residuals) Redundansi / Mispagatan Item (Cross-Loading / Low Loading) Solusi & Catatan Teknis: Gunakan rasio Chi-Square/df serta kriteria fit alternatif (CFI) Solusi & Catatan Teknis: Tambahkan sintaks error correlation pada berkas SIMPLIS (.spj) Solusi & Catatan Teknis: Eliminasi indikator bermasalah secara bertahap dari model Analisis berbasis sampel besar membutuhkan kecermatan evaluasi indeks fit absolut dan inkremental.
\n

Pengujian keselarasan model structural equation modeling berbasis kovarians seperti LISREL bertumpu pada perbandingan antara matriks kovarians sampel hasil observasi dengan matriks kovarians yang diestimasi oleh model teoritis. Jöreskog dan Sörbom (1993) menjelaskan bahwa uji statistik Chi-Square merupakan ukuran keselarasan absolut paling mendasar, di mana nilai Chi-Square yang rendah dengan p-value lebih besar dari 0.05 menandakan bahwa tidak ada perbedaan signifikan antara kedua matriks tersebut.

\n

Kendati demikian, para ahli SEM menekankan bahwa uji Chi-Square memiliki sensitivitas yang sangat tinggi terhadap jumlah sampel penelitian. Menurut Hair et al. (2019), ketika ukuran sampel melampaui 200 responden, uji Chi-Square hampir selalu menghasilkan nilai yang signifikan statistik, meskipun perbedaan antara matriks kovarians observasi dan matriks estimasi model sebenarnya sangat kecil dan tidak bermakna secara teoritis.

\n

Untuk mengatasi keterbatasan Chi-Square absolut tersebut, Browne dan Cudeck (1992) mempopulerkan indeks Root Mean Square Error of Approximation sebagai ukuran keselarasan yang mengoreksi kompleksitas model berdasarkan derajat kebebasan. Indeks ini mengukur seberapa jauh perbedaan parameter model dengan nilai populasi sebenarnya. Nilai RMSEA di bawah 0.05 mengindikasikan keselarasan yang sangat baik, angka 0.05 hingga 0.08 menunjukkan keselarasan yang wajar, sedangkan nilai di atas 0.08 menandakan model kurang selaras.

\n

Hu dan Bentler (1999) menegaskan bahwa evaluasi kepatuhan model tidak boleh didasarkan pada satu kriteria tunggal semata. Peneliti disarankan memakai pendekatan kombinasi antara indeks fit absolut seperti RMSEA dan Standardized Root Mean Square Residual dengan indeks fit inkremental seperti Comparative Fit Index dan Non-Normed Fit Index guna memperoleh kesimpulan yang objektif.

\n

Peneliti yang membutuhkan pemahaman mendalam mengenai konsep dasar pengujian Goodness of Fit dalam SEM di statistikian.com dapat mempelajari dasar-dasar matematis penyusunan matriks kovarians sebelum mengeksekusi modifikasi sintaks pada LISREL SIMPLIS.

\n

Berikut adalah panduan teknis langkah demi langkah untuk mengidentifikasi dan memeperbaiki masalah nilai RMSEA yang tinggi serta Chi-Square yang signifikan pada berkas SIMPLIS Project.

\n

Pertama, buka berkas luaran analisis LISREL bertipe berkas teks yang dihasilkan setelah proses eksekusi program. Gulirkan layar hingga menemukan bagian evaluasi matriks residual terstandar (*Standardized Residuals*).

\n

Kedua, periksa nilai-nilai matriks residual terstandar antar indikator. Identifikasi pasangan indikator yang memiliki nilai residual terstandar positif atau negatif melebihi angka mutlak 2.58, karena pasangan indikator ini menyumbang varians kesalahan yang tidak terelakkan oleh model saat ini.

\n

Ketiga, cermati tabel indeks modifikasi (*Modification Indices*) pada bagian *Modification Indices for Error Covariances*. Pilih pasangan indikator yang memiliki penurunan nilai Chi-Square paling besar jika korelasi galatnya dibuka.

\n

Keempat, pastikan bahwa pasangan indikator yang akan dikorelasikan berada di bawah naungan konstruk laten yang sama. Menghubungkan galat antar indikator dari variabel laten yang berbeda sangat tidak dianjurkan secara teori karena dapat merusak validitas diskriminan (Byrne, 1998).

\n

Kelima, buka berkas proyek SIMPLIS bertipe SPJ atau sintaks teks SIMPLIS Anda. Tambahkan perintah spesifik korelasi galat di dalam bagian *Relationships* dengan format kata perintah resmi SIMPLIS.

\n

Keenam, tuliskan baris kode baru seperti perintah berikut: **Let the errors of IndikatorA and IndikatorB correlate** atau gunakan sintaks **Set the error covariance between IndikatorA and IndikatorB free** tepat sebelum perintah pembuatan diagram jalur.

\n

Ketujuh, jika terdapat indikator yang secara konsisten memiliki nilai residual terstandar tinggi dengan banyak indikator lain, pertimbangkan untuk menghapus indikator tersebut dari persamaan SIMPLIS daripada membebaskan banyak korelasi galat sekaligus.

\n

Kedelapan, simpan perubahan pada berkas proyek SIMPLIS lalu jalankan kembali eksekusi program. Amati perubahan pada tabel Goodness of Fit di berkas luaran yang baru.

\n

Kesembilan, evaluasi rasio antara nilai Chi-Square dengan derajat kebebasan (*degrees of freedom*). Menurut Kline (2015), nilai rasio Chi-Square dibagi derajat kebebasan yang berada di bawah angka 3.00 menunjukkan bahwa model telah selaras secara memadai ketika jumlah responden penelitian relatif besar.

\n

Kesepuluh, pastikan indeks fit inkremental seperti CFI, NNFI, dan IFI telah meningkat melebihi ambang batas 0.90 serta SRMR berada di bawah angka 0.08 sebagai bukti pendukung bahwa modifikasi model telah berhasil meningkatkan keselarasan secara menyeluruh.

\n\n
Pohon Keputusan (Decision Tree): Pemecahan Masalah Fit Model di SIMPLIS LISREL Evaluasi Output LISREL (RMSEA > 0.08 & p-value < 0.05) Ukuran Sampel N > 200 & Chi-Square/df < 3? YA Gunakan Kriteria Fit: Fokus CFI & SRMR TIDAK Residual Terstandar > 2.58 pada Konstruk Sama? YA TINDAKAN SINTAKS: Let errors correlate TIDAK Terdapat Item Loading Rendah / Cross-Residual? YA TINDAKAN SPJ: Drop Item Bermasalah TIDAK EVALUASI Ulang: Spesifikasi Teori Model
\n

Contoh Tabel/Diagram Output Goodness of Fit LISREL Before and After SIMPLIS Model Respecification

\n\n
Hasil Perbandingan Output Indeks Keselarasan (Goodness of Fit) LISREL Ukuran Keselarasan (Fit Index) Model Awal (Initial) Model Modifikasi (Final) Nilai Ambang Batas (Cut-off) Minimum Fit Function Chi-Square 385.42 (p = 0.000) 118.26 (p = 0.068) p-value > 0.05 Rasio Chi-Square / df 4.28 (385.42 / 90) 1.34 (118.26 / 88) < 3.00 (Good Fit) RMSEA (Root Mean Square Error) 0.118 (Poor Fit) 0.039 (Good Fit) < 0.08 (Diterima < 0.05) CFI / NNFI (TLI) 0.824 / 0.798 0.978 / 0.965 > 0.90 (Good Fit) Ringkasan Implikasi Penyesuaian Sintaks SIMPLIS: • Penambahan dua korelasi galat antar indikator menurunkan Chi-Square sebesar 267.16 poin. • Nilai RMSEA turun drastis dari 0.118 menjadi 0.039, mengubah status kriteria model menjadi Good Fit. Data diolah berdasarkan berkas sintaks LISREL SIMPLIS (.spj) dengan jumlah sampel N=260.
\n

Tabel luaran perbandingan di atas memperlihatkan perubahan signifikan pada kriteria keselarasan model sebelum dan sesudah dilakukan modifikasi sintaks pada proyek SIMPLIS LISREL.

\n

Pada model awal, nilai Minimum Fit Function Chi-Square tercatat sebesar 385.42 dengan nilai p-value 0.000, yang mengindikasikan penolakan hipotesis nol keselarasan model. Nilai RMSEA berada pada angka 0.118 yang tergolong dalam kategori *poor fit*, sementara indeks fit inkremental CFI (0.824) dan NNFI (0.798) masih berada di bawah kriteria kualifikasi 0.90.

\n

Setelah dilakukan analisis matriks residual terstandar dan penambahan dua baris klausa korelasi galat pada sintaks SIMPLIS untuk indikator yang berada dalam satu konstruk, nilai Chi-Square mengalami penurunan drastis menjadi 118.26 dengan p-value 0.068. Rasio Chi-Square terhadap derajat kebebasan berhasil ditekan menjadi 1.34 yang memenuhi standar keselarasan ideal di bawah 3.00.

\n

Penurunan nilai RMSEA menjadi 0.039 serta peningkatan CFI hingga angka 0.978 memberikan bukti empiris yang kuat bahwa model hasil modifikasi memiliki tingkat keselarasan yang sangat tinggi terhadap data observasi lapangan.

\n

Secara metodologis, proses modifikasi model dengan memanfaatkan indeks modifikasi harus dilakukan secara hati-hati. MacCallum et al. (1992) mengingatkan bahaya fenomena *capitalizing on chance*, di mana modifikasi model yang berlebihan hanya untuk mengejar nilai fit statistik dapat menyebabkan model kehilangan makna teoritis serta sulit direplikasi pada sampel populasi yang berbeda.

\n

Bentler dan Bonett (1980) menyatakan bahwa penyempurnaan spesifikasi model harus selalu didasari oleh ketersediaan argumen teoritis yang logis. Membebaskan korelasi galat antar dua indikator hanya diperbolehkan apabila kedua indikator tersebut memiliki kemiripan struktur kalimat pada kuesioner atau mengukur dimensi spesifik yang sama di dalam satu variabel laten.

\n

Dengan menggabungkan analisis diagnostik matriks residual terstandar, modifikasi sintaks SIMPLIS yang terarah, serta pemahaman landasan teori yang kuat, peneliti dapat menyelesaikan kendala nilai RMSEA tinggi dan Chi-Square signifikan secara valid serta dapat dipertanggungjawabkan dalam publikasi ilmiah.

\n

Kesimpulan

\n

Nilai RMSEA yang tinggi dan Chi-Square yang signifikan pada analisis LISREL SIMPLIS umumnya bersumber dari sensitivitas ukuran sampel yang besar serta adanya korelasi antar galat indikator yang belum diakomodasi oleh spesifikasi awal model. Penanganan masalah ini dapat dilakukan secara sistematis melalui penambahan sintaks korelasi galat (*error correlation*) pada berkas SIMPLIS Project (.spj) berdasarkan petunjuk residual terstandar dan indeks modifikasi.

\n

Modifikasi sintaks harus dilakukan secara bijak dengan mempertahankan landasan teoritis model, menghindari korelasi galat lintas konstruk, serta mengevaluasi keselarasan secara holistik menggunakan kombinasi rasio Chi-Square/df, RMSEA, CFI, dan SRMR guna menjamin keabsahan inferensi statistik yang dihasilkan.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-11T20:59:52+07:00", "date_modified": "2026-09-11T20:59:52+07:00" }, { "id": "https://statistikian.net/perbedaan-cpls-dengan-pls-dan-cbootstrapping-dengan-bootstrapping-pada-smartpls-4-dan-solusi-pemilihannya/", "url": "https://statistikian.net/perbedaan-cpls-dengan-pls-dan-cbootstrapping-dengan-bootstrapping-pada-smartpls-4-dan-solusi-pemilihannya/", "title": "Perbedaan cPLS dengan PLS dan cBootstrapping dengan Bootstrapping pada SmartPLS 4 dan Solusi Pemilihannya", "summary": "Dalam pengujian model persamaan struktural menggunakan SmartPLS 4, banyak peneliti menghadapi kebingungan…", "content_html": "
\n

Dalam pengujian model persamaan struktural menggunakan SmartPLS 4, banyak peneliti menghadapi kebingungan saat menentukan perbedaan cPLS dengan PLS dan cBootstrapping dengan Bootstrapping pada SmartPLS 4 dan solusi pemilihannya, terutama ketika menemukan pesan kesalahan cPLS algorithm did not converge atau non-positive definite covariance matrix. Gejala masalah ini biasanya muncul saat pengguna mencoba mengaplikasikan algoritma Consistent PLS (cPLS) pada model yang memiliki konstruk formatif, sampel berukuran terbatas, atau indikator dengan nilai reliabilitas yang rendah.

\n

Permasalahan kian rumit ketika peneliti secara tidak sengaja mencampuradukkan algoritma perhitungan, seperti menjalankan eksekusi cPLS pada tahap estimasi dasar namun memilih prosedur Bootstrapping standar tanpa opsi konsistensi (*cBootstrapping*) pada tahap uji hipotesis. Ketidakcocokan kombinasi ini mengakibatkan nilai *standard error* membengkak secara tidak wajar, p-value menjadi bias, dan koefisien jalur (*path coefficient*) berfluktuasi secara tidak stabil sehingga menghasilkan inferensi statistik yang keliru.

\n\n
Pohon Masalah: Penyebab Utama Kegagalan Estimasi cPLS & Mismatch Bootstrapping Kesalahan Pemilihan Algoritma PLS vs cPLS & Bootstrapping cPLS pada Konstruk Formatif (Error Non-Convergence / Matrix) cPLS + Bootstrapping Standar (Bias Standard Error & P-Value) cPLS pada Sampel Kecil / CR < 0.7 (Inflasi Varians & Instabilitas) Solusi & Catatan Teknis: Gunakan PLS Standar untuk model komposit / formatif Solusi & Catatan Teknis: Wajib pasangkan cPLS dengan cBootstrapping pada SmartPLS 4 Solusi & Catatan Teknis: Tingkatkan reliabilitas item / beralih ke PLS komposit cPLS mengoreksi atenuasi khusus Common Factor Model; PLS Standar bekerja berbasis Komposit.
\n

Secara metodologis, Partial Least Squares Structural Equation Modeling (PLS-SEM) tradisional dirancang sebagai teknik estimasi berbasis komposit (composite-based estimator). Menurut Hair et al. (2021), PLS tradisional mengasumsi bahwa variabel laten terbentuk sebagai gabungan linier dari indikator-indikatornya, sehingga cenderung menghasilkan estimasi *outer loadings* yang lebih tinggi (*overestimation*) dan estimasi *path coefficients* yang sedikit lebih rendah (*underestimation*) ketika memodelkan *common factor*.

\n

Untuk menjembatani perbedaan antara PLS-SEM berbasis komposit dengan Covariance-Based SEM (CB-SEM) berbasis faktor, Dijkstra dan Henseler (2015) mengembangkan algoritma *Consistent PLS* (cPLS). cPLS menerapkan faktor koreksi atenuasi pada matriks korelasi variabel laten reflektif, sehingga menghasilkan estimasi parameter yang konsisten dan identik secara asimptotik dengan hasil CB-SEM tanpa kehilangan fleksibilitas khas PLS.

\n

Perbedaan mendasar juga berlaku pada tahap pengujian signifikansi inferensial. Prosedur *Bootstrapping* standar melakukan penarikan sampel ulang (*resampling*) untuk menghitung *standard error* berbasis estimasi komposit. Sementara itu, *Consistent Bootstrapping* (cBootstrapping) menghitung ulang faktor koreksi atenuasi cPLS pada setiap subsampel *bootstrap*, sehingga menghasilkan simpangan baku yang akurat untuk estimasi parameter yang telah dikoreksi (Dijkstra & Henseler, 2015).

\n

Penggunaan cPLS dan cBootstrapping sangat bergantung pada landasan teori ontologi konstruk. Apabila penelitian bertujuan menguji teori dengan kerangka *Common Factor Model* (di mana semua indikator bersifat reflektif murni), cPLS menjadi pilihan tepat. Namun jika penelitian berorientasi pada prediksi (*out-of-sample prediction*) atau melibatkan indikator formatif, PLS standar adalah metode yang paling valid (Sarstedt et al., 2016).

\n

Pemahaman yang kokoh mengenai landasan teori model komposit dan faktor konfirmatori di statistikian.com dapat membantu peneliti memahami fondasi matematis dibalik koreksi atenuasi sebelum menentukan opsi analisis pada antarmuka SmartPLS 4.

\n

Berikut adalah panduan teknis terstruktur untuk memilih dan mengeksekusi metode PLS/cPLS beserta Bootstrapping/cBootstrapping secara tepat di SmartPLS 4.

\n

Pertama, periksa jenis indikator pada seluruh variabel laten di dalam diagram jalur SmartPLS 4. Pastikan tidak ada satu pun variabel yang berkarakteristik formatif jika Anda berencana memilih algoritma cPLS.

\n

Kedua, jika model Anda memuat kombinasi indikator reflektif dan formatif (*mixed model*) atau variabel *higher-order construct* tipe formatif, tetapkan pilihan analisis pada algoritma **PLS-SEM** standar dan pasangkan dengan **Bootstrapping** standar.

\n

Ketiga, jika seluruh konstruk bersifat reflektif murni, jalankan evaluasi awal reliabilitas indikator melalui algoritma PLS dasar. Pastikan nilai *Composite Reliability* (rho_c) dan *Dijkstra-Henseler's rho* (rho_A) untuk setiap konstruk berada di atas angka 0.70.

\n

Keempat, apabila syarat reliabilitas terpenuhi dan tujuan utama penelitian adalah pengujian teori faktor (*factor model testing*), buka menu *Calculate* di SmartPLS 4 dan pilih opsi **Consistent PLS-SEM Algorithm** (cPLS).

\n

Kelima, pada jendela konfigurasi cPLS, periksa kriteria penghentian (*Stop Criterion*). Atur nilai ambang batas pada (10 Pangkat -7) dan maksimum iterasi sebanyak 300 untuk menjamin konvergensi perhitungan yang presisi.

\n

Keenam, setelah perhitungan cPLS berhasil tanpa *error*, lanjutkan ke tahap uji hipotesis. Buka menu *Calculate* dan pilih opsi **Consistent Bootstrapping** (cBootstrapping).

\n

Ketujuh, pastikan Anda **TIDAK** memilih menu *Bootstrapping* biasa ketika estimasi awal menggunakan cPLS. Pasangan algoritma harus selalu konsisten: cPLS dipasangkan dengan cBootstrapping, sedangkan PLS biasa dipasangkan dengan Bootstrapping biasa.

\n

Kedelapan, atur jumlah subsampel *cBootstrapping* sebanyak 5.000 subsampel, pilih opsi *Bias-Corrected and Accelerated (BCa) Bootstrap*, serta gunakan pengujian dua arah (*two-tailed*) pada tingkat signifikansi 5 persen.

\n

Kesembilan, apabila eksekusi cPLS mengalami kegagalan konvergensi (*non-convergence*), periksa kembali ukuran sampel data. cPLS mensyaratkan ukuran sampel yang relatif lebih besar dibandingkan PLS komposit untuk mencapai kestabilan estimasi.

\n

Kesepuluh, jika terjadi *non-convergence* pada cPLS akibat sampel terbatas, gugurkan indikator reflektif yang memiliki *outer loading* di bawah 0.70 atau beralihlah kembali ke algoritma PLS-SEM standar dengan memberikan justifikasi berbasis *composite modeling* pada bab metodologi penelitian.

\n\n
Pohon Keputusan (Decision Tree): Pemilihan Algoritma PLS vs cPLS di SmartPLS 4 Evaluasi Karakteristik Model & Indikator Semua Konstruk Reflektif Murni?           TIDAK (Formatif/Mix) PILIH METODE: PLS Stdr + Bootstrapping YA rho_A & CR > 0.70 & Sampel Cukup? TIDAK PILIH METODE: PLS Stdr + Bootstrapping YA Fokus: Factor Model / Uji Teori? YA PILIH METODE: cPLS + cBootstrapping TIDAK (Prediksi) PILIH METODE: PLS Standar + Bootstrapping
\n

Contoh Tabel/Diagram Output Comparison of PLS vs cPLS and Bootstrapping vs cBootstrapping

\n\n
Hasil Perbandingan Output Estimasi PLS Standar vs Consistent PLS (cPLS) Parameter & Jalur Hubungan PLS + Bootstrapping cPLS + cBootstrapping Keterangan & Dampak Koreksi Outer Loading (X1.1 -> X1) 0.812 0.895 cPLS Koreksi Underestimation Path Coefficient (X1 -> Y1) 0.385 0.442 cPLS Koreksi Atenuasi Bias Standard Error (X1 -> Y1) 0.045 0.062 cBootstrapping Penyesuaian Varians P-Value (X1 -> Y1) 0.000 0.000 Kedua Metode Konsisten Signifikan Ringkasan Implikasi Hasil Perhitungan: • Nilai koefisien jalur cPLS (0.442) lebih tinggi daripada PLS standar (0.385) karena faktor atenuasi terukur secara presisi. • Penggunaan cBootstrapping menghasilkan Standard Error yang lebih realistis untuk populasi berbasis Common Factor. Perhitungan dilakukan pada sampel N=250 dengan kriteria konvergensi 10^-7 dan 5000 subsampel bootstrapping.
\n

Tabel output perbandingan di atas memperlihatkan perbedaan sistematis antara estimasi menggunakan algoritma PLS standar dipadu Bootstrapping standar dengan algoritma Consistent PLS (cPLS) dipadu Consistent Bootstrapping (cBootstrapping) pada SmartPLS 4.

\n

Pada baris pertama, nilai *outer loading* untuk indikator reflektif **X1.1** meningkat dari 0.812 pada PLS standar menjadi 0.895 pada cPLS. Peningkatan ini terjadi karena cPLS mengoreksi kecenderungan kecacatan komposit yang secara alami menurunkan estimasi muatan faktor pada model *common factor*.

\n

Pada baris kedua, nilai *path coefficient* dari variabel **X1** ke **Y1** mengalami penyesuaian naik dari 0.385 menjadi 0.442. Dalam PLS-SEM tradisional, nilai koefisien jalur sering kali mengalami bias penurunan (*underestimation*) akibat ketidaksempurnaan pengukuran (*measurement error*). cPLS secara efektif mengoreksi atenuasi tersebut sehingga angka yang dihasilkan setara dengan estimasi CB-SEM.

\n

Baris ketiga dan keempat menunjukkan evaluasi uji hipotesis. Nilai *standard error* pada cBootstrapping (0.062) tercatat sedikit lebih tinggi dibandingkan Bootstrapping standar (0.045). Kenaikan *standard error* ini merupakan konsekuensi logis dari perhitungan variabilitas tambahan selama proses koreksi atenuasi di setiap subsampel, namun nilai p-value tetap konsisten signifikan pada tingkat 0.000.

\n

Secara akademis, perdebatan antara penggunaan PLS komposit dan cPLS dikaji secara mendalam oleh Rigdon (2012; 2016). Rigdon menegaskan bahwa PLS tradisional tidak boleh dianggap cacat hanya karena tidak menghasilkan angka yang sama dengan CB-SEM, sebab komposit dan faktor konfirmatori adalah dua paradigma pengukuran yang secara fundamental berbeda.

\n

Henseler et al. (2014) mengemukakan bahwa cPLS diciptakan bukan untuk menggantikan PLS komposit secara keseluruhan, melainkan untuk memberikan opsi bagi peneliti yang ingin melakukan uji teori berbasis faktor (*factor model empirical testing*) tanpa harus beralih ke perangkat lunak CB-SEM yang mensyaratkan asumsi distribusi normal multivariat yang ketat.

\n

Dalam laporan penelitian ilmiah, Sarstedt et al. (2016) menyarankan agar peneliti selalu menyampaikan alasan metodologis secara transparan ketika memilih cPLS atau PLS standar. Jika fokus penelitian adalah evaluasi *predictive relevance* dan pengembangan konsep eksploratif, PLS komposit tetap menjadi rekomendasi utama.

\n

Dengan memahami karakteristik matematis cPLS dan cBootstrapping serta memilih kombinasi algoritma yang tepat di SmartPLS 4, peneliti dapat menyajikan hasil analisis struktural yang valid, bebas dari bias estimasi, dan memenuhi standar publikasi internasional.

\n

Kesimpulan

\n

Pemilihan antara cPLS dengan PLS standar serta cBootstrapping dengan Bootstrapping biasa pada SmartPLS 4 sepenuhnya bergantung pada ontologi konstruk dan tujuan penelitian. cPLS beserta cBootstrapping dirancang khusus untuk mengoreksi bias atenuasi pada *Common Factor Model* dengan indikator reflektif murni, sedangkan PLS standar dan Bootstrapping biasa sangat unggul untuk model berbasis komposit, indikator formatif, serta pemodelan berorientasi prediksi.

\n

Penggunaan pasangan algoritma yang konsisten—yaitu cPLS dengan cBootstrapping atau PLS standar dengan Bootstrapping standar—merupakan syarat mutlak untuk mencegah timbulnya bias *standard error* dan p-value. Peneliti disarankan untuk selalu memeriksa reliabilitas konstruk dan kecukupan ukuran sampel sebelum menetapkan cPLS sebagai metode estimasi utama.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:54:27+07:00", "date_modified": "2026-09-11T19:54:27+07:00" }, { "id": "https://statistikian.net/cara-memilih-jenis-indikator-reflektif-ataukah-formatif-pada-pls-sem-second-order-dengan-smartpls-4-dan-solusinya/", "url": "https://statistikian.net/cara-memilih-jenis-indikator-reflektif-ataukah-formatif-pada-pls-sem-second-order-dengan-smartpls-4-dan-solusinya/", "title": "Cara Memilih Jenis Indikator Reflektif Ataukah Formatif pada PLS SEM Second Order dengan SmartPLS 4 dan Solusinya", "summary": "Saat memodelkan variabel higher-order construct di SmartPLS 4, kesalahan dalam menentukan cara…", "content_html": "
\n

Saat memodelkan variabel higher-order construct di SmartPLS 4, kesalahan dalam menentukan cara memilih jenis indikator reflektif ataukah formatif pada PLS SEM second order sering mengakibatkan munculnya warning error seperti singular matrix, nilai outer loading bernilai negatif, atau nilai Variance Inflation Factor (VIF) indikator melambung tinggi di atas 5. Kesalahan spesifikasi ini (construct misspecification) tidak hanya menggagalkan konvergensi algoritma PLS path, tetapi juga merusak validitas konstruk pada tingkat first-order maupun second-order.

\n

Gejala umum yang dialami peneliti mencakup nilai t-statistik indikator formatif yang tidak signifikan (p-value > 0.05) pada saat outer weights diuji, atau nilai outer loadings reflektif yang merosot di bawah 0.70 akibat dipaksakan masuk ke dalam konstruk yang sebenarnya berkarakteristik formatif. Ketika peneliti keliru menetapkan hubungan antar dimensi ke variabel second-order (misalnya menentukan Type I, Type II, Type III, atau Type IV), estimasi bobot jalur (path coefficient) pada inner model menjadi bias dan dapat menyebabkan sign reversal di mana arah hubungan struktural berubah secara mendadak dari positif menjadi negatif.

\n\n
Pohon Masalah: Dampak Kesalahan Spesifikasi Indikator Reflektif vs Formatif Salah Spesifikasi Model Indikator (Construct Misspecification) Reflektif Dipaksakan Formatif (VIF > 5 & Weight Tidak Signifikan) Formatif Dipaksakan Reflektif (Outer Loading Rendah < 0.70) Salah Tipe Second-Order (Singular Matrix & Bias Path) Solusi & Catatan Teknis: Evaluasi Jarvis Kriteria Causal; kembalikan ke model reflektif Solusi & Catatan Teknis: Gunakan Redundancy Analysis & uji Outer Loading >= 0.50 Solusi & Catatan Teknis: Gunakan Extended Two-Stage Approach pada SmartPLS 4 Penentuan sifat indikator harus berlandaskan kerangka teoritis kausalitas, bukan sekadar penyesuaian angka statistik.
\n

Pengukuran dalam pemodelan persamaan struktural berbasis varians (PLS-SEM) terbagi menjadi dua paradigma utama, yaitu model reflektif dan model formatif. Menurut Jarvis et al. (2003), penentuan sifat hubungan antara indikator manifest dan variabel laten ditentukan oleh arah kausalitas ontologis yang mendasarinya.

\n

Pada model reflektif, variabel laten diasumsikan sebagai sebab yang memancarkan pengaruh ke indikator-indikatornya. Oleh karena itu, indikator bersifat saling menggantikan (interchangeable), memiliki korelasi antar-indikator yang sangat tinggi, serta berbagi domain konseptual yang sama (Coltman et al., 2008). Jika satu indikator dihilangkan, makna konseptual dari variabel laten tidak akan berubah.

\n

Sebaliknya, pada model formatif, indikator-indikator bertindak sebagai pembentuk atau penyusun variabel laten. Arah panah kausalitas mengalir dari indikator menuju ke variabel laten. Indikator formatif tidak harus saling berkorelasi dan tidak bersifat menggantikan, karena setiap indikator menangkap dimensi atau aspek spesifik yang unik dari variabel laten (Diamantopoulos & Winklhofer, 2001). Penghapusan satu indikator formatif akan secara langsung mengubah definisi dan cakupan makna dari variabel laten tersebut.

\n

Dalam pemodelan variabel orde kedua (higher-order constructs), kombinasi spesifikasi pada tingkat first-order (Lower-Order Construct / LOC) dan second-order (Higher-Order Construct / HOC) menghasilkan empat taksonomi utama: Type I (Reflective-Reflective), Type II (Reflective-Formative), Type III (Formative-Reflective), dan Type IV (Formative-Formative) (Becker et al., 2012). Pemahaman mendalam mengenai landasan teori indikator reflektif dan formatif di statistikian.com dapat membantu peneliti memahami perbedaan konseptual mendasar ini sebelum melangkah ke eksekusi software.

\n

Kesalahan dalam mengklasifikasikan hubungan ini (construct misspecification) dapat memicu konsekuensi teoretis dan praktis yang serius. Hair et al. (2021) menegaskan bahwa memaksakan indikator formatif menjadi reflektif akan mengabaikan varians penting yang membentuk konstruk, sedangkan memaksakan indikator reflektif menjadi formatif akan memicu multikolinearitas ekstrim antar indikator.

\n

Berikut adalah langkah-langkah teknis mandiri yang terstruktur untuk mengidentifikasi, memilih, dan memperbaiki spesifikasi indikator reflektif versus formatif pada PLS-SEM second order menggunakan SmartPLS 4.

\n

Pertama, lakukan evaluasi kausalitas teoritis menggunakan kerangka kriteria Jarvis. Ajukan pertanyaan mendasar: Apakah indikator didefinisikan sebagai gejala yang disebabkan oleh laten (reflektif), ataukah sebagai variabel penyusun yang membentuk laten (formatif)?

\n

Kedua, periksa matriks korelasi antar-indikator pada output SmartPLS 4. Jika korelasi antar indikator sangat tinggi (di atas 0.70) dan memiliki item yang homogen, indikator tersebut secara alami cenderung berkarakteristik reflektif.

\n

Ketiga, jika indikator bersifat formatif, periksa nilai Variance Inflation Factor (VIF) pada tabel Outer VIF Values. Nilai VIF indikator formatif idealnya berada di bawah 3.3 untuk menghindari masalah multikolinearitas berat. Jika nilai VIF berada di antara 3.3 hingga 5.0, periksa korelasi spesifiknya, dan jika VIF melebihi 5.0, indikator yang redundan harus dieliminasi atau digabungkan.

\n

Keempat, jalankan prosedur Bootstrapping dengan 5.000 subsamples di SmartPLS 4 untuk mengevaluasi signifikansi outer weights pada indikator formatif. Jika p-value dari outer weight kurang dari 0.05, maka indikator formatif terbukti memiliki kontribusi relatif yang signifikan secara statistik.

\n

Kelima, jika outer weight indikator formatif tidak signifikan (p-value > 0.05), jangan langsung menghapus indikator tersebut. Periksa nilai outer loading indikator tersebut pada tabel output *Outer Loadings*.

\n

Keenam, sesuai dengan panduan Hair et al. (2021), apabila outer loading indikator formatif tersebut mencapai nilai 0.50 atau lebih, indikator harus tetap dipertahankan di dalam model karena memiliki kontribusi absolut yang penting bagi konstruk.

\n

Ketujuh, apabila outer weight tidak signifikan dan nilai outer loading berada di bawah 0.50, lakukan uji signifikansi pada outer loading tersebut. Jika outer loading juga tidak signifikan secara statistik, maka indikator formatif tersebut dapat dikeluarkan dari model.

\n

Kedelapan, untuk variabel *second-order*, tentukan pendekatan estimasi yang tepat di SmartPLS 4. Untuk model Type I (Reflective-Reflective), pendekatan *Repeated Indicators Approach* dapat langsung digunakan. Namun untuk Type II (Reflective-Formative) dan Type IV (Formative-Formative), sangat disarankan menggunakan *Extended Two-Stage Approach*.

\n

Kesembilan, pada tahap pertama *Extended Two-Stage Approach*, ekstrak nilai *latent variable scores* dari dimensi *first-order* (LOC). Pada tahap kedua, gunakan nilai *scores* tersebut sebagai indikator pembentuk variabel *second-order* (HOC).

\n

Kesepuluh, lakukan pengujian validitas konvergen untuk konstruk formatif melalui *Redundancy Analysis*. Hubungkan konstruk formatif dengan satu indikator global berukuran tunggal (global single-item measure) dan pastikan nilai koefisien jalur (*path coefficient*) mencapai minimal 0.70.

\n\n
Pohon Keputusan (Decision Tree): Penentuan Indikator Reflektif vs Formatif Evaluasi Sifat Indikator & Kausalitas Arah Kausal: Laten -> Indikator? YA Model Reflektif Uji Loading >= 0.70 & AVE TIDAK (Indikator -> Laten) Outer VIF < 3.3? TIDAK Aksi: Kolinearitas Eliminasi / Reduksi Item YA Outer Weight Signifikan? YA Formatif Diterima Kontribusi Relatif Signifikan TIDAK Cek Loading >= 0.50 Pertahankan jika Absolut Tinggi
\n

Contoh Tabel/Diagram Output Measurement Model Specification Comparison

\n\n
Hasil Uji Spesifikasi Measurement Model pada SmartPLS 4 Konstruk / Indikator Sifat Skenario Weight / Loading Outer VIF P Value Keputusan & Status X1.1 -> Kapasitas Inovasi (LOC) Formatif 0.412 (Weight) 1.842 0.008 Valid & Signifikan X1.2 -> Kapasitas Inovasi (LOC) Formatif 0.095 (Weight) 5.821 0.341 Gugurkan (Multikolinearitas) Kinerja Organisasi -> Y1.1 Reflektif 0.845 (Loading) 2.110 0.000 Valid & Reliabel Kap. Inov. -> Ori. Strategis (HOC) Type II HOC 0.521 (Weight) 2.204 0.001 HOC Formatif Valid Ringkasan Interpretasi Evaluasi Model Pengukuran: • Indikator formatif X1.2 mengalami multikolinearitas tinggi (VIF = 5.821 > 5) dan p-value tidak signifikan, wajib dieliminasi. • Spesifikasi Type II Higher-Order Construct berhasil diestimasi dengan Extended Two-Stage Approach secara stabil. Pengujian outer weight formatif menggunakan sampel bootstrapping N=5000 pada tingkat signifikansi alpha 0.05.
\n

Tabel output di atas memperlihatkan perbandingan hasil pengujian outer model untuk indikator reflektif, indikator formatif, serta hubungan variabel *first-order* ke *second-order* pada SmartPLS 4.

\n

Pada baris pertama, indikator formatif **X1.1** terhadap konstruk *first-order* **Kapasitas Inovasi** menunjukkan nilai *outer weight* sebesar 0.412, nilai VIF sebesar 1.842 (di bawah 3.3), serta p-value sebesar 0.008. Angka p-value yang berada di bawah 0.05 mengonfirmasi bahwa indikator X1.1 memiliki kontribusi relatif yang signifikan sebagai pembentuk Kapasitas Inovasi.

\n

Sebaliknya, baris kedua yang ditandai dengan kotak merah memperlihatkan indikator formatif **X1.2**. Indikator ini menghasilkan *outer weight* yang sangat kecil (0.095), nilai p-value yang tidak signifikan (0.341), serta nilai Outer VIF yang tinggi mencapai 5.821 (melebihi ambang batas toleransi 5.0). Kondisi multikolinearitas ekstrim ini menyebabkan estimasi bobot menjadi tidak stabil, sehingga X1.2 disarankan untuk dieliminasi dari model.

\n

Baris ketiga menampilkan evaluasi indikator reflektif **Y1.1** terhadap variabel **Kinerja Organisasi**. Hasil analisis menunjukkan nilai *outer loading* sebesar 0.845 (di atas ambang batas 0.70) dengan p-value 0.000, yang membuktikan bahwa indikator tersebut sangat valid dan reliabel secara reflektif.

\n

Pada baris keempat, hasil evaluasi hubungan *first-order* **Kapasitas Inovasi** menuju variabel *second-order* **Orientasi Strategis** (Type II HOC) menghasilkan nilai *weight* sebesar 0.521, VIF sebesar 2.204, dan p-value 0.001. Hasil ini mengonfirmasi bahwa dimensi Kapasitas Inovasi secara valid membentuk variabel *higher-order* Orientasi Strategis pada tingkat struktural sekunder.

\n

Pembatasan dan pemilihan jenis indikator tidak boleh semata-mata didasarkan pada manipulasi angka statistik untuk mengejar nilai fit model. Diamantopoulos dan Siguaw (2006) menekankan bahwa mengubah indikator formatif menjadi reflektif hanya karena terjadi masalah multikolinearitas adalah bentuk pelanggaran metodologis yang serius, karena akan merusak landasan teoretis dari variabel yang diteliti.

\n

Dalam praktik pemodelan PLS-SEM modern, Sarstedt et al. (2019) menyarankan agar peneliti mendokumentasikan alasan teoretis penetapan spesifikasi indikator sejak tahap rancangan kuesioner. Penggunaan argumen kausalitas logis harus mendahului seluruh rangkaian uji empiris di SmartPLS 4.

\n

Lebih lanjut, Wright et al. (2012) menyatakan bahwa penerapan *Extended Two-Stage Approach* pada variabel *second-order* berkarakter formatif memberikan hasil estimasi yang jauh lebih bias-free dibandingkan metode *Repeated Indicators Approach* konvensional, terutama ketika ukuran sampel tergolong moderat.

\n

Dengan memahami karakteristik kausalitas indikator, mematuhi pengujian VIF serta *outer weights/loadings*, dan menerapkan pendekatan dua tahap yang tepat pada SmartPLS 4, peneliti dapat menyusun model PLS SEM *second order* yang tangguh, valid secara teoritis, dan akurat secara statistik.

\n

Kesimpulan

\n

Memilih jenis indikator reflektif atau formatif pada pemodelan PLS SEM *second order* dengan SmartPLS 4 memerlukan landasan teoritis yang kokoh mengenai arah kausalitas antar variabel laten dan indikatornya. Pengujian empiris seperti nilai VIF, signifikansi *outer weights*, dan besaran *outer loadings* berfungsi sebagai prosedur konfirmasi teknis untuk memastikan tidak terjadi masalah multikolinearitas maupun kesalahan spesifikasi model.

\n

Penggunaan *Extended Two-Stage Approach* terbukti menjadi solusi efektif dalam mengatasi potensi bias estimasi pada variabel *higher-order construct* yang bersifat formatif. Peneliti dihimbau untuk tetap mempertahankan integritas konseptual indikator dan menghindari tindakan paksaan spesifikasi semata-mata demi mencapai angka signifikansi statistik.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:39:55+07:00", "date_modified": "2026-09-11T19:39:55+07:00" }, { "id": "https://statistikian.net/cara-membaca-output-inner-model-pada-pls-sem-second-order-dengan-smartpls-4-dan-solusi-permasalahannya/", "url": "https://statistikian.net/cara-membaca-output-inner-model-pada-pls-sem-second-order-dengan-smartpls-4-dan-solusi-permasalahannya/", "title": "Cara Membaca Output Inner Model pada PLS SEM Second Order dengan SmartPLS 4 dan Solusi Permasalahannya", "summary": "Dalam pengujian hubungan struktural, pemahaman mengenai cara membaca output inner model PLS…", "content_html": "
\n

Dalam pengujian hubungan struktural, pemahaman mengenai cara membaca output inner model PLS SEM second order pada SmartPLS 4 sering kali menjadi kendala utama bagi peneliti ketika menemukan koefisien jalur yang bernilai sangat kecil, nilai p-value melebihi 0.05, atau nilai t-statistik berada di bawah 1.96. Permasalahan ini kian membingungkan saat nilai evaluasi outer model telah dinyatakan valid dan reliabel, namun hasil pengujian hipotesis pada variabel tingkat kedua justru tidak signifikan atau memiliki arah hubungan yang berlawanan dengan teori.

\n

Gejala kegagalan pada evaluasi inner model variabel orde kedua ini umumnya ditandai oleh nilai R-square variabel endogen yang sangat rendah, ukuran efek f-square yang mendekati nol, serta tingginya nilai Variance Inflation Factor di antara dimensi-dimensi pembentuk variabel higher-order construct. Keterkaitan antar dimensi yang mengalami multikolinearitas berat akan menyedot varians utama sehingga mengganggu kestabilan estimasi hubungan struktural antar variabel laten utama di dalam model.

\n\n
Pohon Masalah: Penyebab Utama Kegagalan Inner Model PLS-SEM Second Order Evaluasi Inner Model Second Order Tidak Signifikan / Bias Path Coefficient p-value > 0.05 (Hubungan Tidak Signifikan) R-Square Sangat Rendah (Daya Prediksi Model Lemah) Multikolinearitas / VIF > 3.3 (Distorsi Estimasi Jalur) Solusi & Catatan Teknis: Evaluasi ukuran sampel & f-square; gunakan bootstrapping 5000 subsample Solusi & Catatan Teknis: Tambahkan variabel mediasi atau variabel eksogen pendukung lain Solusi & Catatan Teknis: Eliminasi/gabungkan dimensi yang saling tumpang tindih Evaluasi inner model mensyaratkan terbebasnya model dari kolinearitas serta terpenuhinya relevansi prediktif.
\n

Pengujian inner model atau model struktural dalam PLS-SEM bertujuan untuk menguji hipotesis hubungan kausal antar variabel laten yang dibangun berdasarkan teori. Menurut Hair et al. (2021), evaluasi model struktural berfokus pada kemampuan prediktif model serta kekuatan hubungan antar konstruksi yang ditunjukkan oleh nilai koefisien jalur.

\n

Pada model yang melibatkan variabel orde kedua, proses evaluasi jalur menjadi lebih sensitif. Sarstedt et al. (2019) mengemukakan bahwa penentuan pendekatan estimasi, seperti *repeated indicators approach* atau *two-stage approach*, secara langsung memengaruhi cara ekstraksi skor variabel laten dan besaran koefisien jalur yang dihasilkan pada tingkat struktural.

\n

Penggunaan pendekatan dua tahap terbukti lebih dianjurkan saat mengevaluasi inner model variabel orde kedua karena mampu memisahkan estimasi pengukuran dimensi dengan estimasi struktural utama. Langkah ini mencegah terjadinya pembiasan nilai *R-square* pada variabel orde kedua yang berperan sebagai variabel endogen di dalam model.

\n

Kriteria utama dalam menilai kelayakan inner model meliputi pemeriksaan koefisien determinasi *R-square*, ukuran efek *f-square*, nilai *Variance Inflation Factor* struktural, serta signifikansi koefisien jalur melalui nilai t-statistik dan p-value (Chin, 1998). Selain itu, pengujian daya prediksi out-of-sample menggunakan metode *PLSpredict* atau *Q-square predict* juga diwajibkan untuk mengonfirmasi keandalan prediktif model.

\n

Bagi peneliti yang ingin mempelajari prinsip teoretis pemodelan hubungan kausal dan pengujian hipotesis regresi secara terperinci, pembahasan mendalam mengenai landasan teori pemodelan persamaan struktural di statistikian.com dapat dijadikan acuan konseptual sebelum melakukan analisis teknis.

\n

Prosedur pemeriksaan dan perbaikan teknis dalam membaca output inner model variabel orde kedua di SmartPLS 4 dapat dilaksanakan melalui langkah-langkah terstruktur berikut.

\n

Pertama, periksa nilai *Variance Inflation Factor* struktural pada tabel output *Inner Model VIF Values*. Pastikan seluruh nilai VIF antar variabel eksogen maupun antar dimensi berada di bawah ambang batas 3.3 untuk memastikan tidak ada masalah multikolinearitas lateral yang mengganggu estimasi koefisien jalur.

\n

Kedua, lakukan pengujian signifikansi koefisien jalur dengan menjalankan prosedur *Bootstrapping* menggunakan konfigurasi 5.000 *subsamples*, metode *bias-corrected and accelerated bootstrap*, serta pilihan pengujian *two-tailed* pada tingkat signifikansi 5 persen.

\n

Ketiga, evaluasi nilai t-statistik dan p-value pada tabel *Path Coefficients*. Hubungan struktural dinyatakan signifikan secara statistik apabila nilai t-statistik lebih besar dari 1.96 dan nilai p-value lebih kecil dari 0.05.

\n

Keempat, jika ditemukan jalur hubungan yang tidak signifikan, jangan terburu-buru menghapus variabel eksogen tersebut. Periksa nilai ukuran efek *f-square* pada tabel output *f-square* untuk menilai kontribusi relatif variabel tersebut terhadap pembentukan nilai *R-square* variabel endogen.

\n

Kelima, klasifikasikan besaran nilai *f-square* berdasarkan kriteria Cohen (1988), di mana nilai 0.02 menandakan efek kecil, 0.15 menandakan efek sedang, dan 0.35 menandakan efek besar. Apabila nilai *f-square* kurang dari 0.02, maka variabel eksogen dianggap tidak memiliki kontribusi praktis terhadap variabel endogen.

\n

Keenam, periksa nilai *R-square* dan *R-square adjusted* pada variabel endogen utama. Nilai *R-square* menggambarkan persentase varians variabel endogen yang dapat dijelaskan oleh kombinasi variabel eksogen *second-order* di dalam model.

\n

Ketujuh, jalankan prosedur *PLSpredict* di SmartPLS 4 untuk mengevaluasi relevansi prediktif *Q-square predict*. Pastikan nilai *Q-square predict* pada indikator kunci bernilai lebih besar dari nol.

\n

Kedelapan, bandingkan nilai *Root Mean Squared Error* dari model PLS-SEM dengan model *Linear Regression benchmark*. Jika mayoritas indikator variabel endogen pada model PLS memiliki nilai *RMSE* yang lebih kecil, maka model memiliki daya prediksi yang tinggi.

\n

Kesembilan, apabila terjadi masalah *sign reversal* di mana tanda koefisien jalur berlawanan dengan teori, lakukan evaluasi korelasi bivariate antar variabel eksogen untuk mendeteksi multikolinearitas tersembunyi.

\n

Kesepuluh, pastikan penyesuaian model struktural tetap berlandaskan pada kerangka teoretis yang kuat dan tidak hanya didasarkan pada upaya manipulasi statistik belaka.

\n\n
Pohon Keputusan (Decision Tree): Evaluasi & Perbaikan Inner Model Mulai Evaluasi Inner Model VIF Inner Model < 3.3? TIDAK Aksi: Multikolinearitas Gabung / Gugurkan Dimensi YA p-value < 0.05 & t > 1.96? TIDAK Aksi: Cek f-square & Ukuran Sampel Data YA Q-square predict > 0? YA Model Diterima Daya Prediksi High/Moderate TIDAK Aksi: Restrukturisasi Kerangka Mediasi Model
\n

Contoh Tabel/Diagram Output Evaluation of Inner Model Structural Path

\n\n
Hasil Evaluasi Inner Model Structural Path Coefficients & Effect Size Jalur Hubungan Struktural Original Sample T Statistics P Values f-Square Keterangan Kual. Layanan (HOC) -> Kepuasan Pelanggan 0.452 5.214 0.000 0.245 Signifikan (Sedang) Kual. Layanan (HOC) -> Loy. Pelanggan 0.084 1.120 0.263 0.009 Tidak Signifikan Kepuasan Pelanggan -> Loyalitas Pelanggan 0.612 7.845 0.000 0.482 Signifikan (Besar) Ringkasan Nilai Determinasi (R-Square & R-Square Adjusted): • Kepuasan Pelanggan: R-Square = 0.524 | R-Square Adjusted = 0.518 (Kategori Moderat) • Loyalitas Pelanggan: R-Square = 0.681 | R-Square Adjusted = 0.675 (Kategori Kuat) Uji hipotesis dilakukan pada tingkat signifikansi 5% (t-tabel = 1.96). Jalur tidak signifikan dievaluasi melalui peran mediasi. Pengaruh Kualitas Layanan ke Loyalitas Pelanggan terbukti bermediasi penuh melalui Kepuasan Pelanggan.
\n

Tabel output di atas memperlihatkan hasil analisis hubungan struktural antar variabel laten yang mencakup nilai koefisien sampel asli, t-statistik, p-value, serta besaran ukuran efek *f-square* dan koefisien determinasi *R-square*.

\n

Pada jalur hubungan pertama antara variabel **Kualitas Layanan** sebagai variabel *higher-order construct* terhadap **Kepuasan Pelanggan**, diperoleh nilai koefisien sampel sebesar 0.452 dengan t-statistik sebesar 5.214 dan p-value sebesar 0.000. Karena nilai p-value jauh di bawah 0.05, maka hipotesis yang menyatakan bahwa Kualitas Layanan berpengaruh positif dan signifikan terhadap Kepuasan Pelanggan dinyatakan diterima.

\n

Sebaliknya, pada baris kedua yang ditandai warna merah, hubungan langsung antara **Kualitas Layanan** terhadap **Loyalitas Pelanggan** menghasilkan nilai koefisien sampel sebesar 0.084 dengan t-statistik 1.120 dan p-value 0.263. Angka ini menunjukkan bahwa pengaruh langsung variabel *second-order* tersebut tidak signifikan secara statistik pada tingkat kepercayaan 95 persen.

\n

Meskipun hubungan langsungnya tidak signifikan, nilai *f-square* pada jalur Kualitas Layanan ke Loyalitas Pelanggan tercatat sebesar 0.009 (kurang dari 0.02), yang mengonfirmasi bahwa variabel Kualitas Layanan memang tidak memberikan kontribusi langsung secara praktis dalam menjelaskan varians Loyalitas Pelanggan tanpa melalui variabel pemediasi.

\n

Pada jalur ketiga, variabel **Kepuasan Pelanggan** terhadap **Loyalitas Pelanggan** menunjukkan pengaruh yang sangat kuat dan signifikan dengan koefisien sampel 0.612, t-statistik 7.845, dan nilai *f-square* sebesar 0.482. Hal ini mengindikasikan bahwa Kepuasan Pelanggan bertindak sebagai variabel pemediasi penuh (*full mediation*) yang menjembatani pengaruh Kualitas Layanan terhadap Loyalitas Pelanggan.

\n

Nilai *R-square* untuk Kepuasan Pelanggan sebesar 0.524 menunjukkan bahwa 52.4 persen varians Kepuasan Pelanggan dapat dijelaskan oleh variabel Kualitas Layanan *second-order*. Sementara itu, nilai *R-square* Loyalitas Pelanggan sebesar 0.681 menandakan daya jelaskan kombinasi model struktural tergolong dalam kategori kuat.

\n

Penyajian dan evaluasi *inner model* pada variabel orde kedua secara ilmiah mensyaratkan pemisahan tegas antara dampak langsung dan tidak langsung. Henseler et al. (2015) menegaskan bahwa temuan jalur langsung yang tidak signifikan tidak serta-merta menggugurkan peran variabel *higher-order*, melainkan sering kali mengindikasikan adanya mekanisme penyaluran pengaruh yang bersifat tidak langsung.

\n

Dalam perspektif metodologis, Rigdon (2012) menjelaskan bahwa interpretasi *R-square* pada model PLS-SEM harus disesuaikan dengan konteks disiplin ilmu. Nilai *R-square* sebesar 0.26 dapat dikategorikan substansial dalam penelitian perilaku konsumen, sedangkan dalam penelitian operasi teknis, ambang batas yang dibutuhkan umumnya lebih tinggi.

\n

Kock dan Lynn (2012) menambahkan bahwa ketidakmampuan model dalam menghasilkan jalur yang signifikan sering dipicu oleh *lateral collinearity*, di mana dua variabel eksogen bersaing secara sangat ketat dalam menjelaskan variabel endogen. Oleh karena itu, pemeriksaan matriks VIF struktural di SmartPLS 4 menjadi langkah penapis awal yang tidak boleh dilewati.

\n

Shmueli et al. (2019) menggarisbawahi pentingnya pergeseran fokus dari sekadar *p-value testing* menuju *predictive evaluation*. Model struktural yang baik tidak hanya dituntut memiliki jalur-jalur yang signifikan, tetapi juga harus terbukti mampu melakukan prediksi out-of-sample dengan tingkat kesalahan yang lebih rendah dibandingkan model linier pembanding.

\n

Dengan menerapkan kaidah pembacaan output yang tepat, melakukan pengujian ukuran efek secara komprehensif, serta mengevaluasi jalur mediasi secara cermat, analisis *inner model* PLS-SEM *second-order* pada SmartPLS 4 dapat disajikan secara akademis, kredibel, dan berdaya guna tinggi.

\n

Kesimpulan

\n

Membaca output inner model PLS-SEM second-order pada SmartPLS 4 membutuhkan evaluasi holistik yang tidak hanya tertuju pada nilai p-value semata. Peneliti harus mengintegrasikan pemeriksaan nilai VIF struktural untuk memastikan bebas multikolinearitas, mengevaluasi besaran nilai *f-square* untuk mengukur kontribusi praktis, serta menilai nilai *R-square* dan *Q-square predict* guna mengonfirmasi daya prediksi model.

\n

Temuan koefisien jalur yang tidak signifikan pada variabel orde kedua sering kali merupakan petunjuk adanya alur mediasi penuh atau masalah kolinearitas antar dimensi. Dengan mengikuti panduan perbaikan berbasis prosedur ilmiah yang tepat, validitas konseptual dan daya prediksi dari model struktural yang dibangun dapat dipertanggungjawabkan secara sempurna.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:32:17+07:00", "date_modified": "2026-09-11T19:32:17+07:00" }, { "id": "https://statistikian.net/memahami-masalah-validitas-reliabilitas-pls-sem-second-order-dengan-smartpls-4-dan-solusinya/", "url": "https://statistikian.net/memahami-masalah-validitas-reliabilitas-pls-sem-second-order-dengan-smartpls-4-dan-solusinya/", "title": "Memahami Masalah Validitas Reliabilitas PLS SEM Second Order dengan SmartPLS 4 dan Solusinya", "summary": "Saat melakukan evaluasi model pengukuran pada variabel tingkat tinggi, peneliti sering kali…", "content_html": "
\n

Saat melakukan evaluasi model pengukuran pada variabel tingkat tinggi, peneliti sering kali dihadapkan pada hasil pengujian yang tidak memenuhi syarat, seperti nilai Average Variance Extracted di bawah 0.50, skor reliabilitas komposit yang tidak terhitung, atau nilai Heterotrait-Monotrait Ratio antar dimensi yang melebihi batas toleransi. Kegagalan dalam proses pengujian validitas reliabilitas PLS SEM second order pada SmartPLS 4 umumnya dipicu oleh ketidakcermatan dalam mengeliminasi indikator bermasalah pada tingkat dimensi pertama sebelum melakukan estimasi pada variabel tingkat kedua.

\n

Gejala permasalahan ini biasanya ditandai dengan munculnya nilai skor reliabilitas bernilai kosong atau NaN pada tabel output Construct Reliability and Validity untuk variabel orde kedua yang bersifat formatif, atau nilai pembebanan luar yang sangat rendah pada dimensi pembentuknya. Jika tahap pembersihan indikator pada tingkat pertama diabaikan, bias pengukuran akan merambat ke tingkat kedua sehingga menggagalkan pengujian validitas konvergen maupun validitas diskriminan seluruh model struktural.

\n\n
Pohon Masalah: Penyebab Utama Kegagalan Validitas Reliabilitas PLS-SEM Second Order Validitas & Reliabilitas Second Order (HOC) Gagal AVE HOC < 0.50 (Varian Indikator Rendah) HTMT Antar LOC > 0.90 (Overlap Konseptual Dimensi) Reliabilitas Blank / NaN (Salah Spesifikasi Formatif) Solusi & Catatan Teknis: Eliminasi indikator LOC dengan outer loading < 0.40 terlebih dahulu Solusi & Catatan Teknis: Gabungkan dimensi redundan atau gugurkan item overlapping Solusi & Catatan Teknis: Evaluasi HOC formatif dengan VIF & Redundancy Analysis Pengujian outer model harus diselesaikan secara hierarkis dari tingkat dimensi ke tingkat variabel utama.
\n

Pengujian model pengukuran atau outer model pada struktur variabel orde kedua memiliki kompleksitas ganda dibandingkan dengan variabel orde pertama. Evaluasi tidak hanya dilakukan untuk menilai keterlibatan indikator manifest terhadap dimensi tingkat pertama, tetapi juga menilai sejauh mana dimensi-dimensi tersebut mampu mengukur konstruksi tingkat kedua secara konsisten dan valid.

\n

Menurut Hair et al. (2021), validitas konvergen mengukur sejauh mana sebuah indikator atau dimensi berkorelasi positif dengan variabel laten sejenis. Pada tingkat pertama, validitas konvergen ditunjukkan oleh nilai outer loading di atas 0.708 dan Average Variance Extracted di atas 0.50. Apabila kriteria ini terpenuhi pada tingkat dimensi, maka varian empiris dari indikator dianggap telah terserap dengan baik oleh masing-masing konstruksi pembentuknya.

\n

Sarstedt et al. (2019) mengemukakan bahwa kesalahan paling umum dalam evaluasi variabel orde kedua adalah menerapkan kriteria reliabilitas tradisional pada variabel orde kedua yang memiliki sifat pengukuran formatif. Ketika hubungan dari dimensi ke variabel utama bersifat formatif, indikator tidak dituntut untuk saling berkorelasi secara tinggi, sehingga ukuran reliabilitas seperti Cronbach Alpha dan Composite Reliability tidak relevan untuk digunakan.

\n

Untuk variabel orde kedua yang bersifat reflektif-reflektif, evaluasi reliabilitas konsistensi internal tetap diwajibkan. Henseler et al. (2015) menegaskan bahwa pengujian validitas diskriminan antar dimensi tingkat pertama menggunakan matriks Heterotrait-Monotrait Ratio sangat krusial. Nilai rasio di atas 0.90 menandakan adanya diskriminasi yang buruk antar dimensi, yang berarti bahwa dimensi-dimensi tersebut mengukur hal yang sama dan memicu masalah multikolinearitas pada variabel tingkat kedua.

\n

Bagi Anda yang ingin mendalami landasan teoretis mengenai pengujian validitas dan reliabilitas instrumen secara umum, Anda dapat membaca landasan teori validitas dan reliabilitas penelitian di statistikian.com untuk memahami prinsip pengukuran variabel sebelum melangkah ke tahap pengujian pemodelan struktural.

\n

Prosedur perbaikan dan evaluasi teknis pengujian outer model pada variabel orde kedua di SmartPLS 4 dapat diselesaikan secara sistematis melalui langkah-langkah terstruktur berikut.

\n

Pertama, lakukan evaluasi validitas konvergen pada tingkat dimensi pertama terlebih dahulu. Buka tabel Outer Loadings pada output analisis model pertama. Identifikasi indikator manifest yang memiliki nilai pembebanan di bawah 0.40 dan lakukan eliminasi secara bertahap pada indikator-indikator tersebut.

\n

Kedua, untuk indikator yang memiliki nilai pembebanan antara 0.40 hingga 0.708, jangan terburu-buru menghapusnya. Periksa dampak eliminasi terhadap nilai Average Variance Extracted dan reliabilitas komposit dari dimensi terkait. Jika penghapusan indikator meningkatkan nilai statistik di atas batas minimal 0.50, maka indikator tersebut layak dikeluarkan dari model.

\n

Ketiga, pastikan seluruh dimensi tingkat pertama telah memenuhi nilai minimal Average Variance Extracted sebesar 0.50 dan Composite Reliability sebesar 0.70 sebelum melangkah ke evaluasi variabel orde kedua. Langkah ini menjamin bahwa skor variabel laten yang diekstrak terbebas dari kesalahan pengukuran sistematis.

\n

Keempat, periksa matriks Heterotrait-Monotrait Ratio antar dimensi tingkat pertama. Jika terdapat dua dimensi yang memiliki nilai rasio melebihi 0.90, evaluasi isi dari indikator-indikator pembentuknya. Jika secara konseptual item pertanyaan sangat mirip, pertimbangkan untuk menggabungkan kedua dimensi tersebut menjadi satu dimensi tunggal.

\n

Kelima, tentukan kriteria evaluasi yang sesuai dengan spesifikasi variabel orde kedua di SmartPLS 4. Untuk tipe reflektif-reflektif, lakukan pengujian nilai pembebanan dari variabel tingkat kedua ke dimensi-dimensinya serta periksa kembali nilai Average Variance Extracted gabungan pada tingkat kedua.

\n

Keenam, untuk tipe reflektif-formatif, abaikan nilai reliabilitas komposit pada variabel tingkat kedua. Alihkan evaluasi pada nilai Variance Inflation Factor antar dimensi. Pastikan nilai toleransi berada di bawah 3.0 untuk menghindari multikolinearitas berat antar dimensi pembentuk variabel orde kedua.

\n

Ketujuh, jalankan prosedur Bootstrapping untuk menilai signifikansi bobot luar dari dimensi ke variabel tingkat kedua. Pastikan nilai t-statistik berada di atas 1.96 atau nilai p-value di bawah 0.05 untuk memastikan bahwa tiap dimensi memberikan kontribusi yang nyata.

\n\n
Pohon Keputusan (Decision Tree): Evaluasi Validitas & Reliabilitas Second Order Mulai Evaluasi Outer Model AVE Dimensi LOC ≥ 0.50? TIDAK Aksi: Eliminasi Item Loading < 0.40 / < 0.70 YA HTMT Antar LOC < 0.90? TIDAK Aksi: Gabungkan Dimensi atau Hapus Item Overlap YA Sifat HOC Reflektif? YA Cek AVE ≥ 0.50 & Composite Rel ≥ 0.70 TIDAK (Formatif) Cek VIF < 3.0 & Signifikansi Weight
\n

Contoh Tabel/Diagram Output Validitas Reliabilitas PLS SEM Second Order

\n\n
Hasil Evaluasi Outer Model Construct Reliability and Validity (Stage 2) Variabel / Dimensi Cronbach Alpha Composite Rel (rho_a) Composite Rel (rho_c) AVE Kualitas Produk (LOC 1) 0.842 0.848 0.894 0.679 Kualitas Layanan (LOC 2) 0.810 0.815 0.875 0.637 Keadilan Harga (LOC 3) 0.785 0.790 0.861 0.608 Nilai Pelanggan (HOC Reflektif) 0.865 0.870 0.918 0.585 Kepuasan Lanjutan (HOC Formatif) N/A N/A N/A N/A (Cek VIF) Catatan: Nilai N/A pada HOC Formatif adalah kondisi normal karena evaluasi formatif didasarkan pada VIF dan Weight. Seluruh nilai AVE dimensi > 0.50 dan Composite Reliability > 0.70 memenuhi syarat validitas & reliabilitas.
\n

Tabel output di atas menyajikan gambaran komprehensif dari hasil evaluasi kriteria validitas dan reliabilitas pada variabel orde kedua beserta dimensi-dimensinya. Pembacaan tabel ini memisahkan antara pengujian variabel orde pertama (LOC) dan variabel orde kedua (HOC) berdasarkan sifat pengukurannya.

\n

Pada tingkat dimensi pertama, variabel Kualitas Produk, Kualitas Layanan, dan Keadilan Harga menunjukkan kinerjanya yang sangat baik. Nilai Average Variance Extracted untuk ketiga dimensi tersebut masing-masing bernilai 0.679, 0.637, dan 0.608. Karena seluruh nilai berada jauh di atas ambang batas 0.50, maka dapat disimpulkan bahwa lebih dari 50 persen varians indikator berhasil dijelaskan oleh masing-masing dimensinya, yang membuktikan terpenuhinya validitas konvergen.

\n

Aspek reliabilitas konsistensi internal dimensi tingkat pertama juga memenuhi syarat mutlak. Nilai Composite Reliability (rho_c) berkisar antara 0.861 hingga 0.894, yang mana berada di atas kriteria minimal 0.70. Hal ini mengonfirmasi bahwa indikator-indikator pada tingkat dimensi memiliki tingkat keandalan yang tinggi dalam mengukur konstruksinya.

\n

Pada baris variabel orde kedua **Nilai Pelanggan** yang dikonfigurasi secara reflektif, nilai Average Variance Extracted tercatat sebesar 0.585 dengan Composite Reliability sebesar 0.918. Hasil ini menegaskan bahwa konstruksi tingkat kedua yang bersifat reflektif tersebut valid dan reliabel dalam menyerap varians dari ketiga dimensi pembentuknya.

\n

Sementara itu, pada baris **Kepuasan Lanjutan** yang bersifat formatif, output menampilkan keterangan *N/A* atau tidak terhitung. Kondisi ini bukan merupakan kesalahan sistem, melainkan penandaan yang tepat bahwa variabel formatif tidak dievaluasi menggunakan kriteria kovarians dan homogenitas internal, melainkan menggunakan uji multikolinearitas dan signifikansi bobot luar.

\n

Secara akademis, pemisahan kaidah evaluasi antara model reflektif dan formatif pada tingkat variabel orde kedua didasarkan pada asumsi ontologis pembentukan variabel laten. Chin (1998) menggarisbawahi bahwa variabel reflektif mengasumsikan bahwa perubahan pada konstruksi laten akan memicu perubahan pada seluruh indikator atau dimensinya, sehingga korelasi antar item menjadi prasyarat utama.

\n

Sebaliknya, pada model formatif, variabel laten dianggap sebagai gabungan atau akibat dari dimensi-dimensi yang membentuknya. Diamantopoulos dan Siguaw (2006) menyatakan bahwa menghapus sebuah dimensi pada variabel formatif sama artinya dengan mengubah definisi konseptual dari variabel tersebut, sehingga pengujian reliabilitas tradisional menjadi tidak tepat untuk diterapkan.

\n

Cheah et al. (2020) menyoroti pentingnya pengujian validitas diskriminan pada tingkat variabel orde kedua saat menggunakan pendekatan dua tahap. Peneliti harus memastikan bahwa variabel orde kedua terbukti unik dan tidak memiliki korelasi yang terlalu tinggi dengan variabel endogen lain dalam model struktural.

\n

Penggunaan kriteria matriks Heterotrait-Monotrait Ratio pada variabel tingkat kedua terbukti lebih sensitif dalam mendeteksi masalah validitas diskriminan dibandingkan kriteria tradisional Fornell-Larcker. Jika nilai rasio antar variabel tingkat kedua melebihi 0.85, maka daya pembeda antar variabel laten dianggap kurang kuat.

\n

Untuk penanganan mendalam mengenai pengujian hipotesis, efek mediasi, dan interpretasi jalur struktural secara rinci, Anda dapat merujuk pada artikel analisis mediasi dan moderasi PLS-SEM di statistikian.com yang mengulas kaidah struktural secara sistematis.

\n

Dengan melakukan pemeriksaan teratur pada tingkat dimensi, memilih kriteria evaluasi yang sesuai dengan sifat pengukuran, serta melaporkan hasil statistik sesuai standar baku internasional, validitas dan reliabilitas pemodelan PLS-SEM *second-order* dapat dipertanggungjawabkan secara sempurna.

\n

Kesimpulan

\n

Evaluasi validitas dan reliabilitas pada pemodelan PLS-SEM *second-order* membutuhkan pendekatan berjenjang yang memisahkan pengujian tingkat dimensi (LOC) dan tingkat variabel utama (HOC). Kunci utama keberhasilan evaluasi terletak pada pembersihan indikator bermasalah pada tingkat dimensi pertama sebelum mengekstrak skor laten ke tingkat kedua.

\n

Peneliti harus cermat dalam menerapkan kriteria statistik yang sesuai dengan sifat pengukuran variabel orde kedua. Konstruksi orde kedua yang bersifat reflektif dievaluasi melalui nilai AVE dan Composite Reliability, sedangkan konstruksi yang bersifat formatif dievaluasi melalui nilai VIF dan signifikansi Outer Weight, sehingga terhindar dari kesalahan penafsiran output pada SmartPLS 4.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:27:25+07:00", "date_modified": "2026-09-11T19:27:25+07:00" }, { "id": "https://statistikian.net/tutorial-pls-sem-second-order-dengan-smartpls-4-dan-solusi-berbagai-permasalahannya/", "url": "https://statistikian.net/tutorial-pls-sem-second-order-dengan-smartpls-4-dan-solusi-berbagai-permasalahannya/", "title": "Tutorial PLS SEM Second Order dengan SmartPLS 4 dan Solusi Berbagai Permasalahannya", "summary": "Dalam pemodelan persamaan struktural berbasis varians, kendala teknis yang paling sering membingungkan…", "content_html": "
\n

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.

\n

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.

\n\n
Pohon Masalah: Penyebab Utama Kegagalan Model Second Order pada SmartPLS 4 Output Second Order (HOC) Distorsi / Error Multikolinearitas Ekstrem (VIF LOC ke HOC > 5.0) Singular Matrix / Error (Overlapping Indikator Repeated) R-Square LOC Nilai 1.000 (Varian LOC Terjelaskan 100%) Solusi & Catatan Teknis: Gunakan Extended Two-Stage Approach pada SmartPLS 4 Solusi & Catatan Teknis: Pisahkan analisis Stage 1 dan Stage 2 secara independen Solusi & Catatan Teknis: Ekstrak Latent Variable Scores sebagai indikator baru HOC Model Komponen Hierarkis (HCM) membutuhkan pemisahan tahap estimasi untuk menjaga independensi matematis.
\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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).

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n\n
Pohon Keputusan (Decision Tree): Pemilihan Metode Second Order PLS-SEM Mulai Spesifikasi Model HCM Tipe Reflektif-Reflektif? YA Gunakan Repeated Indicators Approach TIDAK (Reflektif-Formatif) Gunakan Repeated Indicator? YA ERROR: Collinearity & R-Square = 1.000 TIDAK (Solusi Tepat) Eksekusi Extended Two-Stage Approach: 1. Ekstrak Skor Laten LOC pada Stage 1 2. Gunakan Skor Laten sebagai Indikator HOC pada Stage 2
\n

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

\n\n
Hasil Estimasi Model Structural Second Order (Tipe Reflektif-Formatif) Kualitas Produk (LOC 1) Kualitas Layanan (LOC 2) Keadilan Harga (LOC 3) Weight = 0.412* Weight = 0.385* Weight = 0.310* Nilai Pelanggan (HOC) Path Coeff = 0.645* (p-value < 0.001) Loyalitas Merek R² = 0.416 *Signifikan pada tingkat alpha 5% (p-value < 0.05) berdasarkan 5.000 subsampel bootstrapping.
\n

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).

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

Kesimpulan

\n

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*.

\n

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.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:22:16+07:00", "date_modified": "2026-09-11T19:22:16+07:00" }, { "id": "https://statistikian.net/tutorial-ipma-importance-performance-map-analysis-dengan-smartpls-4-dan-solusi-permasalahannya/", "url": "https://statistikian.net/tutorial-ipma-importance-performance-map-analysis-dengan-smartpls-4-dan-solusi-permasalahannya/", "title": "Tutorial IPMA (Importance Performance Map Analysis) dengan SmartPLS 4 dan Solusi Permasalahannya", "summary": "Saat menjalankan analisis lanjutan pada model jalur PLS-SEM, kendala teknis yang paling…", "content_html": "
\n

Saat menjalankan analisis lanjutan pada model jalur PLS-SEM, kendala teknis yang paling sering memicu kebingungan pengguna adalah munculnya notifikasi IPMA results are unavailable atau hasil skor kinerja (performance score) yang bernilai tidak valid pada menu output. Pelaksanaan Tutorial IPMA dengan SmartPLS 4 sering kali terhenti secara mendadak karena perangkat lunak gagal mengkalkulasi matriks efek total tidak terstandardisasi (unstandardized total effects) akibat ketidaksesuaian batas skala indikator yang dimasukkan ke dalam sistem.

\n

Gejala permasalahan ini biasanya ditandai dengan grafik peta matriks yang tampak kosong, nilai rentang kinerja yang tidak berada pada skala nol hingga seratus, atau tombol menu Importance-Performance Map Analysis yang berwarna abu-abu dan tidak dapat diklik. Apabila konfigurasi variabel laten maupun *scale bounds* pada data mentah belum disetting secara presisi saat *data setup*, algoritma SmartPLS 4 secara otomatis membatalkan kalkulasi IPMA demi mencegah bias estimasi yang merusak interpretasi penelitian.

\n\n
Pohon Masalah: Penyebab Utama Kegagalan Analisis IPMA pada SmartPLS 4 Output IPMA Gagal / Tidak Valid Scale Bounds Belum Diset (Min & Max Tidak Terdefinisi) Arah Skala Tidak Konsisten (Terdapat Reverse Coding Item) Algoritma Non-Konvergen (Missing Value / Multikolinearitas) Solusi & Catatan Teknis: Input batas minimum (misal: 1) & maksimum (misal: 5) pada data Solusi & Catatan Teknis: Lakukan re-code pada indikator negatif sebelum running model Solusi & Catatan Teknis: Terapkan imputasi data hilang & eliminasi item indikator terdistorsi Sistem SmartPLS 4 membutuhkan skala metriks terstandar untuk menghitung nilai kinerja laten (0-100).
\n

Secara metodologis, *Importance-Performance Map Analysis* (IPMA) merupakan perluasan fungsi analitis dalam pemodelan persamaan struktural berbasis *Partial Least Squares* (PLS-SEM). Teknik ini menggabungkan dua dimensi analitis utama, yaitu dimensi kepentingan (*importance*) yang diwakili oleh efek total tidak terstandardisasi (unstandardized total effects) dan dimensi kinerja (*performance*) yang dihitung dari rata-rata nilai variabel laten yang discaled-ulang ke dalam rentang nol hingga seratus.

\n

Penggabungan kedua dimensi tersebut memungkinkan peneliti untuk tidak hanya mengetahui variabel independen mana yang berpengaruh secara signifikan terhadap variabel dependen, tetapi juga memahami sejauh mana tingkat kinerja aktual dari masing-masing pendorong (*drivers*) tersebut. Dengan demikian, IPMA menyajikan informasi kuantitatif yang sangat berharga untuk penentuan prioritas perbaikan manajerial secara praktis dan terarah.

\n

Menurut Hair et al. (2018), analisis regresi atau PLS-SEM konvensional hanya berfokus pada besarnya koefisien jalur untuk menjelaskan hubungan antar variabel. Namun, besarnya efek total tidak secara otomatis menggambarkan tingkat keberhasilan implementasi di lapangan. Ringle dan Sarstedt (2016) menegaskan bahwa tanpa mengevaluasi nilai kinerja aktual, rekomendasi strategis yang dihasilkan dari model PLS-SEM berisiko menjadi tidak realistis atau salah sasaran.

\n

Sebagai ilustrasi, sebuah konstruksi mungkin memiliki efek total (*importance*) yang sangat tinggi terhadap kepuasan pelanggan. Akan tetapi, jika skor kinerja (*performance*) konstruksi tersebut sudah mencapai nilai sembilan puluh lima dari skala seratus, maka peningkatan investasi lebih lanjut pada area tersebut hanya akan memberikan dampak marginal yang sangat kecil. Pemahaman mendalam mengenai konsep dasar PLS-SEM di statistikian.com sangat disarankan agar Anda memiliki fondasi teori yang kokoh mengenai pembentukan variabel laten dan estimasi model jalur sebelum melangkah ke tahap IPMA.

\n

Langkah transformasi skala dari instrumen kuesioner asli (misalnya skala Likert 1 hingga 5 atau 1 hingga 7) menjadi rentang 0 hingga 100 pada IPMA dilakukan untuk menyelaraskan seluruh variabel agar dapat diperbandingkan secara adil. Proses *rescaling* ini secara matematis menghitung posisi relatif skor rata-rata laten terhadap batas minimum dan maksimum teoritis dari skala pengukuran yang digunakan dalam penelitian.

\n

Untuk mengatasi kendala teknis dan memastikan prosedur IPMA pada SmartPLS 4 berjalan dengan lancar, langkah-langkah perbaikan teknis secara mandiri berikut harus diterapkan berdasarkan prinsip-prinsip metodologis yang tepat.

\n

Pertama, lakukan pemeriksaan pada bagian *Data Setup* di SmartPLS 4. Pastikan setiap variabel indikator yang terikat pada model telah dikonfigurasi batas skala minimum (*scale minimum*) dan batas skala maksimumnya (*scale maximum*). Jika data penelitian menggunakan skala Likert 1 sampai 5, maka isi nilai 1 pada kolom *Min* dan nilai 5 pada kolom *Max*. Alasan ilmiah dari langkah ini adalah karena perhitungan skor kinerja IPMA memerlukan penjelas batas teoritis untuk mengubah nilai skala interval menjadi rentang persentase 0-100 secara akurat.

\n

Kedua, periksa konsistensi arah pengkodingan item indikator (indicator coding direction). Apabila dalam kuesioner terdapat pertanyaan negatif (*reverse-coded items*), indikator tersebut wajib dibalik nilainya terlebih dahulu sebelum algoritma PLS dijalankan. Ketidakselarasan arah indikator akan menyebabkan bobot luar (outer weights) bernilai negatif dan merusak kalkulasi efek total tidak terstandardisasi yang menjadi sumbu *importance*.

\n

Ketiga, pastikan algoritma PLS-SEM utama telah mencapai konvergensi penuh (stop criterion reached) sebelum membuka fitur IPMA. Jika estimasi model dasar belum konvergen akibat multikolinearitas ekstrem atau *missing values* yang berlebihan, SmartPLS 4 secara otomatis akan menonaktifkan modul kalkulasi IPMA. Lakukan penanganan data hilang dengan metode *mean imputation* atau hapus observasi yang memiliki pola *missing data* secara sistematis.

\n

Keempat, tentukan satu variabel target (*target construct*) yang menjadi fokus analisis di dalam menu konfigurasi IPMA. IPMA tidak dapat dijalankan secara bersamaan untuk seluruh variabel laten dalam model, melainkan harus diorientasikan pada satu variabel laten endogen tertentu, seperti Kepuasan Pelanggan atau Loyalitas Merek.

\n

Kelima, periksa skala instrumen pada variabel dependen. Seluruh indikator dari variabel prediktor maupun variabel target harus diukur menggunakan skala metrik atau kuasi-metrik yang seragam. Penggunaan indikator kategorial atau biner pada model akan menggagalkan logika *rescaling* persentase kinerja.

\n\n
Pohon Keputusan (Decision Tree): Pemecahan Masalah Eksekusi IPMA SmartPLS 4 Mulai Jalankan IPMA Scale Bounds Terisi? TIDAK Error IPMA / Skor NaN Aksi: Set Min & Max pada Menu Data Setup YA PLS Converged? TIDAK Model Tidak Stabil Aksi: Imputasi Missing Data & Cek Multikolinearitas YA Output IPMA Berhasil Ditampilkan (Matriks & Diagram Kuadran Valid)
\n

Contoh Tabel/Diagram Output Importance Performance Map Analysis

\n\n
Importance-Performance Map (Variabel Target: Kepuasan Pelanggan) KUADRAN IV: BERLEBIHAN (Rendah Importance, Tinggi Performance) KUADRAN II: PERTAHANKAN KINERJA (Tinggi Importance, Tinggi Performance) KUADRAN III: PRIORITAS RENDAH (Rendah Importance, Rendah Performance) KUADRAN I: PRIORITAS UTAMA (Tinggi Importance, Rendah Performance) 30 50 65 80 100 0.00 0.12 0.25 0.37 0.50 Importance (Unstandardized Total Effect) Performance (0 - 100) Kual. Lay. (Imp: 0.39, Perf: 54.2) Citra Merek (Imp: 0.35, Perf: 86.5) Kemudahan Akses (Imp: 0.10, Perf: 48.0) Promosi & Harga (Imp: 0.14, Perf: 82.1)
\n

Grafik di atas menyajikan ilustrasi hasil pemetaan IPMA yang membagi area analisis menjadi empat kuadran berdasarkan nilai rata-rata *importance* dan *performance*. Pembacaan grafik ini dilakukan dengan mengevaluasi posisi koordinat tiap variabel laten prediktor terhadap variabel target.

\n

Kuadran I (Prioritas Utama / *Concentrate Here*) berada pada sisi kanan bawah, menampung variabel yang memiliki nilai *importance* tinggi namun skor *performance* masih rendah. Pada contoh di atas, variabel Kualitas Layanan berada di kuadran ini dengan nilai *importance* 0.39 dan skor *performance* 54.2. Hal ini menunjukkan bahwa Kualitas Layanan merupakan faktor paling krusial dalam mendorong Kepuasan Pelanggan, namun kinerjanya saat ini masih sangat kurang sehingga menjadi area perbaikan utama yang harus segera ditangani oleh manajemen.

\n

Kuadran II (Pertahankan Kinerja Baik / *Keep Up the Good Work*) terletak di sisi kanan atas, diisi oleh variabel dengan *importance* tinggi dan *performance* yang juga tinggi. Variabel Citra Merek terpetakan pada posisi ini dengan *importance* 0.35 dan *performance* 86.5. Artinya, strategi pengelolaan citra merek yang dijalankan saat ini telah terbukti sukses dan harus terus dipertahankan secara konsisten.

\n

Kuadran III (Prioritas Rendah / *Low Priority*) berada di sisi kiri bawah, mencakup variabel dengan nilai *importance* rendah dan *performance* rendah, seperti variabel Kemudahan Akses. Peningkatan pada variabel di kuadran ini tidak akan memberikan dampak signifikan terhadap peningkatan variabel target, sehingga alokasi sumber daya tidak perlu diprioritaskan di sini.

\n

Kuadran IV (Berlebihan / *Possible Overkill*) yang terletak di sisi kiri atas menampung variabel berkinerja tinggi namun memiliki tingkat kepentingan yang rendah, seperti variabel Promosi & Harga (*performance* 82.1, *importance* 0.14). Alokasi anggaran berlebih pada sektor ini sebaiknya dialihkan ke variabel yang berada pada Kuadran I agar efisiensi operasional organisasi dapat tercapai secara maksimal.

\n

Secara akademis, keunggulan analitis IPMA terletak pada kemampuannya mentransformasi temuan statistik terikat menjadi panduan aksi strategis yang terukur. Rigdon et al. (2010) mengemukakan bahwa model struktural tanpa evaluasi deskriptif terhadap tingkat kinerja aktual berisiko menghasilkan rekomendasi teoritis yang tidak aplikatif dalam realitas praktis manajerial.

\n

Dalam praktik penelitian empiris, penyajian hasil IPMA tidak hanya terbatas pada tingkat variabel laten (construct level), melainkan dapat diturunkan hingga tingkat indikator (indicator level). Penilaian pada tingkat indikator memungkinkan peneliti mengidentifikasi item atribut spesifik mana di dalam suatu variabel laten yang paling membutuhkan tindakan perbaikan mendesak.

\n

Kajian Sarstedt et al. (2017) menegaskan pentingnya melakukan validasi kestabilan model struktural terlebih dahulu melalui pengujian *Outer Model* dan *Inner Model* sebelum mengeksekusi analisis IPMA. Nilai keandalan konstruksi seperti *Composite Reliability* dan *Average Variance Extracted* (AVE) harus memenuhi ambang batas yang disyaratkan agar estimasi skor laten tidak mengalami bias.

\n

Selain itu, tingkat ketepatan prediksi model yang diukur melalui R-Square dan Q-Square predict menjadi prasyarat mutlak. Pemetaan IPMA yang didasarkan pada model struktural dengan daya jelaskan rendah akan menghasilkan peta kuadran yang tidak valid dan berisiko menyesatkan pengambil keputusan.

\n

Untuk pemahaman lebih mendalam mengenai kriteria evaluasi model struktural, uji validitas, dan koefisien determinasi, Anda dapat merujuk pada artikel panduan landasan evaluasi PLS-SEM di statistikian.com yang mengulas kaidah kuantitatif secara menyeluruh.

\n

Dengan mengombinasikan ketepatan verifikasi teknis pada kuesioner, penginputan *scale bounds* yang tepat di SmartPLS 4, serta pembacaan peta kuadran IPMA secara cermat, peneliti mampu menghasilkan karya ilmiah yang tidak hanya unggul secara metodologis, tetapi juga memberikan kontribusi manajerial yang nyata dan berdampak tinggi.

\n

Kesimpulan

\n

Penerapan Importance-Performance Map Analysis (IPMA) pada SmartPLS 4 merupakan langkah analitis yang sangat krusial untuk memperluas kegunaan praktis dari pemodelan PLS-SEM. Kendala teknis seperti kegagalan kalkulasi IPMA atau ketidakvalidan skor kinerja umumnya disebabkan oleh belum ditetapkannya batas skala minimum dan maksimum indikator (*scale bounds*) pada konfigurasi data mentah, serta ketidakselarasan arah pengkodingan indikator.

\n

Melalui pengesetan *scale bounds* yang tepat, verifikasi konvergensi algoritma PLS, dan penetapan variabel target secara cermat, peta matriks kuadran IPMA dapat ditampilkan dengan akurat. Peneliti dapat mengidentifikasi variabel atau indikator mana yang masuk ke dalam kuadran prioritas utama (Kuadran I) sehingga alokasi sumber daya dan keputusan manajerial dapat diarahkan secara efektif dan efisien.

\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:14:00+07:00", "date_modified": "2026-09-11T19:14:00+07:00" }, { "id": "https://statistikian.net/panduan-lengkap-uji-pls-mga-multi-group-analysis-menggunakan-smartpls-4-dan-solusi-permasalahannya/", "url": "https://statistikian.net/panduan-lengkap-uji-pls-mga-multi-group-analysis-menggunakan-smartpls-4-dan-solusi-permasalahannya/", "title": "Panduan Lengkap Uji PLS MGA (Multi-Group Analysis) Menggunakan SmartPLS 4 dan Solusi Permasalahannya", "summary": "Menjalankan uji PLS MGA menggunakan SmartPLS 4 kerap menghadapkan peneliti pada situasi…", "content_html": "
\n

Menjalankan uji PLS MGA menggunakan SmartPLS 4 kerap menghadapkan peneliti pada situasi dilematis saat hasil koefisien jalur (path coefficient) secara kasat mata menunjukkan perbedaan sangat besar antar kelompok, namun nilai signifikansi statistik pada output PLS-MGA p-value atau Parametric Test p-value justru berada di atas angka 0.05. Gejala eror lain yang tak kalah membingungkan adalah kegagalan pengujian Measurement Invariance of Composite Models pada algoritma permutasi, yang memicu munculnya pesan peringatan bahwa analisis pembandingan antar grup tidak dapat dilanjutkan secara metodologis.

\n

Permasalahan ini biasanya bersumber dari ketidakseimbangan jumlah sampel antar kelompok yang terlalu ekstrem, ketidaksesuaian struktur indikator pada salah satu sub-sampel, atau pelanggaran asumsi invariasme pengukuran. Jika dipaksakan tanpa penanganan teknis yang ilmiah, perbandingan antar kelompok akan menghasilkan interpretasi yang keliru dan berisiko tinggi ditolak saat proses penelaahan jurnal ilmiah.

\n\n
POHON PERMASALAHAN UJI PLS MGA DALAM SMARTPLS 4 Kendala Analisis PLS Multi-Group Analysis (PLS-MGA): p-value Non-Signifikan Meski Beda Koefisien Besar & Gagal Uji MICOM Penyebab 1: MICOM Gagal Compositional Invariance tidak terpenuhi pada Step 2 Penyebab 2: Sampel Imbalans Rasio ukuran sampel antar kelompok melebihi 1 banding 3 Penyebab 3: Non-Normality Varians data antar kelompok sangat heterogen dan menceng SOLUSI & TATA CARA PERBAIKAN DI SMARTPLS 4 1. Jalankan pengujian MICOM 3 tahap secara berurutan menggunakan Algoritma Permutasi. 2. Gunakan uji Welch-Satterthwaite jika terjadi ketidakseimbangan varians dan ukuran sampel. 3. Terapkan Henseler PLS-MGA non-parametrik dengan subsampel bootstrap 5.000 hingga 10.000.
\n\n

Konsep Teori Analisis Multi-Group (PLS-MGA) dan Pentingnya MICOM

\n

Uji Multi-Group Analysis dalam kerangka kerja Partial Least Squares Structural Equation Modeling bertujuan untuk mengevaluasi apakah hubungan antar variabel laten yang dihipotesiskan berbeda secara signifikan ketika dibedakan berdasarkan kualifikasi kelompok kategorikal tertentu, seperti jenis kelamin, wilayah operasional, atau segmen konsumen (Henseler et al., 2009).

\n

Dasar-dasar konseptual mengenai estimasi variabel laten dan konstruksi model struktural disajikan secara komprehensif pada artikel teori PLS SEM di www.statistikian.com. Pemahaman dasar ini sangat krusial untuk membedakan antara estimasi model pengukuran tunggal dan pembandingan antar sub-sampel.

\n

Sebelum membandingkan koefisien jalur antar kelompok, pengujian kecocokan instrumen melalui prosedur MICOM merupakan syarat mutlak. Henseler, Ringle, dan Sarstedt (2016) menegaskan bahwa membandingkan koefisien regresi struktural tanpa membuktikan invariasme pengukuran ibarat membandingkan apel dan jeruk. Perbedaan koefisien jalur yang terdeteksi bisa jadi bukan berasal dari fenomena empiris yang sebenarnya, melainkan akibat perbedaan makna konsep instrumen antar kelompok.

\n

Prosedur pengujian MICOM dalam SmartPLS 4 terbagi ke dalam tiga tingkatan sistematis:

\n

1. Configural Invariance (Tahap 1)
Memastikan bahwa seluruh kelompok menggunakan model konseptual, indikator pengukuran, serta algoritma pemrosesan yang identik.

\n

2. Compositional Invariance (Tahap 2)
Memastikan bahwa skor komposit variabel laten yang dibentuk pada masing-masing kelompok memiliki korelasi sempurna dengan nilai estimasi keseluruhan (nilai korelasi c bernilai 1).

\n

3. Equal Means and Variances (Tahap 3)
Mengevaluasi apakah rata-rata komposit dan varians antar kelompok bernilai sama. Jika Tahap 1 dan Tahap 2 terpenuhi, instrumen dikatakan memiliki partial measurement invariance dan analisis MGA sudah sah untuk dijalankan (Hair et al., 2018).

\n\n

Panduan Langkah-Langkah Teknis Pengujian PLS-MGA di SmartPLS 4

\n

Berikut alur kerja praktis dan tepat sasaran untuk mengeksekusi uji PLS-MGA serta menyelesaikan kendala hasilnya pada aplikasi SmartPLS 4:

\n

Langkah 1: Pembentukan Variabel Kelompok (Data Grouping)
Buka dataset di SmartPLS 4, klik menu Generate Groups pada kolom variabel kategorikal (misalnya Gender: 0 = Pria, 1 = Wanita). Pastikan nama grup terdefinisi dengan jelas.

\n

Langkah 2: Menjalankan Algoritma Permutasi MICOM
Buka model struktural, pilih menu Calculate -> Permutation Algorithm. Pilih variabel kelompok yang telah dibuat pada bagian Group variable. Tetapkan nilai permutasi minimal 1.000.

\n

Langkah 3: Evaluasi Hasil Compositional Invariance (MICOM Step 2)
Periksa output MICOM -> Step 2. Perhatikan nilai Original Correlation dan nilai p pada kolom Permutation p-values. Jika nilai p > 0.05, maka compositional invariance terpenuhi.

\n

Langkah 4: Penanganan Jika MICOM Step 2 Gagal
Jika nilai p < 0.05 pada indikator tertentu, lakukan evaluasi outer loadings per grup. Hapus indikator yang memiliki perbedaan bobot sangat jauh antar kelompok guna memulihkan kesetaraan komposit.

\n

Langkah 5: Menjalankan MGA Bootstrapping Analysis
Kembali ke lembar kerja model, pilih menu Calculate -> PLS-MGA. Pilih variabel kelompok dan tentukan Group A serta Group B yang akan dibandingkan.

\n

Langkah 6: Pengaturan Sub-sampel Bootstrapping
Atur jumlah subsampel Bootstrapping minimal 5.000 (disarankan 10.000 untuk sampel kompleks) dengan metode Complete Bootstrapping dan tipe pengujian dua arah (Two-tailed).

\n

Langkah 7: Memilih Metode Evaluasi MGA yang Tepat
SmartPLS 4 menyediakan beberapa pilihan output MGA. Pilih metode pengujian berdasarkan kondisi sampel:

\n

* Henseler's PLS-MGA: Cocok untuk data non-parametrik dengan ukuran sampel seimbang.
* Parametric Test: Tepat jika varians data antar kelompok homogen dan distribusi data mendekati normal.
* Welch-Satterthwaite Test: Sangat direkomendasikan jika ukuran sampel dan varians antar kelompok tidak seimbang.

\n

Langkah 8: Membaca Nilai p-value PLS-MGA
Buka output PLS-MGA -> Path Coefficients Comparison. Perhatikan kolom p-value. Beda koefisien jalur terbukti signifikan jika nilai p < 0.05 (atau p < 0.025 / p > 0.975 pada pendekatan non-parametrik Henseler).

\n

Langkah 9: Mengatasi Masalah Ukuran Sampel Imbalans
Jika rasio jumlah anggota grup melebihi 1:3 (misalnya Grup A = 40, Grup B = 180), ambil acak sub-sampel dari kelompok besar (random subsampling) atau utamakan acuan nilai pada uji Welch-Satterthwaite (Matthews, 2017).

\n

Langkah 10: Menyusun Pelaporan Hasil Akhir
Sajikan hasil evaluasi MICOM beserta tabel perbandingan koefisien jalur dan nilai signifikansinya secara sistematis dalam laporan riset.

\n\n
DECISION TREE SOLUSI UJI PLS-MGA SMARTPLS 4 Mulai: Jalankan Permutation Algorithm (MICOM Test) di SmartPLS 4 Apakah Step 2 Compositional Invariance Terpenuhi (p > 0.05)? TIDAK (GAGAL) Hapus Indikator Non-Invarian (Atau Lakukan Re-spesifikasi Outer Model Per Grup) YA Invarians Terpenuhi (Lanjut ke Kalkulasi PLS-MGA) Apakah Rasio Ukuran Sampel Antar Kelompok Seimbang (< 1:3)? YA Gunakan Henseler PLS-MGA (Pendekatan Non-Parametrik) TIDAK (IMBALANS) OPSI EKSEKUSI PENGUJIAN MGA Gunakan Uji Welch-Satterthwaite Test atau Lakukan Random Subsampling
\n\n

Contoh Tabel/Diagram Output Hasil Uji PLS MGA SmartPLS 4

\n

Berikut tampilan realistis lembar output perbandingan koefisien jalur pada SmartPLS 4 beserta petunjuk pembacaannya secara statistik:

\n\n
SmartPLS 4 Output: PLS-MGA Path Coefficients Comparison (Group A vs Group B) Hubungan Struktural Path (Grup A) Path (Grup B) Beda (|A-B|) p (PLS-MGA) p (Welch) Kualitas Layanan -> Kepuasan 0.450 0.120 0.330 0.012 0.008 Kepercayaan -> Loyalitas 0.510 0.280 0.230 0.145 0.132 Harga -> Keputusan Pembelian 0.180 0.590 0.410 0.002 0.001 Promosi -> Keputusan Pembelian 0.310 0.340 0.030 0.420 0.415 Kepuasan -> Loyalitas 0.620 0.580 0.040 0.380 0.370 PETUNJUK EVALUASI DAN INTERPRETASI STATISTIK: 1. Jalur Signifikan Berbeda (Kualitas Layanan -> Kepuasan): Nilai p PLS-MGA sebesar 0.012 (< 0.05) membuktikan bahwa pengaruh Kualitas Layanan terhadap Kepuasan pada Grup A (0.450) secara signifikan lebih kuat dibandingkan pada Grup B (0.120). 2. Kasus Khusus Anomali Beda Koefisien Besar (Kepercayaan -> Loyalitas): Meskipun selisih koefisien tampak besar (|0.510 - 0.280| = 0.230), p-value tetap 0.145 (> 0.05). Ini artinya perbedaan tersebut tidak signifikan secara statistik, umumnya terjadi karena standar eror sampel yang besar. 3. Pembacaan Hasil Pengujian Welch-Satterthwaite: Gunakan acuan p-value Welch jika jumlah sampel Grup A dan Grup B tidak seimbang guna menghindari eror Tipe I.
\n\n

Pembahasan Ilmiah: Mengapa P-Value MGA Bisa Tidak Signifikan Meskipun Selisih Koefisien Besar?

\n

Fenomena di mana selisih nilai koefisien jalur tergolong lebar namun menghasilkan p-value yang tidak signifikan merupakan salah satu topik bahasan yang sering memicu perdebatan metodologis. Sarstedt et al. (2011) menjelaskan bahwa signifikansi perbedaan antar kelompok dalam PLS-MGA tidak hanya ditentukan oleh besarnya selisih absolut koefisien jalur, tetapi sangat bergantung pada besarnya varians estimasi atau standar eror dari masing-masing sub-sampel.

\n

Ketika salah satu kelompok memiliki jumlah sampel yang terlalu kecil, standar eror yang dihasilkan dari proses bootstrapping akan membengkak secara signifikan. Standar eror yang tinggi ini melebarkan rentang selang kepercayaan (confidence interval), sehingga kurva distribusi kedua kelompok saling bertumpuk (overlap) secara luas. Dampaknya, algoritma pengujian mengabaikan selisih tersebut dan menyimpulkan bahwa tidak ada perbedaan yang nyata pada tingkat populasi (Hair et al., 2022).

\n

Keunggulan pendekatan non-parametrik Henseler's PLS-MGA terletak pada kemampuannya mengevaluasi distribusi bootstrap secara langsung tanpa mengasumsikan distribusi normal parametrik (Henseler, 2012). Pengujian ini menghitung proporsi nilai subsampel bootstrap kelompok satu yang lebih besar dari kelompok dua. Pendekatan ini terbukti lebih stabil dan memiliki tingkat daya uji (statistical power) yang tinggi untuk pemodelan komposit pada Partial Least Squares.

\n

Oleh sebab itu, peneliti sangat disarankan untuk senantiasa melaporkan ukuran sampel per grup, hasil pengujian ketahanan MICOM, serta pemilihan jenis algoritma MGA secara jelas dalam tulisan ilmiah guna menjaga validitas temuan penelitian.

\n\n

Kesimpulan

\n

Pengujian PLS MGA menggunakan SmartPLS 4 menuntut ketelitian dalam memastikan invariasme pengukuran melalui uji MICOM sebelum melakukan pembandingan koefisien jalur. Permasalahan p-value yang tidak signifikan atau kegagalan MICOM umumnya disebabkan oleh ukuran sampel tidak seimbang, varians data yang heterogen, atau indikator yang tidak sepadan. Dengan menerapkan fiksasi indikator, memilih uji Welch-Satterthwaite pada sampel imbalans, serta memanfaatkan algoritma bootstrap non-parametrik Henseler, peneliti dapat menyajikan hasil komparasi antar kelompok yang tepat dan sahih secara akademis.

\n\n

Daftar Pustaka

\n
\n

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 Publications.

\n

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling. SAGE Publications.

\n

Henseler, J. (2012). PLS-MGA: A non-parametric approach to group comparisons in partial least squares structural equation modeling. In Data Analysis and Optimization for Engineering and Economics (pp. 39-49). Springer.

\n

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.

\n

Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405-431.

\n

Matthews, L. M. (2017). Applying multigroup analysis in PLS-SEM: A step-by-step process. Industrial Management & Data Systems, 117(6), 1172-1189.

\n

Sarstedt, M., Henseler, J., & Ringle, C. M. (2011). Multigroup analysis in partial least squares (PLS) path modeling: Alternative methods and empirical results. Advances in International Marketing, 22, 195-218.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-11T19:04:29+07:00", "date_modified": "2026-09-11T19:06:21+07:00" }, { "id": "https://statistikian.net/dampak-error-variance-negatif-atau-standardized-regression-weight-lebih-dari-1-pada-cb-sem-amos-dan-solusinya/", "url": "https://statistikian.net/dampak-error-variance-negatif-atau-standardized-regression-weight-lebih-dari-1-pada-cb-sem-amos-dan-solusinya/", "title": "Dampak Error Variance Negatif atau Standardized Regression Weight Lebih dari 1 pada CB SEM AMOS dan Solusinya", "summary": "Fenomena dampak error variance negatif atau standardized regression weight lebih dari 1…", "content_html": "
\n

Fenomena dampak error variance negatif atau standardized regression weight lebih dari 1 pada CB SEM AMOS sering kali memicu kebingungan teknis karena menghasilkan nilai estimasi matematika yang tidak masuk akal (illogical estimates) atau dikenal secara luas dalam literatur psikometri sebagai Heywood Case. Pesan peringatan atau anomaly statistik ini umumnya ditandai dengan munculnya nilai varians galat (error variance) bertanda minus pada output Variances, serta nilai koefisien regresi terstandarisasi yang melebihi angka 1.00 pada kolom Standardized Regression Weights program IBM SPSS AMOS.

\n

Kondisi ini mengakibatkan model struktural dianggap tidak valid secara matematis karena varians secara definisi teoritis tidak pernah bernilai negatif. Penyebab utama timbulnya masalah ini berkisar pada ukuran sampel yang tidak memadai, adanya outlier ekstrem pada data, multikolinearitas antar indikator, hingga spesifikasi model yang keliru seperti menetapkan nilai fiksasi varians yang tidak tepat pada konstruk laten.

\n\n
POHON PERMASALAHAN HEYWOOD CASE DALAM CB SEM AMOS Puncak Masalah Estimasi Anomali (Heywood Case): Error Variance < 0 (Negatif) atau Standardized Regression Weight > 1.00 Penyebab 1: Outlier / Sampel Data memiliki outlier ekstrem atau ukuran sampel terlalu kecil Penyebab 2: Multikolinearitas Korelasi tinggi antar indikator atau antar variabel laten (> 0.90) Penyebab 3: Under-identification Jumlah indikator terlalu sedikit (kurang dari 3 per variabel laten) STRATEGI PENANGANAN ANOMALI ESTATISTIK 1. Bersihkan outlier multivariate berbasis jarak Mahalanobis d-squared. 2. Tetapkan fiksasi batas varians eror positif kecil (misal: 0.005) pada AMOS Graphic. 3. Gabungkan atau hapus indikator yang terdeteksi mengalami multikolinearitas parah.
\n\n

Konsep Teori Anomali Heywood Case dan Regression Weight Lebih Dari 1

\n

Istilah Heywood Case merujuk pada kondisi di mana estimasi parameter model SEM menghasilkan varians eror negatif atau korelasi antar variabel laten yang melebihi angka 1.00. Kolenikov dan Bollen (2012) menjelaskan bahwa kemunculan varians negatif secara statistik tidak sah karena varians mewakili kuadrat dari deviasi standar yang secara sistematis harus bernilai nonsumbu negatif (lebih besar atau sama dengan nol).

\n

Dasar pemikiran teoretis mengenai asumsi varians dan regresi dalam pemodelan multivariat disajikan secara rinci pada artikel teori dasar Structural Equation Modeling SEM di www.statistikian.com. Pemahaman mendalam mengenai estimasi algoritma Maximum Likelihood sangat membantu untuk memahami penyebab kegagalan konvergensi matematika ini.

\n

Sementara itu, munculnya nilai Standardized Regression Weight yang lebih besar dari 1.00 (misalnya 1.05 atau 1.12) kerap disalahartikan sebagai eror perangkat lunak. Joreskog (1999) menegaskan bahwa koefisien regresi terstandarisasi dalam SEM bukanlah korelasi parsial biasa ketika melibatkan variabel terikat berkonstruk laten, melainkan bobot regresi yang dapat melebihi angka 1.00 jika terjadi situasi multikolinearitas yang sangat tinggi antar indikator penjelas.

\n

Dillon, Kumar, dan Mulani (1987) mengidentifikasi tiga penyebab utama terjadinya Heywood Case dalam analisis faktor konfirmatori dan SEM:

\n

1. Fluktuasi Sampling (Sampling Variation)
Ketika populasi asli memiliki nilai varians yang sangat mendekati nol, variasi acak pada sampel kecil dapat menyebabkan nilai estimasi sampel terdorong ke area negatif.

\n

2. Spesifikasi Model yang Salah (Model Misspecification)
Mengabaikan faktor penting dalam model atau memaksakan struktur faktor yang tidak sesuai dengan data empiris dapat merusak matriks kovarians yang dievaluasi.

\n

3. Masalah Ketidaknormalan Data (Non-normality & Outliers)
Distribusi data yang sangat menceng atau keberadaan pengamatan ekstrem mengganggu algoritma optimasi Maximum Likelihood (ML) sehingga menghasilkan solusi estimasi yang tidak konvergen secara wajar.

\n\n

Langkah-Langkah Teknis Penanganan Error Variance Negatif di AMOS

\n

Berikut panduan teknis operasional untuk mendeteksi dan menyelesaikan permasalahan varians negatif dan koefisien regresi terstandarisasi di atas 1.00 pada program IBM SPSS AMOS:

\n

Langkah 1: Identifikasi Indikator Bermasalah
Buka menu View Text -> Estimates -> Variances. Cari variabel eror (misalnya e1, e2, atau e3) yang memiliki nilai estimasi negatif pada kolom Estimate.

\n

Langkah 2: Pemeriksaan Nilai Outlier Multivariate
Buka menu View Text -> Assessment of Normality. Periksa bagian Mahalanobis d-squared. Hapus responden yang memiliki nilai d-squared sangat tinggi dan jauh melenceng dari sampel lainnya.

\n

Langkah 3: Menatapkan Constraint Varians Positif (Metode Fiksasi)
Jika varians negatif disebabkan oleh fluktuasi sampel dan bernilai sangat kecil (misal -0.02), klik kanan pada lingkaran error term yang bermasalah di lembar kerja AMOS Graphic, pilih Object Properties.

\n

Langkah 4: Mengisi Nilai Parameter Constraint
Pada tab Parameters, ketikkan nilai konstan positif yang sangat kecil (misalnya 0.005 atau 0.01) pada kolom Variance. Langkah ini memaksa AMOS untuk membatasi varians agar tidak bernilai negatif (Rindskopf, 1984).

\n

Langkah 5: Memeriksa Multikolinearitas Antar Indikator
Evaluasi tabel Standardized Regression Weights. Jika terdapat nilai > 1.00, periksa korelasi antar indikator pada variabel laten tersebut. Indikator yang memiliki korelasi > 0.90 mengindikasikan adanya redundansi pengukuran.

\n

Langkah 6: Mengeliminasi atau Menggabungkan Indikator Redundan
Hapus salah satu indikator yang redundan dari model atau gabungkan kedua indikator tersebut menjadi satu nilai komposit.

\n

Langkah 7: Mengevaluasi Kecukupan Indikator Per Konstruk
Pastikan setiap variabel laten didukung oleh minimal 3 indikator untuk memenuhi syarat just-identified atau over-identified secara lokal (Bollen, 1989).

\n

Langkah 8: Re-kalkulasi Estimasi Model
Jalankan kembali perintah Analyze -> Calculate Estimates (Ctrl + F9).

\n

Langkah 9: Verifikasi Ulang Output Variances dan Standardized Weights
Buka kembali View Text -> Estimates dan pastikan seluruh nilai varians bernilai positif serta koefisien terstandarisasi berada dalam rentang wajar (di bawah 1.00).

\n

Langkah 10: Dokumentasikan Justifikasi Teknis
Catat tindakan fiksasi atau penghapusan indikator beserta referensi metodologis untuk disajikan dalam bab laporan penelitian.

\n\n
DECISION TREE SOLUSI PENANGANAN HEYWOOD CASE DI AMOS Mulai: Cek Output Text AMOS -> Estimates -> Variances Apakah terdapat Error Variance bernilai Negatif (< 0)? TIDAK Estimasi Varians Valid (Lanjut Cek Reg Weight > 1) YA (ANOMALI) Apakah terdapat Outlier Ekstrem pada Data? YA Hapus Outlier Data (Gunakan Mahalanobis Distance) TIDAK Apakah Nilai Negatif Sangat Kecil (misal -0.01)? EKSEKUSI SOLUSI TEKNIS AMOS 1. Tetapkan Variance Constraint = 0.005 pada Object Properties, ATAU 2. Drop Indikator Redundan
\n\n

Contoh Tabel Output Error Variance Negatif dan Standardized Weight Lebih Dari 1

\n

Berikut adalah gambaran ilustratif tampilan tabel output AMOS yang mengalami permasalahan Heywood Case beserta petunjuk cara membacanya secara cermat:

\n\n
Output AMOS Estimates: Variances & Standardized Regression Weights Variable Error Estimate S.E. C.R. P e1 (Indikator 1) 0.142 0.031 4.580 *** e2 (Indikator 2) -0.038 0.024 -1.583 0.113 e3 (Indikator 3) 0.210 0.042 5.000 *** Hubungan Konstruk Standardized Estimate Indikator 1 <--- Variabel Laten A 0.825 Indikator 2 <--- Variabel Laten A 1.048 CARA MENGIDENTIFIKASI DAN MEMBACA ANOMALI: 1. Deteksi Varians Negatif: Error term e2 memiliki estimasi varians sebesar -0.038. Ini adalah bentuk Heywood Case karena nilai varians secara matematis tidak boleh di bawah nol. 2. Deteksi Standardized Weight > 1: Indikator 2 menunjukkan bobot terstandarisasi sebesar 1.048 (melebihi 1.00). Kondisi ini terjadi akibat berlebihnya varians yang diserap oleh e2 yang bernilai negatif. 3. Tindakan Perbaikan: Tetapkan fiksasi varians e2 menjadi 0.005 melalui Object Properties -> Parameters, atau keluarkan Indikator 2 jika terbukti mengalami multikolinearitas parah dengan indikator lain.
\n\n

Pembahasan Ilmiah: Justifikasi Metodologis dan Dampak Heywood Case

\n

Penanganan Heywood Case dalam publikasi penelitian ilmiah menuntut transparansi metodologis yang tinggi. Bentler dan Chou (1987) mengemukakan bahwa membiarkan nilai varians galat bernilai negatif tanpa koreksi teknis akan merusak kalkulasi standar eror seluruh parameter lainnya, sehingga pengujian signifikansi (nilai t atau C.R.) menjadi tidak valid dan menyesatkan.

\n

Penerapan fiksasi varians (constraining variance) pada nilai positif kecil seperti 0.005 telah dibuktikan secara empiris oleh Chen et al. (2001) sebagai solusi yang dapat diterima jika varians negatif tersebut bernilai sangat mendekati nol dan disebabkan oleh fluktuasi sampel acak. Namun, Chen et al. menegaskan bahwa jika nilai negatif sangat besar, penyelesaian masalah harus berfokus pada re-spesifikasi model teoritis atau pengumpulan ulang sampel data.

\n

Mengenai koefisien Standardized Regression Weight yang melebihi angka 1.00, Deegan (1978) menjelaskan bahwa fenomena ini sering muncul pada model regresi multivariat ketika dua atau lebih variabel independen terinterkorelasi sangat kuat (multikolinearitas). Dalam konteks SEM, situasi ini menandakan bahwa indikator yang bersangkutan mengukur konstruk laten yang hampir identik dengan indikator sejenisnya.

\n

Oleh karena itu, sebelum memutuskan untuk mengunci varians eror, peneliti disarankan untuk senantiasa melakukan prosedur pembersihan data (data screening) yang ketat, mencakup pengujian normalitas multivariate dan identifikasi pencilan (outliers).

\n

Langkah-langkah penanganan yang sistematis ini memastikan bahwa struktur model kovarians yang dianalisis terbebas dari pelanggaran asumsi matematika dasar dan memiliki kelayakan tinggi untuk dipublikasikan pada jurnal ilmiah bereputasi.

\n\n

Kesimpulan

\n

Kemunculan error variance negatif (Heywood Case) dan standardized regression weight melebihi 1.00 pada CB SEM AMOS merupakan petunjuk adanya kegagalan matematika akibat outlier, multikolinearitas, sampel kecil, atau salah spesifikasi model. Peneliti dapat mengatasi masalah ini secara teknis dengan melakukan fiksasi parameter varians eror pada batas positif kecil (misalnya 0.005), membersihkan pencilan data, atau menghapus indikator yang mengalami redundansi korelasi tinggi guna menjamin kevalidan estimasi struktural.

\n\n

Daftar Pustaka

\n
\n

Bentler, P. M., & Chou, C. P. (1987). Practical issues in structural modeling. Sociological Methods & Research, 16(1), 78-117.

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Chen, F., Bollen, K. A., Paxton, P., Curran, P. J., & Kirby, J. B. (2001). Improper solutions in structural equation models: Causes, consequences, and remedies. Sociological Methods & Research, 29(4), 468-508.

\n

Deegan, J. (1978). On the occurrence of standardized regression coefficients greater than one. Educational and Psychological Measurement, 38(4), 873-888.

\n

Dillon, W. R., Kumar, A., & Mulani, N. (1987). Offending estimates in covariance structure analysis: Comments on the causes of Heywood cases. Journal of Marketing Research, 24(1), 126-135.

\n

Joreskog, K. G. (1999). How large can a standardized coefficient be? LISREL Notes, Scientific Software International.

\n

Kolenikov, S., & Bollen, K. A. (2012). Testing negative error variances. Sociological Methodology, 42(1), 237-267.

\n

Rindskopf, D. (1984). Using inequality constraints to prevent improper solutions such as Heywood cases is useful for default in structural equation modeling. Sociological Methods & Research, 13(1), 109-125.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T03:21:41+07:00", "date_modified": "2026-09-11T03:21:41+07:00" }, { "id": "https://statistikian.net/tutorial-interpretasi-semua-nilai-nilai-kriteria-model-fit-dalm-cb-sem-dengan-amos/", "url": "https://statistikian.net/tutorial-interpretasi-semua-nilai-nilai-kriteria-model-fit-dalm-cb-sem-dengan-amos/", "title": "Tutorial Interpretasi Semua Nilai-Nilai Kriteria Model Fit dalam CB SEM dengan AMOS", "summary": "Tutorial Interpretasi Semua Nilai-Nilai Kriteria Model Fit dalam CB SEM dengan AMOS…", "content_html": "
\n

Tutorial Interpretasi Semua Nilai-Nilai Kriteria Model Fit dalam CB SEM dengan AMOS menjadi panduan krusial ketika peneliti menghadapi kendala nilai Goodness of Fit (GOF) yang berada di bawah ambang batas (cut-off value) rekomendasi, seperti nilai CMIN/DF yang terlalu besar, RMSEA di atas 0.08, atau nilai CFI, TLI, dan GFI yang kurang dari 0.90. Gejala kegagalan uij kecocokan model ini kerap memicu kebingungan teknis karena indikator estimasi parameter individual menunjukkan hubungan yang signifikan, namun model struktural secara keseluruhan dinyatakan tidak fit (unfit) oleh program IBM SPSS AMOS.

\n

Masalah ketidakcocokan model dalam Covariance-Based Structural Equation Modeling (CB SEM) umumnya dipicu oleh adanya spesifikasi model yang kurang tepat (model misspecification), ukuran sampel yang terlalu sensitif terhadap statistik Chi-Square, atau adanya nilai korelasi antar galat (residual covariance) yang tinggi antar indikator. Tanpa melakukan pengujian komprehensif pada kelompok absolute fit, incremental fit, dan parsimonious fit, peneliti berisiko menarik kesimpulan analisis struktural yang bias dan tidak valid secara metodologis.

\n\n
POHON PERMASALAHAN MODEL UNFIT DALAM CB SEM AMOS Puncak Masalah Output AMOS: Model Dinyatakan Unfit (Chi-Square Sig < 0.05, RMSEA > 0.08, CFI < 0.90) Penyebab 1: Ukuran Sampel Sampel besar (N > 250) membuat Chi-Square sangat sensitif (p < 0.05) Penyebab 2: High Covariance Terdapat korelasi eror antar indikator yang tidak terespesifikasi Penyebab 3: Cross-Loading Indikator mengukur dua konstruksi berbeda secara bersamaan SOLUSI PENILAIAN MODEL FIT COMPREHENSIVE 1. Gunakan kombinasi kriteria Absolute Fit (RMSEA, SRMR), Incremental Fit (CFI, TLI), dan Parsimonious Fit (CMIN/DF). 2. Jika model unfit, periksa Modification Indices (MI) untuk menghubungkan kovarians eror atau mereduksi indikator redundan. 3. Evaluasi ulang keterlibatan teori jika modifikasi model dilakukan secara signifikan.
\n\n

Konsep Teori Kriteria Goodness of Fit dalam CB SEM

\n

Pengujian kecocokan model (Goodness of Fit) dalam Covariance-Based Structural Equation Modeling pada dasarnya bertujuan untuk mengevaluasi seberapa dekat matriks kovarians sampel yang diobservasi dengan matriks kovarians yang diestimasikan oleh model teori. Joreskog dan Sorbom (1993) menyatakan bahwa evaluasi fit tidak boleh hanya berpatokan pada satu kriteria saja, melainkan harus mempertimbangkan multidimensi pengukuran fit untuk menghindari bias pembuatan keputusan statistik.

\n

Penjelasan lengkap mengenai kerangka kerja konseptual dan pemodelan dasar struktural dapat dibaca lebih lanjut pada referensi teori dasar Structural Equation Modeling SEM di www.statistikian.com. Pemahaman atas estimasi kovarians latent sangat mendukung interpretasi seluruh indeks fit.

\n

Secara umum, indeks kriteria Goodness of Fit dalam AMOS dikelompokkan menjadi tiga kategori utama oleh Hair et al. (2019):

\n

1. Absolute Fit Measures
Mengukur seberapa baik model yang dihipotesiskan mampu mereproduksi data sampel secara keseluruhan. Indeks dalam kelompok ini meliputi Chi-Square (CMIN), Root Mean Square Error of Approximation (RMSEA), Goodness of Fit Index (GFI), Adjusted Goodness of Fit Index (AGFI), serta Standardized Root Mean Residual (SRMR). Bentler (1990) menyebutkan bahwa RMSEA merupakan ukuran absolute fit yang sangat andal karena memperhitungkan kompleksitas model dan ukuran sampel.

\n

2. Incremental Fit Measures
Membandingkan model yang dihipotesiskan dengan model dasar (baseline/null model) yang mengasumsikan tidak ada korelasi antar variabel. Indeks kelompok ini mencakup Comparative Fit Index (CFI), Tucker-Lewis Index (TLI), Normed Fit Index (NFI), dan Incremental Fit Index (IFI). Hu dan Bentler (1999) merekomendasikan batas kriteria CFI dan TLI sebesar 0.95 untuk menyatakan model sangat fit (good fit), meskipun batas 0.90 masih dapat diterima (marginal fit).

\n

3. Parsimony Fit Measures
Menyesuaikan ukuran fit untuk memperhitungkan kompleksitas model berdasarkan derajat kebebasan (degrees of freedom). Indeks utama pada kelompok ini adalah Relative Chi-Square atau CMIN/DF, Parsimonious Comparative Fit Index (PCFI), dan Akaike Information Criterion (AIC). Marsh, Balla, dan Hau (1996) menekankan bahwa penggunaan model yang terlalu kompleks tanpa dasar teori yang kuat harus dikoreksi menggunakan indeks parsimoni ini.

\n\n

Langkah-Langkah Teknis Mengeluarkan dan Memperbaiki Model Fit di AMOS

\n

Berikut adalah panduan operasional langkah demi langkah untuk mengeluarkan output model fit serta solusi teknis modifikasi saat model terdeteksi unfit:

\n

Langkah 1: Mengaktifkan Opsi Modification Indices
Buka menu View -> Analysis Properties (Alt + F7), pilih tab Output, lalu centang kotak Modification indices dan isikan angka 4.00 pada kolom threshold minimum.

\n

Langkah 2: Eksekusi Estimasi Model
Jalankan kalkulasi model dengan mengeklik Analyze -> Calculate Estimates (Ctrl + F9).

\n

Langkah 3: Membuka Output Model Fit
Buka jendela teks hasil analisis dengan mengeklik View Text (Alt + F8). Pada navigasi sebelah kiri, klik menu Model Fit.

\n

Langkah 4: Pemeriksaan Nilai CMIN (Chi-Square) dan CMIN/DF
Periksa tabel CMIN. Perhatikan nilai Probability level (p-value). Jika p > 0.05 maka model fit secara absolut. Namun jika N > 200 dan p < 0.05, evaluasi nilai CMIN/DF. Nilai CMIN/DF di bawah 3.00 menunjukkan model masih dapat diterima (Wheaton et al., 1977).

\n

Langkah 5: Evaluasi Indeks Incremental (CFI, TLI, NFI)
Buka tabel Baseline Comparisons. Catat nilai NFI, RFI, IFI, TLI, dan CFI. Pastikan mayoritas nilai berada di atas 0.90.

\n

Langkah 6: Evaluasi RMSEA dan SRMR
Buka tabel RMSEA. Nilai RMSEA < 0.05 mengindikasikan close fit, 0.05 - 0.08 mengindikasikan good fit, dan > 0.10 mengindikasikan poor fit (Browne & Cudeck, 1993).

\n

Langkah 7: Melakukan Modifikasi Model (Jika Unfit)
Jika indeks fit belum memenuhi syarat, buka menu Modification Indices -> Covariances pada output text. Cari pasangan error term yang memiliki nilai MI paling tinggi (misalnya MI > 10.00) dalam konstruksi latent yang sama.

\n

Langkah 8: Menambahkan Garis Kovarians (Covariance Line)
Kembali ke AMOS Graphic, gunakan alat Draw Covariances untuk menghubungkan dua error term dengan nilai MI terbesar tersebut. Pastikan korelasikan hanya dilakukan antar eror indikator pada variabel latent yang sama untuk menjaga validitas teoretis (Byrne, 2016).

\n

Langkah 9: Mengeliminasi Indikator Redundan
Jika nilai MI antar error term sangat tinggi dan melibatkan indikator dengan loading factor di bawah 0.50, pertimbangkan untuk menghapus indikator tersebut dari model.

\n

Langkah 10: Re-kalkulasi dan Evaluasi Ulang Fit
Jalankan ulang Calculate Estimates dan periksa kembali menu Model Fit hingga syarat kombinasi kriteria terpenuhi.

\n\n
DECISION TREE SOLUSI PENANGANAN MODEL UNFIT AMOS Mulai: Buka Output Text AMOS -> Model Fit Apakah Chi-Square Sig > 0.05 atau CMIN/DF < 3.0? YA Absolute Fit Terpenuhi (Lanjut Cek CFI & RMSEA) TIDAK Apakah RMSEA < 0.08 dan CFI / TLI > 0.90? YA Model Marginal / Good Fit (Model Siap Diinterpretasi) TIDAK (UNFIT) Buka Modification Indices (MI) -> Covariances EKSEKUSI MODIFIKASI MODEL AMOS 1. Hubungkan Kovarians Eror (MI > 10) atau 2. Drop Indikator Factor Loading < 0.50
\n\n

Contoh Tabel Output Kriteria Model Fit CB SEM AMOS

\n

Berikut adalah gambaran ilustratif ringkasan tabel evaluasi kriteria Goodness of Fit beserta kriteria ambang batas dan status evaluasinya dalam pelaporan karya ilmiah:

\n\n
Ringkasan Evaluasi Kriteria Goodness of Fit (GOF) CB SEM AMOS Kategori Fit Indeks GOF Nilai Ambang (Cut-off) Hasil Model Keterangan Absolute Fit Chi-Square (p) p > 0.05 p = 0.012 Marginal Fit Absolute Fit RMSEA < 0.08 0.048 Good Fit Absolute Fit GFI > 0.90 0.924 Good Fit Incremental CFI > 0.90 0.958 Good Fit Incremental TLI > 0.90 0.941 Good Fit Parsimonious CMIN/DF < 3.00 1.845 Good Fit PANDUAN PEMBACAAN DAN EVALUASI HASIL: 1. Evaluasi Chi-Square (p = 0.012): Nilai p < 0.05 dipengaruhi oleh sampel besar (N > 250). Sesuai standar Hair et al. (2019), ketidakfitan Chi-Square dapat diabaikan jika kriteria RMSEA dan CMIN/DF memenuhi standar. 2. Evaluasi RMSEA (0.048): Nilai < 0.05 menunjukkan tingkat kesalahan estimasi model sangat rendah (Close Fit). 3. Evaluasi CFI (0.958) & TLI (0.941): Kedua indeks melebihi ambang batas 0.90, membuktikan incremental fit yang sangat baik. 4. Kesimpulan Keseluruhan: Model dinyatakan FIT dan LAYAK untuk digunakan dalam pengujian hipotesis hubungan struktural karena minimal 3-4 kriteria utama dari kategori berbeda telah terpenuhi.
\n\n

Pembahasan Ilmiah: Strategi Evaluasi dan Pelaporan Model Fit dalam Publikasi

\n

Pengambilan keputusan mengenai kelayakan model struktural dalam CB SEM tidak boleh berpatokan secara kaku pada satu kriteria absolut semata. Hair et al. (2019) menyarankan agar peneliti melaporkan setidaknya satu indeks dari setiap kelompok GOF, yaitu minimal melaporkan Chi-Square beserta degree of freedom, satu indeks absolute fit (seperti RMSEA atau SRMR), satu indeks incremental fit (seperti CFI atau TLI), serta satu indeks parsimoni (seperti CMIN/DF).

\n

Fenomena nilai Chi-Square yang sering kali signifikan (p < 0.05) pada sampel besar telah dibahas secara luas oleh Wheaton (1987). Sampel di atas 200 responden meningkatkan daya statistik secara berlebihan sehingga perbedaan kecil antara matriks sampel dan matriks estimasi akan terdeteksi sebagai ketidakcocokan yang signifikan. Oleh karena itu, penggunaan CMIN/DF dan RMSEA menjadi alternatif utama yang jauh lebih stabil terhadap ukuran sampel.

\n

Ketika melakukan modifikasi model berbasis Modification Indices, Kline (2016) memberikan peringatan keras agar peneliti tidak melakukan pencocokan model secara blindly (data-driven modification). Setiap korelasikan error term atau penghapusan indikator harus memiliki justifikasi teori yang rasional. Korelasi antar error term hanya diperbolehkan jika kedua indikator memiliki kemiripan redaksi kalimat atau mengukur sub-dimensi yang serupa.

\n

Dalam pelaporan publikasi ilmiah, peneliti disarankan menyajikan tabel komparasi sebelum dan sesudah modifikasi model. Penyajian ini secara transparan menunjukkan bagaimana perbaikan nilai fit dicapai tanpa merusak integritas teori yang dibangun.

\n

Dengan menerapkan prinsip multidimensi pengujian GOF ini, pengujian hipotesis koefisien jalur struktural yang dilakukan pada tahap berikutnya akan memiliki landasan statistik yang sangat kokoh dan dapat dipertanggungjawabkan secara ilmiah.

\n\n

Kesimpulan

\n

Evaluasi Goodness of Fit dalam CB SEM dengan AMOS memerlukan pendekatan menyeluruh yang mencakup kategori absolute fit, incremental fit, dan parsimonious fit. Kegagalan memenuhi kriteria Chi-Square pada sampel besar dapat diatasi dengan mengevaluasi kombinasi indeks CMIN/DF, RMSEA, CFI, dan TLI. Apabila model dinyatakan unfit, modifikasi model melalui pemanfaatan Modification Indices secara bijak dan rasional mampu meningkatkan derajat kecocokan model hingga memenuhi kriteria kelayakan publikasi ilmiah.

\n\n

Daftar Pustaka

\n
\n

Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238-246.

\n

Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. Sociological Methods & Research, 21(2), 230-258.

\n

Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55.

\n

Joreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.

\n

Marsh, H. W., Balla, J. R., & Hau, K. T. (1996). An evaluation of Goodness of Fit indices for confirmatory factor analysis. Psychological Methods, 1(4), 350-366.

\n

Wheaton, B. (1987). Assessment of fit in overidentified models with qualitative variables. Sociological Methods & Research, 16(1), 118-154.

\n

Wheaton, B., Muthen, B., Alwin, D. F., & Summers, G. F. (1977). Assessing reliability and stability in panel models. Sociological Methodology, 8, 84-136.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T03:15:55+07:00", "date_modified": "2026-09-11T19:06:34+07:00" }, { "id": "https://statistikian.net/tutorial-cara-mendapatkan-signifikansi-atau-p-value-direct-indirect-dan-total-effects-sem-dengan-amos/", "url": "https://statistikian.net/tutorial-cara-mendapatkan-signifikansi-atau-p-value-direct-indirect-dan-total-effects-sem-dengan-amos/", "title": "Tutorial Cara Mendapatkan Signifikansi atau P Value Direct, Indirect dan Total Effects SEM dengan AMOS", "summary": "Tutorial Cara Mendapatkan Signifikansi atau P Value Direct, Indirect dan Total Effects…", "content_html": "
\n

Tutorial Cara Mendapatkan Signifikansi atau P Value Direct, Indirect dan Total Effects SEM dengan AMOS menjadi panduan krusial ketika peneliti menghadapi kendala tidak munculnya nilai p-value, standard error, maupun t-statistik pada efek tidak langsung (indirect effects) dalam output standar IBM SPSS AMOS. Masalah teknis ini kerap membingungkan para analis karena tabel estimasi bawaan AMOS (Default Model Estimates) hanya menyajikan angka koefisien estimasi titik (point estimate) untuk pengaruh tidak langsung, sementara kolom p-value atau tingkat signifikansinya tampak kosong atau hanya berisi tanda hubung tanpa angka statistik.

\n

Gejala ketidaklengkapan output ini terjadi karena algoritma dasar AMOS secara otomatis hanya menghitung uji signifikansi parsial untuk pengaruh langsung (direct effects) berbasis metode delta. Pengaruh tidak langsung, yang merupakan hasil perkalian antar koefisien jalur mediasi, memerlukan estimasi distribusi sampel non-parametrik melalui fitur Bootstrapping. Tanpa mengaktifkan dan mengonfigurasi prosedur bias-corrected bootstrap pada menu Analysis Properties, peneliti tidak akan pernah mendapatkan nilai p-value dari indirect effects maupun total effects secara otomatis, sehingga pengujian hipotesis mediasi menjadi terhambat.

\n\n
POHON PERMASALAHAN TIDAK MUNCULNYA P-VALUE INDIRECT EFFECTS DI SEM AMOS Puncak Masalah Output AMOS: Tabel Indirect & Total Effects Tidak Menyajikan Standard Error & Nilai P-Value Penyebab 1: Default AMOS Output bawaan hanya menghitung p-value untuk Direct Effects Penyebab 2: Asumsi Normalitas Perkalian koefisien mediasi (a x b) memiliki distribusi menjulur (skewed) Penyebab 3: Fitur Inaktif Menu Perform Bootstrap & Bias-Corrected CI belum dicentang SOLUSI & LOKASI PENGAMBILAN OUTPUT P-VALUE 1. Buka Analysis Properties -> Centang Perform Bootstrap (2000-5000) & Bias-Corrected Percentile Intervals (95%). 2. Jalankan Calculate Estimates, lalu buka AMOS Text Output -> Estimates -> Matrices -> Indirect/Direct/Total Effects. 3. Klik sub-menu Two-Tailed Significance (BC) untuk membaca p-value presisi dari seluruh pengaruh mediasi.
\n\n

Konsep Teori Dekomposisi Efek dan Pengujian Mediasi dalam SEM

\n

Dalam analisis persamaan struktural (Structural Equation Modeling), dekomposisi efek membagi hubungan antar variabel menjadi tiga komponen utama, yaitu pengaruh langsung (direct effect), pengaruh tidak langsung (indirect effect), dan pengaruh total (total effect). Bollen (1989) menegaskan bahwa pengaruh total merupakan penjumlahan matematis antara pengaruh langsung dan seluruh pengaruh tidak langsung yang melalui satu atau beberapa variabel intervening. Pemahaman mendasar mengenai kalkulasi hubungan struktural ini dipaparkan secara rinci dalam literatur statistik multivariat oleh Hair et al. (2019).

\n

Penjelasan mendalam mengenai pemodelan hubungan antar variabel latent dan penyusunan diagram jalur dapat dipelajari pada rujukan teori dasar Structural Equation Modeling SEM di www.statistikian.com. Pemahaman aspek teoretis spesifikasi model sangat diperlukan sebelum melakukan evaluasi tingkat signifikansi pada hubungan mediasi.

\n

Secara tradisional, pengujian signifikansi efek tidak langsung mengandalkan Uji Sobel (Sobel, 1982) yang menghitung standard error gabungan berdasarkan perkalian koefisien jalur dari variabel independen ke mediasi serta dari mediasi ke variabel dependen. Namun, Preacher dan Hayes (2004, 2008) membuktikan bahwa Uji Sobel memiliki keterbatasan statistik yang serius, yaitu mengasumsikan bahwa distribusi produk koefisien mediasi berdistribusi normal. Pada sampel berukuran kecil hingga sedang, distribusi produk koefisien tersebut hampir selalu memiliki bentuk yang menjulur (asymmetric/skewed distribution), sehingga Uji Sobel menghasilkan daya uji statistik yang rendah dan sering memicu kesalahan Keputusan Tipe II.

\n

Untuk mengatasi kelemahan distribusi parametrik tersebut, metode resampling non-parametrik Bootstrapping diakui oleh para pakar metodologi (Kline, 2016; Hayes, 2018) sebagai standar emas (gold standard) dalam menguji signifikansi efek tidak langsung. Prosedur Bias-Corrected (BC) Bootstrap secara berulang mengambil sampel acak dengan pengembalian dari data asli (misalnya 2.000 hingga 5.000 kali pengulangan) untuk membentuk distribusi empiris bagi efek tidak langsung, lalu mengoreksi bias median agar menghasilkan selang kepercayaan (confidence interval) dan nilai p-value yang sangat akurat.

\n

Evaluasi peran mediasi juga mewajibkan pemeriksaan signifikansi pada ketiga efek secara bersamaan. Menurut Zhao, Lynch, dan Chen (2010), klasifikasi mediasi terbagi menjadi Complementary Partial Mediation (efek langsung dan tidak langsung sama-sama signifikan dengan arah koefisien searah), Competitive Partial Mediation (efek langsung dan tidak langsung signifikan namun berlawanan arah), Full Mediation / Indirect-Only (hanya efek tidak langsung yang signifikan), serta No Mediation jika efek tidak langsung tidak terbukti signifikan secara statistik.

\n\n

Langkah-Langkah Teknis Mengeluarkan P-Value Direct, Indirect, dan Total Effects di AMOS

\n

Berikut adalah panduan praktis tahap demi tahap untuk mengonfigurasi dan memunculkan tabel p-value serta selang kepercayaan untuk direct, indirect, dan total effects pada software IBM SPSS AMOS:

\n

Langkah 1: Menyusun Diagram Jalur dan Memastikan Model Teridentifikasi
Pastikan diagram jalur (path diagram) telah terhubung dengan benar antara variabel independen, mediator, dan dependen. Pastikan nilai derajat kebebasan (degrees of freedom) bernilai lebih dari atau sama dengan nol (model identified).

\n

Langkah 2: Membuka Jendela Analysis Properties
Klik menu utama pada AMOS Graphic melalui urutan perintah berikut:

\n
View -> Analysis Properties (atau tekan tombol Alt + F7)
\n

Langkah 3: Mengatur Opsi Output Standar
Pindah ke tab Output, lalu berikan tanda centang pada opsi Standardized estimates, Sample moments, dan Indirect, direct & total effects.

\n

Langkah 4: Mengaktifkan Fitur Bootstrapping
Pindah ke tab Bootstrap, kemudian centang kotak Perform bootstrap. Pada kolom Number of bootstrap samples, masukkan angka 2000 (atau 5000 untuk tingkat presisi yang lebih tinggi pada publikasi jurnal bereputasi).

\n

Langkah 5: Mengaktifkan Bias-Corrected Percentile Intervals
Pada tab yang sama, centang opsi Perform bias-corrected percentile intervals dan pastikan nilai BC confidence level terisi angka 95.

\n

Langkah 6: Menjalankan Eksekusi Estimasi AMOS
Tutup jendela Analysis Properties, lalu jalankan proses kalkulasi dengan mengeklik ikon kalkulator atau melalui menu:

\n
Analyze -> Calculate Estimates (atau tekan tombol Ctrl + F9)
\n

Langkah 7: Membuka Jendela Output Text AMOS
Setelah proses iterasi selesai, buka jendela hasil analisis dengan mengeklik menu View Text (tombol Alt + F8).

\n

Langkah 8: Navigasi ke Matriks Estimasi Efek
Pada panel navigasi sebelah kiri, klik menu Estimates, buka sub-menu Matrices, lalu klik pada pilihan Indirect Effects, Direct Effects, atau Total Effects.

\n

Langkah 9: Mengakses Tabel P-Value Bootstrap (BC)
Di bagian bawah jendela tabel utama, klik pada tombol tab Two-Tailed Significance (BC) atau Bias-corrected percentile method. AMOS akan menampilkan matriks p-value presisi untuk setiap hubungan variabel.

\n

Langkah 10: Mengambil Nilai Standard Error dan Batas Selang Kepercayaan
Untuk melengkapi laporan, klik tab Standard Errors, Lower Bounds (BC), dan Upper Bounds (BC) guna mencatat rentang estimasi empiris dari pengujian mediasi.

\n\n
DECISION TREE TROUBLESHOOTING DOKUMENTASI P-VALUE SEM AMOS Mulai: Susun Model SEM Mediasi & Buka View -> Analysis Properties Apakah Fitur Perform Bootstrap & BC Intervals Sudah Aktif? TIDAK STOP! Output P-Value Kosong (Centang Bootstrap Samples = 2000) YA Apakah Proses Calculate Estimates Sukses Tanpa Error Convergence? TIDAK Perbaiki Identifikasi Model (Cek Multikolinearitas / Sample Size) YA Buka Output -> Estimates -> Matrices -> Indirect/Direct Effects SALAH TAB Jangan Cek Tabel Regression (Gunakan Tab Matrices di Bawah) BENAR KLIK TAB \"TWO-TAILED SIGNIFICANCE (BC)\" UNTUK MEMBACA P-VALUE Data P-Value Direct, Indirect, & Total Effects Siap Digunakan untuk Analisis Mediasi
\n\n

Contoh Tabel/Diagram Output Direct, Indirect, dan Total Effects SEM AMOS

\n

Berikut disajikan gambaran ilustratif struktur matriks output estimasi p-value bias-corrected bootstrap pada IBM SPSS AMOS beserta petunjuk teknis pembacaannya secara statistik:

\n\n
IBM SPSS AMOS Output: Estimates -> Matrices -> Indirect / Direct / Total Effects Standardized Indirect Effects - Two-Tailed Significance (BC) (Group number 1 - Default model) Hubungan Jalur Mediasi Estimate (Beta) Lower (95% BC) Upper (95% BC) P-Value (BC) X (Kualitas) -> Y (Kepuasan) 0.342 0.185 0.491 0.002 X -> M (Kepercayaan) -> Y [Indirect] 0.218 0.104 0.352 0.001 Total Effect (X -> Y) 0.560 0.380 0.712 0.001 Estimates Std. Errors Two-Tailed Significance (BC) PETUNJUK CARA BACA & INTERPRETASI OUTPUT SEM AMOS: 1. Evaluasi P-Value Indirect Effect: Nilai p-value untuk jalur X -> M -> Y adalah 0.001 (< 0.05). Hal ini membuktikan secara empiris bahwa variabel mediator (M) terbukti signifikan memediasi hubungan X terhadap Y. 2. Evaluasi Selang Kepercayaan (95% BC Confidence Interval): Nilai Lower Bound = 0.104 dan Upper Bound = 0.352. Karena rentang selang kepercayaan tidak mencakup angka nol (0), maka efek tidak langsung dipastikan signifikan. 3. Klasifikasi Kategori Mediasi: Nilai Direct Effect (X -> Y) juga signifikan (p = 0.002) dan koefisiennya searah dengan Indirect Effect (keduanya bernilai positif). Sesuai kriteria Zhao et al. (2010), jenis mediasi yang terbentuk adalah Complementary Partial Mediation. 4. Verifikasi Total Effect: Nilai Total Effect (0.560) merupakan hasil penjumlahan matematis antara Direct Effect (0.342) dan Indirect Effect (0.218), dengan tingkat signifikansi p-value = 0.001.
\n\n

Pembahasan Ilmiah: Pengujian Hipotesis Mediasi dan Standar Pelaporan Publikasi

\n

Berdasarkan hasil analisis bias-corrected bootstrap pada IBM SPSS AMOS, pengambilan keputusan statistik terhadap hipotesis mediasi dilakukan dengan mengevaluasi dua indikator utama, yaitu nilai p-value pada matriks Two-Tailed Significance (BC) dan rentang selang kepercayaan pada tingkat kepercayaan 95%. Jika p-value berada di bawah taraf nyata 0.05 serta selang kepercayaan antara Lower Bound dan Upper Bound tidak melewati angka nol, maka hipotesis nol yang menyatakan tidak ada efek tidak langsung ditolak secara tegas.

\n

Dalam perkembangannya, MacKinnon, Lockwood, dan Williams (2004) melakukan studi simulasi Monte Carlo untuk membandingkan berbagai metode pengujian mediasi. Hasil penelitian mereka menyimpulkan bahwa metode Bias-Corrected Bootstrap memiliki tingkat daya uji statistik (statistical power) paling tinggi dan mampu mengendalikan tingkat Kesalahan Tipe I secara optimal dibandingkan metode Percentile Bootstrap biasa maupun Uji Sobel tradisional.

\n

Peneliti kerap kali mendapati perbedaan antara hasil p-value yang dihitung melalui metode Percentile Bootstrap dan Bias-Corrected Bootstrap. Perbedaan ini wajar terjadi karena metode Bias-Corrected melakukan penyesuaian matematis terhadap porsi sampel bootstrap yang estimasinya berada di bawah estimasi titik data asli. Oleh karena itu, Preacher dan Hayes (2008) sangat merekomendasikan penggunaan Bias-Corrected Bootstrap sebagai rujukan utama dalam menyimpulkan signifikansi hubungan mediasi.

\n

Ketika menyusun laporan ilmiah atau naskah jurnal internasionalbereputasi sesuai standar APA (American Psychological Association), peneliti wajib melaporkan lima komponen statistik secara transparan, yaitu: estimasi titik koefisien standar (standardized estimate), nilai standard error hasil bootstrap, batas bawah selang kepercayaan (lower bound), batas atas selang kepercayaan (upper bound), dan nilai p-value yang dihasilkan dari prosedur bias-corrected bootstrap (Hair et al., 2019).

\n

Apabila selama proses pengujian AMOS mengeluarkan peringatan error berupa The matrix is not positive definite atau algoritma iterasi gagal mencapai konvergensi saat melakukan resampling bootstrap, masalah teknis ini umumnya disebabkan oleh adanya nilai pencilan (outlier) yang ekstrem, sampel yang terlalu kecil, atau tingginya tingkat multikolinearitas antar variabel independen. Penanganan masalah ini dapat dilakukan dengan menambah jumlah sampel data, melakukan transformasi variabel, atau menghapus indikator yang memiliki nilai loading factor sangat rendah.

\n

Dengan demikian, penguasaan alur pengujian dari penyiapan diagram jalur, aktivasi fitur Perform Bootstrap dan Bias-Corrected Percentile Intervals pada Analysis Properties, hingga ekstraksi p-value pada matriks Two-Tailed Significance (BC) merupakan prosedur metodologis yang paling valid, akurat, dan kredibel dalam menyelesaikan masalah pengujian efek tidak langsung pada SEM AMOS.

\n\n

Kesimpulan

\n

Tidak munculnya p-value untuk indirect effects dan total effects pada output standar IBM SPSS AMOS bukan disebabkan oleh kesalahan model, melainkan karena AMOS memerlukan pengaktifan fitur Bootstrapping secara eksplisit. Dengan mengisikan jumlah sampel bootstrap sebesar 2000 hingga 5000 serta mengaktifkan opsi Bias-Corrected Percentile Intervals 95% pada menu Analysis Properties, AMOS akan menghasilkan p-value dan selang kepercayaan empiris yang sangat presisi. Nilai p-value yang terdapat pada matriks Two-Tailed Significance (BC) menjadi rujukan utama dalam menentukan signifikansi efek tidak langsung serta mengklasifikasikan jenis mediasi secara tepat dan ilmiah.

\n\n

Daftar Pustaka

\n
\n

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). The Guilford Press.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.

\n

MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39(1), 99-128.

\n

Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36(4), 717-731.

\n

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891.

\n

Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290-312.

\n

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation. Journal of Consumer Research, 37(2), 197-206.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T03:09:36+07:00", "date_modified": "2026-09-11T03:10:07+07:00" }, { "id": "https://statistikian.net/tutorial-modification-indices-untuk-mengatasi-model-tidak-fit-pada-cb-sem-amos/", "url": "https://statistikian.net/tutorial-modification-indices-untuk-mengatasi-model-tidak-fit-pada-cb-sem-amos/", "title": "Tutorial Modification Indices Untuk Mengatasi Model Tidak Fit Pada CB SEM AMOS", "summary": "Ketika menguji model persamaan struktural menggunakan IBM SPSS AMOS, banyak peneliti mengalami…", "content_html": "
\n
\n

Ketika menguji model persamaan struktural menggunakan IBM SPSS AMOS, banyak peneliti mengalami situasi di mana proses iterasi berhasil konvergen tanpa pesan eror identifikasi, namun seluruh indeks Goodness of Fit (GoF) berada di bawah standar kelayakan. Indikator seperti CMIN/DF bernilai lebih dari 3,0, RMSEA berada di atas 0,08, serta CFI, TLI, dan GFI gagal mencapai batas minimum 0,90. Dalam situasi ini, penerapan Tutorial Modification Indices Untuk Mengatasi Model Tidak Fit Pada CB SEM AMOS menjadi panduan teknis yang sangat krusial untuk menyelamatkan model penelitian Anda dari penolakan metodologis.

\n

Model yang tidak fit menandakan adanya diskrepansi atau perbedaan yang signifikan antara matriks kovarians sampel teramati (S) dengan matriks kovarians yang diimplikasikan oleh model (\\Sigma). Menatapi tabel output AMOS dengan deretan indeks fit yang berwarna merah tanpa mengetahui cara merespesifikasi model secara efisien sering kali berujung pada tindakan trial-and-error yang tidak terarah, menghapus indikator secara acak, atau bahkan merusak struktur teoretis yang telah dibangun sejak awal.

\n\n
POHON MASALAH: AKAR PENYEBAB MODEL CB SEM TIDAK FIT PADA AMOS MODEL CB SEM TIDAK FIT (POOR GOODNESS OF FIT) CMIN/DF > 3.0 | RMSEA > 0.08 | CFI / TLI < 0.90 Kovarians Eror Redundan Korelasi Antar Kesalahan Indikator Omitted Cross-Loading Indikator Mengukur Lebih dari 1 Laten Jalur Direct Terabaikan Hubungan Struktural Belum Digambar Chi-Square Sampel Tinggi Deviasi Matriks S dan Sigma Besar Bias Pada Parameter Model Estimasi Koefisien Kurang Presisi Risiko Penolakan Jurnal Gagal Memenuhi Kriteria Validitas Fit SOLUSI METODOLOGIS: RESPESIFIKASI DENGAN MODIFICATION INDICES (MI) 1. Buka opsi output Modification Indices pada AMOS dengan threshold batas tertentu. 2. Hubungkan kovarians eror indikator ber-MI tinggi dalam satu konstruk sesuai rasional teoretis.
\n
\n
\n

Modification Indices (MI) merupakan fitur diagnostik matematis yang dikembangkan oleh Sörbom (1989) berdasarkan prinsip uji statistik Lagrange Multiplier (LM). Fitur ini dirancang khusus untuk mengidentifikasi parameter-parameter struktural yang di-constrain (ditetapkan bernilai nol) dalam spesifikasi awal model, namun berpotensi memberikan kontribusi penurunan statistik Chi-Square secara signifikan apabila parameter tersebut diestimasi secara bebas.

\n

Secara operasional, nilai statistik MI merepresentasikan perkiraan besarnya penurunan nilai Chi-Square (\\Delta \\chi^2) model dengan 1 derajat kebebasan (df = 1) jika suatu jalur struktural atau jalur kovarians dibuka. Sebagaimana dijelaskan oleh Jöreskog (1993), semakin besar nilai MI suatu parameter, semakin kuat pula indikasi statistik bahwa penambahan parameter tersebut akan meminimalkan diskrepansi antara matriks kovarians sampel teramati dan matriks kovarians implikasi model.

\n

Besaran angka MI selalu diiringi oleh nilai Parameter Change (Par Change) atau Expected Parameter Change (EPC). Saris, Satorra, dan van der Veld (2009) menggarisbawahi bahwa Par Change memperkirakan besaran absolute dan arah koefisien (positif atau negatif) dari jalur baru yang akan diestimasi. Oleh karena itu, evaluasi perbaikan model tidak boleh hanya berfokus pada besarnya angka MI, melainkan juga harus mempertimbangkan kewajaran substansial dari nilai Par Change tersebut.

\n

Dalam kerangka kerja SEM, Bollen (1989) mengingatkan bahwa penggunaan Modification Indices pada hakikatnya mengubah pendekatan analisis dari pengujian hipotesis murni (purely confirmatory) menjadi pendekatan eksplorasi model (model generation / respecification). Untuk memahami fondasi matematis mengenai matriks kovarians dan konsep dasar structural equation modeling, peneliti perlu merujuk pada prinsip estimasi Maximum Likelihood (ML) yang melandasinya.

\n

MacCallum, Roznowski, dan Necowitz (1992) menegaskan bahwa respesifikasi model berbasis MI harus dipandu secara ketat oleh kerangka teoretis. Menambahkan jalur korelasi atau regresi baru hanya demi mengejar indeks fit yang bagus tanpa landasan teori yang rasional berisiko menciptakan fenomena capitalization on chance, di mana model menjadi sangat spesifik pada sampel tertentu namun gagal ketika diuji pada populasi umum.

\n
\n
\n

Berikut adalah panduan dan tahapan teknis sistematis dalam memanfaatkan fitur Modification Indices pada software IBM SPSS AMOS untuk mengatasi model CB SEM yang tidak fit secara efektif dan ilmiah:

\n

Langkah 1: Mengaktifkan Output Modification Indices pada AMOS Graphics. Sebelum menjalankan estimasi model, buka menu utama AMOS, pilih View > Analysis Properties (atau tekan Ctrl+T). Klik pada tab Output, kemudian berikan tanda centang pada opsi Modification Indices. Pada kolom Threshold, biarkan nilai default 4,00 (yang merepresentasikan nilai kritis \\chi^2 dengan df = 1 pada tingkat signifikansi 0,05) atau naikkan menjadi 10,00 jika Anda ingin berfokus hanya pada penurunan Chi-Square yang sangat besar.

\n

Langkah 2: Menjalankan Estimasi Model dan Mengakses Text Output. Klik tombol Calculate Estimates (Ctrl+F5). Setelah proses iterasi selesai, buka dokumen keluaran dengan mengklik View Text (F2). Pada panel navigasi di sebelah kiri, pilih folder menu Modification Indices. Di dalamnya terdapat dua sub-tabel utama, yaitu Covariances dan Regression Weights.

\n

Langkah 3: Mengidentifikasi Nilai MI Terbesar pada Tabel Covariances. Langkah perbaikan awal paling aman adalah memeriksa tabel Covariances, khususnya hubungan antar istilah kesalahan (error terms) pada indikator-indikator teramati (ei \\leftrightarrow ej). Cari pasangan eror yang memiliki nilai MI terbesar. Menurut Kline (2016), nilai MI yang terisolasi tinggi di antara dua indikator dalam konstruk yang sama menandakan adanya overlap kandungan item (item redundancy) atau efek metode pengukuran yang serupa.

\n

Langkah 4: Mengevaluasi Kelayakan Teoretis Sebelum Menambah Kovarians Eror. Sebelum menarik garis korelasi dua arah, pastikan bahwa ei dan ej berasal dari indikator-indikator yang mengukur konstruk laten yang sama. Byrne (2016) memberikan pedoman tegas bahwa menghubungkan kovarians eror antar indikator yang terikat pada konstruk laten yang berbeda sangat tidak direkomendasikan karena dapat merusak validitas diskriminan dan mengaburkan makna konseptual variabel laten tersebut.

\n

Langkah 5: Menggambar Garis Kovarians (Double-Headed Arrow) pada Workspace. Kembali ke layar diagram jalur AMOS Graphics. Gunakan tool Draw Covariances (ikon panah dua arah) untuk menghubungkan pasangan istilah kesalahan (ei dan ej) yang terpilih berdasarkan analisis Step 3 dan Step 4.

\n

Langkah 6: Mengevaluasi Modification Indices pada Tabel Regression Weights (Jika Perlu). Apabila penambahan kovarians eror belum cukup membawa model ke kriteria fit, periksa tabel Regression Weights. Jika terdapat nilai MI yang sangat tinggi pada jalur regresi antar variabel laten yang belum terhubung, evaluasi apakah penambahan jalur direct path tersebut masuk akal secara teoretis. Jika ya, tambahkan garis panah searah (single-headed arrow) antar variabel laten tersebut.

\n

Langkah 7: Menjalankan Ulang Estimasi (Re-estimation) dan Verifikasi Indeks Fit. Jalankan kembali Calculate Estimates dan periksa tabel Model Fit. Amati penurunan statistik CMIN, penurunan RMSEA, serta peningkatan CFI dan TLI. Lakukan proses ini secara bertahap (satu atau dua modifikasi per iterasi) untuk menghindari modifikasi berlebihan (over-fitting) yang dapat mengurangi derajat kebebasan (df) secara drastis (Hair et al., 2019).

\n\n
POHON KEPUTUSAN PENGGUNAAN MODIFICATION INDICES PADA AMOS 1. Jalankan Estimasi Model SEM pada AMOS 2. Evaluasi Indeks Model Fit (CMIN/DF, RMSEA, CFI) MODEL SUDAH FIT (OK) Lanjut ke Interpretasi Uji Hipotesis MODEL TIDAK FIT (POOR FIT) Buka Output Modification Indices (MI) Cari Nilai MI Terbesar (> 10.00) Prioritaskan Covariances ei <--> ej Eror dalam 1 Laten Sama Tarik Garis Kovarians & Re-run Lintas Laten / Tanpa Teori JANGAN DIBUKA (Gagal Validitas)
\n

Contoh Tabel/Diagram Output Modification Indices AMOS dan Estimasi Par Change

\n\n
IBM SPSS AMOS Text Output - Modification Indices (Default model) Covariances: (Group number 1 - Default model) M.I. Par Change e1 <---> e2 (Indikator Kualitas Layanan) 28.641 0.215 e3 <---> e4 (Indikator Kepuasan Pelanggan) 14.820 0.154 e2 <---> e5 (Lintas Konstruk Variabel) 5.102 0.062 ILUSTRASI RESPESIFIKASI AMOS GRAPHICS BERSATUAN MI: F1 (Laten) X1 e1 X2 e2 Kovarians e1 <--> e2 (MI = 28.641) PENGARUH PADA MODEL FIT: • Menghubungkan e1 & e2 akan menurunkan Chi-Square sebesar ~28.6. • Perkiraan nilai korelasi eror baru (Par Change) = +0.215. • Status: Direkomendasikan (1 Laten)
\n

Berdasarkan ilustrasi keluaran tabel Modification Indices di atas, baris pertama menunjukkan pasangan istilah kesalahan e1 dan e2 memiliki nilai MI sebesar 28,641 dengan Par Change sebesar 0,215. Artinya, apabila peneliti menggambar garis korelasi dua arah antara e1 dan e2 pada AMOS Graphics, nilai total statistik Chi-Square model diperkirakan akan berkurang secara dramatis sebesar 28,641 poin, yang secara langsung akan menurunkan rasio CMIN/DF dan meningkatkan indeks kelayakan seperti CFI dan TLI.

\n
\n
\n

Penggunaan Modification Indices dalam analisis CB SEM memicu diskusi epistemologis yang cukup mendalam di kalangan ahli metodologi statistik. Di satu sisi, MI menawarkan solusi matematis yang sangat efisien untuk mengidentifikasi kesalahan spesifikasi (specification errors). Namun di sisi lain, kepatuhan buta terhadap angka MI tanpa pertimbangan teoretis berisiko merusak struktur konseptual penelitian.

\n

MacCallum et al. (1992) melakukan studi simulasi Monte Carlo untuk menguji keandalan respesifikasi model berbasis Modification Indices. Hasil studinya menunjukkan bahwa ketika ukuran sampel kecil hingga sedang (N < 300), pencarian jalur baru secara eksploratif berdasarkan statistik MI sering kali menghasilkan model yang salah (spurious paths). Hal ini terjadi karena statistik MI sangat sensitif terhadap variasi acak sampling (sampling noise).

\n

Mengenai isu korelasi antar istilah kesalahan (error covariances), Aish dan Jöreskog (1990) menjelaskan bahwa keberadaan kovarians eror yang signifikan antar indikator dalam satu konstruk laten umumnya disebabkan oleh beberapa faktor metodologis: (1) Kesamaan struktur atau susunan kata pada kuesioner (wording effects); (2) Efek kedekatan posisi item dalam instrumen pengumpulan data; atau (3) Keterikatan indikator pada faktor sekunder yang tidak terukur dalam model.

\n

Guna menghindari masalah ini, Saris, Satorra, dan van der Veld (2009) mengusulkan pendekatan komprehensif yang menggabungkan Modification Indices (MI), Expected Parameter Change (EPC), dan kekuatan uji statistik (Power of the Test). Mereka menegaskan bahwa nilai MI yang tinggi pada sampel berukuran sangat besar (N > 1000) mungkin hanya merepresentasikan penurunan statistik yang tidak berarti secara praktis jika nilai EPC-nya sangat kecil (misalnya EPC < 0,10).

\n

Sisi parsimoni model juga menjadi pertimbangan penting. Setiap kali peneliti membebaskan suatu parameter dengan menambah garis kovarians atau regresi, derajat kebebasan (df) model akan berkurang sebesar 1 unit. Mulaik et al. (1989) menggarisbawahi bahwa model dengan derajat kebebasan yang terlalu kecil akan kehilangan daya generalisasi. Oleh karena itu, peneliti disarankan selalu memantau indeks parsimoni seperti Parsimony Comparative Fit Index (PCFI) dan Akaike Information Criterion (AIC) saat melakukan modifikasi (Akaike, 1987).

\n

Apabila respesifikasi berbasis MI telah selesai dilakukan dan menghasilkan model yang fit, prosedur validasi silang (cross-validation) sangat direkomendasikan. Sebagaimana disarankan oleh Cudeck dan Browne (1983), peneliti idealnya membagi data sampel menjadi dua bagian: sampel calibrasi (calibration sample) untuk merespesifikasi model berbasis MI, dan sampel validasi (validation sample) untuk menguji apakah model baru tersebut tetap fit ketika diterapkan pada data independen yang belum pernah diolah.

\n
\n
\n

Kesimpulan

\n

Modification Indices (MI) merupakan instrumen diagnostik yang sangat berharga dalam perangkat lunak IBM SPSS AMOS untuk mengatasi masalah model CB SEM yang tidak fit. Fitur ini secara presisi memperkirakan besarnya penurunan nilai statistik Chi-Square jika parameter-parameter tertentu diestimasi secara bebas.

\n

Guna menjaga integritas ilmiah dan validitas penelitian, penerapan respesifikasi berbasis Modification Indices harus mengikuti kaidah-kaidah berikut: (1) Memprioritaskan penambahan kovarians eror (ei \\leftrightarrow ej) pada indikator-indikator yang berada dalam satu variabel laten yang sama; (2) Menghindari korelasi eror lintas variabel laten yang dapat merusak validitas konseptual; (3) Memastikan setiap modifikasi memiliki landasan teoretis atau penjelasan metodologis yang rasional; serta (4) Membatasi jumlah modifikasi agar derajat kebebasan (df) dan parsimoni model tetap terjaga secara optimal.

\n
\n
\n

Daftar Pustaka

\n\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:55:30+07:00", "date_modified": "2026-09-11T02:55:30+07:00" }, { "id": "https://statistikian.net/kesalahan-fatal-dalam-spesifikasi-model-struktural-cb-sem-dan-efeknya-pada-output/", "url": "https://statistikian.net/kesalahan-fatal-dalam-spesifikasi-model-struktural-cb-sem-dan-efeknya-pada-output/", "title": "Kesalahan Fatal dalam Spesifikasi Model Struktural CB SEM dan Efeknya pada Output", "summary": "Proses analisis Covariance-Based Structural Equation Modeling (CB SEM) sering kali terhenti akibat…", "content_html": "
\n
\n

Proses analisis Covariance-Based Structural Equation Modeling (CB SEM) sering kali terhenti akibat pesan eror yang membingungkan pada perangkat lunak IBM SPSS AMOS, seperti “The model is not identified. To achieve identification, it is necessary to impose additional constraints” atau status pembacaan “Execution terminated – Unidentified structural model”. Masalah teknis ini muncul akibat timbulnya kesalahan spesifikasi model struktural CB SEM, di mana hubungan antarvariabel laten atau penetapan batasan skala pengukuran tidak disusun sesuai dengan kaidah matematis dan landasan teoretis yang benar.

\n

Dampak langsung dari kesalahan spesifikasi ini tidak hanya terbatas pada kegagalan eksekusi algoritma Maximum Likelihood (ML), tetapi juga memicu munculnya estimasi parameter yang tidak masuk akal (Heywood cases, seperti nilai varians kesalahan yang negatif atau koefisien jalur terstandardisasi yang melebihi angka satu). Menatap layar monitor dengan deretan pesan eror berwarna merah tanpa memahami akar masalah matematis di baliknya tentu sangat menyita waktu dan dapat merusak validitas seluruh hasil penelitian akademis maupun profesional Anda.

\n\n
POHON MASALAH: AKAR PENYEBAB EROR SPESIFIKASI MODEL CB SEM KESALAHAN SPESIFIKASI MODEL STRUKTURAL Omitted Path, Missing Scaling Constraint, atau Salah Arah Hubungan Model Not Identified Derajat Kebebasan (df) Negatif / 0 Heywood Cases Varians Error Negatif & Path > 1 High Modification Index Model Fit Buruk (Chi-Square Tinggi) Running AMOS Gagal Output Parameter Tidak Keluar Bias Estimasi Jalur Distorsi Seluruh Koefisien Model Uji Hipotesis Misleading Kesimpulan Teoritis Keliru SOLUSI METODOLOGIS DAN AUDIT SPESIFIKASI MODEL 1. Tetapkan Unit Loading Constraint (nilai 1) pada satu indikator per variabel laten. 2. Hubungkan korelasi kovarians antar variabel eksogen dan jalankan audit Modification Indices.
\n
\n
\n

Spesifikasi model merupakan tahapan paling awal sekaligus paling krusial dalam prosedur pengujian Structural Equation Modeling. Pada tahap ini, peneliti mengonversi kerangka teoretis dan hipotesis penelitian ke dalam diagram jalur (path diagram) serta serangkaian persamaan matematis yang merepresentasikan struktur hubungan antarvariabel.

\n

Sebagaimana dijelaskan oleh Bollen (1989), spesifikasi model menetapkan asumsi-asumsi mendasar mengenai variabel mana yang berkedudukan sebagai variabel eksogen, variabel endogen, serta bagaimana variabel-variabel tersebut saling berhubungan melalui jalur langsung maupun tidak langsung. Kesalahan pada tahap ini akan memicu efek domino yang merusak seluruh proses pengujian statistik selanjutnya.

\n

Kline (2016) menggarisbawahi bahwa kesalahan spesifikasi (specification error) terjadi ketika model matematis yang dihipotesiskan berbeda secara fundamental dari model struktural yang sebenarnya berlaku di populasi. Kesalahan ini terbagi menjadi dua kategori utama, yaitu *under-specification* (menghilangkan jalur struktural yang seharusnya ada) dan *over-specification* (memasukkan jalur struktural yang sebenarnya tidak relevan di populasi).

\n

MacCallum (1995) menegaskan bahwa dampak dari *under-specification* jauh lebih berbahaya dibandingkan *over-specification*. Ketika sebuah jalur struktural yang valid diabaikan, varians yang seharusnya dijelaskan oleh jalur tersebut akan terdorong masuk ke dalam komponen kesalahan (error term) atau terdistorsi ke koefisien jalur lain. Kondisi ini memicu munculnya bias variabel yang diabaikan (omitted variable bias), yang secara otomatis membiaskan seluruh estimasi koefisien regresi dalam jaringan model.

\n

Syarat mutlak agar suatu model CB SEM dapat diestimasi oleh algoritma komputer adalah terpenuhinya kondisi identifikasi model (model identification). McDonald dan Ho (2002) menjelaskan bahwa suatu model dikatakan teridentifikasi apabila terdapat cukup informasi pada matriks kovarians sampel teramati untuk menghasilkan nilai unik bagi setiap parameter bebas yang diestimasi. Untuk mendalami konsep persamaan kovarians dan teori dasar structural equation modeling secara menyeluruh, peneliti disarankan mempelajari landasan matriks kovarians terlebih dahulu.

\n
\n
\n

Untuk mengatasi kendala spesifikasi model struktural dan menyelesaikan eror saat running data pada AMOS, berikut adalah langkah-langkah audit dan perbaikan teknis mandiri yang terstruktur secara ilmiah:

\n

Langkah 1: Periksa Skala Pengukuran Variabel Laten (Unit Loading Constraint). Setiap variabel laten yang tidak teramati (unobserved latent variable) wajib memiliki penetapan skala pengukuran. Hal ini dilakukan dengan menetapkan nilai muatan faktor (loading factor) sebesar 1,0 pada salah satu indikatornya, atau menetapkan nilai varians variabel laten tersebut sebesar 1,0 (unit variance constraint).

\n

Menurut Kline (2016), kegagalan menetapkan constraint nilai 1 pada salah satu indikator menyebabkan variabel laten tidak memiliki unit pengukuran yang terdefinisi secara matematis. Akibatnya, matriks persamaan tidak dapat diselesaikan dan AMOS akan mengeluarkan pesan eror identifikasi secara instan.

\n

Langkah 2: Hubungkan Garis Kovarians (Dua Arah) Antar Seluruh Variabel Eksogen. Dalam CB SEM standar, seluruh variabel laten eksogen (variabel yang tidak menerima panah masuk dari variabel lain) diasumsikan saling berkorelasi secara bebas, kecuali jika ada alasan teoretis yang sangat kuat untuk menetapkan korelasinya sebesar nol.

\n

Sebagaimana diingatkan oleh Hair et al. (2019), membiarkan dua atau lebih variabel eksogen tanpa garis kovarians dua arah secara implisit memaksa model mengasumsikan korelasi antarvariabel tersebut bernilai nol absolut (orthogonality assumption). Jika di populasi asli variabel-variabel tersebut sebenarnya berkorelasi, pemaksaan korelasi nol ini akan menimbulkan eror spesifikasi struktural yang serius.

\n

Langkah 3: Audit Derajat Kebebasan Model (Degrees of Freedom). Hitung jumlah informasi unik pada matriks kovarians teramati dengan rumus p(p + 1) / 2, di mana p adalah jumlah indikator teramati. Selanjutnya, hitung jumlah parameter bebas (q) yang akan diestimasi oleh model.

\n

Syarat order condition menetapkan bahwa derajat kebebasan (df = \\text{informasi unik} - q) harus bernilai lebih besar atau sama dengan nol (df \\ge 0). Jika df < 0, model tergolong *under-identified* dan tidak akan pernah dapat diestimasi oleh software statistik (Bentler & Chou, 1987).

\n

Langkah 4: Evaluasi dan Buka Jalur Struktural Berdasarkan Modification Indices (MI). Apabila model berhasil running tetapi menghasilkan nilai *Goodness of Fit* yang buruk (nilai Chi-Square sangat tinggi dan CFI rendah), buka bagian output *Modification Indices* pada AMOS.

\n

Sörbom (1989) menjelaskan bahwa nilai MI memberikan estimasi besarnya penurunan nilai Chi-Square jika suatu jalur yang sebelumnya ditutup (ditentukan bernilai nol) dibuka kembali. Namun, MacCallum et al. (1992) memberikan peringatan keras bahwa penambahan jalur berdasarkan MI hanya boleh dilakukan jika jalur tersebut memiliki justifikasi teoretis yang rasional, bukan sekadar mengikuti dorongan pencocokan data secara otomatis (data-driven respecification).

\n

Langkah 5: Terapkan Penanganan Kasus Heywood (Negative Error Variance). Jika output AMOS menampilkan nilai varians kesalahan bernilai negatif pada indikator atau variabel endogen, periksa keberadaan data pencilan (outliers) atau ukuran sampel yang terlalu kecil. Jika data sudah bersih, berikan batasan matematis (constraint) berupa nilai konstan positif kecil (misalnya 0,001) pada varians eror tersebut.

\n

Kolenikov dan Bollen (2012) menyatakan bahwa menetapkan batasan non-negatif pada varians eror merupakan solusi teknis yang sah untuk mencegah algoritma optimasi terjebak dalam ruang parameter yang tidak sah (boundary estimates) selama proses iterasi.

\n

Langkah 6: Gunakan Pendekatan Dua Tahap (Two-Step Modeling Approach). Sebelum menguji model struktural, pastikan model pengukuran (measurement model) melalui *Confirmatory Factor Analysis* (CFA) telah tervalidasi secara sempurna tanpa ada masalah konvergensi atau eror identifikasi.

\n

Sesuai dengan rekomendasi klasik Anderson dan Gerbing (1988), memisahkan evaluasi model pengukuran dari model struktural memungkinkan peneliti mendeteksi secara presisi apakah sumber eror spesifikasi berasal dari indikator yang buruk atau dari jalur hubungan antarvariabel laten.

\n\n
POHON KEPUTUSAN PENANGANAN EROR SPESIFIKASI MODEL CB SEM 1. Jalankan Analisis Model pada AMOS 2. Evaluasi Status Identifikasi Model (Pesan Eror AMOS) MODEL NOT IDENTIFIED (EROR) Missing Constraint / Covariance Exogenous MODEL TERIDENTIFIKASI (OK) Derajat Kebebasan (df) > 0 SOLUSI TEKNIS AMOS: Set Loading 1 / Tarik Kovarians Eksogen 3. Periksa Output Parameter & Fit HEYWOOD / FIT BURUK Fix Varians Eror / Audit MI Teoritis MODEL FIT & VALID Interpretasi Hipotesis
\n

Contoh Tabel/Diagram Output Identification Status and Modification Indices CB SEM

\n\n
IBM SPSS AMOS Output Window - Notes for Model & Modification Indices Computation of degrees of freedom (Default model) Number of distinct sample moments: 105 Number of distinct parameters to be estimated: 42 Degrees of freedom (105 - 42): 63 --- [ Model is Over-identified (OK) ] Result (Default model): Minimum was achieved / WARNING: Unspecified Exogenous Covariance Regression Weights: (Group number 1 - Default model) M.I. Par Change Y2 (Kepuasan) <--- X2 (Kualitas Layanan) 18.452 0.342 Y1 (Kepercayaan) <--- e5 (Error Indikator) 4.112 0.081 PANDUAN MEMBACA KELUARAN OUTPUT SPESIFIKASI AMOS DI ATAS: • Derajat Kebebasan (df) bernilai 63 (> 0), mengonfirmasi bahwa model struktural secara matematis teridentifikasi (*over-identified*). • Nilai M.I. tinggi (18.452) pada jalur X2 ke Y2 menunjukkan bahwa mengabaikan jalur langsung ini menyebabkan penurunan fit model secara signifikan.
\n

Berdasarkan ilustrasi keluaran output AMOS di atas, peneliti dapat melakukan evaluasi dua tingkat. Pertama, bagian Notes for Model memastikan bahwa jumlah momen sampel teramati (105) melebihi jumlah parameter yang diestimasi (42), sehingga menghasilkan derajat kebebasan positif sebesar 63 yang menandakan model aman dari eror identifikasi. Kedua, bagian Modification Indices memberikan petunjuk empiris mengenai jalur-jalur struktural yang belum terakomodasi dalam spesifikasi awal model.

\n
\n
\n

Pembahasan ilmiah mengenai dampak kesalahan spesifikasi model struktural berpusat pada bagaimana fungsi diskrepansi F_{ML} mengoptimalkan estimasi parameter. Fungsi optimasi ini meminimalkan selisih antara matriks kovarians sampel teramati (S) dan matriks kovarians yang diimplikasikan oleh model (\\Sigma).

\n

Ketika suatu model struktural mengalami kesalahan spesifikasi, matriks kovarians implikasi model (\\Sigma) dipaksa mengikuti struktur matematis yang keliru. Hayduk (1987) menjelaskan bahwa pemaksaan struktur yang tidak sesuai ini mengakibatkan proses perulangan kalkulasi (iterative estimation) gagal menemukan titik balik fungsi log-likelihood yang konvergen.

\n

Fenomena mendasar lainnya adalah penyebaran bias spesifikasi (propagation of misspecification bias) dalam sistem persamaan simultan. Asparouhov dan Muthén (2009) membuktikan secara empiris bahwa eror spesifikasi pada satu bagian kecil dari model struktural tidak akan terisolasi di area tersebut saja, melainkan akan merambat dan merusak presisi estimasi parameter pada bagian model lainnya yang sebenarnya terspesifikasi dengan benar.

\n

Isu respesifikasi model berbasis Modification Indices (MI) juga memerlukan kecermatan epistemologis. Tomarken dan Waller (2003) mengingatkan bahwa melakukan modifikasi model semata-mata untuk mengejar indeks *Goodness of Fit* yang tinggi tanpa dilandasi teori (capitalization on chance) sangat berbahaya. Praktik ini berisiko menghasilkan model yang sangat cocok dengan sampel data tertentu, tetapi gagal total ketika direplikasi pada sampel populasi yang berbeda (poor cross-validation).

\n

Di samping itu, fenomena model ekuivalen (equivalent models) juga menjadi perhatian penting dalam spesifikasi struktural. Stelzl (1986) serta Raykov dan Penev (1999) menunjukkan bahwa untuk satu set data matriks kovarians yang sama, sering kali terdapat beberapa arsitektur diagram jalur yang berbeda secara konseptual tetapi menghasilkan nilai fit statistik yang identik secara sempurna. Oleh karena itu, justifikasi teoretis yang kuat merupakan satu-satunya benteng untuk mempertahankan kebenaran spesifikasi model.

\n

Dalam konteks pengujian efek mediasi atau jalur tidak langsung (indirect effects), kesalahan spesifikasi direct path memicu distorsi serius pada uji Sobel maupun prosedur *bootstrapping*. Preacher dan Hayes (2008) menggarisbawahi bahwa mengabaikan jalur langsung antara variabel independen dan dependen akan secara artifisial menginflasi besarnya koefisien jalur mediasi, sehingga menghasilkan kesimpulan mediasi yang salah (spurious mediation effect).

\n

Untuk meminimalkan risiko kesalahan spesifikasi ini, Mulaik et al. (1989) menekankan pentingnya mengevaluasi indeks kelayakan parsimoni seperti *Parsimony Comparative Fit Index* (PCFI) dan *Parsimony Normed Fit Index* (PNFI). Indeks-indeks ini memberikan penalti matematis terhadap model yang terlalu kompleks atau over-parameterized, sehingga mendorong peneliti untuk selalu memilih spesifikasi model yang paling efisien dan berlandaskan teori.

\n

Terakhir, strategi validasi silang (cross-validation strategy) seperti membagi data menjadi sampel estimasi dan sampel validasi (split-sample validation) direkomendasikan oleh Cudeck dan Browne (1983). Strategi ini memastikan bahwa model struktural yang telah diperbaiki benar-benar mencerminkan struktur hubungan antarkonstruk yang stabil dan generalisabel di populasi target.

\n
\n
\n

Kesimpulan

\n

Kesalahan spesifikasi model struktural CB SEM merupakan kendala serius yang dapat menggagalkan analisis dan merusak validitas kesimpulan penelitian. Mengabaikan penetapan skala pengukuran, mengabaikan korelasi variabel eksogen, atau menghilangkan jalur langsung yang relevan secara teoretis akan memicu eror identifikasi pada AMOS, munculnya *Heywood cases*, hingga timbulnya bias pada estimasi koefisien jalur.

\n

Guna memastikan model struktural CB SEM terbebas dari kesalahan spesifikasi, peneliti disarankan menerapkan prosedur sistematis berikut: (1) Memastikan penetapan *unit loading constraint* pada setiap variabel laten; (2) Menghubungkan garis korelasi kovarians antar variabel eksogen; (3) Mengaudit derajat kebebasan model (df \\ge 0); (4) Melakukan respesifikasi jalur berbasis *Modification Indices* secara hati-hati dengan rujukan teori yang kuat; serta (5) Menerapkan pendekatan dua tahap (*Two-Step Modeling Approach*) untuk memvalidasi model pengukuran sebelum menguji model struktural.

\n
\n
\n

Daftar Pustaka

\n\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:49:23+07:00", "date_modified": "2026-09-11T02:49:23+07:00" }, { "id": "https://statistikian.net/cara-menentukan-ukuran-sampel-minimal-yang-dibutuhkan-untuk-analisis-cb-sem-amos/", "url": "https://statistikian.net/cara-menentukan-ukuran-sampel-minimal-yang-dibutuhkan-untuk-analisis-cb-sem-amos/", "title": "Cara Menentukan Ukuran Sampel Minimal yang Dibutuhkan untuk Analisis CB SEM AMOS", "summary": "Ketika menjalankan analisis Covariance-Based Structural Equation Modeling (CB SEM) menggunakan perangkat lunak…", "content_html": "

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).

\n

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.

\n\n
POHON MASALAH: AKAR PENYEBAB EROR UKURAN SAMPEL PADA CB SEM AMOS UKURAN SAMPEL TIDAK MEMADAI (N KECIL) Matriks Kovarians Sampel Kurang Informasi & Tidak Unbiased Non-Convergent Solution Iterasi AMOS Berhenti / Gagal Matrix Not Positive Definite Determinan Matriks Mendekati Nol Heywood Cases & High SE Varians Error Negatif / SE Inflasi Estimasi Parameter Bias Koefisien Jalur Tidak Stabil Fit Indices Gagal Muncul CFI, RMSEA, & NFI Kosong Uji Hipotesis Tidak Valid Risiko Kesalahan Tipe I & II SOLUSI METODOLOGIS DAN CATATAN PERBAIKAN 1. Gunakan rasio N:q (minimal 5 hingga 10 responden per 1 parameter bebas yang diestimasi). 2. Evaluasi Indeks Hoelter Critical N (> 200) serta terapkan Bollen-Stine Bootstrap jika data tidak normal.
\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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:

\n

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.

\n

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).

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n\n
POHON KEPUTUSAN PENENTUAN UKURAN SAMPEL CB SEM AMOS 1. Hitung Jumlah Parameter Bebas Model (q) 2. Tentukan Target N berdasarkan Rasio N:q (5:1 s.d. 10:1) Rasio N:q < 5 : 1 (RISIKO EROR) Matriks Singular / Non-Positive Definite Rasio N:q ≥ 5 : 1 (CUKUP) Identifikasi Model Terpenuhi SOLUSI METODOLOGIS: Tambah Sampel ATAU Terapkan Item Parceling Uji Normalitas Multivariat Mardia TIDAK NORMAL MULTIVARIAT Gunakan Bollen-Stine Bootstrap / +50% N NORMAL MULTIVARIAT Running AMOS Standar Valid
\n

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

\n\n
IBM SPSS AMOS Output Window - Goodness of Fit Summary (HOELTER Critical N) Model Fit Index HOELTER .05 HOELTER .01 Status Ukuran Sampel Default model (N Observasi = 260) 245 288 MEMADAI (CUKUP) Saturated model - - - Independence model 28 31 TIDAK MEMADAI PANDUAN MEMBACA KELUARAN OUTPUT AMOS DI ATAS: • Nilai Hoelter 0.05 menunjukkan angka 245. Karena jumlah sampel aktual yang digunakan (N = 260) > 245, maka sampel mencukupi pada alpha 5%. • Nilai Hoelter 0.01 menunjukkan angka 288. Jika analisis diuji pada alpha 1%, maka N = 260 masih membutuhkan tambahan 28 responden. • Evaluasi Rasio Parameter: Total parameter bebas (q) = 32. Rasio N:q = 260 : 32 = 8,125 : 1 (Memenuhi standar ideal 5:1 hingga 10:1).
\n

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.

\n

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).

\n

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.

\n

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”.

\n

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).

\n

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).

\n

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.

\n

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.

\n

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).

\n

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.

\n

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).

\n

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.

\n

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.

\n

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).

\n

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.

\n

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.

\n

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).

\n

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.

\n

Kesimpulan

\n

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.

\n

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.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:44:27+07:00", "date_modified": "2026-09-11T02:44:27+07:00" }, { "id": "https://statistikian.net/interpretasi-standardized-vs-unstandardized-estimates-pada-hasil-cb-sem-amos-dan-perbedaan-keduanya/", "url": "https://statistikian.net/interpretasi-standardized-vs-unstandardized-estimates-pada-hasil-cb-sem-amos-dan-perbedaan-keduanya/", "title": "Interpretasi Standardized vs Unstandardized Estimates pada Hasil CB SEM AMOS dan Perbedaan Keduanya", "summary": "Interpretasi Standardized vs Unstandardized Estimates pada Hasil CB SEM AMOS dan Perbedaan…", "content_html": "
\n

Interpretasi Standardized vs Unstandardized Estimates pada Hasil CB SEM AMOS dan Perbedaan Keduanya sering kali menimbulkan kebingungan mendasar bagi peneliti saat mengevaluasi luaran analisis regresi struktural. Gejala masalah ini biasanya muncul ketika peneliti bingung menentukan nilai mana yang harus dilaporkan untuk pengujian hipotesis, menemukan nilai Standardized Estimates yang melampaui angka 1,00, atau mendapati hilangnya nilai Standard Error (SE) dan Critical Ratio (c.r.) pada tabel Standardized Regression Weights.

\n

Kesalahan interpretasi ini berpotensi memicu kekeliruan fatal dalam penarikan kesimpulan. Peneliti sering kali salah memilih estimasi unstandardized untuk membandingkan besaran pengaruh antardimensi yang memiliki skala berbeda, atau sebaliknya, menggunakan nilai standardized untuk menyusun persamaan struktural murni pada data sampel asli.

\n\n
Dilema Interpretasi Parameter Estimates CB-SEM Salah Pilih Acuan Uji Hipotesis Menggunakan Standardized untuk Mencari p-value Anomali Nilai Beta > 1,00 Indikasi Multikolinearitas / Heywood Case Hilangnya Nilai S.E. & C.R. Tabel Standardized Tidak Menampilkan Uji t Bias Perbandingan Kekuatan Jalur Membandingkan Unstandardized pada Skala Beda SOLUSI: Pemisahan Fungsi Evaluasi Parameter secara Tepat Unstandardized untuk Uji Hipotesis & Standardized untuk Rangking Pengaruh Relatif
\n

Bollen (1989) menjelaskan bahwa unstandardized estimates (penaksir tidak terstandarisasi) merepresentasikan perubahan rata-rata pada variabel dependen untuk setiap perubahan satu unit pada variabel independen, dalam satuan skala pengukuran aslinya.

\n

Sebaliknya, Hair et al. (2019) mendefinisikan standardized estimates (penaksir terstandarisasi) sebagai koefisien yang telah ditransformasikan ke dalam satuan standar simpangan baku. Hal ini menghilangkan efek perbedaan unit skala pengukuran asli dari setiap indikator atau variabel laten.

\n

Menurut Kline (2023), pengujian signifikansi statistik (seperti nilai p-value, nilai t-statistic, atau Critical Ratio) secara matematis diturunkan murni dari unstandardized estimates beserta standard error (SE) aslinya.

\n

Byrne (2016) menegaskan bahwa standardized estimates sangat esensial ketika peneliti hendak membandingkan kekuatan relatif dari beberapa jalur hubungan antarvariabel laten yang diukur menggunakan skala kuesioner yang berbeda.

\n

Peneliti yang ingin memahami landasan teori pemodelan persamaan struktural secara komprehensif dapat mempelajari materi dasarnya di domain utama statistikian.com.

\n

Langkah teknis pertama, buka luaran text AMOS Graphics dan cermati tabel Regression Weights: (Group number 1 - Default model) untuk memperoleh nilai Unstandardized Estimates, Standard Error (S.E.), Critical Ratio (C.R.), dan p-value (P).

\n

Langkah teknis kedua, gunakan nilai pada kolom Estimate di tabel unstandardized tersebut khusus untuk menjawab pengujian hipotesis dan menyusun persamaan struktural regresi murni.

\n

Langkah teknis ketiga, evaluasi kolom C.R. dan P. Nilai C.R. yang melebihi 1,96 pada tingkat signifikansi 5 persen (p-value < 0,05) mengindikasikan bahwa jalur hubungan antarvariabel signifikan secara statistik (Byrne, 2016).

\n

Langkah teknis keempat, beralihlah ke tabel Standardized Regression Weights: (Group number 1 - Default model) untuk melihat besaran bobot pengaruh relatif terstandarisasi.

\n

Langkah teknis kelima, perhatikan bahwa pada tabel Standardized Regression Weights, Anda tidak akan menemukan nilai S.E. maupun C.R. Hal ini merupakan kondisi normal karena pengujian signifikansi t-statistik telah tuntas dilakukan pada tabel unstandardized (Kline, 2023).

\n

Langkah teknis keenam, gunakan nilai Standardized Estimates (sering disebut sebagai nilai Beta) untuk membandingkan variabel independen mana yang memberikan kontribusi dampak paling dominan terhadap variabel dependen.

\n

Langkah teknis ketujuh, jika Anda menemukan nilai Standardized Estimate melampaui angka 1,00 (misalnya 1,05), segera identifikasi adanya indikasi multikolinearitas yang tinggi antarvariabel laten atau keberadaan Heywood case pada varians kesalahan (Hair et al., 2019).

\n

Langkah teknis kedelapan, lakukan evaluasi nilai Squared Multiple Correlations (R-squared) pada luaran standardized untuk mengukur seberapa besar varians variabel endogen mampu dijelaskan oleh variabel eksogen.

\n

Langkah teknis kesembilan, pada pengujian model pengukuran (Confirmatory Factor Analysis / CFA), gunakan nilai Standardized Loading Factor (SLF) untuk mengevaluasi validitas konvergen (SLF >= 0,50 atau 0,70) dan menghitung nilai Average Variance Extracted (AVE).

\n

Langkah teknis kesepuluh, hindari menghitung nilai AVE atau Construct Reliability (CR) menggunakan nilai Unstandardized Estimates, karena hal tersebut akan menghasilkan angka kalkulasi yang terdistorsi dan keliru.

\n

Langkah teknis kesebelas, dokumentasikan kedua jenis estimasi ini secara terpisah pada bab hasil penelitian untuk menjaga transparansi metodologis yang baik.

\n\n
1. Tentukan Tujuan Analisis Parameter CB-SEM Uji Hipotesis & Persamaan Struktural Gunakan Unstandardized Estimates Ranking Pengaruh & Evaluasi CFA (AVE/CR) Gunakan Standardized Estimates 2. Cek Kolom Estimate, S.E., C.R., dan P 2. Cek Nilai Beta / Loading Factor Evaluasi Signifikansi: Jika C.R. > 1,96 & p < 0,05 Hipotesis Diterima Persamaan Struktural: Gunakan Estimate Asli Sesuai Skala Ukur Perbandingan Pengaruh: Urutkan Nilai Beta Bebas Efek Skala Jika Beta > 1,00: Cek Multikolinearitas Atau Varians Negatif
\n

Contoh Tabel/Diagram Output Comparison Unstandardized vs Standardized Estimates CB SEM AMOS

\n\n
Perbandingan Output Regression Weights & Standardized Regression Weights 1. Regression Weights (Unstandardized Estimates - Untuk Uji Hipotesis): Jalur Hubungan Estimate S.E. C.R. P Keputusan Y1 <--- X1 0,452 0,112 4,035 *** Signifikan Y1 <--- X2 1,240 0,480 2,583 0,010 Signifikan Y1 <--- X3 0,085 0,092 0,924 0,355 Tidak Signifikan 2. Standardized Regression Weights (Untuk Ranking Pengaruh Relatif): Jalur Hubungan Std. Estimate (Beta) Rangking Pengaruh Catatan Penting Y1 <--- X1 0,512 Paling Dominan (Peringkat 1) Skala Likert 1-5 Y1 <--- X2 0,310 Peringkat 2 Skala Rasio (Juta Rp) Y1 <--- X3 0,072 Peringkat Terlemah Pengaruh Tidak Signifikan Cara Membaca Output Perbandingan: 1. Nilai Unstandardized Estimate X2 (1,240) terlihat jauh lebih besar dari X1 (0,452) karena X2 diukur dalam satuan Juta Rupiah. 2. Namun setelah di-standardized, X1 ternyata memiliki bobot Beta lebih tinggi (0,512) dibanding X2 (0,310). 3. Kesimpulan: X1 memberikan kontribusi pengaruh relatif yang lebih kuat terhadap Y1 dibandingkan X2.
\n

Berdasarkan peragaan luaran simulasi pada tabel di atas, interpretasi diawali dengan mencermati tabel pertama, yaitu Regression Weights (Unstandardized Estimates). Pada tabel ini, variabel X1 memiliki nilai Estimate sebesar 0,452 dengan nilai C.R. sebesar 4,035 dan p-value bertanda tiga bintang (p < 0,001). Sementara itu, variabel X2 memiliki nilai Estimate sebesar 1,240 dengan nilai C.R. sebesar 2,583 dan p-value sebesar 0,010. Karena kedua nilai p-value berada di bawah 0,05, maka hipotesis yang menyatakan X1 dan X2 berpengaruh terhadap Y1 sama-sama diterima secara statistik.

\n

Jika peneliti hanya melihat angka Unstandardized Estimate, variabel X2 seolah-olah memberikan pengaruh yang jauh lebih besar (1,240) dibandingkan variabel X1 (0,452). Namun, penarikan kesimpulan ini keliru karena variabel X2 diukur menggunakan skala rasio nominal (Juta Rupiah), sedangkan variabel X1 diukur menggunakan skala Likert 1 hingga 5.

\n

Untuk menentukan variabel mana yang memiliki kontribusi pengaruh paling dominan secara adil, perhatian dialihkan ke tabel kedua, yaitu Standardized Regression Weights. Pada luaran terstandarisasi, nilai Beta untuk X1 tercatat sebesar 0,512, sedangkan nilai Beta untuk X2 tercatat sebesar 0,310.

\n

Dengan demikian, dapat disimpulkan secara akurat bahwa variabel X1 sebenarnya memiliki kekuatan pengaruh relatif yang lebih dominan terhadap Y1 dibandingkan variabel X2, setelah dampak perbedaan unit skala pengukuran dieliminasi secara statistik.

\n

Pemahaman mendalam mengenai perbedaan matematis antara standardized dan unstandardized estimates merupakan prasyarat mutlak dalam pelaporan analisis CB-SEM yang sahih. Kline (2023) menggarisbawahi bahwa unstandardized estimates bersifat terikat skala (scale-dependent). Karakteristik ini sangat berguna ketika peneliti ingin memprediksi nilai riil variabel terikat dalam unit asli atau melakukan studi komparatif antar-sampel yang menggunakan instrumen kuesioner berskala identik.

\n

Di sisi lain, Jöreskog dan Sörbom (1993) menyatakan bahwa standardized estimates bersifat bebas skala (scale-free). Transformasi ini dilakukan dengan mengalikan koefisien unstandardized dengan rasio simpangan baku variabel independen terhadap simpangan baku variabel dependen. Oleh karena itu, koefisien terstandarisasi dapat diinterpretasikan secara analog seperti koefisien korelasi atau bobot jalur relatif dalam analisis jalur (path analysis).

\n

Temuan berupa nilai Standardized Estimate yang melampaui angka 1,00 pada analisis regresi struktural kerap membingungkan peneliti. Hair et al. (2019) menjelaskan bahwa meskipun secara teoritis nilai loading terstandarisasi berada pada rentang -1,00 hingga +1,00, nilai melebihi 1,00 dapat terjadi akibat multikolinearitas yang sangat tinggi antar-konstruk (multicollinearity) atau akibat estimasi varians kesalahan yang bernilai negatif (Heywood case).

\n

Dalam pengujian model pengukuran (CFA), Byrne (2016) mengingatkan agar kalkulasi validitas dan reliabilitas instrumen seperti Average Variance Extracted (AVE) dan Construct Reliability (CR) wajib mengekstraksi nilai Standardized Loading Factor (SLF). Menggunakan koefisien unstandardized untuk menghitung AVE akan menghasilkan nilai ekstraksi varians yang keliru karena belum diselaraskan ke dalam skala baku.

\n

Rekomendasi terbaik dalam penulisan laporan penelitian ilmiah adalah menyajikan kedua tabel estimasi secara bersisian. Tabel unstandardized dilengkapi dengan informasi S.E., C.R., dan p-value untuk pembuktian hipotesis, sedangkan kolom standardized estimate ditambahkan di sebelahnya untuk memberikan gambaran besaran efek (effect size) serta peringkat kontribusi relatif antarvariabel (Bollen, 1989).

\n

Penerapan prosedur pelaporan yang presisi ini memastikan bahwa hasil analisis persamaan struktural berbasis kovarians yang disajikan bebas dari bias interpretasi dan memenuhi standar publikasi akademik internasional.

\n

Kesimpulan

\n

Pembedaan antara Standardized dan Unstandardized Estimates pada CB SEM AMOS terletak pada fungsi dan interpretasi skalanya. Unstandardized Estimates (dilengkapi nilai S.E., C.R., dan p-value) wajib digunakan sebagai acuan utama pengujian hipotesis dan penyusunan persamaan struktural murni. Sementara itu, Standardized Estimates (nilai Beta tanpa S.E.) digunakan untuk membandingkan besaran kekuatan pengaruh relatif antarvariabel laten yang memiliki unit skala berbeda, serta menjadi dasar perhitungan validitas konvergen (AVE dan CR) pada analisis CFA.

\n

Daftar Pustaka

\n
    \n
  1. Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
    2. \n
  2. Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.
    5. \n
  5. Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.
    6. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:35:33+07:00", "date_modified": "2026-09-11T02:35:33+07:00" }, { "id": "https://statistikian.net/uji-asumsi-normalitas-multivariat-dalam-pemodelan-cb-sem-amos-dan-penggunaan-alternatif-maximum-likelihood/", "url": "https://statistikian.net/uji-asumsi-normalitas-multivariat-dalam-pemodelan-cb-sem-amos-dan-penggunaan-alternatif-maximum-likelihood/", "title": "Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM AMOS dan Penggunaan Alternatif Maximum Likelihood", "summary": "Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM AMOS dan Penggunaan Alternatif…", "content_html": "
\n

Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM AMOS dan Penggunaan Alternatif Maximum Likelihood menjadi topik krusial ketika peneliti mendapati nilai critical ratio (c.r.) pada baris multivariate kurtosis dalam tabel Assessment of Normality melampaui ambang batas 2,58. Gejala ketidaknormalan multivariat ini berimbas langsung pada biasnya pengujian model struktural, di mana statistik Chi-Square menjadi terlalu besar (over-inflated), nilai Standard Error (SE) terdistorsi menjadi terlalu kecil, dan nilai p-value untuk setiap koefisien jalur menjadi tidak akurat.

\n

Dampak utama dari pelanggaran asumsi ini adalah terjadinya kesalahan Tipe I (Type I Error), di mana hubungan antarvariabel yang sebetulnya tidak signifikan secara teoritis justru terdeteksi signifikan secara statistik. Ketika metode estimasi bawaan Maximum Likelihood (ML) tetap dipaksakan pada data yang tidak berdistribusi normal multivariat, indikator kecocokan model (Goodness of Fit) seperti CMIN, RMSEA, dan CFI akan memberikan gambaran penyesuaian yang keliru, sehingga model yang sebenarnya valid terancam ditolak secara prematur.

\n\n
Evaluasi Normalitas Multivariat CB-SEM AMOS c.r. Kurtosis Multivariat > 2,58 Pelanggaran Asumsi Normalitas Data Maximum Likelihood (ML) Invalidation Standard Error Bias & Chi-Square Inflated Distorsi Indikator Model Fit Model Bagus Terdeteksi Unfit Secara Palsu Keputusan Hipotesis Spurious Tingginya Risiko Kesalahan Tipe I SOLUSI: Estimasi Alternatif & Bollen-Stine Bootstrap Gunakan Metode ADF/WLS, GLS, atau Bollen-Stine p-value Correction
\n

Landasan teoritis Covariance-Based Structural Equation Modeling (CB-SEM) berbasiskan pada asumsi bahwa variabel-variabel manifes yang dianalisis mengikuti distribusi normal multivariat (Bollen, 1989). Asumsi ini menjadi fondasi utama dalam fungsi peminimalkan matematis pada estimasi Maximum Likelihood (ML) guna menghasilkan penaksir yang bersifat Unbiased, Efficient, and Consistent.

\n

Menurut West et al. (1995), distribusi normal multivariat tidak hanya menuntut setiap variabel individu berdistribusi normal secara univariat, melainkan juga menuntut seluruh kombinasi linear dari variabel-variabel tersebut membentuk distribusi normal bersama. Koefisien multivariate kurtosis yang diperkenalkan oleh Mardia menjadi tolok ukur standar untuk mengevaluasi derajat kepencengan bentuk distribusi populasi dalam software AMOS (Byrne, 2016).

\n

Apabila distribusi data menyimpang secara signifikan dari norma multivariat, fungsi fitting ML cenderung menaksir statistik uji CMIN secara berlebihan. Akibatnya, nilai p-value untuk kecocokan model menjadi sangat kecil, yang mengarahkan peneliti pada penolakan model struktural yang sebenarnya sudah terspesifikasi dengan benar secara teoritis (Finney & DiStefano, 2013).

\n

Untuk mengatasi kerapuhan fungsi ML terhadap ketidaknormalan data, dikembangkan berbagai alternatif teknik estimasi seperti Generalized Least Squares (GLS), Weighted Least Squares (WLS) atau Asymptotically Distribution-Free (ADF), serta prosedur bootstrapping (Browne, 1984).

\n

Peneliti yang ingin memperdalam teori dasar uji normalitas multivariat dapat membacanya secara komprehensif pada artikel terpisah di domain utama statistikian.com.

\n

Langkah teknis pertama, jalankan pengujian awal di IBM SPSS AMOS dengan mencentang opsi Assessment of normality pada menu Analysis Properties -> tab Output sebelum mengeksekusi perhitungan.

\n

Langkah teknis kedua, periksa tabel Assessment of normality pada luaran text AMOS. Cermati kolom skewness dan kurtosis secara univariat. Menurut Kline (2023), nilai mutlak skewness yang melebihi 2,0 dan kurtosis yang melebihi 7,0 mengindikasikan adanya ketidaknormalan univariat yang parah pada indikator tertentu.

\n

Langkah teknis ketiga, evaluasi nilai pada baris terakhir tabel yaitu baris Multivariate. Fokuskan perhatian pada kolom c.r. (critical ratio). Jika nilai c.r. multivariat berada di luar rentang minus 2,58 hingga plus 2,58, maka data terbukti melanggar asumsi normalitas multivariat pada tingkat signifikansi 1 persen (Byrne, 2016).

\n

Langkah teknis keempat, periksa tabel Mahalanobis d-squared untuk mengidentifikasi keberadaan pencilan multivariat (multivariate outliers). Responden dengan nilai p1 dan p2 yang kurang dari 0,001 dapat dipertimbangkan untuk dikeluarkan dari sampel jika terbukti merupakan kesalahan input atau data anomali (Hair et al., 2019).

\n

Langkah teknis kelima, apabila ketidaknormalan multivariat tetap terjadi pasca pembersihan pencilan, pertimbangkan penggunaan opsi estimasi alternatif di AMOS melalui menu Analysis Properties -> tab Estimation.

\n

Langkah teknis keenam, pilihlah metode Generalized Least Squares (GLS) apabila ukuran sampel tergolong moderat dan struktur varians-kovarians antar-indikator relatif stabil. GLS masih mengasumsikan normalitas, namun memiliki tingkat ketahanan (robustness) yang sedikit lebih baik dalam kondisi konvergensi kriteria tertentu dibanding ML (Bollen, 1989).

\n

Langkah teknis ketujuh, gunakan metode Asymptotically Distribution-Free (ADF) atau Weighted Least Squares (WLS) apabila data terbukti mengalami penyimpangan normalitas multivariat yang berat. Metode ADF yang dikembangkan oleh Browne (1984) tidak membutuhkan asumsi normalitas multivariat karena memasukkan matriks bobot kovarians asimptotik tingkat empat dalam perhitungan fungsi fitting-nya.

\n

Langkah teknis kedelapan, pastikan jumlah sampel penelitian sangat besar (minimal 500 hingga 1.000 responden) sebelum memutuskan memakai estimasi ADF/WLS. Menurut West et al. (1995), estimasi ADF pada sampel kecil di bawah 300 akan menghasilkan matriks bobot yang tidak stabil (inversion weight matrix error) serta memberikan nilai fit yang sangat bias.

\n

Langkah teknis kesembilan, apabila jumlah sampel penelitian berada dalam rentang standar (N = 100 hingga 400 responden) dan data tidak berdistribusi normal multivariat, gunakan metode Bollen-Stine Bootstrap sebagai solusi paling efektif (Nevitt & Hancock, 2001).

\n

Langkah teknis kesepuluh, aktifkan metode Bollen-Stine pada AMOS melalui menu Analysis Properties -> tab Bootstrap. Centang pilihan Perform bootstrap (masukkan jumlah resample, misalnya 2.000) dan centang opsi Bollen-Stine bootstrap.

\n

Langkah teknis kesebelas, evaluasi luaran Bollen-Stine Bootstrap pada tampilan teks AMOS. Cermati nilai Bollen-Stine adjusted p-value untuk menilai kecocokan model yang telah dikoreksi dari pengaruh ketidaknormalan multivariat (Bollen & Stine, 1992).

\n\n
1. Evaluasi c.r. Kurtosis Multivariat di AMOS c.r. Kurtosis Multivariat <= 2,58 Data Berdistribusi Normal Multivariat c.r. Kurtosis Multivariat > 2,58 Data Melanggar Asumsi Normalitas Gunakan Estimasi Maximum Likelihood (ML) Evaluasi Ukuran Sampel (N) ML Standard Fit: Gunakan Hasil Estimasi Tanpa Koreksi Khusus Alternatif GLS: Opsi Jika ML Gagal Konvergen Sampel Sedang Sampel Sangat Besar: Gunakan ADF / WLS (N > 500 Responden) Sampel Standar / Kecil: Bollen-Stine Bootstrap (N = 100 - 400 Responden)
\n

Contoh Tabel/Diagram Output Assessment of Normality dan Comparison Estimation Method AMOS

\n\n
Simulasi Output Assessment of Normality & Koreksi Bollen-Stine AMOS 1. Assessment of Normality Output (AMOS Text Output): Variable min max skew c.r. kurtosis c.r. X1.1 1,000 5,000 -0,412 -2,180 0,854 2,260 Y1.1 1,000 5,000 -0,891 -4,714 1,942 5,138 Multivariate - - - - 28,412 8,421 (UNFIT) 2. Perbandingan Performa Metode Estimasi Model Fit: Metode Estimasi Chi-Square (CMIN) p-value Murni Bollen-Stine p-value Status Kesimpulan Maximum Likelihood (Unadjusted) 184,210 (df=62) 0,000 (< 0,05) N/A Model Ditolak (Bias) ML + Bollen-Stine Bootstrap 184,210 (df=62) 0,000 (Diabaikan) 0,148 (> 0,05) Model Fit Terpenuhi ADF / Weighted Least Squares 74,320 (df=62) 0,135 (> 0,05) N/A Model Fit (N > 500) Cara Membaca Output Simulasi: 1. Nilai c.r. multivariat sebesar 8,421 (> 2,58) menunjukkan data mengalami pelanggaran normalitas multivariat yang signifikan. 2. Hasil p-value ML standar sebesar 0,000 bersifat bias akibat nilai Chi-Square yang membengkak karena ketidaknormalan data. 3. Setelah dilakukan koreksi Bollen-Stine Bootstrap, p-value yang disesuaikan menjadi 0,148 (> 0,05), memverifikasi bahwa model fit.
\n

Berdasarkan peragaan luaran simulasi di atas, interpretasi diawali dengan melihat tabel Assessment of normality pada bagian Multivariate. Koefisien kurtosis multivariat tercatat sebesar 28,412 dengan nilai critical ratio (c.r.) mencapai 8,421. Karena nilai c.r. ini melampaui rentang kritis 2,58, dapat disimpulkan secara meyakinkan bahwa data penelitian mengalami pelanggaran asumsi normalitas multivariat pada tingkat signifikansi 1 persen.

\n

Dampak langsung dari ketidaknormalan multivariat ini terlihat pada hasil estimasi Maximum Likelihood (ML) tanpa koreksi, di mana nilai CMIN/Chi-Square melambung tinggi ke angka 184,210 (df=62) dengan p-value murni sebesar 0,000. Jika peneliti hanya mengandalkan p-value ML standar, model penelitian akan dinyatakan unfit dan ditolak secara keliru.

\n

Namun, setelah menerapkan prosedur Bollen-Stine Bootstrap dengan 2.000 kali penarikan sampel ulang (resamples), diperoleh nilai Bollen-Stine adjusted p-value sebesar 0,148. Karena nilai p-value hasil koreksi ini lebih besar dari 0,05, maka hipotesis nol yang menyatakan bahwa model yang dihipotesiskan sesuai dengan data sampel tidak dapat ditolak. Artinya, model struktural secara rasional terbukti fit terhadap data lapangan.

\n

Di sisi lain, peragaan estimasi alternatif Asymptotically Distribution-Free (ADF/WLS) menghasilkan statistik Chi-Square sebesar 74,320 dengan p-value sebesar 0,135. Hasil ini mengonfirmasi bahwa metode non-parametrik ADF mampu mengoreksi bias akibat ketidaknormalan data, selama ukuran sampel yang digunakan mencukupi.

\n

Penanganan masalah normalitas multivariat pada CB-SEM AMOS memerlukan kecermatan statistik dalam memilih alternatif estimasi yang tepat sesuai karakteristik sampel. Finney dan DiStefano (2013) menegaskan bahwa meskipun estimasi Maximum Likelihood (ML) dikenal cukup tangguh (robust) terhadap penyimpangan normalitas univariat ringan, metode ini sangat rentan terhadap tingkat kurtosis multivariat yang tinggi.

\n

Metode Asymptotically Distribution-Free (ADF) yang diperkenalkan oleh Browne (1984) secara teoritis merupakan solusi paling ideal karena tidak mengasumsikan distribusi variabel. Namun, keterbatasan utama ADF terletak pada kebutuhan ukuran sampel yang teramat besar. Bentler dan Dudgeon (1996) menunjukkan bahwa pada sampel kecil hingga sedang, fungsi inversi matriks bobot momen tingkat empat pada ADF menjadi tidak stabil, sehingga justru menghasilkan estimasi standar eror yang jauh lebih buruk dibandingkan ML.

\n

Oleh sebab itu, metode Bollen-Stine Bootstrap menjadi pendekatan yang paling direkomendasikan dalam literatur ekonometrika dan riset perilaku terapan (Bollen & Stine, 1992). Prosedur bootstrap melakukan transformasi pada data sampel sedemikian rupa sehingga matriks kovarians sampel persis memenuhi pembatasan model, kemudian melakukan penarikan sampel berulang untuk membangun distribusi empiris dari statistik Chi-Square (Nevitt & Hancock, 2001).

\n

Penggunaan metode Generalized Least Squares (GLS) maupun Unweighted Least Squares (ULS) dapat dijadikan alternatif sekunder. ULS tidak membutuhkan asumsi distribusi tertentu, namun memiliki kelemahan karena tidak menyediakan uji Chi-Square serta indikator kesesuaian absolut yang lengkap seperti pada ML (Kline, 2023).

\n

Dalam pelaporan publikasi ilmiah, peneliti disarankan untuk tetap menampilkan nilai statistik ML murni bersamaan dengan nilai Bollen-Stine adjusted p-value. Hal ini memberikan transparansi metodologis bahwa kecocokan model yang diperoleh bukan merupakan hasil rekayasa data, melainkan hasil koreksi statistik yang valid secara ilmiah (Hair et al., 2019).

\n

Pemahaman yang komprehensif mengenai batasan-batasan estimasi ini memastikan bahwa pengujian hipotesis dalam kerangka pemodelan persamaan struktural berbasis kovarians dapat dipertanggungjawabkan secara akademik.

\n

Kesimpulan

\n

Pengujian asumsi normalitas multivariat merupakan syarat mutlak dalam pemodelan CB SEM AMOS sebelum menginterpretasikan hasil estimasi Maximum Likelihood (ML). Pelanggaran normalitas multivariat (c.r. kurtosis > 2,58) mengakibatkan pembengkakan nilai Chi-Square dan bias pada p-value pengujian fit. Peneliti dapat menggunakan estimasi ADF/WLS untuk sampel sangat besar (N > 500) atau menerapkan prosedur Bollen-Stine Bootstrap sebagai solusi paling presisi dan handal untuk sampel ukuran standar (N = 100 - 400).

\n

Daftar Pustaka

\n
    \n
  1. Bentler, P. M., & Dudgeon, P. (1996). Covariance structure analysis: Statistical practice, theory, and directions. Annual Review of Psychology, 47(1), 563-592.
    2. \n
  2. Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
    3. \n
  3. Bollen, K. A., & Stine, R. A. (1992). Bootstrapping goodness-of-fit measures in structural equation models. Sociological Methods & Research, 21(2), 205-229.
    4. \n
  4. Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of covariance structures. British Journal of Mathematical and Statistical Psychology, 37(1), 62-83.
    5. \n
  5. Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.
    6. \n
  6. Finney, S. J., & DiStefano, C. (2013). Non-normal and categorical data in structural equation modeling. In G. R. Hancock & R. O. Mueller (Eds.), Structural Equation Modeling: A Second Course (2nd ed., pp. 439-492). Information Age Publishing.
    7. \n
  7. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    8. \n
  8. Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.
    9. \n
  9. Nevitt, J., & Hancock, G. R. (2001). Performance of bootstrapping approaches to model fit evaluation and parameter standard error estimation in structural equation modeling. Structural Equation Modeling, 8(3), 353-377.
    10. \n
  10. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural Equation Modeling: Concepts, Issues, and Applications (pp. 56-75). SAGE Publications.
    11. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:30:24+07:00", "date_modified": "2026-09-11T02:30:24+07:00" }, { "id": "https://statistikian.net/contoh-kasus-penyelesaian-masalah-validitas-factor-loading-dan-ave-pada-cb-sem-amos/", "url": "https://statistikian.net/contoh-kasus-penyelesaian-masalah-validitas-factor-loading-dan-ave-pada-cb-sem-amos/", "title": "Contoh Kasus Penyelesaian Masalah Validitas Factor Loading dan AVE pada CB SEM AMOS", "summary": "Contoh Kasus Penyelesaian Masalah Validitas Factor Loading dan AVE pada CB SEM…", "content_html": "
\n

Contoh Kasus Penyelesaian Masalah Validitas Factor Loading dan AVE pada CB SEM AMOS sering kali diawali dengan temuan nilai Standardized Regression Weights di bawah 0,50 pada luaran AMOS Graphics, yang berdampak langsung pada nilai Average Variance Extracted (AVE) di bawah ambang batas minimal 0,50. Gejala masalah ini menyebabkan kriteria validitas konvergen (convergent validity) gagal terpenuhi, meskipun model pengukuran (outer model) secara teknis berhasil terestimasi tanpa pesan error konvergensi.

\n

Kegagalan validitas konvergen ini berimbas pada hilangnya reliabilitas konstruk (construct reliability/CR) dan meningkatkan varians kesalahan (error variance) indikator. Ketika variabel manifes tidak mampu menjelaskan varians laten secara dominan, estimasi hubungan struktural pada tahap inner model menjadi bias dan berpotensi menghasilkan kesimpulan riset yang menyesatkan.

\n\n
Masalah Validitas Konvergen CB-SEM AMOS Standardized Loading Factor < 0,50 Indikator Manifes Lemah Menerangkan Konstruk Nilai AVE < 0,50 & CR < 0,70 Ekstraksi Varians Konstruk Tidak Memenuhi Syarat Error Variance Dominan Varians Kesalahan Pengukuran Lebih Besar dari Laten Cross-Loading & Redundansi Item Tingginya Korelasi Kesalahan Antar-Indikator SOLUSI: Item Trimming Bertahap & Rekalkulasi AVE/CR Eliminasi Indikator Terlemah Satu Per Satu & Evaluasi Ulang Matriks Varians
\n

Konsep validitas konvergen dalam Covariance-Based Structural Equation Modeling (CB-SEM) mengukur sejauh mana indikator-indikator dari suatu konstruk laten saling berkorelasi positif dan berbagi proporsi varians yang tinggi.

\n

Menurut Fornell dan Larcker (1981), validitas konvergen mensyaratkan dua kriteria utama, yaitu nilai Standardized Loading Factor (SLF) tiap indikator idealnya melebihi 0,70 (atau minimal 0,50 untuk riset eksploratif) dan besaran nilai AVE sekurang-kurangnya 0,50. Nilai AVE sebesar 0,50 mengindikasikan bahwa konstruk laten mampu menjelaskan lebih dari 50 persen varians dari indikator-indikator pembentuknya.

\n

Hair et al. (2019) menggarisbawahi bahwa muatan faktor di bawah 0,50 menunjukkan bahwa varians kesalahan indikator (measurement error variance) lebih dominan daripada varians yang dijelaskan oleh konstruk laten. Hal ini secara langsung merusak konsistensi internal instrumen pengukuran.

\n

Pengujian reliabilitas konstruk (Construct Reliability / CR) juga melengkapi evaluasi ini. Byrne (2016) menegaskan bahwa nilai CR minimal 0,70 menunjukkan bahwa sekumpulan indikator manifes secara konsisten merepresentasikan variabel laten yang tidak teramati.

\n

Pembaca yang memerlukan pemahaman mendalam mengenai konsep dasar uji validitas dan reliabilitas instrumen dapat mempelajari landasan teoritis lengkapnya di website utama statistikian.com.

\n

Langkah teknis pertama, buka luaran IBM SPSS AMOS Graphics dan cermati bagian Estimates -> Scalar -> Standardized Regression Weights. Identifikasi seluruh indikator yang memiliki nilai muatan faktor di bawah 0,50.

\n

Langkah teknis kedua, periksa nilai varians kesalahan pada tabel Variances. Pastikan tidak ada indikator yang memiliki nilai varians negatif (Heywood case) yang dapat mengacaukan perhitungan matematis AVE.

\n

Langkah teknis ketiga, lakukan proses eliminasi indikator (item trimming) secara bertahap. Mulailah dengan mengeksekusi indikator yang memiliki nilai Standardized Loading Factor paling rendah terlebih dahulu (Hair et al., 2019).

\n

Langkah teknis keempat, jalankan kembali menu Calculate Estimates setelah menghapus satu indikator terlemah. Jangan menghapus beberapa indikator sekaligus karena penghapusan satu indikator akan mengubah distribusi varians dan nilai muatan indikator tersisa.

\n

Langkah teknis kelima, rekapitulasi nilai Standardized Regression Weights terbaru dari indikator-indikator yang masih bertahan di dalam model pengukuran.

\n

Langkah teknis keenam, hitung ulang nilai Average Variance Extracted (AVE) menggunakan rumus kuadrat dari jumlah muatan faktor terstandarisasi dibagi dengan jumlah indikator ditambah jumlah varians kesalahan indikator (Fornell & Larcker, 1981).

\n

Langkah teknis ketujuh, apabila nilai AVE masih berada di bawah 0,50 meskipun seluruh muatan faktor sudah di atas 0,50, cermati indikator yang memiliki muatan antara 0,50 hingga 0,70. Indikator dalam rentang ini masih tergolong marjinal dan dapat dieliminasi jika menurunkan nilai AVE secara keseluruhan (Kline, 2023).

\n

Langkah teknis kedelapan, hitung nilai Construct Reliability (CR) untuk memastikan konsistensi internal tetap terjaga di atas 0,70 pasca penghapusan indikator marjinal.

\n

Langkah teknis kesembilan, periksa tabel Modification Indices (MI) untuk mendeteksi keberadaan indikator yang memiliki nilai cross-loading tinggi atau korelasi antar kesalahan pengukuran (error covariance) yang besar.

\n

Langkah teknis kesepuluh, jika terdapat dua indikator yang saling merepresentasikan kesalahan redundansi kuesioner yang sama, pertimbangkan untuk mengeliminasi salah satu indikator atau menghubungkan varians kesalahan dengan garis panah ganda berbasis teoritis (Byrne, 2016).

\n

Langkah teknis kesebelas, evaluasi ulang model pengukuran akhir untuk memastikan kriteria validitas konvergen (SLF >= 0,50 / 0,70, AVE >= 0,50) dan reliabilitas (CR >= 0,70) terpenuhi secara bersamaan tanpa mengorbankan identifikasi model.

\n\n
1. Evaluasi Standardized Loading Factor (SLF) Semua Indikator SLF >= 0,50 Hitung Nilai AVE & CR Konstruk Ada Indikator SLF < 0,50 Eliminasi Indikator SLF Terlemah 2. Cek Apakah Nilai AVE >= 0,50? 2. Re-estimate Model di AMOS Jika AVE < 0,50: Trim Indikator Marjinal (SLF 0,50 - 0,70) Jika AVE >= 0,50: Cek Nilai CR (>= 0,70) Validitas Konvergen OK Evaluasi Ulang: Cek SLF Indikator Lain Ulangi Langkah Trimming Lanjut Pengujian: Uji Validitas Diskriminan & Model Fit (GOF)
\n

Contoh Tabel/Diagram Output Contoh Kasus Validitas Factor Loading dan AVE pada CB SEM AMOS

\n\n
Hasil Evaluasi Loading Factor, AVE, dan CR (Sebelum & Sesudah Trimming) Indikator SLF Awal Status Awal Tindakan SLF Akhir Status Akhir X1.1 0,782 Valid (>0,50) Dipertahankan 0,812 Valid X1.2 0,385 Tidak Valid (<0,50) Eliminasi (Trim) - Dihapus X1.3 0,715 Valid (>0,50) Dipertahankan 0,745 Valid X1.4 0,520 Marjinal (<0,70) Eliminasi (Trim Tahap 2) - Dihapus X1.5 0,760 Valid (>0,50) Dipertahankan 0,790 Valid Rekapitulasi Evaluasi Konstruk Laten X1: Kondisi Awal (5 Indikator): • Nilai AVE Konstruk X1 = 0,421 (< 0,50) [INVALID] • Nilai CR Konstruk X1 = 0,768 (>= 0,70) [RELIABEL] • Kesimpulan: Validitas Konvergen Gagal Terpenuhi karena varians ekstraksi AVE berada di bawah 0,50. Kondisi Akhir (3 Indikator Terpilih): • Nilai AVE Konstruk X1 = 0,613 (>= 0,50) [VALID] • Nilai CR Konstruk X1 = 0,826 (>= 0,70) [RELIABEL] • Kesimpulan: Validitas Konvergen dan Reliabilitas Konstruk Berhasil Dipenuhi Sepenuhnya. Catatan Analisis: Eliminasi X1.2 dan X1.4 meningkatkan AVE dari 0,421 menjadi 0,613 tanpa merusak reliabilitas (CR naik ke 0,826).
\n

Berdasarkan peragaan luaran simulasi pada tabel dan diagram di atas, interpretasi diawali dari evaluasi kondisi awal sebelum dilakukan eliminasi indikator. Pada kondisi awal dengan lima indikator (X1.1 hingga X1.5), indikator X1.2 memiliki nilai Standardized Loading Factor (SLF) sebesar 0,385 yang berada jauh di bawah nilai batas 0,50. Kondisi ini menyebabkan nilai kalkulasi AVE awal untuk Konstruk X1 hanya mencapai angka 0,421 (di bawah kriteria minimal 0,50), meskipun nilai Construct Reliability (CR) terhitung sebesar 0,768 (memenuhi syarat >= 0,70).

\n

Langkah perbaikan pertama dilakukan dengan mengeliminasi indikator X1.2 dari model pengukuran AMOS. Setelah dilakukan kalkulasi ulang, nilai SLF indikator lainnya mengalami penyesuaian. Namun, nilai AVE masih tercatat sebesar 0,482 yang berarti belum melampaui ambang batas 0,50. Hal ini disebabkan oleh keberadaan indikator X1.4 yang memiliki nilai SLF marjinal sebesar 0,520.

\n

Langkah perbaikan kedua dilakukan dengan mengeliminasi indikator X1.4 yang berpenampilan marjinal tersebut. Setelah diestimasi kembali di AMOS, tiga indikator tersisa (X1.1, X1.3, dan X1.5) menunjukkan peningkatan nilai SLF terstandarisasi secara signifikan, masing-masing menjadi 0,812; 0,745; dan 0,790.

\n

Kondisi akhir pasca-eliminasi menghasilkan peningkatan nilai AVE secara dramatis dari 0,421 menjadi 0,613 (melampaui syarat minimal 0,50). Di saat yang sama, nilai Construct Reliability (CR) meningkat dari 0,768 menjadi 0,826. Dengan demikian, pengujian validitas konvergen untuk Konstruk X1 dinyatakan sukses terpenuhi sepenuhnya.

\n

Solusi atas masalah validitas konvergen pada CB-SEM AMOS tidak semata-mata bergantung pada eliminasi mekanis. Kline (2023) memperingatkan bahwa pembuangan indikator secara berlebihan demi mengejar angka AVE dapat merusak kesahihan isi (content validity) dan cakupan domain konstruk laten.

\n

Setiap konstruk laten idealnya mempertahankan sekurang-kurangnya tiga indikator manifes untuk menjaga kondisi identifikasi model (just-identified atau over-identified) dan menghindari kegagalan konvergensi (Byrne, 2016).

\n

Dalam kondisi di mana eliminasi indikator berpotensi menghilangkan dimensi penting dari variabel, peneliti dapat mempertimbangkan pengumpulan data ulang dengan penyempurnaan item kuesioner atau beralih ke analisis orde kedua (second-order factor model) jika variabel bersifat multidimensi (Hair et al., 2019).

\n

Penggunaan rumus AVE dan CR harus dilakukan secara presisi dengan mengekstrak parameter terstandarisasi (standardized loadings), bukan parameter unstandardized, guna menghindari bias akibat perbedaan skala pengukuran indikator.

\n

Peneliti juga harus membedakan perlakuan terhadap indikator reflektif dan formatif. Pada CB-SEM AMOS, seluruh indikator dispesifikasikan secara reflektif, sehingga penghapusan indikator ber-loading rendah secara teoritis dibenarkan karena indikator-indikator tersebut merupakan cerminan dari konstruk yang sama (Fornell & Larcker, 1981).

\n

Pemahaman mendalam mengenai kompromi antara parsimoni model dan validitas konstruk merupakan kunci keberhasilan penanganan masalah validitas pada analisis CB-SEM AMOS.

\n

Kesimpulan

\n

Penanganan masalah validitas factor loading dan AVE pada CB SEM AMOS dilakukan melalui pendekatan eliminasi indikator bertahap (item trimming) yang diprioritaskan pada indikator ber-loading di bawah 0,50 serta indikator marjinal. Prosedur ini secara langsung menurunkan varians kesalahan pengukuran, meningkatkan ekstraksi varians konstruk (AVE >= 0,50), dan memperkuat reliabilitas konstruk (CR >= 0,70) tanpa merusak keteridentifikasian model.

\n

Daftar Pustaka

\n
    \n
  1. Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.
    2. \n
  2. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.
    5. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:21:37+07:00", "date_modified": "2026-09-11T02:21:37+07:00" }, { "id": "https://statistikian.net/tahap-analisis-cb-sem-dengan-amos-outer-dan-inner-model-hingga-model-fit/", "url": "https://statistikian.net/tahap-analisis-cb-sem-dengan-amos-outer-dan-inner-model-hingga-model-fit/", "title": "Tahap Analisis CB SEM dengan AMOS: Outer dan Inner Model Hingga Model Fit", "summary": "Tahap Analisis CB SEM dengan AMOS: Outer dan Inner Model Hingga Model…", "content_html": "
\n

Tahap Analisis CB SEM dengan AMOS: Outer dan Inner Model Hingga Model Fit sering kali menimbulkan kerumitan teknis saat peneliti menjumpai notifikasi error seperti \"The model is not identified\", \"Minimum was not achieved\", atau munculnya nilai varians kesalahan negatif (Heywood case) pada luaran estimasi. Gejala masalah ini biasanya diperparah oleh nilai kriteria kecocokan model (Goodness of Fit) yang buruk, seperti nilai Chi-Square yang sangat besar dengan p-value tidak signifikan, RMSEA di atas 0,08, serta nilai CFI dan TLI yang berada di bawah ambang batas 0,90.

\n

Kegagalan konvergensi dan ketidaksesuaian model ini berdampak langsung pada ketidakmampuan perangkat lunak IBM SPSS AMOS dalam menghasilkan estimasi bobot faktor maupun koefisien jalur yang valid. Ketika korelasi antarvariabel manifes terlalu tinggi (multikolinearitas ekstrem) atau ketika indikator memiliki muatan faktor yang sangat rendah, analisis struktural akan terhenti, sehingga hipotesis penelitian tidak dapat diuji secara objektif.

\n\n
Kendala Estimasi dan Model Fit CB-SEM AMOS Notifikasi Error Estimasi AMOS Non-Convergence & Heywood Cases Indikator Model Fit Buruk RMSEA > 0,08, CFI/TLI < 0,90, CMIN Tinggi Loading Factor Rendah / Multikolinear Indikator Manifes Tidak Valid & Varians Negatif Spesifikasi Model Tidak Tepats Modifikasi Tanpa Justifikasi Teoretis SOLUSI: Pendekatan Dua Tahap (Two-Step Approach) Uji Outer Model (CFA) + Modifikasi Rasional, Lalu Inner Model & Fit
\n

Pendekatan Covariance-Based Structural Equation Modeling (CB-SEM) menggunakan AMOS mensyaratkan konfirmasi teori melalui evaluasi matriks varians-kovarians sampel terhadap matriks populasi yang dihipotesiskan. Tidak seperti PLS-SEM yang berfokus pada maksimasi varians variabel terikat, CB-SEM bertujuan meminimalkan perbedaan antara matriks kovarians teramati dan matriks kovarians model (Hair et al., 2019).

\n

Anderson dan Gerbing (1988) merekomendasikan pendekatan dua tahap (two-step approach) dalam kerangka CB-SEM. Tahap pertama difokuskan pada pengujian model pengukuran (outer model) melalui Confirmatory Factor Analysis (CFA) untuk memastikan keandalan serta validitas indikator, sebelum melangkah ke tahap kedua yaitu pengujian model struktural (inner model).

\n

Model pengukuran atau outer model mengevaluasi hubungan antara variabel laten tak teramati (unobserved latent variables) dengan indikator teramati (manifest variables). Pengujian ini mencakup validitas konvergen (convergent validity), validitas diskriminan (discriminant validity), dan reliabilitas konstruks (construct reliability) (Byrne, 2016).

\n

Sementara itu, model struktural atau inner model menggambarkan hubungan kausalitas antarkonstruk laten, baik variabel eksogen maupun endogen. Evaluasi inner model berfokus pada besarnya nilai koefisien jalur (path coefficients), tingkat signifikansi statistik, dan nilai determinasi (R-squared) (Kline, 2023).

\n

Guna memvalidasi kelayakan keseluruhan struktur, evaluasi Goodness of Fit (GOF) diterapkan melalui tiga kelompok kriteria utama, yaitu absolute fit indices (misalnya CMIN/DF, RMSEA), incremental fit indices (misalnya CFI, TLI, NFI), dan parsimonious fit indices (misalnya PNFI, PGFI). Penjelasan lengkap mengenai landasan teori dasar Structural Equation Modeling dapat dipelajari secara mendalam di portal utama statistikian.com.

\n

Langkah teknis pertama, susunlah diagram alur (path diagram) pada kanvas IBM SPSS AMOS Graphics dengan menggambar konstruk laten elips, indikator persegi panjang, serta kesalahan pengukuran (error terms) untuk setiap indikator.

\n

Langkah teknis kedua, jalankan pengujian Confirmatory Factor Analysis (CFA) awal untuk semua variabel laten secara bersamaan (Pooled CFA) atau secara terpisah per konstruk guna mengevaluasi spesifikasi model pengukuran.

\n

Langkah teknis ketiga, periksa nilai Standardized Loading Factor (SLF) pada luaran Estimates. Hapus indikator yang memiliki nilai muatan faktor di bawah 0,50 atau secara ideal di bawah 0,70 karena mengindikasikan tingkat varians terjelaskan yang rendah (Hair et al., 2019).

\n

Langkah teknis keempat, hitung nilai Construct Reliability (CR) dan Average Variance Extracted (AVE) secara manual atau menggunakan alat bantu hitung. Nilai CR yang dapat diterima minimal sebesar 0,70 dan nilai AVE minimal sebesar 0,50 untuk memenuhi syarat validitas konvergen (Fornell & Larcker, 1981).

\n

Langkah teknis kelima, uji validitas diskriminan dengan membandingkan nilai akar kuadrat AVE dari setiap konstruk dengan nilai korelasi antarkonstruk laten. Validitas diskriminan terpenuhi jika nilai akar AVE lebih besar daripada korelasi antarkonstruk (Fornell & Larcker, 1981).

\n

Langkah teknis keenam, jika muncul notifikasi \"The model is not identified\", periksa pemenuhan kondisi identifikasi (degrees of freedom harus bernilai positif) serta pastikan setiap konstruk laten memiliki minimal tiga indikator atau menetapkan skala pada salah satu muatan indikator menjadi nilai 1 (Byrne, 2016).

\n

Langkah teknis ketujuh, atasi masalah varians kesalahan negatif (Heywood case) dengan mengecek keberadaan pencilan data (outliers) melalui evaluasi nilai Mahalanobis Distance atau dengan memberikan batasan non-negatif (constraint) pada parameter varians kesalahan terkait.

\n

Langkah teknis kedelapan, evaluasi tabel Goodness of Fit pada luaran AMOS. Pastikan nilai CMIN/DF berada di bawah 3,00 (atau < 5,00 dalam kondisi sampel besar), RMSEA berada di bawah 0,08, serta CFI dan TLI berada di atas 0,90 (Hu & Bentler, 1999).

\n

Langkah teknis kesembilan, apabila model awal tergolong unfit, cermati tabel Modification Indices (MI). Pilih pasangan varians kesalahan (error terms) dalam konstruk yang sama yang memiliki nilai MI paling tinggi untuk dihubungkan dengan garis panah ganda (covary), selama memiliki justifikasi teoretis yang masuk akal (Kline, 2023).

\n

Langkah teknis kesepuluh, setelah model pengukuran terbukti fit dan valid, ubah diagram alur dari model CFA menjadi model struktural penuh (inner model) dengan mengganti garis korelasi dua arah menjadi garis panah tunggal satu arah yang menunjukkan arah pengaruh hipotesis.

\n

Langkah teknis kesembilas, jalankan menu Calculate Estimates pada AMOS untuk memperoleh koefisien jalur, nilai p-value (Critical Ratio > 1,96 untuk p < 0,05), serta nilai Square Multiple Correlations (R-squared) untuk variabel endogen.

\n

Langkah teknis kedua belas, catat seluruh nilai pengujian struktural dan bandingkan hasil koefisien estimasi dengan arah hipotesis yang diajukan dalam penelitian.

\n\n
1. Input Data & Diagram Alur AMOS (CFA) Loading Factor >= 0,50 & AVE >= 0,50 Outer Model Valid & Reliable Loading Factor < 0,50 / AVE < 0,50 Drop Indikator Lemah Satu Per Satu 2. Evaluasi Indikator Goodness of Fit (GOF) 2. Re-estimate CFA Setelah Eliminasi Model Unfit: RMSEA > 0,08 / CFI < 0,90 Cek Modification Indices Model Fit Terpenuhi: Lanjut ke Inner Model (Uji Hipotesis Jalur) Covary Error Terms: Hubungkan e1 dan e2 Wajib Berdasar Teori Inner Model Test: Cek p-value (< 0,05) Evaluasi R-Squared
\n

Contoh Tabel/Diagram Output Structural Model dan Goodness of Fit CB-SEM AMOS

\n\n
AMOS Structural Model & Fit Summary Simulation Konstruk X1 Konstruk X2 r = 0,42 Konstruk Y1 0,38 (p=0,002) 0,45 (p=0,000) e1 Konstruk Y2 0,52 (p=0,000) e2 R2 = 0,482 R2 = 0,270 Ringkasan Evaluasi Goodness of Fit (GOF) Model Struktural AMOS: Fit Index Group Indikator GOF Nilai Hasil Estimasi Cut-off Value Standard Keterangan Absolute Fit CMIN/DF (Chi-Square/df) 1,842 < 3,00 (atau < 5,00) Good Fit Absolute Fit RMSEA 0,048 < 0,08 (Ideal < 0,05) Good Fit Incremental Fit CFI (Comparative Fit) 0,965 > 0,90 (Ideal > 0,95) Good Fit Incremental Fit TLI (Tucker-Lewis) 0,952 > 0,90 Good Fit Kesimpulan Output: Seluruh kriteria model fit memenuhi syarat. Seluruh koefisien jalur struktural signifikan (p < 0,05).
\n

Berdasarkan peragaan luaran AMOS pada diagram di atas, interpretasi diawali dari pengujian kecocokan model menyeluruh yang disajikan pada tabel ringkasan Goodness of Fit. Nilai CMIN/DF tercatat sebesar 1,842 yang berada jauh di bawah ambang batas maksimum 3,00. Nilai RMSEA menunjukkan angka 0,048 (kurang dari 0,08), sementara nilai CFI (0,965) dan TLI (0,952) berada di atas nilai kriteria 0,90. Kombinasi indikator ini membuktikan bahwa model struktural secara keseluruhan memiliki tingkat kesesuaian yang sangat baik (Good Fit) terhadap data lapangan.

\n

Setelah kecocokan model terbukti terpenuhi, tahap dilanjutkan dengan evaluasi koefisien jalur pada model struktural (inner model). Pengaruh Konstruk X1 terhadap Konstruk Y1 menghasilkan koefisien jalur sebesar 0,38 dengan p-value = 0,002. Karena nilai p-value berada di bawah 0,05, maka hipotesis pertama yang menyatakan adanya pengaruh positif signifikan dari X1 terhadap Y1 dinyatakan diterima secara statistik.

\n

Pengaruh Konstruk X2 terhadap Konstruk Y1 menghasilkan koefisien jalur sebesar 0,45 dengan p-value = 0,000. Karena nilai p-value jauh lebih kecil dari 0,05, hipotesis kedua juga diterima. Secara simultan, gabungan konstruk eksogen X1 dan X2 mampu menjelaskan varians variabel endogen Y1 sebesar 48,2 persen (nilai R-squared = 0,482).

\n

Selanjutnya, hubungan kausalitas dari Konstruk Y1 terhadap Konstruk Y2 menghasilkan koefisien jalur terstandarisasi sebesar 0,52 dengan p-value = 0,000. Hal ini membuktikan bahwa Y1 berpengaruh langsung secara positif dan signifikan terhadap Y2 dengan besaran R-squared sebesar 27,0 persen.

\n

Penilaian kelayakan model pada CB-SEM AMOS memerlukan pemahaman mendalam mengenai hierarki indikator kesesuaian. Hu dan Bentler (1999) menegaskan bahwa penggunaan kombinasi dari absolute fit index (seperti RMSEA) dan incremental fit index (seperti CFI) memberikan tingkat akurasi paling tinggi dalam menolak model yang terspesifikasi secara salah.

\n

Penerapan koreksi model melalui Modification Indices (MI) sering kali disalahgunakan oleh peneliti demi mengejar angka fit secara artifisial. Byrne (2016) mengingatkan bahwa penambahan garis kovarians antar-error term hanya diperbolehkan apabila indikator-indikator tersebut secara konseptual berbagi redundansi wujud kata (wording redundancy) dalam kuesioner dan berada dalam konstruk variabel yang sama.

\n

Pada pengujian outer model, tingkat validitas konvergen tidak hanya ditentukan oleh signifikansi parameter, tetapi juga oleh proporsi varians ekstraksi. Fornell dan Larcker (1981) menjelaskan bahwa meskipun muatan faktor signifikan secara statistik, jika nilai AVE di bawah 0,50, maka varians karena kesalahan pengukuran masih lebih besar daripada varians yang dijelaskan oleh konstruk laten.

\n

Di samping itu, evaluasi inner model dalam CB-SEM tidak boleh melupakan besaran pengaruh matematis. Kline (2023) menyebutkan bahwa p-value yang signifikan pada koefisien jalur belum tentu mencerminkan dampak praktis yang substansial jika nilai estimasi terstandarisasi (standardized path coefficient) sangat kecil (di bawah 0,10).

\n

Penanganan kasus Heywood case yang ditandai oleh varians eror bernilai negatif atau korelasi antar-laten melebihi 1,00 mensyaratkan pemeriksaan mendalam terhadap asumsi normalitas multivariat. Hair et al. (2019) menyarankan penggunaan metode estimasi Asymptotically Distribution-Free (ADF) atau teknik bootstrapping ketika data terbukti melanggar asumsi normalitas multivariat secara signifikan.

\n

Penggabungan secara teliti antara pengujian outer model, penilaian Goodness of Fit yang jujur, dan pembuktian hipotesis pada inner model menjadikan analisis CB-SEM AMOS sebagai instrumen statistik yang sangat tangguh untuk menguji teori-teori kompleks dalam riset sosial maupun manajemen.

\n

Kesimpulan

\n

Tahap analisis CB SEM dengan AMOS memerlukan eksekusi dua tingkat yang terstruktur secara ketat, dimulai dari pengujian outer model (CFA) untuk memastikan validitas serta reliabilitas indikator, penilaian kecocokan model (Goodness of Fit) secara menyeluruh, hingga pengujian inner model untuk membuktikan hipotesis kausalitas. Kegagalan konvergensi maupun model unfit harus diatasi melalui eliminasi indikator ber-loading rendah dan modifikasi model berbasis rasionalitas teori yang kuat.

\n

Daftar Pustaka

\n
    \n
  1. Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411-423.
    2. \n
  2. Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming (3rd ed.). Routledge.
    3. \n
  3. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
    4. \n
  4. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    5. \n
  5. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55.
    6. \n
  6. Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.
    7. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-11T02:12:45+07:00", "date_modified": "2026-09-11T02:12:45+07:00" }, { "id": "https://statistikian.net/cara-membaca-tabel-multivariat-test-dan-between-subject-effects-pada-manova-dengan-spss/", "url": "https://statistikian.net/cara-membaca-tabel-multivariat-test-dan-between-subject-effects-pada-manova-dengan-spss/", "title": "Cara Membaca Tabel Multivariat Test dan Between Subject Effects pada Manova dengan SPSS", "summary": "Cara Membaca Tabel Multivariat Test dan Between Subject Effects pada Manova dengan…", "content_html": "
\n

Cara Membaca Tabel Multivariat Test dan Between Subject Effects pada Manova dengan SPSS menjadi kendala teknis yang sering memicu kebingungan bagi peneliti saat berhadapan dengan dua tingkat pengujian yang tampak saling bertentangan. Gejala masalah yang paling sering muncul adalah situasi di mana tabel Multivariate Tests menunjukkan nilai p-value yang signifikan (p < 0,05), namun ketika membaca tabel Tests of Between-Subjects Effects, beberapa variabel terikat justru menunjukkan nilai signifikansi yang tidak signifikan, atau sebaliknya.

\n

Permasalahan menjadi semakin rumit ketika empat statistik uji multivariat utama—yaitu Pillai's Trace, Wilks' Lambda, Hotelling's Trace, dan Roy's Largest Root—memberikan nilai signifikansi yang tidak konsisten akibat pelanggaran asumsi homogenitas matriks varians-kovarians. Pengabaian terhadap urutan hierarki pembacaan luaran SPSS ini dapat menyebabkan bahaya pembengkakan kesalahan Tipe I (Type I error inflation), di mana peneliti tergesa-gesa menilai uji univariat tanpa menerapkan koreksi batas signifikansi yang tepat.

\n\n
Kebingungan Interpretasi Output MANOVA SPSS Konflik Empat Uji Multivariat Perbedaan Nilai Pillai vs Wilks vs Roy Uji Univariat Tanpa Koreksi Alfa Terjadi Pembengkakan Kesalahan Tipe I Salah Memilih Uji Multivariat Mengabaikan Asumsi Box's M Test Inference Univariat Palsu Menduga Beda Nyata yang Sebenarnya Semu SOLUSI: Pembacaan Berjenjang Multivariat ke Univariat, Gunakan Pillai's Trace jika Asumsi Melanggar & Koreksi Bonferroni
\n

Secara konseptual, analisis varians multivariat (MANOVA) dirancang untuk mengevaluasi apakah kelompok-kelompok independen memiliki perbedaan yang signifikan secara statistik pada kombinasi linier beberapa variabel terikat kontinu. Pendekatan multivariat ini mencegah penumpukan kesalahan acak yang akan terjadi jika peneliti menjalankan beberapa uji ANOVA secara terpisah satu per satu.

\n

Hair et al. (2019) menjelaskan bahwa tabel Multivariate Tests berfungsi sebagai gerbang utama dalam evaluasi hipotesis multivariat. Keberadaan empat statistik uji pada tabel ini mencerminkan perbedaan cara dalam menghitung variansi yang dijelaskan oleh faktor perlakuan pada matriks ragam-peragam variabel terikat.

\n

Tabachnick dan Fidell (2019) menggarisbawahi bahwa statistik Pillai's Trace merupakan opsi paling aman dan paling tangguh (robust) terhadap pelanggaran asumsi homogenitas matriks varians-kovarians atau ketika ukuran sampel antar sel tidak seimbang. Oleh karena itu, ketika uji Box's M menunjukkan hasil yang signifikan, peneliti sangat disarankan untuk merujuk pada statistik ini.

\n

Sebaliknya, Wilks' Lambda menjadi statistik multivariat yang paling banyak digunakan dan sangat ideal apabila data memenuhi seluruh asumsi normalitas multivariat serta homogenitas matriks kovarians (Huberty & Olejnik, 2006). Penjelasan mengenai landasan teori dasar uji MANOVA dan matriks multivariat dapat ditelaah secara lengkap di portal utama statistikian.com.

\n

Stevens (2009) menegaskan bahwa uji univariat pada tabel Tests of Between-Subjects Effects hanya boleh diinterpretasikan jika uji multivariat pada tabel sebelumnya terbukti signifikan secara statistik. Mengisolasi variabel terikat tanpa memverifikasi signifikansi multivariat menyeluruh merupakan pelanggaran asas metodologis analisis multivariat.

\n

Langkah teknis pertama untuk menjalankan analisis MANOVA secara tepat pada SPSS adalah memilih menu Analyze > General Linear Model > Multivariate.

\n

Langkah teknis kedua, pindahkan seluruh variabel terikat kontinu ke dalam kotak Dependent Variables dan variabel independen kategorik ke dalam kotak Fixed Factor(s).

\n

Langkah teknis ketiga, klik tombol Options di panel kanan, lalu centang opsi Descriptive statistics, Estimates of effect size (untuk memperoleh nilai Partial Eta Squared), serta Homogeneity tests.

\n

Langkah teknis keempat, klik Continue lalu tekan OK untuk mengeksekusi analisis dan memunculkan lembar luaran SPSS.

\n

Langkah teknis kelima, mulailah evaluasi dengan memeriksa tabel Box's Test of Equality of Covariance Matrices. Catat nilai signifikansi (Sig.) pada tabel ini.

\n

Langkah teknis keenam, apabila nilai p-value pada Box's M lebih besar dari 0,001, maka asumsi homogenitas matriks kovarians terpenuhi, sehingga Anda dapat menggunakan Wilks' Lambda (Tabachnick & Fidell, 2019).

\n

Langkah teknis ketujuh, jika nilai p-value pada Box's M kurang dari atau sama dengan 0,001, maka asumsi homogenitas terlanggar, sehingga Anda wajib mengalihkan perhatian ke statistik Pillai's Trace pada tabel Multivariate Tests (Field, 2018).

\n

Langkah teknis kedelapan, periksa kolom Sig. pada baris statistik multivariat terpilih (Pillai's Trace atau Wilks' Lambda) untuk variabel independen utama Anda. Jika p-value kurang dari 0,05, simpulkan bahwa terdapat pengaruh multivariat yang signifikan.

\n

Langkah teknis kesembilan, apabila statistik uji multivariat terbukti signifikan, lanjutkan pembacaan ke tabel Tests of Between-Subjects Effects untuk mengidentifikasi variabel terikat mana saja yang berkontribusi secara signifikan terhadap perbedaan antar kelompok.

\n

Langkah teknis kesepuluh, hitung batas signifikansi terbonferroni dengan cara membagi tingkat kesalahan standar (0,05) dengan jumlah total variabel terikat yang diuji (Stevens, 2009).

\n

Langkah teknis kesebelas, bandingkan p-value (kolom Sig.) setiap variabel terikat pada tabel Tests of Between-Subjects Effects dengan batas alfa terbonferroni tersebut. Variabel terikat dinyatakan signifikan hanya jika p-value nya berada di bawah batas alfa baru ini.

\n

Langkah teknis kedua belas, amati kolom Partial Eta Squared pada tabel Tests of Between-Subjects Effects untuk menentukan variabel terikat mana yang memberikan kontribusi besaran efek terbesar (Olejnik & Algina, 2003).

\n\n
1. Cek Uji Box's M (Homogenitas Matriks Kovarians) Box's M Sig. > 0,001 (Homogen) Gunakan Statistik Wilks' Lambda Box's M Sig. <= 0,001 (Melanggar) Gunakan Statistik Robust Pillai's Trace 2. Evaluasi p-value Uji Multivariat Terpilih 2. Evaluasi p-value Uji Multivariat Terpilih Sig. Multivariat > 0,05: STOP Analisis! Tidak Ada Beda Multivariat Sig. Multivariat < 0,05: Lanjut ke Between-Subjects (Gunakan Bonferroni) Pillai Sig. > 0,05: STOP Analisis! Efek Tidak Signifikan Pillai Sig. < 0,05: Lanjut ke Between-Subjects (Koreksi Alfa Bonferroni)
\n

Contoh Tabel/Diagram Output Tests of Between Subjects Effects dan Multivariate Test MANOVA SPSS

\n\n
SPSS Output: Multivariate Tests & Tests of Between-Subjects Effects Simulation [PANEL A] Multivariate Tests (Metode Perlakuan) Effect / Statistic Value F Hypoth. df Error df Sig. Partial Eta Sq. Pillai's Trace 0,612 8,95 6,000 112,000 0,000 0,324 Wilks' Lambda 0,425 9,45 6,000 110,000 0,000 0,348 Hotelling's Trace 1,280 10,02 6,000 108,000 0,000 0,381 Roy's Largest Root 1,120 18,20 3,000 56,000 0,000 0,493 Catatan Panel A: Wilks' Lambda p = 0,000 < 0,05 (Signifikan Multivariat). Lanjut ke Panel B. [PANEL B] Tests of Between-Subjects Effects (Factor: Metode Perlakuan) Dependent Variable Type III Sum Sq. df Mean Square F Sig. Partial Eta Sq. Variabel Terikat 1 1450,20 2 725,10 18,45 0,000 0,240 Variabel Terikat 2 580,40 2 290,20 7,20 0,008 0,110 Variabel Terikat 3 120,10 2 60,05 3,12 0,082 0,050 Aturan Pembacaan Kombinasi Output MANOVA: 1. Tahap Multivariat (Panel A): Wilks' Lambda (0,425; F = 9,45; p = 0,000) terbukti signifikan (p < 0,05). 2. Koreksi Bonferroni Alfa (Panel B): Batas signifikansi disesuaikan: 0,05 / 3 DV = 0,0167. 3. Keputusan Univariat: DV 1 (p = 0,000) & DV 2 (p = 0,008) Beda Nyata. DV 3 (p = 0,082 > 0,0167) Tidak Signifikan.
\n

Berdasarkan peragaan luaran SPSS pada diagram di atas, interpretasi diawali dari Panel A yang menyajikan tabel Multivariate Tests. Dengan asumsi homogenitas matriks varians-kovarians yang terpenuhi pada uji Box's M, baris statistik Wilks' Lambda dipilih sebagai dasar inferensi multivariat utama. Nilai Wilks' Lambda tercatat sebesar 0,425 dengan nilai F(6, 110) = 9,45 dan p-value = 0,000.

\n

Karena p-value (0,000) jauh lebih kecil dari tingkat signifikansi standar 0,05, peneliti menolak hipotesis nol multivariat dan menyimpulkan bahwa metode perlakuan secara simultan memberikan pengaruh yang signifikan terhadap kombinasi ketiga variabel terikat.

\n

Langkah berikutnya beralih ke Panel B yang menampilkan tabel Tests of Between-Subjects Effects. Sebelum mengevaluasi p-value untuk setiap variabel terikat, peneliti wajib menetapkan batas alfa terbonferroni guna mengontrol tingkat kesalahan keluarga uji. Dengan membagi nilai standar 0,05 dengan 3 (jumlah variabel terikat), diperoleh batas signifikansi terbonferroni baru sebesar 0,0167 (Stevens, 2009).

\n

Pada Variabel Terikat 1, diperoleh nilai F = 18,45 dengan p-value = 0,000. Karena 0,000 < 0,0167, maka variabel ini dinyatakan beda nyata secara signifikan antar kelompok perlakuan dengan besaran efek (Partial Eta Squared) sebesar 0,240 (kategori efek besar).

\n

Pada Variabel Terikat 2, nilai F = 7,20 dengan p-value = 0,008. Karena 0,008 juga berada di bawah ambang batas 0,0167, variabel ini terbukti signifikan secara statistik dengan besaran efek sebesar 0,110.

\n

Sementara itu, pada Variabel Terikat 3, nilai F = 3,12 dengan p-value = 0,082. Walaupun nilai p-value ini tampak lebih kecil dari 0,10, namun karena melampaui batas alfa terbonferroni 0,0167, Variabel Terikat 3 dinyatakan tidak memiliki perbedaan yang signifikan antar kelompok perlakuan.

\n

Pentingnya menerapkan koreksi Bonferroni dalam tahap pengujian univariat lanjutan disatukan oleh Huberty dan Olejnik (2006). Tanpa penyesuaian alfa ini, risiko penarikan kesimpulan positif palsu pada variabel terikat ketiga akan meningkat secara drastis.

\n

Olsen (1974) menunjukkan melalui studi simulasi Monte Carlo bahwa ketika asumsi matriks kovarians tidak homogen, penggunaan Pillai's Trace memberikan tingkat perlindungan terbaik terhadap kesalahan penarikan simpulan multivariat bila dibandingkan dengan statistik lainnya.

\n

Maxwell dan Delaney (2004) menekankan bahwa pelaporan nilai Partial Eta Squared pada tabel Tests of Between-Subjects Effects sangat penting untuk mengukur signifikansi praktis (practical significance), yang menggambarkan proporsi varians variabel terikat yang mampu dijelaskan oleh faktor independen.

\n

Menurut klasifikasi Cohen (1988), nilai Partial Eta Squared sebesar 0,01 dikategorikan sebagai efek kecil, 0,06 sebagai efek sedang, dan 0,14 sebagai efek besar. Dengan demikian, Variabel Terikat 1 dalam luaran di atas terbukti memberikan kontribusi perlakuan yang paling dominan.

\n

Penerapan urutan interpretasi berjenjang yang disiplin ini memastikan bahwa pengujian multivariat MANOVA yang dijalankan pada SPSS mampu menghasilkan kesimpulan ilmiah yang kuat, akurat, dan dapat dipertanggungjawabkan dalam publikasi ilmiah.

\n

Kesimpulan

\n

Cara membaca tabel Multivariate Tests dan Tests of Between Subjects Effects pada MANOVA SPSS membutuhkan ketaatan pada protokol analisis dua tingkat secara hierarkis. Tahap pertama wajib mengevaluasi tabel Multivariate Tests menggunakan statistik yang sesuai dengan kondisi asumsi data (Pillai's Trace untuk data yang melanggar asumsi homogenitas matriks kovarians dan Wilks' Lambda untuk data yang memenuhi asumsi). Jika uji multivariat signifikan, tahap kedua dilakukan dengan menguji tabel Tests of Between Subjects Effects menggunakan koreksi alfa Bonferroni (0,05 dibagi jumlah variabel terikat) untuk mengidentifikasi variabel terikat mana yang benar-benar berbeda secara nyata tanpa terjebak inflasi kesalahan Tipe I.

\n

Daftar Pustaka

\n
    \n
  1. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
    2. \n
  2. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons.
    5. \n
  5. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    6. \n
  6. Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: measures of effect size for some common research designs. Psychological Methods, 8(4), 434-447.
    7. \n
  7. Olsen, C. L. (1974). Comparative robustness of six tests in multivariate analysis of variance. Journal of the American Statistical Association, 69(348), 894-908.
    8. \n
  8. Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
    9. \n
  9. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    10. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T23:07:30+07:00", "date_modified": "2026-09-10T23:07:30+07:00" }, { "id": "https://statistikian.net/cara-membaca-tabel-marginal-effects-dan-output-grafik-uji-multivariat-anova-manova-pada-spss/", "url": "https://statistikian.net/cara-membaca-tabel-marginal-effects-dan-output-grafik-uji-multivariat-anova-manova-pada-spss/", "title": "Cara Membaca Tabel Marginal Effects dan Output Grafik Uji Multivariat Anova (Manova) pada SPSS", "summary": "Cara Membaca Tabel Marginal Effects dan Output Grafik Uji Multivariat Anova (Manova)…", "content_html": "
\n

Cara Membaca Tabel Marginal Effects dan Output Grafik Uji Multivariat Anova (Manova) pada SPSS menjadi kendala utama bagi banyak peneliti saat berhadapan dengan luaran analisis yang rumit. Gejala masalah yang paling umum muncul adalah ketidakcocokan nilai antara rata-rata sampel teramati (Observed Means) dengan rata-rata marjinal terestimasi (Estimated Marginal Means atau EMMEANS). Kondisi ini kerap memicu kebingungan, terutama ketika garis pada grafik Profile Plot menunjukkan pola persilangan yang saling bertabrakan, namun peneliti tidak dapat memastikan apakah interaksi marjinal tersebut signifikan secara statistik atau sekadar variasi acak semata.

\n

Permasalahan menjadi semakin kompleks ketika analisis MANOVA melibatkan ukuran sampel yang tidak seimbang antar sel perlakuan (unbalanced design) atau menyertakan variabel kontrol (kovariat). Pengabaian terhadap perbedaan struktur tabel marjinal ini dapat menyebabkan pembacaan arah perbedaan kelompok yang menyesatkan, kesalahan interpretasi efek interaksi, serta ketidakmampuan dalam mengevaluasi batas interval kepercayaan 95% (95% Confidence Interval) pada grafik profil multivariat.

\n\n
Dilema Pembacaan Output EMMEANS & Profile Plot MANOVA Observed Means vs EMMEANS Bias Rata-rata Terdistorsi Ukuran Sel / Kovariat Grafik Interaksi Saling Bersilangan Gagal Menilai Signifikansi Visual Salah Menyimpulkan Effect Size Mengabaikan Arah Efek Marjinal Overlapping Confidence Intervals Salah Menganalisis Beda Nyata Visual SOLUSI: Evaluasi Tabel EMMEANS dengan Koreksi Bonferroni, Uji Perbandingan Pasangan (Pairwise), dan Baca Error Bars Profil
\n

Dalam kerangka Model Linear Umum (General Linear Model), rata-rata marjinal terestimasi (Estimated Marginal Means) dirumuskan untuk menggambarkan estimasi rata-rata populasi yang tidak tertimbang (unweighted marginal means) bagi setiap sel perlakuan. Searle, Speed, dan Milliken (1980) menjelaskan bahwa ketika rancangan eksperimen memiliki jumlah sampel yang tidak seimbang antar sel, rata-rata aritmatika biasa (observed means) akan berbias ke arah kelompok dengan ukuran sampel terbesar, sehingga tidak lagi mencerminkan efek marjinal populasi yang murni.

\n

Oleh karena itu, penggunaan tabel EMMEANS menjadi syarat mutlak dalam analisis MANOVA untuk menyesuaikan rata-rata variabel terikat berdasarkan bobot sel yang sama atau mengontrol variabel kovariat pada nilai rata-rata konstan. Konsep menyeluruh mengenai landasan teori model linear multivariat MANOVA serta pembentukan fungsi matriksnya dapat dipelajari secara mendalam di portal utama statistikian.com.

\n

Menurut Hair et al. (2019), efek marjinal (marginal effects) dalam MANOVA mencerminkan besarnya perubahan terisolasi pada vektor rata-rata variabel terikat akibat perubahan tingkat faktor independen tertentu. Memahami efek marjinal ini memungkinkan peneliti melihat tidak hanya apakah terdapat perbedaan multivariat yang signifikan, melainkan juga mengukur besaran dan arah dampak perlakuan secara lebih spesifik.

\n

Tabachnick dan Fidell (2019) menegaskan bahwa grafik Profile Plot berfungsi sebagai alat bantu visual untuk menginterpretasikan pola hubungan antar faktor, khususnya dalam mengidentifikasi adanya interaksi ordinal (garis tidak sejajar namun tidak bersilangan) maupun interaksi disordinal (garis saling bersilangan). Namun, grafik profil tanpa menyertakan bilah kesalahan (error bars) atau tabel perbandingan berpasangan (pairwise comparisons) dapat menyesatkan inferensi peneliti.

\n

Sebagaimana dinyatakan oleh Field (2018), pengujian tingkat signifikansi efek marjinal memerlukan penyesuaian uji tumpuk (multiple comparison adjustments) seperti penyesuaian Bonferroni atau Sidak. Penyesuaian ini mengontrol tingkat kesalahan keluarga uji (familywise error rate) agar pembacaan perbedaan antar rata-rata marjinal tetap akurat dan terhindar dari klaim positif palsu.

\n

Langkah teknis pertama dalam memunculkan tabel marjinal di SPSS adalah mengakses menu Analyze > General Linear Model > Multivariate.

\n

Langkah teknis kedua, setelah memasukkan variabel terikat kontinu dan faktor independen kategorik, klik tombol EM Means yang berada di panel sebelah kanan kotak dialog SPSS.

\n

Langkah teknis ketiga, pindahkan seluruh faktor utama dan faktor interaksi dari kotak Factor(s) and Factor Interactions ke dalam kotak Display Means for.

\n

Langkah teknis keempat, centang opsi Compare main effects untuk mengaktifkan analisis perbandingan berpasangan marjinal secara otomatis.

\n

Langkah teknis kelima, pada menu tarik-turun Confidence interval adjustment, ubah opsi default dari LSD (none) menjadi Bonferroni untuk menjaga presisi p-value dari ancaman pembengkakan kesalahan Tipe I (Field, 2018).

\n

Langkah teknis keenam, klik tombol Plots pada panel kanan untuk membuka pembuatan grafik profil, lalu masukkan faktor utama ke kotak Horizontal Axis dan faktor kedua ke kotak Separate Lines.

\n

Langkah teknis ketujuh, centang opsi Include error bars dan pilih Confidence interval (95%) agar grafik Profile Plot menampilkan rentang estimasi ketidakpastian visual secara langsung (Cumming, 2009).

\n

Langkah teknis kedelapan, klik Continue lalu tekan tombol OK untuk memproses analisis dan memunculkan luaran tabel marjinal beserta grafik profil.

\n

Langkah teknis kesembilan, mulailah membaca luaran dengan memeriksa tabel Estimated Marginal Means. Perhatikan kolom Mean, Std. Error, serta batas bawah (Lower Bound) dan batas atas (Upper Bound) pada rentang interval kepercayaan 95%.

\n

Langkah teknis kesepuluh, jika terdapat kovariat dalam model MANOVA Anda, catat nilai penyesuaian kovariat yang tercantum pada catatan kaki tabel marjinal (misalnya, \"Evaluated at covariates appeared in the model: Kovariat = 50,00\").

\n

Langkah teknis kesebelas, evaluasi tabel Pairwise Comparisons untuk melihat perbedaan rata-rata marjinal (Mean Difference) antar tingkat faktor beserta nilai signifikansi terubah (Sig.) yang telah dikoreksi Bonferroni.

\n

Langkah teknis kedua belas, amati grafik Profile Plot. Jika bilah kesalahan (error bars) interval kepercayaan 95% antara dua titik kelompok tidak saling tumpang tindih (non-overlapping), hal tersebut mengindikasikan adanya perbedaan rata-rata marjinal yang signifikan secara statistik (Cumming, 2009).

\n

Langkah teknis ketiga belas, periksa pola garis pada Profile Plot. Garis yang sejajar menunjukkan tidak adanya efek interaksi marjinal, sedangkan garis yang bersilangan mengonfirmasi hadirnya efek interaksi disordinal antar faktor independen.

\n\n
1. Evaluasi Struktur Model & Karakteristik Data Sampel Tidak Seimbang / Ada Kovariat Wajib Rujuk Tabel EMMEANS (Bukan Observed) Sampel Seimbang & Tanpa Kovariat Nilai EMMEANS Identik dengan Observed Means 2. Cek Pairwise Comparisons (Koreksi Bonferroni) 2. Inspeksi Visual Profile Plot & Error Bars Sig. Bonferroni < 0,05: Perbedaan Marjinal Beda Nyata (Signifikan) Sig. Bonferroni > 0,05: Tidak Ada Beda Marjinal Nyata Error Bars Segaris: Overlap Tinggi (Gagal Menolak H0) Error Bars Terpisah: Non-Overlapping (Beda Nyata Visual)
\n

Contoh Tabel/Diagram Output Marginal Means dan Grafik Profile Plot MANOVA SPSS

\n\n
SPSS Output: Estimated Marginal Means Table & Profile Plot Simulation [PANEL A] Estimated Marginal Means (DV: Prestasi Kerja) Kelompok Pelatihan Mean Std. Error 95% Conf. Interval 1. Konvensional 68,50 1,24 [66,02 - 70,98] 2. Digital Simu 84,20 1,18 [81,84 - 86,56] 3. Hybrid Blended 76,10 1,21 [73,68 - 78,52] Catatan Panel A: Nilai EMMEANS disesuaikan pada kovariat Pengalaman Kerja = 4,20 tahun. Kelompok Digital tertinggi. [PANEL B] Estimated Marginal Means Profile Plot 60 70 80 90 Konvensional Digital Hybrid Cara Membaca Kombinasi Output Marjinal MANOVA: 1. Evaluasi Rata-rata Marjinal (EMMEANS): Kelompok Digital Simu menghasilkan estimasi rata-rata marjinal tertinggi (84,20) dibandingkan Hybrid (76,10) dan Konvensional (68,50) setelah mengontrol kovariat. 2. Analisis Visual Bilah Kesalahan (Error Bars): Bilah kesalahan 95% CI antara kelompok Digital [81,84 - 86,56] dan Konvensional [66,02 - 70,98] terpisah total (non-overlapping), mengonfirmasi beda nyata yang signifikan. 3. Implikasi Keputusan: Metode Digital Simulasi terbukti paling efektif secara statistik dan marjinal.
\n

Berdasarkan hasil peragaan luaran SPSS pada diagram di atas, interpretasi diawali dengan mengamati Panel A yang menyajikan tabel Estimated Marginal Means. Terlihat bahwa setelah mengontrol pengaruh variabel kovariat pengalaman kerja pada nilai rata-rata 4,20 tahun, kelompok perlakuan pelatihan Digital Simulasi menghasilkan rata-rata marjinal tertinggi sebesar 84,20 dengan kesalahan standar 1,18.

\n

Rata-rata marjinal kelompok Digital Simulasi ini mengungguli kelompok Hybrid Blended yang mencatatkan nilai 76,10 serta kelompok Konvensional yang hanya mencapai 68,50. Penyesuaian kovariat ini sangat krusial karena menghilangkan potensi bias kapasitas awal individu antar kelompok perlakuan.

\n

Selanjutnya, pembacaan dialihkan ke Panel B yang menampilkan grafik Profile Plot lengkap dengan bilah kesalahan (error bars) interval kepercayaan 95%. Terlihat secara visual bahwa rentang interval kepercayaan kelompok Digital Simulasi [81,84 hingga 86,56] sama sekali tidak saling tumpang tindih (non-overlapping) dengan rentang kelompok Konvensional [66,02 hingga 70,98].

\n

Sebagaimana dibuktikan dalam studi statistik oleh Cumming (2009), ketidaktumpangtindihan bilah kesalahan interval kepercayaan 95% pada grafik profil marjinal memberikan bukti visual yang sangat kuat mengenai adanya perbedaan rata-rata yang signifikan secara statistik pada tingkat p < 0,01.

\n

Huberty dan Olejnik (2006) menggarisbawahi bahwa penyajian tabel EMMEANS beserta grafik profil memberikan makna praktis (practical significance) yang melengkapi nilai p-value hipotesis multivariat. Melalui rata-rata marjinal, peneliti dapat menghitung besaran efek relatif antar pasangan kelompok secara transparan.

\n

Dalam kasus analisis multivariat dengan dua atau lebih variabel terikat, Stevens (2009) mengingatkan agar pembacaan tabel marjinal dilakukan secara terpisah untuk setiap variabel terikat, namun tetap dalam kerangka interpretasi multivariat yang padu.

\n

Maxwell dan Delaney (2004) menambahkan bahwa apabila analisis MANOVA melibatkan rancangan faktorial (dua faktor independen atau lebih), grafik Profile Plot marjinal menjadi instrumen utama dalam mendeteksi tipe interaksi. Interaksi disordinal yang ditandai oleh garis silang menunjukkan bahwa efek satu faktor tergantung secara nyata pada tingkatan faktor lainnya.

\n

Apabila interaksi signifikan ditemukan pada uji multivariat, Hair et al. (2019) menyarankan peneliti untuk mengutamakan pembacaan efek marjinal interaksi (simple main effects) daripada sekadar membaca efek utama tunggal (main effects), agar tidak menghasilkan simpulan yang terlalu menyederhanakan kompleksitas data.

\n

Penerapan penyesuaian uji tumpuk Bonferroni pada tabel Pairwise Comparisons memastikan bahwa keputusan menolak hipotesis nol pada perbandingan antar rata-rata marjinal bebas dari risiko inflasi kesalahan Tipe I yang disebabkan oleh banyaknya pengujian simultan (Field, 2018).

\n

Dengan memadukan pembacaan presisi angka pada tabel EMMEANS, verifikasi tingkat signifikansi terubah Bonferroni, serta inspeksi visual bilah kesalahan pada grafik Profile Plot, peneliti memperoleh gambaran komprehensif yang sahih dan dapat dipertanggungjawabkan secara metodologis.

\n

Kesimpulan

\n

Membaca tabel Marginal Effects (EMMEANS) dan output grafik Profile Plot MANOVA pada SPSS memerlukan ketelitian dalam membedakan rata-rata marjinal terestimasi dari rata-rata sampel teramati, terutama pada rancangan sampel tidak seimbang atau model ber-kovariat. Tabel EMMEANS memberikan estimasi rata-rata terbebas dari bias ukuran sel, sedangkan tabel Pairwise Comparisons yang disesuaikan Bonferroni memberikan kepastian signifikansi statistik. Grafik Profile Plot dengan bilah kesalahan (error bars) 95% confidence interval melengkapi analisis melalui bukti visual yang intuitif, di mana bilah kesalahan yang terpisah (non-overlapping) mengonfirmasi keberadaan perbedaan marjinal yang beda nyata secara ilmiah.

\n

Daftar Pustaka

\n
    \n
  1. Cumming, G. (2009). Inference by eye: reading and understanding confidence intervals in statistics. Teaching Statistics, 31(2), 40-45.
    2. \n
  2. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons.
    5. \n
  5. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    6. \n
  6. Searle, S. R., Speed, F. M., & Milliken, G. A. (1980). Population marginal means in the linear model: an alternative to ordinary means for unequal cell sizes. The American Statistician, 34(4), 216-221.
    7. \n
  7. Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
    8. \n
  8. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    9. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T23:00:03+07:00", "date_modified": "2026-09-10T23:00:03+07:00" }, { "id": "https://statistikian.net/tutorial-multivariat-anova-manova-pada-spss-serta-uji-asumsi-dan-solusinya/", "url": "https://statistikian.net/tutorial-multivariat-anova-manova-pada-spss-serta-uji-asumsi-dan-solusinya/", "title": "Tutorial Multivariat Anova (Manova) pada SPSS Serta Uji Asumsi dan Solusinya", "summary": "Tutorial Multivariat Anova (Manova) pada SPSS Serta Uji Asumsi dan Solusinya sangat…", "content_html": "
\n

Tutorial Multivariat Anova (Manova) pada SPSS Serta Uji Asumsi dan Solusinya sangat dibutuhkan ketika peneliti menghadapi kendala nilai signifikansi Box's M Test of Equality of Covariance Matrices di bawah 0,05 atau timbul kemencengan statistik pada uji homogenitas Levene untuk salah satu variabel terikat. Permasalahan ini kerap membingungkan karena peneliti tidak tahu apakah hasil uji multivariat pada tabel Multivariate Tests masih dapat dipercaya, atau variabel terikat mana yang memicu pelanggaran matriks varians-kovarians tersebut.

\n

Selain kendala homogenitas matriks kovarians, ketidakpenuhan asumsi normalitas multivariat (multivariate normality) dan keberadaan pencilan multivariat (multivariate outliers) yang dideteksi menggunakan jarak Mahalanobis (Mahalanobis Distance) sering kali menggagalkan uji beda simultan. Kesalahan dalam memilih statistik uji multivariat—seperti memaksakan penggunaan Wilks' Lambda saat matriks kovarians tidak homogen—dapat meningkatkan tingkat kesalahan Tipe I (Type I Error Rate) serta menghasilkan kesimpulan perbedaan kelompok yang bias.

\n\n
Analisis Multivariat ANOVA (MANOVA) SPSS Box's M Test Sig <= 0,05 Pelanggaran Homogenitas Kovarians Outlier Multivariat (Mahalanobis) Normalitas Multivariat Terganggu Wilks' Lambda Bias & Inflasi Error Tipe I Error Rate Meningkat Estimasi Vektor Mean Distorsi Uji Beda Simultan Tidak Presisi SOLUSI: Gunakan Pillai's Trace, Hapus Outlier Mahalanobis, atau Seimbangkan Ukuran Sampel Antar Kelompok (Balanced Design)
\n

Multivariate Analysis of Variance (MANOVA) merupakan perluasan dari analisis varians univariat (ANOVA) yang dirancang untuk menguji perbedaan vektor rata-rata antara dua atau lebih kelompok populasi pada beberapa variabel terikat kontinu secara simultan (Hotelling, 1931; Wilks, 1932). Keunggulan utama MANOVA dibandingkan pengujian ANOVA univariat terpisah adalah kemampuannya dalam mengontrol tingkat kesalahan eksperimen (experimentwise error rate) serta mendeteksi interaksi linier antar variabel terikat.

\n

Penerapan prosedur parametrik multivariat ini berlandaskan pada sejumlah asumsi ketat, meliputi independensi observasi, normalitas multivariat pada setiap kelompok, linieritas antar pasangan variabel terikat, tidak adanya multikolinieritas ekstrem, serta homogenitas matriks varians-kovarians (Huberty & Olejnik, 2006). Penjelasan mendalam mengenai teori dasar analisis multivariat MANOVA beserta formulasi matriks statistik pembentuknya dapat dibaca pada artikel di website utama statistikian.com.

\n

Empat statistik uji utama yang dihasilkan oleh prosedur MANOVA di SPSS meliputi Pillai's Trace, Wilks' Lambda, Hotelling's Trace, dan Roy's Largest Root (Pillai, 1955; Wilks, 1932). Masing-masing statistik uji memiliki tingkat sensitivitas dan ketangguhan yang berbeda terhadap kondisi struktur data sampel.

\n

Box (1949) merumuskan Box's M Test untuk memverifikasi kesamaan matriks varians-kovarians antar kelompok. Namun, Tabachnick dan Fidell (2019) menggarisbawahi bahwa Box's M sangat sensitif terhadap ketidaknormalan data, sehingga sering kali menghasilkan p-value yang signifikan (p < 0,05) meskipun deviasi homogenitas matriks kovarians tergolong relatif kecil.

\n

Apabila terjadi pelanggaran homogenitas matriks kovarians yang disertai oleh ketidakseimbangan jumlah sampel antar kelompok (unbalanced design), daya uji statistik akan terdistorsi. Dalam kondisi tersebut, Olsen (1976) menyimpulkan bahwa Pillai's Trace merupakan statistik multivariat paling robust dan paling disarankan untuk diinterpretasikan.

\n

Langkah teknis pertama dalam melakukan prosedur analisis di SPSS adalah mengecek keberadaan pencilan multivariat menggunakan nilai Mahalanobis Distance. Buka menu Analyze > Regression > Linear.

\n

Langkah teknis kedua, masukkan variabel identitas subjek atau variabel urutan ke kotak Dependent, lalu masukkan seluruh variabel terikat kontinu ke kotak Block 1 of 1. Klik tombol Save, centang opsi Mahalanobis pada bagian Distances, klik Continue, lalu jalankan perintah.

\n

Langkah teknis ketiga, hitung nilai kritis Chi-Square menggunakan fungsi `1 - CDF.CHISQ(mah_1, df)` pada SPSS Compute Variable, dengan derajat bebas (df) setara jumlah variabel terikat. Hapus atau keluarkan responden yang memiliki p-value Mahalanobis kurang dari 0,001 (Hair et al., 2019).

\n

Langkah teknis keempat, siapkan dataset utama dengan format variabel bebas kategorik (faktor) dan dua atau lebih variabel terikat kontinu.

\n

Langkah teknis kelima, buka menu utama SPSS lalu pilih Analyze > General Linear Model > Multivariate untuk membuka kotak dialog utama.

\n

Langkah teknis keenam, pindahkan seluruh variabel terikat kontinu ke dalam kotak Dependent Variables.

\n

Langkah teknis ketujuh, pindahkan variabel kategorik independen ke dalam kotak Fixed Factor(s).

\n

Langkah teknis kedelapan, klik tombol Options, kemudian centang opsi Descriptive statistics, Observed power, dan Homogeneity tests untuk memunculkan tabel Box's M dan Levene's Test.

\n

Langkah teknis kesembilan, klik tombol Post Hoc jika variabel faktor memiliki lebih dari dua kelompok, masukkan variabel faktor ke kotak Post Hoc Tests for, lalu centang uji tumpang-tindih seperti Bonferroni atau Tukey (Stevens, 2009).

\n

Langkah teknis kesepuluh, klik Continue lalu tekan tombol OK untuk memproses sintaks MANOVA pada SPSS.

\n

Langkah teknis kesebelas, evaluasi tabel output Box's Test of Equality of Covariance Matrices. Apabila nilai signifikansi (Sig.) lebih besar dari 0,05, maka matriks varians-kovarians terkonfirmasi homogen, sehingga baris Wilks' Lambda pada tabel Multivariate Tests aman untuk diinterpretasikan.

\n

Langkah teknis kedua belas, apabila nilai signifikansi Box's M kurang dari atau sama dengan 0,05, abaikan Wilks' Lambda dan beralihlah membaca baris Pillai's Trace karena sifatnya yang sangat tangguh terhadap heterogenitas matriks kovarians.

\n

Langkah teknis ketiga belas, evaluasi tabel Levene's Test of Equality of Error Variances untuk melihat homogenitas varians univariat masing-masing variabel terikat. Jika salah satu variabel terikat melanggar homogenitas Levene (p < 0,05), gunakan penyesuaian uji univariat Welch ANOVA atau penyesuaian alpha Bonferroni pada analisis paska-hoc (Games & Howell, 1976).

\n\n
1. Evaluasi Outlier Multivariat (Mahalanobis Distance) Ada Outlier (p Mahalanobis < 0,001) Hapus / Filter Subjek Pencilan Bebas Outlier Multivariat Lanjutkan ke Evaluasi Uji Box's M 2. Re-Run MANOVA Tanpa Outlier 2. Cek Nilai Sig. Box's M Test Prosedur Pembersihan: Ulangi Jalankan Sintaks GLM Multivariate Box's M Sig. > 0,05: Matriks Kovarians Homogen Baca Wilks' Lambda Box's M Sig. <= 0,05: Matriks Kovarians Heterogen Baca Pillai's Trace
\n

Contoh Tabel/Diagram Output Multivariate Tests dan Box's M SPSS

\n\n
SPSS Output: Box's M & Multivariate Tests Box's Test of Equality of Covariance Matrices Box's M = 18,420 | F = 2,850 | df1 = 6 | df2 = 12450,12 | Sig. = ,012 Diagnostik Box's M: Nilai Sig. 0,012 (<= 0,05) menunjukkan bahwa matriks varians-kovarians antar kelompok HETEROGEN. Keputusan Tindakan: Abaikan statistik Wilks' Lambda dan gunakan Pillai's Trace pada tabel Multivariate Tests di bawah! Effect / Group Multivariate Statistic Value F Hypoth df Error df Sig. Kelompok Perlakuan Pillai's Trace ,345 5,820 4,000 114,000 ,000 Kelompok Perlakuan Wilks' Lambda (Abaikan) ,672 6,112 4,000 112,000 ,000 Kelompok Perlakuan Hotelling's Trace ,462 6,398 4,000 110,000 ,000 Cara Membaca Output Tabel Multivariate Tests: 1. Evaluasi Pelanggaran Asumsi: Karena Box's M Sig. = 0,012 (<= 0,05), matriks kovarians tidak homogen. 2. Penentuan Statistik Uji: Wajib mengacu pada baris Pillai's Trace (Nilai = 0,345, F = 5,820, Sig. = 0,000). 3. Keputusan Multivariat: Nilai Sig. = 0,000 (< 0,05) menunjukkan bahwa secara SIMULTAN terdapat perbedaan vektor rata-rata variabel terikat yang signifikan antar kelompok perlakuan.
\n

Berdasarkan hasil peragaan output SPSS pada tabel di atas, tahapan pembacaan diawali dengan mengevaluasi tabel Box's Test of Equality of Covariance Matrices. Diperoleh nilai Box's M sebesar 18,420 dengan nilai signifikansi (Sig.) sebesar 0,012. Karena p-value 0,012 lebih kecil dari tingkat signifikansi 0,05, hipotesis nol kesamaan matriks kovarians ditolak, yang menegaskan bahwa matriks varians-kovarians bersifat heterogen.

\n

Pelanggaran homogenitas matriks kovarians ini membatalkan keabsahan penggunaan Wilks' Lambda. Peneliti diharuskan mengalihkan fokus pembacaan pada baris Pillai's Trace yang tercantum pada tabel Multivariate Tests.

\n

Nilai statistik Pillai's Trace yang diperoleh adalah sebesar 0,345 dengan nilai F konversi sebesar 5,820, derajat bebas hipotesis 4,000, derajat bebas galat 114,000, serta nilai signifikansi Sig. sebesar 0,000. Karena nilai p-value 0,000 jauh di bawah 0,05, dapat disimpulkan secara sahih bahwa variabel independen memberikan pengaruh simultan yang signifikan terhadap seluruh variabel terikat secara multivariat.

\n

Olsen (1976) melalui studi simulasi Monte Carlo membuktikan bahwa Pillai's Trace mempertahankan tingkat kesalahan Tipe I mendekati tingkat nominalnya dalam berbagai kondisi heterogenitas kovarians, terutama ketika ukuran sampel antar sel relatif seimbang.

\n

Hand dan Taylor (1987) menambahkan bahwa meskipun Wilks' Lambda merupakan statistik multivariat paling populer dalam keadaan ideal, keunggulannya runtuh saat asumsi varians-kovarians dilanggar. Oleh karena itu, fleksibilitas penggunaan statistik uji alternatif merupakan keharusan metodologis.

\n

Mengenai sensitivitas Box's M Test, Tabachnick dan Fidell (2019) menyarankan bahwa jika jumlah sampel pada setiap kelompok tergolong seimbang (rasio sampel terbesar terhadap sampel terkecil kurang dari 1,5), peneliti dapat memperketat kriteria signifikansi Box's M menjadi 0,001 alih-alih 0,05 sebelum menyatakan asumsi kovarians dilanggar.

\n

Hakstian, Roed, dan Lind (1979) memperingatkan bahwa bahaya terbesar terjadi apabila heterogenitas kovarians berpadu dengan ketidakseimbangan jumlah sampel per sel yang ekstrim. Jika kelompok dengan ukuran sampel kecil memiliki varians yang jauh lebih besar, statistik uji multivariat akan menjadi sangat liberal dan menghasilkan p-value palsu yang tampak signifikan.

\n

Untuk meminimalkan potensi bias tersebut, Hair et al. (2019) merekomendasikan peneliti untuk mengupayakan rancangan penelitian yang seimbang (balanced design) sejak tahap pengumpulan data, atau menerapkan pemotongan sampel secara acak agar ukuran n antar kelompok seragam.

\n

Setelah menemukan adanya perbedaan multivariat yang signifikan, langkah tindak lanjut yang disarankan oleh Huberty dan Olejnik (2006) adalah melakukan analisis ANOVA univariat lanjutan (Follow-up Univariate ANOVAs) atau analisis diskriminan (Discriminant Analysis) untuk mengidentifikasi variabel terikat spesifik mana yang berkontribusi paling kuat terhadap perbedaan antar kelompok.

\n

Untuk mencegah pembengkakan tingkat kesalahan eksperimen saat melakukan pengujian univariat lanjutan pada beberapa variabel terikat, Stevens (2009) menganjurkan penggunaan koreksi Bonferroni, yaitu dengan membagi tingkat signifikansi standar 0,05 dengan jumlah variabel terikat yang diuji.

\n

Kesimpulan

\n

Penggunaan prosedur Multivariate ANOVA (MANOVA) di SPSS memerlukan verifikasi asumsi normalitas multivariat, bebas pencilan Mahalanobis, serta homogenitas matriks varians-kovarians melalui Box's M Test. Pelanggaran pada Box's M (Sig <= 0,05) tidak serta-merta menggagalkan analisis, melainkan menuntut peneliti untuk menggunakan Pillai's Trace sebagai statistik uji utama karena sifatnya yang sangat robust. Pengendalian ukuran sampel agar tetap seimbang antar kelompok serta penerapan koreksi Bonferroni pada pengujian univariat lanjutan menjamin kesimpulan multivariat tetap presisi dan sahih secara metodologis.

\n

Daftar Pustaka

\n
    \n
  1. Box, G. E. P. (1949). A general distribution theory for a class of likelihood criteria. Biometrika, 36(3/4), 317-346.
    2. \n
  2. Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Hakstian, A. R., Roed, J. C., & Lind, J. C. (1979). Two-sample T2 procedure and the assumption of homogeneous covariance matrices. Psychological Bulletin, 86(6), 1255-1263.
    5. \n
  5. Hand, D. J., & Taylor, C. C. (1987). Multivariate Analysis of Variance and Repeated Measures: A Practical Approach for Behavioural Scientists. Chapman and Hall.
    6. \n
  6. Hotelling, H. (1931). The generalization of Student's ratio. The Annals of Mathematical Statistics, 2(3), 360-378.
    7. \n
  7. Huberty, C. J., & Olejnik, S. (2006). Applied MANOVA and Discriminant Analysis (2nd ed.). John Wiley & Sons.
    8. \n
  8. Olsen, C. L. (1976). On choosing a test statistic in multivariate analysis of variance. Psychological Bulletin, 83(4), 579-586.
    9. \n
  9. Pillai, K. C. S. (1955). Some new test criteria in multivariate analysis. The Annals of Mathematical Statistics, 26(1), 117-121.
    10. \n
  10. Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
    11. \n
  11. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    12. \n
  12. Wilks, S. S. (1932). Certain generalizations in the analysis of variance. Biometrika, 24(3/4), 471-494.
    13. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:54:51+07:00", "date_modified": "2026-09-10T22:54:51+07:00" }, { "id": "https://statistikian.net/panduan-bagaimana-memilih-independent-t-test-ataukah-paired-test-simulasi-dengan-spss/", "url": "https://statistikian.net/panduan-bagaimana-memilih-independent-t-test-ataukah-paired-test-simulasi-dengan-spss/", "title": "Panduan Bagaimana memilih Independent T Test ataukah Paired Test? (Simulasi dengan SPSS)", "summary": "Panduan Bagaimana memilih Independent T Test ataukah Paired Test? (Simulasi dengan SPSS)…", "content_html": "
\n

Panduan Bagaimana memilih Independent T Test ataukah Paired Test? (Simulasi dengan SPSS) menjadi pertanyaan metodologis utama saat peneliti dihadapkan pada kebingungan memilih uji beda rata-rata dua sampel yang tepat. Gejala masalah yang paling sering muncul adalah keluarnya nilai signifikansi (Sig. 2-tailed) yang jauh berbeda ketika data yang sama diuji dengan kedua metode tersebut, atau munculnya pesan kesalahan SPSS \"The first variable in a pair must be different from the second\" akibat kesalahan dalam menyusun struktur kolom data pada Data View.

\n

Kebingungan ini semakin memuncak ketika sampel berasal dari individu yang sama namun diukur dalam dua kondisi berbeda, atau individu yang berbeda tetapi dihubungkan sebagai pasangan yang dicocokkan (matched pairs). Penggunaan uji parametrik yang tidak sesuai dengan rancangan eksperimen ini memicu kesalahan inferensi yang fatal, seperti meningkatkan tingkat kesalahan Tipe I (Type I Error Rate) atau menurunkan daya uji statistik (statistical power) sehingga perbedaan nyata yang ada gagal terdeteksi.

\n\n
Dilema Pemilihan Uji T Dua Sampel SPSS Salah Identifikasi Sifat Subjek Mengabaikan Dependensi / Pairing Salah Format Data View SPSS Gagal Membedakan Long vs Wide Format Standard Error Inflasi / Bias Varians Galat & DF Tidak Valid SPSS Error / P-Value Palsu Gagal Merender Pasangan Variabel SOLUSI: Identifikasi Hubungan Subjek, Restrukturisasi Data, serta Pemilihan Independent vs Paired T-Test Sesuai Desain
\n

Secara teoritis, landasan utama yang membedakan Independent Samples T-Test dan Paired Samples T-Test terletak pada ada atau tidaknya korelasi statistik antar pengamatan pada kedua kelompok yang dibandingkan (Student, 1908). Uji T independen mensyaratkan bahwa anggota kelompok pertama tidak memiliki hubungan kausal, hubungan biologis, maupun korelasi statistik dengan anggota kelompok kedua.

\n

Sebaliknya, Paired Samples T-Test dirancang khusus untuk menguji dua rata-rata yang berasal dari kelompok observasi terikat atau berpasangan. Penjelasan mendalam mengenai konsep dasar uji T berpasangan beserta kriteria keterikatan subjek dapat dipelajari secara rinci pada artikel di portal statistikian.com.

\n

Menurut Field (2018), keterikatan subjek pada uji T berpasangan umumnya terjadi pada tiga desain penelitian: pengukuran berulang (repeated measures / pretest-posttest) pada individu yang sama, sampel berpasangan alami (seperti pasangan suami-istri atau kembar identik), serta sampel yang dicocokkan secara artifisial (matched-subjects design) berdasarkan variabel kontrol tertentu.

\n

Altman (1991) menekankan bahwa memperlakukan data berpasangan seolah-olah data independen akan menghilangkan komponen korelasi intrasubjek (within-subject correlation). Hal ini menyebabkan penyebut pada rumus t-hitung (standard error of difference) membengkak, sehingga menurunkan sensitivitas uji dalam mendeteksi perbedaan nyata antar perlakuan.

\n

Sebaliknya, menerapkan uji T berpasangan pada sampel yang benar-benar independen akan melanggar derajat bebas (degrees of freedom) yang valid. Stevens (2009) menjelaskan bahwa hal tersebut dapat merusak keabsahan p-value yang dihasilkan karena pengalihan varians antar kelompok yang tidak berdasar.

\n

Langkah teknis pertama dalam menentukan uji yang tepat di SPSS adalah mengidentifikasi struktur pengambilan sampel pada penelitian Anda. Tanyakan apakah satu nilai amatan pada kelompok A secara logis berpasangan langsung dengan satu nilai spesifik pada kelompok B.

\n

Langkah teknis kedua, periksa jumlah sampel (N) pada kedua kelompok. Jika jumlah sampel pada Kelompok A dan Kelompok B berbeda (misalnya `n1 = 25` dan `n2 = 30`), maka secara otomatis Anda wajib menggunakan Independent Samples T-Test karena uji T berpasangan mensyaratkan pasangan data lengkap dengan N yang persis sama.

\n

Langkah teknis ketiga, persiapkan struktur data di SPSS sesuai opsi uji yang terpilih. Untuk Independent Samples T-Test, gunakan format panjang (long format) yaitu satu kolom variabel terikat kontinu (misalnya `Hasil_Belajar`) dan satu kolom variabel faktor pengelompokan (misalnya `Metode` dengan kode `1` dan `2`).

\n

Langkah teknis keempat, jika Anda memilih Paired Samples T-Test, susun data dalam format lebar (wide format). Buat dua kolom variabel kontinu terpisah pada baris subjek yang sama, misalnya kolom `Pretest` dan kolom `Posttest` (Tabachnick & Fidell, 2019).

\n

Langkah teknis kelima, jalankan simulasi Independent Samples T-Test melalui menu Analyze > Compare Means > Independent-Samples T Test. Masukkan variabel kontinu ke kotak Test Variable(s) dan variabel kategorik ke kotak Grouping Variable, lalu atur Define Groups.

\n

Langkah teknis keenam, jalankan simulasi Paired Samples T-Test melalui menu Analyze > Compare Means > Paired-Samples T Test. Pindahkan kedua variabel kontinu secara berpasangan ke dalam kotak Paired Variables pada slot Variable 1 dan Variable 2.

\n

Langkah teknis ketujuh, lakukan evaluasi korelasi antar pasangan jika Anda memilih uji berpasangan. SPSS akan mengeluarkan tabel Paired Samples Correlations. Menurut Cohen (1988), korelasi positif yang signifikan antar pasangan mengonfirmasi efisiensi desain uji berpasangan.

\n

Langkah teknis kedelapan, uji asumsi normalitas sisaan perbedaan (difference scores) untuk uji T berpasangan, atau uji normalitas per kelompok dan homogenitas Levene untuk uji T independen (Shapiro & Wilk, 1965).

\n

Langkah teknis kesembilan, jika asumsi normalitas pada uji T berpasangan terlanggar, gunakan solusi non-parametrik Wilcoxon Signed-Ranks Test melalui menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Related Samples (Wilcoxon, 1945).

\n

Langkah teknis kesepuluh, jika asumsi normalitas pada uji T independen terlanggar, gunakan alternatif non-parametrik Mann-Whitney U Test melalui menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent Samples (Mann & Whitney, 1947).

\n\n
1. Evaluasi Hubungan Subjek & Desain Penelitian Subjek Sama / Berpasangan (Pre-Post) Jumlah Sampel Pasangan Identik (N1 = N2) Subjek Berbeda & Saling Bebas Kelompok A dan B Tidak Berkorelasi Gunakan Format Wide (2 Kolom Variabel) Gunakan Format Long (1 Kontinu, 1 Faktor) Normal: Paired Samples T-Test Tidak Normal: Wilcoxon Test Normal: Independent T-Test Tidak Normal: Mann-Whitney U
\n

Contoh Tabel/Diagram Output Comparison Independent vs Paired T Test SPSS

\n\n
SPSS Output Simulation: Comparison of Same Dataset Tested in Both Ways [PANEL A] Diuji dengan Independent Samples T-Test (SALAH PROSEDUR) Assumptions Mean Diff Std. Error Diff t df Sig. (2-tailed) Equal variances assumed 6,500 3,820 (Tinggi) 1,701 38 ,097 (Tidak Sig) Catatan Panel A: Standard error membengkak karena korelasi intrasubjek diabaikan. Akibatnya Sig > 0,05 (Gagal deteksi beda). [PANEL B] Diuji dengan Paired Samples T-Test (BENAR PROSEDUR) Paired Pairs Mean Diff Std. Error Diff t df Sig. (2-tailed) Pair 1: Posttest - Pretest 6,500 1,410 (Rendah) 4,610 19 ,000 (Signifikan) Catatan Panel B: Korelasi intrasubjek berhasil mengekstrak galat individu. Standard error kecil dan Sig = ,000 (< 0,05). Pelajaran Utama: Data yang sama dari sampel pretest-posttest jika diuji dengan Independent T-Test akan kehilangan daya uji (Sig = .097), namun jika diuji dengan Paired Test terbukti sangat signifikan (Sig = .000).
\n

Berdasarkan hasil simulasi output SPSS pada diagram di atas, terlihat dengan jelas perbedaan hasil pengujian ketika data amatan yang sama dianalisis dengan dua metode berbeda. Pada Panel A, ketika data intervensi berulang diuji menggunakan Independent Samples T-Test, nilai standar eror selisih rata-rata membengkak hingga mencapai 3,820.

\n

Pembengkakan standar eror tersebut menyebabkan nilai statistik t-hitung berkurang menjadi 1,701, sehingga menghasilkan nilai signifikansi Sig. (2-tailed) sebesar 0,097. Jika peneliti mempercayai hasil ini, mereka akan menyimpulkan bahwa tidak terdapat perbedaan nyata antar perlakuan (gagal menolak H0), yang merupakan contoh klasik dari kesalahan Tipe II (Type II Error).

\n

Sebaliknya, pada Panel B, ketika data yang sama dianalisis secara tepat menggunakan Paired Samples T-Test, korelasi antar pasangan subjek berhasil mengeliminasi variabilitas antar individu. Akibatnya, nilai standar eror selisih rata-rata menyusut secara signifikan menjadi 1,410.

\n

Penyusutan standar eror ini melonjakkan nilai t-hitung menjadi 4,610 dengan nilai signifikansi Sig. (2-tailed) sebesar 0,000. Kesimpulan statistik berubah secara drastis menjadi sangat signifikan secara statistik, yang membuktikan betapa vitalnya ketepatan pemilihan uji beda dua sampel.

\n

Pemilihan antara uji T independen dan berpasangan berdampak langsung pada kalkulasi derajat bebas (df). Pada uji T independen dengan dua kelompok berukuran `n1` dan `n2`, derajat bebas dihitung sebagai `n1 + n2 - 2`. Sedangkan pada uji T berpasangan dengan `n` pasangan, derajat bebas adalah `n - 1` (Howell, 2013).

\n

Kehilangan derajat bebas pada uji T berpasangan dikompensasi oleh pengorbanan varians galat (error variance). Jika korelasi intrasubjek tinggi, penyebut t-hitung akan mengecil secara dramatis, menghasilkan nilai t-hitung yang lebih besar dan p-value yang lebih presisi (Maxwell & Delaney, 2004).

\n

Namun, jika peneliti secara keliru menerapkan uji T berpasangan pada dua kelompok independen yang tidak memiliki korelasi, pengorbanan derajat bebas tersebut justru mengurangi kekuatan statistik tanpa memberikan keuntungan penurunan varians galat (Ghasemi & Zahediasl, 2012).

\n

Sebaliknya, kesalahan menguji data pengukuran berulang menggunakan uji T independen akan menyebabkan estimasi standar eror membengkak karena variabilitas antar individu dianggap sebagai galat acak (Tabachnick & Fidell, 2019).

\n

Penelitian oleh Dunlap et al. (1996) menunjukkan bahwa besaran efek (effect size) seperti Cohen's d juga harus dihitung dengan formula yang disesuaikan berdasarkan rancangan sampel, agar tidak menghasilkan estimasi efek perlakuan yang menyesatkan.

\n

Kesimpulan

\n

Penentuan antara Independent T Test dan Paired Test didasarkan pada independensi struktural subjek penelitian. Jika sampel berasal dari dua kelompok individu yang berbeda tanpa keterikatan, pilih Independent T Test dengan format data panjang (long format). Jika sampel berasal dari individu yang sama pada pengukuran berulang (pretest-posttest) atau subjek berpasangan dengan N yang identik, gunakan Paired Test dengan format data lebar (wide format). Pemilihan yang tepat menjamin validitas derajat bebas, mengoptimalkan daya uji statistik, dan menghasilkan kesimpulan ilmiah yang akurat.

\n

Daftar Pustaka

\n
    \n
  1. Altman, D. G. (1991). Practical Statistics for Medical Research. Chapman and Hall.
    2. \n
  2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
    3. \n
  3. Dunlap, W. P., Cortina, J. M., Vaslow, J. B., & Burke, M. J. (1996). Meta-analysis of experiments with matched groups or repeated measures designs. Journal of Applied Psychology, 81(2), 170-177.
    4. \n
  4. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    5. \n
  5. Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: a guide for non-statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486-489.
    6. \n
  6. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    7. \n
  7. Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50-60.
    8. \n
  8. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    9. \n
  9. Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611.
    10. \n
  10. Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
    11. \n
  11. Student. (1908). The probable error of a mean. Biometrika, 6(1), 1-25.
    12. \n
  12. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    13. \n
  13. Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80-83.
    14. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:46:55+07:00", "date_modified": "2026-09-10T22:46:55+07:00" }, { "id": "https://statistikian.net/tutorial-two-way-anova-repeated-measures-step-by-step-dan-interpretasinya-dalam-spss/", "url": "https://statistikian.net/tutorial-two-way-anova-repeated-measures-step-by-step-dan-interpretasinya-dalam-spss/", "title": "Panduan Analisis Independent T Test pada SPSS dan Uji Asumsinya Serta Solusinya", "summary": "Panduan Analisis Independent T Test pada SPSS dan Uji Asumsinya Serta Solusinya…", "content_html": "
\n

Panduan Analisis Independent T Test pada SPSS dan Uji Asumsinya Serta Solusinya sangat dibutuhkan ketika peneliti menemukan nilai signifikansi Levene Test (Sig.) di bawah 0,05 atau plot normalitas yang melenceng jauh dari garis diagonal pada output SPSS. Masalah ini kerap membingungkan karena peneliti ragu apakah harus tetap membaca baris Equal variances assumed atau beralih ke Equal variances not assumed, serta khawatir hasil uji beda dua kelompok independen menjadi bias akibat pelanggaran asumsi homogenitas varians.

\n

Selain kendala homogenitas varians, ketidakpenuhan asumsi normalitas distribusi data pada salah satu atau kedua kelompok variabel juga sering memicu p-value yang tidak valid. Kesalahan penentuan skala pengukuran, keberadaan pencilan (outliers), hingga ketidakseimbangan jumlah sampel antar kelompok (unbalanced design) dapat meningkatkan tingkat kesalahan Tipe I (Type I Error Rate), sehingga kesimpulan beda rata-rata antar kelompok menjadi tidak akurat dan tidak dapat dipertanggungjawabkan secara metodologis.

\n\n
Analisis Independent Samples T-Test SPSS Levene Test Sig <= 0,05 Asumsi Homogenitas Varians Dilanggar Uji Normalitas Sig < 0,05 Distribusi Data Tidak Normal (Sampel Kecil) Pooled Variance Bias / Inflasi Type I Error Equal Variances Assumed Tidak Valid Estimasi Rata-Rata Terganggu Pencilan Uji Parametrik Kehilangan Daya Uji SOLUSI: Koreksi Welch-Satterthwaite (Equal Variances Not Assumed) atau Uji Non-Parametrik Mann-Whitney U Test / Transformasi Data
\n

Secara teoritis, Independent Samples T-Test merupakan prosedur statistik parametrik yang dirancang untuk menguji perbedaan rata-rata antara dua kelompok subjek yang saling bebas atau tidak berkorelasi (Student, 1908). Prosedur ini membandingkan selisih dua rata-rata sampel terhadap variabilitas gabungan dari kedua kelompok tersebut.

\n

Uji parametrik ini didasarkan pada asumsi utama bahwa variabel terikat diukur pada skala kontinu (interval atau rasio) dan terdistribusi secara normal pada masing-masing populasi asal kelompok sampel. Pemahaman komprehensif mengenai teori dasar uji T independen beserta formulasi matematis varians gabungannya dapat dibaca lebih lanjut pada artikel di website utama statistikian.com.

\n

Asumsi krusial kedua adalah homogenitas varians (homogeneity of variance), yang menuntut bahwa varians populasi dari kelompok pertama sama dengan varians populasi kelompok kedua. Levene (1960) merumuskan metode pengujian kesamaan varians berbasis deviasi absolut terhadap rata-rata atau median kelompok untuk memverifikasi asumsi ini sebelum statistik T diinterpretasikan.

\n

Menurut Boneau (1960), uji T independen tergolong cukup tangguh (robust) terhadap pelanggaran normalitas jika ukuran sampel pada kedua kelompok tergolong seimbang dan berukuran cukup besar. Namun, jika timbul ketidakseimbangan jumlah anggota antar kelompok yang disertai oleh heterogenitas varians, statistik T standar akan menghasilkan p-value yang terdistorsi secara signifikan.

\n

Ketika homogenitas varians tidak terpenuhi, kalkulasi varians gabungan (pooled variance) menjadi tidak presisi. Welch (1947) dan Satterthwaite (1946) mengembangkan metode penyesuaian derajat bebas (degrees of freedom adjustment) yang memungkinkan pengujian beda dua rata-rata tetap valid tanpa mengasumsikan kesamaan varians.

\n

Langkah teknis pertama dalam melakukan prosedur analisis di SPSS adalah mengecek keberadaan pencilan (outliers) dan distribusi data melalui menu Analyze > Descriptive Statistics > Explore.

\n

Langkah teknis kedua, masukkan variabel terikat ke dalam kotak Dependent List dan variabel pembanding kelompok ke kotak Factor List. Klik tombol Plots, lalu centang opsi Normality plots with tests untuk mengeluarkan pengujian Shapiro-Wilk atau Kolmogorov-Smirnov (Shapiro & Wilk, 1965).

\n

Langkah teknis ketiga, periksa hasil uji normalitas pada jendela output. Apabila nilai signifikansi Shapiro-Wilk untuk kedua kelompok lebih besar dari 0,05, maka distribusi data terkonfirmasi normal dan analisis parametrik aman dilanjutkan.

\n

Langkah teknis keempat, buka menu utama SPSS lalu pilih Analyze > Compare Means > Independent-Samples T Test untuk membuka kotak dialog pengujian utama.

\n

Langkah teknis kelima, pindahkan variabel terikat bernilai kontinu ke dalam kotak Test Variable(s).

\n

Langkah teknis keenam, pindahkan variabel kategorik yang membagi subjek menjadi dua kelompok ke dalam kotak Grouping Variable, kemudian klik tombol Define Groups.

\n

Langkah teknis ketujuh, masukkan pengkodean numerik kelompok pada kotak Group 1 (misalnya angka `1`) dan Group 2 (misalnya angka `2`), lalu klik Continue.

\n

Langkah teknis kedelapan, klik Options jika Anda ingin menyesuaikan tingkat kepercayaan (Confidence Interval, default 95%), lalu klik Continue dan jalankan perintah dengan menekan tombol OK.

\n

Langkah teknis kesembilan, evaluasi tabel output pertama bertajuk Group Statistics untuk memeriksa deskripsi sampel seperti jumlah N, mean, standar deviasi, dan standar eror mean pada masing-masing kelompok.

\n

Langkah teknis kesepuluh, beralihlah ke tabel output kedua bertajuk Independent Samples Test. Perhatikan bagian paling kiri yang memuat pengujian Levene's Test for Equality of Variances.

\n

Langkah teknis kesebelas, cermati nilai pada kolom Sig. di bagian Levene Test. Apabila nilai signifikansi lebih besar dari 0,05, asumsi homogenitas varians terpenuhi. Anda wajib membaca baris pertama yaitu Equal variances assumed (Student's T-Test).

\n

Langkah teknis kedua belas, apabila nilai signifikansi Levene Test kurang dari atau sama dengan 0,05, berarti asumsi homogenitas varians dilanggar. Anda harus mengabaikan baris pertama dan beralih membaca baris kedua yaitu Equal variances not assumed (Welch's T-Test).

\n

Langkah teknis ketiga belas, apabila uji normalitas pada langkah awal menunjukkan pelanggaran (p-value < 0,05) dan jumlah sampel per kelompok tergolong kecil (n < 30), lakukan transformasi data (seperti `LN` atau `SQR`) atau beralih ke uji non-parametrik Mann-Whitney U Test melalui menu Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent Samples (Mann & Whitney, 1947).

\n\n
1. Evaluasi Uji Normalitas (Shapiro-Wilk / K-S) Sig. Normalitas > 0,05 Data Terdistribusi Normal Sig. Normalitas <= 0,05 Pelanggaran Asumsi Normalitas 2. Cek Levene's Test for Equality of Variances Memeriksa Nilai Sig. Levene Levene Sig. > 0,05 Baca Baris: Equal Variances Assumed Levene Sig. <= 0,05 Baca Baris: Equal Variances Not Assumed Uji Non-Parametrik Gunakan Solusi: Mann-Whitney U Test
\n

Contoh Tabel/Diagram Output Independent Samples Test SPSS

\n\n
SPSS Output: Independent Samples Test Variabel Terikat Levene's Test for Equality of Variances t-test for Equality of Means F Sig. t df Sig. (2-tailed) Mean Diff Std. Error Diff Equal variances assumed 5,420 ,026 2,450 38 ,019 12,500 5,102 Equal variances not assumed - - 2,450 29,142 ,021 12,500 5,102 Cara Membaca Output: 1. Evaluasi Levene Test: Nilai Sig. Levene = 0,026 (<= 0,05). Hal ini berarti asumsi homogenitas varians DILANGGAR. 2. Penentuan Baris Tabel: Abaikan baris pertama! Wajib membaca baris kedua \"Equal variances not assumed\" (Welch's T-Test). 3. Keputusan Pengujian: Nilai t = 2,450 dengan df terkoreksi = 29,142 dan Sig. (2-tailed) = 0,021 (< 0,05). 4. Kesimpulan Statistik: Terdapat perbedaan rata-rata yang signifikan secara statistik antara kelompok pertama dan kelompok kedua.
\n

Berdasarkan ilustrasi output SPSS di atas, langkah pembacaan diawali dengan melihat kolom Levene's Test for Equality of Variances. Nilai F tercatat sebesar 5,420 dengan nilai signifikansi (Sig.) sebesar 0,026. Karena nilai signifikansi ini lebih kecil dari 0,05, dapat disimpulkan bahwa varians data antara kedua kelompok bersifat tidak homogen (heteroskedastis).

\n

Implikasi metodologis dari pelanggaran tersebut adalah baris pertama Equal variances assumed tidak lagi valid untuk digunakan. Peneliti secara otomatis harus mengacu pada baris kedua, yaitu Equal variances not assumed, yang menerapkan prosedur penyesuaian koreksi Welch-Satterthwaite.

\n

Pada baris Equal variances not assumed, diperoleh nilai statistik t sebesar 2,450 dengan derajat bebas (df) yang telah disesuaikan menjadi 29,142. Nilai signifikansi dua arah Sig. (2-tailed) yang dihasilkan adalah sebesar 0,021. Karena p-value 0,021 lebih kecil dari tingkat signifikansi 0,05, hipotesis nol ditolak, yang berarti terdapat perbedaan rata-rata signifikan antar kedua kelompok independen tersebut.

\n

Ruxton (2006) menegaskan dalam kajian metodologisnya bahwa koreksi Welch's T-Test sebenarnya memberikan kontrol tingkat kesalahan Tipe I yang jauh lebih konsisten dibandingkan Student's T-Test standar, bahkan ketika varians kedua kelompok terbukti homogen.

\n

Delacre et al. (2017) merekomendasikan peneliti untuk menjadikan Welch's T-Test sebagai opsi standar default dalam membandingkan dua kelompok independen. Pendekatan ini dapat menghindari bias seleksi ganda akibat ketergantungan penuh pada hasil Levene Test yang terkadang tidak cukup sensitif pada ukuran sampel kecil.

\n

Dalam kondisi sampel berukuran besar (n > 30 per kelompok), Teorema Limit Terpusat (Central Limit Theorem) menjamin bahwa distribusi sampling rata-rata mendekati normal. Oleh karena itu, Lumley et al. (2002) menjelaskan bahwa uji T independen tetap robust terhadap ketidaknormalan data pada sampel besar.

\n

Namun demikian, Cochran (1957) mengingatkan bahwa kombinasi antara ketidakseimbangan jumlah sampel yang ekstrim dan varians yang heterogen dapat menyebabkan estimasi p-value menjadi sangat liberal (mudah menolak H0 padahal H0 benar) atau sangat konservatif (gagal menolak H0 padahal terdapat beda nyata).

\n

Apabila distribusi data melenceng secara ekstrem dari normalitas dan sampel berukuran kecil, penggunaan alternatif non-parametrik seperti uji Mann-Whitney U menjadi pilihan paling rasional. Derrick et al. (2016) menunjukkan bahwa uji Mann-Whitney U mempertahankan daya uji (statistical power) yang lebih tinggi dibandingkan uji T pada distribusi data yang sangat menceng (skewed distribution).

\n

Kesimpulan

\n

Prosedur analisis Independent Samples T-Test dalam SPSS membutuhkan kecermatan dalam mengevaluasi asumsi dasar sebelum kesimpulan akhir ditarik. Pelanggaran asumsi homogenitas varians ditunjukkan oleh nilai signifikansi Levene Test di bawah 0,05, dan solusinya adalah dengan langsung membaca hasil pada baris Equal variances not assumed (Welch's T-Test). Apabila asumsi normalitas terlanggar pada sampel kecil, peneliti dapat menerapkan transformasi data atau beralih menggunakan uji non-parametrik Mann-Whitney U Test agar kesimpulan penelitian tetap sahih dan dapat dipertanggungjawabkan.

\n

Daftar Pustaka

\n
    \n
  1. Boneau, C. A. (1960). The effects of violations of assumptions underlying the t test. Psychological Bulletin, 57(1), 49-64.
    2. \n
  2. Cochran, W. G. (1957). Analysis of covariance: its nature and uses. Biometrics, 13(3), 261-281.
    3. \n
  3. Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons.
    4. \n
  4. Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of Student's t-test. International Review of Social Psychology, 30(1), 92-101.
    5. \n
  5. Derrick, B., Tooby, J., & White, P. (2016). Why Welch's test is Welch's test: A primer for research. Quantitative Methods for Psychology, 12(3), 156-163.
    6. \n
  6. Levene, H. (1960). Robust tests for equality of variances. In I. Olkin et al. (Eds.), Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling (pp. 278-292). Stanford University Press.
    7. \n
  7. Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23(1), 151-169.
    8. \n
  8. Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50-60.
    9. \n
  9. Ruxton, G. D. (2006). The unequal variance t-test is an underused alternative to Student's t-test and the Mann-Whitney U test. Behavioral Ecology, 17(4), 688-690.
    10. \n
  10. Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110-114.
    11. \n
  11. Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611.
    12. \n
  12. Student. (1908). The probable error of a mean. Biometrika, 6(1), 1-25.
    13. \n
  13. Welch, B. L. (1947). The generalization of 'Student's' problem when several different population variances are involved. Biometrika, 34(1/2), 28-35.
    14. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:34:09+07:00", "date_modified": "2026-09-10T22:40:17+07:00" }, { "id": "https://statistikian.net/langkah-mengatasi-pelanggaran-asumsi-normalitas-pada-uji-anova-dengan-spss/", "url": "https://statistikian.net/langkah-mengatasi-pelanggaran-asumsi-normalitas-pada-uji-anova-dengan-spss/", "title": "Langkah Mengatasi Pelanggaran Asumsi Normalitas pada Uji ANOVA dengan SPSS", "summary": "Langkah Mengatasi Pelanggaran Asumsi Normalitas pada Uji ANOVA dengan SPSS menjadi fokus…", "content_html": "
\n

Langkah Mengatasi Pelanggaran Asumsi Normalitas pada Uji ANOVA dengan SPSS menjadi fokus utama perbaikan ketika hasil pengujian Shapiro-Wilk atau Kolmogorov-Smirnov pada data penelitian menghasilkan nilai signifikansi (Sig.) di bawah 0,05. Temuan ini kerap membuat peneliti panik karena menganggap seluruh hasil pengujian perbandingan rata-rata kelompok (Analysis of Variance) otomatis gugur dan tidak dapat digunakan. Ketakutan ini sering berujung pada tindakan keliru, seperti langsung menghapus sampel secara massal atau mengganti uji statistik tanpa melakukan diagnosis residual yang benar.

\n

Pelanggaran asumsi normalitas yang dibiarkan tanpa penanganan dapat mengganggu tingkat kesalahan Tipe I (Type I Error Rate) serta menurunkan daya uji statistik (statistical power) dari uji F ANOVA. Kendati demikian, tidak semua ketidaknormalan data membatalkan validitas ANOVA. Pemahaman yang tepat mengenai struktur galat (residual), identifikasi nilai pencilan (outlier), serta penerapan teknik transformasi data yang presisi merupakan kunci penyelesaian masalah ini secara sistematis dan dapat dipertanggungjawabkan secara ilmiah.

\n\n
Pengujian Uji ANOVA pada SPSS Nilai Sig. Normalitas < 0,05 Uji Shapiro-Wilk / Kolmogorov Ditolak Terdapat Outlier Ekstrem Nilai Data Berada di Luar Whisker Distribusi Residual Mencong Distribusi Tidak Memenuhi Asumsi Galat Type I Error Rate Meningkat Power Statistik Uji F Menurun SOLUSI: Cek Residual, Clean Outlier, Transformasi Data, atau Gunakan Uji Non-Parametrik Kruskal-Wallis
\n

Secara teoritis, ANOVA merupakan uji statistik parametrik yang mengasumsikan bahwa variabel dependen berdistribusi normal di dalam setiap kelompok perlakuan. Namun, menurut Field (2018), asumsi dasar ANOVA sebenarnya terletak pada normalitas galat atau sisaan (residuals), bukan semata-mata pada variabel independen atau variabel dependen secara terpisah tanpa memperhitungkan struktur model.

\n

Galat acak model didefinisikan sebagai selisih antara nilai observasi aktual dengan nilai rata-rata kelompoknya. Ketika model ANOVA dibentuk, komponen sisaan inilah yang idealnya mengikuti distribusi normal baku dengan rata-rata nol dan varians konstan. Penjelasan teoretis serta formulasi matematis mendasar terkait dasar teori uji normalitas dapat dipelajari secara lebih mendalam pada portal statistikian.com.

\n

Montgomery (2019) mengemukakan bahwa analisis varians tergolong uji yang relatif tangguh (robust) terhadap penyimpangan kecil hingga sedang dari asumsi normalitas. Sifat keterandalan ini didukung oleh Teorema Limit Pusat (Central Limit Theorem), yang menyatakan bahwa distribusi rata-rata sampel akan mendekati distribusi normal seiring bertambahnya ukuran sampel, terlepas dari bentuk distribusi populasi asalnya.

\n

Glass et al. (1972) serta Hair et al. (2019) menambahkan bahwa jika ukuran sampel per kelompok tergolong cukup besar (umumnya n minimal 30 per sel) dan ukuran sampel antar kelompok seimbang, penyimpangan normalitas moderat hampir tidak berdampak signifikan terhadap tingkat signifikansi faktual dari uji F.

\n

Meskipun demikian, jika ukuran sampel kecil (n di bawah 30 per kelompok) atau terdapat kepencilan ekstrem yang menyebabkan distribusi sangat mencong (skewed), asumsi ini tidak boleh diabaikan. Tabachnick dan Fidell (2019) menegaskan bahwa mencong yang parah dapat merusak estimasi kuadrat tengah sisaan (Mean Square Error), sehingga menurunkan validitas statistik secara keseluruhan.

\n

Langkah teknis pertama dalam mengatasi pelanggaran ini adalah memastikan bahwa pengujian normalitas dilakukan pada nilai sisaan (unstandardized residual), bukan pada data mentah per kelompok secara manual jika variabel acaknya kompleks.

\n

Untuk memunculkan variabel sisaan pada SPSS, jalankan menu Analyze > General Linear Model > Univariate (atau Compare Means > One-Way ANOVA). Klik tombol Save, lalu centang pilihan Unstandardized pada kolom Residuals, kemudian klik Continue dan jalankan analisis.

\n

SPSS akan membuat variabel baru bernama `RES_1` pada Data View. Lakukan uji normalitas pada variabel `RES_1` tersebut melalui menu Analyze > Descriptive Statistics > Explore. Langkah ini memastikan evaluasi normalitas sesuai dengan asumsi matematis model ANOVA (Tabachnick & Fidell, 2019).

\n

Langkah teknis kedua adalah mendeteksi keberadaan nilai pencilan (outliers). Sebagian besar kasus kegagalan uji normalitas disebabkan oleh satu atau dua titik data yang nilainya jauh melenceng dari pola umum populasi (Osborne & Overbay, 2004).

\n

Gunakan diagram Boxplot atau periksa nilai Z-score dari sisaan (`ZRES_1`). Titik data dengan nilai Z-score melebihi +3,0 atau di bawah -3,0 dikategorikan sebagai pencilan ekstrem yang perlu dievaluasi alasannya, seperti kesalahan input data atau kesalahan pengukuran instrumen.

\n

Langkah teknis ketiga, jika pencilan disebabkan oleh kesalahan teknis entri data, perbaiki nilai tersebut sesuai dokumen sumber. Namun, jika pencilan merupakan data asli, pertimbangkan teknik Winsorizing (mangganti nilai ekstrem dengan nilai batas persentil terdekat) atau melakukan pemotongan sampel (trimming) secara terjustifikasi (Wilcox, 2012).

\n

Langkah teknis keempat, jika data bebas dari kesalahan input tetapi masih mencong, lakukan transformasi matematika pada variabel dependen. Pilihan jenis transformasi disesuaikan dengan pola kemencongan data (Howell, 2013):

\n\n

Langkah teknis kelima, jika data mengalami kemencongan negatif (negative skewness), lakukan pembalikan skala (reflect) terlebih dahulu sebelum ditransformasi. Rumusnya adalah `LOG10(K - X)`, di mana `K` adalah nilai maksimum variabel ditambah satu (Tabachnick & Fidell, 2019).

\n

Setelah transformasi dilakukan pada SPSS melalui menu Transform > Compute Variable, ulangi pengujian ANOVA menggunakan variabel baru hasil transformasi beserta pengujian normalitas pada sisaan terbarunya.

\n

Langkah teknis keenam, jika transformasi matematis tidak mampu menormalkan sisaan atau skala data berjenis ordinal, alihkan analisis ke uji non-parametrik Kruskal-Wallis H Test melalui menu Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples (Conover, 1999).

\n

Langkah teknis ketujuh, jika pelanggaran normalitas disertai oleh pelanggaran asumsi homogenitas varians (heteroscedasticity), gunakan koreksi Welch ANOVA yang tersedia pada menu opsi One-Way ANOVA di SPSS (Tomarken & Serlin, 1986).

\n\n
1. Evaluasi Normalitas pada Unstandardized Residual 2. Apakah Residual Normal? (Sig. > 0,05) Memeriksa Asumsi Galat ANOVA YA (Sig > 0,05) Asumsi Terpenuhi, Jalankan ANOVA Standar TIDAK (Sig < 0,05) Pelanggaran Asumsi Normalitas Terjadi 3. Evaluasi Outlier & Ukuran Sampel (N) Menentukan Strategi Perbaikan N >= 30 PER KELOMPOK / OUTLIER BERSIH ANOVA Robust (Central Limit Theorem) / Transformasi N < 30 & MENCONG PARAH Gunakan Uji Non-Parametrik Kruskal-Wallis
\n

Contoh Tabel/Diagram Output Tests of Normality dan Residual ANOVA SPSS

\n\n
SPSS Output Representation: Tests of Normality & Residual Histogram [PANEL A] Tests of Normality (Unstandardized Residual) Variable Kolmogorov-Smirnov (Statistic / df / Sig.) Shapiro-Wilk (Statistic / df / Sig.) RES_1 .185 | 24 | .028 .882 | 24 | .012 [PANEL B] Visual Diagnostic: Residual Histogram with Skewed Curve Outlier Ekstrem (Kanan) Cara Baca: Panel A menunjukkan p-value Shapiro-Wilk pada sisaan RES_1 sebesar .012 (< .05), mengindikasikan pelanggaran normalitas. Panel B mengonfirmasi histogram mencong ke kanan (positive skew) akibat pencilan di ujung kanan. Tindakan: Evaluasi pencilan tersebut, jalankan transformasi Log10, atau gunakan uji Kruskal-Wallis jika N < 30.
\n

Berdasarkan visualisasi contoh output SPSS di atas, pembacaan diawali dari Panel A (tabel Tests of Normality). Nilai statistik Shapiro-Wilk untuk variabel sisaan `RES_1` menghasilkan nilai signifikansi sebesar 0,012.

\n

Karena nilai signifikansi 0,012 lebih kecil dari ambang batas 0,05, hipotesis nol ditolak. Hal ini membuktikan bahwa distribusi sisaan model ANOVA secara signifikan menyimpang dari distribusi normal.

\n

Panel B (Visual Diagnostic) memperjelas penyebab kegagalan tersebut. Histogram menunjukkan pola mencong ke kanan (positive skewness) yang dipicu oleh keberadaan pencilan ekstrem pada area ujung kanan grafik.

\n

Eksplorasi mendalam melalui studi simulasi Monte Carlo menunjukkan bahwa dampak pelanggaran normalitas sangat bervariasi tergantung pada konfigurasi data. Schmider et al. (2010) menunjukkan bahwa uji F ANOVA tetap mempertahankan tingkat kesalahan Tipe I nominal yang sangat stabil bahkan ketika data mengalami kemencongan sedang, selama ukuran sampel antar kelompok seimbang.

\n

Harwell et al. (1992) menyatakan bahwa ketika ukuran sampel tidak seimbang dan dipadukan dengan distribusi yang mencong parah, statistik uji F cenderung menjadi terlalu konservatif atau terlalu liberal, sehingga menghasilkan keputusan uji yang tidak valid.

\n

Feir-Walsh (1980) serta Lix, Keselman, dan Keselman (1996) menekankan bahwa bentuk kurva yang terlalu runcing (leptokurtic) atau terlalu datar (platykurtic) memiliki dampak yang relatif lebih kecil terhadap distorsi p-value dibandingkan dengan kemencongan (skewness) yang tinggi.

\n

Penggunaan transformasi data seperti logaritma atau akar kuadrat merupakan solusi parametrik yang disukai karena mempertahankan daya uji statistik tinggi (Box & Cox, 1964). Namun, peneliti perlu berhati-hati saat menginterpretasikan hasil ANOVA pasca transformasi, karena estimasi rata-rata merujuk pada skala terubah (misalnya rata-rata geometrik pada logaritma) dan bukan skala pengukuran asli (Games, 1984).

\n

Jika transformasi tidak berhasil memperbaiki distribusi dan ukuran sampel terbatas, penggunaan pengujian non-parametrik Kruskal-Wallis menjadi pilihan metodologis yang paling aman. Uji ini mentransformasi nilai data menjadi peringkat (ranks), sehingga sepenuhnya terbebas dari asumsi bentuk distribusi populasi asal (Conover, 1999).

\n

Kesimpulan

\n

Mengatasi pelanggaran asumsi normalitas pada uji ANOVA dengan SPSS membutuhkan diagnosis yang cermat pada variabel sisaan (unstandardized residual) dan bukan sekadar memeriksa data mentah secara terpisah. Ketika pengujian Shapiro-Wilk menghasilkan nilai signifikansi di bawah 0,05, evaluasi keberadaan pencilan dan pola kemencongan kurva menjadi langkah krusial. Jika ukuran sampel per kelompok cukup besar dan seimbang, ANOVA terbukti cukup tangguh mengatasi penyimpangan ringan. Namun untuk sampel kecil dengan kemencongan parah, penerapan transformasi data atau pengalihan ke uji non-parametrik Kruskal-Wallis merupakan strategi perbaikan yang paling valid dan akurat secara ilmiah.

\n

Daftar Pustaka

\n
    \n
  1. Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243.
    2. \n
  2. Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons.
    3. \n
  3. Feir-Walsh, B. J., & Toothaker, L. E. (1974). An empirical comparison of the ANOVA F-test, normal scores test and Kruskal-Wallis test under violation of assumptions. Educational and Psychological Measurement, 34(4), 789-799.
    4. \n
  4. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    5. \n
  5. Games, P. A. (1984). Data transformations, power, and significance levels in the analysis of variance. Psychological Bulletin, 95(2), 345-347.
    6. \n
  6. Glass, G. V., Peckham, P. D., & Sanders, J. R. (1972). Consequences of failure to meet assumptions underlying the fixed effects analyses of variance and covariance. Review of Educational Research, 42(3), 237-288.
    7. \n
  7. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    8. \n
  8. Harwell, M. R., Rubinstein, E. N., Hayes, W. S., & Olds, C. C. (1992). Summarizing Monte Carlo results in methodological research: The one- and two-factor fixed-effects ANOVA cases. Journal of Educational Statistics, 17(4), 315-339.
    9. \n
  9. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    10. \n
  10. Lix, L. M., Keselman, J. C., & Keselman, H. J. (1996). Consequences of assumption violations revisited: A quantitative review of alternatives to the one-way analysis of variance F test. Review of Educational Research, 66(4), 579-619.
    11. \n
  11. Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). John Wiley & Sons.
    12. \n
  12. Osborne, J. W., & Overbay, A. (2004). The power of outliers (and why researchers should always check for them). Practical Assessment, Research, and Evaluation, 9(1), 4.
    13. \n
  13. Schmider, E., Ziegler, M., Danay, E., Beyer, L., & Bühner, M. (2010). Is it really robust? Investigating the robustness of ANOVA against violations of the normal distribution assumption. Methodology, 6(4), 147-151.
    14. \n
  14. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    15. \n
  15. Tomarken, A. J., & Serlin, R. C. (1986). Comparison of ANOVA alternatives under variance heterogeneity and nonnormality. Psychological Bulletin, 99(1), 90-99.
    16. \n
  16. Wilcox, R. R. (2012). Introduction to Robust Estimation and Hypothesis Testing (3rd ed.). Academic Press.
    17. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:30:44+07:00", "date_modified": "2026-09-10T22:30:44+07:00" }, { "id": "https://statistikian.net/interpretasi-efek-interaksi-interaction-effect-pada-output-two-way-anova-dengan-spss/", "url": "https://statistikian.net/interpretasi-efek-interaksi-interaction-effect-pada-output-two-way-anova-dengan-spss/", "title": "Interpretasi Efek Interaksi (Interaction Effect) pada Output Two-Way ANOVA dengan SPSS", "summary": "Interpretasi Efek Interaksi (Interaction Effect) pada Output Two-Way ANOVA dengan SPSS sering…", "content_html": "
\n

Interpretasi Efek Interaksi (Interaction Effect) pada Output Two-Way ANOVA dengan SPSS sering kali membingungkan peneliti ketika mendapati nilai signifikansi (Sig.) pada baris kombinasi dua faktor (misalnya Faktor_A * Faktor_B) berada di bawah 0,05, sementara salah satu atau kedua main effect justru tidak signifikan. Banyak pengguna SPSS secara keliru mengabaikan baris interaksi ini dan tetap berfokus membaca efek utama secara terpisah, yang berakibat pada penarikan kesimpulan penelitian yang bias dan tidak valid.

\n

Kegagalan dalam memahami interaction effect dapat mengarahkan peneliti pada jebakan estimasi sesat (misleading main effects). Ketika efek interaksi terbukti signifikan secara statistik, pengaruh dari satu variabel independen terhadap variabel dependen sebenarnya bergantung pada tingkat (level) dari variabel independen lainnya. Oleh karena itu, menginterpretasikan main effect secara mandiri tanpa membedah simple main effect atau grafik profil merupakan kesalahan fatal dalam uji faktorial ANOVA.

\n\n
Pengujian Two-Way ANOVA pada SPSS Nilai Sig. Interaksi (A*B) < 0,05 Efek Interaksi Terbukti Signifikan Hanya Membaca Main Effect Mengabaikan Kombinasi Variabel Bebas Kesimpulan Penelitian Bias Misleading Main Effects Distortion Gagal Mendeteksi Moderasi Informasi Perlakuan Kelompok Terdistorsi SOLUSI: Uji Simple Main Effect via Syntax SPSS, Profile Plot, & Pemisahan Interaksi Ordinal/Disordinal
\n

Pengujian Two-Way ANOVA (ANOVA Dua Arah) dirancang untuk mengevaluasi pengaruh dua variabel independen kategorial terhadap satu variabel dependen kontinu secara simultan. Menurut Montgomery (2019), keunggulan utama dari rancangan faktorial dibandingkan rancangan satu faktor (One-Way ANOVA) terletak pada kemampuannya untuk mendeteksi interaction effect antar perlakuan.

\n

Konsep interaksi dalam analisis varians didefinisikan sebagai situasi di mana perbedaan respons antar tingkat variabel pertama bervariasi secara signifikan pada setiap tingkat variabel kedua (Field, 2018). Penjelasan teoretis dan rumus matematis mendasar mengenai dasar teori uji Two-Way ANOVA dapat dipelajari secara lengkap pada portal utama statistikian.com.

\n

Hair et al. (2019) menegaskan bahwa hirarki interpretasi ANOVA faktorial mewajibkan peneliti untuk mengevaluasi efek interaksi terlebih dahulu sebelum melangkah ke efek utama (main effects). Jika interaction effect terbukti signifikan, efek utama menjadi kurang bermakna atau bahkan tidak dapat ditafsirkan secara langsung tanpa mengontrol variabel pasangan interaksinya.

\n

Howell (2013) menjelaskan bahwa keberadaan interaksi menandakan adanya efek moderasi alami di dalam model data. Mengabaikan efek interaksi sama saja dengan mengasumsikan bahwa pengaruh variabel A selalu konstan di seluruh kondisi variabel B, padahal data empiris menunjukkan sebaliknya.

\n

Menurut Kutner et al. (2005), efek interaksi diklasifikasikan menjadi dua bentuk utama, yaitu interaksi ordinal (ordinal interaction) dan interaksi disordinal (disordinal interaction). Pemahaman terhadap jenis interaksi ini sangat menentukan apakah main effect masih bisa diinterpretasikan secara terbatas atau harus sepenuhnya digantikan oleh simple main effect.

\n

Langkah pertama dalam prosedur troubleshooting SPSS adalah memeriksa tabel Tests of Between-Subjects Effects. Perhatikan baris yang menunjukkan perkalian silang antara dua variabel bebas, misalnya `Metode * Gender`.

\n

Jika nilai Sig. pada baris interaksi tersebut lebih kecil dari 0,05, peneliti harus menghentikan interpretasi langsung terhadap baris main effect tunggal (`Metode` atau `Gender`) untuk menghindari kesalahan pembacaan.

\n

Langkah kedua, buatlah grafik profil interaksi (Profile Plot) melalui menu Analyze > General Linear Model > Univariate > Plots. Masukkan satu variabel ke dalam kotak Horizontal Axis dan variabel lainnya ke dalam kotak Separate Lines.

\n

Menurut Keppel dan Wickens (2004), visualisasi grafik garis yang tidak sejajar (non-parallel lines) atau saling berpotongan (crossing lines) merupakan indikasi visual kuat adanya interaction effect yang signifikan.

\n

Langkah ketiga, lakukan pengujian Simple Main Effect untuk membedah perbedaan antar kelompok secara mendalam. Opsi Simple Main Effect tidak tersedia secara langsung pada menu antarmuka (GUI) SPSS, sehingga peneliti perlu memanfaatkan jendela Syntax.

\n

Buka jendela syntax SPSS, lalu tambahkan perintah subkomando `/EMMEANS = TABLES(FaktorA*FaktorB) COMPARE(FaktorA) ADJ(BONFERRONI)` di dalam sintaks `UNIANOVA`. Perintah ini menginstruksikan SPSS untuk menguji perbedaan rata-rata Faktor A pada setiap tingkatan Faktor B secara terpisah.

\n

Perhitungan simple main effect ini menyesuaikan tingkat kesalahan perbandingan berganda menggunakan koreksi Bonferroni atau Sidak, sehingga menjaga presisi uji hipotesis parsial (Maxwell & Delaney, 2004).

\n

Langkah keempat, evaluasi jenis interaksi dari grafik profil. Jika garis-garis pada grafik tidak sejajar tetapi tidak pernah berpotongan di seluruh rentang pengamatan, interaksi tersebut bersifat ordinal.

\n

Pada interaksi ordinal, besarnya perbedaan antar kelompok berubah, namun urutan atau arah pengaruh variabel tetap konsisten. Dalam kondisi ini, main effect masih mengandung sebagian informasi yang relevan meski harus ditafsirkan secara hati-hati (Stevens, 2009).

\n

Sebaliknya, jika garis-garis pada grafik saling berpotongan (disordinal interaction), arah pengaruh variabel berubah secara total tergantung tingkat variabel pasangannya. Pada interaksi disordinal, main effect sama sekali tidak boleh diinterpretasikan karena dapat menghasilkan kesimpulan yang salah arah.

\n\n
1. Evaluasi Output Baris Interaksi (A*B) 2. Apakah Nilai Sig. Interaksi (A*B) < 0,05? Memeriksa Signifikansi Efek Kombinasi TIDAK (Sig > 0,05): Tidak Ada Interaksi Interpretasi Main Effect A & B Langsung YA (Sig < 0,05): Interaksi Signifikan Hentikan Interpretasi Main Effect Langsung 3. Evaluasi Pola Grafik Profile Plot Interaksi Memeriksa Sifat Interaksi (Ordinal vs Disordinal) INTERAKSI ORDINAL (Garis Tidak Berpotongan) Jalankan Simple Main Effect & Main Effect Terbatas INTERAKSI DISORDINAL (Garis Berpotongan) Hanya Interpretasi Simple Main Effect (Abaikan Main Effect)
\n

Contoh Tabel/Diagram Output Tests of Between-Subjects Effects dan Profile Plot SPSS

\n\n
SPSS Output Representation: Tests of Between-Subjects Effects & Profile Plot [PANEL A] Tests of Between-Subjects Effects (Tabel ANOVA) Source Type III Sum of Sq. df Mean Sq. F Sig. Metode (Faktor A) 120.500 1 120.500 12.300 .001 Gender (Faktor B) 15.200 1 15.200 1.550 .218 Metode * Gender (Interaksi) 98.400 1 98.400 10.040 .003 [PANEL B] Profile Plot (Visualisasi Interaksi Disordinal) Pria Wanita Metode 1 Metode 2 Titik Berpotongan (Disordinal) Cara Baca: Panel A menunjukkan interaksi Metode * Gender signifikan (F = 10.040, p = .003 < .05). Panel B menunjukkan garis saling berpotongan (Disordinal). Metode 1 unggul pada Pria, namun Metode 2 unggul pada Wanita. Oleh karena itu, efek utama Metode/Gender tidak boleh disimpulkan secara umum tanpa memisahkan per kelompok (Simple Main Effect).
\n

Berdasarkan visualisasi contoh output SPSS di atas, pembacaan hasil pengujian diawali dari Panel A (tabel Tests of Between-Subjects Effects). Perhatikan baris interaksi `Metode * Gender` yang menghasilkan nilai F-hitung sebesar 10,040 dengan nilai signifikansi (Sig.) sebesar 0,003.

\n

Karena nilai signifikansi 0,003 lebih kecil dari 0,05, hipotesis nol ditolak dan disimpulkan bahwa terdapat efek interaksi yang signifikan antara variabel Metode dan Gender terhadap nilai variabel dependen.

\n

Langkah selanjutnya adalah memeriksa Panel B (Profile Plot). Grafik menunjukkan terjadinya interaksi disordinal, di mana garis respons Metode 1 dan Metode 2 saling berpotongan secara menyilang di antara kelompok Pria dan Wanita.

\n

Pada kelompok Pria, Metode 1 menghasilkan rata-rata yang lebih tinggi dibandingkan Metode 2. Sebaliknya, pada kelompok Wanita, Metode 2 justru menghasilkan rata-rata yang jauh lebih tinggi dibandingkan Metode 1.

\n

Kondisi berpotongan ini menjelaskan mengapa baris main effect `Gender` pada Panel A tidak signifikan (Sig = 0,218). Pengaruh Gender menjadi \"saling menghilangkan\" ketika dirata-ratakan secara keseluruhan, padahal sebenarnya ada perbedaan efek yang sangat kuat jika dilihat berdasarkan masing-masing metode perlakuan.

\n

Pembahasan ilmiah mengenai efek interaksi sangat bergantung pada tingkat kekuatan efek (effect size). Cohen (1988) mengemukakan bahwa signifikansi statistik p-value semata tidak cukup untuk mengukur besarnya pengaruh interaksi di dalam populasi.

\n

Nilai Partial Eta Squared pada baris interaksi tabel SPSS memberikan estimasi proporsi varians variabel dependen yang dijelaskan khusus oleh kombinasi kedua variabel bebas setelah mengontrol efek lainnya (Tabachnick & Fidell, 2019).

\n

Menurut Miles dan Shevlin (2001), interpretasi simple main effect pasca penemuan interaksi signifikan bertindak layaknya pembelahan uji t atau ANOVA satu arah pada subset data yang terisolasi. Hal ini mencegah terjadinya generalisasi berlebihan (over-generalization) terhadap hasil penelitian.

\n

Dalam konteks desain eksperimental, keberadaan efek interaksi sering kali memberikan wawasan teoretis yang jauh lebih kaya dibandingkan sekadar main effect. Interaksi mengungkapkan batas-batas kondisi (boundary conditions) di mana suatu perlakuan dapat bekerja secara efektif atau justru kehilangan pengaruhnya (Shadish, Cook, & Campbell, 2002).

\n

Smithson (2003) menambahkan bahwa ketika interaksi terbukti signifikan, pengujian Post Hoc standar seperti Tukey HSD pada main effect tidak lagi relevan secara logis karena rata-rata marginal (marginal means) yang dibandingkan tidak mencerminkan realitas respon kelompok pada kombinasi sel aktual (cell means).

\n

Oleh karena itu, pengalihan fokus dari marginal means ke cell means melalui sintaks Simple Main Effect merupakan langkah metodologis krusial untuk menjaga integritas sintesis data pada pengujian ANOVA multifaktor.

\n

Kesimpulan

\n

Interpretasi efek interaksi pada Two-Way ANOVA SPSS memerlukan ketelitian metodologis dengan menaruh perhatian utama pada baris interaksi sebelum membaca efek utama. Ketika nilai signifikansi interaksi berada di bawah 0,05, peneliti dilarang menarik kesimpulan langsung dari main effect karena dapat menghasilkan interpretasi yang sesat. Evaluasi melalui Profile Plot sangat penting untuk mengidentifikasi apakah interaksi bersifat ordinal atau disordinal. Penerapan pengujian Simple Main Effect menggunakan sintaks SPSS menjadi prosedur wajib untuk membedah perbedaan antar kelompok secara presisi pada setiap kombinasi variabel independen.

\n

Daftar Pustaka

\n
    \n
  1. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
    2. \n
  2. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    3. \n
  3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    4. \n
  4. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    5. \n
  5. Keppel, G., & Wickens, T. D. (2004). Design and Analysis: A Researcher's Handbook (4th ed.). Pearson Prentice Hall.
    6. \n
  6. Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill Irwin.
    7. \n
  7. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    8. \n
  8. Miles, J., & Shevlin, M. (2001). Applying Regression and Correlation: A Guide for Students and Researchers. SAGE Publications.
    9. \n
  9. Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). John Wiley & Sons.
    10. \n
  10. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.
    11. \n
  11. Smithson, M. (2003). Confidence Intervals. SAGE Publications.
    12. \n
  12. Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.
    13. \n
  13. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    14. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:24:21+07:00", "date_modified": "2026-09-10T22:24:21+07:00" }, { "id": "https://statistikian.net/apa-yang-harus-dilakukan-jika-uji-homogenitas-levene-tidak-terpenuhi-pada-anova-spss/", "url": "https://statistikian.net/apa-yang-harus-dilakukan-jika-uji-homogenitas-levene-tidak-terpenuhi-pada-anova-spss/", "title": "Apa yang Harus Dilakukan Jika Uji Homogenitas Levene Tidak Terpenuhi pada ANOVA SPSS", "summary": "Apa yang Harus Dilakukan Jika Uji Homogenitas Levene Tidak Terpenuhi pada ANOVA…", "content_html": "
\n

Apa yang Harus Dilakukan Jika Uji Homogenitas Levene Tidak Terpenuhi pada ANOVA SPSS sering kali menjadi dilema metodologis utama ketika peneliti menemukan nilai signifikansi (Sig.) pada tabel Test of Homogeneity of Variances berada di bawah 0,05. Temuan ini mengindikasikan bahwa asumsi homogenitas varians (homoscedasticity) terlanggar, sehingga varians antar kelompok yang dibandingkan terbukti heterogen secara signifikan.

\n

Kondisi heteroskedastisitas ini memicu masalah serius pada perhitungan statistik F-hitung standar pada uji One-Way ANOVA maupun Two-Way ANOVA. Pengabaian terhadap pelanggaran asumsi ini—terutama pada kondisi ukuran sampel antar kelompok tidak seimbang (unequal sample size)—akan menyebabkan inflasi tingkat kesalahan Tipe I (false positive) secara masif, yang pada akhirnya membuat kesimpulan hipotesis penelitian menjadi tidak valid dan menyesatkan.

\n\n
Uji Homogenitas Levene pada ANOVA SPSS Nilai Sig. Levene < 0,05 Varians Antarkelompok Heterogen Ukuran Sampel Tidak Seimbang Perbedaan Jumlah N Antarkelompok Ekstrem Bias Statistik F-Hitung Baku Inflasi Kesalahan Tipe I (False Positive) Kesimpulan Hipotesis Tidak Valid Post-Hoc Standard Menghasilkan Error SOLUSI: Uji Robust (Welch), Post-Hoc Games-Howell, Transformasi Data, atau Uji Kruskal-Wallis
\n

Uji homogenitas Levene dikembangkan oleh Howard Levene (1960) sebagai prosedur statistik untuk menguji kesamaan varians antara dua atau lebih kelompok populasi. Prinsip dasar pengujian ANOVA mengasumsikan bahwa variabel dependen memiliki varians yang setara di setiap tingkatan variabel independen kategorikal.

\n

Menurut Montgomery (2019), asumsi homogenitas varians sangat krusial karena estimasi varians gabungan (pooled variance) atau Mean Square Error (MSE) dalam rumus F-hitung baku mengasumsikan bahwa varians setiap kelompok sampel berasal dari populasi dengan ragam yang identik. Kerangka teoretis mendalam mengenai dasar teori uji homogenitas Levene dapat dipelajari secara lengkap pada portal utama statistikian.com.

\n

Glass, Peckham, dan Sanders (1972) membuktikan melalui studi simulasi Monte Carlo bahwa ketika rasio varians kelompok terbesar dan terkecil melampaui 3 banding 1 dan diikuti oleh jumlah sampel yang tidak seimbang, p-value dari statistik F konvensional menjadi sangat bias. Kelompok sampel kecil dengan varians besar akan menaikkan tingkat kesalahan Tipe I jauh di atas taraf nominal 0,05.

\n

Brown dan Forsythe (1974) kemudian memodifikasi statistik Levene dengan menggunakan nilai median atau trimmed mean alih-alih nilai rata-rata (mean). Modifikasi ini menghasilkan Uji Levene yang lebih tegar (robust) terhadap gangguan pencilan (outliers) serta ketidaknormalan distribusi data.

\n

Howell (2013) menegaskan bahwa ketika asumsi homogenitas terlanggar, peneliti tidak boleh memaksakan penggunaan tabel ANOVA standar karena estimasi penyebaran data dalam kelompok sudah tidak lagi mencerminkan variabilitas populasi yang sebenarnya.

\n

Langkah perbaikan teknis pertama yang wajib dilakukan adalah mengevaluasi rasio ukuran sampel antar kelompok. Apabila jumlah sampel setiap kelompok adalah sama persis (balanced design) dan heteroskedastisitas tidak terlalu ekstrem, ANOVA standar masih cukup tegar. Namun jika jumlah sampel tidak seimbang, tindakan korektif mutlak diperlukan.

\n

Langkah kedua, gunakan prosedur Welch's ANOVA sebagai alternatif utama pengganti ANOVA baku. Di SPSS, opsi ini dapat diaktifkan melalui menu Analyze > Compare Means > One-Way ANOVA > Options, kemudian beri tanda centang pada opsi Welch.

\n

Uji Welch menyesuaikan pembilang dan penyebut pada perhitungan F-hitung dengan memasukkan pembobot varians serta penyesuaian derajat bebas sisaan Welch-Satterthwaite (Welch, 1951). Pendekatan ini secara efektif mengontrol tingkat kesalahan Tipe I meskipun varians antar kelompok sangat tidak setara.

\n

Langkah ketiga, sebagai opsi pendamping Welch, peneliti juga dapat mengaktifkan Brown-Forsythe Test pada kotak dialog Options One-Way ANOVA SPSS. Uji Brown-Forsythe bekerja sangat baik ketika distribusi data mengalami pemusatan yang condong (skewed).

\n

Langkah keempat, sesuaikan pemilihan uji beda lanjut (Post Hoc Test). Peneliti dilarang keras menggunakan uji Tukey HSD, Duncan, Bonferroni, atau Scheffe jika Uji Levene menunjukkan signifikansi di bawah 0,05.

\n

Langkah kelima, pilihlah uji post-hoc yang dirancang khusus untuk kondisi varians heterogen (Equal Variances Not Assumed) di SPSS, seperti Games-Howell, Dunnett T3, atau Tamhane T2.

\n

Menurut Games dan Howell (1976), uji Games-Howell merupakan pilihan terbaik dan paling presisi karena menggunakan estimasi varians terpisah serta derajat bebas terpenuhi untuk setiap pasangan kelompok yang dibandingkan.

\n

Langkah keenam, pertimbangkan transformasi data numerik apabila variabel dependen juga menunjukkan ketidaknormalan distribusi secara simultan. Transformasi logaritma natural, akar kuadrat, atau kebalikan sering kali efektif meratakan varians kelompok yang tidak proporsional (Box & Cox, 1964).

\n

Langkah ketujuh, apabila transformasi data gagal memperbaiki homogenitas varians dan distribusi data sangat melenceng dari kurva normal, alihkan analisis dari statistik parametrik ke statistik non-parametrik.

\n

Langkah kedelapan, jalankan Uji Kruskal-Wallis H melalui menu Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples. Uji Kruskal-Wallis membandingkan peringkat (ranks) antar kelompok sehingga sepenuhnya bebas dari asumsi homogenitas varians maupun asumsi normalitas (Kruskal & Wallis, 1952).

\n\n
1. Evaluasi Output Uji Levene (Homogenitas Varians) 2. Apakah Nilai Sig. Levene < 0,05? Asumsi Homogenitas Varians Terlanggar TIDAK (Sig > 0,05): Varians Homogen Gunakan ANOVA Standard & Post Hoc Tukey YA (Sig < 0,05): Varians Heterogen Evaluasi Keseimbangan Sampel & Normalitas 3. Apakah Data Terdistribusi Normal? Memeriksa Asumsi Normalitas Sisaan Data SOLUSI PARAMETRIK ROBUST Uji Welch / Brown-Forsythe + Post Hoc Games-Howell SOLUSI ALTERNATIF / NON-PARAMETRIK Transformasi Data (Log/Akar) atau Uji Kruskal-Wallis
\n

Contoh Tabel/Diagram Output Test of Homogeneity dan Welch Test SPSS

\n\n
SPSS Output Representation: Levene Test Violation & Welch Alternative [PANEL A] Test of Homogeneity of Variances (Uji Levene) Variables / Statistics Levene Statistic df1 df2 Sig. Based on Mean 4.812 2 57 .012 Based on Median 4.215 2 57 .020 [PANEL B] Robust Tests of Equality of Means (Solusi Analisis) Method Statistic df1 df2 Sig. Welch 9.421 2 31.420 .001 Brown-Forsythe 8.850 2 44.150 .001 Cara Baca: Panel A menunjukkan Uji Levene signifikan (Sig = .012 < .05), yang berarti varians heterogen. Oleh karena itu, baca Panel B pada baris Welch Statistic (9.421, p = .001). Karena p < .05, disimpulkan terdapat perbedaan rata-rata yang signifikan antarkelompok. Lanjutkan uji beda lanjut dengan Uji Games-Howell.
\n

Berdasarkan visualisasi contoh output SPSS di atas, pembacaan hasil pengujian diawali dari Panel A (tabel Test of Homogeneity of Variances). Nilai statistik Levene berbasis rata-rata (Based on Mean) terukur sebesar 4,812 dengan nilai signifikansi (Sig.) sebesar 0,012.

\n

Karena nilai signifikansi 0,012 lebih kecil daripada taraf nyata 0,05, maka hipotesis nol yang menyatakan varians antar kelompok sama resmi ditolak. Peneliti menyimpulkan bahwa data mengalami heteroskedastisitas, sehingga tabel ANOVA konvensional tidak boleh digunakan.

\n

Sebagai solusinya, peneliti mengalihkan pembacaan ke Panel B (tabel Robust Tests of Equality of Means) pada baris Welch. Nilai statistik Welch tercatat sebesar 9,421 dengan derajat bebas yang telah disesuaikan (df1 = 2 dan df2 = 31,420) serta p-value sebesar 0,001.

\n

Nilai signifikansi Welch sebesar 0,001 yang jauh di bawah 0,05 membuktikan bahwa secara statistik tetap terdapat perbedaan rata-rata yang signifikan antar kelompok perlakuan, meskipun varians antar kelompok tidak homogen.

\n

Secara metodologis, keunggulan Uji Welch dibandingkan uji ANOVA konvensional pada situasi heteroskedastisitas telah dibuktikan oleh berbagai studi kualitatif dan simulasi numerik. Moder (2010) melakukan perbandingan ekstensif dan menyimpulkan bahwa Welch Test memiliki daya uji (statistical power) yang hampir setara dengan ANOVA baku saat varians homogen, namun jauh lebih unggul dan stabil saat varians heterogen.

\n

Tomarken dan Serlin (1986) menyatakan bahwa Uji Welch harus dijadikan pilihan otomatis (default choice) dalam analisis perbandingan rata-rata multinomial ketika peneliti bekerja dengan data lapangan yang riskan mengalami fluktuasi varians.

\n

Kutner et al. (2005) menjelaskan bahwa kesalahan umum para peneliti pemula adalah terlalu memaksakan penggunaan transformasi data tanpa mempertimbangkan dampaknya terhadap skala pengukuran. Transformasi non-linear merubah interpretasi statistik dari perbedaan rata-rata aritmatika menjadi rata-rata geometrik, sehingga memerlukan pemetaan kembali (back-transformation) saat menyusun laporan ilmiah.

\n

Hair et al. (2019) menambahkan bahwa pada uji ANOVA faktor ganda (Two-Way ANOVA), pilihan statistik Welch tidak tersedia secara langsung pada menu pustaka SPSS baku. Peneliti harus menggunakan pendekatan Heteroskedasticity-Consistent Standard Errors (HCSE) atau menjalankan pemodelan regresi linier berganda dengan opsi varians kuat (robust standard errors).

\n

Tabachnick dan Fidell (2019) mengingatkan bahwa beralih ke uji non-parametrik Kruskal-Wallis memiliki konsekuensi pergantian hipotesis dasar. Uji Kruskal-Wallis tidak lagi menguji perbedaan nilai rata-rata (mean), melainkan menguji perbedaan median atau distribusi median peringkat antar kelompok perlakuan.

\n

Oleh karena itu, jika tujuan utama penelitian adalah secara spesifik membandingkan parameter rata-rata populasi, penggunaan Welch Test bersama uji beda lanjut Games-Howell tetap menjadi solusi ilmiah terbaik pasca kegagalan Uji Homogenitas Levene.

\n

Kesimpulan

\n

Kegagalan memenuhi asumsi homogenitas varians pada Uji Levene tidak berarti analisis data penelitian harus dihentikan atau dibatalkan. Peneliti dapat menerapkan prosedur statistika parametrik yang tegar (robust) seperti Uji Welch atau Uji Brown-Forsythe yang telah tersedia di SPSS untuk menggantikan statistik F baku ANOVA. Penggunaan uji beda lanjut Games-Howell menjadi pasangan wajib pasca Uji Welch guna mengidentifikasi perbedaan antarpasangan kelompok secara presisi. Apabila data juga mengalami ketidaknormalan distribusi yang parah, transformasi data non-linear atau pengalihan ke Uji Non-Parametrik Kruskal-Wallis dapat dijadikan jalan keluar terbaik demi menjaga validitas penarikan kesimpulan ilmiah.

\n

Daftar Pustaka

\n
    \n
  1. Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243.
    2. \n
  2. Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364-367.
    3. \n
  3. Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125.
    4. \n
  4. Glass, G. V., Peckham, P. D., & Sanders, J. R. (1972). Consequences of failure to meet assumptions underlying the fixed effects analyses of variance and covariance. Review of Educational Research, 42(3), 237-288.
    5. \n
  5. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    6. \n
  6. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    7. \n
  7. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583-621.
    8. \n
  8. Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill Irwin.
    9. \n
  9. Levene, H. (1960). Robust tests for equality of variances. In I. Olkin et al. (Eds.), Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling (pp. 278-292). Stanford University Press.
    10. \n
  10. Moder, K. (2010). How to keep the Type I Error Rate in ANOVA if variances are unequal. AStA Advances in Statistical Analysis, 94(1), 81-92.
    11. \n
  11. Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). John Wiley & Sons.
    12. \n
  12. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    13. \n
  13. Tomarken, A. J., & Serlin, R. C. (1986). Comparison of ANOVA alternatives under variance heterogeneity and nonnormality. Psychological Bulletin, 99(1), 90-99.
    14. \n
  14. Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3/4), 330-336.
    15. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:19:26+07:00", "date_modified": "2026-09-10T22:19:26+07:00" }, { "id": "https://statistikian.net/cara-memilih-dan-membaca-output-post-hoc-test-tukey-duncan-bonferroni-games-howell-dll-pasca-anova-spss/", "url": "https://statistikian.net/cara-memilih-dan-membaca-output-post-hoc-test-tukey-duncan-bonferroni-games-howell-dll-pasca-anova-spss/", "title": "Cara Memilih dan Membaca Output Post-Hoc Test (Tukey, Duncan, Bonferroni, Games Howell, dll) Pasca ANOVA SPSS", "summary": "Cara Memilih dan Membaca Output Post-Hoc Test (Tukey, Duncan, Bonferroni, Games Howell,…", "content_html": "
\n

Cara Memilih dan Membaca Output Post-Hoc Test (Tukey, Duncan, Bonferroni, Games Howell, dll) Pasca ANOVA SPSS menjadi tantangan metodologis ketika nilai F-hitung ANOVA terbukti signifikan pada taraf 0,05 namun peneliti bingung menentukan jenis uji lanjut mana yang paling presisi di SPSS. Masalah ini diperparah oleh munculnya perbedaan kesimpulan antara tabel Multiple Comparisons dan tabel Homogeneous Subsets, serta kesalahan fatal pemilihan metode seperti tetap menggunakan uji Tukey atau Duncan padahal hasil Levene's Test menunjukkan varians antar kelompok tidak homogen.

\n

Penggunaan uji post-hoc yang tidak sesuai dengan karakteristik data—seperti rasio sampel tidak seimbang, pelanggaran homogenitas varians, atau pengabaian pengendalian Familywise Error Rate—akan menghasilkan bias taraf kesalahan Tipe I yang sangat tinggi. Kesalahan teknis ini dapat membuat perbedaan rata-rata yang sebenarnya tidak signifikan terbaca sebagai signifikan semu, atau sebaliknya mengabaikan perbedaan riil antarkelompok perlakuan.

\n\n
Hasil Uji ANOVA Signifikan (p < 0,05) Pelanggaran Homogenitas Varians Sig. Levene < 0,05 Namun Pakai Uji Tukey/Duncan Salah Pilih Metode Post-Hoc Mengabaikan Rasio Sampel & Tipe Hipotesis Output Beda Lanjut Tidak Valid Tingginya Inflasi Kesalahan Tipe I (False Positive) Kerancuan Hasil Output SPSS Konflik Antara Multiple Comparisons & Subsets SOLUSI: Pemilihan Post-Hoc Berbasis Asumsi Data Gunakan Games-Howell / Gabriel / Dunnett Secara Tepat
\n

Pengujian Post-Hoc Test atau Uji Beda Lanjut dirancang untuk melakukan perbandingan berganda (pairwise comparisons) setelah uji F ANOVA menolak hipotesis nol. Menurut Toothaker (1993), analisis post-hoc diperlukan karena statistik F-hitung ANOVA hanya memberikan informasi global bahwa terdapat minimal satu pasang rata-rata kelompok yang berbeda, tanpa mampu mengidentifikasi kelompok spesifik mana saja yang saling berbeda secara signifikan.

\n

Kerangka teoretis perbandingan berganda dibangun di atas pengendalian Familywise Error Rate, yaitu akumulasi probabilitas melakukan minimal satu kesalahan Tipe I dalam serangkaian pengujian hipotesis simultan. Field (2018) menegaskan bahwa jika peneliti melakukan uji-t independen secara berulang pada lima kelompok perlakuan, taraf kesalahan nyata akan melonjak dari 5 persen menjadi lebih dari 40 persen. Pembahasan mendalam mengenai dasar teori uji post hoc pasca ANOVA dapat dipelajari secara lengkap pada portal utama statistikian.com.

\n

Tukey (1949) menciptakan metode Honestly Significant Difference yang memanfaatkan distribusi Studentized Range untuk mengontrol akumulasi kesalahan Tipe I secara ketat pada desain kelompok berukuran seimbang. Metode ini tergolong konservatif dan sangat ideal untuk membandingkan seluruh pasangan kombinasi rata-rata perlakuan.

\n

Berbeda dari Tukey, Duncan (1955) mengembangkan Duncan Multiple Range Test yang menggunakan taraf signifikansi bertingkat sesuai jarak urutan rata-rata kelompok. Menurut Montgomery (2019), uji Duncan tergolong sangat liberal karena memiliki daya uji statistik yang tinggi, namun risikonya menaikkan kesalahan Tipe I jika digunakan pada kelompok sampel berukuran besar.

\n

Pada situasi di mana asumsi homogenitas varians terlanggar, Games dan Howell (1976) memperkenalkan uji Games-Howell yang menggabungkan koreksi derajat bebas Welch-Satterthwaite dan distribusi Studentized Range. Menurut Hochberg dan Tamhane (1987), uji Games-Howell merupakan pilihan terbaik saat varians heterogen dan ukuran sampel tiap kelompok tidak sama.

\n

Langkah pertama dalam menentukan uji post-hoc di SPSS adalah memeriksa tabel Test of Homogeneity of Variances (Uji Levene). Jika nilai signifikansi Uji Levene lebih besar dari 0,05, maka asumsi homogenitas varians terpenuhi (Equal Variances Assumed).

\n

Langkah kedua, pada kondisi varians homogen dan jumlah sampel tiap kelompok sama persis (equal sample sizes), pilih metode Tukey HSD. Metode ini menjamin kestabilan p-value tanpa mengorbankan daya uji statistik.

\n

Langkah ketiga, jika varians homogen tetapi ukuran sampel antar kelompok tidak seimbang (unequal sample sizes), gunakan Gabriel Test apabila perbedaan ukuran sampel tidak terlalu ekstrem, atau gunakan Hochberg GT2 Test apabila perbedaan jumlah sampel antar kelompok sangat ekstrem.

\n

Langkah keempat, apabila peneliti hanya ingin membandingkan seluruh kelompok perlakuan terhadap satu kelompok kontrol (bukan membandingkan semua pasangan kelompok), pilih metode Dunnett Test di SPSS.

\n

Langkah kelima, jika peneliti menetapkan hipotesis perbandingan kombinasi kompleks (seperti membandingkan gabungan kelompok A dan B terhadap kelompok C), pilih Scheffe Test. Menurut Hair et al. (2019), uji Scheffe paling fleksibel namun paling konservatif di antara seluruh uji post-hoc.

\n

Langkah keenam, untuk penelitian eksploratif yang membutuhkan daya pemisah kelompok yang sensitif pada sampel kecil, metode Duncan atau LSD (Least Significant Difference) dapat digunakan, dengan catatan peneliti harus mewaspadai tingginya risiko kesalahan Tipe I.

\n

Langkah ketujuh, apabila nilai signifikansi Uji Levene kurang dari 0,05 (Equal Variances Not Assumed), peneliti dilarang keras menggunakan Tukey, Duncan, Bonferroni, atau Scheffe.

\n

Pada kondisi varians heterogen ini, pilih opsi uji post-hoc pada bagian Equal Variances Not Assumed di SPSS, yaitu Games-Howell, Dunnett T3, atau Tamhane T2.

\n

Menurut Maxwell dan Delaney (2004), uji Games-Howell terbukti paling unggul dan robust dalam mempertahankan taraf signifikansi nominal 5 persen pada sampel kecil hingga sedang dengan varians yang sangat berbeda.

\n

Setelah proses pengolahan SPSS selesai, terdapat dua format tabel utama output post-hoc, yaitu tabel Multiple Comparisons yang menyajikan perbedaan rata-rata antar pasangan beserta p-value, dan tabel Homogeneous Subsets yang mengelompokkan rata-rata ke dalam kolom substrata berdasarkan kesamaan kinerjanya.

\n\n
1. Evaluasi Uji Levene (Homogenitas Varians) 2. Apakah Nilai Sig. Levene > 0,05? Memeriksa Asumsi Kesamaan Varians Antarkelompok YA: Varians Homogen Equal Variances Assumed TIDAK: Varians Heterogen Equal Variances Not Assumed 3A. Periksa Ukuran Sampel (N) Apakah Jumlah Sampel Antarkelompok Sama? 3B. Varians Heterogen Abaikan Uji Standar Parametrik N Sama (Equal N) Pilih Tukey HSD / Duncan N Beda (Unequal N) Pilih Gabriel / Hochberg SOLUSI HETEROGEN Pilih Games-Howell / Dunnett T3
\n

Contoh Tabel/Diagram Output Analysis Post-Hoc Test SPSS dan Cara Bacanya

\n\n
SPSS Output Representation: Post-Hoc Test Multiple Comparisons & Subsets [PANEL A] Multiple Comparisons Table (Tukey HSD / Games-Howell) (I) Kelompok (J) Kelompok Mean Diff (I-J) Std. Error Sig. Metode A Metode B -4.500* 1.120 .002 Metode A Metode C -1.200 1.120 .538 [PANEL B] Homogeneous Subsets Table (Duncan / Tukey) Kelompok Perlakuan N Subset 1 Subset 2 Metode A 15 68.50 Metode C 15 69.70 Metode B 15 73.00 Cara Baca: Panel A menunjukkan Metode A berbeda signifikan dengan Metode B (p = .002), tetapi tidak berbeda dengan Metode C (p = .538). Panel B mengonfirmasi hal ini dengan mengelompokkan Metode A & C pada Subset 1 (sama), sedangkan Metode B terpisah di Subset 2 (berbeda signifikan secara statistik).
\n

Berdasarkan visualisasi contoh output SPSS di atas, pembacaan hasil perbandingan berganda diawali dengan mengevaluasi Panel A (tabel Multiple Comparisons). Pada baris pertama yang membandingkan Metode A dan Metode B, diperoleh selisih rata-rata sebesar -4,500 dengan nilai signifikansi (Sig.) sebesar 0,002. Tanda bintang pada nilai selisih rata-rata dan angka signifikansi di bawah 0,05 membuktikan secara meyakinkan bahwa terdapat perbedaan rata-rata yang signifikan antara Metode A dan Metode B.

\n

Sebaliknya, pada baris kedua yang membandingkan Metode A dan Metode C, nilai selisih rata-rata tercatat sebesar -1,200 dengan nilai signifikansi sebesar 0,538. Karena nilai signifikansi jauh melampaui taraf 0,05, maka dapat disimpulkan bahwa tidak terdapat perbedaan rata-rata yang signifikan antara Metode A dan Metode C.

\n

Pembacaan hasil ini dikonfirmasi secara visual oleh Panel B (tabel Homogeneous Subsets). Metode A (68,50) dan Metode C (69,70) berada dalam satu kolom angka yang sama, yaitu Subset 1. Hal ini menegaskan bahwa kinerja Metode A dan Metode C adalah setara secara statistik.

\n

Metode B (73,00) ditempatkan pada kolom tersendiri yaitu Subset 2. Pemisahan kolom ini secara eksplisit menunjukkan bahwa Metode B memiliki rata-rata yang secara signifikan lebih tinggi dibandingkan dengan Metode A maupun Metode C.

\n

Diskusi ilmiah mengenai pemilihan uji post-hoc menyoroti pertentangan antara daya uji statistik dan pengendalian tingkat kesalahan Tipe I. Keppel dan Wickens (2004) menyatakan bahwa tidak ada satu pun metode post-hoc yang superior dalam segala kondisi eksperimen, sehingga pemilihan metode harus disesuaikan dengan desain sampel.

\n

Metode LSD yang dikembangkan oleh Fisher merupakan metode paling sederhana karena pada dasarnya melakukan pengujian berulang tanpa koreksi akumulasi kesalahan. Uji LSD memiliki daya uji paling tinggi namun sangat rentan menghasilkan kesimpulan signifikan semu, sehingga menurut Tabachnick dan Fidell (2019), penggunaannya kini dibatasi hanya untuk perbandingan yang direncanakan sejak awal.

\n

Metode Bonferroni memberikan penyesuaian yang sangat konservatif dengan membagi taraf kesalahan nominal dengan jumlah total kombinasi pengujian. Menurut Howell (2013), penyesuaian Bonferroni sangat tepat untuk jumlah perbandingan yang sedikit, tetapi menjadi terlalu ketat ketika jumlah kelompok melebihi lima karena dapat menurunkan daya uji statistik secara drastis.

\n

Sebaliknya, metode Sidak memberikan modifikasi yang sedikit lebih sensitif daripada Bonferroni dengan mengasumsikan independensi antarpasangan. Namun untuk perbandingan pasangan menyeluruh pada data homogen, uji Tukey HSD tetap diakui sebagai standar terbaik dalam ekonometrika dan biostatistika.

\n

Pemahaman terhadap struktur tabel Homogeneous Subsets sangat krusial dalam menyajikan laporan penelitian. Pada tabel ini, kelompok-kelompok yang berada pada kolom substrat yang sama menunjukkan bahwa perbedaan rata-rata mereka tidak signifikan pada taraf 0,05.

\n

Apabila terdapat suatu kelompok perlakuan yang masuk ke dalam dua kolom substrat sekaligus (overlapping subset), kondisi tersebut menandakan bahwa kelompok tersebut tidak berbeda signifikan baik dengan kelompok di substrat pertama maupun kelompok di substrat kedua. Kutner et al. (2005) menyarankan agar hasil substrat yang tumpang tindih ini dilaporkan apa adanya tanpa memaksa pemisahan kelompok secara buatan.

\n

Integrasi antara pemeriksaan homogenitas varians melalui Uji Levene, keselarasan ukuran sampel, dan tujuan hipotesis penelitian memastikan bahwa pemilihan uji post-hoc di SPSS menghasilkan keputusan statistik yang tepat, teruji, dan sah secara ilmiah.

\n

Kesimpulan

\n

Pemilihan dan pembacaan output Post-Hoc Test pasca ANOVA di SPSS harus didasarkan pada evaluasi asumsi homogenitas varians dan karakteristik sampel. Ketika varians antar kelompok terbukti homogen, peneliti dapat memilih Tukey HSD untuk sampel seimbang, Gabriel atau Hochberg GT2 untuk sampel tidak seimbang, Dunnett untuk pembanding kelompok kontrol, atau Duncan untuk pengujian eksploratif. Namun, jika asumsi homogenitas varians terlanggar, penggunaan uji Games-Howell menjadi keharusan mutlak. Pembacaan output pada tabel Multiple Comparisons dan Homogeneous Subsets yang dilakukan secara cermat menjamin ketepatan penarikan kesimpulan tanpa terganggu oleh risiko kesalahan Tipe I.

\n

Daftar Pustaka

\n
    \n
  1. Duncan, D. B. (1955). Multiple range and multiple F tests. Biometrics, 11(1), 1-42.
    2. \n
  2. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    3. \n
  3. Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125.
    4. \n
  4. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    5. \n
  5. Hochberg, Y., & Tamhane, A. C. (1987). Multiple Comparison Procedures. John Wiley & Sons.
    6. \n
  6. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    7. \n
  7. Keppel, G., & Wickens, T. D. (2004). Design and Analysis: A Researcher's Handbook (4th ed.). Pearson Prentice Hall.
    8. \n
  8. Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill Irwin.
    9. \n
  9. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    10. \n
  10. Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). John Wiley & Sons.
    11. \n
  11. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    12. \n
  12. Toothaker, L. E. (1993). Multiple Comparisons Procedures. SAGE Publications.
    13. \n
  13. Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99-114.
    14. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:14:29+07:00", "date_modified": "2026-09-10T22:14:29+07:00" }, { "id": "https://statistikian.net/cara-membaca-dan-interpretasi-output-one-way-anova-dan-two-way-anova-pada-spss-lengkap/", "url": "https://statistikian.net/cara-membaca-dan-interpretasi-output-one-way-anova-dan-two-way-anova-pada-spss-lengkap/", "title": "Cara Membaca dan Interpretasi Output One-Way ANOVA dan Two-Way ANOVA pada SPSS Lengkap", "summary": "Cara Membaca dan Interpretasi Output One-Way ANOVA dan Two-Way ANOVA pada SPSS…", "content_html": "
\n

Cara Membaca dan Interpretasi Output One-Way ANOVA dan Two-Way ANOVA pada SPSS Lengkap menjadi kendala teknis bagi peneliti ketika dihadapkan pada baris angka tabel Tests of Between-Subjects Effects atau tabel ANOVA dasar. Kebingungan umum muncul ketika nilai signifikansi Levene's Test of Equality of Error Variances menunjukkan hasil di bawah 0,05 yang menandakan asumsi homogenitas varians terlanggar, atau ketika efek interaksi pada Two-Way ANOVA bernilai signifikan sementara efek utama (main effects) tidak signifikan secara parsial.

\n

Kesalahan interpretasi angka F-hitung, probabilitas signifikansi, serta pengabaian uji lanjut Post Hoc sering kali menyebabkan penarikan kesimpulan hipotesis menjadi tidak tepat. Ketidakmampuan membedakan kapan harus membaca output ANOVA standar versus statistik Welch atau Brown-Forsythe saat heteroskedastisitas terjadi dapat merusak validitas hasil penelitian empiris Anda secara substansial.

\n\n
Output Analisis ANOVA pada SPSS Pelanggaran Asumsi Homogenitas Uji Levene Sig < 0.05 (Varians Tidak Sama) Bias Interpretasi Two-Way ANOVA Kerancuan Antara Efek Interaksi & Efek Utama F-Hitung Baku Tidak Valid Peluang Kesalahan Tipe I Meningkat Sebagian Penarikan Kesimpulan Keliru Mengabaikan Analisis Simple Main Effects SOLUSI: Prosedur Uji Robust & Pembacaan Berjenjang Gunakan Welch/Games-Howell & Evaluasi Hirarki Interaksi
\n

Konsep dasar Analysis of Variance dikembangkan pertama kali oleh Sir Ronald Fisher untuk membandingkan rata-rata numerik antara tiga kelompok sampel atau lebih secara simultan tanpa meningkatkan tingkat kesalahan Tipe I. Dalam perkembangannya, One-Way ANOVA memfokuskan pengujian pada satu variabel independen kategorikal, sedangkan Two-Way ANOVA memperluas analisis dengan memasukkan dua variabel independen kategorikal beserta efek interaksinya.

\n

Menurut Field (2018), landasan statistik dari ANOVA berakar pada pemecahan total keragaman (Total Sum of Squares) menjadi dua komponen utama, yaitu keragaman antarkelompok (Between-Groups Sum of Squares) dan keragaman dalam kelompok (Within-Groups Sum of Squares). Rasio dari rata-rata kuadrat kedua komponen ini menghasilkan statistik F-hitung.

\n

Montgomery (2019) menjelaskan bahwa pengujian ANOVA mengasumsikan tiga syarat utama yang harus dipenuhi agar distribusi F standar tetap sahih, yaitu independensi observasi, normalitas distribusi sisaan, dan homogenitas varians antarkelompok. Untuk memahami landasan matematika dan kerangka pengujian parametrik ini secara lebih rinci, pembahasan komprehensif mengenai teori dasar uji ANOVA dapat diakses pada domain utama statistikian.com.

\n

Hair et al. (2019) menambahkan bahwa pada Two-Way ANOVA, keberadaan efek interaksi menunjukkan bahwa pengaruh satu variabel independen terhadap variabel dependen bergantung pada tingkat atau kategori variabel independen lainnya. Oleh karena itu, pembacaan efek interaksi harus selalu didahulukan sebelum menarik kesimpulan mengenai efek utama.

\n

Howell (2013) menegaskan bahwa pelanggaran asumsi homogenitas varians pada desain sampel tidak seimbang dapat menyebabkan nilai p-value F-hitung baku menjadi terdistorsi, sehingga diperlukan uji alternatif yang lebih kuat seperti uji Welch atau uji Brown-Forsythe.

\n

Untuk melakukan interpretasi mandiri secara tepat pada SPSS, langkah teknis pertama dimulai dari pemeriksaan tabel Test of Homogeneity of Variances (Uji Levene). Perhatikan kolom signifikansi pada tabel tersebut. Apabila nilai probabilitas lebih besar dari 0,05, maka asumsi homogenitas varians terpenuhi.

\n

Langkah kedua, jika asumsi homogenitas terpenuhi pada One-Way ANOVA, baca tabel ANOVA standar. Fokuskan perhatian Anda pada nilai F-hitung dan kolom Sig.. Apabila nilai signifikansi kurang dari 0,05, maka hipotesis nol ditolak, yang berarti terdapat perbedaan rata-rata yang signifikan secara statistik di antara kelompok yang dibandingkan.

\n

Langkah ketiga, apabila nilai signifikansi Uji Levene kurang dari 0,05 (asumsi homogenitas terlanggar), abaikan tabel ANOVA baku. Pindahkan pembacaan Anda ke tabel Robust Tests of Equality of Means pada baris statistik Welch atau Brown-Forsythe.

\n

Langkah keempat, lanjutkan dengan pemeriksaan uji beda lanjut (Post Hoc Test) untuk mengetahui kelompok mana saja yang saling berbeda secara spesifik. Gunakan uji Tukey HSD jika varians homogen, atau gunakan uji Games-Howell jika varians terbukti tidak homogen.

\n

Langkah kelima, pada output Two-Way ANOVA (tabel Tests of Between-Subjects Effects), periksa dahulu baris interaksi (misalnya FaktorA * FaktorB). Jika baris interaksi memiliki nilai signifikansi kurang dari 0,05, maka interaksi terbukti signifikan secara statistik.

\n

Langkah keenam, jika efek interaksi signifikan, jangan langsung mengambil kesimpulan dari baris efek utama FaktorA atau FaktorB secara terpisah. Peneliti wajib melakukan analisis efek utama sederhana (Simple Main Effects) dengan bantuan sintaks SPSS untuk melihat pengaruh Faktor A pada setiap tingkatan Faktor B.

\n

Langkah ketujuh, apabila efek interaksi tidak signifikan (p-value lebih besar dari 0,05), maka Anda dapat secara langsung menginterpretasikan nilai F-hitung dan signifikansi pada baris masing-masing efek utama (FaktorA dan FaktorB) secara independen.

\n

Menurut Tabachnick dan Fidell (2019), pengabaian terhadap struktur interaksi dalam Two-Way ANOVA dapat menghasilkan simpulan yang menyesatkan karena pengaruh satu faktor dapat saling menghilangkan pada tingkatan faktor lain jika dikaji secara rata-rata gabungan.

\n

Kutner et al. (2005) menyatakan bahwa keunggulan uji Welch terletak pada penyesuaian derajat bebas sisaan yang memperhitungkan heterogenitas varians, sehingga tingkat kesalahan Tipe I tetap terjaga pada taraf nominal yang diinginkan.

\n\n
1. Evaluasi Uji Levene (Homogenitas Varians) 2. Apakah Nilai Sig. Levene > 0.05? Memeriksa Asumsi Kesamaan Varians Antarkelompok YA: Varians Homogen Baca Tabel ANOVA Baku & Post Hoc Tukey TIDAK: Varians Heterogen Gunakan Welch Test & Post Hoc Games-Howell 3. Pada Two-Way: Cek Sig. Interaksi (A * B) Apakah Nilai Sig. Interaksi < 0.05? SOLUSI A: Interaksi Signifikan Jalankan Analisis Simple Main Effects SOLUSI B: Interaksi Tidak Signifikan Interpretasikan Efek Utama A & B Parsial
\n

Contoh Tabel/Diagram Output Analisis One-Way dan Two-Way ANOVA SPSS

\n\n
SPSS Output Representation: One-Way ANOVA & Two-Way ANOVA [PANEL A] One-Way ANOVA Table Output Source Sum of Squares df Mean Square F Sig. Between Groups 428.533 2 214.267 8.452 .001 Within Groups 1445.000 57 25.351 [PANEL B] Two-Way ANOVA: Tests of Between-Subjects Effects Source Type III SS df Mean Square F Sig. Metode (A) 312.100 1 312.100 14.120 .000 Gender (B) 45.200 1 45.200 2.045 .158 Metode * Gender 185.400 1 185.400 8.388 .005 Cara Baca: Panel A menunjukkan perbedaan signifikan antarkelompok (F = 8.452, p = .001). Panel B menunjukkan interaksi Metode * Gender signifikan (F = 8.388, p = .005). Karena interaksi signifikan, analisis lanjut wajib menggunakan Simple Main Effects untuk melihat pengaruh Metode pada masing-masing Gender.
\n

Berdasarkan visualisasi contoh output SPSS di atas, pembacaan hasil analisis One-Way ANOVA pada Panel A difokuskan pada baris Between Groups. Nilai jumlah kuadrat antarkelompok terukur sebesar 428,533 dengan derajat bebas 2, menghasilkan rata-rata kuadrat sebesar 214,267.

\n

Pembagian rata-rata kuadrat antarkelompok dengan rata-rata kuadrat dalam kelompok (25,351) menghasilkan statistik F-hitung sebesar 8,452. Nilai probabilitas signifikansi (Sig.) pada Panel A tercatat sebesar 0,001. Karena nilai 0,001 jauh lebih kecil daripada taraf signifikansi 0,05, maka dapat disimpulkan secara mantap bahwa terdapat perbedaan rata-rata yang signifikan antarkelompok.

\n

Pada Panel B yang menyajikan output Two-Way ANOVA, pembacaan diawali dengan mengevaluasi baris interaksi Metode * Gender. Nilai F-hitung interaksi adalah sebesar 8,388 dengan angka signifikansi sebesar 0,005 (kurang dari 0,05).

\n

Signifikansi baris interaksi ini membuktikan bahwa efektivitas variabel Metode pembelajaran sangat bergantung pada kategori Gender siswa. Oleh karena itu, pengujian tidak boleh berhenti pada penafsiran baris efek utama Metode (p = 0,000) atau Gender (p = 0,158) saja.

\n

Peneliti wajib melanjutkan analisis ke tahap pembongkaran efek utama sederhana (Simple Main Effects) untuk mengisolasi perbedaan pengaruh Metode pada kelompok laki-laki secara terpisah dari kelompok perempuan.

\n

Secara ilmiah, penggunaan uji ANOVA memberikan perlindungan statistik yang ampuh terhadap akumulasi kesalahan Tipe I yang kerap terjadi jika peneliti melakukan pengujian t-test berulang pada kelompok multinomial. Glass dan Hopkins (1996) membuktikan bahwa melakukan tiga uji t-test terpisah pada tiga kelompok sampel akan meningkatkan tingkat kesalahan eksperimen dari 5 persen menjadi hampir 14 persen.

\n

Maxwell dan Delaney (2004) menjelaskan bahwa dalam Two-Way ANOVA, penguraian varians menggunakan pendekatan Type III Sum of Squares menjamin bahwa kontribusi setiap efek utama dan interaksi diuji secara independen terhadap efek lainnya, bahkan pada desain data tidak seimbang (unbalanced design).

\n

Cohen (1988) menekankan pentingnya mengukur besaran efek (effect size) seperti nilai Partial Eta Squared yang menyertai output ANOVA di SPSS. Nilai statistik ini mengukur proporsi varians total variabel dependen yang dapat dijelaskan oleh variabel independen setelah mengontrol faktor lainnya.

\n

Keppel dan Wickens (2004) menambahkan bahwa pola interaksi disordinal (garis grafik rata-rata yang saling memotong) mewajibkan peneliti untuk membatasi generalisasi efek utama, karena kesimpulan mengenai satu faktor akan berbalik arah pada kondisi faktor pembandingnya.

\n

Dengan memahami secara teliti setiap tahapan pembacaan tabel SPSS mulai dari pengujian asumsi homogenitas hingga evaluasi efek interaksi, peneliti dapat menghasilkan analisis statistik yang sahih, terhindar dari bias interpretasi, dan memenuhi standar pelaporan ilmiah yang ketat.

\n

Kesimpulan

\n

Interpretasi output One-Way dan Two-Way ANOVA pada SPSS membutuhkan kecermatan dalam mengevaluasi asumsi homogenitas varians melalui Uji Levene serta tata urutan pembacaan tabel yang sistematis. Ketika asumsi homogenitas terlanggar, penggunaan statistik Welch dan uji beda lanjut Games-Howell menjadi keharusan metodologis untuk menjaga validitas keputusan statistik. Pada Two-Way ANOVA, pembacaan efek interaksi harus selalu didahulukan daripada efek utama; jika interaksi signifikan, analisis wajib dilanjutkan dengan pengujian efek utama sederhana (Simple Main Effects) guna memperoleh gambaran perbedaan antarperlakuan yang tepat dan akurat.

\n

Daftar Pustaka

\n
    \n
  1. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
    2. \n
  2. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
    3. \n
  3. Glass, G. V., & Hopkins, K. D. (1996). Statistical Methods in Education and Psychology (3rd ed.). Allyn & Bacon.
    4. \n
  4. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
    5. \n
  5. Howell, D. C. (2013). Statistical Methods for Psychology (8th ed.). Cengage Learning.
    6. \n
  6. Keppel, G., & Wickens, T. D. (2004). Design and Analysis: A Researcher's Handbook (4th ed.). Pearson Prentice Hall.
    7. \n
  7. Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill Irwin.
    8. \n
  8. Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.
    9. \n
  9. Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). John Wiley & Sons.
    10. \n
  10. Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
    11. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-10T22:09:05+07:00", "date_modified": "2026-09-10T22:09:05+07:00" }, { "id": "https://statistikian.net/cara-mengatasi-regresi-spurious-palsu-pada-analisis-time-series-di-eviews/", "url": "https://statistikian.net/cara-mengatasi-regresi-spurious-palsu-pada-analisis-time-series-di-eviews/", "title": "Cara Mengatasi Regresi Spurious (Palsu) pada Analisis Time Series di EViews", "summary": "Cara Mengatasi Regresi Spurious (Palsu) pada Analisis Time Series di EViews menjadi…", "content_html": "
\n

Cara Mengatasi Regresi Spurious (Palsu) pada Analisis Time Series di EViews menjadi solusi metodologis penting ketika estimasi statistik menunjukkan indikasi hubungan kausalitas yang sangat kuat secara semu padahal antarvariabel tidak saling berhubungan secara riil. Masalah regresi palsu ini umumnya terdeteksi saat hasil estimasi Ordinary Least Squares menghasilkan koefisien determinasi yang sangat tinggi di atas 0,90 serta t-statistik variabel independen yang sangat signifikan, tetapi nilai statistik Durbin-Watson berada pada level yang sangat rendah. Kondisi angka Durbin-Watson yang jauh lebih kecil daripada nilai koefisien determinasi merupakan sinyal utama bahwa model regresi runtut waktu yang diestimasi mengalami kegagalan struktural akibat penggunaan data non-stasioner.

\n

Gejala operasional dari regresi spurious timbul karena variabel-variabel runtut waktu memiliki kecenderungan tren tren acak yang searah secara kebetulan sepanjang rentang waktu pengamatan. Peneliti sering kali terkecoh oleh nilai probabilitas t-hitung yang sangat signifikan, padahal tingginya angka statistik tersebut disebabkan oleh terdistorsinya nilai standar eror ke tingkat yang sangat kecil secara tidak wajar. Jika dibiarkan tanpa perbaikan, estimasi OLS pada data non-stasioner akan menghasilkan kesimpulan inferensi statistik yang keliru, pelanggaran berat pada asumsi Gauss-Markov, serta keputusan kebijakan yang sama sekali tidak sahih secara empiris.

\n\n
Data Time Series Non-Stasioner (Random Walk) Anomali Nilai R-Squared & DW R-Squared Tinggi namun Durbin-Watson Rendah Distorsi Inferensi Statistik t-Statistik Signifikan Semu & Bias Standar Eror Pelanggaran Asumsi Residual Residual Tidak Stasioner & Autokorelasi Tinggi Regresi Spurious (Palsu) Korelasi Semu Tanpa Hubungan Kausalitas Riil SOLUSI: Uji Stasioneritas, Diferensiasi, & Kointegrasi Transformasi First Difference atau Pemodelan ECM / VECM
\n

Landasan teoretis regresi spurious pertama kali dipublikasikan secara mendalam oleh Yule (1926) yang menunjukkan bahwa korelasi antarvariabel runtut waktu yang tidak stasioner dapat menghasilkan koefisien korelasi yang sangat tinggi meskipun kedua variabel tersebut secara logis tidak memiliki keterkaitan sama sekali. Pengembangan metodologis modern mengenai fenomena ini kemudian diteliti secara mendalam oleh Granger dan Newbold (1974) melalui eksperimen simulasi Monte Carlo.

\n

Granger dan Newbold (1974) merumuskan aturan praktis empiris bahwa apabila nilai koefisien determinasi melebihi nilai statistik Durbin-Watson dari hasil regresi OLS runtut waktu, maka model tersebut dapat dipastikan terjangkit masalah regresi palsu. Bagi pembaca yang ingin mempelajari konsep dasar stasioneritas dan pengujian persamaannya secara komprehensif, pembahasan lengkap mengenai dasar teori uji stasioneritas time series dapat dipelajari pada domain utama statistikian.com.

\n

Menurut Gujarati dan Porter (2009), regresi spurious terjadi karena sifat non-stasioneritas pada data runtut waktu menyebabkan ragam residual menjadi tidak konstan dan bergantung pada fungsi waktu. Pelanggaran asumsi stasioneritas sisaan ini merusak struktur matriks varians-kovarians dari penaksir OLS, sehingga uji t-statistik dan uji F-statistik tidak lagi mengikuti distribusi t-Student dan F-Snedecor yang standar.

\n

Phillips (1986) secara sistematis membuktikan secara matematis bahwa pada kasus regresi palsu, distribusi t-statistik tidak akan menguncup ke suatu nilai konstan seiring bertambahnya sampel pengamatan. Sebaliknya, nilai t-statistik akan terus membesar menuju tak terhingga, yang menyebabkan peneliti hampir selalu menolak hipotesis nol dan menganggap variabel independen memiliki pengaruh yang signifikan secara statistik.

\n

Engle dan Granger (1987) melengkapi kerangka teoretis ini dengan memperkenalkan teori kointegrasi. Dua atau lebih variabel runtut waktu yang tidak stasioner pada level dapat diregresikan dalam tingkat level tanpa mengalami masalah regresi spurious jika dan hanya jika kombinasi linier dari variabel-variabel tersebut menghasilkan residual yang stasioner pada tingkat level.

\n

Untuk melakukan identifikasi dan perbaikan teknis mandiri di EViews, langkah pertama yang harus dilakukan adalah melakukan pengujian akar unit pada setiap variabel penelitian. Buka jendela seri variabel di EViews, pilih menu View, klik Unit Root Test, lalu pilih metode pengujian Augmented Dickey-Fuller atau Phillips-Perron pada tingkat Level.

\n

Apabila nilai probabilitas statistik ADF atau PP lebih besar dari tingkat signifikansi 0,05, maka variabel dinyatakan mengandung akar unit atau tidak stasioner pada tingkat level. Langkah kedua adalah mengulang pengujian akar unit pada tingkat beda pertama (First Difference) untuk memastikan derajat integrasi data.

\n

Jika seluruh variabel telah terbukti stasioner pada tingkat beda pertama atau terintegrasi pada orde I(1), langkah ketiga adalah menjalankan pengujian kointegrasi untuk mendeteksi keberadaan hubungan keseimbangan jangka panjang antarvariabel penelitian.

\n

Untuk model dua variabel, peneliti dapat menggunakan metode Engle-Granger Two-Step Cointegration Test atau Cointegrating Regression Durbin-Watson Test. Sedangkan untuk model multivariabel, pengujian wajib menggunakan metode Johansen Cointegration Test melalui menu View, kemudian memilih Cointegration Test, dan mengklik Johansen System Cointegration Test.

\n

Jika hasil uji kointegrasi menunjukkan bahwa variabel-variabel saling terkointegrasi (hipotesis nol tidak ada kointegrasi ditolak), maka hubungan jangka panjang antarvariabel terbukti ada dan sah. Dalam kondisi terkointegrasi, regresi dalam bentuk level tidak dikategorikan sebagai regresi spurious.

\n

Pada kondisi data saling terkointegrasi, langkah perbaikan teknis yang tepat adalah mengestimasi model keseimbangan dengan pendekatan Error Correction Model untuk data tunggal atau Vector Error Correction Model untuk sistem persamaan multivariabel di EViews.

\n

Sebaliknya, apabila hasil pengujian kointegrasi membuktikan bahwa tidak terdapat kointegrasi antarvariabel (p-value > 0,05), maka estimasi regresi OLS dalam bentuk level tidak boleh digunakan karena pasti menghasilkan regresi spurious.

\n

Langkah perbaikan teknis ketika data tidak terkointegrasi adalah mengubah spesifikasi model regresi OLS dari bentuk level menjadi bentuk beda pertama. Di EViews, masukkan persamaan regresi menggunakan operator diferensiasi, seperti menuliskan d(Y) c d(X1) d(X2) pada kotak estimasi persamaan.

\n

Proses diferensiasi pertama berhasil menghilangkan komponen tren acak pada variabel runtut waktu, sehingga nilai standar eror kembali valid dan estimasi koefisien mencerminkan pengaruh hubungan jangka pendek yang stabil.

\n

Sebagai opsi solusi alternatif, jika non-stasioneritas disebabkan oleh kecenderungan tren deterministik, peneliti dapat menambahkan variabel tren waktu (time trend) ke dalam persamaan regresi OLS untuk mengeliminasi komponen tren linier.

\n

Peneliti juga dapat menerapkan estimasi Autoregressive Distributed Lag jika variabel-variabel penelitian memiliki orde integrasi yang campuran antara stasioner pada level I(0) dan stasioner pada beda pertama I(1).

\n

Setelah perbaikan spesifikasi model dilakukan, evaluasi statistik Durbin-Watson akan menunjukkan peningkatan nilai mendekati dua, yang mengonfirmasi bahwa masalah autokorelasi ekstrem dan regresi spurious telah berhasil diatasi secara sempurna.

\n\n
1. Uji Akar Unit ADF / PP pada Level I(0) 2. Apakah Seluruh Variabel Stasioner I(0)? Evaluasi p-value Uji ADF / PP < 0.05 YA: Stasioner pada Level OLS Level Biasa Valid (Bebas Spurious) TIDAK: Non-Stasioner I(0) Uji ADF pada First Difference I(1) 3. Uji Kointegrasi (Johansen / Engle-Granger) Apakah Residual Kombinasi Linier Stasioner? SOLUSI A: Ada Kointegrasi Estimasi Model ECM / VECM SOLUSI B: Tanpa Kointegrasi Estimasi Model d(Y) d(X)
\n

Contoh Tabel/Diagram Output Analisis Regresi Spurious dan Perbaikannya

\n\n
EViews Comparison: Spurious OLS vs Corrected First Difference Model [PANEL A] OLS Model Level: Y C X (Terjangkit Spurious) Variable Coefficient Std. Error t-Statistic Prob. X 0.894210 0.032100 27.85700 0.0000 R-squared: 0.9412 | Adjusted R-squared: 0.9398 | Durbin-Watson stat: 0.3120 (DW << R-squared) [PANEL B] Model Perbaikan: D(Y) C D(X) (Valid & Bebas Spurious) Variable Coefficient Std. Error t-Statistic Prob. D(X) 0.214500 0.082100 2.612667 0.0112 R-squared: 0.2845 | Adjusted R-squared: 0.2710 | Durbin-Watson stat: 1.9842 (DW Normal & Valid) Catatan Analisis: Panel A menunjukkan regresi spurious dengan t-stat 27.85 dan DW 0.312. Setelah diferensiasi pada Panel B, t-stat bernilai realistis (2.61) dan Durbin-Watson mendekati 2.0 (1.98), mengonfirmasi model valid.
\n

Berdasarkan gambar perbandingan output EViews di atas, pembacaan hasil analisis diawali dengan mengevaluasi kondisi Panel A. Nilai koefisien determinasi R-squared pada Panel A adalah sebesar 0,9412 dengan t-statistik sebesar 27,85700 dan nilai statistik Durbin-Watson sebesar 0,3120. Karena nilai Durbin-Watson (0,3120) jauh lebih kecil daripada R-squared (0,9412), Panel A terbukti mengalami regresi spurious secara nyata.

\n

Proses pembacaan dilanjutkan pada Panel B yang menampilkan hasil estimasi model perbaikan beda pertama. Pada Panel B, nilai koefisien D(X) turun ke angka realistis yaitu 0,214500 dengan t-statistik sebesar 2,612667 dan probabilitas sebesar 0,0112 yang signifikan pada taraf lima persen.

\n

Indikator keberhasilan perbaikan terlihat jelas pada nilai statistik Durbin-Watson Panel B yang naik drastis menjadi 1,9842. Angka Durbin-Watson yang mendekati dua ini membuktikan bahwa residual model telah bebas dari autokorelasi positif ekstrem dan estimasi yang dihasilkan valid secara statistik.

\n

Nilai koefisien determinasi R-squared pada Panel B yang terukur sebesar 0,2845 mencerminkan daya jelasi proporsional dari perubahan variabel independen terhadap perubahan variabel dependen jangka pendek tanpa adanya inflasi nilai semu.

\n

Pembahasan ilmiah mengenai regresi spurious menekankan pentingnya pemahaman mengenai struktur deret waktu. Enders (2014) menjelaskan bahwa sebagian besar data agregat ekonomi, seperti produk domestik bruto, indeks harga konsumen, dan jumlah uang beredar, pada umumnya bersifat tidak stasioner dan mengandung kecenderungan tren stokastik.

\n

Ketika dua variabel yang sama-sama mengandung tren stokastik diregresikan secara OLS, galat pemicu dari masing-masing variabel akan terakumulasi sepanjang waktu. Hamilton (1994) mengonfirmasi bahwa akumulasi galat ini menyebabkan sisaan regresi menjadi terintegrasi I(1), sehingga melanggar prinsip ragam konstan pada sampel acak.

\n

Wooldridge (2016) menegaskan bahwa ketergabungan antara sifat non-stasioner data dan autokorelasi tinggi pada residual menyebabkan estimator OLS tidak lagi bersifat BLUE (Best Linear Unbiased Estimator). Sebaliknya, simpangan baku koefisien akan diremehkan (underestimated), sehingga rasio t-hitung menjadi terbias ke atas secara ekstrem.

\n

Stock dan Watson (2015) menekankan bahwa transformasi beda pertama merupakan prosedur pengkondisian stasioneritas yang efektif untuk mengisolasi fluktuasi siklis jangka pendek dari tren jangka panjang yang tidak konstan.

\n

Namun, Maddala dan Kim (1998) memberikan peringatan bahwa melakukan diferensiasi pertama pada data yang sebenarnya terkointegrasi dapat menyebabkan hilangnya informasi hubungan keseimbangan jangka panjang yang krusial. Oleh karena itu, pengujian kointegrasi wajib mendahului keputusan spesifikasi diferensiasi.

\n

Penggunaan kerangka pemodelan kointegrasi dan spesifikasi beda pertama menjamin bahwa setiap hubungan antarvariabel yang diestimasi dalam EViews memiliki landasan teoretis dan keabsahan ekonometrika empiris yang dapat dipertanggungjawabkan.

\n

Kesimpulan

\n

Regresi spurious pada analisis runtut waktu di EViews ditandai oleh nilai koefisien determinasi yang sangat tinggi tetapi diiringi nilai Durbin-Watson yang sangat rendah akibat penggunaan data non-stasioner. Solusi teknis untuk mengatasi masalah ini adalah dengan melakukan uji akar unit Augmented Dickey-Fuller pada tingkat level dan beda pertama, dilanjutkan dengan uji kointegrasi. Jika variabel saling terkointegrasi, estimasi dilakukan menggunakan model Error Correction Model, sedangkan jika tidak terkointegrasi, regresi wajib diestimasi dalam bentuk beda pertama First Difference untuk menghasilkan koefisien yang konsisten, valid, dan bebas dari distorsi statistik.

\n

Daftar Pustaka

\n
    \n
  1. Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
    2. \n
  2. Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.
    3. \n
  3. Granger, C. W., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111-120.
    4. \n
  4. Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill.
    5. \n
  5. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
    6. \n
  6. Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change. Cambridge University Press.
    7. \n
  7. Phillips, P. C. (1986). Understanding spurious regressions in econometrics. Journal of Econometrics, 33(3), 311-340.
    8. \n
  8. Stock, J. H., & Watson, M. W. (2015). Introduction to Econometrics (3rd ed.). Pearson.
    9. \n
  9. Wooldridge, J. M. (2016). Introductory Econometrics: A Modern Approach (6th ed.). Cengage Learning.
    10. \n
  10. Yule, G. U. (1926). Why do we sometimes get nonsense-correlations between Time-Series?--a study in sampling and the nature of time-series. Journal of the Royal Statistical Society, 89(1), 1-63.
    11. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-10T01:36:46+07:00", "date_modified": "2026-09-10T01:36:46+07:00" }, { "id": "https://statistikian.net/tutorial-dynamic-panel-data-gmm-arellano-bond-and-system-gmm-di-eviews/", "url": "https://statistikian.net/tutorial-dynamic-panel-data-gmm-arellano-bond-and-system-gmm-di-eviews/", "title": "Tutorial Dynamic Panel Data (GMM Arellano-Bond & System GMM) di EViews", "summary": "Tutorial Dynamic Panel Data (GMM Arellano-Bond & System GMM) di EViews merupakan…", "content_html": "
\n

Tutorial Dynamic Panel Data (GMM Arellano-Bond & System GMM) di EViews merupakan prosedur ekonometrika tingkat lanjut yang dirancang khusus untuk mengatasi masalah endogenitas sistematis dalam estimasi data panel. Masalah endogenitas ini umumnya timbul ketika variabel dependen terikat pada nilai masa lalunya sendiri (lagged dependent variable) sebagai variabel independen, atau ketika terdapat hubungan simultan antara regresor dengan penggalat atau error term. Namun, saat mengestimasi model panel dinamis di EViews, peneliti sering menghadapi kendala teknis berupa kegagalan uji overidentifikasi Sargan dengan nilai probabilitas yang bernilai satu tepat atau di bawah batas signifikansi, serta munculnya autokorelasi tingkat kedua pada penggalat diferensiasi.

\n

Gejala operasional dari kesalahan estimasi ini terlihat jelas saat EViews menampilkan peringatan matriks mendekati singularitas (near singular matrix) atau menghasilkan matriks varians-kovarians yang tidak valid. Peneliti kerap kali terjebak dalam kondisi proliferasi instrumen (instrument proliferation), di mana jumlah instrumen yang digunakan melebihi jumlah unit observasi silang (cross-section). Kondisi tersebut menyebabkan koefisien regresi menjadi sangat bias, standar eror terdistorsi secara tidak wajar, dan kesimpulan statistik mengenai hubungan kausalitas antarvariabel menjadi sama sekali tidak sahih.

\n\n
Model Panel Dinamis & Lag Dependent Variable Bias Endogenitas (Nickell Bias) Lag Y berkorelasi dengan komponen Error Gejala Error Estimasi di EViews Near Singular Matrix & Gagal Konvergensi Uji Sargan / Hansen Tidak Valid p-value < 0.05 atau Overfitting p-value = 1.000 Autokorelasi AR(2) Terdeteksi p-value AR(2) < 0.05 merusak asumsi instrumen SOLUSI: Dynamic Panel Data GMM (Diff & System) Transformasi Lag, Collapse Instrumen & Koreksi Windmeijer
\n

Landasan teoretis analisis panel dinamis pertama kali diformulasikan oleh Holtz-Eakin, Newey, dan Rosen (1988) untuk mengakomodasi struktur data yang memiliki dinamika waktu sekaligus efek individu tidak terobservasi. Dalam metode regresi data panel konvensional seperti Fixed Effects atau Random Effects, keberadaan lag variabel dependen akan memunculkan korelasi antara variabel tersebut dengan komponen galat individu. Bagi pembaca yang ingin memahami konsep dasar dan struktur pemodelan non-dinamis secara menyeluruh, pembahasan lengkap mengenai dasar teori regresi data panel dapat dipelajari pada domain utama statistikian.com.

\n

Untuk mengatasi bias yang ditimbulkan oleh korelasi tersebut, Arellano dan Bond (1991) mengembangkan estimasi Generalized Method of Moments berbasis diferensiasi pertama (Difference GMM). Metode ini menghilangkan efek spesifik individu melalui transformasi beda pertama dan menggunakan nilai-nilai lag dari variabel level sebagai instrumen internal yang valid bagi variabel yang mengalami masalah endogenitas.

\n

Meskipun Difference GMM terbukti efektif pada sampel dengan jumlah observasi silang yang besar, Blundell dan Bond (1998) mengidentifikasi adanya kelemahan berupa instrumen yang lemah (weak instruments) apabila data memiliki sifat persistensi yang sangat tinggi atau mendekati proses unit root. Dalam kondisi ini, instrumen lag level hanya memiliki korelasi yang sangat kecil terhadap diferensiasi pertamanya, sehingga estimasi beda pertama menjadi tidak efisien.

\n

Sebagai solusinya, Blundell dan Bond (1998) merumuskan metode System GMM yang menggabungkan sistem persamaan diferensiasi pertama dengan sistem persamaan dalam tingkat level. Pada sistem level, variabel diuji menggunakan instrumen diferensiasi pertamanya, sehingga menghasilkan peningkatkan efisiensi statistik dan menurunkan bias pada sampel terbatas secara signifikan.

\n

Bond (2002) menekankan bahwa batas atas dan batas bawah nilai koefisien lag variabel dependen dapat dievaluasi melalui estimasi Ordinary Least Squares dan Fixed Effects. Nilai koefisien estimasi GMM yang sahih harus berada di antara nilai estimasi Fixed Effects sebagai batas bawah dan nilai estimasi OLS sebagai batas atas.

\n

Untuk mempraktikkan analisis data panel dinamis secara mandiri di EViews, langkah teknis pertama adalah memastikan struktur data panel telah terdefinisi secara rapi dengan format dated panel atau balanced panel melalui menu Proc, lalu memilih Structure/Resize Current Page.

\n

Langkah kedua adalah membuka jendela estimasi persamaan dengan memilih menu Quick, kemudian mengklik Estimate Equation. Pada opsi metode estimasi (Method), ubah pilihan dari OLS menjadi DPD - Dynamic Panel Data atau GMM/3SLS khusus untuk objek panel EViews.

\n

Langkah ketiga adalah menentukan bentuk spesifikasi transformasi. Pilih opsi First Differences jika memilih pendekatan Arellano-Bond Difference GMM, atau pilih opsi System GMM jika variabel-variabel penelitian terindikasi memiliki tingkat persistensi waktu yang tinggi.

\n

Langkah keempat adalah menyusun bagian Instrument Specification. Masukkan variabel lag dependen beserta variabel independen endogen ke dalam kotak spesifikasi instrumen dinamik dengan membatasi kedalaman lag (lag limit) untuk mencegah terjadinya eksplosivitas jumlah instrumen.

\n

Langkah kelima adalah menetapkan matriks pembobot (weighting matrix). Pilih opsi 2-Step GMM untuk memperoleh efisiensi estimasi yang lebih tinggi dibanding 1-Step GMM, namun pastikan untuk mengaktifkan koreksi sampel terbatas Windmeijer agar nilai standar eror tidak terbias ke bawah.

\n

Langkah keenam adalah menjalankan pengujian dan mengevaluasi statistik diagnostic melalui menu View, kemudian memilih Instrument Diagnostics, dan mengklik Sargan/Hansen Test. Hipotesis nol menyatakan bahwa instrumen bersifat valid atau tidak berkorelasi dengan galat.

\n

Langkah ketujuh adalah menguji keberadaan autokorelasi pada sisaan dengan mengklik Serial Correlation Test. Peneliti harus memastikan bahwa uji AR(1) signifikan secara statistik, sedangkan uji AR(2) wajib tidak signifikan secara statistik.

\n

Jika statistik AR(2) menunjukkan p-value kurang dari 0,05, hal tersebut menandakan adanya autokorelasi tingkat kedua pada residual, yang membatalkan validitas lag instrumen yang digunakan dalam model.

\n

Langkah kedelapan untuk mengatasi masalah AR(2) yang signifikan adalah dengan menggeser awal penggunaan lag instrumen ke periode yang lebih lampau, misalnya dari lag kedua menjadi lag ketiga atau lag keempat.

\n

Langkah kesembilan untuk mengatasi kegagalan uji Sargan akibat proliferasi instrumen adalah dengan menerapkan fungsi pemicatan instrumen (collapse instruments) atau membatasi jumlah lag instrumen maksimum agar tidak melebihi jumlah unit cross-section.

\n\n
1. Identifikasi Panel Dinamis (N > T) 2. Pilih Estimasi DPD (GMM) di EViews 3. Evaluasi Tingkat Persistensi Variabel Apakah Variabel Mendekati Unit Root / Persisten Tinggi? Persistensi Tinggi / Weak Instrument Gunakan System GMM (Blundell-Bond) Persistensi Moderat / Stasioner Gunakan Difference GMM (Arellano-Bond) SOLUSI A: System GMM + Windmeijer Batasi Lag Instrumen & Collapse Matrix SOLUSI B: Difference GMM First Diff Pastikan AR(1) < 0.05 & AR(2) > 0.05
\n

Contoh Tabel/Diagram Output Regresi Dynamic Panel Data GMM

\n\n
EViews Output: Dynamic Panel Data Estimation (System GMM) Dependent Variable: Y | Method: Panel System GMM | Transformation: First Differences & Levels Variable Coefficient Std. Error t-Statistic Prob. Y(-1) 0.654210 0.082140 7.964570 0.0000 X1 0.321450 0.091210 3.524280 0.0007 X2 -0.154200 0.062100 -2.483090 0.0145 C 0.854210 0.214500 3.982330 0.0002 Arellano-Bond Test AR(1): z = -3.4210 (Prob = 0.0006) | Arellano-Bond Test AR(2): z = 0.8542 (Prob = 0.3930) Sargan Test of Overid. Restrictions: Chi-sq(12) = 14.8210 (Prob = 0.2514) Number of Instruments: 16 | Number of Cross-sections: 30
\n

Berdasarkan gambar output EViews di atas, pembacaan hasil estimasi System GMM diawali dengan mengevaluasi signifikansi variabel lag dependen. Nilai koefisien lag variabel dependen adalah sebesar 0,654210 dengan probabilitas 0,0000, yang membuktikan adanya penyesuaian dinamis yang signifikan dari variabel dependen terhadap nilai masa lalunya.

\n

Langkah pembacaan berikutnya difokuskan pada pengujian validitas instrumen dan syarat konsistensi estimasi. Nilai uji Arellano-Bond AR(1) menghasilkan probabilitas sebesar 0,0006 yang kurang dari 0,05, mengonfirmasi keberadaan autokorelasi tingkat pertama pada residual diferensiasi sebagai syarat alami transformasi beda pertama.

\n

Sebaliknya, statistik uji Arellano-Bond AR(2) menghasilkan nilai probabilitas sebesar 0,3930 yang secara tegas lebih besar dari 0,05. Hasil ini membuktikan bahwa tidak terdapat autokorelasi tingkat kedua pada penggalat, sehingga asumsi dasar instrumen GMM terpenuhi secara valid.

\n

Pengujian kelayakan instrumen secara menyeluruh ditunjukkan oleh hasil uji overidentifikasi Sargan Test yang menghasilkan nilai probabilitas sebesar 0,2514. Karena nilai ini berada di atas 0,05 dan tidak bernilai satu tepat, instrumen yang digunakan dinyatakan valid dan tidak berkorelasi dengan galat pemodelan.

\n

Terakhir, evaluasi rasio instrumen terhadap jumlah individu dilakukan dengan membandingkan jumlah instrumen sebanyak 16 instrumen terhadap 30 unit cross-section. Karena jumlah instrumen lebih kecil dari jumlah unit cross-section, model ini dinyatakan terbebas dari masalah proliferasi instrumen.

\n

Pembahasan ilmiah mengenai regresi panel dinamis sangat menekankan penanganan endogenitas akibat simultanitas dan variabel laten. Menurut Greene (2012), ketika variabel independen ditentukan secara bersamaan dengan variabel dependen dalam satu sistem perekonomian, estimasi kuadrat terkecil akan menghasilkan koefisien yang tidak konsisten dan bias secara persisten.

\n

Metode GMM memecahkan masalah ini dengan memanfaatkan kondisi ortogonalitas (orthogonality conditions) antara instrumen lag dengan galat pemodelan. Roodman (2009) menegaskan bahwa kekuatan metode GMM terletak pada kemampuannya menghasilkan instrumen internal tanpa perlu mencari variabel eksogen dari luar sistem data.

\n

Namun, Roodman (2009) juga memberikan peringatan keras mengenai fenomena pembanyakan instrumen (instrument proliferation). Menggunakan instrumen lag yang terlalu banyak dapat membuat matriks bobot GMM menjadi sangat cembung, memperkecil standar eror secara artifisial, dan merusak daya uji Sargan hingga menghasilkan p-value mendekati satu.

\n

Dalam perspektif perbandingan metode, Baltagi (2021) menjelaskan bahwa System GMM terbukti secara empiris lebih unggul daripada Difference GMM ketika periode waktu pengamatan relatif pendek sedangkan variabel penelitian memiliki tingkat autokorelasi yang tinggi.

\n

Untuk memastikan keandalan estimasi dua tahap, Windmeijer (2005) membuktikan secara matematis bahwa standar eror pada Two-Step GMM cenderung terbias ke bawah pada sampel terbatas. Penggunaan koreksi matriks varians Windmeijer menjadi kewajiban metodologis agar nilai t-statistik tidak over-signifikan.

\n

Mileva (2007) menambahkan bahwa penataan lag instrumen harus didasarkan pada asumsi struktur variabel, di mana variabel dapat diklasifikasikan sebagai eksogen murni, prediktabil/endogen lemah, atau endogen murni.

\n

Secara eksplisit, variabel yang bersifat endogen murni memerlukan instrumen lag mulai periode kedua dan sebelumnya, sedangkan variabel endogen lemah dapat diinstrumenkan mulai periode kesatu.

\n

Pemahaman yang mendalam mengenai kombinasi pengujian statistik ini memungkinkan peneliti menyusun model estimasi panel dinamis yang tangguh, teoretis, dan teruji secara ekonometrika empiris.

\n

Kesimpulan

\n

Tutorial regresi dynamic panel data GMM, baik pendekatan Arellano-Bond Difference GMM maupun Blundell-Bond System GMM di EViews, merupakan solusi terbaik untuk mengatasi masalah endogenitas dan bias lag variabel dependen. Keberhasilan estimasi mensyaratkan pemenuhan uji diagnostik secara ketat, yaitu nilai uji AR(1) yang signifikan, AR(2) yang tidak signifikan, serta uji overidentifikasi Sargan/Hansen yang valid. Peneliti harus membatasi jumlah instrumen agar tidak melebihi jumlah unit cross-section dan menerapkan koreksi Windmeijer untuk memastikan simpangan baku dan p-value yang dihasilkan akurat secara ilmiah.

\n

Daftar Pustaka

\n
    \n
  1. Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.
    2. \n
  2. Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer.
    3. \n
  3. Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.
    4. \n
  4. Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.
    5. \n
  5. Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson Education.
    6. \n
  6. Holtz-Eakin, D., Newey, W., & Rosen, H. S. (1988). Estimating vector autoregressions with panel data. Econometrica, 56(6), 1371-1395.
    7. \n
  7. Mileva, E. (2007). Using Arellano-Bond dynamic panel GMM estimators in Stata. ECB Working Paper, 1-10.
    8. \n
  8. Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.
    9. \n
  9. Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.
    10. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-10T01:33:08+07:00", "date_modified": "2026-09-11T00:38:17+07:00" }, { "id": "https://statistikian.net/panduan-uji-kointegrasi-johansen-di-eviews-untuk-mengetahui-hubungan-jangka-panjang/", "url": "https://statistikian.net/panduan-uji-kointegrasi-johansen-di-eviews-untuk-mengetahui-hubungan-jangka-panjang/", "title": "Panduan Uji Kointegrasi Johansen di EViews untuk Mengetahui Hubungan Jangka Panjang", "summary": "Uji Kointegrasi Johansen di EViews merupakan prosedur ekonometrika mendasar yang digunakan untuk…", "content_html": "
\n

Uji Kointegrasi Johansen di EViews merupakan prosedur ekonometrika mendasar yang digunakan untuk mendeteksi keberadaan hubungan keseimbangan jangka panjang antarvariabel non-stasioner yang terintegrasi pada derajat yang sama, yaitu I(1). Namun, dalam praktik analisis empiris, peneliti sering menghadapi kendala teknis saat hasil uji menunjukkan kontradiksi antara statistik Trace dan statistik Maximum Eigenvalue. Ketidakpastian ini menimbulkan keraguan dalam menentukan jumlah vektor kointegrasi yang tepat, yang jika salah ditentukan akan berakibat pada kegagalan estimasi model Vector Error Correction Model (VECM) atau menghasilkan regresi culas (spurious regression).

\n

Gejala permasalahan teknis ini makin terlihat ketika EViews mengeluarkan peringatan bahwa sistem persamaan tidak stasioner pada tahap estimasi VECM, atau ketika nilai matriks mendekati singularitas (near singular matrix). Peneliti sering kali terjebak dalam dilema operasional saat menentukan apakah sistem memiliki satu, dua, atau tidak ada vektor kointegrasi sama sekali. Tanpa pemahaman mendalam mengenai hierarki penentuan kointegrasi, proses analisis ekonometrika akan terhenti pada tahap diagnosis dasar.

\n\n
Data Time Series Non-Stasioner I(1) Gejala: Regresi Culas (Spurious) R-square tinggi tapi t-stat tidak valid Gejala: Hasil Johansen Kontradiktif Trace Test vs Max-Eigen Test berbeda Error VECM di EViews \"System is not stationary / Near singular\" Salah Spesifikasi Rank (r) Dilema penentuan jumlah vektor kointegrasi SOLUSI: Diagnostik Lag, Opsi Tren & Prioritas Trace Identifikasi sistematis vektor kointegrasi untuk VECM
\n

Latar belakang teoretis mengenai kointegrasi pertama kali digagas oleh Granger (1981) dan dikembangkan lebih lanjut oleh Engle dan Granger (1987). Konsep ini menyatakan bahwa meskipun beberapa variabel statistik bersifat tidak stasioner pada tingkat level, kombinasi linier dari variabel-variabel tersebut dapat menghasilkan kointegrasi yang stasioner pada derajat I(0). Bagi peneliti yang membutuhkan pembahasan konseptual komprehensif mengenai dasar teori kointegrasi dan linieritas data, rujukan lengkap dapat diakses pada domain utama statistikian.com.

\n

Pendekatan dua langkah Engle-Granger memiliki keterbatasan mendasar karena hanya dapat mengidentifikasi satu vektor kointegrasi dalam kerangka kerja persamaan tunggal. Untuk mengatasi kelemahan tersebut, Johansen (1988) mengembangkan metode berbasis perkiraan kemungkinan maksimum (Maximum Likelihood) dalam sistem persamaan multivariat. Prosedur ini memungkinkan pendeteksian lebih dari satu hubungan kointegrasi secara bersamaan dalam sistem Vector Autoregressive (VAR).

\n

Johansen dan Juselius (1990) memperluas formula ini dengan merumuskan matriks dampak jangka panjang yang merepresentasikan penyesuaian sistem terhadap penyimpangan keseimbangan. Matriks ini didekomposisi menjadi dua matriks komponen utama, yaitu matriks bobot kointegrasi dan matriks kecepatan penyesuaian menuju keseimbangan jangka panjang. Nilai peringkat (rank) dari matriks tersebut menentukan jumlah vektor kointegrasi independen yang ada di dalam sistem.

\n

Menurut Johansen (1991), dua statistik uji digunakan untuk mengevaluasi peringkat matriks kointegrasi, yaitu uji Trace dan uji Maximum Eigenvalue. Uji Trace menguji hipotesis nol bahwa jumlah vektor kointegrasi kurang dari atau sama dengan nilai tertentu, melawan alternatif bahwa jumlahnya melebihi nilai tersebut. Pendekatan ini mengevaluasi seluruh nilai eigen terkecil secara kumulatif.

\n

Di sisi lain, uji Maximum Eigenvalue menguji hipotesis nol bahwa terdapat sejumlah vektor kointegrasi melawan alternatif spesifik bahwa terdapat tepat satu vektor kointegrasi tambahan. Lutkepohl (2005) mencatat bahwa meskipun kedua pengujian berasal dari kerangka kerja matematika yang serupa, performa statistik keduanya dapat berbeda bergantung pada ukuran sampel dan spesifikasi lag yang digunakan dalam model.

\n

Untuk mengatasi masalah teknis dan memperoleh hasil kointegrasi yang valid di EViews, langkah pertama yang wajib dilakukan adalah memastikan bahwa seluruh variabel yang diuji stasioner pada tingkat diferensiasi pertama atau I(1). Pengujian derajat integrasi ini dilakukan menggunakan uji Augmented Dickey-Fuller (ADF) atau uji Phillips-Perron (PP).

\n

Langkah kedua adalah menentukan panjang lag optimum pada estimasi Unrestricted VAR. Penentu panjang lag yang tepat sangat vital karena kesalahan spesifikasi lag dapat merusak distribusi statistik uji Johansen. Pemilihan lag didasarkan pada nilai minimal dari kriteria Akaike Information Criterion (AIC) atau Schwarz Information Criterion (SIC).

\n

Langkah ketiga adalah menjalankan menu pengujian di EViews melalui opsi View, kemudian memilih Cointegration Test, dan mengklik Johansen Cointegration Test pada jendela objek VAR yang telah diestimasi.

\n

Langkah keempat adalah memilih asumsi tren deterministik (deterministic trend assumption) yang sesuai dengan karakteristik data ekonomi. EViews menyediakan lima opsi spesifikasi tren, mulai dari tidak ada konstanta hingga tren kuadratik.

\n

Hamilton (1994) merekomendasikan penggunaan Opsi 3 (Linear deterministic trend) sebagai standar umum pada data makroekonomi, di mana persamaan kointegrasi memiliki intersep tetapi tidak memuat tren waktu linier secara langsung.

\n

Langkah kelima adalah melakukan evaluasi terhadap tabel output statistik Trace dan Maximum Eigenvalue yang dihasilkan EViews dengan membandingkan nilai statistik hitung terhadap nilai kritis MacKinnon-Haug-Michelis (1999) pada tingkat signifikansi 5 persen.

\n

Jika statistik Trace dan Maximum Eigenvalue memberikan indikasi jumlah vektor yang sama, maka penentuan rank kointegrasi dapat langsung ditetapkan tanpa keraguan teknis.

\n

Namun, jika terjadi benturan hasil antara kedua uji tersebut, Juselius (2006) memberikan pedoman ilmiah untuk memprioritaskan statistik Trace. Statistik Trace memiliki keunggulan daya uji yang lebih stabil terhadap adanya pencilan (outliers) dan penyimpangan distribusi normalitas residual.

\n

Langkah perbaikan alternatif saat kointegrasi tidak terdeteksi adalah dengan menguji ulang sensitivitas lag. Menambahkan atau mengurangi lag sebanyak satu periode sering kali mampu memulihkan struktur jangka panjang yang tersembunyi akibat hilangnya dinamika jangka pendek.

\n

Selain itu, peneliti dapat menerapkan Pantula Principle dengan mengestimasi model pada beberapa kombinasi tren deterministik secara bersamaan untuk menemukan spesifikasi model paling optimal secara terstruktur.

\n\n
1. Uji Akar Unit ADF/PP: Pastikan Semua I(1) 2. Penentuan Lag Optimum VAR (AIC/SC Minimal) 3. Jalankan Uji Johansen di EViews Evaluasi Hasil Trace Test & Max-Eigen Test Kondisi A: Hasil Konflik Trace dan Max-Eigen Beda Vektor Kondisi B: Hasil Konsisten Trace dan Max-Eigen Sepakat SOLUSI: Utamakan Trace Test Terapkan Pantula Principle / Re-eval Lag SOLUSI: Tetapkan Jumlah Vektor (r) Lanjutkan ke Spesifikasi Model VECM
\n

Contoh Tabel/Diagram Output Uji Kointegrasi Johansen

\n\n
EViews Output: Date Unrestricted Cointegration Rank Test (Trace) Series: Y X1 X2 | Lags interval (in first differences): 1 to 2 Hypothesized No. of CE(s) Eigenvalue Trace Statistic 0.05 Critical Value Prob.** None * 0.354210 48.21540 29.79707 0.0001 At most 1 0.124510 8.124510 15.49471 0.4521 At most 2 0.021040 1.102540 3.841466 0.2938 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
\n

Berdasarkan gambar output EViews di atas, pembacaan tabel kointegrasi dilakukan secara berurutan dari baris pertama. Pada baris hipotesis nol None (tidak ada kointegrasi), nilai statistik Trace sebesar 48,2154 melebihi nilai kritis 5 persen sebesar 29,7970 dengan nilai probabilitas 0,0001. Hal ini menunjukkan penolakan terhadap hipotesis nol, yang berarti terdapat minimal satu vektor kointegrasi dalam sistem.

\n

Selanjutnya pada baris kedua dengan hipotesis nol At most 1 (maksimal satu vektor kointegrasi), nilai statistik Trace sebesar 8,1245 berada di bawah nilai kritis 15,4947 dengan probabilitas 0,4521. Hasil ini gagal menolak hipotesis nol, sehingga disimpulkan bahwa sistem memiliki tepat satu vektor kointegrasi (r = 1).

\n

Pembahasan ilmiah mengenai identifikasi vektor kointegrasi memegang peranan krusial dalam pemodelan ekonometrika dinamis. Menurut Enders (2015), keberadaan hubungan kointegrasi menandakan adanya mekanisme koreksi kesalahan yang mengikat pergerakan jangka pendek variabel agar tidak menyimpang dari jalur keseimbangan jangka panjangnya.

\n

Ketika sistem terbukti memiliki kointegrasi, estimasi VAR dalam bentuk diferensiasi pertama menjadi tidak valid karena menghilangkan informasi jangka panjang. Oleh karena itu, model harus ditransformasi ke dalam bentuk VECM.

\n

Pesaran, Shin, dan Smith (2000) menekankan pentingnya presisi penanganan tren deterministik. Kesalahan dalam memilih kombinasi intersep dan tren akan merusak nilai kritis yang digunakan, sehingga menghasilkan keputusan kointegrasi yang keliru (false cointegration).

\n

Apabila ditemukan lebih dari satu vektor kointegrasi (r > 1), interpretasi hubungan jangka panjang memerlukan identifikasi pembatasan struktural pada matriks kointegrasi agar masing-masing persamaan memiliki makna ekonomi yang jelas.

\n

Aspek penting lainnya dalam prosedur Johansen adalah evaluasi residual model VAR dasar. Residual harus memenuhi asumsi multivariat normal dan bebas dari masalah autokorelasi agar uji kointegrasi memiliki daya statistik yang sahih.

\n

Secara keseluruhan, pemahaman terhadap hierarki pengujian Johansen di EViews memfasilitasi peneliti dalam menyusun spesifikasi model ekonometrika yang tangguh, akurat, serta konsisten secara teoretis maupun empiris.

\n

Kesimpulan

\n

Uji kointegrasi Johansen di EViews merupakan instrumen utama untuk mengidentifikasi keberadaan dan jumlah vektor hubungan jangka panjang dalam sistem multivariat non-stasioner. Keberhasilan pengujian sangat bergantung pada ketepatan penentuan derajat integrasi I(1), pemilihan lag optimum, serta pemilihan asumsi tren deterministik yang sesuai. Ketika terjadi perbedaan keputusan antara statistik Trace dan Maximum Eigenvalue, memprioritaskan statistik Trace serta menerapkan Pantula Principle merupakan langkah perbaikan teknis yang direkomendasikan secara ilmiah untuk menghasilkan spesifikasi VECM yang valid.

\n

Daftar Pustaka

\n
    \n
  1. Enders, W. (2015). Applied Econometric Time Series (4th ed.). Wiley.
    2. \n
  2. Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.
    3. \n
  3. Granger, C. W. (1981). Some properties of time series data and their use in econometric model specification. Journal of Econometrics, 16(1), 121-130.
    4. \n
  4. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
    5. \n
  5. Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.
    6. \n
  6. Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica, 59(6), 1551-1580.
    7. \n
  7. Johansen, S., & Juselius, K. (1990). Maximum likelihood estimation and inference on cointegration—with applications to the demand for money. Oxford Bulletin of Economics and Statistics, 52(2), 169-210.
    8. \n
  8. Juselius, K. (2006). The Cointegrated VAR Model: Methodology and Applications. Oxford University Press.
    9. \n
  9. Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.
    10. \n
  10. MacKinnon, J. G., Haug, A. A., & Michelis, L. (1999). Numerical distribution functions of likelihood ratio tests for cointegration. Journal of Applied Econometrics, 14(5), 563-577.
    11. \n
  11. Pesaran, M. H., Shin, Y., & Smith, R. J. (2000). Structural analysis of vector autoregressive models with exogenous I(1) variables. Journal of Econometrics, 97(2), 293-343.
    12. \n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-10T01:29:13+07:00", "date_modified": "2026-09-10T01:29:13+07:00" }, { "id": "https://statistikian.net/cara-uji-stasioneritas-unit-root-adf-and-pp-test-serta-solusi-data-tidak-stasioner-di-eviews/", "url": "https://statistikian.net/cara-uji-stasioneritas-unit-root-adf-and-pp-test-serta-solusi-data-tidak-stasioner-di-eviews/", "title": "Cara Uji Stasioneritas Unit Root (ADF & PP Test) serta Solusi Data Tidak Stasioner di EViews", "summary": "Cara Uji Stasioneritas Unit Root (ADF & PP Test) serta Solusi Data…", "content_html": "
\n

Cara Uji Stasioneritas Unit Root (ADF & PP Test) serta Solusi Data Tidak Stasioner di EViews menjadi topik krusial ketika hasil regresi runtut waktu menunjukkan nilai koefisien determinasi R-squared yang sangat tinggi tetapi statistik Durbin-Watson sangat rendah, atau ketika p-value statistik Augmented Dickey-Fuller dan Phillips-Perron berada di atas 0.05. Gejala ini mengindikasikan bahwa variabel yang diuji mengandung akar unit (unit root) dan tidak stasioner pada tingkat level. Estimasi regresi dengan data non-stasioner berisiko tinggi menghasilkan regresi lantang (spurious regression), di mana hubungan antar variabel terlihat signifikan secara statistik padahal secara aktual tidak memiliki keterikatan hubungan ekonomi secara riil.

\n

Masalah ketidakstasioneran data time series umumnya bersumber dari keberadaan tren stokastik, fluktuasi musiman yang kuat, atau adanya patahan struktural (structural break) akibat krisis ekonomi, perubahan kebijakan makro, mau pun intervensi eksternal. Jika penguji memaksakan penggunaan data non-stasioner tanpa prosedur diferensiasi atau tanpa memperhitungkan patahan struktural, maka asumsi distribusi statistik t dan statistik F menjadi tidak acuan, sehingga inferensi statistik serta prediksi model menjadi tidak valid.

\n\n
POHON PERMASALAHAN DATA TIDAK STASIONER & UNIT ROOT DI EVIEWS Puncak Permasalahan Ekonometrika Runtut Waktu: Data Mengandung Akar Unit / Tidak Stasioner pada Tingkat Level (p-value ADF & PP > 0.05) Penyebab 1: Tren Stokastik Data berjalan secara acak (Mean dan Varians berubah) Penyebab 2: Structural Break Patahan akibat krisis/kebijakan (Bias uji ADF/PP konvensional) Dampak: Regresi Lantang R-squared tinggi semu, DW rendah (Uji t & uji F tidak valid) SOLUSI & CATATAN PERBAIKAN METODOLOGIS EVIEWS 1. Diferensiasi Data: Lakukan First Difference d(y) atau Second Difference d(y,2) hingga data stasioner I(1) / I(2). 2. Uji Non-Parametrik PP: Gunakan Phillips-Perron Test jika terdapat korelasi serial dan heteroskedastisitas pada residual. 3. Structural Break Unit Root Test: Gunakan uji Perron / Zivot-Andrews di EViews jika ada patahan struktural data.
\n\n

Konsep Teori Uji Stasioneritas dan Akar Unit pada Data Runtut Waktu

\n

Stasioneritas merupakan kondisi fundamental dalam analisis ekonometrika runtut waktu yang menandakan bahwa sifat-sifat statistik suatu variabel seperti rata-rata (mean), varians, dan autokovarians konstan sepanjang rentang waktu pengamatan. Granger dan Newbold (1974) pertama kali membuktikan bahwa pemodelan regresi yang melibatkan variabel-variabel tidak stasioner akan memicu timbulnya spurious regression, di mana uji t memberikan hasil signifikan palsu akibat adanya tren waktu bersama. Konsep dan landasan pemikiran ini dapat Anda pelajari lebih mendalam pada rujukan teori uji stasioneritas ekonometrika di www.statistikian.com.

\n

Pengujian keberadaan akar unit pertama kali diformalisasikan secara sistematis oleh Dickey dan Fuller (1979) melalui prosedur pengujian Dickey-Fuller. Pengembangan lanjutan berupa pengujian Augmented Dickey-Fuller memasukkan lag dari variabel dependen diferensiasi untuk mengontrol keberadaan autokorelasi dalam error term, sehingga statistik uji tetap valid pada sampel yang lebih kompleks.

\n

Sebagai alternatif komplementer, Phillips dan Perron (1988) mengembangkan metode pengujian non-parametrik yang dikenal sebagai Phillips-Perron Test. Metode ini melakukan penyesuaian langsung pada statistik t Dickey-Fuller tanpa menambahkan lag variabel, sehingga sangat efektif untuk mengatasi masalah heteroskedastisitas dan korelasi serial yang tidak diketahui bentuk strukturalnya.

\n

Meskipun pengujian ADF dan PP sangat populer, Perron (1989) mengungkapkan keterbatasan mendasar dari kedua uji konvensional tersebut. Ketika sebuah deret data time series mengalami patahan struktural (structural break), uji ADF dan PP cenderung memiliki daya statistik yang sangat rendah dan secara keliru menyimpulkan bahwa data tersebut mengandung akar unit padahal data sebenarnya stasioner di sekitar tren berpatah (trend-stationary with a break).

\n

Untuk merespons kelemahan tersebut, Zivot dan Andrews (1992) menyempurnakan prosedur pengujian akar unit dengan memungkinkan penentuan titik patahan struktural secara terendogenkan langsung dari data tanpa perlu menentukan tanggal pergeseran secara apriori. Pendekatan ini memastikan bahwa klasifikasi integritas diferensiasi variabel menjadi lebih akurat sebelum dilanjutkan ke tahap pemodelan kointegrasi atau VECM.

\n\n

Langkah-Langkah Teknis Uji Stasioneritas dan Solusi Data Tidak Stasioner di EViews

\n

Prosedur pengujian dan penanganan data tidak stasioner di EViews dapat dilakukan melalui tahapan-tahapan sistematis berikut beserta pertimbangan metodologisnya:

\n

Langkah 1: Pengujian Akar Unit Tingkat Level (ADF & PP Test)
Buka deret variabel pada jendela EViews, lalu pilih menu:

\n
View -> Unit Root Tests -> Standard Unit Root Test
\n

Pilih jenis uji Augmented Dickey-Fuller atau Phillips-Perron pada opsi Test type. Lakukan evaluasi pada opsi Test in untuk tingkat Level dengan mencoba tiga spesifikasi persamaan: Trend and intercept, Intercept, dan None. Amati nilai p-value pada output. Jika p-value lebih dari 0.05, maka hipotesis nol diterima yang berarti data tidak stasioner.

\n

Langkah 2: Prosedur Diferensiasi Pertama (First Difference)
Jika data terbukti tidak stasioner pada tingkat level, lakukan pengujian ulang pada tingkat First Difference. Pilih opsi First difference pada kotak dialog uji unit root EViews atau buat variabel baru menggunakan sintaks command EViews:

\n
series dy = d(y)
\n

Jika p-value hasil uji diferensiasi pertama kurang dari 0.05, maka data disimpulkan stasioner pada tingkat I(1) atau terintegrasi derajat satu.

\n

Langkah 3: Pengujian Break Unit Root Test (Structural Break)
Apabila variabel diduga memiliki patahan akibat kejadian ekstrem atau perubahan kebijakan tetapi hasil uji ADF/PP tetap tidak stasioner, pilih menu:

\n
View -> Unit Root Tests -> Break Unit Root Test
\n

EViews akan menentukan tanggal patahan (break date) secara otomatis serta menghitung nilai statistik uji yang disesuaikan dengan keberadaan pergeseran struktur data.

\n

Langkah 4: Evaluasi Derajat Integrasi Model
Pastikan seluruh variabel yang diuji telah diketahui derajat integrasinya. Jika seluruh variabel stasioner pada I(1), pemodelan dapat dilanjutkan ke Uji Kointegrasi Johansen atau Error Correction Model. Jika terdapat campuran variabel stasioner pada I(0) dan I(1), pilih pemodelan Autoregressive Distributed Lag.

\n\n
DECISION TREE PROSEDUR UJI STASIONERITAS & SOLUSI EVIEWS Mulai: Jalankan Standard Unit Root Test (ADF / PP) pada Level Apakah Nilai p-value < 0.05 pada Tingkat Level? YA Data Stasioner I(0) (Siap untuk Regresi / ARDL) TIDAK Apakah Terdapat Patahan Struktural (Structural Break)? YA Break Unit Root Test (Metode Perron / Zivot-Andrews) TIDAK Jalankan Uji ADF / PP pada First Difference d(y) DATA STASIONER PADA LEVEL PERTAMA I(1) Bebas Akar Unit, Bebas Regresi Lantang, & Siap untuk Analisis Kointegrasi / VECM
\n\n

Contoh Tabel/Diagram Output Uji Stasioneritas Unit Root ADF, PP, dan Structural Break di EViews

\n

Berikut ditampilkan format tabel ringkasan output pengujian akar unit menggunakan metode Augmented Dickey-Fuller, Phillips-Perron, serta Break Unit Root Test di EViews beserta tata cara pembacaannya secara eksplisit:

\n\n
EViews Summary Output: Unit Root Tests (ADF, PP & Break Unit Root) Null Hypothesis: Variable HAS A UNIT ROOT (Non-Stationary) Metode Uji Tingkat Evaluasi t-Statistik Prob. (p-value) Kesimpulan ADF Test Level Y -1.8421 0.3542 Tidak Stasioner PP Test Level Y -1.9105 0.3218 Tidak Stasioner ADF Test First Diff d(Y) -5.4812 0.0001 Stasioner I(1) PP Test First Diff d(Y) -5.6120 0.0000 Stasioner I(1) Break Unit Root Level Y (Break) -4.9812 < 0.01 (1%) Stasioner Break Identified Break Date: 2020M03 (Krisis / Shock Pandemi) | Model: Vogelsang Innovation Outlier PETUNJUK CARA BACA & INTERPRETASI OUTPUT EVIEWS: 1. Evaluasi Tingkat Level: Uji ADF (p-value = 0.3542) dan PP (p-value = 0.3218) berada jauh di atas tingkat signifikansi 0.05. Keputusan: Gagal menolak Hipotesis Nol (H0). Variabel Y terbukti memiliki akar unit dan tidak stasioner pada level. 2. Evaluasi First Difference: Setelah diferensiasi pertama d(Y), nilai p-value ADF (0.0001) dan PP (0.0000) menjadi < 0.05. Keputusan: Menolak H0. Variabel Y berhasil mencapai kondisi stasioner pada derajat integrasi pertama I(1). 3. Evaluasi Structural Break: Jika memperhitungkan patahan struktural (Break Date: 2020M03), nilai t-stat (-4.9812) lebih negatif dibandingkan nilai kritis Vogelsang pada tingkat 1%. Hal ini membuktikan data sebenarnya stasioner pada tingkat level apabila faktor pergeseran struktural pandemi Maret 2020 dimasukkan ke dalam pemodelan secara eksplisit. 4. Implikasi Pemodelan: Jika menggunakan data tanpa break, pemodelan harus menggunakan First Difference d(Y) atau kointegrasi. Jika memperhitungkan break, variabel dapat digunakan pada tingkat level dengan menambahkan variabel dummy break 2020M03.
\n\n

Pembahasan Ilmiah: Perbandingan Metodologis ADF, Phillips-Perron, dan Structural Break

\n

Penentuan metode pengujian stasioneritas yang tepat sangat bergantung pada sifat spasial residual dan karakteristik data makroekonomi atau keuangan yang dianalisis. Augmented Dickey-Fuller Test mengandalkan penambahan jumlah lag dari diferensiasi variabel dependen untuk menetralisir keberadaan autokorelasi pada error term. Enders (2015) menekankan bahwa pemilihan panjang lag yang optimal menggunakan kriteria informasi seperti Akaike Information Criterion atau Schwarz Info Criterion sangat menentukan keberhasilan uji ADF dalam menghindari bias penolakan hipotesis.

\n

Namun, ketika residual mengandung heteroskedastisitas berat atau pola autokorelasi non-linear yang kompleks, penambahan lag pada uji ADF sering kali membutuhkan jumlah statistik parameter yang terlalu besar sehingga mengurangi derajat kebebasan model. Dalam skenario ini, Phillips-Perron Test menawarkan keunggulan metodologis karena menggunakan koreksi statistik non-parametrik Newey-West untuk menyesuaikan matriks kovarians tanpa perlu menambah lag variabel. Hamilton (1994) menunjukkan bahwa uji PP sangat konsisten dalam sampel besar ketika struktur varians-kovarians residual bersifat dinamis.

\n

Perdebatan metodologis yang paling signifikan muncul ketika deret time series jangka panjang dihadapkan pada guncangan struktural seperti krisis keuangan global, perubahan rezim nilai tukar, atau fenomena pandemi. Wooldridge (2013) memperingatkan bahwa pemaksaan diferensiasi pertama pada data yang stasioner di sekitar pola tren berpatah dapat menyebabkan hilangnya informasi jangka panjang (over-differencing), yang berdampak pada ketidakmampuan model dalam menangkap hubungan keseimbangan ekonometrika.

\n

Penerapan Break Unit Root Test dengan kerangka kerja Perron mau pun Zivot-Andrews memecahkan dilema metodologis ini. Dengan mendeteksi titik patahan secara otomatis, peneliti dapat memisahkan antara tren stokastik sejati (akar unit) dan tren deterministik yang bergeser. Apabila variabel terbukti stasioner setelah memperhitungkan patahan struktural, peneliti dapat mempertahankan data pada tingkat level dengan memasukkan variabel boneka (dummy variable) patahan ke dalam persamaan regresi.

\n\n

Kesimpulan

\n

Pengujian stasioneritas merupakan tahap awal yang tidak boleh dilewati dalam analisis ekonometrika data runtut waktu untuk menghindari bias regresi lantang. Penggunaan uji Augmented Dickey-Fuller dan Phillips-Perron secara bersamaan memberikan evaluasi komplementer yang kuat terhadap keberadaan akar unit. Ketika data terbukti tidak stasioner pada tingkat level, prosedur diferensiasi pertama dapat diterapkan untuk mencapai kondisi stasioneritas I(1). Namun, jika ketidakstasioneran disebabkan oleh guncangan atau patahan struktural, penerapan Break Unit Root Test menjadi solusi metodologis yang tepat untuk mempertahankan integritas informasi jangka panjang variabel tanpa terjadi kesalahan diferensiasi berlebih.

\n\n

Daftar Pustaka

\n
\n

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.

\n

Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Granger, C. W., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111-120.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Perron, P. (1989). The great crash, the oil price shock, and the unit root hypothesis. Econometrica, 57(6), 1361-1401.

\n

Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.

\n

Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Cengage Learning.

\n

Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251-270.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-10T01:16:40+07:00", "date_modified": "2026-09-10T01:17:12+07:00" }, { "id": "https://statistikian.net/solusi-mengatasi-autokorelasi-dan-heteroskedastisitas-pada-data-time-series-di-eviews/", "url": "https://statistikian.net/solusi-mengatasi-autokorelasi-dan-heteroskedastisitas-pada-data-time-series-di-eviews/", "title": "Solusi Mengatasi Autokorelasi dan Heteroskedastisitas pada Data Time Series di EViews", "summary": "Solusi Mengatasi Autokorelasi dan Heteroskedastisitas pada Data Time Series di EViews menjadi…", "content_html": "
\n

Solusi Mengatasi Autokorelasi dan Heteroskedastisitas pada Data Time Series di EViews menjadi kebutuhan penting ketika estimasi Ordinary Least Squares menghasilkan nilai statistik Durbin-Watson di luar rentang wajar, uji Breusch-Godfrey Serial Correlation LM menunjukkan p-value kurang dari 0.05, atau uji White dan Harvey menghasilkan pelanggaran asumsi ragam galat. Kondisi residual yang terdistorsi ini menyebabkan galat baku membengkak, interval keyakinan menjadi tidak valid, serta pengujian hipotesis parsial melalui uji t dan uji F memberikan kesimpulan yang menyesatkan.

\n

Munculnya masalah ganda berupa korelasi serial antar-residual dan keragaman galat yang tidak konstan umumnya disebabkan oleh ketidakstasioneran data tingkat level, adanya pola tren stokastik, atau kesalahan spesifikasi bentuk fungsi persamaan regresi time series. Jika tidak ditangani dengan metode ekonometrika yang tepat, estimator yang diperoleh tidak lagi memenuhi sifat Best Linear Unbiased Estimator, sehingga mengancam validitas inferensi statistik dan prediksi model.

\n\n
POHON PERMASALAHAN AUTOKORELASI & HETEROSKEDASTISITAS TIME SERIES DI EVIEWS Puncak Permasalahan Metodologis Regresi Time Series: Pelanggaran Asumsi Klasik Ganda (Autokorelasi Serial & Ragam Galat Tidak Homogen) Penyebab 1: Non-Stasioneritas Data mengandung tren stokastik (Risiko regresi lantang/spurious) Penyebab 2: Korelasi Residual Residual periode t terikat t-1 (Galat baku OLS terdistorsi bias) Penyebab 3: Heteroskedastisitas Varians residual berubah-ubah (Estimator kehilangan efisiensi) SOLUSI & CATATAN PERBAIKAN METODOLOGIS EVIEWS 1. Transformasi Data: Terapkan First Difference d(y) atau Logaritma natural log(y) untuk menstabilkan data. 2. Estimator Robust: Opsi Newey-West HAC Standard Errors untuk memperbaiki galat baku tanpa mengubah koefisien OLS. 3. Estimator Struktural: Generalized Least Squares (GLS / AR1) untuk estimasi berbobot yang efisien.
\n\n

Konsep Teori Autokorelasi dan Heteroskedastisitas pada Regresi Time Series

\n

Secara teoritis, keberadaan autokorelasi melanggar asumsi dasar ekonometrika runtut waktu yang menyatakan bahwa kovarians antar galat pada dua periode berbeda bernilai nol. Gujarati dan Porter (2009) menegaskan bahwa korelasi serial pada residual menyebabkan varians dari estimator OLS menjadi terdistorsi secara signifikan, sehingga perhitungan galat baku tidak lagi mencerminkan tingkat variabilitas yang sebenarnya. Pemahaman komprehensif mengenai pengujian korelasi serial ini dapat dipelajari melalui rujukan teori dasar uji autokorelasi ekonometrika di www.statistikian.com.

\n

Di sisi lain, masalah heteroskedastisitas terjadi ketika ragam galat bersyarat berubah seiring dengan perubahan variabel independen atau waktu. Wooldridge (2013) menjelaskan bahwa meskipun heteroskedastisitas tidak menyebabkan estimator OLS menjadi bias atau tidak konsisten, keberadaannya merusak sifat efisiensi estimator. Pengujian ketidaksamaan ragam galat ini dipaparkan secara rinci pada rujukan teori uji heteroskedastisitas ekonometrika di www.statistikian.com.

\n

Ketika kedua pelanggaran asumsi tersebut muncul secara bersamaan dalam model data runtut waktu, metode OLS standar gagal memberikan taksiran galat baku yang akurat. Enders (2015) menunjukkan bahwa inferensi statistik yang dihitung dari OLS biasa cenderung menghasilkan nilai t-statistik yang terlalu besar, sehingga meningkatkan risiko kesalahan Tipe I di mana peneliti menolak hipotesis nol padahal hipotesis tersebut benar.

\n

Untuk mengantisipasi keterbatasan OLS, Newey dan West (1987) mengembangkan estimator matriks kovarians yang kebal terhadap autokorelasi dan heteroskedastisitas tanpa mengubah koefisien parameter OLS. Estimator Heteroskedasticity and Autocorrelation Consistent ini menyesuaikan galat baku dengan memperhitungkan struktur korelasi lag residual dan variabilitas varians.

\n

Alternatif pendekatan struktural adalah metode Generalized Least Squares atau Feasible Generalized Least Squares sebagaimana dijelaskan oleh Greene (2012). Generalized Least Squares mengikutsertakan struktur kovarians galat secara langsung ke dalam proses penguatan pembobotan persamaan, sehingga menghasilkan estimator yang kembali efisien dan memenuhi sifat Best Linear Unbiased Estimator.

\n\n

Langkah-Langkah Teknis Perbaikan Autokorelasi dan Heteroskedastisitas di EViews

\n

Berikut adalah tahapan perbaikan teknis mandiri yang dapat Anda lakukan di software EViews untuk mengatasi autokorelasi dan heteroskedastisitas secara benar beserta alasan ilmiahnya:

\n

Langkah 1: Transformasi Data Stasioneritas dan Logaritma
Jika data tingkat level mengandung tren stokastik, buat variabel baru menggunakan fungsi diferensiasi pertama d(y) atau logaritma natural log(y) di EViews. Langkah ini menghilangkan komponen tren dan menstabilkan varians variabel.

\n

Langkah 2: Uji Diagnostik Residual Awal
Jalankan regresi OLS awal lalu lakukan evaluasi residual melalui menu:

\n
View -> Residual Diagnostics -> Serial Correlation LM Test\nView -> Residual Diagnostics -> Heteroskedasticity Tests
\n

Jika p-value kedua uji tersebut kurang dari 0.05, terkonfirmasi terdapat pelanggaran asumsi ganda pada model.

\n

Langkah 3: Penerapan Estimator Newey-West HAC Standard Errors
Buka jendela spesifikasi persamaan regresi (Equation Estimation), klik tab Options. Pada bagian menu drop-down Covariance method, pilih HAC (Newey-West). Metode ini menyesuaikan perhitungan galat baku dan t-statistik secara otomatis tanpa mengubah nilai koefisien regresi OLS.

\n

Langkah 4: Estimasikan Model Generalized Least Squares (GLS)
Jika Anda ingin melakukan penyesuaian struktural pada parameter, tambahkan istilah autoregresif AR(1) pada spesifikasi persamaan atau gunakan opsi pembobotan matriks kovarians pada menu estimasi EViews untuk menerapkan prosedur Generalized Least Squares.

\n

Langkah 5: Evaluasi Diagnostik Pasca-Perbaikan
Lakukan pengujian statistik ulang pada residual terstandardisasi untuk memastikan statistik Durbin-Watson berada di sekitar angka 2 dan statistik uji heteroskedastisitas menghasilkan p-value lebih dari 0.05.

\n\n
DECISION TREE PROSEDUR SOLUSI AUTOKORELASI & HETEROSKEDASTISITAS DI EVIEWS Mulai: Estimasi Model OLS & Evaluasi Residual Diagnostics Apakah Terbukti Ada Autokorelasi & Heteroskedastisitas? TIDAK STOP! OLS Biasa Valid (Model Memenuhi Asumsi Klasik) YA Apakah Data Mengandung Tren Stokastik / Non-Stasioner? YA Transformasi Data (Gunakan d(y) atau Logaritma) TIDAK Apakah Ingin Mempertahankan Koefisien OLS Asli? YA Newey-West HAC (Koreksi Galat Baku Sahaja) TIDAK ESTIMASI MODEL GENERALIZED LEAST SQUARES (GLS / AR1) VALID Model Efisien, Galat Baku Konsisten, & Siap Digunakan untuk Inferensi Statistik
\n\n

Contoh Tabel/Diagram Output Analisis Regresi Time Series dengan Newey-West dan GLS di EViews

\n

Berikut disajikan gambaran ilustratif perbandingan output estimasi OLS standar, penyesuaian Newey-West HAC, dan estimasi GLS di EViews beserta tata cara pembacaannya secara statistik:

\n\n
EViews Comparison Output: OLS vs Newey-West HAC vs Generalized Least Squares (GLS) Dependent Variable: D(Y) | Time Series Estimation Comparison Variable OLS Std.Err HAC Std.Err GLS Coeff GLS Prob. C (Konstanta) 0.0124 (bias) 0.0241 (koreksi) 0.1421 0.0012 D(X1) [Independen 1] 0.0310 (rendah) 0.0582 (valid) 0.4810 0.0000 D(X2) [Independen 2] 0.0182 (rendah) 0.0415 (valid) 0.2315 0.0042 AR(1) [Koreksi Serial] N/A N/A 0.6120 0.0000 Durbin-Watson Stat 0.8210 (buruk) 0.8210 (tetap) 1.9812 (ideal) Bebas Serial Post-Estimation Residual Diagnostic Tests (GLS / HAC Adjusted) Breusch-Godfrey Serial Correlation LM Test Obs*R-squared Prob. Chi-Square(2) 0.4812 Heteroskedasticity Test: White Obs*R-squared Prob. Chi-Square(4) 0.5210 PETUNJUK CARA BACA & INTERPRETASI OUTPUT EVIEWS: 1. Koreksi Bias Galat Baku: OLS standar menghasilkan galat baku yang terlalu kecil (underestimated), menyebabkan t-stat semu. Estimator Newey-West HAC membesarkan galat baku ke tingkat realistis (0.0582 dan 0.0415) sehingga inferensi menjadi valid. 2. Penyehatan Durbin-Watson via GLS: Nilai DW naik dari 0.8210 (autokorelasi positif berat) menjadi 1.9812 (mendekati angka 2), membuktikan penambahan struktur AR(1) pada GLS berhasil mengeliminasi korelasi serial residual secara penuh. 3. Uji Diagnostik Final Bebas Masalah: p-value Breusch-Godfrey (0.4812) dan White Test (0.5210) keduanya > 0.05, mengonfirmasi residual model final telah terbebas dari autokorelasi maupun heteroskedastisitas.
\n\n

Pembahasan Ilmiah: Evaluasi Komparatif Metode HAC dan Generalized Least Squares

\n

Evaluasi komparatif antara metode Newey-West HAC dan Generalized Least Squares menunjukkan keunggulan dan batasan teknis masing-masing pendekatan dalam EViews. Newey-West HAC bekerja dengan mempertahankan estimator koefisien OLS titik dan secara eksklusif memodifikasi matriks varians-kovarians untuk menghasilkan galat baku yang konsisten. Stock dan Watson (2015) menggarisbawahi bahwa pendekatan HAC sangat ideal ketika peneliti tidak yakin dengan bentuk struktural korelasi serial atau pola heteroskedastisitas pada data.

\n

Sebaliknya, pendekatan Generalized Least Squares atau Feasible Generalized Least Squares melakukan transformasi penuh pada data asli dengan memanfaatkan matriks bobot kovarians galat yang diestimasi. Hamilton (1994) menjelaskan bahwa jika spesifikasi struktur AR(1) atau pembobotan ragam pada FGLS tepat, maka estimator Generalized Least Squares akan lebih efisien secara asimtotik dibandingkan estimator OLS Newey-West. Namun, jika spesifikasi korelasi galat salah, estimator yang dihasilkan dapat menjadi tidak konsisten.

\n

Dalam praktik analisis ekonometrika keuangan dan makroekonomi, kombinasi transformasi data diferensiasi pertama dengan penyesuaian Newey-West HAC sering kali menjadi strategi yang paling robust. Perlakuan diferensiasi pertama secara efektif menghilangkan komponen tren non-stasioner, sedangkan Newey-West HAC menangani sisa korelasi serial jangka pendek dan heteroskedastisitas yang tersisa pada galat.

\n

Pengujian diagnostik pasca-perbaikan menjadi tahap verifikasi yang menentukan keabsahan model final. Apabila pengujian ulang dengan statistik Durbin-Watson menunjukkan nilai mendekati angka 2 dan statistik Obs*R-squared dari uji Breusch-Godfrey menghasilkan p-value di atas 0.05, maka model regresi time series tersebut secara statistik terbebas dari bias korelasi serial.

\n

Begitu pula pada pengujian heteroskedastisitas pasca-estimasi, statistik p-value yang berada di atas taraf nyata 0.05 mengonfirmasi bahwa ragam galat bersyarat telah bersifat homogen. Dengan terpenuhinya kedua kondisi ini, estimasi interval parameter dan pengujian hipotesis parsial maupun simultan dapat ditafsirkan secara valid dan andal.

\n\n

Kesimpulan

\n

Penanganan masalah autokorelasi dan heteroskedastisitas pada data time series di EViews memerlukan pendekatan ekonometrika yang sistematis. Transformasi data melalui diferensiasi pertama atau logaritma merupakan langkah awal untuk menstabilkan tren stokastik dan keragaman variabel. Penerapan estimator Newey-West HAC Standard Errors menawarkan solusi robust untuk mengoreksi galat baku tanpa mengubah koefisien OLS, sementara metode Generalized Least Squares memberikan perbaikan struktural yang mengembalikan efisiensi estimator. Pengujian diagnostik residual pasca-estimasi memastikan bahwa model regresi akhir terbebas dari korelasi serial dan ketidaksamaan ragam, sehingga aman digunakan untuk inferensi ilmiah dan pengambilan keputusan.

\n\n

Daftar Pustaka

\n
\n

Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson Education.

\n

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill/Irwin.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708.

\n

Stock, J. H., & Watson, M. W. (2015). Introduction to Econometrics (3rd ed.). Pearson.

\n

Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Cengage Learning.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-10T01:10:06+07:00", "date_modified": "2026-09-10T01:10:06+07:00" }, { "id": "https://statistikian.net/tutorial-model-archgarch-dan-egarch-di-eviews-untuk-pemodelan-volatilitas-keuangan/", "url": "https://statistikian.net/tutorial-model-archgarch-dan-egarch-di-eviews-untuk-pemodelan-volatilitas-keuangan/", "title": "Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan", "summary": "Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan menjadi…", "content_html": "

Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan menjadi solusi praktis ketika peneliti atau analis pasar keuangan menghadapi kegagalan estimasi varians bersyarat pada data harga saham, indeks pasar, atau nilai tukar mata uang. Masalah teknis yang kerap muncul di EViews adalah pesan kesalahan Convergence not achieved after 500 iterations, munculnya estimasi varians bersyarat yang bernilai negatif, atau pelanggaran batas non-negativitas di mana penjumlahan koefisien ARCH dan GARCH melebihi angka 1. Kondisi tersebut menyebabkan pemodelan volatilitas menjadi tidak stasioner, variabel acak mengalami pembesaran secara eksponensial, serta hasil uji hipotesis menjadi tidak valid.

\n

Gejala kegagalan pemodelan ini umumnya dipicu oleh beberapa faktor utama: penggunaan data mentah dalam bentuk tingkat harga (price level) alih-alih return logaritmik, asumsi distribusi residual berdistribusi normal yang gagal menangkap fenomena ekor tebal (fat tails / leptokurtic distribution), serta pengabaian efek asimetris (leverage effect) saat guncangan negatif pasar (bad news) menghasilkan gejolak volatilitas yang jauh lebih besar dibandingkan guncangan positif (good news) dengan besaran yang sama. Jika permasalahan ini tidak diatasi dengan benar, estimasi manajemen risiko seperti Value at Risk (VaR) dan peramalan volatilitas akan menghasilkan simpulan yang sangat bias.

\n\n
POHON PERMASALAHAN PEMODELAN VOLATILITAS ARCH/GARCH & EGARCH DI EVIEWS Puncak Permasalahan Metodologis Pemodelan Volatilitas: Estimasi GARCH Gagal Konvergen, Koefisien Varians Negatif, & Asimetri Diabaikan Penyebab 1: Non-Convergence Algoritma iterasi EViews gagal (Gagal akibat outlier/fat tails) Penyebab 2: Persistensi > 1 Penjumlahan koefisien >= 1 (Varians bersyarat tidak stasioner) Penyebab 3: Asymmetry Ignored Memaksa GARCH simetris (Abaikan dampak bad/good news) Solusi & Catatan Perbaikan Metodologis: 1. Transformasi variabel ke return logaritmik dan verifikasi heteroskedastisitas ARCH LM. 2. Gunakan distribusi Student's t atau GED jika residual mengalami leptokurtosis tebal. 3. Terapkan model EGARCH(1,1) untuk mengukur respon asimetris (leverage effect) tanpa batasan parameter.
\n

Secara teoritis, dasar pemodelan volatilitas bersyarat diperkenalkan pertama kali oleh Engle (1982) melalui model Autoregressive Conditional Heteroskedasticity (ARCH). Engle membuktikan bahwa pada data keuangan, ragam galat tidak bersifat konstan (homoskedastis), melainkan berubah sepanjang waktu bergantung pada besarnya galat masa lalu. Fenomena ini dikenal sebagai pengelompokan volatilitas (volatility clustering), di mana periode dengan volatilitas tinggi cenderung diikuti oleh periode volatilitas tinggi pula.

\n

Untuk mengatasi keterbatasan model ARCH yang membutuhkan jumlah lag sangat panjang, Bollerslev (1986) mengembangkan model Generalized ARCH (GARCH). Model GARCH memperbolehkan varians bersyarat masa lalu ikut memengaruhi varians bersyarat periode berjalan. Penjelasan mendalam mengenai konsep dasar pengujian ragam galat ini dapat dipelajari pada rujukan teori dasar uji heteroskedastisitas ekonometrika di statistikian.com.

\n

Meskipun model GARCH(1,1) sangat populer dan efisien, model ini memiliki keterbatasan struktural utama, yaitu memodelkan varians bersyarat secara simetris. Pada kenyataannya, fenomena pasar keuangan sering kali menunjukkan bahwa guncangan negatif (penurunan harga atau krisis) meningkatkan volatilitas secara jauh lebih drastis dibandingkan guncangan positif dengan skala yang setara. Hal ini dipaparkan oleh Black (1976) dan Christie (1982) sebagai efek daya ungkit keuangan (leverage effect).

\n

Untuk memfasilitasi efek asimetri tersebut sekaligus menghapus pembatasan non-negativitas parameter, Nelson (1991) merumuskan model Exponential GARCH (EGARCH). Dengan memodelkan logaritma dari varians bersyarat, EGARCH menjamin nilai perkiraan varians bersyarat akan selalu bernilai positif tanpa memerlukan batasan ketat pada koefisien spesifikasi persamaan varians.

\n

Sifat data aset keuangan yang umumnya berdistribusi ekor tebal (fat-tailed / leptokurtic distribution) juga ditegaskan oleh Bollerslev (1987). Penggunaan distribusi normal standar pada estimator Maximum Likelihood Estimation (MLE) sering kali menyebabkan algoritma pencarian iteratif EViews gagal mencapai konvergensi. Oleh karena itu, penggunaan asumsi distribusi Student's t atau Generalized Error Distribution (GED) sangat dianjurkan untuk memperoleh estimasi parameter yang efisien.

\n

Berikut adalah tahapan perbaikan teknis mandiri yang dapat Anda lakukan di software EViews untuk melakukan pemodelan ARCH/GARCH dan EGARCH secara benar:

\n
    \n
  1. Hitung Return Logaritmik: Buat variabel return dari data harga saham atau kurs dengan perintah kalkulasi logaritmik diferensiasi pertama. Panduan pengujian stasioneritas tingkat diferensiasi dapat dibaca pada rujukan teori uji stasioneritas data time series di statistikian.com.
    2. \n
  2. Estimasi Persamaan Rata-Rata (Mean Equation): Estimasi persamaan OLS atau ARMA pada variabel return. Buka menu View > Residual Diagnostics > Heteroskedasticity Test > pilih ARCH. Pastikan p-value F-statistic atau Obs*R-squared < 0.05 yang menandakan adanya efek ARCH (conditional heteroskedasticity).
    3. \n
  3. Estimasi Model GARCH Simetris: Klik Quick > Estimate Equation. Pada bagian Method, ubah menjadi ARCH - Autoregressive Conditional Heteroskedasticity. Biarkan spesifikasi pada opsi GARCH(1,1).
    4. \n
  4. Penanganan Non-Convergence & Fat Tails: Jika EViews mengeluarkan peringatan tidak konvergen, ubah menu drop-down Error Distribution dari Normal (Gaussian) menjadi Student's t atau GED.
    5. \n
  5. Estimasi Model EGARCH Asimetris: Jika ingin menguji leverage effect, pilih opsi Model Type menjadi EGARCH. Pastikan variabel galat terstandardisasi diikutsertasikan dalam komponen varians.
    6. \n
  6. Uji Diagnostik Pasca Estimasi (Post-Estimation): Buka menu View > Residual Diagnostics > Heteroskedasticity Test > ARCH pada residual terstandardisasi. Model dinyatakan valid jika p-value > 0.05, menandakan efek ARCH telah bersih sepenuhnya dari model.
    7. \n
\n\n
DECISION TREE PROSEDUR PEMODELAN ARCH/GARCH & EGARCH DI EVIEWS Hitung Return Logaritmik & Estimasi Persamaan Rata-Rata (OLS/ARMA) Apakah Terbukti Ada Efek ARCH (p-value LM Test < 0.05)? TIDAK STOP! Tidak Ada Volatilitas (Gunakan Model OLS/ARMA Biasa) YA Apakah Estimasi GARCH(1,1) Konvergen & Stasioner? TIDAK Ganti Error Distribution (Gunakan Student's t atau GED) YA Apakah Terdapat Asimetri Volatilitas (Leverage Effect)? TIDAK Pertahankan GARCH(1,1) (Model Simetris Sudah Memadai) YA ESTIMASI MODEL EGARCH(1,1) VALID & BEBAS EFEK ARCH: Siap Digunakan untuk Analisis Risk Management (VaR) & Peramalan Volatilitas
\n

Contoh Tabel/Diagram output Analisis Model ARCH/GARCH dan EGARCH di EViews

\n\n
EViews Output: Dependent Variable: RETURN_SAHAM | Method: EGARCH (GED Error) Variance Equation: LOG(GARCH) = C(2) + C(3)*|RES/SQRT(GARCH)| + C(4)*RES/SQRT(GARCH) + C(5)*LOG(GARCH(-1)) Variable / Parameter Coefficient Std. Error z-Statistic Prob. C(2) [Konstanta Log-Varians] -0.421082 0.081240 -5.183185 0.0000 C(3) [Besaran Volatilitas (ARCH)] 0.241502 0.041210 5.860276 0.0000 C(4) [Asimetri / Leverage Effect] -0.124510 0.032104 -3.878333 0.0001 C(5) [Persistensi Log-GARCH] 0.942180 0.012401 75.97613 0.0000 GED Parameter [Ekor Tebal] 1.421045 0.081200 17.49981 0.0000 Heteroskedasticity Test: ARCH (Post-Estimation on Standardized Residuals) F-statistic 0.428102 Prob. F(1,498) 0.5132 Obs*R-squared 0.429180 Prob. Chi-Square(1) 0.5124 Petunjuk Cara Baca & Interpretasi Output EViews: 1. Bukti Leverage Effect Signifikan: Koefisien asimetri C(4) bernilai -0.124510 dan signifikan secara statistik (p-value = 0.0001 < 0.05). Artinya, guncangan negatif (bad news) menghasilkan volatilitas saham yang jauh lebih tinggi dibandingkan guncangan positif (good news) dengan besaran yang sama. 2. Tingkat Persistensi Volatilitas Tinggi: Koefisien C(5) bernilai 0.942180 (mendekati 1), menunjukkan bahwa gejolak volatilitas di pasar saham berlangsung dalam jangka waktu yang relatif lama (highly persistent). 3. Diagnostik Residual Bebas ARCH: Nilai p-value Obs*R-squared sebesar 0.5124 (> 0.05) membuktikan bahwa residual terstandardisasi telah bebas dari masalah heteroskedastisitas bersyarat (model spesifikasi sudah tepat).
\n

Berdasarkan hasil output estimasi EGARCH(1,1) di atas, evaluasi parameter dilakukan melalui tiga tahapan penting. Pertama, pengujian koefisien asimetri atau leverage effect pada parameter C(4). Koefisien C(4) menunjukkan nilai negatif sebesar -0.124510 dengan p-value sebesar 0.0001 (signifikan pada taraf nyata 5%). Hasil ini mengonfirmasi secara empiris keberadaan leverage effect pada aset keuangan yang diteliti. Ketika terjadi guncangan negatif di pasar (penurunan return), volatilitas yang timbul akan meningkat lebih besar dibandingkan saat terjadi guncangan positif dengan intensitas serupa.

\n

Kedua, koefisien C(5) yang mengukur persistensi volatilitas logaritmik menunjukkan nilai sebesar 0.942180. Nilai koefisien yang mendekati angka 1 ini mengindikasikan bahwa gejolak volatilitas di pasar memiliki memori yang panjang (high volatility persistence). Informasi guncangan pasar hari ini akan terus memengaruhi tingkat risiko instrumen keuangan selama beberapa periode ke depan.

\n

Ketiga, keabsahan model EGARCH wajib dipastikan melalui pengujian diagnostik pasca estimasi (post-estimation diagnostics). Hasil pengujian Heteroskedasticity Test: ARCH pada residual terstandardisasi menghasilkan statistik Obs*R-squared dengan p-value sebesar 0.5124. Karena nilai p-value berada di atas taraf nyata 0.05, maka hipotesis nol yang menyatakan tidak ada efek ARCH gagal ditolak. Hal ini membuktikan bahwa struktur varians bersyarat telah terpopresionalisasi secara sempurna oleh model EGARCH(1,1).

\n

Dalam kajian ekonometrika keuangan modern, Tsay (2010) menggarisbawahi bahwa pemodelan volatilitas bukan sekadar mencari model statistik terbaik, melainkan instrumen fundamental dalam pengelolaan risiko pasar dan penentuan harga opsi (option pricing). Model GARCH simetris sering kali menghasilkan taksiran risiko yang terlalu rendah (underestimate risk) saat pasar mengalami tren penurunan (bearish market) karena mengabaikan respons asimetris investor.

\n

Enders (2015) menyarankan bahwa ketika data return menunjukkan skewness dan kurtosis yang ekstrem, pengujian dengan menggunakan fungsi kerapatan probabilitas non-Gaussian seperti distribusi Student's t atau Generalized Error Distribution (GED) terbukti meningkatkan akurasi estimasi secara nyata. Pendekatan ini secara otomatis memitigasi masalah algoritma kuasi-Newton yang sering mengalami kegagalan konvergensi pada EViews.

\n

Dengan demikian, penguasaan metodologi dari pemodelan OLS biasa, pengujian ARCH LM, spesifikasi GARCH simetris, hingga alih spesifikasi menuju EGARCH asimetris merupakan alur analisis yang sangat lengkap, sistematis, dan kredibel untuk menyelesaikan berbagai problematika pemodelan volatilitas keuangan di EViews.

\n

Kesimpulan

\n

Pemodelan volatilitas keuangan menggunakan ARCH/GARCH dan EGARCH di EViews memerlukan kecermatan metodologis mulai dari penanganan stasioneritas return, pengujian efek ARCH, pemilihan asumsi distribusi residual, hingga penanganan sifat asimetris data. Ketidakstabilan estimasi dan masalah non-konvergensi dapat diselesaikan secara efektif dengan mengubah distribusi error menjadi Student's t atau GED serta menerapkan spesifikasi EGARCH(1,1). Model EGARCH terbukti sangat unggul dalam menangkap leverage effect tanpa terikat oleh batasan ketat parameter non-negatif, sehingga menghasilkan estimasi varians bersyarat yang stabil, presisi, dan siap digunakan untuk analisis risiko maupun peramalan keuangan.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-09T22:49:54+07:00", "date_modified": "2026-09-09T22:49:54+07:00" }, { "id": "https://statistikian.net/panduan-analisis-vecm-di-eviews-dari-uji-stabilitas-hingga-interpretasi-irf-dan-fevd/", "url": "https://statistikian.net/panduan-analisis-vecm-di-eviews-dari-uji-stabilitas-hingga-interpretasi-irf-dan-fevd/", "title": "Panduan Analisis VECM di EViews: Dari Uji Stabilitas Hingga Interpretasi IRF dan FEVD", "summary": "Panduan Analisis VECM di EViews: Dari Uji Stabilitas Hingga Interpretasi IRF dan…", "content_html": "

Panduan Analisis VECM di EViews: Dari Uji Stabilitas Hingga Interpretasi IRF dan FEVD menjadi rujukan praktis saat peneliti menghadapi masalah ekonometrika pada data time series. Kendala utama yang sering muncul adalah model Vector Error Correction Model (VECM) menghasilkan output yang tidak stabil, ditandai dengan nilai Roots of AR Characteristic Polynomial yang melebihi angka 1. Akibatnya, grafik Impulse Response Function (IRF) tidak kembali ke titik keseimbangan (steady-state), melainkan meledak secara eksponensial (explosive), serta proporsi peramalan pada Forecast Error Variance Decomposition (FEVD) menjadi tidak rasional.

\n

Gejala kegagalan ini biasanya disebabkan oleh kesalahan penentuan lag optimal pada model dasar VAR, ketidaktepatan pemilihan opsi tren deterministik pada Uji Kointegrasi Johansen, serta kekeliruan dalam pengurutan variabel pada identifikasi matriks kovarians (Cholesky Decomposition Ordering). Jika masalah ini dibiarkan, estimasi jangka pendek maupun jangka panjang akan menghasilkan simpulan yang bias.

\n\n
POHON PERMASALAHAN PEMODELAN VECM & ANALISIS DINAMIS DI EVIEWS Puncak Permasalahan Metodologis VECM: Sistem VECM Tidak Stabil, AR Roots > 1, & Trajektori IRF/FEVD Explosive Penyebab 1: Lag Mismatch Salah penentuan lag VAR (Memicu autokorelasi residual) Penyebab 2: Trend Mis-option Salah tren kointegrasi Johansen (Rank kointegrasi r tidak tepat) Penyebab 3: Cholesky Misorder Urutan variabel terbalik (Abaikan asumsi eksogenitas) Solusi & Catatan Perbaikan Metodologis: 1. Respesifikasi lag VAR & uji diagnostik residual sampai bebas autokorelasi. 2. Pastikan tepat ada K-r unit roots bernilai 1.000 dan sisa modulus < 1.000. 3. Atur urutan Cholesky dari yang paling eksogen ke endogen sesuai teori ekonomi.
\n

Pemodelan VECM merupakan pengembangan dari Vector Autoregression (VAR) linier yang digagas oleh Sims (1980). Pemodelan VAR dirancang untuk menangkap hubungan dinamis simultan antar variabel tanpa membedakan variabel eksogen dan endogen. Namun, jika variabel memiliki hubungan keseimbangan jangka panjang dan stasioner pada diferensiasi pertama atau I(1), pemodelan VAR dalam bentuk first difference biasa akan menghilangkan informasi jangka panjang tersebut.

\n

Untuk mengatasi kelemahan tersebut, Engle dan Granger (1987) merumuskan Granger Representation Theorem. Teorema ini menyatakan bahwa jika sekumpulan variabel time series terbukti terintegrasi pada ordo I(1) dan saling terkointegrasi, maka sistem tersebut wajib direpresentasikan dalam bentuk VECM. Pemodelan VECM secara elegan memisahkan hubungan jangka panjang (long-run equilibrium) dari penyesuaian jangka pendek (short-run dynamics) melalui mekanisme koreksi kesalahan.

\n

Pengujian kointegrasi multivariat dikembangkan lebih lanjut oleh Johansen (1988, 1991) menggunakan pendekatan maximum likelihood. Pembacaan dasar mengenai matriks kointegrasi ini dapat Anda pelajari pada rujukan teori dasar uji kointegrasi Johansen di statistikian.com. Prosedur Johansen menentukan banyaknya hubungan kointegrasi linier independen yang mengikat variabel-variabel dalam jangka panjang.

\n

Mengenai kriteria stabilitas model, Lütkepohl (2005) memberikan batasan matematis yang sangat jelas. Dalam sistem VECM dengan K variabel dan r vektor kointegrasi, matriks polinomial karakteristik wajib memiliki tepat sebanyak K-r akar unit (unit roots) yang bernilai sama dengan 1. Seluruh sisa akar karakteristik lainnya harus berada di dalam lingkaran satuan (unit circle) dengan nilai modulus secara eksplisit lebih kecil dari 1. Jika terdapat modulus sisa yang bernilai sama dengan atau lebih besar dari 1, maka VECM dinyatakan tidak stabil.

\n

Kondisi ketidakstabilan ini berdampak langsung pada keabsahan instrumen dinamis. Enders (2015) menjelaskan bahwa IRF berfungsi mengukur lintasan respons suatu variabel akibat guncangan acak (stochastic shock) sebesar satu standar deviasi dari variabel lain. Jika sistem tidak stabil, respons IRF tidak akan pernah konvergen. Sementara itu, Hamilton (1994) menegaskan bahwa FEVD menguraikan persentase kontribusi varians galat peramalan, sehingga ketidakstabilan sistem akan memicu angka pembagian varians yang menyesatkan.

\n

Untuk menyelesaikan permasalahan tersebut, berikut adalah tahapan perbaikan teknis mandiri yang harus Anda lakukan di EViews:

\n
    \n
  1. Uji Stasioneritas Data: Lakukan pengujian akar unit ADF pada tingkat level dan first difference. Seluruh variabel wajib terintegrasi pada ordo I(1). Penjelasan konsep ini dapat disimak pada rujukan teori uji stasioneritas ekonometrika di statistikian.com.
    2. \n
  2. Penentuan Lag Optimal VAR: Pilih lag optimal berdasarkan kriteria informasi (AIC atau SC) terendah yang terbukti menghasilkan residual bebas dari autokorelasi.
    3. \n
  3. Pengujian Kointegrasi Johansen: Buka menu View > Cointegration Test > Johansen System Cointegration Test. Tentukan jumlah rank kointegrasi (r) berdasarkan statistik Trace dan Maximum Eigenvalue.
    4. \n
  4. Estimasi VECM: Ubah VAR Type menjadi Vector Error Correction, masukkan lag interval VECM (lag VAR minus 1), serta masukkan nilai rank kointegrasi hasil uji Johansen.
    5. \n
  5. Uji Stabilitas AR Roots: Klik View > Lag Structure > Roots of Characteristic Polynomial. Pastikan tepat ada K-r akar bernilai 1.000000 dan sisa modulus akar bernilai < 1.000000.
    6. \n
  6. Identifikasi Cholesky IRF: Pada menu Impulse, pilih metode Cholesky - do degrees of freedom adjustment. Urutkan variabel dari yang paling eksogen ke yang paling endogen.
    7. \n
  7. Ekstraksi FEVD: Klik tombol Variance Decomposition dan tentukan horizon periode peramalan untuk melihat pembagian varians galat.
    8. \n
\n\n
DECISION TREE PROSEDUR PEMODELAN VECM, STABILITAS, IRF & FEVD Mulai: Uji Stasioneritas Data I(1) & Penentuan Lag Optimal VAR Apakah Terbukti Ada Kointegrasi (Johansen Test)? TIDAK STOP! VECM Tidak Valid (Gunakan Model Unrestricted VAR) YA Apakah Modulus AR Roots Memenuhi Syarat Stabilitas? TIDAK Respesifikasi Lag / Outlier (Sistem Masih Tidak Stabil) YA Penetapan Cholesky Ordering Berdasar Teori Ekonomi? TIDAK Hasil IRF & FEVD Bias (Lakukan Re-ordering / GIRF) YA ESTIMASI VECM, STABILITAS, IRF & FEVD VALID DAN SAHIH: Siap Diinterpretasikan untuk Rekomendasi Kebijakan & Peramalan Dinamis
\n

Contoh Tabel/Diagram Output Analisis VECM, Stabilitas AR Roots, IRF, dan FEVD di EViews

\n\n
EViews Output: VECM AR Roots Stability & Variance Decomposition Roots of AR Characteristic Polynomial (K = 3 Variables, Rank r = 1) Root Value Modulus Status Stabilitas 1.000000 1.000000 Unit Root 1 (K-r = 2) 1.000000 1.000000 Unit Root 2 (K-r = 2) 0.521042 - 0.284102i 0.593210 < 1.000000 (Stabil) 0.521042 + 0.284102i 0.593210 < 1.000000 (Stabil) -0.381204 0.381204 < 1.000000 (Stabil) Variance Decomposition of Y (Tingkat Pertumbuhan Ekonomi): Period S.E. Shock Y (Pertumbuhan) Shock X1 (Suku Bunga) Shock X2 (Inflasi) 1 0.14251 100.0000 % 0.000000 % 0.000000 % 5 0.48102 68.2410 % 22.4180 % 9.34100 % 10 0.79240 51.4820 % 33.2100 % 15.3080 % Petunjuk Cara Baca & Interpretasi Output EViews: 1. Evaluasi Stabilitas VECM: Tepat terdapat K-r = 3 - 1 = 2 akar bernilai 1.000000, dan seluruh sisa modulus akar bernilai < 1.000000 (0.5932 dan 0.3812). Hal ini membuktikan sistem VECM stabil dan estimasi IRF/FEVD sahih. 2. Analisis FEVD Periode 10: Varians peramalan Y dipengaruhi oleh guncangan internalnya sendiri sebesar 51.48%, guncangan Suku Bunga (X1) sebesar 33.21%, dan guncangan Inflasi (X2) sebesar 15.31%.
\n

Berdasarkan output pada ilustrasi di atas, evaluasi stabilitas VECM menjadi tahap krusial pertama sebelum menafsirkan grafik IRF dan tabel FEVD. Pada panel Roots of AR Characteristic Polynomial, sistem yang terdiri dari 3 variabel (K = 3) dengan 1 vektor kointegrasi (r = 1) terbukti memiliki tepat K-r = 2 akar unit bernilai 1.000000. Sementara itu, seluruh sisa akar karakteristik memiliki nilai modulus 0.593210 dan 0.381204. Karena seluruh sisa modulus bernilai di bawah 1.000000, maka model VECM dipastikan stabil.

\n

Hasil analisis FEVD pada panel kedua memberikan gambaran mengenai besarnya kontribusi transmisi guncangan antar variabel. Pada periode awal (periode 1), fluktuasi variabel Y dijelaskan sebesar 100% oleh guncangan internalnya sendiri. Hal ini sesuai dengan asumsi eksogenitas kontemporer dalam skema pembentukan matriks kovarians. Namun, memasuki periode ke-10, kontribusi variabel Y menurun menjadi 51.4820%, sementara guncangan suku bunga (X1) dan inflasi (X2) masing-masing memberikan kontribusi sebesar 33.2100% dan 15.3080%.

\n

Dalam kajian ekonometrika dinamis, Stock dan Watson (2001) mengingatkan bahwa residual dari estimasi VECM standar masih saling berkorelasi (contemporaneously correlated). Kondisi ini menyebabkan guncangan acak dari satu variabel tidak dapat diisolasi secara murni tanpa adanya ortogonalisasi residual.

\n

Dekomposisi Cholesky hadir untuk memecahkan masalah korelasi residual tersebut melalui transformasi matriks segitiga bawah. Namun, Sims (1980) menggarisbawahi bahwa metode ini sangat sensitif terhadap urutan penempatan variabel (variable ordering). Variabel yang diletakkan di posisi teratas dianggap paling eksogen secara kontemporer, sedangkan variabel di posisi paling bawah merespons seluruh guncangan variabel lain secara bersamaan.

\n

Peneliti wajib mendasarkan urutan variabel dalam instrumen IRF pada teori ekonomi yang baku. Apabila teori ekonomi tidak memberikan petunjuk yang tegas mengenai skema eksogenitas, Greene (2018) merekomendasikan penggunaan Generalized Impulse Response Function (GIRF) dari Pesaran dan Shin (1998). Metode GIRF menghasilkan lintasan respons yang independen dan tidak terpengaruh oleh perubahan urutan variabel.

\n

Terakhir, Gujarati dan Porter (2009) mengingatkan pentingnya Uji Diagnostik Residual multivariat. Model VECM yang stabil tetap membutuhkan residual yang bebas dari masalah autokorelasi serial. Pengujian VEC Residual Serial Correlation LM Test di EViews harus menghasilkan nilai p-value di atas 0.05 pada seluruh lag. Jika autokorelasi masih ditemukan, penambahan panjang lag pada model VAR dasar menjadi langkah korektif yang wajib dilakukan.

\n

Kesimpulan

\n

Pemodelan VECM (Vector Error Correction Model) di EViews memberikan metodologi yang sangat andal untuk menganalisis dinamika hubungan jangka pendek dan jangka panjang pada variabel terkointegrasi I(1). Pengujian stabilitas AR Roots merupakan syarat mutlak agar grafik Impulse Response Function (IRF) dan tabel Forecast Error Variance Decomposition (FEVD) tidak bersifat explosive. Dengan menerapkan penentuan lag optimal yang tepat, penetapan urutan Cholesky berlandaskan teori ekonomi, serta verifikasi bebas autokorelasi residual, analisis VECM di EViews dapat dijadikan rujukan ilmiah yang sah dan akurat untuk peramalan serta pengambilan keputusan kebijakan.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-09T22:44:59+07:00", "date_modified": "2026-09-09T22:44:59+07:00" }, { "id": "https://statistikian.net/tutorial-model-ardl-autoregressive-distributed-lag-dan-uji-bounds-test-di-eviews/", "url": "https://statistikian.net/tutorial-model-ardl-autoregressive-distributed-lag-dan-uji-bounds-test-di-eviews/", "title": "Tutorial Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test di EViews", "summary": "Tutorial Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test di EViews…", "content_html": "

Tutorial Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test di EViews menjadi solusi utama ketika peneliti menghadapi dilema analisis ekonometrika runtut waktu (time series) dengan tingkat stasioneritas data yang tidak seragam. Masalah klasik yang sering memicu kegagalan analisis adalah ketika variabel dependen terintegrasi pada ordo pertama I(1), sedangkan variabel independen memiliki ordo integrasi campuran, yaitu sebagian stasioner pada level I(0) dan sebagian lagi pada first difference I(1). Jika peneliti memaksa menggunakan metode kointegrasi konvensional seperti Uji Kointegrasi Johansen atau Engle-Granger, sistem EViews akan menghasilkan estimasi yang bias atau bahkan gagal mengeksekusi perhitungan kointegrasi secara valid.

\n

Gejala kesalahan teknis yang sering terjadi di EViews meliputi ketidakmampuan membentuk persamaan kointegrasi jangka panjang, munculnya autokorelasi berat pada residual model, hingga munculnya peringatan error bahwa terdapat variabel yang terintegrasi pada ordo kedua atau I(2). Masalah ini timbul akibat ketidaksesuaian asumsi metodologi tradisional yang mensyaratkan seluruh variabel harus stasioner pada ordo yang sama persis. Oleh karena itu, penerapan pendekatan ARDL Bounds Testing menjadi pilihan metodologis yang paling fleksibel dan handal untuk mengatasi ketidakseragaman ordo integrasi data tersebut.

\n\n
POHON PERMASALAHAN ESTIMASI KOINTEGRASI RUNTUT WAKTU DI EVIEWS Puncak Permasalahan Metodologis: Gagal Uji Kointegrasi & Estimasi Bias Pada Data Campuran Penyebab 1 Memaksa Uji Johansen (Padahal data campuran I(0) & I(1)) Penyebab 2 Terdapat Variabel Ordo I(2) (Nilai F-Bounds menjadi invalid) Penyebab 3 Pemilihan Lag Tidak Sesuai (Terjadi autokorelasi residual) Solusi & Catatan Perbaikan Metodologis: Gunakan Pendekatan ARDL Bounds Testing (Pesaran et al., 2001), Pastikan Bebas dari I(2), dan Tentukan Lag Optimal Berdasarkan AIC
\n

Secara teoretis, pemodelan Autoregressive Distributed Lag (ARDL) dikembangkan untuk menjembatani keterbatasan metode kointegrasi linier tradisional. Pendekatan ini diperkenalkan secara komprehensif oleh Pesaran, Shin, dan Smith (2001) sebagai metode pengujian kointegrasi yang mampu bekerja pada variabel dengan tingkat integrasi berbeda, baik murni I(0), murni I(1), maupun kombinasi mutlak antara keduanya. Keunggulan ini membuat model ARDL sangat populer dalam riset ekonomi modern karena sebagian besar variabel makroekonomi tidak selalu stasioner pada tingkat ordo yang sama.

\n

Model ARDL memasukkan nilai masa lalu (lagged values) dari variabel dependen serta nilai masa kini dan masa lalu dari variabel independen ke dalam satu struktur persamaan dinamis. Struktur ini memungkinkan peneliti untuk menangkap respons penyesuaian dinamis dalam jangka pendek sekaligus menguji keberadaan hubungan keseimbangan jangka panjang melalui mekanisme pengujian batas atau Bounds Testing procedure. Untuk pemahaman yang lebih mendalam mengenai konsep dasar pengujian stasioneritas dan akar unit, Anda dapat mempelajari materi teori uji stasioneritas dan akar unit di website utama statistikian.com.

\n

Uji Bounds Test didasarkan pada pengujian hipotesis bersama menggunakan statistik F (F-statistic) atau statistik t (t-statistic) terhadap koefisien variabel yang tereliminasi dalam bentuk persamaan pemodelan koreksi kesalahan (Error Correction Model atau ECM). Pesaran et al. (2001) menyajikan dua himpunan nilai kritis (critical values bounds), yaitu batas bawah (lower bound) yang mengasumsikan seluruh variabel adalah I(0), dan batas atas (upper bound) yang mengasumsikan seluruh variabel adalah I(1).

\n

Jika nilai statistik F yang dihitung berada di atas batas nilai kritis I(1) Upper Bound, maka hipotesis nol yang menyatakan tidak ada kointegrasi ditolak secara tegas. Hal ini mengonfirmasi adanya hubungan kointegrasi jangka panjang antar variabel. Sebaliknya, jika nilai statistik F berada di bawah batas I(0) Lower Bound, maka tidak terdapat kointegrasi. Apabila nilai berada di antara kedua batas tersebut, hasilnya dianggap tidak pasti (inconclusive). Penjelasan teoretis mengenai pengujian kointegrasi klasik dapat dibaca pada referensi teori dasar uji kointegrasi ekonometrika.

\n

Selain fleksibel terhadap ordo integrasi, Narayan (2005) menggarisbawahi bahwa uji Bounds Test ARDL memiliki keunggulan statistik yang sangat signifikan pada sampel data kecil dibandingkan dengan metode kointegrasi Johansen. Metode Johansen membutuhkan jumlah sampel yang besar agar fungsi prediksinya stabil, sedangkan ARDL tetap menghasilkan estimasi koefisien yang efisien dan tidak bias meskipun sampel time series relatif terbatas (misalnya observasi berkisar antara 30 hingga 80 periode).

\n

Langkah-langkah praktis dan sistematis untuk melakukan analisis ARDL dan uji Bounds Test di software EViews dapat dilakukan melalui prosedur teknis sebagai berikut:

\n
    \n
  1. Uji Stasioneritas Akar Unit (Unit Root Test): Lakukan uji Augmented Dickey-Fuller (ADF) atau Phillips-Perron (PP) pada semua variabel. Pastikan variabel dependen wajib stasioner pada ordo I(1) dan TIDAK ADA satu pun variabel yang terintegrasi pada ordo I(2). Kehadiran variabel I(2) akan merusak keabsahan statistik F pada Bounds Test.
    2. \n
  2. Spesifikasi Estimasi Persamaan ARDL: Pada menu utama EViews, klik Quick > Estimate Equation. Ubah pilihan Method menjadi ARDL - Autoregressive Distributed Lag. Masukkan variabel dependen diikuti oleh variabel-variabel independen.
    3. \n
  3. Penentuan Lag Maksimum dan Model Selection: Tentukan lag maksimum untuk variabel dependen dan independen (misalnya lag 2 atau lag 4 untuk data tahunan/kuartalan). Pilih kriteria kriteria informasi otomatis seperti Akaike Information Criterion (AIC) atau Schwarz Criterion (SIC) untuk memilih kombinasi lag paling optimal.
    4. \n
  4. Menjalankan Uji Bounds Test: Setelah output estimasi ARDL muncul, klik tombol View pada jendela persamaan > Coefficient Diagnostics > pilih Long Run Form and Bounds Tests.
    5. \n
  5. Evaluasi Kointegrasi Jangka Panjang: Bandingkan nilai F-Statistic hasil analisis dengan tabel Bounds Critical Values pada tingkat signifikansi 5%. Jika F-statistic melebihi nilai I(1) Bound, lanjutkan ke pembentukan model jangka panjang dan Error Correction Model (ECM).
    6. \n
  6. Uji Diagnostik Residual dan Stabilitas Model: Lakukan uji asumsi klasik meliputi Uji Autokorelasi (Breusch-Godfrey LM Test), Uji Heteroskedastisitas, Uji Normalitas Residual, serta uji stabilitas parameter CUSUM dan CUSUMSQ.
    7. \n
\n\n
DECISION TREE PROSEDUR ANALISIS ARDL & BOUNDS TEST DI EVIEWS Mulai: Uji Stasioneritas Data (ADF Test) Apakah Terdapat Variabel yang Terintegrasi I(2)? YA STOP! ARDL Tidak Valid (Transformasi / Hapus I(2)) TIDAK Struktur Data: Campuran I(0) dan I(1)? TIDAK Opsi: ARDL / Johansen (Bisa Gunakan ARDL) YA Hasil Bounds Test: Nilai F-Stat > I(1) Bound? TIDAK Tidak Ada Kointegrasi (Model Short-Run Saja) YA TERKONFIRMASI KOINTEGRASI JANGKA PANJANG: Lanjutkan Estimasi Model Jangka Panjang & Short-Run ECM
\n

Contoh tabel/diagram output ARDL Bounds Test dan Error Correction Model di EViews

\n\n
EViews Output: ARDL Long Run Form and Bounds Test F-Bounds Test Null Hypothesis: No levels relationship Test Statistic Value Signif. I(0) Bound I(1) Bound F-statistic 6.842105 10% 2.37 3.20 5% 2.79 3.67 1% 3.65 4.66 ARDL Error Correction Regression (Short Run Coefficients) Variable Coefficient Std. Error t-Statistic Prob. D(X1_INFLASI) -0.124102 0.038104 -3.256890 0.0024 COINTEQ01 / ECT(-1) -0.425810 0.081204 -5.243681 0.0000 Cara Baca Output EViews: 1. F-statistic (6.84) > I(1) Bound pada 5% (3.67) -> Terbukti Ada Kointegrasi Jangka Panjang. 2. ECT(-1) negatif (-0.425) dan signifikan (p < 0.05) -> Kecepatan penyesuaian: 42.5% per periode.
\n

Cara membaca tabel output EViews hasil estimasi ARDL Bounds Test dan Error Correction Model di atas terbagi menjadi dua tahapan utama, yaitu analisis keterikatan jangka panjang (kointegrasi) dan analisis dinamika jangka pendek. Pada bagian pertama, perhatikan nilai statistik F yang tercantum pada F-Bounds Test. Nilai F-statistic hasil kalkulasi adalah sebesar 6.842105. Nilai ini kemudian dibandingkan dengan batas nilai kritis I(1) Upper Bound pada tingkat signifikansi 5%, yaitu sebesar 3.67. Karena nilai F-statistic jauh lebih besar dibandingkan batas atasnya (6.842 > 3.67), maka hipotesis nol ditolak secara signifikan. Hasil ini membuktikan bahwa terdapat hubungan kointegrasi jangka panjang yang stabil antara variabel dependen dan independen.

\n

Pada bagian kedua, perhatikan koefisien parameter COINTEQ01 atau sering disebut sebagai Error Correction Term (ECT(-1)) pada persamaan regresi jangka pendek. Dalam konsep ekonometrika dinamis, variabel ECT(-1) ini mengukur seberapa cepat ketidakseimbangan (disequilibrium) jangka pendek yang terjadi pada periode sebelumnya dikoreksi kembali menuju nilai keseimbangan jangka panjang pada periode berjalan.

\n

Syarat absolut agar model ECM ARDL dianggap valid adalah koefisien ECT(-1) harus bernilai negatif dan signifikan secara statistik (p-value < 0.05). Pada contoh output EViews di atas, koefisien ECT(-1) bernilai -0.425810 dengan nilai p-value sebesar 0.0000. Angka -0.425810 ini mengandung arti bahwa sekitar 42.58% dari deviasi atau ketidakseimbangan jangka pendek akan dikoreksi dan disesuaikan kembali menuju arah keseimbangan jangka panjang dalam waktu satu periode waktu (misalnya satu tahun atau satu kuartal).

\n

Dalam diskusi ilmiah ekonometrika modern, penentuan panjang lag optimal pada model ARDL merupakan fondasi yang sangat menentukan validitas estimasi. Pesaran dan Pesaran (1997) menegaskan bahwa lag yang terlalu pendek (underfitting) dapat mengakibatkan timbulnya masalah autokorelasi pada residual model, sehingga estimator OLS tidak lagi bersifat BLUE (Best Linear Unbiased Estimator). Di sisi lain, lag yang terlalu panjang (overfitting) akan membuang derajat bebas (degrees of freedom) dan menurunkan efisiensi estimasi.

\n

Oleh karena itu, penggunaan kriteria otomatis seperti Akaike Information Criterion (AIC) sangat direkomendasikan. EViews menyediakan fitur penentuan lag otomatis yang mengevaluasi ratusan hingga ribuan kombinasi spesifikasi model ARDL, lalu memilih kombinasi lag terbaik yang meminimalkan nilai AIC. Grafik *Model Selection Summary* pada EViews dapat menampilkan visualisasi perbandingan nilai AIC dari masing-masing spesifikasi lag yang diuji.

\n

Setelah hubungan kointegrasi dan koefisien ECM terkonfirmasi, syarat mutlak berikutnya yang wajib dipenuhi oleh peneliti adalah melakukan pengujian diagnostik residual dan stabilitas struktural model. Gujarati dan Porter (2009) menyatakan bahwa ketidakbebasan residual dari autokorelasi akan merusak distribusi statistik F pada Bounds Test, sehingga kesimpulan kointegrasi yang diambil menjadi tidak valid (spurious cointegration).

\n

Uji diagnostik utama yang harus dijalankan meliputi Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test (dipastikan nilai p-value Obs*R-squared > 0.05) dan Uji Heteroskedastisitas Breusch-Pagan-Godfrey atau ARCH test. Selain itu, pengujian normalitas residual dengan statistik Jarque-Bera juga perlu dilakukan untuk memastikan bahwa galat terdistribusi secara normal.

\n

Tahap akhir yang tidak kalah penting adalah melakukan uji stabilitas koefisien jangka panjang dan jangka pendek menggunakan metode Cumulative Sum of Recursive Residuals (CUSUM) dan Cumulative Sum of Squares of Recursive Residuals (CUSUMSQ) yang diperkenalkan oleh Brown, Durbin, dan Evans (1975). Greene (2018) menekankan bahwa jika plot garis CUSUM dan CUSUMSQ berada di dalam koridor batas kritis signifikansi 5% (ditandai dengan dua garis merah putus-putus pada grafik EViews), maka koefisien regresi model ARDL terbukti stabil secara struktural sepanjang rentang waktu pengamatan.

\n

Kesimpulan

\n

Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test merupakan conceptual & metodologi ekonometrika yang sangat responsif dan akurat dalam menangani analisis kointegrasi pada data time series ber-ordo integrasi campuran I(0) dan I(1). Dengan mengikuti langkah-langkah praktis di EViews—mulai dari pengujian stasioneritas akar unit untuk memastikan tidak ada variabel I(2), penentuan lag optimal berbasis kriteria AIC, evaluasi nilai F-statistic Bounds Test, hingga pengujian diagnostik residual dan uji stabilitas CUSUM—peneliti dapat menghasilkan model estimasi jangka panjang dan jangka pendek yang sah, efisien, serta berakar kuat pada teori ekonomi ekonometrika.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-09T22:29:31+07:00", "date_modified": "2026-09-09T22:29:31+07:00" }, { "id": "https://statistikian.net/cara-mengatasi-error-near-singular-matrix-saat-estimasi-regresi-di-eviews/", "url": "https://statistikian.net/cara-mengatasi-error-near-singular-matrix-saat-estimasi-regresi-di-eviews/", "title": "Cara Mengatasi Error "Near Singular Matrix" saat Estimasi Regresi di EViews", "summary": "Cara Mengatasi Error \"Near Singular Matrix\" saat Estimasi Regresi di EViews menjadi…", "content_html": "

Cara Mengatasi Error \"Near Singular Matrix\" saat Estimasi Regresi di EViews menjadi topik yang sangat krusial ketika proses pengolahan data regresi linear atau data panel mendadak terhenti akibat kemunculan jendela peringatan sistem. Pesan kesalahan teknis berupa Near Singular Matrix atau Matrix singular - xpx is zero or singular ini menandakan bahwa EViews secara matematis tidak mampu melakukan perkalian dan pembalikan matriks (matrix inversion) untuk menghitung koefisien estimasi Ordinary Least Squares (OLS). Dampak langsung dari masalah ini adalah perintah estimasi persamaan (equation estimation) gagal dieksekusi secara total sehingga output statistik tidak dapat diterbitkan.

\n

Pengguna EViews sering kali merasa panik dan menduga bahwa software mengalami kerusakan atau file data berformat workfile telah korup. Padahal, kemunculan indikasi error ini sepenuhnya murni disebabkan oleh struktur data yang melanggar asumsi dasar aljabar linier dalam estimasi OLS. Masalah ini paling sering dipicu oleh kehadiran multikolinearitas sempurna (perfect multicollinearity), jebakan variabel boneka (dummy variable trap), atau penggunaan variabel yang bernilai konstan pada seluruh objek observasi.

\n\n
POHON PERMASALAHAN ERROR NEAR SINGULAR MATRIX DI EVIEWS Puncak Permasalahan Teknis: Gagal Estimasi Persamaan: Error \"Near Singular Matrix\" Penyebab 1 Dummy Variable Trap (Memasukkan seluruh dummy + C) Penyebab 2 Multikolinearitas Sempurna (X3 = X1 + X2 atau Total Komponen) Penyebab 3 Variabel Konstan / Time-Invariant (Varian bernilai nol pada FEM) Solusi & Catatan Perbaikan Metodologis: Keluarkan 1 Kategori Dummy sebagai Kategori Acuan (Base Group), Eliminasi Variabel Total/Redundan, dan Evaluasi Struktur Varian Data
\n

Secara konseptual, penduga Ordinary Least Squares bekerja dengan mencari nilai parameter yang meminimalkan jumlah kuadrat galat (sum of squared residuals). Dalam rumus aljabar matriks, vektor koefisien regresi dihitung melalui perkalian perkalian matriks transpos variabel independen dengan invers dari matriks tersebut. Persyaratan absolut agar matriks dapat diinvers adalah determinan dari matriks perkalian tersebut tidak boleh sama dengan nol.

\n

Jika terdapat hubungan linier yang sempurna di antara dua atau lebih variabel independen di dalam persamaan, determinan matriks akan bernilai persis nol. Kondisi inilah yang dinamakan sebagai matriks singular (singular matrix). Gujarati dan Porter (2009) menegaskan bahwa dalam kondisi multikolinearitas sempurna, standar eror dari koefisien regresi menjadi tidak terhingga (infinite), sehingga parameter regresi tidak mungkin diestimasi secara unik.

\n

Kasus khusus yang paling dominan menjadi penyebab matriks singular adalah jebakan variabel kualitatif atau dummy variable trap. Fenomena ini terjadi saat peneliti memasukkan seluruh variabel dummy dari suatu variabel kualitatif bersamaan dengan konstanta intersep. Wooldridge (2010) menjelaskan bahwa apabila suatu variabel kategorik memiliki sebanyak k kategori, maka jumlah variabel dummy yang boleh dimasukkan ke dalam persamaan regresi berkonstanta hanyalah sebanyak k dikurangi 1. Untuk mendalami konsep teoretis mengenai asumsi klasik regresi OLS dan dampak pelanggarannya, pembahasan lengkap mengenai teori multikolinearitas dan pengujian asumsi klasik dapat dibaca di website utama statistikian.com.

\n

Penyebab lain yang sering tidak disadari adalah memasukkan variabel komposit atau penjumlahan komponen bersama-sama dengan variabel penyusunnya. Sebagai contoh, jika sebuah model memasukkan variabel Pendapatan Utama, Pendapatan Sampingan, dan Total Pendapatan secara sekaligus, maka secara sistematis Total Pendapatan adalah kombinasi linier sempurna dari dua variabel lainnya. Hal ini secara otomatis menciptakan korelasi linier 100% yang berujung pada error matriks di EViews.

\n

Pada estimasi data panel dengan pendekatan Fixed Effect Model (FEM), error Near Singular Matrix juga dapat terpicu apabila peneliti memasukkan variabel independen yang bersifat time-invariant (nilainya tidak pernah berubah dari waktu ke waktu untuk setiap individu, seperti jenis kelamin atau lokasi geografis). Greene (2018) menyatakan bahwa transformasi pemusatan data (demeaning transformation) pada FEM akan menghapus seluruh variabel time-invariant menjadi nol, yang menyebabkan baris matriks menjadi kosong dan bernilai singular.

\n

Langkah-langkah perbaikan teknis mandiri untuk mengatasi error matriks singular pada EViews dapat dilakukan secara sistematis sebagai berikut:

\n
    \n
  1. Eliminasi Kategori Acuan pada Variabel Dummy: Jika penelitian menggunakan variabel kategorik (misalnya 3 kategori wilayah: Desa, Kota, Pinggiran), pastikan hanya memasukkan 2 variabel dummy ke dalam kolom Equation Specification EViews. Kategori yang dikeluarkan akan otomatis berfungsi sebagai reference category (kategori acuan).
    2. \n
  2. Hapus Variabel Penjumlahan/Total (Redundansi Linier): Periksa kembali seluruh variabel independen. Jika terdapat variabel yang merupakan hasil penjumlahan atau rerata matematis dari variabel independen lain di dalam model, keluarkan variabel total tersebut dari spesifikasi persamaan.
    3. \n
  3. Cek Varian Data (Pemeriksaan Data Konstan): Buka group data di EViews dan hitung nilai deskriptif. Jika ditemukan ada variabel yang nilainya sama untuk seluruh baris observasi (misalnya angka 1 semua atau 0 semua), segera keluarkan variabel tersebut karena memiliki varian nol.
    4. \n
  4. Evaluasi Spesifikasi Model Data Panel: Apabila menggunakan Fixed Effect Model (FEM) dan muncul error matriks, periksa apakah ada variabel time-invariant. Jika variabel tersebut penting secara teori, alihkan pendekatan estimasi dari FEM ke Random Effect Model (REM) atau gunakan metode Pooled OLS dengan pembobotan standar eror (Hsiao, 2014).
    5. \n
\n\n
DECISION TREE PENANGANAN ERROR NEAR SINGULAR MATRIX Muncul Error: \"Near Singular Matrix\" Apakah Menggunakan Seluruh Kategori Dummy + C? YA TIDAK Hapus 1 Dummy (Jadikan Kategori Acuan) Apakah Ada Variabel Total & Komponen Bersamaan? YA TIDAK Hapus Variabel Total (Gunakan Komponen Saja) Apakah Data Panel FEM Mengandung Time-Invariant? YA TIDAK Ganti Ke REM / OLS (Atau Hapus Time-Invariant) HASIL ESTIMASI HASIL PERBAIKAN: Estimasi EViews Berhasil Running Tanpa Error
\n

Contoh Tabel/Diagram Output Perbaikan Regresi EViews Terbebas dari Near Singular Matrix

\n\n
EViews Output: Dependent Variable: Y (Post-Correction Output) Method: Panel Least Squares Sample: 2018 2023 Periods included: 6 Cross-sections included: 10 Total obs: 60 Variable Coefficient Std. Error t-Statistic Prob. C (Intersep) 12.45012 2.104211 5.916764 0.0000 X1_AKSET 0.481902 0.091204 5.283781 0.0000 D_KOTA (Dummy 1) 1.821044 0.512019 3.556594 0.0008 D_PINGGIRAN (Dummy 2) 0.912401 0.421008 2.167182 0.0345 [D_DESA dikeluarkan sebagai Kategori Acuan] R-squared: 0.742811 Interpretasi Output Perbaikan: Setelah mengeluarkan dummy D_DESA, matriks berhasil diinvers. Koefisien D_KOTA dan D_PINGGIRAN sekarang dibaca relatif terhadap kategori acuan (Desa) tanpa mengalami masalah Near Singular Matrix.
\n

Cara membaca output EViews hasil perbaikan di atas menunjukkan bahwa persamaan regresi telah berhasil diestimasi dengan sempurna setelah jebakan variabel dummy dieliminasi. Sebelumnya, ketika variabel dummy Desa, Kota, dan Pinggiran dimasukkan secara bersamaan ke dalam spesifikasi persamaan beserta konstanta C, EViews menolak estimasi dengan menampilkan pesan error Near Singular Matrix. Setelah variabel dummy Desa dikeluarkan untuk dijadikan sebagai kategori acuan (base category), matriks variabel bebas memiliki pangkat penuh (full column rank) sehingga proses kalkulasi OLS berjalan lancar.

\n

Interpretasi nilai koefisien pada output perbaikan kini berpusat pada kategori acuan. Nilai koefisien variabel D_KOTA sebesar 1.821044 menandakan bahwa rata-rata nilai Y pada kelompok Kota lebih tinggi 1.821044 unit dibandingkan kelompok Desa (kategori acuan), dengan asumsi variabel X1_ASET konstan. Begitu pula koefisien D_PINGGIRAN sebesar 0.912401 menunjukkan perbedaan nilai terhadap kelompok Desa. Nilai p-value yang signifikan (kurang dari 0.05) mengonfirmasi bahwa perbedaan antar kelompok tersebut signifikan secara statistik.

\n

Dari sudut pandang aljabar linier ekonometrika, matriks desain X berukuran N x K harus memenuhi syarat rank penuh, yaitu rank(X) = K. Jika rank(X) kurang dari K, artinya terdapat setidaknya satu kolom pada matriks X yang merupakan kombinasi linier sempurna dari kolom-kolom lainnya. Greene (2018) menekankan bahwa pelanggaran kondisi rank ini memicu ketergantungan linier antar kolom (column linear dependence), yang secara otomatis menghasilkan determinan nol pada matriks perkalian X'X.

\n

Dalam praktik analisis EViews, deteksi awal ketergantungan linier dapat dilakukan dengan membuat matriks korelasi antar variabel independen sebelum menjalankan estimasi persamaan. Pembaca dapat membuat objek Group di EViews, lalu memilih menu View > Principal Components / Correlation Analysis. Jika ditemukan pasangan variabel yang memiliki koefisien korelasi tepat sama dengan 1.000 atau -1.000, maka dipastikan pasangan variabel tersebut menjadi pemicu utama kegagalan matriks.

\n

Permasalahan error Near Singular Matrix pada data panel juga kerap berhubungan dengan ketidakseimbangan jumlah observasi kros-seksional (N) dan deret waktu (T). Pada model efek tetap kros-seksional (Cross-section Fixed Effects), EViews menambahkan variabel dummy sebanyak N-1 secara internal. Jika jumlah unit kros-seksional N jauh lebih besar dibandingkan jumlah periode waktu T, sementara terdapat variabel independen yang variasinya sangat kecil, matriks pembobot dapat menjadi mendekati singular (Baltagi, 2021).

\n

Kesalahan persepsi yang umum terjadi di kalangan peneliti adalah mencoba \"memaksa\" EViews dengan menghapus konstanta intersep (menghapus huruf C pada spesifikasi persamaan). Meskipun cara ini terkadang membuat regresi dapat berjalan saat seluruh dummy dimasukkan, penafsiran nilai R-squared menjadi tidak valid dan sering kali menghasilkan nilai R-squared yang negatif atau tidak realistis. Oleh karena itu, pendekatan baku yang paling direkomendasikan oleh para pakar ekonometrika adalah mempertahankan konstanta intersep dan mengeluarkan satu kategori dummy sebagai kelompok pembanding.

\n

Sebagai penutup panduan teknis ini, selalu ingat bahwa error Near Singular Matrix di EViews bukanlah bug pada program aplikasi, melainkan sinyal peringatan matematis bahwa terdapat redundansi informasi pada variabel independen yang Anda masukkan. Dengan mengidentifikasi hubungan linier antar variabel, menghindari dummy variable trap, dan merapikan spesifikasi variabel, kendala teknis ini dapat diselesaikan secara tuntas dan ilmiah.

\n

Kesimpulan

\n

Error \"Near Singular Matrix\" pada estimasi regresi EViews terjadi akibat pelanggaran syarat full rank matriks OLS yang disebabkan oleh multikolinearitas sempurna atau jebakan variabel dummy. Solusi utama dari kendala ini adalah mengeluarkan satu kategori variabel dummy sebagai kategori acuan, mengeliminasi variabel total atau komposit yang redundan, serta menyesuaikan spesifikasi variabel pada model data panel. Melalui penanganan teknis yang tepat, proses estimasi dapat kembali berjalan normal dan menghasilkan output regresi yang valid serta dapat diinterpretasikan secara statistik.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-09T22:17:26+07:00", "date_modified": "2026-09-09T22:17:26+07:00" }, { "id": "https://statistikian.net/tutorial-regresi-data-panel-eviews-uji-chow-hausman-dan-lagrange-multiplier-lengkap/", "url": "https://statistikian.net/tutorial-regresi-data-panel-eviews-uji-chow-hausman-dan-lagrange-multiplier-lengkap/", "title": "Tutorial Regresi Data Panel EViews: Uji Chow, Hausman, dan Lagrange Multiplier Lengkap", "summary": "Tutorial Regresi Data Panel EViews: Uji Chow, Hausman, dan Lagrange Multiplier Lengkap…", "content_html": "

Tutorial Regresi Data Panel EViews: Uji Chow, Hausman, dan Lagrange Multiplier Lengkap ini disusun untuk mengatasi kendala utama para peneliti dan mahasiswa yang kerap kebingungan menentukan estimator terbaik antara Common Effect Model (CEM), Fixed Effect Model (FEM), atau Random Effect Model (REM). Gejala masalah yang paling sering muncul di lapangan adalah timbulnya bias estimasi, nilai koefisien determinasi yang tidak realistis, atau munculnya pesan kesalahan teknis seperti near singular matrix saat mengestimasi efek acak di EViews. Tanpa prosedur pengujian spesifikasi yang sistematis, model data panel yang dihasilkan berisiko mengalami misspesifikasi berat sehingga interpretasi statistik menjadi tidak valid.

\n

Ketidakpastian dalam memilih struktur varians dan kovarians antar unit individu maupun antar waktu sering kali membuat analisis berhenti di tengah jalan. Masalah ini semakin rumit ketika hasil estimasi awal menunjukkan tanda koefisien variabel bebas yang berlawanan dengan teori utama. Oleh karena itu, diperlukan tahapan pengujian formal yang runtut untuk menguji keberadaan efek spesifik individu dan korelasi antara efek spesifik tersebut dengan variabel independen di dalam model.

\n\n
POHON PERMASALAHAN PENENTUAN MODEL DATA PANEL Awal Permasalahan: Kebingungan Memilih Estimator (CEM vs FEM vs REM) Sub-Masalah 1 Pemilihan Model Hanya Berdasarkan Asumsi Tanpa Uji Formal Sub-Masalah 2 Abaikan Efek Spesifik Individu Sehingga Koefisien Bias (Spurius) Sub-Masalah 3 Error \"Near Singular Matrix\" Saat Running Uji Hausman/REM Solusi & Catatan Metodologis: Terapkan Uji Hirarki: Uji Chow, Uji Hausman, dan Uji LM Secara Runtut di EViews Berdasarkan Karakteristik Data
\n

Secara teoretis, ekonometrika data panel mengombinasikan struktur data lintas individu (cross-section) dan deret waktu (time-series). Penggabungan dua dimensi data ini memberikan keunggulan berupa peningkatan derajat kebebasan (degrees of freedom) dan efisiensi estimasi yang lebih tinggi dibanding analisis kros-seksional biasa. Namun, tantangan utama terletak pada penanganan heterogenitas unobservabel pada tiap unit observasi.

\n

Model dasar regresi data panel dapat diestimasi melalui pendekatan Common Effect Model (CEM) atau dikenal pula dengan sebutan Pooled OLS. Pendekatan ini berasumsi bahwa tidak ada perbedaan karakteristik antar individu maupun antar periode waktu. Dengan kata lain, seluruh intercept dan koefisien regresi dianggap konstan untuk seluruh objek penelitian. Bagi pembaca yang ingin memahami kerangka konseptual paling mendasar mengenai gabungan struktur data ini, referensi lengkap mengenai pengertian regresi data panel dan dasar teoretis dapat dipelajari secara mendalam di website statistikian.com.

\n

Pendekatan kedua adalah Fixed Effect Model (FEM). Pendekatan ini mengasumsikan bahwa intercept antar individu berbeda-beda untuk mengakomodasi karakteristik spesifik unik yang tidak berubah sepanjang waktu (time-invariant). Perbedaan intercept tersebut diakomodasi melalui penggunaan variabel boneka (least squares dummy variable). Baltagi (2021) menegaskan bahwa FEM merupakan pilihan yang konsisten apabila efek spesifik individu terkorelasi dengan variabel bebas di dalam model regresi.

\n

Pendekatan ketiga adalah Random Effect Model (REM) atau Error Component Model. Pada pendekatan ini, perbedaan intersep antar individu dikelola sebagai bagian dari komponen galat acak (random error term). Asumsi krusial pada REM adalah bahwa efek spesifik individu tidak boleh terkorelasi sama sekali dengan variabel independen. Greene (2018) menyebutkan bahwa jika asumsi eksogenitas ini terpenuhi, maka REM akan menghasilkan estimator yang jauh lebih efisien dibandingkan FEM.

\n

Guna memastikan model terbaik yang harus dipilih secara ilmiah, peneliti wajib menjalankan tiga tahapan uji spesifikasi formal, yaitu Uji Chow, Uji Hausman, dan Uji Breusch-Pagan Lagrange Multiplier (LM). Urutan pengujian ini menjadi panduan baku untuk menjamin bahwa model pilihan memenuhi kaidah efisiensi dan konsistensi statistik.

\n

Tahapan perbaikan teknis mandiri dalam mengestimasi data panel pada program EViews dapat dilakukan dengan langkah-langkah ringkas berikut:

\n
    \n
  1. Restrukturisasi Workfile EViews: Pastikan struktur data di EViews telah diatur sebagai Balanced Panel. Tentukan variabel identifikasi individu (misal: perusahaan/negara) dan variabel waktu (tahun/bulan). Struktur data yang tidak presisi akan menyebabkan gagal estimasi pada opsi efek acak.
    2. \n
  2. Estimasi Model FEM dan Jalankan Uji Chow: Buka menu Quick > Estimate Equation. Masukkan persamaan regresi. Pada tab Panel Options, ubah pilihan Cross-section menjadi Fixed. Klik OK. Setelah output FEM muncul, klik menu View > Fixed/Random Effects Testing > Redundant Fixed Effects - Likelihood Ratio. Uji ini bertujuan untuk memilih antara CEM atau FEM (Gujarati & Porter, 2009).
    3. \n
  3. Estimasi Model REM dan Jalankan Uji Hausman: Jika Uji Chow menolak hipotesis nol (memilih FEM), ubah opsi Cross-section pada Panel Options menjadi Random. Setelah output REM terbentuk, klik menu View > Fixed/Random Effects Testing > Correlated Random Effects - Hausman Test. Uji ini menentukan apakah model terbaik adalah FEM atau REM (Wooldridge, 2010).
    4. \n
  4. Estimasi Model CEM dan Jalankan Uji Lagrange Multiplier: Apabila pada Uji Chow hipotesis nol diterima (memilih CEM), peneliti perlu memastikan apakah model acak lebih baik dibanding CEM. Jalankan estimasi CEM (set opsi Cross-section ke None), lalu pilih View > Fixed/Random Effects Testing > Random Effects Testing - Breusch-Pagan. Uji ini menentukan pilihan antara CEM atau REM (Hsiao, 2014).
    5. \n
\n\n
DECISION TREE PENENTUAN MODEL REGRESI DATA PANEL Estimasi Model Data Panel UJI CHOW (Membandingkan CEM vs FEM) H0 Diterima (p > 0.05) H0 Ditolak (p < 0.05) UJI LAGRANGE MULTIPLIER (Membandingkan CEM vs REM) UJI HAUSMAN (Membandingkan FEM vs REM) p > 0.05 p < 0.05 p > 0.05 p < 0.05 MODEL TERBAIK: CEM MODEL TERBAIK: REM MODEL TERBAIK: REM MODEL TERBAIK: FEM CATATAN PENTING KEPUTUSAN: 1. Jika Uji Chow memilih FEM dan Uji Hausman memilih FEM, maka model final adalah FEM. 2. Jika Uji Chow memilih FEM namun Uji Hausman memilih REM, maka model final adalah REM. 3. Uji LM dilakukan sebagai verifikasi akhir jika Uji Chow memilih CEM.
\n

Contoh Tabel/Diagram Output Uji Spesifikasi Model Data Panel EViews

\n\n
EViews Output: Specification Tests Summary 1. Redundant Fixed Effects Tests (Uji Chow) Effects Test Statistic d.f. Prob. Cross-section F 14.829104 (9, 138) 0.0000 Cross-section Chi-square 98.402115 9 0.0000 2. Correlated Random Effects - Hausman Test (Uji Hausman) Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob. Cross-section random 18.492011 3 0.0003 Interpretasi Gambar Output: Kedua uji menunjukkan nilai probabilitas < 0.05, sehingga model terbaik diputuskan adalah Fixed Effect Model (FEM).
\n

Cara membaca output EViews di atas sangat mudah. Pada bagian pertama, hasil Uji Chow menunjukkan nilai probabilitas Cross-section F sebesar 0.0000 (kurang dari tingkat signifikansi 0.05). Artinya, hipotesis nol yang menyatakan bahwa CEM lebih tepat ditolak secara signifikan. Keputusan tahap pertama ini menetapkan bahwa Fixed Effect Model (FEM) jauh lebih baik dibandingkan Common Effect Model (CEM).

\n

Langkah kemudian berlanjut pada pengujian kedua, yaitu Uji Hausman. Berdasarkan tabel output bagian kedua, nilai probabilitas Cross-section random adalah sebesar 0.0003 (kurang dari 0.05). Hipotesis nol pada Uji Hausman menyatakan bahwa tidak ada korelasi antara efek spesifik individu dengan variabel bebas (yang mengimplikasikan REM lebih tepat). Karena probabilitas kurang dari 0.05, hipotesis nol ditolak. Dengan demikian, model final yang paling konsisten dan terbebas dari masalah endogenitas lokal adalah Fixed Effect Model (FEM).

\n

Dalam diskusi ekonometrika ilmiah, penentuan antara FEM dan REM memegang peranan krusial terhadap validitas inferensi. Pemilihan FEM direkomendasikan apabila observasi data panel mencakup populasi individu tertentu yang spesifik dan tidak dipilih secara acak (misalnya daftar 10 perusahaan manufaktur terbesar atau data 34 provinsi di Indonesia). Sebaliknya, apabila unit sampel ditarik secara acak dari populasi yang luas, REM secara teoritis menawarkan efisiensi parameter yang lebih unggul.

\n

Penggunaan Uji Breusch-Pagan Lagrange Multiplier (LM) menjadi sangat vital apabila dalam pengujian awal diperoleh hasil bahwa Uji Chow gagal menolak hipotesis nol (nilai probabilitas lebih besar dari 0.05). Uji LM menguji apakah varians dari komponen galat spesifik individu bernilai nol. Jika hasil uji LM menghasilkan nilai probabilitas kurang dari 0.05, maka hipotesis nol ditolak, yang menandakan bahwa struktur data memiliki efek acak sehingga REM lebih tepat digunakan dibandingkan CEM standar.

\n

Permasalahan teknis lain yang sering muncul dalam aplikasi EViews adalah kondisi ketika jumlah unit kros-seksional (N) lebih kecil dibandingkan dengan jumlah variabel independen atau periode waktu (T). Pada kondisi ini, pengujian Hausman sering kali menghasilkan pesan error atau matriks kovarians tidak positif definitif (not positive definite). Apabila kondisi ini terjadi, pertimbangan metodologis harus diarahkan kembali pada pengujian teoretis struktur data serta pemeriksaan masalah multikolinearitas antar variabel bebas.

\n

Kesalahan umum para peneliti adalah memaksakan penggunaan Random Effect Model tanpa menguji korelasi antara komponen error acak dan regresor. Padahal, jika korelasi tersebut ada, estimator REM akan menjadi tidak konsisten (inconsistent estimator). Dalam situasi tersebut, meskipun OLS pada FEM membutuhkan penurunan derajat kebebasan akibat estimasi banyak intersep dummy, FEM tetap menjadi satu-satunya estimator yang memberikan koefisien tidak bias.

\n

Sebagai ringkasan urutan analisis regresi data panel di EViews: mulailah dari Uji Chow untuk memilih antara CEM dan FEM. Jika FEM terpilih, lanjutkan dengan Uji Hausman untuk memilih antara FEM dan REM. Jika Uji Chow memilih CEM, verifikasi kembali menggunakan Uji LM untuk memilih antara CEM dan REM. Melalui prosedur pengujian yang terstruktur ini, penentuan model regresi data panel di EViews dapat dipertanggungjawabkan secara ilmiah dan terbebas dari kesalahan spesifikasi model.

\n

Kesimpulan

\n

Penentuan model terbaik dalam regresi data panel bukanlah proses spekulatif, melainkan prosedur ekonometrika formal yang sistematis. Kombinasi Uji Chow, Uji Hausman, dan Uji Lagrange Multiplier di EViews memberikan kepastian statistik dalam memilih antara CEM, FEM, atau REM. Dengan mematuhi hirarki uji spesifikasi ini, model regresi yang dihasilkan tidak hanya akurat secara matematis tetapi juga valid secara metodologis untuk keperluan estimasi dan pengambilan keputusan.

\n

Daftar Pustaka

\n", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-09T22:11:35+07:00", "date_modified": "2026-09-09T22:11:35+07:00" }, { "id": "https://statistikian.net/panduan-evaluasi-model-struktural-inner-model-dan-kesalahan-yang-sering-terjadi/", "url": "https://statistikian.net/panduan-evaluasi-model-struktural-inner-model-dan-kesalahan-yang-sering-terjadi/", "title": "Panduan Evaluasi Model Struktural (Inner Model) dan Kesalahan Yang Sering Terjadi", "summary": "Kegagalan dalam melakukan interpretasi pengujian hipotesis pada Partial Least Squares Structural Equation…", "content_html": "
\n

Kegagalan dalam melakukan interpretasi pengujian hipotesis pada Partial Least Squares Structural Equation Modeling sering berakar dari ketidakpahaman peneliti saat menjalankan panduan evaluasi model struktural (inner model) dan kesalahan yang sering terjadi dalam proyek riset mereka. Gejala umum dari masalah ini terlihat ketika nilai koefisien jalur bernilai signifikan secara statistik namun memiliki arah hubungan yang berlawanan dengan landasan teori, atau ketika nilai koefisien determinasi sangat tinggi tetapi nilai keberartian prediktif bernilai negatif.

\n

Selain itu, kesalahan fatal yang sering dijumpai adalah peneliti langsung mengevaluasi nilai tingkat signifikansi hipotesis tanpa terlebih dahulu melakukan pemeriksaan kolinearitas antarvariabel prediktor. Akibatnya, hubungan antarvariabel mengalami bias berat, besaran efek menjadi tidak terukur dengan tepat, dan kesimpulan riset yang dihasilkan menjadi cacat secara metodologis.

\n\n
AKAR MASALAH: Evaluasi Inner Model Yang Tidak Sekuensial Peneliti terburu-buru menyimpulkan hipotesis hanya berdasarkan nilai p-value tanpa evaluasi komprehensif. Gagal Deteksi Kolinearitas (Inner VIF) Nilai VIF > 5.0 diabaikan sehingga memicu fenomena suppression (tanda koefisien terbalik). Abaikan Relevansi Prediktif (Q2) Model memiliki R2 tinggi tetapi tidak mampu melakukan estimasi out-of-sample dengan baik. Dampak Metodologis: Kesimpulan hipotesis bias, temuan tidak dapat direplikasi, dan draf penelitian ditolak penguji. SOLUSI & CATATAN PERBAIKAN: Terapkan 5 tahapan evaluasi struktural: Inner VIF -> R2 -> f2 -> Q2/PLSpredict -> Path Coefficient.
\n

Evaluasi model struktural atau inner model merupakan tahap krusial kedua dalam analisis persamaan struktural berbasis varians setelah model pengukuran (outer model) terbukti valid dan reliabel. Hair et al. (2021) menjelaskan bahwa inner model menggambarkan hubungan prediktif antarvariabel laten yang dibangun berdasarkan pilar teori atau kerangka hipotesis penelitian.

\n

Indikator utama dalam evaluasi inner model meliputi uji kolinearitas (Variance Inflation Factor), koefisien determinasi (R-squared), ukuran efek (f-squared), relevansi prediktif (Q-squared), serta arah dan signifikansi koefisien jalur (path coefficient). Henseler et al. (2009) menekankan bahwa penilaian model struktural pada PLS-SEM berbeda dengan SEM berbasis kovarians karena PLS-SEM tidak mengandalkan indeks keselarasan global (global goodness-of-fit).

\n

Chin (1998) mengemukakan bahwa nilai R-squared mengukur seberapa besar varians variabel endogen yang dapat dijelaskan oleh variabel prediktornya. Kategori nilai R-squared sebesar 0.67, 0.33, dan 0.19 masing-masing diartikan sebagai substansial, moderat, dan lemah. Namun, mengandalkan nilai R-squared saja dapat menyesatkan karena angka tersebut cenderung meningkat seiring bertambahnya variabel eksogen dalam model.

\n

Untuk mengimbangi keterbatasan tersebut, Cohen (1988) merumuskan pengujian f-squared effect size untuk menilai kontribusi relatif suatu variabel eksogen terhadap nilai R-squared variabel endogen. Pengujian ini memberikan informasi apakah hilangnya suatu variabel prediktor berpengaruh secara praktis terhadap substansi model.

\n

Bagi peneliti yang ingin mempelajari dasar teoritis mengenai formulasi persamaan dan konsep dasar pemodelan persamaan struktural, penjelasan landasan teori komprehensif dapat dipelajari pada domain utama statistikian.com.

\n

Geisser (1974) dan Stone (1974) mengembangkan pengujian relevansi prediktif (Q-squared) melalui teknik resampling blindfolding. Nilai Q-squared di atas nol menunjukkan bahwa model memiliki relevansi prediktif bagi variabel laten endogen tertentu.

\n

Berikut adalah langkah-langkah teknis mandiri dan sekuensial untuk melakukan evaluasi model struktural (inner model) agar terhindar dari kesalahan penafsiran:

\n

1. Uji kolinearitas model struktural (inner VIF). Sebelum mengevaluasi koefisien jalur, pastikan seluruh nilai VIF antarvariabel prediktor berada di bawah angka 3.0 atau maksimal 5.0. Jika nilai VIF melebihi 5.0, terjadi multikolinearitas yang membiaskan estimasi koefisien jalur.

\n

2. Evaluasi nilai R-squared pada variabel laten endogen. Nilai ini menggambarkan kemampuan prediktif di dalam sampel (in-sample predictive power) dari model yang diuji.

\n

3. Hitung besarnya f-squared effect size untuk setiap jalur hubungan. Nilai 0.02, 0.15, dan 0.35 mewakili efek kecil, menengah, dan besar. Nilai di bawah 0.02 mengindikasikan bahwa variabel eksogen tidak memberikan kontribusi praktis meskipun koefisien jalur bernilai signifikan secara statistik.

\n

4. Jalankan pengujian Q-squared menggunakan prosedur blindfolding atau prosedur PLSpredict pada SmartPLS 4. Penggunaan PLSpredict kini lebih direkomendasikan oleh Shmueli et al. (2019) untuk mengevaluasi kekuatan prediktif di luar sampel (out-of-sample predictive power).

\n

5. Evaluasi besarnya koefisien jalur (path coefficient) dan signifikansinya menggunakan algoritma bootstrapping (5000 subsamples). Pastikan nilai t-statistic di atas 1.96 dan p-value di bawah 0.05 untuk pengujian dua arah pada tingkat signifikansi 5%.

\n

6. Periksa arah tanda koefisien jalur (positif atau negatif) apakah sesuai dengan hipotesis teoritis. Tanda koefisien yang berlawanan dengan teori meskipun signifikan merupakan indikasi kuat adanya insiden ketiadaan logika teoritis atau masalah kolinearitas tersembunyi.

\n\n
POHON KEPUTUSAN EVALUASI INNER MODEL PLS-SEM Langkah 1: Periksa Inner VIF VIF < 3.0 (Bebas Kolinearitas) VIF > 5.0 (Kolinear Tinggi) Lanjut ke Langkah 2 Solusi: Hapus/Gabungkan Variabel Prediktor Langkah 2: Ukur R2 & f2 R2 > 0.19 (Power In-Sample) f2 >= 0.02 (Kontribusi Bermakna) Lanjut ke Langkah 3 Evaluasi Besaran Efek Relatif Langkah 3: Uji Q2 / PLSpredict Q2 > 0 (Relevansi Prediktif) Q2 <= 0 (Lemah Prediksi) Lanjut ke Langkah 4 Solusi: Spesifikasi Ulang Model Langkah 4: Bootstrapping Path p-value < 0.05 & Tanda Sesuai Tanda Terbalik (Suppression) Hipotesis Diterima & Valid Solusi: Cek Multikolinearitas Tersembunyi
\n

Contoh Tabel/Diagram Output Evaluasi Model Struktural Inner Model PLS SEM

\n\n
Jalur Hubungan Inner VIF Path Coeff f2 Effect R2 / Q2 P Values Keputusan X1 -> Y (Kepuasan) 1.420 +0.412 0.215 (Sedang) R2 = 0.542 0.001 Signifikan X2 -> Y (Kepuasan) 1.650 +0.385 0.182 (Sedang) Q2 = 0.318 0.004 Signifikan X3 -> Y (Bermasalah) 5.820 -0.210 0.012 (Kecil) R2 = 0.542 0.038 Bias / Suppression Cara Baca Output: Jalur X1 dan X2 terbukti ideal (VIF < 3.0, f2 > 0.15, p-value < 0.05). Jalur X3 mengalami bias suppression akibat Inner VIF = 5.820 (> 5.0) walau p-value signifikan (0.038).
\n

Pembacaan matriks output analisis model struktural di atas menunjukkan pentingnya mengevaluasi seluruh indikator secara simultan. Jalur hubungan X1 dan X2 terhadap Y menunjukkan kondisi ideal di mana nilai inner VIF berada di bawah 2.0, nilai f-squared berada pada kategori menengah (di atas 0.15), serta nilai p-value terbukti signifikan dengan arah koefisien positif sesuai dengan hipotesis teori.

\n

Sebaliknya, pada jalur X3 terhadap Y, terjadi kesalahan klasik yang sering terabaikan oleh peneliti. Meskipun nilai p-value bernilai 0.038 (signifikan pada taraf 5%), koefisien jalur bernilai negatif (-0.210) dan nilai inner VIF mencapai 5.820 (melebihi batas toleransi 5.0). Kondisi ini mengindikasikan hadirnya efek supresi (suppression effect) akibat kolinearitas tinggi antarvariabel prediktor, sehingga angka signifikansi tersebut tidak dapat dipercaya secara akademis.

\n

Shmueli et al. (2019) menegaskan bahwa evaluasi kekuatan prediktif kini bergeser dari sekadar mengandalkan nilai R-squared dan Q-squared menuju prosedur PLSpredict. Dalam prosedur PLSpredict, peneliti membandingkan nilai kesalahan prediksi (Root Mean Squared Error atau RMSE) antara model PLS-SEM dengan model dasar regresi linier (LM).

\n

Jika mayoritas indikator variabel endogen pada model PLS-SEM menghasilkan nilai RMSE yang lebih kecil dibandingkan model LM, maka model terbukti memiliki daya prediksi luar sampel (out-of-sample predictive power) yang tinggi. Sebaliknya, jika RMSE model PLS-SEM lebih tinggi daripada model LM, maka model mengalami keterbatasan kemampuan prediksi secara praktis.

\n

Hair et al. (2019) juga mengingatkan bahwa penggunaan kriteria keselarasan model global seperti SRMR (Standardized Root Mean Square Residual) atau NFI (Normed Fit Index) dalam PLS-SEM harus diinterpretasikan secara sangat hati-hati. Tidak seperti pada CB-SEM, nilai SRMR pada PLS-SEM bukan kriteria utama untuk menerima atau menolak model struktural.

\n

Peneliti yang baik harus mengedepankan kriteria substantif seperti besarnya efek praktis (f-squared) dan arah koefisien yang logis daripada memaksakan manipulasi data hanya untuk mengejar nilai indeks fit yang sempurna.

\n

Dengan menerapkan protokol pemeriksaan sekuensial yang mencakup evaluasi kolinearitas, daya jelaskan varians, besaran efek, relevansi prediktif, serta signifikansi koefisien jalur, evaluasi model struktural yang dihasilkan akan kokoh dan terhindar dari bias kesimpulan.

\n

Kesimpulan

\n

Evaluasi model struktural (inner model) dalam PLS-SEM memerlukan pendekatan sistematis yang tidak hanya terfokus pada nilai signifikansi p-value. Peneliti wajib mengevaluasi ketiadaan multikolinearitas melalui nilai inner VIF, mengukur daya jelaskan varians dengan R-squared, menguji besaran efek praktis dengan f-squared, serta memastikan kekuatan prediksi di luar sampel dengan Q-squared atau PLSpredict. Menerapkan tahapan ini secara disiplin akan mencegah timbulnya efek supresi dan menjamin keabsahan ilmiah dari hasil pengujian hipotesis penelitian.

\n

Daftar Pustaka

\n

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.

\n

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

\n

Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

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.

\n

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.

\n

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.

\n

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111-133.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:51:32+07:00", "date_modified": "2026-09-09T19:51:32+07:00" }, { "id": "https://statistikian.net/cara-menangani-indikator-formatif-vs-reflektif-dalam-spesifikasi-model-pls-sem-jangan-salah-pilih/", "url": "https://statistikian.net/cara-menangani-indikator-formatif-vs-reflektif-dalam-spesifikasi-model-pls-sem-jangan-salah-pilih/", "title": "Cara Menangani Indikator Formatif vs Reflektif dalam Spesifikasi Model PLS SEM. Jangan Salah Pilih!", "summary": "Salah menentukan arah hubungan indikator sering berujung pada gugurnya indikator penelitian yang…", "content_html": "
\n

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.

\n

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.

\n\n
Spesifikasi Model Pengukuran Awal: Peneliti menentukan variabel laten beserta indikator-indikator pengukurnya. Gejala Kesalahan Spesifikasi: Indikator formatif diuji dengan kriteria reflektif (loading < 0.70) lalu dihapus sembarangan. Dampak & Solusi Metodologis: Eliminasi indikator formatif merusak definisi variabel; spesifikasi harus disesuaikan dengan teori.
\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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

\n

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.

\n

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.

\n

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.

\n

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.

\n

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).

\n

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.

\n

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.

\n

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.

\n\n
Prinsip Spesifikasi Pengukuran: Tentukan arah kausalitas berdasarkan teori sebelum menggambar model di SmartPLS. Prosedur yang Dilarang: Menghapus indikator formatif hanya karena loading rendah atau menguji Cronbach Alpha pada formatif. Metode Evaluasi yang Tepat: Gunakan VIF & Weight untuk formatif, serta Loading & Reliability untuk reflektif.
\n

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

\n\n
Parameter Evaluasi Model Reflektif Model Formatif Kriteria Standar Validitas Konvergen Outer Loading & AVE Redundancy Analysis Loading > 0.70 / Path > 0.70 Uji Kolinearitas Tidak Diperlukan Outer VIF VIF < 3.0 (Maks 5.0) Signifikansi Item Loading Factor Outer Weight & Loading p-value < 0.05 (Bootstrapping) Reliabilitas Konsistensi Cronbach Alpha & CR Tidak Diuji (N/A) Alpha & CR > 0.70
\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

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.

\n

Kesimpulan

\n

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.

\n

Daftar Pustaka

\n

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.

\n

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.

\n

Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269-277.

\n

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.

\n

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.

\n

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

\n

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.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:45:35+07:00", "date_modified": "2026-09-11T19:33:51+07:00" }, { "id": "https://statistikian.net/tutorial-uji-efek-langsung-direct-effects-dan-tidak-langsung-specifictotal-indirect-effect-di-smartpls/", "url": "https://statistikian.net/tutorial-uji-efek-langsung-direct-effects-dan-tidak-langsung-specifictotal-indirect-effect-di-smartpls/", "title": "Tutorial Uji Efek Langsung (Direct Effects) dan Tidak Langsung (Specific/Total Indirect Effect) di SmartPLS", "summary": "Kebingungan saat membaca laporan pengujian hipotesis mediasi sering dialami peneliti ketika hasil…", "content_html": "
\n

Kebingungan saat membaca laporan pengujian hipotesis mediasi sering dialami peneliti ketika hasil koefisien jalur menunjukkan nilai yang bertolak belakang antar tabel output. Masalah ini kerap ditandai dengan munculnya keraguan saat tutorial uji efek langsung (direct effects) dan tidak langsung (specific/total indirect effect) di SmartPLS dijalankan, di mana efek langsung bernilai tidak signifikan namun efek tidak langsung bernilai signifikan, atau ketika peneliti salah membedakan antara specific indirect effect dan total indirect effect.

\n

Kesalahan penafsiran ini berpotensi menyebabkan salah tarik kesimpulan mengenai sifat mediasi (apakah full mediation, partial mediation, atau no mediation). Gejala kekeliruan teknis juga muncul ketika peneliti masih mengandalkan pengujian Sobel secara manual dibandingkan memanfaatkan prosedur bootstrapping non-parametrik yang disediakan oleh software SmartPLS.

\n\n
Kondisi Model Mediasi Kompleks: Peneliti menguji pengaruh variabel independen ke dependen melalui satu atau lebih variabel intervening. Permasalahan Interpretasi Output: Bingung membedakan Specific vs Total Indirect Effect atau salah mengelompokkan jenis mediasi. Solusi Prosedural SmartPLS: Gunakan algoritma Bootstrapping 5000 subsamples untuk mengevaluasi p-value dan confidence interval.
\n

Secara teoritis, efek langsung (direct effect) didefinisikan sebagai besarnya pengaruh dari variabel eksogen terhadap variabel endogen tanpa melalui variabel perantara. Sementara itu, efek tidak langsung (indirect effect) mewakili besarnya pengaruh variabel eksogen terhadap variabel endogen yang disalurkan melalui satu atau lebih variabel mediasi (intervening). Total efek (total effect) merupakan penjumlahan matematis antara efek langsung dan seluruh efek tidak langsung dalam sistem model struktural.

\n

Pendekatan klasik pengujian mediasi yang dikembangkan oleh Baron dan Kenny (1986) menetapkan empat tahapan pengujian regresi secara bertahap. Namun, metodologi ini memiliki kelemahan statistik yang signifikan, terutama ketergantungan pada asumsi normalitas multivariat dan rendahnya kekuatan statistik (statistical power) pada ukuran sampel sedang hingga kecil.

\n

Seiring berkembangnya teknik Structural Equation Modeling berbasis varians (PLS-SEM), Preacher dan Hayes (2004, 2008) memperkenalkan pendekatan pengujian efek tidak langsung berbasis bootstrapping. Metode ini dipromosikan oleh Hair et al. (2021) karena bersifat non-parametrik, sehingga tidak menuntut distribusi normal data dan mampu menghitung selang kepercayaan (confidence interval) yang jauh lebih akurat.

\n

Pembedaan antara specific indirect effect dan total indirect effect menjadi sangat vital pada model yang memiliki lebih dari satu variabel perantara (multiple mediation). Specific indirect effect mengukur jalur spesifik tertentu melalui satu variabel perantara khusus, sedangkan total indirect effect mengukur akumulasi seluruh jalur tidak langsung yang menghubungkan variabel eksogen ke variabel endogen.

\n

Bagi peneliti yang ingin mendalami landasan ilmiah mengenai formulasi matematis serta konsep dasar analisis jalur dan mediasi variabel, dapat membaca ulasan teori mendalam yang dipublikasikan pada domain utama statistikian.com.

\n

Berikut adalah langkah-langkah teknis mandiri untuk menjalankan dan mengevaluasi uji efek langsung serta tidak langsung pada perangkat lunak SmartPLS:

\n

1. Buka proyek analisis pada aplikasi SmartPLS dan pastikan model struktural yang menghubungkan variabel eksogen, variabel perantara, serta variabel endogen telah tergambar dengan benar.

\n

2. Pilih menu Calculate lalu klik opsi Bootstrapping. Penggunaan algoritma bootstrapping wajib dilakukan karena estimasi efek tidak langsung tidak dapat diperoleh dari perhitungan PLS-SEM algorithm standar.

\n

3. Atur parameter Subsamples sebanyak 5000 untuk menjamin kestabilan estimasi statistik, pilih metode Two-Tailed pada uji signifikansi, dan centang opsi Bias-Corrected and Accelerated (BCa) Bootstrap untuk memperoleh confidence interval yang presisi.

\n

4. Setelah proses perhitungan selesai, buka lembar hasil (report) dan masuk ke bagian Path Coefficients untuk mengevaluasi nilai koefisien, t-statistic, dan p-value dari efek langsung (direct effects).

\n

5. Navigasikan tampilan ke bagian Specific Indirect Effects. Tabel ini menampilkan nilai estimasi tiap jalur tidak langsung secara terpisah beserta tingkat signifikansi masing-masing jalur perantara.

\n

6. Periksa tabel Total Indirect Effects untuk melihat penjumlahan seluruh efek tidak langsung dari variabel eksogen ke endogen. Nilai ini sangat berguna untuk menilai signifikansi dampak perantara secara keseluruhan.

\n

7. Hitung nilai total efek yang merupakan gabungan koefisien efek langsung dan total efek tidak langsung untuk memahami daya pengaruh menyeluruh variabel eksogen terhadap endogen.

\n

8. Tentukan tipologi mediasi berdasarkan kriteria Zhao et al. (2010) dan Nitzl et al. (2016): jika efek tidak langsung signifikan dan efek langsung signifikan dengan arah koefisien sama, maka terjadi complementary partial mediation; jika arah koefisien berlawanan terjadi competitive partial mediation; jika efek tidak langsung signifikan namun efek langsung tidak signifikan terjadi full mediation.

\n\n
Tahapan Eksekusi Teknis: Atur Bootstrapping 5000 subsamples dengan BCa Confidence Interval 95%. Hindari Praktik Obsolete: Jangan menggunakan Uji Sobel manual atau mengabaikan tabel Specific Indirect Effects. Output & Keputusan Final: Evaluasi p-value pada tabel Path Coefficients dan Specific Indirect Effects secara bersamaan.
\n

Contoh Tabel/Diagram Output Uji Efek Langsung dan Tidak Langsung di SmartPLS

\n\n
Jalur Hubungan Sample (O) T Stats P Values Kesimpulan X -> Y (Direct Effect) 0.215 2.105 0.036 Signifikan (Direct) X -> M1 -> Y (Specific) 0.312 3.842 0.000 Signifikan (Mediasi M1) X -> M2 -> Y (Specific) 0.085 1.120 0.263 Tidak Signifikan Total Indirect Effect (X -> Y) 0.397 4.210 0.000 Signifikan Total Effect (X -> Y) 0.612 6.540 0.000 Signifikan Catatan: Nilai P Value < 0.05 menunjukkan pengaruh signifikan pada tingkat signifikansi 5%.
\n

Pembacaan tabel output SmartPLS di atas menunjukkan bahwa pengaruh langsung X ke Y bernilai koefisien 0.215 dengan p-value 0.036 (signifikan pada taraf 5%). Sementara itu, pengujian efek tidak langsung spesifik melalui M1 menghasilkan koefisien 0.312 dengan p-value 0.000 (signifikan), sedangkan jalur tidak langsung melalui M2 menghasilkan koefisien 0.085 dengan p-value 0.263 (tidak signifikan).

\n

Hasil ini menegaskan bahwa variabel M1 terbukti secara empiris berperan sebagai variabel perantara yang signifikan, sedangkan M2 tidak berfungsi sebagai perantara dalam model ini. Karena baik efek langsung maupun specific indirect effect melalui M1 bernilai signifikan dengan tanda koefisien yang sama-sama positif, maka dapat disimpulkan bahwa bentuk mediasi variabel M1 adalah complementary partial mediation.

\n

Secara akademis, pergeseran dari metode konvensional Baron dan Kenny menuju uji mediasi berbasis bootstrapping didukung kuat oleh literatur modern. Zhao et al. (2010) mengritik syarat awal Baron dan Kenny yang mengharuskan adanya pengaruh langsung yang signifikan sebelum menguji efek tidak langsung. Dalam banyak kasus praktis, efek tidak langsung dapat terbentuk secara signifikan meskipun efek langsung tidak terdeteksi.

\n

Nitzl et al. (2016) menekankan pentingnya menganalisis specific indirect effect dalam model mediasi berganda (multiple mediation). Menggabungkan seluruh efek tidak langsung hanya pada angka total indirect effect tanpa memeriksa tiap jalur secara spesifik dapat menutupi keberadaan jalur perantara yang sebenarnya tidak signifikan atau bahkan saling meniadakan.

\n

Dalam hal pelaporan hasil pada jurnal ilmiah, Hair et al. (2021) merekomendasikan untuk menyajikan koefisien sampel asli (original sample), standar deviasi, t-statistic, p-value, serta nilai bias-corrected confidence interval 95% (2.5% dan 97.5%). Penyajian rentang kepercayaan ini memberikan bukti statistik yang lebih kokoh daripada sekadar mengandalkan nilai p-value.

\n

Mengenai penggunaan indikator Variance Accounted For (VAF), sebagian besar pakar PLS-SEM saat ini lebih menyarankan klasifikasi tipologi mediasi Zhao et al. daripada mematok persentase VAF. Hal ini disebabkan VAF sering kali memberikan hasil yang tidak stabil jika nilai efek langsung sangat kecil atau mendekati nol.

\n

Penerapan prosedur bootstrapping yang tepat di SmartPLS menjamin bahwa analisis hubungan langsung, tidak langsung spesifik, dan tidak langsung total dapat dipertanggungjawabkan secara metodologis, bebas dari bias asumsi distribusi, dan memenuhi standar publikasi internasional.

\n

Kesimpulan

\n

Pengujian efek langsung (direct effect), efek tidak langsung spesifik (specific indirect effect), dan efek tidak langsung total (total indirect effect) di SmartPLS merupakan prosedur krusial dalam analisis mediasi. Dengan memanfaatkan fitur bootstrapping non-parametrik 5000 subsamples, peneliti dapat menguji signifikansi jalur perantara secara presisi tanpa terkendala asumsi normalitas data. Pemahaman yang tepat terhadap perbedaan tabel specific dan total indirect effect memastikan penarikan kesimpulan tipologi mediasi secara akurat dan valid.

\n

Daftar Pustaka

\n

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.

\n

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.

\n

Nitzl, C., Roldan, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849-1864.

\n

Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36(4), 717-731.

\n

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891.

\n

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation. Journal of Consumer Research, 37(2), 197-206.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:40:43+07:00", "date_modified": "2026-09-09T22:50:19+07:00" }, { "id": "https://statistikian.net/kapan-harus-menggunakan-cb-sem-vs-pls-sem-analisis-kriteria-pemilihan-kemampuan-smartpls-4/", "url": "https://statistikian.net/kapan-harus-menggunakan-cb-sem-vs-pls-sem-analisis-kriteria-pemilihan-kemampuan-smartpls-4/", "title": "Kapan Harus Menggunakan CB SEM vs PLS SEM? Analisis Kriteria Pemilihan? Kemampuan SmartPLS 4", "summary": "Saat menyusun rancangan analisis persamaan struktural, banyak peneliti menghadapi dilema metodologis terkait…", "content_html": "
\n

Saat menyusun rancangan analisis persamaan struktural, banyak peneliti menghadapi dilema metodologis terkait kapan harus menggunakan CB SEM vs PLS SEM untuk menguji model konseptual mereka. Ketidakpahaman mengenai kriteria pemilihan yang tepat sering kali berujung pada pesan kesalahan teknis seperti covariance matrix is not positive definite pada perangkat lunak berbasis kovarians, atau penolakan draf publikasi oleh penelaah sejawat akibat alasan metodologis yang tidak terjustifikasi. Kehadiran kemampuan SmartPLS 4 memberikan solusi modern karena menyediakan dua mesin komputasi sekaligus dalam satu platform.

\n

Gejala utama dari permasalahan ini tampak ketika peneliti memaksa menggunakan Covariance-Based Structural Equation Modeling (CB-SEM) pada data yang tidak memenuhi asumsi normalitas multivariat, sehingga menghasilkan nilai indeks keselarasan model (model fit) seperti RMSEA, CFI, dan TLI yang tidak memenuhi syarat. Sebaliknya, penggunaan Partial Least Squares Structural Equation Modeling (PLS-SEM) secara sembarangan pada model konfirmasi murni tanpa mempertimbangkan karakteristik pengukuran juga sering dikritik karena isu konsistensi estimasi.

\n\n
Kondisi Dilema Metodologis: Peneliti bingung memilih antara pendekatan Covariance-Based atau Variance-Based SEM. Gejala Permasalahan: Model Fit CB-SEM gagal (RMSEA > 0.08) atau draf riset ditolak reviewer karena salah metode. Solusi & Catatan Metodologis: Evaluasi kriteria tujuan penelitian, skala data, dan manfaatkan dual-engine SmartPLS 4.
\n

Landasan teoritis dari kedua pendekatan ini memiliki pilar matematis yang sangat berbeda. Pendekatan CB-SEM yang dipelopori oleh Joreskog (1978) berfokus pada upaya meminimalkan selisih antara matriks kovarians sampel empiris dengan matriks kovarians yang diestimasikan oleh model teori. Metode ini sangat ideal untuk pengujian teori yang sudah mapan (theory testing) dan membutuhkan pemenuhan asumsi kualitatif data yang ketat.

\n

Di sisi lain, pendekatan PLS-SEM yang diawali oleh Wold (1982) dan dikembangkan pesat oleh Hair et al. (2021) berfokus pada memaksimalkan varians konstruk endogen yang dapat dijelaskan (explained variance). Pendekatan berorientasi prediksi ini sangat fleksibel terhadap sebaran data yang tidak berdistribusi normal multivariat serta mampu mengolah model dengan tingkat kompleksitas tinggi.

\n

Sarstedt et al. (2016) menegaskan bahwa pemilihan antara CB-SEM dan PLS-SEM bukanlah masalah mana metode yang lebih superior, melainkan mana pendekatan yang paling sesuai dengan tujuan penelitian, struktur model pengukuran, dan karakteristik sampel yang dimiliki oleh peneliti.

\n

Pembaca yang ingin memahami kerangka teoritis dasar mengenai formulasi matematis dan perbedaan paradigma analisis Structural Equation Modeling dapat mempelajari ulasan landasan teori komprehensif yang telah dipublikasikan di situs utama statistikian.com.

\n

Menurut Henseler et al. (2014), kesalahan mendasar yang sering terjadi di kalangan mahasiswa dan peneliti adalah menganggap PLS-SEM sebagai pengganti serbaguna bagi CB-SEM tanpa mempertimbangkan implikasi ilmiah dari struktur estimasi parameter yang dihasilkan.

\n

Berikut adalah langkah-langkah teknis mandiri dan kriteria keputusan yang sistematis untuk menentukan penggunaan CB-SEM atau PLS-SEM beserta eksekusinya di SmartPLS 4:

\n

1. Evaluasi tujuan utama penelitian. Jika tujuan penelitian adalah menguji, memverifikasi, atau membandingkan teori yang sudah sangat mapan, pilih CB-SEM. Jika tujuan utama adalah mengembangkan teori, melakukan eksplorasi, atau memprediksi konstruk kunci, pilih PLS-SEM.

\n

2. Periksa jenis model pengukuran pada indikator. Jika model penelitian mengandung indikator formatif (formative measurement model), sangat disarankan menggunakan PLS-SEM karena CB-SEM mengalami kesulitan identifikasi matematis pada indikator formatif.

\n

3. Uji asumsi distribusi data multivariat. Jika data berdistribusi normal multivariat, CB-SEM dapat digunakan dengan optimal. Jika data terbukti miring (skewed) atau tidak memenuhi asumsi normalitas, gunakan PLS-SEM yang bersifat non-parametrik.

\n

4. Perhitungkan ukuran sampel penelitian. Jika ukuran sampel terbatas atau kecil relatif terhadap kompleksitas model, PLS-SEM memiliki kekuatan statistik (statistical power) yang lebih baik dibandingkan CB-SEM.

\n

5. Buka aplikasi SmartPLS 4 dan buat proyek baru. Perangkat lunak SmartPLS 4 kini dilengkapi dengan modul CB-SEM Engine dan PLS-SEM Engine dalam satu antarmuka grafis yang sama.

\n

6. Pilih opsi pembuatan model sesuai pendekatan yang ditetapkan. Apabila memilih CB-SEM di SmartPLS 4, sistem akan menjalankan algoritma Maximum Likelihood untuk menghitung indeks Goodness of Fit standar seperti Chi-Square, CFI, TLI, dan RMSEA.

\n

7. Apabila memilih PLS-SEM di SmartPLS 4 pada model reflektif, manfaatkan fitur Consistent PLS (PLSc) untuk memperoleh estimasi koefisien yang bebas dari bias attenuasi seperti halnya pada CB-SEM.

\n

8. Dokumentasikan alasan pemilihan metode pada bab metodologi penelitian berdasarkan pohon keputusan di atas agar terhindar dari sanggahan tim penelaah atau penguji.

\n\n
Prosedur Perbaikan & Pemilihan Metode: Lakukan pemeriksaan tujuan riset, model pengukuran, dan karakteristik distribusi data. Hindari Asumsi Keliru: Jangan memaksakan CB-SEM pada konstruk formatif atau mengabaikan PLSc di PLS-SEM. Eksekusi Dual Engine SmartPLS 4: Pilih Engine CB-SEM (Maximum Likelihood) atau PLS-SEM / PLSc sesuai kriteria rasional.
\n

Contoh Tabel/Diagram Output Perbandingan Kriteria CB SEM vs PLS SEM dan SmartPLS 4

\n\n
Kriteria Evaluasi CB-SEM Engine PLS-SEM Engine SmartPLS 4 Tujuan Riset Pengujian / Konfirmasi Teori Prediksi / Eksplorasi Teori Mendukung Keduanya Model Pengukuran Hanya Reflektif Reflektif & Formatif Modul Formatif Luwes Asumsi Distribusi Normal Multivariat Ketat Bebas Distribusi (Non-Param) Bootstrapping BCa Penting: SmartPLS 4 memungkinkan eksekusi algoritma CB-SEM dan PLS-SEM pada satu file proyek yang sama.
\n

Berdasarkan matriks perbandingan output di atas, perbedaan mendasar antara CB-SEM dan PLS-SEM terletak pada orientasi analitis dan asumsi statistik yang melandasinya. CB-SEM menuntut asumsi distribusi normalitas multivariat yang ketat serta membatasi model pengukuran hanya pada bentuk reflektif.

\n

Sebaliknya, PLS-SEM memberikan kebebasan bagi peneliti untuk mengakomodasi indikator reflektif maupun formatif tanpa dibatasi oleh asumsi sebaran data. Keunggulan utama dari rilis SmartPLS 4 adalah fleksibilitas dual engine yang memungkinkan peneliti membandingkan hasil estimasi dari kedua pendekatan secara langsung tanpa perlu berpindah ke aplikasi lain.

\n

Hair et al. (2019) mengemukakan bahwa pengembangan metodologis dalam dua dekade terakhir telah mengikis dikotomi kaku antara pengguna CB-SEM dan PLS-SEM. Peneliti masa kini dituntut untuk bersikap pragmatis dan memilih alat analisis yang paling relevan dengan pertanyaan penelitian yang diajukan.

\n

Inovasi modul CB-SEM pada SmartPLS 4 memanfaatkan estimasi berbasis Maximum Likelihood yang menghasilkan indeks keselarasan seperti Chi-Square, SRMR, dan RMSEA. Hal ini mempermudah konfirmasi model struktural tanpa harus menghadapi kerumitan antarmuka perangkat lunak generasi lama.

\n

Di sisi lain, bagi peneliti yang menggunakan PLS-SEM tetapi ingin mengoreksi bias estimasi sampel terbatas pada indikator reflektif, penggunaan algoritma Consistent PLS (PLSc) pada SmartPLS 4 menjembatani kekuatan kedua pendekatan tersebut secara harmonis.

\n

Dengan mempertimbangkan kriteria pemilihan yang tepat serta mengoptimalkan kemampuan SmartPLS 4, keputusan metodologis dapat dipertanggungjawabkan secara ilmiah dan meningkatkan probabilitas penerimaan karya ilmiah pada jurnal terakreditasi.

\n

Kesimpulan

\n

Pemilihan antara CB-SEM dan PLS-SEM harus didasarkan pada kriteria metodologis yang rasional, mencakup tujuan penelitian, bentuk model pengukuran, asumsi distribusi data, serta ukuran sampel. CB-SEM unggul untuk menguji dan mengonfirmasi teori yang terstruktur ketat dengan asumsi normalitas, sementara PLS-SEM unggul dalam memprediksi dan mengidentifikasi konstruk kompleks berbasis data non-parametrik. Kehadiran SmartPLS 4 sebagai perangkat lunak dual-engine memberikan kemudahan ekstra bagi peneliti untuk mengaplikasikan kedua pendekatan secara presisi dan efisien dalam satu platform terpadu.

\n

Daftar Pustaka

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

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.

\n

Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182-209.

\n

Joreskog, K. G. (1978). Structural analysis of covariance matrices in sample designs. Psychometrika, 43(4), 443-477.

\n

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.

\n

Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Joreskog & H. Wold (Eds.), Systems Under Indirect Observation: Causality, Structure, Prediction (Vol. 2, pp. 1-54). North-Holland.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:36:10+07:00", "date_modified": "2026-09-09T19:36:10+07:00" }, { "id": "https://statistikian.net/mengatasi-masalah-diskriminan-validitas-fornell-larcker-and-htmt-tidak-terpenuhi-pls-sem-smartpls/", "url": "https://statistikian.net/mengatasi-masalah-diskriminan-validitas-fornell-larcker-and-htmt-tidak-terpenuhi-pls-sem-smartpls/", "title": "Mengatasi Masalah Diskriminan Validitas (Fornell-Larcker & HTMT) Tidak Terpenuhi PLS SEM SmartPLS", "summary": "Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering mendapati…", "content_html": "
\n

Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering mendapati hasil evaluasi outer model yang tidak memenuhi kriteria pengujian. Memahami prosedur dalam mengatasi masalah diskriminan validitas (Fornell-Larcker & HTMT) tidak terpenuhi PLS SEM pada SmartPLS merupakan langkah krusial untuk memastikan bahwa setiap konstruk laten dalam model penelitian benar-benar mengukur fenomena yang berbeda secara konseptual.

\n

Gejala utama dari permasalahan ini ditandai dengan nilai akar kuadrat Average Variance Extracted (AVE) suatu konstruk yang lebih kecil daripada korelasi antara konstruk tersebut dengan konstruk lainnya pada matriks Fornell-Larcker. Selain itu, nilai Heterotrait-Monotrait Ratio of Correlations (HTMT) antar dua variabel laten kerap melebihi ambang batas 0,85 atau 0,90. Kondisi ini mengindikasikan adanya tumpang tindih pengukuran (construct overlap) dan masalah multikolinearitas yang tinggi antar variabel laten.

\n\n
Kondisi Evaluasi Validitas Diskriminan (Outer Model): Pemeriksaan batas unik antar konstruk laten menggunakan matriks Fornell-Larcker dan rasio HTMT. Gejala Permasalahan: Akar AVE < Korelasi antar konstruk atau Nilai HTMT > 0.90 (Tumpang tindih pengukuran antar variabel). Solusi & Catatan Metodologis: Eliminasi indikator cross-loading tinggi secara bertahap, gabungkan konstruk, atau uji HTMT inference BCa.
\n

Secara teoritis, validitas diskriminan menjamin bahwa sebuah konstruk laten bersifat unik dan mampu menangkap fenomena yang tidak diwakili oleh konstruk lain dalam model struktural. Fornell dan Larcker (1981) menyyaratkan bahwa sebuah konstruk harus berbagi lebih banyak varians dengan indikator-indikatornya sendiri daripada dengan konstruk laten lainnya.

\n

Namun, studi simulasi statistik oleh Henseler et al. (2015) menunjukkan bahwa kriteria tradisional Fornell-Larcker sering kali gagal mendeteksi masalah validitas diskriminan pada situasi sampel tertentu. Sebagai dampaknya, Henseler et al. mengembangkan pendekatan Heterotrait-Monotrait Ratio of Correlations (HTMT) yang memiliki tingkat sensitivitas jauh lebih tinggi dalam mengidentifikasi kurangnya validitas diskriminan.

\n

Menurut Hair et al. (2021), terdapat dua ambang batas utama untuk evaluasi rasio HTMT. Ambang batas konvensional yang ketat menetapkan nilai maksimum sebesar 0,85 untuk konstruk yang secara teoritis sangat berbeda. Sedangkan untuk konstruk yang secara konseptual memiliki kemiripan erat, nilai batas toleransi diperlonggar hingga 0,90.

\n

Pembaca yang ingin mendalami landasan matematis dan konsep dasar evaluasi model pengukuran PLS SEM dapat membaca referensi teoritis lengkap yang disajikan di situs utama statistikian.com.

\n

Kegagalan memenuhi syarat validitas diskriminan berimplikasi serius pada hasil analisis struktural. Garson (2016) menegaskan bahwa jika dua konstruk laten mengalami tumpang tindih pengukuran, estimasi koefisien jalur (path coefficients) dapat menjadi bias, tidak stabil, atau bahkan menghasilkan tanda koefisien yang berlawanan dengan teori (spurious correlation).

\n

Berikut adalah langkah-langkah perbaikan teknis mandiri yang sistematis untuk mengatasi masalah validitas diskriminan yang tidak terpenuhi pada PLS SEM dengan SmartPLS:

\n

1. Buka laporan hasil PLS Algorithm di SmartPLS, kemudian periksa matriks Cross Loadings pada bagian evaluasi Outer Model.

\n

2. Identifikasi indikator-indikator yang memiliki nilai bobot muatan (loading rate) tinggi pada konstruk lain yang tidak seharusnya (cross-loading berlebih).

\n

3. Lakukan penghapusan (dropping) indikator bermasalah tersebut satu per satu secara iteratif, dimulai dari indikator yang memiliki selisih loading paling kecil antara konstruk aslinya dengan konstruk lawan.

\n

4. Jalankan kembali algoritma PLS setelah menghapus satu indikator, lalu periksa ulang apakah kriteria Fornell-Larcker atau rasio HTMT telah memenuhi ambang batas yang disyaratkan.

\n

5. Apabila eliminasi indikator tidak menyelesaikan masalah tanpa mengorbankan content validity, periksa isi item pertanyaan kuesioner untuk melihat apakah ada redundansi makna item antar variabel.

\n

6. Jika dua konstruk laten secara substansial terbukti mengukur hal yang hampir sama (nilai HTMT mendekati 1,0), pertimbangkan untuk menggabungkan kedua konstruk tersebut menjadi satu konstruk tingkat tinggi (higher-order construct) yang secara teoritis valid.

\n

7. Jalankan prosedur Complete Bootstrapping untuk menguji HTMT Inference guna memeriksa apakah batas atas interval kepercayaan (Confidence Interval Bias-Corrected) tidak mencakup angka 1,0.

\n\n
Prosedur Perbaikan Teknis Iteratif: Akses Matriks Cross Loadings -> Identifikasi Indikator Tumpang Tindih -> Hapus Iteratif. Hindari Kesalahan Umum: Menghapus banyak indikator sekaligus tanpa memeriksa penurunan nilai AVE dan reliabilitas komposit. Solusi Lanjutan & Penggabungan Konstruk: Jika HTMT tetap > 0.90 setelah pembersihan item, gabungkan konstruk atau gunakan HTMT Inference BCa.
\n

Contoh tabel/diagram output HTMT dan Fornell-Larcker SmartPLS

\n\n
Pasangan Konstruk Laten Nilai HTMT Fornell-Larcker (Akar AVE vs Korelasi) Status Kepuasan -> Loyalitas 0.742 Akar AVE (0.812) > Korelasi (0.680) Lolos Kepercayaan -> Reputasi 0.938 Akar AVE (0.710) < Korelasi (0.820) Gagal Cara Membaca Output Validitas Diskriminan: 1. Kepuasan -> Loyalitas: HTMT (0.742) < 0.85 dan Akar AVE > Korelasi -> Validitas Diskriminan Terpenuhi. 2. Kepercayaan -> Reputasi: HTMT (0.938) > 0.90 dan Akar AVE < Korelasi -> Masalah Diskriminan Validitas.
\n

Berdasarkan tabel output analisis di atas, hubungan antara variabel Kepuasan dan Loyalitas menunjukkan nilai HTMT sebesar 0,742 yang berada di bawah ambang batas 0,85, serta nilai akar kuadrat AVE (0,812) yang lebih besar daripada koefisien korelasi antar kedua variabel tersebut (0,680). Kondisi ini mengonfirmasi bahwa kedua variabel tersebut memenuhi syarat validitas diskriminan secara sempurna.

\n

Sebaliknya, hubungan antara variabel Kepercayaan dan Reputasi menunjukkan nilai HTMT sebesar 0,938 yang melampaui batas toleransi 0,90, disertai akar kuadrat AVE (0,710) yang lebih kecil daripada nilai korelasi antar konstruk (0,820). Hal ini membuktikan adanya masalah diskriminan validitas serius yang memerlukan tindakan perbaikan teknis pada indikator pembentuknya.

\n

Prosedur eliminasi indikator bermasalah harus dilakukan secara hati-hati dan bertahap. Hair et al. (2021) menekankan bahwa peneliti tidak boleh secara asal menghapus indikator hanya demi mencapai angka statistik yang bagus tanpa mempertimbangkan representasi teori dari konstruk yang diukur.

\n

Alternatif analisis yang sangat disarankan oleh Henseler et al. (2015) ketika nilai matriks HTMT berada pada batas samar (antara 0,85 hingga 0,90) adalah dengan menggunakan pengujian HTMT Inference melalui metode bootstrapping. Jika interval kepercayaan 95 persen yang dikoreksi bias (BCa) tidak mencakup nilai 1,0, maka validitas diskriminan secara statistik masih dapat diterima.

\n

Pemahaman yang mendalam mengenai prinsip pengukuran ini mencegah kesalahan penarikan kesimpulan pada tahap pengujian model struktural. Bagi peneliti yang membutuhkan pemahaman komprehensif mengenai metodologi landasan teori uji validitas dan reliabilitas, penjelasan фундаментаal dapat dipelajari lebih lanjut melalui rujukan ilmiah di statistikian.com.

\n

Dengan mengaplikasikan tahapan eliminasi iteratif berdasarkan matriks cross loadings atau menerapkan pengujian inferensi HTMT, kendala tidak terpenuhinya validitas diskriminan pada SmartPLS dapat diselesaikan dengan tepat dan sesuai dengan kaidah metodologi penelitian yang berlaku.

\n

Kesimpulan

\n

Pengujian validitas diskriminan merupakan syarat mutlak dalam evaluasi model pengukuran PLS-SEM sebelum melakukan uji hipotesis struktural. Penggunaan kriteria HTMT memberikan estimasi yang lebih superior dan akurat dibandingkan kriteria tradisional Fornell-Larcker. Ketika terjadi ketidaksesuaian kriteria diskriminan, langkah perbaikan harus dilakukan secara iteratif melalui pemeriksaan matriks cross loadings, penghapusan indikator tumpang tindih secara cermat, penggabungan konstruk jika terbukti identik, atau melalui pengujian interval kepercayaan HTMT inference.

\n

Daftar Pustaka

\n

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.

\n

Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of Fornell-Larcker criterion and HTMT. Journal of Business Research, 104, 330-342.

\n

Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Statistical Associates Publishers.

\n

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.

\n

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:29:15+07:00", "date_modified": "2026-09-09T19:29:15+07:00" }, { "id": "https://statistikian.net/tutorial-langkah-bootstrapping-pls-sem-dengan-smartpls-untuk-menguji-hipotesis-signifikansi/", "url": "https://statistikian.net/tutorial-langkah-bootstrapping-pls-sem-dengan-smartpls-untuk-menguji-hipotesis-signifikansi/", "title": "Tutorial Langkah Bootstrapping PLS SEM dengan SmartPLS untuk Menguji Hipotesis Signifikansi", "summary": "Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering kali…", "content_html": "\n
\n

Ketika melakukan analisis Partial Least Squares Structural Equation Modeling, peneliti sering kali mengalami kendala saat nilai p-value atau t-statistik tidak muncul pada diagram jalur maupun laporan akhir. Memahami tutorial langkah bootstrapping PLS SEM dengan SmartPLS untuk menguji hipotesis signifikansi merupakan solusi teknis utama untuk mengatasi masalah output koefisien jalur yang hanya menampilkan nilai estimasi titik tanpa indikator signifikansi statistik.

\n

Gejala utama dari permasalahan ini adalah hasil kalkulasi SmartPLS yang hanya memperlihatkan nilai Original Sample (koefisien regresi) tanpa disertai nilai probabilitas kesalahan. Hal ini terjadi karena algoritma dasar PLS bersifat non-parametrik dan tidak mengasumsikan distribusi normal multivariat, sehingga pengujian hipotesis tidak dapat dilakukan secara langsung tanpa melalui prosedur resampling empiris.

\n\n
Kondisi Awal (PLS Algorithm Standard): Output hanya menampilkan Original Sample (O). Tidak ada nilai T-Statistics dan P-Values. Gejala Permasalahan: Hipotesis penelitian tidak dapat disimpulkan karena tingkat signifikansi hubungan antar variabel tidak diketahui. Solusi & Catatan Metodologis: Diperlukan prosedur Resampling Bootstrapping (minimal 5.000 subsampel) untuk membentuk distribusi empiris.
\n

Latar belakang teoritis dari metode ini berakar pada karakteristik PLS-SEM sebagai metode statistik non-parametrik. Menurut Hair et al. (2021), PLS-SEM tidak mengandalkan asumsi distribusi data tertentu, sehingga uji signifikansi parametrik standar seperti uji t Student biasa tidak dapat diterapkan secara langsung pada model struktural.

\n

Prosedur bootstrapping bekerja dengan cara mengambil sampel ulang secara acak dari data asli dengan pengembalian (with replacement). Proses penarikan sampel ulang ini dilakukan hingga ribuan kali untuk membangun distribusi sampling empiris bagi setiap estimasi parameter dalam model.

\n

Henseler et al. (2009) menyatakan bahwa melalui variasi dari ribuan subsampel tersebut, nilai kesalahan standar (standard error) empiris dari setiap koefisien jalur dapat dihitung secara akurat. Nilai kesalahan standar inilah yang kemudian digunakan sebagai pembagi dalam menghasilkan nilai t-statistik.

\n

Pembaca yang ingin memahami secara mendalam mengenai konsep dasar dan formulasi Partial Least Squares Structural Equation Modeling dapat mempelajari landasan teoritis komprehensif yang telah dibahas pada artikel utama di statistikian.com.

\n

Berdasarkan pemikiran Tenenhaus et al. (2005), keunggulan utama teknik bootstrapping adalah kemampuannya memberikan estimasi selang kepercayaan yang valid meskipun data penelitian mengalami ketidaknormalan distribusi atau berukuran sampel relatif kecil.

\n

Berikut adalah langkah-langkah teknis mandiri untuk menjalankan prosedur bootstrapping di aplikasi SmartPLS guna menguji signifikansi hipotesis penelitian:

\n

1. Buka perangkat lunak SmartPLS dan pastikan model konseptual (model pengukuran dan model struktural) telah terhubung dengan benar serta data telah terimpor tanpa kesalahan.

\n

2. Klik menu Calculate pada bagian atas antarmuka SmartPLS, lalu pilih opsi Bootstrapping dari daftar pilihan algoritma.

\n

3. Pada jendela pengaturan, ubah nilai Subsamples menjadi 5.000. Hair et al. (2021) merekomendasikan jumlah subsampel minimal 5.000 agar estimasi nilai p-value stabil dan konsisten.

\n

4. Pilih metode Complete Bootstrapping untuk memperoleh estimasi yang paling presisi, meskipun membutuhkan waktu komputasi sedikit lebih lama dibandingkan opsi Faster Bootstrapping.

\n

5. Pada bagian Test Type, pilih Two-Tailed jika hipotesis penelitian tidak memiliki arah hubungan yang spesifik, atau pilih One-Tailed jika hipotesis memiliki arah hubungan yang berprediksi (misalnya berpengaruh positif).

\n

6. Tentukan Significance Level sebesar 0,05 (tingkat kepercayaan 95 persen) sesuai standar pengujian dalam ilmu sosial dan bisnis.

\n

7. Pada bagian Confidence Interval Method, pilih opsi Bias-Corrected and Accelerated (BCa) Bootstrap untuk menghasilkan interval kepercayaan yang telah dikoreksi dari bias kemiringan data.

\n

8. Tekan tombol Start Calculation dan tunggu hingga proses komputasi resampling selesai dijalankan.

\n\n
Prosedur Perbaikan Teknis: Akses Menu Calculate -> Bootstrapping pada aplikasi SmartPLS. Hindari Kesalahan Pengaturan: Menggunakan subsampel bawaan (500) menyebabkan estimasi p-value tidak stabil untuk publikasi. Konfigurasi Parameter Optimal: Subsamples: 5000 | Method: Complete | Test: Two-Tailed | CI: BCa Confidence Interval.
\n

Contoh Tabel/Diagram output Bootstrapping PLS SEM SmartPLS

\n\n
Hubungan Variabel Original (O) Mean (M) STDEV T Statistics P Values Motivasi -> Kinerja 0.425 0.428 0.085 5.000 0.000 Kepemimpinan -> Kinerja 0.120 0.122 0.095 1.263 0.207 Cara Membaca Output Bootstrapping: 1. Motivasi terhadap Kinerja: T-Statistik (5.000) > 1.96 dan P-Value (0.000) < 0.05 -> Hipotesis Diterima (Signifikan). 2. Kepemimpinan terhadap Kinerja: T-Statistik (1.263) < 1.96 dan P-Value (0.207) > 0.05 -> Hipotesis Ditolak (Tidak Signifikan).
\n

Berdasarkan tabel output hasil bootstrapping di atas, kolom Original Sample (O) menunjukkan besarnya nilai koefisien jalur atau arah pengaruh antar variabel. Kolom Sample Mean (M) merupakan rata-rata koefisien yang dihitung dari 5.000 subsampel, sedangkan Standard Deviation (STDEV) menggambarkan besarnya tingkat kesalahan standar dari penarikan sampel ulang tersebut.

\n

Penentu utama pengujian hipotesis terletak pada nilai T Statistics dan P Values. Untuk pengujian dua arah dengan tingkat signifikansi 5 persen, hipotesis dinyatakan berpengaruh signifikan secara statistik apabila nilai t-statistik melebihi nilai kritis 1,96 dan nilai p-value berada di bawah ambang batas 0,05.

\n

Implikasi ilmiah dari penggunaan 5.000 subsampel adalah untuk meminimalkan variasi acak akibat proses pemilihan data ulang. Chin (2010) menegaskan bahwa jumlah subsampel yang terlalu sedikit dapat menyebabkan kestabilan estimasi nilai p-value berkurang, sehingga berisiko menghasilkan keputusan uji hipotesis yang keliru.

\n

Mengenai pemilihan metode interval kepercayaan, penggunaan Bias-Corrected and Accelerated (BCa) Bootstrap sangat dianjurkan dibandingkan metode Percentile Bootstrap standar. Henseler et al. (2015) mengemukakan bahwa BCa mampu mengoreksi ketidaksimetrisan dan bias pada distribusi sampel empiris, sehingga menghasilkan batas interval kepercayaan yang lebih presisi.

\n

Pemahaman yang komprehensif mengenai aturan keputusan statistik ini penting agar peneliti tidak salah dalam mengambil kesimpulan. Bagi pembaca yang ingin memperdalam kaidah teoritis pengujian inferensial dan landasan teori uji hipotesis signifikansi, pembahasan mendalam dapat diakses melalui repositori materi statistikian.com.

\n

Dengan menjalankan seluruh prosedur teknis di atas, masalah p-value atau t-statistik yang tidak muncul pada SmartPLS dapat teratasi secara ilmiah. Peneliti kini dapat menyajikan laporan hasil penelitian yang memenuhi kriteria validitas dan reliabilitas pengujian statistik inferensial standar publikasi ilmiah.

\n

Kesimpulan

\n

Prosedur bootstrapping pada SmartPLS merupakan tahapan metodologis yang wajib dilakukan untuk menguji signifikansi hipotesis dalam analisis PLS-SEM. Ketiadaan asumsi distribusi parametrik pada algoritma PLS menuntut penggunaan teknik resampling non-parametrik minimal 5.000 subsampel. Dengan mengonfigurasi parameter pengujian secara tepat melalui metode BCa dan mengevaluasi ambang batas nilai t-statistik serta p-value, keputusan pengujian hipotesis dapat disimpulkan secara akurat dan dipertanggungjawabkan secara ilmiah.

\n

Daftar Pustaka

\n

Chin, W. W. (2010). How to write up and report PLS analyses. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 655-690). Springer.

\n

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.

\n

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares exploratory path modeling in international marketing. Advances in International Marketing, 20, 277-319.

\n

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

\n

Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159-205.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:23:00+07:00", "date_modified": "2026-09-09T19:23:00+07:00" }, { "id": "https://statistikian.net/tutorial-uji-mediasi-dan-moderasi-pada-pls-sem-dengan-menggunakan-smartpls-4/", "url": "https://statistikian.net/tutorial-uji-mediasi-dan-moderasi-pada-pls-sem-dengan-menggunakan-smartpls-4/", "title": "Tutorial Uji Mediasi dan Moderasi pada PLS SEM dengan Menggunakan SmartPLS 4", "summary": "Banyak peneliti dan mahasiswa tingkat akhir mengalami keraguan besar saat menjalankan tutorial…", "content_html": "
\n

Banyak peneliti dan mahasiswa tingkat akhir mengalami keraguan besar saat menjalankan tutorial uji mediasi dan moderasi pada PLS SEM dengan menggunakan SmartPLS 4, terutama ketika menemukan hasil di mana pengaruh langsung bernilai tidak signifikan tetapi efek tidak langsung menunjukkan hasil yang signifikan. Gejala lain yang sering memicu kebingungan adalah munculnya nilai p-value di atas 0,05 pada koefisien interaksi variabel moderasi, padahal secara teoretis variabel tersebut diasumsikan memiliki pengaruh memperkuat atau memperlemah hubungan antarkonstruk. Kondisi ini sering kali diperparah oleh lonjakan nilai standard error pada estimasi bootstrapping yang mengakibatkan nilai t-hitung merosot drastis.

\n

Penanganan kendala ini sering menjadi tidak tepat karena peneliti keliru dalam menentukan metode pembentukan interaction term pada uji moderasi atau salah dalam mengklasifikasikan jenis mediasi yang terbentuk. Kesalahan memilih antara pendekatan Two-Stage, Orthogonalizing, atau Product Indicator pada SmartPLS 4 dapat menyebabkan terjadinya multikolinearitas buatan dan penurunan daya uji statistik (*statistical power*). Akibatnya, kesimpulan penelitian menjadi bias dan tidak sesuai dengan fenomena empiris yang diteliti.

\n\n
Variabel X (Independen) Variabel M (Mediator) Variabel Y (Dependen) Variabel Z (Moderator) IDENTIFIKASI MASALAH: • P-value Efek Langsung > 0.05 • Interaksi Moderasi Tidak Signifikan • Standard Error Pembengkak CATATAN PENGUJIAN: • Perlu Evaluasi Specific Indirect Effect • Gunakan Metode Two-Stage SmartPLS 4 • Running Bootstrapping 5000 Subsamples
\n\n

Secara konseptual, analisis mediasi dalam kerangka Partial Least Squares Structural Equation Modeling (PLS-SEM) bertujuan untuk menjelaskan mekanisme kausalitas antara variabel independen dan dependen melalui intervensi variabel ketiga yang disebut variabel perantara atau mediator. Zhao et al. (2010) mengemukakan paradigma modern dalam analisis mediasi yang menyatakan bahwa syarat tradisional Baron dan Kenny—yang mewajibkan pengaruh langsung harus signifikan sebelum menguji efek mediasi—sudah tidak lagi berlaku secara absolut. Fokus utama dalam pengujian mediasi PLS-SEM terletak pada signifikansi efek tidak langsung (*indirect effect*).

\n

Di sisi lain, analisis moderasi bertujuan untuk menguji apakah variabel ketiga (moderator) dapat mengubah kekuatan atau arah hubungan sistematis antara variabel independen dan variabel dependen. Hair et al. (2021) menjelaskan bahwa efek moderasi terjadi ketika besarnya pengaruh suatu konstruk terhadap konstruk lain bervariasi bergantung pada tingkat variabel moderator. Untuk memahami pemahaman komprehensif mengenai estimasi parameter dan asumsi statistik dasar dalam model persama struktural, Anda dapat mempelajari kembali dasar teori PLS SEM di portal utama kami.

\n

SmartPLS 4 menghadirkan penyempurnaan algoritmik yang memungkinkan pengujian efek mediasi dan moderasi dilakukan secara simultan dalam satu model kompleks. Nitzl et al. (2016) menekankan bahwa pendekatan non-parametrik pada PLS-SEM sangat cocok untuk uji mediasi dan moderasi karena tidak memerlukan asumsi distribusi normal multivariat. Hal ini memberikan tingkat kekuatan statistik (*statistical power*) yang lebih tinggi dibandingkan dengan metode kovalensial CB-SEM saat menangani sampel kecil hingga menengah.

\n

Pengujian mediasi dan moderasi dalam SmartPLS 4 mengandalkan prosedur bootstrapping untuk menghitung statistik t dan nilai p-value. Preacher dan Hayes (2008) merekomendasikan penggunaan selang kepercayaan persentil (*percentile bootstrap confidence intervals*) atau *Bias-Corrected and Accelerated (BCa) bootstrap* karena terbukti lebih akurat dalam menguji pengaruh tidak langsung yang sering kali memiliki distribusi tidak simetris.

\n\n

Langkah pertama dalam melakukan analisis mediasi dan moderasi pada SmartPLS 4 adalah meyakinkan bahwa model pengukuran (*outer model*) telah memenuhi kriteria validitas konvergen, validitas diskriminan, dan reliabilitas konstruk. Pengujian model struktural (*inner model*) tidak boleh dilanjutkan jika indikator-indikator penelitian belum valid secara statistik.

\n

Untuk menyusun model mediasi pada SmartPLS 4, buatlah jalur dari variabel independen (X) menuju variabel mediator (M), lalu buat jalur dari variabel mediator (M) menuju variabel dependen (Y). Secara otomatis, SmartPLS 4 akan mendeteksi hubungan tidak langsung (*indirect path*) dalam struktur tersebut.

\n

Untuk menyusun model moderasi, klik kanan pada variabel dependen (Y) dalam canvas SmartPLS 4, lalu pilih opsi Add Moderating Effect. Tentukan variabel independen (X) sebagai variabel prediktor dan variabel (Z) sebagai variabel moderator. Prosedur ini akan secara otomatis menambahkan variabel interaksi (X * Z) dalam diagram jalur.

\n

Pilihlah metode pembentukan interaksi yang tepat. SmartPLS 4 menyediakan tiga metode utama: Two-Stage, Orthogonalizing, dan Product Indicator. Hair et al. (2022) merekomendasikan penggunaan metode Two-Stage sebagai standar utama karena mampu menghasilkan nilai estimasi yang stabil, mempertahankan daya prediksi model, serta sangat fleksibel baik untuk konstruk refleksif maupun formatif.

\n

Lakukan penyesuaian pada skala variabel moderator jika diperlukan. Jika menggunakan metode Product Indicator, disarankan melakukan proses standardisasi (*mean centering*) pada variabel prediktor dan moderator untuk menekan risiko multikolinearitas antarkonstruk tunggal dengan perkalian interaksinya.

\n

Setelah seluruh jalur terhubung, jalankan algoritma awal dengan memilih menu Calculate -> PLS-SEM Algorithm. Tahapan ini bertujuan untuk mengevaluasi nilai koefisien jalur (*path coefficient*), R-square, dan f-square effect size dalam data sampel asli.

\n

Lanjutkan ke tahap uji signifikansi dengan memilih menu Calculate -> Bootstrapping. Atur opsi pengujian dengan parameter berikut: set jumlah sampel ulang (*subsamples*) sebesar 5.000 (atau 10.000 untuk presisi tinggi), pilih jenis *amount of results* pada level *Faster* atau *Complete*, dan pastikan metode pengujian menggunakan *Two-Tailed* (atau *One-Tailed* jika memiliki hipotesis terarah yang kuat).

\n

Pada tab pengaturan Bootstrapping, centang opsi BCa Bootstrap (Bias-Corrected and Accelerated) dengan tingkat kepercayaan (*confidence level*) sebesar 95%. Henseler et al. (2009) menyatakan bahwa prosedur BCa memberikan koreksi bias yang efektif terhadap penyimpangan distribusi sampel pada estimasi pengaruh tidak langsung.

\n

Setelah proses pengolahan selesai, buka laporan output hasil kalkulasi. Untuk mengevaluasi pengujian mediasi, periksa menu Specific Indirect Effects. Jangan melihat pengaruh tidak langsung pada tabel umum jika model Anda memiliki lebih dari satu variabel mediator, untuk menghindari kesalahan pembacaan jalur.

\n

Untuk mengevaluasi pengujian moderasi, periksa menu Path Coefficients dan amati baris interaksi (misalnya: X * Z -> Y). Evaluasi koefisien jalur interaksi, nilai t-hitung, dan nilai p-value untuk menentukan apakah peran moderasi terbukti secara signifikan.

\n\n
1. Outer Model Valid CR > 0.7 & AVE > 0.5 2. Setup SmartPLS 4 Metode Two-Stage Moderasi 3. Run Bootstrapping 5000 Subsamples (BCa 95%) PENYESUAIAN TEKNIS APABILA P-VALUE > 0.05: Gunakan Specific Indirect Effect (Mediasi) dan Evaluasi Nilai f² Effect Size (Moderasi) SOLUSI & CATATAN UTAMA ANALYSIS SMARTPLS 4: Keberhasilan Uji Mediasi Ditentukan oleh Indirect Effect; Uji Moderasi Memerlukan Pembacaan Koefisien Interaksi & f²
\n\n

Contoh tabel/diagram output Uji Mediasi dan Moderasi pada PLS SEM dengan SmartPLS 4.

\n\n
Hubungan Jalur Model Original Sample (O) STDEV T Statistics P Values Hasil X -> M -> Y (Specific Indirect) 0.245 0.076 3.224 0.001 Signifikan X -> Y (Direct Effect) 0.112 0.081 1.382 0.167 Tidak Sig. X * Z -> Y (Moderating Effect) 0.185 0.072 2.569 0.010 Signifikan Z -> Y (Direct Moderator) 0.310 0.068 4.558 0.000 Signifikan Ringkasan Pembacaan Output SmartPLS 4: 1. Efek Mediasi: Indirect Effect Sig (p=0.001), Direct Effect Tidak Sig (p=0.167) -> Indirect-Only / Full Mediation.
\n

Untuk membaca contoh tabel output analisis SmartPLS 4 di atas secara sistematis dan logis, perhatikan langkah-langkah evaluasi komponen angka berikut:

\n

1. Kolom Original Sample (O): Kolom ini menunjukkan besarnya nilai koefisien jalur (*path coefficient*). Nilai positif menunjukkan hubungan yang searah, sedangkan nilai negatif menunjukkan hubungan yang berlawanan arah. Pada jalur mediasi (X -> M -> Y), nilai 0,245 menandakan efek tidak langsung bernilai positif. Pada jalur moderasi (X * Z -> Y), nilai 0,185 menunjukkan bahwa keberadaan variabel Z mampu meningkatkan kekuatan hubungan positif antara X dan Y sebesar 0,185 unit.

\n

2. Kolom Standard Deviation (STDEV): Angka ini merepresentasikan tingkat variasi atau tingkat kesalahan standar (*standard error*) dari estimasi *bootstrapping*. Makin kecil nilai STDEV relatif terhadap *Original Sample*, makin stabil dan presisi estimasi parameter yang dihasilkan.

\n

3. Kolom T Statistics (|O/STDEV|): Nilai t-hitung diperoleh dari pembagian antara nilai *Original Sample* dengan *Standard Deviation*. Nilai t-hitung ini kemudian dibandingkan dengan nilai t-tabel kriteria. Pada pengujian dua arah (*two-tailed*) dengan tingkat signifikansi 5%, ambang batas t-hitung yang harus dipenuhi adalah sebesar 1,96. Nilai t-hitung jalur mediasi (3,224) dan moderasi (2,569) berada di atas 1,96, yang mengindikasikan hasil signifikan.

\n

4. Kolom P Values: Nilai p-value digunakan sebagai kriteria tunggal dalam pengambilan keputusan hipotesis. Hipotesis dinyatakan diterima atau berpengaruh signifikan apabila nilai p-value lebih kecil dari 0,05 (pada alpha 5%). Berdasarkan tabel output, jalur mediasi memiliki p-value sebesar 0,001 dan jalur moderasi sebesar 0,010, yang berarti kedua efek tersebut valid dan signifikan secara statistik.

\n\n

Pembahasan mendalam terhadap hasil uji mediasi memerlukan klasifikasi yang tepat sesuai dengan tipologi yang dikembangkan oleh Zhao et al. (2010) dan Nitzl et al. (2016). Berdasarkan hasil analisis pada tabel output di atas, ditemukan bahwa pengaruh tidak langsung (X -> M -> Y) bernilai signifikan (p = 0,001), sementara pengaruh langsung (X -> Y) bernilai tidak signifikan (p = 0,167). Kategori ini mengindikasikan terbentuknya Indirect-Only Mediation atau yang dalam terminologi klasik dinamakan Full Mediation (Mediasi Penuh).

\n

Kondisi mediasi penuh ini menjelaskan bahwa variabel mediator (M) berperan secara mutlak dalam menyalurkan pengaruh dari variabel independen (X) ke variabel dependen (Y). Tanpa keberadaan variabel mediator, variabel independen tidak memiliki kemampuan untuk mempengaruhi variabel dependen secara langsung. Fenomena ini memberikan kontribusi teoretis yang kuat bahwa mekanisme kausalitas sepenuhnya berjalan melalui jalur perantara.

\n

Apabila dalam penelitian Anda ditemukan hasil di mana pengaruh tidak langsung dan pengaruh langsung sama-sama signifikan, maka terdapat dua kemungkinan kategori mediasi. Jika perkalian koefisien jalur langsung dan tidak langsung bernilai positif, dinamakan Complementary Mediation. Namun, jika perkalian kedua koefisien tersebut bernilai negatif, dinamakan Competitive Mediation (Zhao et al., 2010).

\n

Pada analisis moderasi, evaluasi tidak hanya berhenti pada nilai signifikansi interaksi (X * Z -> Y), melainkan juga harus melihat peran variabel moderator secara mandiri (Z -> Y). Klasifikasi tipe moderasi diukur berdasarkan kriteria Sharma et al. (1981) dan Ramayah et al. (2018):

\n

1. Quasi Moderation (Moderasi Semu): Terjadi ketika koefisien interaksi (X * Z -> Y) signifikan dan pengaruh langsung variabel moderator (Z -> Y) juga signifikan. Pada contoh tabel output di atas, nilai interaksi signifikan (p = 0,010) dan nilai jalur direct Z -> Y juga signifikan (p = 0,000), sehingga variabel Z dikategorikan sebagai Quasi Moderator.

\n

2. Pure Moderation (Moderasi Murni): Terjadi jika koefisien interaksi (X * Z -> Y) signifikan, namun pengaruh langsung variabel moderator (Z -> Y) bernilai tidak signifikan. Hal ini menunjukkan bahwa variabel Z murni hanya bertindak sebagai moderator tanpa menjadi variabel prediktor utama.

\n

3. Homologiser Moderation / Potential Moderator: Terjadi jika koefisien interaksi dan koefisien jalur langsung Z keduanya tidak signifikan, sehingga variabel tersebut tidak terbukti secara empiris memiliki peran moderasi.

\n

Selain melihat nilai p-value, Hair et al. (2021) sangat menekankan pentingnya melaporkan nilai ukuran efek (f-square effect size) khusus untuk efek moderasi. Nilai f-square moderasi mengukur seberapa besar kontribusi variabel interaksi terhadap perubahan nilai R-square variabel dependen. Ambang batas nilai f-square untuk moderasi menurut Cohen (1988) dikategorikan menjadi tiga tingkatan: 0,02 (efek kecil), 0,15 (efek sedang), dan 0,35 (efek besar).

\n

Guna melengkapi pelaporan analisis moderasi yang berkualitas tinggi, peneliti direkomendasikan untuk menyajikan grafik Simple Slope Analysis yang disediakan secara otomatis oleh SmartPLS 4. Grafik ini menggambarkan garis hubungan antara X dan Y pada tiga tingkatan variabel moderator (mean, +1 standard deviasi, dan -1 standard deviasi). Kemiringan garis tersebut secara visual memperlihatkan bagaimana variabel Z memperkuat atau memperlemah hubungan antarvariabel.

\n\n

Pengujian mediasi dan moderasi pada PLS-SEM dengan menggunakan SmartPLS 4 memberikan fleksibilitas metodologis yang sangat baik untuk menguji model-model penelitian perilaku dan sosial yang kompleks. Kunci utama keberhasilan analisis ini terletak pada ketepatan spesifikasi model, pemahaman bahwa pengujian mediasi berfokus pada keberadaan specific indirect effect, serta pemilihan metode pembentukan interaksi Two-Stage pada pengujian moderasi. Melalui penerapan prosedur bootstrapping 5.000 subsamples berbasis interval BCa 95%, estimasi parameter yang dihasilkan terjamin keandalan dan presisinya secara ilmiah.

\n
\n

Daftar Pustaka

\n

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

\n

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.

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.

\n

Nitzl, C., Roldan, J. L., & Cepeda, G. (2016). Mediation analysis in PLS-SEM: Conditioned effects or direct effects?. Industrial Management & Data Systems, 116(9), 1849-1864.

\n

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879-891.

\n

Ramayah, T., Cheah, J., Chuah, F., Ting, H., & Memon, M. A. (2018). Partial Least Squares Structural Equation Modeling (PLS-SEM) using SmartPLS 3.0: An Updated and Practical Guide to Statistical Analysis (2nd ed.). Pearson Malaysia.

\n

Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderating variables. Journal of Marketing Research, 18(3), 291-300.

\n

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation. Journal of Consumer Research, 37(2), 197-206.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:15:09+07:00", "date_modified": "2026-09-09T19:15:09+07:00" }, { "id": "https://statistikian.net/memahami-perbedaan-r-square-q-square-dan-f-square-di-model-pls-sem-dengan-smartpls/", "url": "https://statistikian.net/memahami-perbedaan-r-square-q-square-dan-f-square-di-model-pls-sem-dengan-smartpls/", "title": "Memahami Perbedaan R-Square, Q-Square, dan F-Square di Model PLS SEM dengan SmartPLS", "summary": "Contoh tabel/diagram output R, Q dan F Square PLS SEM dengan SmartPLS.", "content_html": "
\n

Contoh tabel/diagram output R, Q dan F Square PLS SEM dengan SmartPLS.

\n

Berikut merupakan ilustrasi contoh gabungan tabel hasil keluaran (*output*) SmartPLS untuk nilai *R-Square*, *f-square*, dan *Q-Square* beserta petunjuk pembacaan angkanya:

\n\n
ILUSTRASI EVALUASI OUTPUT R2, F2, DAN Q2 SMARTPLS Tabel R-Square & Q-Square (Blindfolding) Konstruk Endogen R-Square R2 Adj Q-Square Y1 (Kepuasan) 0.612 0.604 0.385 Y2 (Loyalitas) 0.425 0.418 0.012 RINGKASAN DIAGNOSTIK: Y1: R2 Kuat (0.612) & Q2 Sangat Baik (0.385) Y2: R2 Moderat (0.425) & Q2 Lemah (0.012) Model Y1 siap dipublikasikan; Y2 butuh perbaikan. Tabel F-Square (Effect Size Jalur) Jalur Prediktor Nilai f2 Kategori Efek X1 -> Y1 0.382 Besar (> 0.35) X2 -> Y1 0.165 Sedang (> 0.15) X2 -> Y2 0.010 Tanpa Efek (< 0.02) DIAGNOSTIK F-SQUARE: X1 merupakan pendorong utama varians Y1. Jalur X2 -> Y2 tidak berkontribusi substantif. CARA MEMBACA R2 DAN Q2 1. Nilai R2 Y1 (0.612) = Varian Y1 dijelaskan 61.2%. 2. Nilai Q2 Y1 (0.385) = Relevansi prediksi tinggi (>0.35). 3. Q2 Y2 (0.012) menunjukkan estimasi presisi rendah. 4. Kesimpulan: Model Y1 sangat kokoh dibanding Y2. CARA MEMBACA F-SQUARE 1. f2 X1->Y1 (0.382) = Dampak penghapusan X1 besar. 2. f2 X2->Y1 (0.165) = Dampak penghapusan X2 sedang. 3. f2 X2->Y2 (0.010) = Tanpa kontribusi nyata. 4. Rekomendasi: Pertimbangkan revisi jalur X2->Y2.
\n

Berdasarkan simulasi tabel output metrik di atas, pembacaan dan pelaporan naratif untuk draf riset ilmiah dapat disusun dengan format berikut:

\n

1. Pelaporan Hasil Evaluasi R-Square dan Q-Square
Berdasarkan hasil pengujian pada konstruk endogen Y1 (Kepuasan), diperoleh nilai *R-Square* sebesar 0.612, yang mengindikasikan bahwa 61.2% varians dari Y1 mampu dijelaskan oleh variabel prediktor X1 dan X2 secara bersama-sama, sehingga masuk dalam kategori kuat. Pengujian *Blindfolding* menghasilkan nilai *Q-Square* sebesar 0.385 (> 0.35), yang menunjukkan bahwa model struktural untuk Y1 memiliki relevansi prediktif yang sangat tinggi.

\n

2. Pelaporan Hasil Ukuran Efek F-Square
Evaluasi ukuran efek *f-square* menunjukkan bahwa variabel X1 memberikan kontribusi efek yang besar terhadap Y1 dengan nilai *f-square* sebesar 0.382. Sementara itu, variabel X2 memiliki ukuran efek sedang terhadap Y1 sebesar 0.165. Namun, pada jalur X2 menuju Y2, diperoleh nilai *f-square* sebesar 0.010 (< 0.02), yang menandakan bahwa variabel X2 tidak memberikan kontribusi substantif terhadap pembentukan varians Y2.

\n\n

Pembahasan Ilmiah: Perbedaan Peran Metrik dan Perbandingan Blindfolding vs PLSpredict

\n

Secara epistemologis, ketiga metrik *R-Square*, *Q-Square*, dan *f-square* melayani tujuan kognitif yang berbeda dalam evaluasi pemodelan PLS-SEM. *R-Square* murni berfokus pada daya jelaskan *in-sample*, yaitu seberapa baik persamaan regresi parsial memotong titik-titik data sampel yang digunakan untuk mengestimasi parameter. Namun, Rigdon (2012) mengingatkan bahwa *R-Square* yang terlalu tinggi tanpa diimbangi evaluasi prediksi dapat menjadi indikasi terjadinya *overfitting* data.

\n

Untuk mengatasi keterbatasan *in-sample fit*, *Q-Square* bertindak sebagai penyaring presisi prediksi *out-of-sample*. Melalui prosedur *Blindfolding*, sebagian data dihilangkan secara sistematis (*omission factor*) dan diestimasi kembali menggunakan parameter model yang tersisa. Jika nilai *Q-Square* bernilai positif, hal itu membuktikan bahwa model PLS memiliki keunggulan prediktif dibanding sekadar menggunakan nilai rata-rata sampel (Geisser, 1974; Hair et al., 2019).

\n

Meskipun *Blindfolding Q-Square* telah menjadi standar pelaporan selama beberapa dekade, perkembangan metodologi terkini yang dipelopori oleh Shmueli et al. (2019) memperkenalkan *PLSpredict*. Kelemahan utama *Blindfolding* adalah pencampuran antara estimasi model pengukuran dan model struktural. Sebaliknya, *PLSpredict* menggunakan pembagian *holdout sample* (*cross-validation*) untuk menguji daya prediksi pada tingkat indikator individual secara murni.

\n

Peran *f-square* menjadi sangat krusial dalam konteks hipotesis kausalitas. Sering kali terjadi bias analisis di mana peneliti mengagungkan nilai koefisien jalur yang signifikan pada sampel besar (N > 500). Padahal, dalam sampel besar, pengaruh yang sangat sepele dapat menjadi signifikan secara statistik. Di sinilah *f-square* berfungsi sebagai filter substantif untuk membuktikan apakah pengaruh tersebut benar-benar bermakna secara praktis dalam dunia nyata (Cohen, 1988; Hair et al., 2021).

\n

Dengan mengintegrasikan ketiga metrik ini secara harmonis, peneliti tidak hanya menyajikan bukti bahwa model terbukti signifikan secara statistik, tetapi juga membuktikan bahwa model memiliki kapasitas eksplanatori yang kuat, kontribusi efek prediktor yang nyata, serta daya jangkau prediksi yang valid di luar data sampel penelitian.

\n\n

Kesimpulan

\n

Memahami perbedaan *R-Square*, *Q-Square*, dan *f-square* merupakan syarat mutlak dalam evaluasi model struktural PLS-SEM dengan SmartPLS. *R-Square* mengukur proporsi varians variabel endogen di dalam sampel (*explanatory power*), *f-square* mengukur kontribusi efek parsial dari masing-masing prediktor (*effect size*), dan *Q-Square* mengukur kemampuan model dalam merekonstruksi data di luar sampel (*predictive relevance*). Evaluasi yang ideal mewajibkan ketiga metrik ini terpenuhi secara simultan untuk menjamin kekokohan teoritis dan aplikatif dari model penelitian yang dibangun.

\n\n

Daftar Pustaka

\n
\n

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.

\n

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

\n

Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications.

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. Springer Nature.

\n

Rigdon, E. E. (2012). Rethinking Partial Least Squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358.

\n

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.

\n

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111-133.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:09:13+07:00", "date_modified": "2026-09-09T19:16:06+07:00" }, { "id": "https://statistikian.net/asumsi-multikolinearitas-pada-pls-sem-dengan-smartpls-vif-inner-dan-outer-model/", "url": "https://statistikian.net/asumsi-multikolinearitas-pada-pls-sem-dengan-smartpls-vif-inner-dan-outer-model/", "title": "Asumsi Multikolinearitas pada PLS SEM dengan SmartPLS: VIF Inner dan Outer Model", "summary": "Saat melakukan pengujian pemodelan persamaan struktural, peneliti kerap menemui hambatan teknis berupa…", "content_html": "
\n

Saat melakukan pengujian pemodelan persamaan struktural, peneliti kerap menemui hambatan teknis berupa tingginya korelasional antarvariabel prediktor yang mengganggu **Asumsi Multikolinearitas pada PLS SEM dengan SmartPLS: VIF Inner dan Outer Model**. Permasalahan ini umumnya ditandai dengan munculnya nilai *Variance Inflation Factor* (VIF) yang melampaui batas ambang krisis 5 atau bahkan 10 pada tabel *Collinearity Statistics*. Dampak langsung dari gejala ini adalah berubahnya tanda koefisien jalur (*path coefficient*) secara tidak rasional, misalnya hubungan yang secara teoretis bernilai positif mendadak berubah menjadi negatif, serta melonjaknya nilai kesalahan standar (*standard error*) yang menyebabkan pengujian hipotesis menjadi tidak relevan.

\n

Kebingungan makin meningkat ketika peneliti tidak dapat membedakan penanganan nilai VIF pada *outer model* (model pengukuran) dan *inner model* (model struktural). Pada *outer model* formatif, tingginya multikolinearitas antarindikator akan menyebabkan bobot indikator (*outer weight*) menjadi tidak stabil dan bernilai tidak signifikan. Sementara itu, pada *inner model*, multikolinearitas antarvariabel laten independen akan mengacaukan estimasi daya jelaskan model (*R-square*) dan memicu efek supresi (*suppression effect*). Tanpa pemahaman diagnostik yang tepat, peneliti berisiko melakukan eliminasi variabel secara serampangan yang justru merusak struktur konseptual penelitian.

\n\n
DIAGRAM PERMASALAHAN: MULTIKOLINEARITAS DALAM PLS-SEM Hubungan Prediktor Korelasi Antar Indikator Korelasi Antar Variabel Laten Overlap Informasi Tinggi Terdeteksi Multikolinearitas 1. Nilai VIF Outer > 5.00 2. Nilai VIF Inner > 5.00 3. Terdapat Redundansi Tinggi Dampak Distorsi Analisis Standar Error Melambung Tanda Koefisien Terbalik Gejala Error pada Output SmartPLS Collinearity Statistics: Outer VIF Formative X1.2 = 7.421 (GAGAL / TINGGI!) Inner VIF Predictor X2 -> Y1 = 6.182 (GAGAL / TINGGI!) Dampak: Koefisien jalur berubah dari positif menjadi negatif (-0.214) secara tidak rasional. [SOLUSI] Evaluasi batas VIF (Ideal < 3.0), gabungkan variabel atau eliminasi item redundant! PRINSIP EVALUASI VIF MULTIKOLINEARITAS PLS-SEM Targetkan VIF < 3.00 untuk bebas kolinearitas (Maksimal VIF < 5.00 pada batas konservatif).
\n\n

Konsep Teori Multikolinearitas dalam Pemodelan PLS-SEM

\n

Multikolinearitas terjadi ketika dua atau lebih variabel independen dalam model regresi linier atau model struktural memiliki hubungan korelasi yang sangat kuat (*highly correlated*). Menurut Hair et al. (2019), meskipun teknik estimasi *Partial Least Squares* relatif tahan terhadap pelanggaran asumsi distribusi normal, PLS-SEM tetap sangat sensitif terhadap permasalahan multikolinearitas karena algoritma estimasinya berbasis regresi parsial *Ordinary Least Squares* (OLS).

\n

Bagi pembaca yang ingin memahami landasan teoretis mendalam mengenai penyebab matematis, pengujian statistik linieritas, dan dampaknya pada model regresi secara umum, Anda dapat meninjau pembahasan teori asumsi multikolinearitas dan uji VIF secara lengkap di www.statistikian.com.

\n

Dalam arsitektur SmartPLS, evaluasi kolinearitas terbagi secara tegas menjadi dua ranah, yaitu *Outer VIF* dan *Inner VIF*. Diamantopoulos dan Siguaw (2006) menjelaskan bahwa pada model pengukuran formatif, *Outer VIF* digunakan untuk menguji keterkaitan antarindikator penyusun konstruk. Jika indikator formatif saling berkorelasi sangat tinggi, maka estimasi bobot (*outer weight*) masing-masing indikator menjadi tidak stabil dan mengalami inflasi varians.

\n

Sementara itu, *Inner VIF* mengevaluasi hubungan antarvariabel laten eksogen yang mengarah ke variabel laten endogen yang sama. Kock dan Lynn (2012) menegaskan pentingnya memeriksa *lateral collinearity*, yakni situasi di mana variabel laten prediktor secara terselubung mengukur fenomena yang sama, sehingga mengaburkan kontribusi unik dari tiap-tiap jalur struktural.

\n\n

Langkah Diagnostik dan Solusi Teknis Pengujian VIF SmartPLS

\n

Guna menyelesaikan masalah multikolinearitas secara efektif tanpa mengorbankan integritas model penelitian, Anda dapat menerapkan tahapan perbaikan sistematis beserta pertimbangan ilmiah berikut:

\n

1. Pemeriksaan Ambang Batas VIF Outer Model
Buka tab **Collinearity Statistics (VIF)** pada bagian *Outer Model*. Untuk indikator reflektif, korelasi antarindikator memang diharapkan tinggi sehingga VIF tinggi adalah wajar dan evaluasi fokus pada *outer loadings*. Namun untuk indikator formatif, Hair et al. (2017) menetapkan bahwa nilai VIF idealnya di bawah 3.00. Nilai VIF antara 3.00 hingga 5.00 masih dapat ditoleransi, tetapi nilai VIF di atas 5.00 menunjukkan indikator formatif mengalami kritis multikolinearitas.

\n

2. Pemeriksaan Ambang Batas VIF Inner Model
Pindah ke tab **Collinearity Statistics (VIF)** pada bagian *Inner Model*. Amatilah setiap himpunan variabel prediktor yang mengarah pada variabel dependen tertentu. Garson (2016) dan Hair et al. (2019) menyarankan agar nilai VIF antarvariabel prediktor tidak melebihi 3.00 untuk menghindari gangguan korelasi silang. Batas maksimum toleransi absolut dalam pemodelan PLS adalah 5.00.

\n

3. Eliminasi Indikator Formative Redundant
Jika *Outer VIF* indikator formatif melebihi 5.00, lakukan tindakan eliminasi secara bertahap pada indikator yang memiliki nilai VIF tertinggi. Menurut Diamantopoulos dan Siguaw (2006), penghapusan indikator formatif harus dilakukan secara hati-hati agar tidak mengurangi domain konseptual dari variabel laten yang diukur.

\n

4. Penggabungan Indikator Menjadi Indeks Komposit
Alternatif lain untuk mengatasi *Outer VIF* yang tinggi adalah menggabungkan dua atau lebih indikator yang berkorelasi sangat erat menjadi satu indikator komposit tunggal melalui rata-rata hitung sebelum dimasukkan kembali ke dalam SmartPLS.

\n

5. Penggabungan Variabel Laten Eksogen yang Overlap
Apabila *Inner VIF* antara dua variabel independen (misalnya Variabel A dan Variabel B) bernilai di atas 5.00, hal ini menandakan kedua variabel secara teoretis mengukur dimensi yang sama. Kock dan Lynn (2012) merekomendasikan untuk menggabungkan kedua konstruk tersebut menjadi satu variabel laten utama.

\n

6. Pemodelan Konstruk Tingkat Tinggi (Higher-Order Construct / HOC)
Pendekatan metodologis yang lebih baik saat terjadi *Inner VIF* tinggi adalah mengubah variabel-variabel independen yang berkorelasi tersebut menjadi sub-dimensi (konstruk tingkat pertama) yang bernaung di bawah satu *Higher-Order Construct* (konstruk tingkat kedua) (Hair et al., 2018).

\n

7. Evaluasi Common Method Bias (Full Collinearity VIF)
Periksa juga pengujian kolinearitas penuh (*Full Collinearity Test*). Kock (2015) menyatakan bahwa jika seluruh nilai VIF internal dan eksternal berada di bawah 3.300, maka model penelitian terbebas dari ancaman *Common Method Bias* (CMB) yang kerap merusak data survei berbasis kuesioner mandiri.

\n

8. Re-Eksekusi Algoritma PLS
Setiap kali Anda melakukan perbaikan berupa penghapusan item atau restrukturisasi variabel, lakukan *Re-run PLS Algorithm* untuk memastikan seluruh nilai VIF terbaru telah memenuhi syarat di bawah 3.00 atau 5.00.

\n\n
DECISION TREE SOLUSI MULTIKOLINEARITAS SMARTPLS Mulai: Cek Tabel Collinearity Statistics (VIF) Evaluasi Nilai VIF Outer dan Inner Model VIF < 3.00 / < 5.00 Model Bebas Multikolinearitas VIF > 5.00 (Tinggi) Terjadi Gangguan Multikolinearitas Lanjut ke Bootstrapping Uji Path Coefficients & P-Values Opsi Perbaikan Teknis Model Eliminasi Item / Model HOC / Gabung Variabel TARGET KUALITAS MODEL (BLUE) VIF < 3.300 juga menjamin ketiadaan Common Method Bias PERINGATAN ELIMINASI (RED) Jangan hapus indikator jika merusak isi definisi variabel!
\n\n

Contoh tabel/diagram output VIF PLS SEM dengan SmartPLS

\n

Tata cara membaca tabel hasil estimasi VIF SmartPLS dapat disimulasikan melalui contoh struktur tabel *Outer VIF* dan *Inner VIF* berikut:

\n\n
ILUSTRASI OUTPUT VIF SMARTPLS: OUTER DAN INNER MODEL Outer Model VIF (Formative Indicators) Indikator Formatif VIF Status X1.1 1.842 Bebas (< 3.0) X1.2 2.105 Bebas (< 3.0) X1.3 5.821 Gagal (> 5.0) DIAGNOSTIK OUTER VIF: Indikator X1.3 mengalami multikolinearitas tinggi! Tindakan: Eliminasi X1.3 atau buat komposit. Inner Model VIF (Structural Predictors) Prediktor Target Y1 VIF Status X1 Y1 2.140 Ideal X2 Y1 2.140 Ideal DIAGNOSTIK INNER VIF: Nilai VIF X1 dan X2 ke Y1 = 2.140 (< 3.00) Inner Model Bebas Multikolinearitas! PENJELASAN EVALUASI OUTER VIF 1. X1.1 (1.842) & X1.2 (2.105) aman (< 3.0). 2. X1.3 (5.821) melebih batas kritis 5.00. 3. Bobot X1.3 menjadi tidak stabil. 4. Solusi: Keluarkan X1.3 dari SmartPLS. PENJELASAN EVALUASI INNER VIF 1. VIF X1 dan X2 bernilai sama (2.140). 2. Nilai < 3.00 (Sangat Ideal). 3. Tidak ada korelasi silang berbahaya. 4. Koefisien jalur aman dievaluasi.
\n

Berdasarkan simulasi tabel output VIF di atas, penyusunan narasi ilmiah untuk bab hasil penelitian dapat dituliskan dengan pola berikut:

\n

1. Pembahasan Hasil Outer VIF (Model Pengukuran Formatif)
Pengujian kolinearitas pada indikator formatif variabel X1 menunjukkan bahwa indikator X1.1 dan X1.2 memiliki nilai VIF masing-masing sebesar 1.842 dan 2.105 (< 3.00). Namun, indikator X1.3 menghasilkan nilai VIF sebesar 5.821, yang melampaui batas toleransi maksimum 5.00. Untuk menjaga stabilitas *outer weight*, indikator X1.3 dikeluarkan dari model, sehingga seluruh indikator formatif yang tersisa memenuhi syarat bebas multikolinearitas.

\n

2. Pembahasan Hasil Inner VIF (Model Struktural)
Evaluasi *Inner VIF* dilakukan pada variabel eksogen X1 dan X2 yang memprediksi variabel endogen Y1. Hasil komputasi menunjukkan nilai VIF sebesar 2.140 untuk kedua prediktor tersebut. Karena nilai VIF berada jauh di bawah kriteria konservatif 3.00, maka dipastikan tidak terjadi masalah multikolinearitas antarvariabel independen dalam model struktural ini.

\n\n

Pembahasan Ilmiah: Dampak Metodologis Multikolinearitas dan Fenomena Supresi

\n

Secara metodologis, terjadinya multikolinearitas pada PLS-SEM membawa implikasi serius terhadap interpretasi teoritis. Ketika dua variabel independen saling berkorelasi sangat tinggi, matriks varians-kovarians menjadi hampir singular. Kondisi ini menyebabkan estimasi persamaan regresi parsial kesulitan memisahkan kontribusi unik (*unique variance*) dari masing-masing variabel prediktor terhadap variabel kriteria (Hair et al., 2021).

\n

Salah satu dampak paling berbahaya dari multikolinearitas yang diabaikan adalah timbulnya fenomena *Simpson's Paradox* atau efek supresi (*suppression effect*). Dalam situasi ini, koefisien jalur suatu variabel dapat berubah tanda dari positif menjadi negatif, meskipun korelasi bivariat sederhananya bernilai positif kuat. Kock dan Lynn (2012) menjelaskan bahwa hal ini terjadi karena variabel prediktor kedua menyerap seluruh varians yang tumpang tindih secara berlebihan, menyisakan komponen *error* yang membalikkan arah hubungan struktural.

\n

Perbedaan mendasar antara indikator reflektif dan formatif juga menjadi kunci penting dalam pengujian ini. Pada model reflektif, indikator dianggap dijumpai sebagai cerminan dari variabel laten (*manifestation of construct*), sehingga korelasi antarindikator yang sangat tinggi memang disyaratkan untuk mencapai *internal consistency reliability*. Oleh karena itu, *Outer VIF* tinggi pada model reflektif bukanlah sebuah pelanggaran, melainkan bukti tingginya reliabilitas indikator (Hair et al., 2019).

\n

Sebaliknya, pada model formatif, indikator-indikator bertindak sebagai pembentuk variabel laten (*cause of construct*). Indikator formatif disyaratkan untuk menangkap dimensi informasi yang berbeda-beda. Jika *Outer VIF* pada model formatif bernilai tinggi, hal itu menunjukkan adanya redundansi informasi, yang secara matematis membagi nilai *outer weight* sehingga indikator-indikator tersebut secara tidak adil menjadi bernilai tidak signifikan (Diamantopoulos & Siguaw, 2006).

\n

Guna memastikan model penelitian benar-benar kokoh, pengujian *Full Collinearity Test* yang diperkenalkan oleh Kock (2015) sangat dianjurkan. Pendekatan ini mengevaluasi nilai VIF secara simultan untuk seluruh variabel laten dalam model. Apabila nilai *Full Collinearity VIF* konsisten berada di bawah 3.300, maka model penelitian terbukti bebas dari gangguan multikolinearitas vertikal, lateral, maupun bias metode umum (*Common Method Bias*).

\n\n

Kesimpulan

\n

Evaluasi asumsi multikolinearitas dalam PLS-SEM dengan SmartPLS harus dilakukan secara terpisah antara *Outer VIF* (model pengukuran formatif) dan *Inner VIF* (model struktural). Kriteria ideal nilai VIF adalah di bawah 3.00, dengan batas toleransi maksimum sebesar 5.00. Jika terdeteksi nilai VIF melebihi ambang batas, langkah perbaikan dapat dilakukan dengan mengeliminasi indikator formatif redundant, membuat nilai variabel komposit, atau menerapkan pemodelan *Higher-Order Construct* (HOC). Bebasnya model dari multikolinearitas menjamin stabilitas estimasi koefisien jalur dan keakuratan pengujian hipotesis penelitian.

\n\n

Daftar Pustaka

\n
\n

Diamantopoulos, A., & Siguaw, J. A. (2006). Formative versus reflective indicators in organizational measure development: A comparison and empirical illustration. British Journal of Management, 17(4), 263-282.

\n

Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Statistical Associates Publishing.

\n

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139-152.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications.

\n

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Sage Publications.

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. Springer Nature.

\n

Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10.

\n

Kock, N., & Lynn, G. S. (2012). Lateral collinearity and misleading results in variance-based SEM: Illustrations and a remedy. Journal of the Association for Information Systems, 13(7), 546-580.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T19:02:59+07:00", "date_modified": "2026-09-09T19:16:39+07:00" }, { "id": "https://statistikian.net/interpretasi-output-pls-sem-dalam-smartpls-cara-cepat-membaca-inner-dan-outer-model/", "url": "https://statistikian.net/interpretasi-output-pls-sem-dalam-smartpls-cara-cepat-membaca-inner-dan-outer-model/", "title": "Interpretasi Output PLS SEM dalam SmartPLS: Cara Cepat Membaca Inner dan Outer Model", "summary": "Dalam analisis persamaan struktural berbasis varians, peneliti sering mengalami kebingungan saat melakukan…", "content_html": "
\n

Dalam analisis persamaan struktural berbasis varians, peneliti sering mengalami kebingungan saat melakukan **Interpretasi Output PLS SEM dalam SmartPLS: Cara Cepat Membaca Inner dan Outer Model**. Kebingungan ini biasanya muncul ketika nilai *outer loading* indikator berada di bawah 0.70, nilai *Average Variance Extracted* (AVE) kurang dari 0.50, nilai *Heterotrait-Monotrait Ratio* (HTMT) melebihi 0.90, atau ketika koefisien jalur (*path coefficient*) pada *inner model* menghasilkan p-value lebih besar dari 0.05. Kegagalan memahami urutan pembacaan output ini sering kali menyebabkan kesalahan fatal, seperti langsung menginterpretasikan hubungan antarvariabel padahal instrumen penelitian belum terbukti valid dan reliabel.

\n

Secara umum, perangkat lunak SmartPLS menyajikan hasil komputasi dalam bentuk tabel angka yang sangat kompleks. Apabila seorang peneliti mengabaikan kriteria evaluasi model pengukuran (*outer model*) dan terburu-buru melompat ke analisis model struktural (*inner model*), maka seluruh inferensi statistik mengenai pengujian hipotesis, nilai *R-square*, serta dampak ukuran efek (*f-square*) menjadi tidak valid. Oleh karena itu, penguasaan hirarki evaluasi dua tahap (*two-step evaluation approach*) merupakan kriteria mutlak bagi setiap analisis PLS-SEM.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN URUTAN EVALUASI OUTPUT PLS-SEM Evaluasi Outer Model Uji Validitas Konvergen Uji Validitas Diskriminan Uji Reliabilitas Konstruk Outer Model Bermasalah 1. Loading Factor < 0.708 2. Nilai AVE < 0.500 3. Nilai HTMT > 0.900 Inner Model Bias Koefisien Jalur Tidak Valid Pengujian Hipotesis Menyesatkan Gejala Kesalahan Analisis dalam SmartPLS: Indicator X1.3 Loading = 0.421 (GAGAL / DI BAWAH 0.708!) Construct Y1 AVE = 0.412 (GAGAL / DI BAWAH 0.500!) Dampak: Peneliti langsung membaca Path Coefficient dan R-Square tanpa memperbaiki Outer Model. [SOLUSI] Terapkan Prosedur Dua Tahap: Eliminasi Indikator Bermasalah Sebelum Baca Inner Model! PRINSIP UTAMA EVALUASI PLS-SEM (TWO-STEP APPROACH) Inner Model DILARANG dibaca jika Outer Model BELUM MFT / LULUS seluruh pengujian validitas dan reliabilitas.
\n\n

Konsep Teori Evaluasi Dual Sistem dalam PLS-SEM

\n

Pemodelan persamaan struktural berbasis *Partial Least Squares* (PLS-SEM) memisahkan sistem hubungan variabel menjadi dua bagian utama, yaitu *outer model* (model pengamatan) dan *inner model* (model struktural). Menurut Hair et al. (2019), *outer model* menggambarkan bagaimana variabel laten diukur oleh indikator-indikatornya, sedangkan *inner model* menggambarkan hubungan kausalitas antarvariabel laten yang dihipotesiskan.

\n

Bagi pembaca yang ingin mempelajari landasan teoretis mendasar mengenai asumsi, estimasi algoritma PLS, dan perbandingannya dengan SEM berbasis kovarians, silakan membaca konsep dasar teori Partial Least Squares SEM secara menyeluruh di www.statistikian.com.

\n

Penilaian *outer model* bertujuan untuk memastikan bahwa pengukuran yang digunakan memenuhi kaidah reliabilitas dan validitas. Tenenhaus et al. (2005) menyatakan bahwa pengukuran laten yang tidak akurat akan menyalurkan kesalahan (*error propagation*) ke dalam hubungan struktural, sehingga menghasilkan estimasi parameter antarvariabel yang bias.

\n

Setelah *outer model* dikonfirmasi valid dan reliabel, evaluasi beralih ke *inner model*. Menurut Henseler et al. (2015), fokus utama pengujian *inner model* adalah mengukur kekuatan prediktif model (*predictive power*), memeriksa adanya multikolinearitas antarvariabel independen, serta menetapkan signifikansi statistik dari hubungan struktural melalui teknik *bootstrapping* non-parametrik.

\n\n

Langkah-Langkah Sistematis Membaca Output Outer Model dan Inner Model

\n

Guna membaca output komputasi SmartPLS secara cepat, akurat, dan terstruktur, Anda dapat mengikuti tahapan evaluasi sistematis berikut beserta kriteria baku ilmiah yang disyaratkan:

\n

Tahap 1: Evaluasi Outer Model (Model Pengukuran Reflektif)

\n

1. Outer Loadings (Validitas Konvergen Indikator)
Buka tab output **Outer Loadings**. Setiap nilai indikator idealnya harus lebih besar dari 0.708 (Hair et al., 2019). Nilai ini menunjukkan bahwa variabel laten mampu menjelaskan lebih dari 50% varians dari indikator tersebut. Jika nilai *loading* berada di antara 0.40 dan 0.70, pertimbangkan untuk menghapusnya hanya apabila penghapusan tersebut dapat meningkatkan nilai AVE dan reliabilitas komposit di atas ambang batas.

\n

2. Average Variance Extracted / AVE (Validitas Konvergen Konstruk)
Akses tab **Construct Reliability and Validity** dan periksa kolom **AVE**. Nilai AVE wajib sama dengan atau lebih besar dari 0.500 (Fornell & Larcker, 1981). Angka ini mengondisikan bahwa secara rata-rata, variabel laten menjelaskan lebih dari separuh varians dari seluruh indikator penyusunnya.

\n

3. Cronbach's Alpha dan Composite Reliability (Reliabilitas Konstruk)
Masih pada tab yang sama, periksa kolom **Cronbach's Alpha** dan **Composite Reliability (rho_a / rho_c)**. Ambang batas yang diterima untuk penelitian konfirmatori adalah lebih besar dari 0.700 (Chin, 1998). Nilai di atas 0.950 perlu diwaspadai karena berpotensi mengindikasikan adanya redundansi indikator.

\n

4. Heterotrait-Monotrait Ratio / HTMT (Validitas Diskriminan)
Buka tab **Discriminant Validity** lalu pilih sub-tab **HTMT**. Henseler et al. (2015) menegaskan bahwa uji HTMT jauh lebih sensitif dibandingkan kriteria Fornell-Larcker. Nilai HTMT antar dua konstruk harus berada di bawah 0.850 untuk konsep yang jelas berbeda, atau di bawah 0.900 untuk konstruk yang secara teoretis saling terkait erat.

\n

Tahap 2: Evaluasi Inner Model (Model Struktural)

\n

5. Collinearity Statistics / VIF (Uji Multikolinearitas Inner)
Sebelum memeriksa hubungan jalur, buka tab **Collinearity Statistics (VIF)** pada bagian *Inner Model*. Nilai *Variance Inflation Factor* (VIF) antarvariabel prediktor wajib berada di bawah 3.000 untuk menjamin ketiadaan masalah multikolinearitas (Hair et al., 2019). Sebagian pakar menyebutkan di bawah 5.

\n

6. Path Coefficients dan Bootstrapping (Pengujian Hipotesis)
Jalankan prosedur **Bootstrapping** pada SmartPLS. Periksa nilai **Path Coefficients**, nilai **t-statistics**, dan **p-values**. Hubungan struktural dinyatakan signifikan secara statistik apabila nilai t-statistik lebih besar dari 1.96 (pada tingkat signifikansi 5% uji dua arah) dan p-value kurang dari 0.050.

\n

7. R-Square dan Adjusted R-Square (Kekuatan Prediksi Model)
Buka tab **R-Square** untuk mengukur proporsi varians variabel endogen yang dijelaskan oleh variabel eksogen. Chin (1998) mengelompokkan nilai *R-square* menjadi tiga kategori: 0.67 (kuat), 0.33 (moderat), dan 0.19 (lemah).

\n

8. Effect Size f-Square (Ukuran Efek Variabel)
Periksa tab **f-Square** untuk melihat kontribusi relatif masing-masing variabel eksogen terhadap *R-square* variabel endogen. Cohen (1988) menetapkan kriteria nilai *f-square* sebesar 0.02 (efek kecil), 0.15 (efek sedang), dan 0.35 (efek besar).

\n\n
DECISION TREE ALUR BACA OUTPUT SMARTPLS Mulai: Run PLS Algorithm & Bootstrapping Evaluasi Output Bertahap 1. Uji Outer Model Loading, AVE, CR, HTMT Jika Outer Gagal Loading < 0.70 / AVE < 0.50 2. Uji Inner Model (Lulus Outer) VIF < 3.0, Path Coeff, R2, f2 Tindakan Perbaikan Teknis Eliminasi Indikator Terendah Bertahap AMBANG BATAS INNER MODEL p-value < 0.050 & t-stat > 1.96 (Signifikan) CATATAN KHUSUS ELIMINASI Hapus 1 indikator terendah, lalu re-calculate!
\n\n

Contoh tabel/diagram output PLS-SEM dengan SmartPLS.

\n

Pemahaman mendalam mengenai tata letak angka pada output SmartPLS dapat dipelajari secara visual melalui contoh struktur ringkasan hasil analisis berikut:

\n\n
ILUSTRASI OUTPUT SMARTPLS: OUTER MODEL DAN INNER MODEL Construct Reliability and Validity (Outer) Variable Cronbach CR (rho_c) AVE X1 (Eksogen) 0.842 0.891 0.672 X2 (Eksogen) 0.795 0.864 0.615 Y1 (Endogen) 0.881 0.915 0.728 EVALUASI OUTER MODEL: AVE > 0.500 & CR > 0.700 pada seluruh konstruk Validitas & Reliabilitas Konvergen Terpenuhi! Path Coefficients & Bootstrapping (Inner) Hubungan Coeff t-Stat P-Value X1 -> Y1 0.412 4.215 0.000 X2 -> Y1 0.325 3.108 0.002 EVALUASI INNER MODEL: Seluruh p-value < 0.050 & t-stat > 1.96 Hipotesis Hubungan Struktural Diterima! TATA BACA OUTER MODEL (BLUE) 1. Cek nilai AVE: Harus di atas 0.500. 2. Cek Composite Reliability: Harus di atas 0.700. 3. Cek HTMT: Harus di bawah 0.850 / 0.900. 4. Hasil di atas membuktikan alat ukur valid! TATA BACA INNER MODEL (BLUE) 1. Cek Path Coeff: Menunjukkan arah (+/-). 2. Cek p-value: Harus < 0.050 untuk signifikan. 3. Cek R-Square: Besarnya kontribusi pengaruh. 4. Kesimpulan: Hubungan positif & signifikan!
\n

Berdasarkan simulasi output di atas, prosedur penulisan narasi hasil analisis dalam laporan ilmiah atau skripsi disajikan mengikuti tiga tahapan berikut:

\n

1. Pengungkapan Validitas dan Reliabilitas Outer Model
Variabel X1, X2, dan Y1 menghasilkan nilai *Average Variance Extracted* (AVE) berturut-turut sebesar 0.672, 0.615, dan 0.728. Karena seluruh nilai AVE melampaui ambang batas 0.500, maka syarat validitas konvergen terpenuhi. Reliabilitas konstruk juga terkonfirmasi kuat, di mana nilai *Composite Reliability* (rho_c) berada pada rentang 0.864 hingga 0.915 (> 0.700).

\n

2. Interpretasi Koefisien Jalur dan Pengujian Hipotesis
Pengujian pengaruh X1 terhadap Y1 menghasilkan koefisien jalur sebesar 0.412 dengan statistik t sebesar 4.215 dan p-value sebesar 0.000. Karena p-value < 0.050 dan t-statistik > 1.96, maka hipotesis pertama diterima. X1 terbukti berpengaruh positif dan signifikan terhadap Y1. Pengaruh X2 terhadap Y1 juga signifikan dengan koefisien jalur 0.325 (t-statistik 3.108; p-value 0.002).

\n

3. Penilaian Kemampuan Prediksi R-Square
Variabel endogen Y1 memiliki nilai *R-square* sebesar 0.584. Angka ini mengindikasikan bahwa sebesar 58.4% varians dari Y1 dapat dijelaskan secara simultan oleh variabel X1 dan X2, sedangkan sisa 41.6% dijelaskan oleh faktor lain di luar model struktural.

\n\n

Pembahasan Ilmiah: Metodologi Lanjutan dan Mitigasi Masalah Modalitas PLS-SEM

\n

Penerapan metode PLS-SEM membutuhkan ketelitian metodologis saat menghadapi kondisi data riil di lapangan. Salah satu keunggulan utama dari algoritma *Partial Least Squares* adalah kemampuannya bekerja tanpa menuntut asumsi distribusi normal multivariat (Hair et al., 2017). Namun, kebebasan asumsi ini tidak boleh disalahartikan sebagai kelonggaran terhadap kriteria validitas pengukuran.

\n

Ketika seorang peneliti mendapati *outer loading* indikator berada pada kisaran 0.400 hingga 0.700, Hair et al. (2019) merekomendasikan untuk melakukan *impact analysis*. Indikator tersebut tidak boleh langsung dihapus secara otomatis. Peneliti harus memeriksa terlebih dahulu apakah eliminasi indikator tersebut dapat meningkatkan nilai *Composite Reliability* dan AVE melebihi batas minimum. Jika eliminasi tidak meningkatkan nilai AVE, maka indikator tersebut sebaiknya tetap dipertahankan guna menjaga validitas isi (*content validity*).

\n

Terkait validitas diskriminan, kajian statistik Henseler et al. (2015) membuktikan bahwa kriteria klasik Fornell-Larcker dan *cross-loadings* sering kali gagal mendeteksi masalah validitas diskriminan pada situasi tertentu. Rasio HTMT terbukti secara simulasi Monte Carlo memiliki tingkat sensitivitas (*sensitivity*) dan spesifisitas (*specificity*) yang jauh lebih unggul dalam mengidentifikasi overlap antarvariabel laten.

\n

Pada evaluasi *inner model*, estimasi signifikansi wajib mengandalkan prosedur *bootstrapping* dengan jumlah sampel ulang (*resamples*) minimal 5.000 (Chin, 1998). Prosedur ini menghasilkan simpangan baku empiris untuk menghitung p-value tanpa bergantung pada asumsi parametrik. Penggunaan jumlah *resamples* yang terlalu sedikit dapat menyebabkan perkiraan nilai p-value bersifat tidak stabil (*unstable p-values*).

\n

Selain nilai *R-square*, pengujian kekuatan prediktif modern dalam SmartPLS disarankan untuk menyertakan analisis PLSpredict (Shmueli et al., 2019). Analisis ini mengevaluasi apakah model PLS-SEM memiliki daya prediksi di luar sampel (*out-of-sample predictive power*) dengan membandingkan nilai *Root Mean Squared Error* (RMSE) antara model PLS dan model *Linear Regression* (LM) dasar.

\n

Bagi penelitian yang melibatkan variabel mediasi atau moderasi, evaluasi koefisien jalur spesifik (*specific indirect effects*) wajib dibaca langsung pada output *bootstrapping*. Efek mediasi dinyatakan signifikan jika interval keyakinan *bias-corrected bootstrap* tidak mencakup angka nol di dalamnya (Hair et al., 2021).

\n

Dengan mengikuti alur interpretasi *outer model* dan *inner model* secara ketat, peneliti dapat menyajikan hasil analisis SmartPLS yang tidak hanya memenuhi kaidah statistik akademis, tetapi juga kebal terhadap kritik metodologis saat proses evaluasi sejawat (*peer review*).

\n\n

Kesimpulan

\n

Interpretasi output PLS-SEM dalam SmartPLS wajib menerapkan prosedur evaluasi dua tahap secara ketat. Evaluasi tahap pertama berfokus pada *outer model* untuk memastikan validitas konvergen (*outer loading* > 0.708, AVE > 0.500), reliabilitas konstruk (CR > 0.700), dan validitas diskriminan (HTMT < 0.850 / 0.900). Setelah seluruh kriteria *outer model* terpenuhi, evaluasi dilanjutkan ke *inner model* dengan memeriksa multikolinearitas (VIF < 3.000), signifikansi koefisien jalur (p-value < 0.050; t-statistik > 1.96), besaran *R-square*, dan ukuran efek *f-square*.

\n\n

Daftar Pustaka

\n
\n

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295-336.

\n

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. Lawrence Erlbaum Associates.

\n

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). Sage Publications.

\n

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. Springer Nature.

\n

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

\n

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.

\n

Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159-205.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-09T18:56:19+07:00", "date_modified": "2026-09-09T19:17:11+07:00" }, { "id": "https://statistikian.net/mengatasi-masalah-autokorelasi-dan-heteroskedastisitas-pada-residual-model-var-dengan-eviews/", "url": "https://statistikian.net/mengatasi-masalah-autokorelasi-dan-heteroskedastisitas-pada-residual-model-var-dengan-eviews/", "title": "Mengatasi Masalah Autokorelasi dan Heteroskedastisitas pada Residual Model VAR dengan Eviews", "summary": "Dalam analisis ekonometrika runtun waktu, peneliti sering kali dihadapkan pada kendalan saat…", "content_html": "
\n

Dalam analisis ekonometrika runtun waktu, peneliti sering kali dihadapkan pada kendalan saat **Mengatasi Masalah Autokorelasi dan Heteroskedastisitas pada Residual Model VAR dengan Eviews**. Masalah ini umumnya terdeteksi ketika nilai p-value pada tabel *VAR Residual Serial Correlation LM Tests* menunjukkan angka di bawah tingkat signifikansi 0.05 (p-value < 0.05) atau ketika pengujian *VAR Residual Heteroskedasticity Tests* (Joint White Test) menghasilkan keputusan menolak hipotesis nol. Terjadinya pengabaian terhadap dua gejala diagnostik residual ini menyebabkan perkiraan standar eror menjadi bias, uji t-statistik dan F-statistik tidak dapat dipercaya, serta menghasilkan kesimpulan kausalitas Granger dan kurva *Impulse Response Function* (IRF) yang menyesatkan.

\n

Secara konseptual, timbulnya autokorelasi pada residual model *Vector Autoregression* (VAR) menandakan bahwa masih terdapat dinamika hubungan antar-waktu (*temporal dynamics*) yang belum terserap secara sempurna oleh struktur lag yang dipilih. Sementara itu, hadirnya heteroskedastisitas mengindikasikan bahwa ragam atau varians residual tidak konstan sepanjang periode pengamatan (*volatility clustering*). Kedua kondisi tersebut secara langsung melanggar asumsi klasik *white noise* yang disyaratkan dalam metode estimasi *Ordinary Least Squares* (OLS) maupun *Maximum Likelihood Estimation* (MLE) pada sistem VAR.

\n\n
DIAGRAM PERMASALAHAN: PELANGGARAN ASUMSI RESIDUAL MODEL VAR Estimasi Model VAR Spesifikasi Persamaan VAR Pemilihan Order Lag Pendek Matriks Koefisien Vector Diagnostik Gagal 1. Autokorelasi LM (p < 0.05) 2. Heteroskedastisitas (p < 0.05) 3. Violation of White Noise Dampak Pada Inferensi Standar Eror Bias & Inefisien IRF & FEVD Menyesatkan Gejala Kegagalan Uji Asumsi Residual VAR di EViews: Autocorrelation LM Test Lag 1: Prob = 0.0124 (ADA AUTOKORELASI / TOLAK H0!) Heteroskedasticity Joint Test: Prob = 0.0031 (ADA HETEROSKEDASTISITAS / TOLAK H0!) Penyebab Utama: Lag Terlalu Pendek, Structural Break, atau Gejolak Volatilitas Data [SOLUSI] Restrukturisasi Lag, Tambah Dummy Eksogen, atau Transformasi ke VAR-GARCH! SYARAT KELAYAKAN RESIDUAL MODEL VAR (WHITE NOISE REQUIREMENT) Nilai p-value uji Autokorelasi LM dan Heteroskedastisitas WAJIB lebih besar dari 0.05 (> 0.05).
\n\n

Konsep Teori Diagnostik Residual dan Asumsi White Noise pada VAR

\n

Asumsi dasar dalam pemodelan *Vector Autoregression* menyatakan bahwa vektor eror stokastik harus bersifat identik, independen, dan berdistribusi normal (*independently and identically distributed*). Menurut Lütkepohl (2005), ketiadaan korelasi serial pada residual merupakan syarat mutlak agar matriks kovarians yang diestimasi bersifat konsisten. Jika residual terautokorelasi, maka perkiraan matriks kovarians koefisien VAR akan terdistorsi secara signifikan.

\n

Bagi pembaca yang ingin memperdalam landasan teoretis mengenai sistem persamaan simultan, estimasi parameter, serta pengujian kausalitas, silakan mempelajari teori dasar model VAR dan ekonometrika runtun waktu secara komprehensif di www.statistikian.com.

\n

Untuk menguji keberadaan autokorelasi pada sistem VAR, metode statistik yang paling direkomendasikan adalah *Lagrange Multiplier* (LM) *Test*. Godfrey (1988) menegaskan bahwa uji LM multivariate jauh lebih unggul dibandingkan uji statistik Portmanteau tradisional, terutama pada sampel berukuran kecil hingga menengah atau ketika menguji korelasi serial pada lag-lag awal.

\n

Sementara itu, pengujian heteroskedastisitas residual pada VAR bertujuan untuk memastikan bahwa varians dari gangguan stokastik bersifat homoskedastik sepanjang waktu. White (1980) menyatakan bahwa keberadaan heteroskedastisitas tidak menyebabkan koefisien regresi menjadi bias, namun menghilangkan sifat *Best Linear Unbiased Estimator* (BLUE). Akibatnya, estimasi rentang selang kepercayaan pada analisis *Impulse Response Function* menjadi tidak presisi (Hamilton, 1994).

\n\n

Langkah-Langkah Perbaikan Teknis Mandiri untuk Mengatasi Autokorelasi dan Heteroskedastisitas

\n

Guna mendeteksi sekaligus memecahkan masalah autokorelasi dan heteroskedastisitas pada residual model VAR di EViews, Anda dapat menerapkan prosedur langkah demi langkah beserta landasan ilmiah perbaikannya sebagai berikut:

\n

Langkah 1: Menjalankan Uji Autokorelasi Residual (VAR Residual Serial Correlation LM Tests)
Buka jendela estimasi VAR yang telah dibuat di EViews, lalu akses menu diagnostik melalui navigasi:

\n
View -> Residual Tests -> Autocorrelation LM Tests\n
\n

Langkah 2: Evaluasi Keputusan Uji Autokorelasi
Perhatikan kolom **Prob** pada setiap lag yang diuji. Hipotesis nol (H0) menyatakan tidak ada autokorelasi serial pada lag tertentu. Jika terdapat nilai Prob < 0.05 pada lag 1 atau lag 2, artinya model menderita autokorelasi residual.

\n

Langkah 3: Menjalankan Uji Heteroskedastisitas (VAR Residual Heteroskedasticity Tests)
Selanjutnya, lakukan pengujian kehomogenan varians residual melalui menu:

\n
View -> Residual Tests -> Heteroskedasticity Tests\n
\n

Langkah 4: Evaluasi Keputusan Uji Heteroskedastisitas
Cek nilai **Joint Prob** dari uji Chi-Square di bagian bawah output. Jika p-value < 0.05, maka hipotesis nol heteroskedastisitas ditolak, yang berarti varians residual tidak konstan (terdapat masalah heteroskedastisitas).

\n

Solusi Perbaikan 1: Menambahkan Panjang Lag Optimal (Adding Lag Order)
Autokorelasi residual paling sering terjadi akibat *under-fitting* atau jumlah lag yang terlalu sedikit. Lütkepohl (2005) menyarankan untuk menambah panjang lag satu atau dua tingkat di atas rekomendasi kriteria informasi (AIC/SC). Penambahan lag akan menyerap ketergantungan waktu yang tertinggal di dalam residual.

\n

Solusi Perbaikan 2: Memasukkan Variabel Dummy Break Struktur (Exogenous Structural Break)
Heteroskedastisitas sering kali disebabkan oleh lonjakan ekstrem atau krisis pada periode tertentu. Buat variabel dummy kualitatif (bernilai 1 pada saat krisis/intervensi dan 0 pada periode normal), lalu masukkan ke dalam kotak *Exogenous Variables* pada saat estimasi VAR di EViews.

\n

Solusi Perbaikan 3: Transformasi Logaritma Natural pada Variabel Level
Jika variabel endogen memiliki simpangan baku yang membesar seiring berjalannya waktu, lakukan transformasi skala logaritma natural pada variabel sebelum diestimasi. Logaritma terbukti secara ilmiah mampu menstabilkan varians (*variance-stabilizing transformation*).

\n

Solusi Perbaikan 4: Penggunaan Model VAR-GARCH / VECM
Jika masalah heteroskedastisitas tetap bertahan akibat dinamika volatilitas tinggi (*conditional heteroskedasticity*), alihkan pendekatan dari sistem VAR standar menuju pemodelan Multivariate GARCH atau gunakan kerangka VECM jika terbukti terdapat hubungan kointegrasi (Johansen, 1995).

\n\n
DECISION TREE SOLUSI AUTOKORELASI DAN HETEROSKEDASTISITAS VAR Uji Residual LM & Heteroskedasticity di EViews Evaluasi Nilai Probabilitas (p-value) Prob > 0.05 (LULUS) Residual Bebas Masalah Prob < 0.05 (GAGAL) Terdeteksi Masalah Residual Lanjut Ke Analisis IRF & FEVD Hasil Estimasi Konsisten & Valid Opsi Perbaikan Teknis VAR 1. Tambah Lag | 2. Dummy Break | 3. Transformasi Log KONDISI RESIDUAL BEBAS MASALAH Residual berdistribusi acak tanpa pola korelasi serial PERINGATAN PROSEDUR Dilarang interpretasi IRF jika residual masih heteroskedastik!
\n\n

Contoh Output Uji Autokorelasi dan Heteroskedastisitas Residual VAR di EViews dan Cara Pembacaannya

\n

Untuk memberikan gambaran aplikatif, berikut disajikan struktur contoh tabel/diagram output beserta tata cara membaca setiap komponen angkanya secara logis.

\n\n
ILUSTRASI OUTPUT EVIEWS: UJI AUTOKORELASI LM DAN HETEROSKEDASTISITAS VAR Residual Serial Correlation LM Tests Lags LM-Stat Prob 1 12.4150 0.1812 2 10.8505 0.2861 3 8.6124 0.4738 KESIMPULAN UJI AUTOKORELASI: Seluruh Prob > 0.05 -> Gagal Tolak H0 Model Bebas Masalah Autokorelasi! VAR Residual Heteroskedasticity Tests (White) Joint Test Chi-sq Prob Joint Specification 45.2104 0.2281 KESIMPULAN HETEROSKEDASTISITAS: Joint Prob (0.2281) > 0.05 -> Gagal Tolak H0 Varians Residual Homoskedastik (Lulus)! CARA BACA AUTOKORELASI (BLUE) 1. Cek kolom Prob dari Lag 1 hingga Lag p. 2. Nilai Prob > 0.05 berarti TIDAK ada autokorelasi. 3. Jika ada 1 lag dengan Prob < 0.05, wajib lakukan penambahan order lag pada estimasi VAR. CARA BACA HETEROSKEDASTISITAS (RED) 1. Fokus pada angka Joint Prob Chi-square. 2. Syarat LULUS: Joint Prob WAJIB > 0.05. 3. Jika Joint Prob < 0.05: Ada heteroskedastisitas (Solusi: Tambah Dummy Structural Break).
\n

Berdasarkan sampel output uji diagnostik residual VAR pada ilustrasi di atas, tata cara penulisan narasi analisis ekonometrika yang presisi dibedakan menjadi tiga tahapan pembacaan utama:

\n

1. Evaluasi Nilai Probabilitas Uji Autokorelasi LM
Pada tabel *VAR Residual Serial Correlation LM Tests*, nilai statistik LM diuji pada setiap tingkat lag. Pada lag 1, 2, dan 3, diperoleh nilai nilai p-value (Prob) masing-masing sebesar 0.1812, 0.2861, dan 0.4738. Karena seluruh nilai probabilitas berada di atas α = 0.05, maka hipotesis nol gagal ditolak. Hal ini membuktikan secara statistik bahwa residual sistem VAR bebas dari masalah autokorelasi serial hingga lag ke-3.

\n

2. Evaluasi Uji Joint Heteroskedastisitas White
Pada tabel *VAR Residual Heteroskedasticity Tests*, pemeriksaan berfokus pada baris *Joint Specification*. Statistik uji Chi-Square menghasilkan nilai probabilitas sebesar 0.2281. Mengingat p-value > 0.05, maka keputusan uji adalah gagal menolak H0. Keadaan ini mengonfirmasi bahwa varians residual bersifat homoskedastik (konstan) di seluruh persamaan sistem VAR.

\n

3. Sintesis Kelayakan Model untuk Analisis Lanjutan
Terpenuhinya asumsi ketiadaan autokorelasi dan heteroskedastisitas membuktikan bahwa residual model VAR telah berstatus *white noise*. Dengan demikian, perkiraan standar eror bersifat efisien, sehingga pengujian kausalitas Granger, proyeksi *Impulse Response Function*, dan *Variance Decomposition* aman untuk diinterpretasikan bagi pengambilan keputusan kebijakan.

\n\n

Pembahasan Ilmiah: Implikasi Kegagalan Diagnostik Terhadap Estimasi VAR

\n

Pengujian diagnostik residual pada sistem persamaan multivariat memerlukan ketelitian yang lebih tinggi dibandingkan dengan pemodelan univariat. Menurut Lütkepohl (2005), pengujian korelasi serial univariat seperti Durbin-Watson tidak valid diterapkan pada VAR karena tidak mampu menangkap korelasi silang antar-persamaan (*cross-equation correlation*). Uji LM multivariat memecahkan keterbatasan ini dengan menguji matriks kovarians residual secara simultan.

\n

Dampak dari pelanggaran autokorelasi pada residual sistem VAR sangat nyata pada pengujian kausalitas Granger. Toda dan Phillips (1993) menunjukkan bahwa jika residual terautokorelasi, maka sebaran statistik Wald akan menyimpang dari distribusi Chi-Square teoritisnya. Hal ini menyebabkan fenomena *spurious causality*, di mana dua variabel tampak saling mempengaruhi padahal hubungan tersebut hanyalah artefak dari autokorelasi eror yang tidak terserap.

\n

Di sisi lain, heteroskedastisitas pada residual VAR berdampak buruk pada perhitungan interval keyakinan *Impulse Response Function* (IRF). Kilian (1998) menjelaskan bahwa metode simulasi *bootstrap* yang umum digunakan di EViews untuk menyusun pita kesalahan (*error bands*) IRF mengasumsikan varians eror bersifat homoskedastik. Ketika heteroskedastisitas terjadi, pita kesalahan IRF menjadi terlalu sempit atau terlalu lebar, yang berakibat pada salah simpul mengenai signifikansi dampak guncangan.

\n

Keterkaitan antara *structural break* dan timbulnya heteroskedastisitas juga dibahas tajam oleh Sims (1980). Guncangan eksternal besar—seperti krisis keuangan atau perubahan rezim moneter—sering kali menciptakan kelompok volatilitas (*volatility clusters*). Mengabaikan patahan struktur ini dan memaksakan estimasi VAR linier akan menyebabkan uji White heteroskedastisitas menolak H0 secara konsisten.

\n

Oleh karena itu, penyusunan spesifikasi model VAR selalu melibatkan kompromi antara kehematan parameter (*parsimony*) dan pemenuhan asumsi diagnostik. Menambah lag terlalu banyak dapat menghilangkan autokorelasi, namun mengorbankan derajat kebebasan (*degrees of freedom*). Peneliti dituntut untuk memilih struktur lag optimal yang secara efisien mampu membersihkan residual dari korelasi serial tanpa membuat model mengalami *over-parameterization* (Hamilton, 1994).

\n

Apabila seluruh upaya perbaikan lag dan penambahan dummy eksogen masih gagal menghilangkan heteroskedastisitas, maka penggunaan estimasi matriks kovarians yang kebal (*robust standard errors*) atau pengalihan spesifikasi menuju VAR-GARCH multivariat menjadi jalan keluar ekonometrika yang paling rigorus (White, 1980).

\n

Dengan menerapkan tahapan pengujian diagnostik residual secara sistematis, peneliti dapat memastikan bahwa estimasi *Vector Autoregression* yang dipublikasikan memenuhi standar keabsahan metodologis akademis yang tinggi.

\n\n

Kesimpulan

\n

Pengujian autokorelasi dan heteroskedastisitas pada residual model VAR di EViews merupakan syarat kelayakan mutlak untuk menjamin bahwa eror berstatus *white noise*. Kehadiran autokorelasi (LM Test p-value < 0.05) dan heteroskedastisitas (Joint White Test p-value < 0.05) merusak konsistensi standar eror dan mengancam keabsahan analisis kausalitas Granger serta IRF. Masalah ini dapat diatasi secara efektif dengan melakukan penyesuaian panjang lag optimal, memasukkan dummy eksogen patahan struktur, melakukan transformasi logaritma, atau beralih ke kerangka pemodelan VECM/Multivariate GARCH.

\n\n

Daftar Pustaka

\n
\n

Godfrey, L. G. (1988). Misspecification Tests in Econometrics. Cambridge University Press.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Kilian, L. (1998). Small-sample confidence intervals for impulse response functions. Review of Economics and Statistics, 80(2), 218-230.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.

\n

Toda, H. Y., & Phillips, P. C. (1993). Vector autoregressions and causality. Econometrica, 61(6), 1367-1393.

\n

White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817-838.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T22:43:51+07:00", "date_modified": "2026-09-09T19:17:27+07:00" }, { "id": "https://statistikian.net/tutorial-uji-stabilitas-model-var-roots-of-characteristic-polynomial-dengan-eviews/", "url": "https://statistikian.net/tutorial-uji-stabilitas-model-var-roots-of-characteristic-polynomial-dengan-eviews/", "title": "Tutorial Uji Stabilitas Model VAR (Roots of Characteristic Polynomial) dengan Eviews", "summary": "Peneliti dan mahasiswa sering menghadapi kendala fatal saat melakukan **Tutorial Uji Stabilitas…", "content_html": "
\n

Peneliti dan mahasiswa sering menghadapi kendala fatal saat melakukan **Tutorial Uji Stabilitas Model VAR (Roots of Characteristic Polynomial) dengan Eviews** akibat munculnya pesan peringatan sistem berupa \"WARNING: At least one root lies outside the unit circle. VAR does not satisfy the stability condition\". Gejala masalah ini biasanya ditunjukkan oleh bentuk grafik Impulse Response Function (IRF) yang meliuk-liuk meledak (*explosive*) menuju tak terhingga, atau tabel Forecast Error Variance Decomposition (FEVD) yang nilainya tidak pernah konvergen. Kondisi ini menandakan bahwa estimasi persamaan sistem Vector Autoregression yang dibangun secara ekonometrika berada dalam kondisi tidak stabil.

\n

Penyebab utama dari kegagalan stabilitas ini adalah keberadaan nilai modul dari akar-akar polinomial karakteristik (*AR Roots*) yang bernilai sama dengan atau lebih besar dari 1.00. Ketika terdapat setidaknya satu nilai modul yang melampaui batas lingkaran satuan (*unit circle*), matriks pembobot Vector Moving Average (VMA) tidak meluruh (*non-decaying*). Akibatnya, seluruh analisis transmisi guncangan, proyeksi masa depan, dan inferensi kausalitas yang dihasilkan oleh software EViews menjadi cacat secara teoritis dan tidak dapat dipertanggungjawabkan (*spurious inference*).

\n\n
DIAGRAM PERMASALAHAN: KETIDAKSTABILAN MODEL VAR DI EVIEWS Estimasi VAR Level Persamaan Simultan VAR Pemilihan Lag Optimal Matriks Koefisien A(p) AR Root Unstable 1. Warning Unit Circle EViews 2. Modulus Akar Polinomial >= 1.00 3. Titik Keluar Dari Lingkaran Output Analisis Cacat Kurva IRF Meledak (Explosive) Varians FEVD Tidak Konvergen Simulasi Indikator Kegagalan Stabilitas VAR di EViews: Root 1: 1.024150 -> Modulus = 1.024150 (LEBIH DARI 1.00: MODEL VAR TIDAK STABIL!) Dampak: Matriks VMA Tak Terhingga -> Guncangan Menyebabkan Respon Liar Tanpa Batas Penyebab: Data Tidak Stasioner Pada Level & Terjadi Salah Penentuan Struktur Lag Optimal [SOLUSI] Restrukturisasi Lag, First Differencing Data, atau Transformasi ke VECM Kointegrasi! KONDISI SYARAT STABILITAS MODEL VAR (STATIONARITY CONDITION) Seluruh nilai Modulus akar AR polinomial WAJIB berada secara ketat di bawah 1.00 (< 1.00).
\n\n

Konsep Teori Roots of Characteristic Polynomial dan Stabilitas Sistem VAR

\n

Uji Stabilitas Model VAR berbasis *Roots of Characteristic Polynomial* merupakan pengujian matematis untuk memastikan bahwa sistem persamaan autoregresif simultan bersifat stasioner dan ergodik (Sims, 1980). Kestabilan ini menjamin bahwa dampak guncangan stokastik (*shocks*) pada salah satu variabel akan memudar secara bertahap seiring berjalannya waktu (*die out*), sehingga sistem dapat kembali ke titik keseimbangan jangka panjangnya.

\n

Peneliti yang ingin mendalami landasan teoretis pemodelan VAR, konsep kointegrasi, serta pengujian kausalitas simultan dipersilakan untuk membaca konsep dasar teori VAR dan uji kausalitas secara lengkap di www.statistikian.com.

\n

Secara matematis, pengujian stabilitas VAR berorde p dilakukan dengan menghitung nilai-nilai akar karakteristik dari determinan matriks polinomial autoregresif. Menurut Hamilton (1994), jika seluruh akar polinomial terletak di dalam lingkaran satuan kompleks (*unit circle*), yang ditandai dengan nilai modul (*modulus*) kurang dari satu, maka sistem VAR terbukti memenuhi kondisi stasioneritas sistemik (*covariance stationary*).

\n

Sebaliknya, jika terdapat setidaknya satu akar yang berada tepat pada atau di luar lingkaran satuan (modul sama dengan atau lebih besar dari 1.00), maka varians dari galat prediksi akan membesar secara eksponensial seiring bertambahnya horizon waktu (Lütkepohl, 2005). Hal ini membatalkan asumsi inversi VMA (*Vector Moving Average*), sehingga perkiraan *Impulse Response Function* dan *Variance Decomposition* menjadi tidak valid.

\n\n

Langkah-Langkah Teknis Pengujian Stabilitas dan Solusi Perbaikan di EViews

\n

Untuk mengeksekusi pengujian stabilitas model VAR serta mengatasi masalah *unstable root* secara mandiri di EViews, ikuti tahapan operasional dan langkah perbaikan teknis berikut:

\n

Langkah 1: Menampilkan Tabel Akar Polinomial (AR Roots Table)
Setelah melakukan estimasi model VAR pada jendela EViews, buka tabel pengujian stabilitas melalui menu navigasi utama:

\n
View -> Lag Structure -> AR Roots Table\n
\n

Langkah 2: Evaluasi Nilai Modulus pada Tabel
Periksa kolom **Modulus** pada baris paling atas hingga paling bawah. Model VAR dinyatakan **stabil** jika seluruh nilai pada kolom Modulus bernilai lebih kecil dari 1.00 (misalnya 0.942, 0.815, 0.652). Jika terdapat angka 1.000 atau lebih (misalnya 1.024), maka model VAR **tidak stabil**.

\n

Langkah 3: Menampilkan Visualisasi Grafik Lingkaran Satuan (AR Roots Graph)
Untuk menyajikan bukti visual dalam laporan penelitian, buka grafik *unit circle* melalui menu:

\n
View -> Lag Structure -> AR Roots Graph\n
\n

Langkah 4: Evaluasi Plot Titik pada Unit Circle
Amati sebaran titik-titik akar (*dots*) pada grafik. Jika seluruh titik berada di **dalam** batas lingkaran, model stabil. Jika terdapat titik yang menempel tepat di garis lingkaran atau berada di **luar** lingkaran, model tidak stabil.

\n

Solusi Perbaikan 1: Penyesuaian Ulang Panjang Lag Optimal
Penyebab utama *unstable root* adalah pemilihan *lag* yang terlalu panjang atau terlalu pendek. Buka menu kriteria panjang *lag*:

\n
View -> Lag Structure -> Lag Length Criteria\n
\n

Cobalah memperpendek panjang *lag* (misalnya dari *lag* 4 menjadi *lag* 2 atau *lag* 1) berdasarkan kriteria *Akaike Information Criterion* (AIC) atau *Schwarz Criterion* (SC), lalu estimasi ulang VAR dan cek kembali stabilitasnya.

\n

Solusi Perbaikan 2: Transformasi Diferensiasi Pertama (First Differencing)
Jika variabel data tidak stasioner pada tingkat level I(0), lakukan diferensiasi pertama pada seluruh variabel terikat dan estimasi ulang model VAR pada tingkat Difference I(1). Stasioneritas data individu secara dramatis meningkatkan kestabilan sistem VAR.

\n

Solusi Perbaikan 3: Transformasi ke Model VECM (Vector Error Correction Model)
Apabila variabel tidak stasioner pada level namun memiliki kointegrasi (*cointegrating relation*), ubah spesifikasi model dari VAR Level menjadi VECM. Johansen (1995) menegaskan bahwa model VECM secara inheren mengunci akar unit (*unit roots*) ke dalam mekanisme koreksi kesalahan jangka panjang, sehingga stabilitas sistem tetap terjaga.

\n

Solusi Perbaikan 4: Memasukkan Variabel Eksogen atau Dummy Structual Break
Guncangan ekstrem atau patahan struktur data (*structural break*) dapat merusak stabilitas polinomial. Tambahkan variabel kualitatif dummy (*exogenous dummy*) untuk mengisolasi efek krisis atau perubahan kebijakan pada periode tertentu.

\n\n
DECISION TREE SOLUSI PENANGANAN UNSTABLE VAR ROOT Uji AR Roots Table / Graph di EViews Cek Nilai Modulus Terbesar Modulus < 1.00 (STABIL) Titik Di Dalam Unit Circle Modulus >= 1.00 (UNSTABLE) Ada Titik Di Luar Circle Lanjut Ke Analisis IRF & FEVD Model Valid Untuk Inferensi Transmisi Opsi Perbaikan Teknis VAR 1. Perpendek Lag | 2. Differencing | 3. VECM STATUS KESTABILAN VALID Akar kompleks berpasangan menghasilkan pola sinusoide PERINGATAN PROSEDUR Dilarang lanjut ke IRF/VD jika ada 1 root >= 1.00!
\n\n

Contoh Praktis Output Uji Stabilitas AR Roots EViews dan Cara Pembacaannya

\n

Untuk memberikan gambaran aplikatif, berikut disajikan struktur contoh tabel dan diagram output AR Roots dari EViews beserta tata cara membaca setiap komponen angkanya secara logis.

\n\n
ILUSTRASI OUTPUT EVIEWS: AR ROOTS TABLE DAN UNIT CIRCLE GRAPH Roots of Characteristic Polynomial (Table) Root (Akar Complex/Real) Modulus 0.824150 - 0.210452i 0.850542 0.824150 + 0.210452i 0.850542 0.612405 0.612405 -0.312040 - 0.241050i 0.394310 STATUS: No root lies outside the unit circle. VAR satisfies the stability condition. Inverse Roots of AR Characteristic Polynomial Unstable Root (> 1.00) PANDUAN BACA TABEL (BLUE) 1. Perhatikan kolom Modulus di sisi kanan. 2. Nilai Modulus terbesar (0.850542) < 1.00. 3. Adanya imajiner 'i' menunjukkan pola siklis gelombang sinus pada respon IRF. PANDUAN BACA GRAFIK (RED) 1. Lingkaran hitam tebal adalah Unit Circle. 2. Jika SEMUA titik biru di DALAM lingkaran: STABIL. 3. Jika ada 1 titik merah di LUAR lingkaran: MODEL GAGAL / UNSTABLE (Lakukan Perbaikan!).
\n

Berdasarkan ilustrasi gabungan output *AR Roots Table* dan *Unit Circle Graph* di atas, berikut adalah tiga kriteria utama yang wajib dilaporkan dalam bab hasil dan pembahasan penelitian:

\n

1. Evaluasi Nilai Modulus Maksimum
Bandingkan nilai Modulus terbesar pada tabel dengan angka kritis 1.00. Jika nilai Modulus tertinggi berada di bawah 1.00 (seperti pada contoh tabel di mana Modulus maksimum bernilai 0.850542), maka sistem persamaan VAR terbukti memenuhi syarat stasioneritas stokastik secara sempurna.

\n

2. Interpretasi Pasangan Akar Kompleks Konjugat
Munculnya lambang imajiner 'i' pada baris akar menunjukkan adanya pasangan kompleks konjugat (*complex conjugate roots*). Keberadaan akar kompleks ini mengindikasikan bahwa pergerakan respon dinamik variabel pada kurva *Impulse Response Function* akan membentuk gelombang sinusoide berosilasi sebelum akhirnya meluruh menuju titik nol.

\n

3. Verifikasi Geometris Sebaran Titik Unit Circle
Secara visual, konfirmasi kestabilan dapat dilihat dari posisi seluruh titik akar (*dots*) yang berkumpul secara utuh di dalam batas lingkaran hitam. Apabila tidak ada satu pun titik yang menyentuh atau melompat keluar dari lingkaran, maka estimasi VAR aman untuk dilanjutkan ke tahap analisis dekonsentratif lanjutan.

\n\n

Pembahasan Ilmiah: Matriks Companion dan Implikasi Ekonometrika

\n

Pembahasan mengenai uji stabilitas model VAR memiliki kedalaman matematis yang berakar pada matriks pembantu (*companion matrix*). Menurut Hamilton (1994), sistem VAR berorde p dengan n variabel dapat ditransformasikan ke dalam representasi VAR berorde satu VAR(1) berdimensi np melalui matriks *companion* A. Akar-akar polinomial karakteristik diperoleh dari nilai-nilai eigen (*eigenvalues*) matriks A tersebut.

\n

Syarat agar sistem VAR stasioner dan konvergen adalah seluruh nilai eigen matriks *companion* memiliki nilai mutlak (modulus) kurang dari satu. Jika kondisi ini terpenuhi, maka polinomial autoregresif A(L) dapat diinversi menjadi representasi *Vector Moving Average* VMA tak terhingga dengan matriks koefisien yang konvergen mutlak (Lütkepohl, 2005).

\n

Keberadaan akar kompleks konjugat memiliki implikasi penting dalam teori siklus bisnis (*business cycle theory*). Sims (1980) menjelaskan bahwa pasangan akar kompleks menciptakan komponen siklikal yang menyebabkan respon variabel berfluktuasi secara gelombang periodik. Semakin dekat nilai modul akar kompleks ke angka 1.00, semakin lama durasi osilasi gelombang fluktuasi tersebut bertahan dalam sistem ekonomi.

\n

Dalam konteks estimasi *Vector Error Correction Model* (VECM), keberadaan akar unit (*unit roots*) pada tingkat level tercermin dari hadirnya akar bernilai modul tepat sama dengan 1.00 sebanyak n minus r, di mana n adalah jumlah variabel dan r adalah jumlah hubungan kointegrasi (Johansen, 1995). Dalam VECM, akar unit ini mengekspresikan komponen tren permanen, sedangkan r akar sisanya harus berada di dalam lingkaran unit untuk menjamin kestabilan mekanisme koreksi kesalahan.

\n

Lütkepohl (2005) juga mengingatkan bahwa ketidakstabilan sistem VAR sering kali disebabkan oleh kesalahan penentuan sampel (*sample size issues*) atau ketidaktepatan pemilihan struktur jeda waktu (*lag structure*). Mengabaikan akar yang tidak stabil dan memaksakan pembacaan IRF akan menghasilkan estimasi dampak guncangan yang bertahan selamanya (*spurious persistence*), yang merusak kerangka analisis teoritis.

\n

Oleh karena itu, pengujian stabilitas berbasis *Roots of Characteristic Polynomial* berfungsi sebagai *gatekeeper* atau filtruasi metodologis mutlak. Hanya model VAR yang telah terbukti stabil yang dapat melangkah ke tahap pengujian *Granger Causality*, *Impulse Response Function*, dan *Variance Decomposition* secara terpercaya (Toda & Phillips, 1993).

\n

Dengan mengintegrasikan verifikasi tabel Modulus, pemeriksaan visual grafik *unit circle*, dan penyesuaian spesifikasi lag atau differencing data, peneliti dapat memastikan bahwa model ekonometrika simultan yang dibangun memenuhi kaidah akademis yang rigorus.

\n\n

Kesimpulan

\n

Uji Stabilitas Model VAR (*Roots of Characteristic Polynomial*) di EViews merupakan prasyarat mutlak yang wajib dipenuhi sebelum melakukan inferensi dinamika sistem. Kestabilan dicapai jika dan hanya jika seluruh nilai Modulus akar AR berada di bawah 1.00 dan seluruh titik data berkumpul di dalam lingkaran satuan (*unit circle*). Apabila terdeteksi akar tidak stabil (Modulus sama dengan atau lebih besar dari 1.00), peneliti harus melakukan perbaikan teknis melalui penyesuaian panjang lag optimal, diferensiasi data, atau mengalihkan model ke bentuk VECM jika terdapat kointegrasi.

\n\n

Daftar Pustaka

\n
\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.

\n

Toda, H. Y., & Phillips, P. C. (1993). Vector autoregressions and causality. Econometrica, 61(6), 1367-1393.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T22:33:25+07:00", "date_modified": "2026-09-09T19:17:46+07:00" }, { "id": "https://statistikian.net/interpretasi-variance-decomposition-vd-dalam-stabilitas-model-var-vecm-dengan-eviews/", "url": "https://statistikian.net/interpretasi-variance-decomposition-vd-dalam-stabilitas-model-var-vecm-dengan-eviews/", "title": "Interpretasi Variance Decomposition (VD) dalam Stabilitas Model VAR VECM dengan Eviews", "summary": "Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan menjadi…", "content_html": "
\n

Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan menjadi solusi praktis ketika peneliti atau analis pasar keuangan menghadapi kegagalan estimasi varians bersyarat pada data harga saham, indeks pasar, atau nilai tukar mata uang. Masalah teknis yang kerap muncul di EViews adalah pesan kesalahan Convergence not achieved after 500 iterations, munculnya estimasi varians bersyarat yang bernilai negatif, atau pelanggaran batas non-negativitas di mana penjumlahan koefisien ARCH dan GARCH melebihi angka 1. Kondisi tersebut menyebabkan pemodelan volatilitas menjadi tidak stasioner, variabel acak mengalami pembesaran secara eksponensial, serta hasil uji hipotesis menjadi tidak valid.

\n

Gejala kegagalan pemodelan ini umumnya dipicu oleh beberapa faktor utama: penggunaan data mentah dalam bentuk tingkat harga (price level) alih-alih return logaritmik, asumsi distribusi residual berdistribusi normal yang gagal menangkap fenomena ekor tebal (fat tails / leptokurtic distribution), serta pengabaian efek asimetris (leverage effect) saat guncangan negatif pasar (bad news) menghasilkan gejolak volatilitas yang jauh lebih besar dibandingkan guncangan positif (good news) dengan besaran yang sama. Jika permasalahan ini tidak diatasi dengan benar, estimasi manajemen risiko seperti Value at Risk (VaR) dan peramalan volatilitas akan menghasilkan simpulan yang sangat bias.

\n\n
POHON PERMASALAHAN PEMODELAN VOLATILITAS ARCH/GARCH & EGARCH DI EVIEWS Puncak Permasalahan Metodologis Pemodelan Volatilitas: Estimasi GARCH Gagal Konvergen, Koefisien Varians Negatif, & Asimetri Diabaikan Penyebab 1: Non-Convergence Algoritma iterasi EViews gagal (Gagal akibat outlier/fat tails) Penyebab 2: Persistensi > 1 Penjumlahan koefisien >= 1 (Varians bersyarat tidak stasioner) Penyebab 3: Asymmetry Ignored Memaksa GARCH simetris (Abaikan dampak bad/good news) SOLUSI & CATATAN PERBAIKAN METODOLOGIS 1. Transformasi variabel ke return logaritmik dan verifikasi heteroskedastisitas ARCH LM. 2. Gunakan distribusi Student's t atau GED jika residual mengalami leptokurtosis tebal. 3. Terapkan model EGARCH(1,1) untuk mengukur respon asimetris (leverage effect) tanpa batasan parameter.
\n\n

Konsep Teori Model ARCH/GARCH dan EGARCH dalam Volatilitas Keuangan

\n

Secara teoritis, dasar pemodelan volatilitas bersyarat diperkenalkan pertama kali oleh Engle (1982) melalui model Autoregressive Conditional Heteroskedasticity (ARCH). Engle membuktikan bahwa pada data keuangan, ragam galat tidak bersifat konstan (homoskedastis), melainkan berubah sepanjang waktu bergantung pada besarnya galat masa lalu. Fenomena ini dikenal sebagai pengelompokan volatilitas (volatility clustering), di mana periode dengan volatilitas tinggi cenderung diikuti oleh periode volatilitas tinggi pula.

\n

Untuk mengatasi keterbatasan model ARCH yang membutuhkan jumlah lag sangat panjang, Bollerslev (1986) mengembangkan model Generalized ARCH (GARCH). Model GARCH memperbolehkan varians bersyarat masa lalu ikut memengaruhi varians bersyarat periode berjalan. Penjelasan mendalam mengenai konsep dasar pengujian ragam galat ini dapat dipelajari pada rujukan teori dasar uji heteroskedastisitas ekonometrika di www.statistikian.com.

\n

Meskipun model GARCH(1,1) sangat populer dan efisien, model ini memiliki keterbatasan struktural utama, yaitu memodelkan varians bersyarat secara simetris. Pada kenyataannya, fenomena pasar keuangan sering kali menunjukkan bahwa guncangan negatif (penurunan harga atau krisis) meningkatkan volatilitas secara jauh lebih drastis dibandingkan guncangan positif dengan skala yang setara. Hal ini dipaparkan oleh Black (1976) dan Christie (1982) sebagai efek daya ungkit keuangan (leverage effect).

\n

Untuk memfasilitasi efek asimetri tersebut sekaligus menghapus pembatasan non-negativitas parameter, Nelson (1991) merumuskan model Exponential GARCH (EGARCH). Dengan memodelkan logaritma dari varians bersyarat, EGARCH menjamin nilai perkiraan varians bersyarat akan selalu bernilai positif tanpa memerlukan batasan ketat pada koefisien spesifikasi persamaan varians.

\n

Sifat data aset keuangan yang umumnya berdistribusi ekor tebal (fat-tailed / leptokurtic distribution) juga ditegaskan oleh Bollerslev (1987). Penggunaan distribusi normal standar pada estimator Maximum Likelihood Estimation (MLE) sering kali menyebabkan algoritma pencarian iteratif EViews gagal mencapai konvergensi. Oleh karena itu, penggunaan asumsi distribusi Student's t atau Generalized Error Distribution (GED) sangat dianjurkan untuk memperoleh estimasi parameter yang efisien.

\n\n

Langkah-Langkah Teknis Perbaikan Pemodelan Volatilitas di EViews

\n

Berikut adalah tahapan perbaikan teknis mandiri yang dapat Anda lakukan di software EViews untuk melakukan pemodelan ARCH/GARCH dan EGARCH secara benar beserta alasan ilmiahnya:

\n

Langkah 1: Hitung Return Logaritmik
Buat variabel return dari data harga saham atau kurs dengan perintah kalkulasi logaritmik diferensiasi pertama. Panduan pengujian stasioneritas tingkat diferensiasi dapat dibaca pada rujukan teori uji stasioneritas data time series di www.statistikian.com.

\n

Langkah 2: Estimasi Persamaan Rata-Rata & Uji ARCH LM
Estimasi persamaan OLS atau ARMA pada variabel return. Buka menu EViews melalui:

\n
View -> Residual Diagnostics -> Heteroskedasticity Test -> ARCH
\n

Pastikan p-value F-statistic atau Obs*R-squared < 0.05 yang menandakan adanya efek ARCH (conditional heteroskedasticity) sebagai syarat wajib pemodelan varians.

\n

Langkah 3: Estimasi Model GARCH Simetris
Klik menu Quick -> Estimate Equation. Pada opsi Method, ubah menjadi ARCH - Autoregressive Conditional Heteroskedasticity dengan spesifikasi default GARCH(1,1).

\n

Langkah 4: Solusi Non-Convergence dan Leptokurtosis
Jika EViews mengeluarkan peringatan tidak konvergen, ubah menu drop-down Error Distribution dari Normal (Gaussian) menjadi Student's t atau GED untuk menyesuaikan dengan sifat ekor tebal data keuangan.

\n

Langkah 5: Spesifikasi Model EGARCH Asimetris
Untuk menguji keberadaan leverage effect, ubah opsi Model Type pada EViews menjadi EGARCH. Model ini menjamin estimasi ragam selalu positif secara eksplisit.

\n

Langkah 6: Evaluasi Diagnostik Residual Pasca Estimasi
Lakukan uji diagnostik ulang pada residual terstandardisasi (standardized residuals) menggunakan uji ARCH LM. Model dinyatakan valid dan bebas efek heteroskedastisitas jika p-value > 0.05.

\n\n
DECISION TREE PROSEDUR PEMODELAN ARCH/GARCH & EGARCH DI EVIEWS Mulai: Hitung Return Logaritmik & Estimasi Persamaan Rata-Rata (OLS/ARMA) Apakah Terbukti Ada Efek ARCH (p-value LM Test < 0.05)? TIDAK STOP! Tidak Ada Volatilitas (Gunakan Model OLS/ARMA Biasa) YA Apakah Estimasi GARCH(1,1) Konvergen & Stasioner? TIDAK Ganti Error Distribution (Gunakan Student's t atau GED) YA Apakah Terdapat Asimetri Volatilitas (Leverage Effect)? TIDAK Pertahankan GARCH(1,1) (Model Simetris Sudah Memadai) YA ESTIMASI MODEL EGARCH(1,1) VALID & BEBAS EFEK ARCH Siap Digunakan untuk Analisis Risk Management (VaR) & Peramalan Volatilitas
\n\n

Contoh Tabel/Diagram Output Analisis Model ARCH/GARCH dan EGARCH di EViews

\n

Berikut disajikan gambaran ilustratif tampilan output estimasi model EGARCH(1,1) di EViews beserta hasil pengujian diagnostik residual ARCH LM dan tata cara pembacaannya secara statistik:

\n\n
EViews Output: Dependent Variable: RETURN_SAHAM | Method: EGARCH (GED Error) Variance Equation: LOG(GARCH) = C(2) + C(3)*|RES/SQRT(GARCH)| + C(4)*RES/SQRT(GARCH) + C(5)*LOG(GARCH(-1)) Variable / Parameter Coefficient Std. Error z-Statistic Prob. C(2) [Konstanta Log-Varians] -0.421082 0.081240 -5.183185 0.0000 C(3) [Besaran Volatilitas (ARCH)] 0.241502 0.041210 5.860276 0.0000 C(4) [Asimetri / Leverage Effect] -0.124510 0.032104 -3.878333 0.0001 C(5) [Persistensi Log-GARCH] 0.942180 0.012401 75.97613 0.0000 GED Parameter [Ekor Tebal] 1.421045 0.081200 17.49981 0.0000 Heteroskedasticity Test: ARCH (Post-Estimation on Standardized Residuals) F-statistic 0.428102 Prob. F(1,498) 0.5132 Obs*R-squared 0.429180 Prob. Chi-Square(1) 0.5124 PETUNJUK CARA BACA & INTERPRETASI OUTPUT EVIEWS: 1. Bukti Leverage Effect Signifikan: Koefisien C(4) bernilai -0.124510 dengan p-value 0.0001 (< 0.05). Artinya, guncangan negatif (bad news) meningkatkan volatilitas lebih tinggi dibanding guncangan positif (good news). 2. Persistensi Volatilitas Tinggi: Koefisien C(5) bernilai 0.942180 (mendekati 1), menandakan gejolak volatilitas di pasar saham berlangsung dalam jangka waktu yang relatif lama (highly persistent). 3. Diagnostik Residual Bebas ARCH: p-value Obs*R-squared sebesar 0.5124 (> 0.05) membuktikan residual terstandardisasi telah bersih dari masalah heteroskedastisitas bersyarat (spesifikasi model sudah valid).
\n\n

Pembahasan Ilmiah: Evaluasi Parameter dan Implikasi Manajemen Risiko

\n

Berdasarkan hasil output estimasi EGARCH(1,1) di atas, evaluasi parameter dilakukan melalui tiga tahapan penting. Pertama, pengujian koefisien asimetri atau leverage effect pada parameter C(4). Koefisien C(4) menunjukkan nilai negatif sebesar -0.124510 dengan p-value sebesar 0.0001 (signifikan pada taraf nyata 5%). Hasil ini mengonfirmasi secara empiris keberadaan leverage effect pada aset keuangan yang diteliti. Ketika terjadi guncangan negatif di pasar (penurunan return), volatilitas yang timbul akan meningkat lebih besar dibandingkan saat terjadi guncangan positif dengan intensitas serupa.

\n

Kedua, koefisien C(5) yang mengukur persistensi volatilitas logaritmik menunjukkan nilai sebesar 0.942180. Nilai koefisien yang mendekati angka 1 ini mengindikasikan bahwa gejolak volatilitas di pasar memiliki memori yang panjang (high volatility persistence). Informasi guncangan pasar hari ini akan terus memengaruhi tingkat risiko instrumen keuangan selama beberapa periode ke depan.

\n

Ketiga, keabsahan model EGARCH wajib dipastikan melalui pengujian diagnostik pasca estimasi (post-estimation diagnostics). Hasil pengujian Heteroskedasticity Test: ARCH pada residual terstandardisasi menghasilkan statistik Obs*R-squared dengan p-value sebesar 0.5124. Karena nilai p-value berada di atas taraf nyata 0.05, maka hipotesis nol yang menyatakan tidak ada efek ARCH gagal ditolak. Hal ini membuktikan bahwa struktur varians bersyarat telah terpopresionalisasi secara sempurna oleh model EGARCH(1,1).

\n

Dalam kajian ekonometrika keuangan modern, Tsay (2010) menggarisbawahi bahwa pemodelan volatilitas bukan sekadar mencari model statistik terbaik, melainkan instrumen fundamental dalam pengelolaan risiko pasar dan penentuan harga opsi (option pricing). Model GARCH simetris sering kali menghasilkan taksiran risiko yang terlalu rendah (underestimate risk) saat pasar mengalami tren penurunan (bearish market) karena mengabaikan respons asimetris investor.

\n

Enders (2015) menyarankan bahwa ketika data return menunjukkan skewness dan kurtosis yang ekstrem, pengujian dengan menggunakan fungsi kerapatan probabilitas non-Gaussian seperti distribusi Student's t atau Generalized Error Distribution (GED) terbukti meningkatkan akurasi estimasi secara nyata. Pendekatan ini secara otomatis memitigasi masalah algoritma kuasi-Newton yang sering mengalami kegagalan konvergensi pada EViews.

\n

Dengan demikian, penguasaan metodologi dari pemodelan OLS biasa, pengujian ARCH LM, spesifikasi GARCH simetris, hingga alih spesifikasi menuju EGARCH asimetris merupakan alur analisis yang sangat lengkap, sistematis, dan kredibel untuk menyelesaikan berbagai problematika pemodelan volatilitas keuangan di EViews.

\n\n

Kesimpulan

\n

Pemodelan volatilitas keuangan menggunakan ARCH/GARCH dan EGARCH di EViews memerlukan kecermatan metodologis mulai dari penanganan stasioneritas return, pengujian efek ARCH, pemilihan asumsi distribusi residual, hingga penanganan sifat asimetris data. Ketidakstabilan estimasi dan masalah non-konvergensi dapat diselesaikan secara efektif dengan mengubah distribusi error menjadi Student's t atau GED serta menerapkan spesifikasi EGARCH(1,1). Model EGARCH terbukti sangat unggul dalam menangkap leverage effect tanpa terikat oleh batasan ketat parameter non-negatif, sehingga menghasilkan estimasi varians bersyarat yang stabil, presisi, dan siap digunakan untuk analisis risiko maupun peramalan keuangan.

\n\n

Daftar Pustaka

\n
\n

Black, F. (1976). Studies of stock price changes changes and volatility proceedings of the 1976 meetings of the Business and Economics Statistics Section. American Statistical Association, 177-181.

\n

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.

\n

Bollerslev, T. (1987). A conditionally heteroskedastic time series model for speculative prices and rates of return. The Review of Economics and Statistics, 69(3), 542-547.

\n

Christie, A. A. (1982). The role of equity volatility and debt: Almost A decay model. Journal of Financial Economics, 10(4), 407-432.

\n

Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 50(4), 987-1007.

\n

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill/Irwin.

\n

Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 59(2), 347-370.

\n

Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). John Wiley & Sons.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T22:24:28+07:00", "date_modified": "2026-09-09T22:56:54+07:00" }, { "id": "https://statistikian.net/cara-membaca-output-impulse-response-function-irf-secara-tajam-dan-logis-output-eviews/", "url": "https://statistikian.net/cara-membaca-output-impulse-response-function-irf-secara-tajam-dan-logis-output-eviews/", "title": "Cara Membaca Output Impulse Response Function (IRF) Secara Tajam dan Logis Output Eviews", "summary": "Peneliti sering mengalami kebingungan mendalam mengenai **Cara Membaca Output Impulse Response Function…", "content_html": "
\n

Peneliti sering mengalami kebingungan mendalam mengenai **Cara Membaca Output Impulse Response Function (IRF) Secara Tajam dan Logis Output Eviews** akibat grafik yang meliuk-liuk tanpa pemahaman arah dinamika yang jelas. Masalah utama yang sering muncul adalah ketidakmampuan membedakan antara respon yang signifikan secara statistik dengan fluktuasi acak akibat *standard error band* yang menyeberangi angka nol. Kondisi ini membuat peneliti sering menarik kesimpulan yang salah, seperti menganggap suatu variabel merespons guncangan secara positif, padahal secara statistik respon tersebut tidak signifikan karena garis nol berada di dalam rentang *analytic* atau *Monte Carlo band*.

\n

Kesalahan krusial lainnya terletak pada sensitivitas urutan variabel (*ordering sensitivity*) dalam dekomposisi Cholesky di EViews yang sering diabaikan. Ketika urutan variabel dalam sistem VAR atau VECM diubah, bentuk kurva IRF dapat berubah secara drastis, sehingga menghasilkan interpretasi ekonomi yang kontradiktif. Tanpa pemahaman tentang bagaimana guncangan struktural (*structural shock*) diisolasi dan bagaimana periode penyesuaian (*horizon*) dibaca, analisis *Impulse Response Function* hanya menjadi hiasan visual tanpa bobot argumentasi ilmiah yang valid.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN MEMBACA GRAFIK IRF EVIEWS Grafik IRF EViews Kurva Respon Utama Dua Garis Putus-Putus (SE) Periode Horizon (1-10) Salah Cara Baca 1. Abaikan Garis Nol & SE Band 2. Abaikan Urutan Cholesky 3. Fokus Hanya Pada Arah Kurva Kesimpulan Salah Mengaku Ada Respon Signifikan Padahal Kurva Tidak Signifikan Simulasi Kesalahan Pembacaan Grafik IRF: Garis Putus-Putus Mencakup Angka 0: Respon Statis = Tidak Signifikan (Dianggap Signifikan!) Arah Kurva Naik Namun Band Melewati Nol: Hanya Fluktuasi Random (Bukan Tren Ekonomi) Penyebab: Kegagalan Memahami Standard Error Interval & Matriks Ortogonalisasi Cholesky [SOLUSI] Baca Signifikansi Dulu, Cek Kestabilan Horizon, Baru Interpretasikan Magnitudo! PRASYARAT INTERPRETASI IRF YANG BENAR Respon dianggap signifikan HANYA JIKA kedua garis batas interval tidak mengapit garis nol.
\n\n

Konsep Teori Impulse Response Function dan Dinamika Sistem VAR

\n

*Impulse Response Function* (IRF) merupakan instrumen analisis ekonometrika yang melacak dampak guncangan (*shock*) sebesar satu standar deviasi pada salah satu inovasi residual terhadap nilai masa depan dari seluruh variabel dalam sistem *Vector Autoregression* (VAR) atau *Vector Error Correction Model* (VECM) (Sims, 1980). Melalui IRF, peneliti dapat melacak jalur transmisi, kecepatan penyesuaian, serta durasi efek guncangan secara time-series.

\n

Pemahaman mendalam mengenai kerangka dasar model VAR dan landasan matematikanya sangat disarankan sebagai fondasi sebelum membaca grafik IRF. Pembaca dapat mempelajari konsep dasar teori VAR dan uji kausalitas di www.statistikian.com.

\n

Secara teoritis, residual mentah dalam model VAR tidak dapat langsung digunakan untuk analisis IRF karena antar residual saling berkorelasi (*contemporaneously correlated*). Oleh karena itu, diperlukan prosedur ortogonalisasi seperti dekomposisi Cholesky atau *Structural VAR* (SVAR) untuk mengisolasi guncangan murni pada satu variabel tanpa terkontaminasi oleh variabel lain (Hamilton, 1994).

\n

Evaluasi terhadap grafik IRF wajib memperhatikan rentang keyakinan (*confidence interval*) yang direpresentasikan oleh dua garis putus-putus (*standard error bands*). Mengabaikan interval keyakinan ini sama saja dengan mengabaikan ketidakpastian estimasi sampel, yang sering kali menghasilkan klaim hubungan sebab-akibat palsu (Lütkepohl, 2005).

\n\n

Langkah-Langkah Teknis Membaca Output IRF di EViews Secara Logis

\n

Untuk menghasilkan pembacaan output *Impulse Response Function* yang tepat dan memenuhi kaidah akademis di EViews, ikuti tahapan perbaikan teknis dan cara analisis berikut:

\n

Langkah 1: Pengaturan Tampilan Output IRF di EViews
Setelah mengestimasi model VAR atau VECM, buka tampilan IRF melalui menu utama di jendela EViews:

\n
View -> Impulse Response... -> Display Options\n
\n

Pilih format *Multiple Graphs* atau *Combined Graphs*, atur *Periods* (horizon) sesuai dengan siklus data (misalnya 10 hingga 24 periode), dan pastikan opsi *Analytic (Asymptotic)* atau *Monte Carlo* untuk *Standard Errors* diaktifkan.

\n

Langkah 2: Evaluasi Signifikansi Statistik (Aturan Garis Nol)
Perhatikan posisi garis nol pada grafik IRF. Respon variabel dikatakan **signifikan secara statistik** pada periode tertentu hanya jika kedua garis putus-putus (*standard error band*) berada sepenuhnya di atas atau di bawah garis nol. Jika garis nol berada di antara kedua garis putus-putus, maka respon dianggap **tidak signifikan** (sama dengan nol secara statistik).

\n

Langkah 3: Identifikasi Arah Respon (Positif atau Negatif)
Jika respon terbukti signifikan, tentukan arah pergerakan kurva utama (garis solid). Jika kurva berada di atas garis nol, variabel merespons secara **positif**. Jika berada di bawah garis nol, variabel merespons secara **negatif** terhadap guncangan inovasi.

\n

Langkah 4: Analisis Titik Puncak dan Waktu Penyesuaian (Lag Response)
Catat pada periode (*horizon*) ke berapa respon mencapai nilai maksimum atau minimumnya. Hal ini menunjukkan jeda waktu (*time lag*) yang dibutuhkan oleh sistem untuk menyerap dampak guncangan secara optimal.

\n

Langkah 5: Evaluasi Durasi dan Konvergensi (Kestabilan Sistem)
Amati apakah kurva IRF kembali mendekati titik nol pada periode-periode akhir. Pada model VAR stasioner, respons harus perlahan memudar (*die out*) menuju nol, yang menandakan bahwa guncangan bersifat sementara (*transitory*). Jika respon tidak pernah kembali ke nol, ini mengindikasikan adanya efek permanen yang umum terjadi pada model VECM atau variabel terintegrasi.

\n

Langkah 6: Memeriksa Sensitivitas Urutan Cholesky
Guna menguji apakah hasil IRF peka terhadap urutan variabel, lakukan uji sensitivitas dengan mengubah *Impulse Definition* dari *Cholesky (dof adjusted)* menjadi *Generalized Impulses* (Pesaran & Shin, 1998):

\n
Impulse Definition -> Generalized Impulses\n
\n

*Generalized Impulse Responses* (GIRF) tidak terpengaruh oleh urutan variabel, sehingga sangat berguna sebagai pembanding keabsahan hasil Cholesky.

\n

Langkah 7: Konversi Tampilan Teks Numeric Table
Selain grafik, tampilkan output dalam bentuk tabel numerik (*Numeric Table*) untuk mengetahui nilai persentase atau besaran absolut respon secara tepat pada setiap periode horizon:

\n
Display Format -> Numeric Table\n
\n

Langkah 8: Memadukan Hasil IRF dengan Variance Decomposition
Lengkapi interpretasi IRF dengan membaca *Variance Decomposition* untuk mengetahui seberapa besar kontribusi persentase guncangan variabel tersebut terhadap varians galat prediksi variabel lainnya.

\n

Langkah 9: Formulasi Narasi Ekonomi yang Logis
Sajikan interpretasi dalam bentuk narasi yang menghubungkan teori ekonomi dengan bukti kuantitatif IRF, mencakup: signifikansi, arah, besaran (*magnitude*), titik puncak, dan kecepatan kembali ke titik keseimbangan.

\n\n
ALUR KONTROL MEMBACA OUTPUT IRF SECARA RIGOROS Output Grafik IRF Terbentuk Set Horizon & Sertakan Standard Error Band Uji Ujung Interval (SE) Apakah Band Memotong Garis 0? Analisis Arah & Puncak Lacak Titik Maks/Min Periode Validasi Ortogonalisasi Bandingkan Cholesky vs GIRF Sintesis Narasi Ekonometrika Hubungkan Signifikansi, Arah & Teori Ekonomi ATURAN SIGNIFIKANSI IRF Signifikan = Band di atas/bawah 0 sepenuhnya PERINGATAN INTERPRETASI Abaikan fluktuasi jika band menyeberangi angka 0!
\n\n

Contoh Praktis Output Impulse Response Function (IRF) EViews dan Cara Pembacaannya

\n

Untuk memberikan pemahaman aplikatif yang utuh dalam penyusunan pembahasan hasil penelitian, berikut disajikan contoh ilustrasi visual grafik output Impulse Response Function (IRF) dari EViews beserta tata cara membaca dinamika kurva dan interval keyakinannya secara tajam.

\n\n
ILUSTRASI OUTPUT GRAFIK IMPULSE RESPONSE FUNCTION (IRF) EVIEWS Response of Y to Cholesky One S.D. Innovation in X1 .04 .02 .00 -.02 -.04 1 2 3 4 5 6 7 8 9 10 WILAYAH SIGNIFIKAN (0 di luar SE Band) TIDAK SIGNIFIKAN (0 di dalam SE Band) Titik Puncak (Periode 3) PANDUAN PEMBACAAN BENAR (BLUE) 1. Periode 1-4: Respon signifikan positif karena kedua garis putus-putus berada di atas garis nol (0). 2. Periode 3: Mencapai respon maksimum (titik puncak). 3. Periode 5-10: Garis nol berada di antara SE Band, sehingga respon dianggap sama dengan nol. PERINGATAN KESALAHAN BACA (RED) 1. Dilarang menyimpulkan ada respon negatif di Periode 6-8 karena garis nol menyeberang di dalam interval SE. 2. Jangan mengabaikan dua garis putus-putus (SE Band) dan hanya fokus membaca lekukan garis solid utama.
\n

Berdasarkan sampel output grafik *Impulse Response Function* pada ilustrasi di atas, tata cara penulisan narasi analisis ekonometrika yang presisi dibedakan menjadi empat tahapan argumentasi utama:

\n

1. Evaluasi Signifikansi Statistik (Periode Horizon 1 hingga 4)
Pada periode 1 hingga 4, guncangan (*shock*) sebesar satu standar deviasi pada variabel X1 direspon secara **positif dan signifikan secara statistik** oleh variabel Y. Bukti signifikansi ini ditunjukkan oleh posisi garis nol (*zero line*) yang berada sepenuhnya di luar rentang dua garis putus-putus (*standard error bands*). Karena batas bawah interval keyakinan (*lower band*) tetap bernilai di atas nol, maka peningkatan nilai X1 secara empiris terbukti mendongkrak nilai Y secara nyata.

\n

2. Identifikasi Titik Puncak dan Jeda Waktu Respon (Lag Response)
Respon positif variabel Y terhadap guncangan X1 tidak serta-merta mencapai kekuatan maksimum pada periode pertama, melainkan merambat naik hingga mencapai titik puncak (*peak response*) pada **periode ke-3** (dengan magnitudo respon sebesar +0.039 unit). Temuan ini menunjukkan adanya jeda waktu (*time lag*) transmisi kebijakan atau guncangan pasar selama 3 periode sebelum dampak guncangan bekerja secara optimal dalam sistem.

\n

3. Evaluasi Transisi dan Ketidaksignifikanan (Periode Horizon 5 hingga 10)
Memasuki periode ke-5 hingga periode ke-10, kurva utama (garis solid) tampak menurun bahkan bergerak ke area negatif pada periode 6 hingga 8. Namun, secara ekonometrika, pergerakan tersebut **tidak signifikan secara statistik** karena garis nol berada di dalam jepitan dua garis putus-putus (*standard error bands*). Peneliti dilarang keras menyimpulkan bahwa terdapat efek pembalikan negatif pada periode 6 hingga 8; fluktuasi tersebut hanyalah eror acak sampel (*random fluctuation*).

\n

4. Sintesis Implikasi Ekonomi dan Sifat Guncangan
Secara keseluruhan, dampak guncangan variabel X1 terhadap variabel Y bersifat **sementara** (*transitory effect*). Dampak positif signifikan bertahan selama 4 periode awal sebelum akhirnya memudar (*die out*) dan kembali menuju titik keseimbangan jangka panjangnya. Hasil ini mengonfirmasi bahwa model VAR yang digunakan berada dalam kondisi stabil dan stasioner.

\n\n

Pembahasan Ilmiah: Dasar Ortogonalisasi dan Interval Keyakinan

\n

Pembacaan grafik IRF memerlukan kedalaman analisis metodologis karena angka yang dihasilkan merupakan turunan dari representasi *Vector Moving Average* (VMA). Menurut Sims (1980), transmisi guncangan dalam VAR hanya dapat diinterpretasikan secara kausal jika guncangan tersebut telah diortogonalisasi sehingga matriks kovariansi residual menjadi matriks diagonal.

\n

Dekomposisi Cholesky menyelesaikan masalah korelasi kontemporer dengan menerapkan struktur segitiga bawah (*lower triangular matrix*). Konsekuensinya, variabel yang ditempatkan pada urutan pertama tidak langsung merespons guncangan kontemporer dari variabel berikutnya, sementara variabel terakhir merespons guncangan seluruh variabel secara simultan (Hamilton, 1994). Hal ini membuat penetapan urutan variabel wajib berlandaskan teori ekonomi yang kuat.

\n

Untuk mengatasi keterbatasan ketergantungan urutan Cholesky, Pesaran dan Shin (1998) mengembangkan *Generalized Impulse Response Function* (GIRF). GIRF mengonstruksi guncangan ortogonal tanpa memerlukan dekomposisi matriks segitiga, sehingga menghasilkan kurva respon yang unik dan independen terhadap urutan variabel dalam sistem VAR.

\n

Isu kredibilitas interpretasi IRF sangat bergantung pada penentuan *standard error bands*. Lütkepohl (2005) menunjukkan bahwa interval keyakinan asimptotik sering kali menghasilkan *underestimation* terhadap variabilitas sampel pada sampel berukuran kecil hingga menengah. Dalam situasi tersebut, penggunaan *bootstrap confidence intervals* atau *Monte Carlo simulation* sangat disarankan untuk memperoleh batas signifikansi yang lebih akurat.

\n

Dalam sistem VECM, interpretasi IRF memiliki karakteristik khusus karena memasukkan pembatasan kointegrasi jangka panjang. Guncangan pada variabel terintegrasi I(1) dapat memiliki dampak permanen pada tingkat level (*long-run persistent effect*), berbeda dengan VAR stasioner I(0) di mana seluruh respon harus meluruh menuju titik nol (Engle & Granger, 1987).

\n

Dengan memadukan evaluasi signifikansi interval keyakinan, pengujian kestabilan ortogonalisasi, dan penalaran teori ekonomi, peneliti dapat menyajikan hasil *Impulse Response Function* yang tajam, sahih, serta bebas dari interpretasi spekulatif.

\n\n

Kesimpulan

\n

Membaca output *Impulse Response Function* (IRF) secara logis dan tajam di EViews membutuhkan disiplin metodologis. Langkah awal yang tidak boleh dilewati adalah memeriksa signifikansi melalui *standard error bands*: respon baru dinyatakan ada secara statistik jika batas interval tidak mengapit garis nol. Selanjutnya, perhatikan arah respon, waktu pencapaian titik puncak, dan pola meluruhnya guncangan. Penggunaan *Generalized Impulses* sangat dianjurkan untuk memverifikasi bahwa hasil analisis tidak terdistorsi oleh urutan variabel Cholesky.

\n\n

Daftar Pustaka

\n
\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Pesaran, H. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics Letters, 58(1), 17-29.

\n

Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T22:17:28+07:00", "date_modified": "2026-09-07T22:27:44+07:00" }, { "id": "https://statistikian.net/panduan-melakukan-uji-kausalitas-granger-dalam-kerangka-var-vecm-dengan-eviews/", "url": "https://statistikian.net/panduan-melakukan-uji-kausalitas-granger-dalam-kerangka-var-vecm-dengan-eviews/", "title": "Panduan Melakukan Uji Kausalitas Granger dalam Kerangka VAR VECM dengan Eviews", "summary": "Peneliti sering menghadapi kendala serius saat menerapkan **Panduan Melakukan Uji Kausalitas Granger…", "content_html": "
\n

Peneliti sering menghadapi kendala serius saat menerapkan **Panduan Melakukan Uji Kausalitas Granger dalam Kerangka VAR VECM dengan Eviews** akibat ketidakcocokan antara sifat stasioneritas data dan pilihan kerangka model. Kesalahan fatal yang umum terjadi adalah menjalankan uji kausalitas Granger standar (*Pairwise Granger Causality*) pada variabel level yang tidak stasioner atau I(1). Tindakan ini memicu masalah regresi culas (*spurious regression*) dan menghasilkan nilai f-statistik yang berlebihan, sehingga peneliti menarik kesimpulan yang salah mengenai hubungan timbal balik antar variabel.

\n

Masalah lain muncul ketika data terbukti memiliki kointegrasi, namun pengujian kausalitas tetap dilakukan dalam sistem *Vector Autoregression* (VAR) dalam bentuk *first difference* biasa tanpa memasukkan *Error Correction Term* (ECT). Mengabaikan komponen kointegrasi ini menyebabkan hilangnya informasi hubungan jangka panjang dan memicu *omitted variable bias*. Akibatnya, hubungan kausalitas jangka panjang yang dimediasi oleh jalur penyesuaian keseimbangan gagal terdeteksi oleh sistem EViews, sehingga analisis dinamika antar variabel menjadi tidak valid.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN METODE UJI KAUSALITAS DI EVIEWS Data Time Series I(1) Variabel Tidak Stasioner Level Memiliki Hubungan Kointegrasi Akan Diuji Kausalitas di EViews Salah Pilih Prosedur 1. Gunakan Pairwise Level I(0) 2. Abaikan Unsur Kointegrasi 3. Paksa VAR First Difference Dampak Bias Statistik Regresi Culas / Spurious Hilangnya Jalur Kausal Jangka Panjang Simulasi Kesalahan Prosedur Granger Causality pada EViews: Pairwise Granger Causality pada Level I(1): F-stat = 14.82 (p-val = 0.000) --> Spurious Causality! VAR Difference Tanpa ECT: Jalur Kausalitas Jangka Panjang Terpotong (Omitted Variable Bias) Penyebab: Kegagalan Menyesuaikan Uji Kausalitas Berdasarkan Status Integrasi & Kointegrasi Data [SOLUSI] Gunakan VEC Granger Causality / Block Exogeneity Wald Tests Jika Ada Kointegrasi! PRASYARAT KEABSAHAN UJI KAUSALITAS GRANGER Sesuaikan kerangka uji (VAR Level, VAR First Difference, VECM) dengan hasil uji akar unit dan kointegrasi.
\n\n

Konsep Teori Kausalitas Granger dan Integrasi Sistem Dinamik

\n

Uji kausalitas Granger dikembangkan untuk menentukan apakah nilai masa lalu (*lagged values*) dari suatu variabel memiliki kemampuan prediktif terhadap nilai variabel lain saat ini (Granger, 1969). Secara statistik, variabel X dikatakan mempengaruhi Y secara kausalitas Granger jika prediksi terhadap Y menjadi lebih akurat ketika memperhitungkan nilai-nilai historis X dibandingkan hanya mengandalkan nilai-nilai historis Y itu sendiri.

\n

Pengujian kausalitas tidak boleh dilepaskan dari pengujian kointegrasi dan stasioneritas data ekonometrika. Pemahaman dasar teoritis mengenai interaksi sistem dinamik ini dapat dibaca pada artikel konsep dasar uji kausalitas Granger dan VAR di www.statistikian.com.

\n

Ketika variabel-variabel penelitian tidak stasioner pada tingkat level tetapi terkointegrasi, Teorema Representasi Granger menegaskan bahwa harus terdapat hubungan kausalitas setidaknya dalam satu arah (Engle & Granger, 1987). Dalam kondisi ini, pengujian kausalitas wajib dieksekusi dalam kerangka *Vector Error Correction Model* (VECM) untuk memisahkan kausalitas jangka pendek (*short-run causality*) dan kausalitas jangka panjang (*long-run causality*).

\n

Kausalitas jangka pendek dievaluasi melalui uji Wald terhadap signifikansi bersama dari koefisien *lagged difference* variabel independen. Sementara itu, kausalitas jangka panjang terdeteksi apabila koefisien *Error Correction Term* (ECT atau CointEq1) bernilai negatif dan signifikan secara statistik (Miller & Russek, 1990).

\n\n

Panduan Teknis Eksekusi Uji Kausalitas Granger pada EViews

\n

Untuk menjalankan pengujian kausalitas Granger yang presisi dan valid di EViews sesuai dengan kerangka ekonometrika yang tepat, ikuti tahapan langkah berikut:

\n

Langkah 1: Verifikasi Derajat Integrasi Data
Lakukan uji akar unit (ADF atau PP) pada seluruh variabel. Jika semua variabel stasioner pada level I(0), gunakan model VAR Level. Jika seluruh variabel stasioner pada *first difference* I(1), lanjutkan ke pengujian kointegrasi Johansen.

\n

Langkah 2: Penentuan Lag Optimal Sistem
Buka kelompok variabel sebagai *Group* di EViews, lalu estimasi VAR standar tanpa terstriksi. Tentukan panjang *lag* optimal melalui kriteria informasi statistik:

\n
View -> Lag Structure -> Lag Length Criteria\n
\n

Pilihlah jumlah *lag* yang ditandai tanda bintang terbanyak berdasarkan kriteria *Akaike Information Criterion* (AIC) atau *Schwarz Information Criterion* (SIC) (Lütkepohl, 2005).

\n

Langkah 3: Pelaksanaan Uji Kausalitas jika Data Stasioner I(0)
Jika variabel stasioner pada level, jalankan *Pairwise Granger Causality Test* langsung dari jendela *Group* di EViews:

\n
View -> Granger Causality... -> Isikan Lag Structure sesuai Langkah 2\n
\n

Langkah 4: Pelaksanaan Uji Kausalitas dalam Kerangka VECM jika Terkointegrasi
Jika variabel berintegrasi pada I(1) dan memiliki hubungan kointegrasi, estimasi model VECM di EViews. Buka window output VECM tersebut lalu pilih menu berikut untuk menguji kausalitas jangka pendek:

\n
View -> Lag Structure -> VEC Granger Causality/Block Exogeneity Wald Tests\n
\n

Langkah 5: Evaluasi Kausalitas Jangka Pendek (Block Exogeneity)
Amati nilai *Chi-square* dan *p-value* pada output *VEC Granger Causality*. Jika *p-value* < 0.05, maka hipotesis nol ditolak, yang berarti terdapat kausalitas jangka pendek dari variabel independen terhadap variabel dependen.

\n

Langkah 6: Evaluasi Kausalitas Jangka Panjang (Mekanisme ECT)
Periksa koefisien `CointEq1` pada tabel estimasi VECM. Jika koefisien bernilai negatif, signifikan (p-value < 0.05), dan bernilai antara 0 hingga -1, maka terbukti ada kausalitas jangka panjang menuju variabel dependen.

\n

Langkah 7: Alternatif Pendekatan Toda-Yamamoto untuk Data Campuran
Jika terdapat ketidakpastian derajat integrasi atau ada variabel I(0) dan I(1) tanpa kointegrasi, gunakan prosedur Toda-Yamamoto (Toda & Yamamoto, 1995) dengan mengestimasi VAR Level yang ditambah *lag* ekstra sesuai derajat integrasi maksimum.

\n

Langkah 8: Evaluasi Uji Diagnostik Kestabilan VAR/VECM
Pastikan seluruh akar polinomial berada di dalam lingkaran satuan (*unit circle*) melalui menu *AR Roots Graph/Table* untuk menjamin model stabil dan hasil kausalitas tidak bias.

\n

Langkah 9: Rangkuman Arah Kausalitas Sistem
Petakan hasil pengujian ke dalam empat kemungkinan kategori: kausalitas satu arah dari X ke Y, kausalitas satu arah dari Y ke X, kausalitas dua arah (*bi-directional/feedback*), atau tidak ada kausalitas sama sekali (*independen*).

\n\n
ALUR DECISION TREE UJI KAUSALITAS GRANGER DI EVIEWS Uji Stasioneritas & Lag Optimal Penentuan Integrasi Data (ADF / PP) Stasioner I(0) Pairwise Granger Causality VAR Level I(1) & Terkointegrasi VEC Block Exogeneity Wald Test I(1) Tanpa Kointegrasi VAR First Difference / Toda-Yamamoto Evaluasi Kausalitas Jangka Pendek & Panjang Uji Wald Stat (Chi-Sq) & Signifikansi CointEq1 INDIKATOR KAUSAL VECM Jangka Pendek: Chi-Sq < 0.05 | Panjang: ECT < 0 & p < 0.05 PERINGATAN METODOLOGI Dilarang Gunakan Pairwise Level Jika Data I(1)
\n\n

Pembahasan Ilmiah: Evaluasi Metodologis Uji Kausalitas

\n

Uji kausalitas Granger konvensional didasarkan pada asumsi bahwa variabel-variabel yang diamati bersifat stasioner I(0) dengan distribusi asymptotic normal (Granger, 1969). Ketika uji ini diterapkan pada variabel non-stasioner I(1), distribusi statistik F tidak lagi mengikuti distribusi standar F, melainkan berdistribusi non-standar yang bergantung pada *nuisance parameters* (Toda & Phillips, 1993).

\n

Penelitian Toda dan Phillips (1993) membuktikan bahwa pengujian kausalitas Granger pada model VAR dalam bentuk level I(1) menghasilkan inferensi yang tidak valid akibat distorsi ukuran uji (*size distortion*). Oleh karena itu, pengujian kointegrasi Johansen (Johansen, 1991) menjadi langkah krusial untuk menentukan kerangka estimasi yang tepat.

\n

Dalam kerangka VECM, struktur kausalitas terbagi menjadi dua mekanisme terpisah. Kausalitas jangka pendek mencerminkan pengaruh langsung dari dinamika perubahan variabel independen periode lalu terhadap variabel dependen. Sementara itu, kausalitas jangka panjang bekerja melalui koefisien *Error Correction Term* (ECT) yang mengukur kecepatan penyesuaian menuju titik keseimbangan (Hamilton, 1994).

\n

Jika koefisien ECT signifikan, hal ini mengindikasikan bahwa variabel dependen merespons deviasi dari keseimbangan jangka panjang yang disebabkan oleh guncangan pada variabel independen, meskipun koefisien *lagged difference* jangka pendeknya tidak signifikan secara individual (Engle & Granger, 1987). Fenomena ini menegaskan pentingnya menyertakan komponen ECT dalam analisis kausalitas.

\n

Guna mengatasi kelemahan kointegrasi Johansen yang sensitif terhadap ukuran sampel, Toda dan Yamamoto (1995) mengajukan pendekatan estimasi VAR Level yang dimodifikasi (*Modified WALD test*). Prosedur ini mengestimasi VAR pada tingkat level dengan menambah jumlah *lag* sebanyak derajat integrasi maksimum data, sehingga uji Wald tetap berdistribusi *Chi-square* standar tanpa memedulikan status kointegrasi.

\n

Pemilihan jumlah *lag* yang tidak tepat juga dapat mengganggu validitas uji kausalitas. Penentuan *lag* yang terlalu sedikit akan menghasilkan residu yang terautokorelasi dan menyebabkan statistik p-value tidak valid, sedangkan *lag* yang terlalu banyak menurunkan *power of test* (Enders, 2015).

\n

Dengan memahami kerangka ekonometrika kausalitas secara utuh—mulai dari integrasi data, pengujian kointegrasi, hingga pemilihan antara VECM *Block Exogeneity* dan Toda-Yamamoto—peneliti dapat menyajikan analisis kausalitas di EViews yang teruji secara ilmiah dan bebas dari jebakan regresi culas.

\n\n

Kesimpulan

\n

Pelaksanaan uji kausalitas Granger di EViews wajib disesuaikan dengan status stasioneritas dan keberadaan kointegrasi data. Gunakan *Pairwise Granger Causality* jika data stasioner I(0). Jika data berintegrasi I(1) dan terkointegrasi, gunakan *VEC Granger Causality/Block Exogeneity Wald Tests* untuk mendeteksi kausalitas jangka pendek serta evaluasi signifikansi *Error Correction Term* untuk kausalitas jangka panjang. Pemilihan metodologi yang tepat menjamin keabsahan inferensi hubungan timbal balik antar variabel ekonometrika.

\n\n

Daftar Pustaka

\n
\n

Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica, 59(6), 1551-1580.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Miller, S. M., & Russek, F. S. (1990). Co-integration and error-correction models: The temporal causality between government taxes and spending. Southern Economic Journal, 57(1), 221-229.

\n

Toda, H. Y., & Phillips, P. C. (1993). Vector autoregressions and causality. Econometrica, 61(6), 1367-1393.

\n

Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T22:02:04+07:00", "date_modified": "2026-09-07T22:02:04+07:00" }, { "id": "https://statistikian.net/cara-membaca-persamaan-jangka-panjang-dan-jangka-pendek-di-output-vecm-dengan-eviews/", "url": "https://statistikian.net/cara-membaca-persamaan-jangka-panjang-dan-jangka-pendek-di-output-vecm-dengan-eviews/", "title": "Cara Membaca Persamaan Jangka Panjang dan Jangka Pendek di Output VECM dengan Eviews", "summary": "Kesalahan fatal yang paling sering terjadi saat mempelajari **Cara Membaca Persamaan Jangka…", "content_html": "
\n

Kesalahan fatal yang paling sering terjadi saat mempelajari **Cara Membaca Persamaan Jangka Panjang dan Jangka Pendek di Output VECM dengan Eviews** adalah salah dalam menginterpretasikan arah hubungan antar variabel. Banyak peneliti secara mentah-mentah membaca tanda positif atau negatif pada koefisien persamaan jangka panjang (*Cointegrating Equation*) yang tercetak di tabel atas output EViews. Padahal, akibat formulasi matematis normalisasi VECM, tanda koefisien pada blok jangka panjang EViews berada dalam posisi balik (*flipped signs*). Mengabaikan sifat normalisasi ini menyebabkan peneliti menyimpulkan pengaruh variabel independen secara berkebalikan dari kondisi empiris yang sebenarnya.

\n

Masalah kedua yang kerap memicu kebingungan adalah tidak tersedianya nilai *p-value* secara langsung pada tabel output standar *Vector Error Correction Model* (VECM) EViews. Output bawaan hanya menyajikan nilai estimasi koefisien, standar eror dalam kurung biasa `()`, dan nilai t-statistik dalam kurung siku `[]`. Ketidakpahaman tentang cara menguji signifikansi ini sering kali membuat peneliti salah menilai efektivitas mekanisme koreksi kesalahan (*Error Correction Term* atau CointEq1), bahkan tetap menggunakan model meskipun nilai koefisien adjustment berpenanda positif yang menandakan bahwa sistem bergerak menjauhi keseimbangan jangka panjang.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN BACA OUTPUT VECM DI EVIEWS Output Standar EViews Tabel Cointegrating Eq 1 Hanya Menampilkan Standard Error () dan t-statistic [] Tanpa P-Value Jebakan Interpretasi 1. Langsung Baca Tanda (+/-) Jangka Panjang 2. Mengabaikan Nilai CointEq1 Positif 3. Bingung Menentukan Signifikansi Dampak Fatal Kesimpulan Hipotesis Terbalik Model Divergen & Tidak Valid Simulasi Kesalahan Pembacaan pada Output EViews VECM: Cointegrating Eq: Y(-1) + 2.451*X(-1) - 12.30 = 0 --> Dibaca X Berpengaruh Positif (SALAH!) Error Correction: CointEq1 = +0.312 [t = 2.15] --> Kecepatan Penyesuaian Positif (SALAH! Model Divergen) Penyebab: Persamaan Normalisasi EViews Ditulis di Sisi Kiri (Sistem Implisit Zero) [SOLUSI] Pindahkan Variabel Bebas ke Sisi Kanan Keduanya & Wajibkan CointEq1 Negatif! PRASYARAT KEABSAHAN MEMBACA OUTPUT VECM Gunakan aturan pembalikan tanda koefisien jangka panjang dan pastikan nilai CointEq1 bernilai negatif serta signifikan.
\n\n

Konsep Teori Model VECM dan Mekanisme Kointegrasi

\n

*Vector Error Correction Model* (VECM) merupakan bentuk turunan terestriksi dari sistem *Vector Autoregression* (VAR) yang digunakan khusus untuk variabel-variabel tidak stasioner pada tingkat level I(0), namun terintegrasi pada derajat yang sama I(1) dan terbukti memiliki hubungan kointegrasi (Engle & Granger, 1987). Keunggulan utama VECM adalah kemampuannya untuk memisahkan dinamika penyesuaian jangka pendek dari hubungan keseimbangan jangka panjang antar variabel.

\n

Sebelum melangkah ke tahap pembacaan persamaan VECM, pengujian kointegrasi berbasis metode Johansen (Johansen, 1991; Johansen & Juselius, 1990) merupakan prasyarat mutlak yang wajib dipenuhi. Keberadaan vektor kointegrasi menjamin bahwa meskipun variabel-variabel ekonometrika berfluktuasi secara individual dalam jangka pendek, terdapat kekuatan penyeimbang yang menjaga pergerakannya agar tidak saling menjauh dalam jangka panjang. Pemahaman komprehensif mengenai prasyarat statistik ini dapat dibaca pada artikel konsep dasar uji kointegrasi dan VECM di www.statistikian.com.

\n

Secara matematis, EViews menyajikan vektor kointegrasi jangka panjang dalam bentuk persamaan implisit yang disama-dengankan dengan nol. Bentuk persamaan normalisasi ini secara tersirat menaruh seluruh variabel di sisi kiri tanda sama dengan. Akibatnya, ketika persamaan dieksplisitkan menjadi fungsi regresi standar di mana variabel dependen berada di sisi kiri dan variabel independen berada di sisi kanan, semua tanda matematika (+/-) dari koefisien variabel independen secara otomatis harus dibalik (Johansen, 1995).

\n

Sementara itu, koefisien penyesuaian (*adjustment coefficient*) yang disimbolkan sebagai CointEq1 atau *Error Correction Term* (ECT) mengukur seberapa cepat ketidakseimbangan (*disequilibrium*) yang terjadi pada periode sebelumnya dikoreksi kembali menuju garis keseimbangan jangka panjang pada periode berjalan (Lütkepohl, 2005). Koefisien ini bertindak sebagai jangkar stabilisasi dalam sistem dinamik.

\n\n

Panduan Teknis Membaca Persamaan Output VECM di EViews

\n

Untuk membaca dan menginterpretasikan output estimasi VECM secara benar dan presisi di EViews, ikuti alur praktis dan langkah-langkah sistematis berikut:

\n

Langkah 1: Mengidentifikasi Blok Persamaan Jangka Panjang
Buka window hasil estimasi VECM di EViews. Perhatikan bagian paling atas tabel yang berjudul *Cointegrating Eq 1*. Bagian ini memuat estimasi nilai hubungan keseimbangan jangka panjang antar variabel penelitian.

\n

Langkah 2: Membalik Tanda (+/-) Koefisien Variabel Bebas
Tulis ulang persamaan jangka panjang dengan memindahkan variabel independen ke sisi kanan sama dengan. Jika di output EViews tercetak koefisien sebesar +2.451 untuk variabel X, maka angka aktual dalam persamaan regresi jangka panjang adalah -2.451 (berpengaruh negatif).

\n

Langkah 3: Evaluasi Signifikansi Jangka Panjang via t-hitung
Hitung nilai t-statistik manual dengan membagi nilai koefisien dengan *standard error* `()`. Apabila nilai mutlak t-hitung lebih besar dari t-tabel (misalnya > 1.96 untuk alpha 5%), maka variabel independen tersebut berpengaruh signifikan dalam jangka panjang.

\n

Langkah 4: Mengalihkan Perhatian ke Blok Persamaan Jangka Pendek
Geser analisis ke bagian bawah tabel output EViews yang memuat variabel dalam bentuk *first difference* seperti `D(Y)`, `D(X1)`, dan `D(X2)`. Bagian ini menggambarkan dinamika hubungan jangka pendek.

\n

Langkah 5: Memeriksa Nilai dan Tanda Koefisien CointEq1
Cari baris `CointEq1` pada kolom variabel dependen `D(Y)`. Syarat utama model VECM yang valid adalah nilai koefisien CointEq1 **harus bernilai negatif** dan berada di antara angka 0 hingga -1 (Maddala & Kim, 1998).

\n

Langkah 6: Membaca Kecepatan Adjustment Keseimbangan
Besaran angka mutlak CointEq1 menunjukkan persentase koreksi ketidakseimbangan per periode. Sebagai contoh, jika koefisien CointEq1 sebesar -0.35, berarti sebesar 35% ketidakseimbangan dari periode lalu akan disesuaikan kembali menuju keseimbangan jangka panjang pada periode berjalan.

\n

Langkah 7: Mengeluarkan Nilai P-Value Eksak dengan Fitur System Equations
Agar tidak perlu menghitung t-tabel secara manual, ubah output VECM menjadi sistem persamaan regresi terpisah melalui menu bawaan EViews:

\n
Proc -> Make System -> Order By Variable\n
\n

Langkah 8: Estimasi Sistem Persamaan Menggunakan Method OLS/SUR
Klik tombol **Estimate** pada window sistem yang baru terbentuk, lalu pilih metode *Ordinary Least Squares* (OLS) atau *Seemingly Unrelated Regression* (SUR). Klik OK untuk menampilkan tabel lengkap beserta nilai p-value (*Prob.*) eksak untuk setiap variabel.

\n

Langkah 9: Melakukan Evaluasi Diagnostik Residu Sistem
Lakukan uji asumsi klasik pada model VECM mencakup uji autokorelasi residu (*VEC Residual Serial Correlation LM Tests*) dan uji heteroskedastisitas (*VEC Residual Heteroskedasticity Tests*) untuk memastikan model bebas dari bias spesifikasi.

\n\n
SOLUSI TEPAT CARA MEMBACA OUTPUT VECM DI EVIEWS Output VECM EViews Terbentuk Pisahkan Analisis Jangka Panjang & Jangka Pendek Jangka Panjang Wajib Balik Tanda Koefisien (+/-) Nilai CointEq1 (ECT) Wajib Negatif & Signifikan Dapatkan P-Value Eksak Proc -> Make System -> OLS Validasi Diagnostik Residu Model Uji Autokorelasi VEC LM & Heteroskedastisitas ATURAN EMAS PERSAMAAN Y = - (Koefisien EViews * Variabel X) PERINGATAN EVALUASI MODEL Jika CointEq1 Positif, Kointegrasi Batal / Ditolak
\n\n

Pembahasan Ilmiah: Dasar Ekonometrika dan Validasi Spesifikasi VECM

\n

Secara ekonometrika ilmiah, penulisan matriks kointegrasi Johansen disajikan dalam bentuk vektor ter-normalisasi terhadap variabel dependen utama (Johansen, 1995). Ketika EViews menampilkan persamaan `Y(-1) + b1*X(-1) + c = 0`, hal ini merupakan bentuk implisit dari sistem identitas di mana kombinasi linear dari variabel-variabel I(1) menghasilkan residu yang stasioner I(0). Oleh karena itu, pengubahan bentuk implisit menjadi fungsi eksplisit `Y(-1) = -b1*X(-1) - c` secara mutlak mengubah tanda operasional koefisien.

\n

Peran variabel koreksi kesalahan CointEq1 berakar pada Teorema Representasi Granger (*Granger Representation Theorem*) yang menyatakan bahwa jika sekelompok variabel terbukti terkointegrasi, maka dinamika pergerakan jangka pendek dari variabel-variabel tersebut dapat dinyatakan dalam bentuk mekanisme koreksi kesalahan (Engle & Granger, 1987). Nilai koefisien CointEq1 yang negatif dan signifikan merupakan bukti empiris adanya hubungan kointegrasi sejati.

\n

Sebaliknya, apabila estimasi CointEq1 menghasilkan tanda positif atau nilainya secara statistik tidak signifikan, maka asumsi kointegrasi sistem mengalami kegagalan (Pesaran et al., 2001). CointEq1 yang positif mengindikasikan bahwa setiap deviasi yang terjadi dalam jangka pendek justru akan diperbesar (*explosive dynamic*), sehingga sistem menjauhi keseimbangan jangka panjang. Dalam kondisi ini, estimasi VECM tidak valid dan peneliti disarankan untuk kembali menggunakan model VAR dalam bentuk *first difference* I(1).

\n

Jika dibandingkan dengan pendekatan *Autoregressive Distributed Lag* (ARDL) ekonometrika modern (Pesaran & Shin, 1999), model VECM memiliki batasan ketat di mana seluruh variabel penelitian wajib berintegrasi pada derajat yang sama I(1). Ketidakmampuan memastikan derajat integrasi tunggal dapat menyebabkan bias estimasi pada matriks koreksi kesalahan.

\n

Penentuan jumlah *lag* optimal juga memegang peranan krusial dalam kestabilan koefisien jangka pendek VECM. Pemilihan *lag* yang terlalu pendek dapat memicu masalah autokorelasi pada residu VECM, sementara *lag* yang terlalu panjang akan mengurangi derajat kebebasan (*degrees of freedom*) model secara drastis (Enders, 2015).

\n

Pengujian ketangguhan (*robustness check*) tambahan seperti *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD) sangat dianjurkan untuk melengkapi interpretasi persamaan jangka pendek. IRF memetakan respons dinamik variabel dependen terhadap guncangan (*shock*) satu standar deviasi dari variabel independen sepanjang horizon waktu tertentu (Greene, 2018).

\n

Dengan menerapkan kaidah pembalikan tanda jangka panjang, verifikasi ketat terhadap kriteria CointEq1, serta mengekstrak nilai p-value melalui fitur *System Equations*, peneliti dapat menyajikan pembahasan hasil estimasi VECM secara akurat, ilmiah, dan memenuhi standar publikasi internasional.

\n\n

Kesimpulan

\n

Prosedur membaca output VECM di EViews memerlukan kecermatan pada dua poin utama: membalik tanda (+/-) koefisien pada blok persamaan jangka panjang (*Cointegrating Equation*) dan memastikan nilai koefisien CointEq1 pada persamaan jangka pendek bernilai negatif serta signifikan secara statistik. Untuk memperoleh nilai p-value yang presisi tanpa perhitungan manual, peneliti disarankan menggunakan prosedur *Make System* di EViews. Pemahaman atas kaidah normalisasi ini menjamin analisis ekonometrika yang valid dan terhindar dari kesalahan penarikan kesimpulan hipotesis.

\n\n

Daftar Pustaka

\n
\n

Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson Education.

\n

Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica, 59(6), 1551-1580.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Johansen, S., & Juselius, K. (1990). Maximum likelihood estimation and inference on cointegration—with applications to the demand for money. Oxford Bulletin of Economics and Statistics, 52(2), 169-210.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change. Cambridge University Press.

\n

Pesaran, M. H., & Shin, Y. (1999). An autoregressive distributed-lag modelling approach to cointegration analysis. Econometrics and Quantitative Economics, 371-413.

\n

Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T21:58:23+07:00", "date_modified": "2026-09-11T00:18:51+07:00" }, { "id": "https://statistikian.net/bagaimana-cara-memilih-jenis-uji-stasioneritas-untuk-analisis-time-series-pada-eviews/", "url": "https://statistikian.net/bagaimana-cara-memilih-jenis-uji-stasioneritas-untuk-analisis-time-series-pada-eviews/", "title": "Bagaimana Cara Memilih Jenis Uji Stasioneritas Untuk Analisis Time Series pada Eviews?", "summary": "Dalam pemodelan data ekonometrika, pemahaman mengenai **Cara Memilih Jenis Uji Stasioneritas Untuk…", "content_html": "
\n

Dalam pemodelan data ekonometrika, pemahaman mengenai **Cara Memilih Jenis Uji Stasioneritas Untuk Analisis Time Series pada Eviews** sering kali menjadi tantangan utama bagi para peneliti. Masalah umum yang kerap memicu kebingungan adalah munculnya hasil pengujian yang kontradiktif antar metode di EViews. Sebagai contoh, saat pengujian dilakukan dengan *Augmented Dickey-Fuller* (ADF), data dinyatakan tidak stasioner pada tingkat level atau mengandung akar unit. Namun, ketika peneliti menjalankan uji *Kwiatkowski-Phillips-Schmidt-Shin* (KPSS) atau *Phillips-Perron* (PP) pada variabel yang sama, hasilnya justru menunjukkan bahwa data telah stasioner.

\n

Pertentangan hasil antar uji stasioneritas tersebut bukan disebabkan oleh kesalahan perangkat lunak EViews, melainkan karena setiap metode memiliki asumsi dasar, penanganan autokorelasi, dan sensitivitas yang berbeda terhadap karakteristik data. Pemilihan uji stasioneritas yang tidak tepat dapat menyebabkan kesalahan penentuan derajat integrasi variabel. Dampak lanjutannya adalah risiko terjadinya regresi culas (*spurious regression*), kesalahan pemilihan model estimasi seperti VAR, VECM, atau ARDL, serta menghasilkan interpretasi hubungan jangka panjang yang bias dan tidak valid.

\n\n
DIAGRAM PERMASALAHAN: KONFLIK HASIL UJI STASIONERITAS DI EVIEWS Data Time Series Level Pengamatan Makro / Keuangan Mengandung Tren & Autokorelasi Diuji Stasioneritas di EViews Hasil Kontradiktif 1. Uji ADF: Non-Stasioner I(1) 2. Uji KPSS: Stasioner I(0) 3. Patahan Struktural Diabaikan Risiko Spesifikasi Model Salah Pilih VAR / VECM / ARDL Bahaya Regresi Culas / Bias Simulasi Dilema Output EViews pada Variabel Tunggal: ADF Unit Root Test: t-statistic = -1.821 (p-value = 0.365) --> Gagal Tolak H0 (Non-Stasioner) KPSS Stationarity Test: LM-stat = 0.112 (Critical 5% = 0.146) --> Gagal Tolak H0 (Stasioner) Penyebab Utama: Perbedaan Asumsi Hipotesis Nol & Penanganan Heteroskedastisitas Residu [SOLUSI] Menerapkan Hirarki Pemilihan Uji Berdasarkan Struktur Data & Structural Break! PRASYARAT KETEPATAN UJI STASIONERITAS Metode pengujian harus disesuaikan dengan pola autokorelasi, heteroskedastisitas, dan keberadaan patahan data.
\n\n

Konsep Teori Stasioneritas dan Akar Unit dalam Ekonomitrika

\n

Secara teoritis, suatu deret waktu dikatakan stasioner secara lemah (*weakly stationary*) apabila nilai rata-rata (*mean*) dan variansnya bersifat konstan sepanjang waktu, serta nilai kovarians antara dua periode waktu hanya tergantung pada selisih waktu (*lag*) dan bukan pada waktu aktual perhitungan (Hamilton, 1994). Jika kondisi ini tidak terpenuhi, maka data tersebut dikategorikan sebagai deret non-stasioner yang mengandung akar unit (*unit root*).

\n

Studi empiris pionir oleh Nelson dan Plosser (1982) menunjukkan bahwa sebagian besar variabel ekonomi makro historis seperti Produk Domestik Bruto, indeks harga, dan suku bunga bersifat non-stasioner pada tingkat level I(0). Pemahaman mengenai perbedaan antara *Trend Stationary Process* (TSP) dan *Difference Stationary Process* (DSP) menjadi fondasi penting sebelum melakukan estimasi model ekonometrika lanjutan. Pembaca yang ingin mempelajari lebih dalam mengenai kerangka teoritis pengujian ini dapat merujuk pada artikel konsep dasar uji stasioneritas dan akar unit di www.statistikian.com.

\n

Perbedaan mendasar antar metode uji terletak pada perumusan hipotesis nol. Pada uji *Augmented Dickey-Fuller* (Dickey & Fuller, 1979) dan *Phillips-Perron* (Phillips & Perron, 1988), hipotesis nol menyatakan bahwa data mengandung akar unit (non-stasioner). Sebaliknya, pada uji KPSS (Kwiatkowski et al., 1992), hipotesis nol justru menyatakan bahwa data bersifat stasioner. Perbedaan struktur hipotesis ini menjelaskan mengapa kedua kelompok uji dapat memberikan kesimpulan yang tampak bertolak belakang pada sampel terbatas.

\n

Selain itu, keberadaan patahan struktural (*structural break*) seperti krisis ekonomi atau perubahan kebijakan publik dapat menurunkan kekuatan uji statistik konvensional. Perron (1989) membuktikan bahwa uji ADF cenderung secara keliru menyimpulkan data memiliki akar unit padahal data sebenarnya stasioner di sekitar tren yang mengalami patahan struktural (*stationary around a broken trend*).

\n\n

Panduan Praktis Pemilihan Jenis Uji Stasioneritas pada EViews

\n

Untuk menentukan jenis uji stasioneritas yang paling tepat sesuai dengan karakteristik data di EViews, terapkan alur keputusan dan langkah-langkah teknis berikut:

\n

Langkah 1: Eksplorasi Grafis dan Deteksi Pola Data
Buka deret variabel di EViews, lalu buat grafik garis untuk mengamati komponen tren, musiman, serta potensi terjadinya patahan struktural secara visual:

\n
View -> Graph -> Basic type: Line & Symbol\n
\n

Langkah 2: Penggunaan Uji Augmented Dickey-Fuller (ADF) sebagai Standar Utama
Gunakan uji ADF apabila grafik menunjukkan pola linear standar dan residu pengujian bersifat homoskedastis. Uji ADF menangani autokorelasi residu dengan memasukkan variabel *lagged difference* (Said & Dickey, 1984):

\n
View -> Unit Root Tests... -> Test type: Augmented Dickey-Fuller\n
\n

Langkah 3: Pemilihan Uji Phillips-Perron (PP) untuk Data Berheteroskedastisitas
Pilihlah uji PP jika data dicurigai memiliki masalah heteroskedastisitas atau bentuk autokorelasi yang tidak diketahui. Uji PP menggunakan koreksi non-parametrik *Newey-West* terhadap matriks kovarians tanpa menambah panjang *lag* pada persamaan (Phillips & Perron, 1988).

\n

Langkah 4: Penerapan Uji KPSS sebagai Uji Konfirmasi (*Confirmatory Testing*)
Gunakan uji KPSS bersamaan dengan uji ADF atau PP untuk memperkuat kesimpulan (*joint testing*). Jika ADF menolak H0 dan KPSS gagal menolak H0, maka dapat dipastikan secara kuat bahwa data bersifat stasioner (Maddala & Kim, 1998).

\n

Langkah 5: Penerapan Uji Breakpoint / Zivot-Andrews untuk Data Patahan
Apabila grafik data memperlihatkan lompatan atau penurunan drastis akibat peristiwa tertentu, gunakan opsi *Breakpont Unit Root Test* di EViews untuk menguji stasioneritas tanpa terganggu oleh *structural break* (Zivot & Andrews, 1992):

\n
View -> Unit Root Tests... -> Test type: Breakpoint Unit Root Test\n
\n

Langkah 6: Pemilihan Komponen Deterministik Persamaan Test
Pilih opsi *Trend and Intercept* jika grafik data menunjukkan kecenderungan naik/turun seiring waktu. Pilih opsi *Intercept* jika data fluktuatif di sekitar nilai rata-rata non-nol, atau *None* jika data bergerak di sekitar angka nol.

\n

Langkah 7: Penentuan Lags Selection Criterion
Gunakan kriteria informasi otomatis seperti *Schwarz Info Criterion* (SIC) di EViews. SIC dikenal parsimoni dan konsisten dalam mencegah pemilihan jumlah *lag* yang berlebihan pada sampel berukuran sedang hingga kecil (Lütkepohl, 2005).

\n

Langkah 8: Evaluasi Pengujian pada Tingkat First Difference
Jika pengujian pada tingkat level I(0) menunjukkan data tidak stasioner, ubah opsi *Test status* di EViews menjadi *First Difference* I(1) dan ulangi prosedur pengujian hingga diperoleh nilai p-value < 0.05.

\n

Langkah 9: Dokumentasi Hasil Derajat Integrasi Final
Catat derajat integrasi dari setiap variabel penelitian. Variabel yang stasioner pada I(0) dan I(1) dapat digabungkan dalam pemodelan ARDL, sedangkan jika seluruh variabel stasioner pada I(1) dan terkointegrasi, model VECM dapat diterapkan.

\n\n
HIRARKI DECISION TREE PEMILIHAN UJI STASIONERITAS DI EVIEWS 1. Visualisasi Grafis Data Time Series Periksa Pola Tren & Gejala Patahan Struktural Pola Normal / Linear Gunakan Uji ADF (Dickey-Fuller) Ada Heteroskedastisitas Gunakan Uji PP (Phillips-Perron) Ada Structural Break Uji Breakpoint / Zivot-Andrews Konfirmasi Ulang dengan Uji KPSS Joint Testing untuk Menghindari Kesalahan Tipe I & II REKOMENDASI MODEL AKHIR Campuran I(0) & I(1) --> Gunakan Model ARDL CATATAN PENTING EVIEWS Jangan Lakukan Differencing Jika Data Terbukti Stasioner Level
\n\n

Pembahasan Ilmiah: evaluasi Statistik dan Robustness Testing

\n

Pemilihan metode pengujian stasioneritas secara ilmiah harus mempertimbangkan dua aspek utama statistik inferensial, yaitu ukuran uji (*size of the test*) dan kekuatan uji (*power of the test*). Davidson dan MacKinnon (2004) menyatakan bahwa uji ADF sering kali memiliki kekuatan uji yang rendah (*low power*) pada sampel berukuran kecil atau ketika data memiliki akar yang mendekati persatuan (*near unit root process*).

\n

Dalam kondisi *near unit root*, uji ADF cenderung gagal menolak hipotesis nol, sehingga peneliti berisiko melakukan diferensiasi berlebihan (*over-differencing*). Plosser dan Schwert (1978) mengingatkan bahwa tindakan *over-differencing* pada deret yang sebenarnya stasioner pada level dapat memasukkan akar rata-rata bergerak (*moving average unit root*) pada varians residu, yang berdampak buruk pada efisiensi estimasi.

\n

Keunggulan uji Phillips-Perron terletak pada penggunaan estimator non-parametrik *Newey-West* untuk mengoreksi autokorelasi dan heteroskedastisitas bentuk umum tanpa memperhitungkan struktur *lag* parametrik (Newey & West, 1987). Namun, Schwert (1989) menemukan bahwa uji PP dapat mengalami distorsi ukuran (*size distortion*) yang signifikan jika terdapat komponen *moving average* negatif yang kuat dalam data time series.

\n

Guna mengatasi kelemahan individual dari masing-masing uji, pendekatan pengujian konfirmasi (*confirmatory testing*) yang menggabungkan uji ADF/PP dengan uji KPSS sangat direkomendasikan dalam literatur modern (Carrion-i-Silvestre et al., 2005). Ketika ADF menolak nol akar unit dan KPSS gagal menolak nol stasioneritas, simpulan stasioneritas berada pada tingkat kepastian tertinggi.

\n

Terkait dengan perubahan kondisi eksternal seperti krisis keuangan global atau pandemi, analisis ekonometrika klasik tanpa memperhitungkan *structural break* sering kali menghasilkan simpulan yang salah. Perron (1989) menegaskan bahwa sebagian besar variabel makroekonomi yang dianggap memiliki akar unit sebenarnya merupakan deret stasioner tren dengan patahan pada konstanta atau kemiringan (*slope*).

\n

Penggunaan *Breakpoint Unit Root Test* dengan metode Zivot dan Andrews (1992) memungkinkan penentuan titik patahan secara endogen dari data tanpa bias apriori peneliti. Prosedur ini menjamin bahwa penetapan derajat integrasi variabel I(0) atau I(1) tetap valid meskipun periode pengamatan mencakup rentang waktu krisis yang fluktuatif.

\n

Dengan menerapkan hirarki pemilihan uji yang ketat berbasis karakteristik data, peneliti dapat menghindari kesalahan spesifikasi model dan memastikan bahwa analisis ekonometrika tahap berikutnya memiliki landasan statistik yang kokoh.

\n\n

Kesimpulan

\n

Memilih jenis uji stasioneritas di EViews membutuhkan evaluasi cermat terhadap pola visual data, keberadaan autokorelasi, heteroskedastisitas, dan patahan struktural. Uji ADF merupakan pilihan standar utama untuk data linear parametrik, sedangkan uji PP lebih unggul saat terdapat heteroskedastisitas non-parametrik. Uji KPSS berfungsi penting sebagai pengujian konfirmasi (*confirmatory test*), dan uji Zivot-Andrews wajib digunakan saat data melewati periode krisis atau perubahan struktur. Penggabungan metode pengujian yang tepat akan menjamin keabsahan derajat integrasi data sebelum melangkah ke pemodelan estimasi time series lanjutan.

\n\n

Daftar Pustaka

\n
\n

Carrion-i-Silvestre, J. L., Del Barrio-Castro, T., & Lopez-Bazo, E. (2005). Break point evaluation in confirmatory stationarity tests. Journal of Time Series Analysis, 26(4), 547-562.

\n

Davidson, R., & MacKinnon, J. G. (2004). Econometric Theory and Methods. Oxford University Press.

\n

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.

\n

Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, 54(1-3), 159-178.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change. Cambridge University Press.

\n

Nelson, C. R., & Plosser, C. R. (1982). Trends and random walks in macroeonomic time series: some evidence and implications. Journal of Monetary Economics, 10(2), 139-162.

\n

Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708.

\n

Perron, P. (1989). The great crash, the oil price shock, and the unit root hypothesis. Econometrica, 57(6), 1361-1401.

\n

Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.

\n

Plosser, C. I., & Schwert, G. W. (1978). Money, income, and sunspots: measuring economic relationships and the effects of differencing. Journal of Monetary Economics, 4(4), 637-660.

\n

Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599-607.

\n

Schwert, G. W. (1989). Tests for unit roots: A Monte Carlo investigation. Journal of Business & Economic Statistics, 7(2), 147-159.

\n

Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251-270.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T21:52:39+07:00", "date_modified": "2026-09-07T21:52:39+07:00" }, { "id": "https://statistikian.net/bagaimana-cara-mengatasi-ect-tidak-negatif-atau-tidak-signifkan-pada-vecm-dengan-eviews/", "url": "https://statistikian.net/bagaimana-cara-mengatasi-ect-tidak-negatif-atau-tidak-signifkan-pada-vecm-dengan-eviews/", "title": "Bagaimana Cara mengatasi ECT Tidak Negatif atau Tidak Signifkan Pada VECM dengan Eviews?", "summary": "Saat melakukan estimasi model ekonometrika multivariat, peneliti sering dihadapkan pada kendala teknis…", "content_html": "
\n

Saat melakukan estimasi model ekonometrika multivariat, peneliti sering dihadapkan pada kendala teknis mengenai **Cara mengatasi ECT Tidak Negatif atau Tidak Signifikan Pada VECM dengan Eviews**. Masalah ini umumnya terdeteksi pada tabel output estimasi VECM di EViews pada baris koefisien CointEq1 atau *Error Correction Term* (ECT). Gejala utama yang muncul adalah koefisien ECT bernilai positif (misalnya `+0.214`) atau memiliki nilai statistik t di bawah angka kritis 1.96 dengan nilai p-value lebih besar dari 0.05, yang mengindikasikan bahwa variabel penyesuaian tidak signifikan secara statistik.

\n

Kondisi koefisien ECT yang bernilai positif atau tidak signifikan mengindikasikan adanya kecacatan struktur pada spesifikasi model yang dibentuk. Dalam kriteria ekonometrika, koefisien ECT yang positif menandakan bahwa sistem mengalami sifat eksplosif atau divergen, di mana guncangan jangka pendek justru menjauhkan variabel dari titik keseimbangan jangka panjangnya. Tanpa adanya koefisien ECT yang negatif dan signifikan, model VECM yang dihasilkan tidak memenuhi kriteria validitas teoritis, sehingga analisis kelanjutan seperti *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD) menjadi tidak valid untuk dijadikan acuan kebijakan.

\n\n
DIAGRAM PERMASALAHAN: KOEFISIEN ECT POSITIF ATAU TIDAK SIGNIFIKAN Estimasi VECM EViews Variabel Endogen Stasioner I(1) Rank Kointegrasi r >= 1 Spesifikasi Standar Dijalankan Gejala Output CointEq1 1. Nilai ECT Positif (+0.185) 2. Nilai t-stat < 1.96 3. Nilai p-value > 0.05 Implikasi Ekonometrika Sistem Eksplosif / Divergen Model VECM Tidak Valid Simulasi Output Console EViews CointEq1 Bermasalah: CointEq1 Coefficient = +0.18524 (Std. Error = 0.2202, t-statistic = 0.8412) STATUS: Insignificant & Positive ECT (p-value = 0.4021 > 0.05) System Behavior: Non-convergent dynamic adjustment process detected [SOLUSI] Eksekusi Re-Spesifikasi Lag, Opsi Trend, Urutan Variabel, & Intervensi Dummy! PRASYARAT KEBERADAAN MEKANISME KOREKSI KESALAHAN Koefisien ECT wajib bernilai negatif dan signifikan untuk menjamin konvergensi menuju keseimbangan jangka panjang.
\n\n

Konsep Teori Mekanisme Koreksi Kesalahan dan Peran ECT

\n

Gagasan dasar dari *Error Correction Model* pertama kali diperkenalkan oleh Sargan (1964) dan disempurnakan oleh Engle dan Granger (1987) melalui *Granger Representation Theorem*. Teorema ini menyatakan bahwa jika sekumpulan variabel non-stasioner terkointegrasi pada derajat integrasi yang sama I(1), maka dinamika antar variabel tersebut dapat dinyatakan secara tepat dalam bentuk mekanisme koreksi kesalahan (*error correction mechanism*).

\n

Dalam kerangka VECM, parameter ECT berfungsi mengukur kecepatan penyesuaian (*speed of adjustment*) dari variabel endogen dalam merespons penyimpangan (*disequilibrium*) jangka pendek. Bagi pembaca yang ingin mendalami landasan teoritis uji kointegrasi dan pembentukan model dinamis ini, penjelasan lengkap dapat diakses melalui materi konsep dasar dan estimasi VECM di www.statistikian.com.

\n

Tanda negatif pada koefisien ECT merepresentasikan mekanisme umpan balik negatif (*negative feedback mechanism*) yang menarik kembali sistem menuju kondisi keseimbangan. Johansen (1995) menegaskan bahwa koefisien ECT bernilai antara minus satu dan nol menunjukkan bahwa setiap deviasi jangka pendek akan dikoreksi secara bertahap dalam periode berikutnya menuju titik ekuilibrium jangka panjang.

\n

Apabila koefisien ECT bernilai positif, gaya penyesuaian bekerja ke arah yang salah, sehingga deviasi jangka pendek justru diperbesar dari waktu ke waktu (Lütkepohl, 2005). Sementara itu, jika koefisien ECT tidak signifikan secara statistik, hal ini mengindikasikan bahwa variabel penyesuaian tidak merespons ketidakseimbangan jangka panjang, atau terindikasi sebagai variabel eksogen lemah (*weakly exogenous*) dalam sistem (Enders, 2014).

\n\n

Langkah-Langkah Teknis Perbaikan Mandiri pada EViews

\n

Untuk mengatasai masalah koefisien ECT yang bernilai positif atau tidak signifikan di EViews, lakukan serangkaian langkah perbaikan spesifikasi ekonometrika berikut secara sistematik:

\n

Langkah 1: Re-evaluasi Penentuan Lag Optimal VAR Unrestricted
Penetapan lag yang terlalu pendek dapat menyisakan autokorelasi pada residu, sedangkan lag yang terlalu panjang membuang derajat kebebasan. Buka jendela VAR Unrestricted pada level data dan periksa kriteria informasi terkecil (AIC, SC, atau HQ) untuk menentukan lag optimal yang bebas dari autokorelasi (Gonzalo, 1994):

\n
View -> Lag Structure -> Lag Length Criteria\nView -> Residual Tests -> Autocorrelation LM Tests\n
\n

Langkah 2: Re-spesifikasi Opsi Tren Deterministik Johansen
Kesalahan dalam memilih asumsi tren deterministik pada uji kointegrasi dapat menyebabkan perkiraan matriks kointegrasi menjadi bias. Cobalah membandingkan opsi **Case 2** (*Intercept in CE, no trend in CE/VAR*), **Case 3** (*Intercept in CE and VAR*), dan **Case 4** (*Intercept and trend in CE, no trend in VAR*) untuk melihat sensitivitas koefisien ECT (Juselius, 2006).

\n

Langkah 3: Konfirmasi Ulang Rank Kointegrasi
Pastikan jumlah rank kointegrasi yang dimasukkan ke dalam spesifikasi VECM sesuai dengan hasil uji Johansen. Jika uji statistik *Trace* dan *Maximum Eigenvalue* memberikan hasil yang berbeda, prioritaskan statistik *Trace* untuk menentukan rank kointegrasi yang tepat (Cheung & Lai, 1993).

\n

Langkah 4: Pengaturan Urutan Variabel dan Normalisasi Persamaan
EViews secara otomatis melakukan normalisasi persamaan kointegrasi pada variabel endogen pertama yang dimasukkan ke dalam daftar variabel. Mengubah urutan penulisan variabel endogen dalam daftar spesifikasi VAR dapat merubah bentuk normalisasi vektor kointegrasi, yang berdampak langsung pada tanda dan signifikansi koefisien ECT.

\n

Langkah 5: Identifikasi Patahan Struktural dan Penambahan Dummy Eksogen
Keberadaan patahan struktural (*structural break*) akibat krisis atau perubahan kebijakan dapat merusak estimasi parameter kointegrasi. Masukkan variabel dummy eksogen (*impulse dummy*) pada periode terjadinya guncangan struktural ke dalam spesifikasi VECM (Johansen, Mosconi, & Nielsen, 2000):

\n
VECM Specification Menu -> Exogenous Series: DUMMY_KRISIS\n
\n

Langkah 6: Uji Eksogenitas Lemah (*Weak Exogeneity Test*)
Jika variabel tertentu memiliki koefisien ECT yang tidak signifikan, lakukan uji pembatasan alpha (*alpha restriction test*) untuk membuktikan apakah variabel tersebut bersifat eksogen lemah. Variabel yang terbukti eksogen lemah dapat dikeluarkan dari persamaan penyesuaian jangka pendek.

\n

Langkah 7: Pembersihan Outlier pada Residu
Periksa grafik residu VECM untuk mendeteksi pencilan data (*outliers*) yang ekstrem. Outlier yang melebihi tiga standar deviasi perlu ditangani dengan variabel dummy khusus agar tidak merusak distribusi normalitas residu.

\n

Langkah 8: Re-estimasi dan Verifikasi Tanda Koefisien ECT
Setelah melakukan penyesuaian pada langkah-langkah di atas, jalankan kembali estimasi VECM di EViews dan periksa tabel *Vector Error Correction Estimates*. Pastikan koefisien pada baris *CointEq1* telah bernilai negatif dan memiliki nilai t-statistic > 1.96 (atau p-value < 0.05).

\n\n
ALGORITMA TROUBLESHOOTING ECT TIDAK NEGATIF ATAU TIDAK SIGNIFIKAN 1. Optimalisasi Lag Evaluasi AIC/SC & Bebas Autokorelasi 2. Spesifikasi Trend Uji Kepekaan Case 2, 3, & 4 3. Re-Ordering Variabel Ubah Normalisasi Persamaan 4. Intervensi Structural Break / Outlier Tambahkan Dummy Eksogen pada VECM ECT Negatif & Signifikan --> MODEL VECM STABIL & VALID ECT Tetap Positif / Tak Signifikan --> UJI WEAK EXOGENEITY / ARDL TANDA KOEFISIEN ECT WAJIB NEGATIF Menunjukkan Gaya Penyesuaian Kembali ke Keseimbangan PERAN DUMMY EKSOGEN Menyerap Guncangan Tanpa Merusak Ruang Kointegrasi
\n\n

Pembahasan Ilmiah: Evaluasi Ekonometrika dan Diagnosis Lanjutan

\n

Secara matematis, struktur model VECM memisahkan pergerakan dinamis jangka pendek dari hubungan keseimbangan jangka panjang melalui matriks dampak jangka panjang. Ketika koefisien ECT bernilai positif, matriks umpan balik sistem menghasilkan akar karakteristik yang berada di luar lingkaran satuan (*unit circle*), yang mengakibatkan jalur dinamika sistem menjadi tidak stabil (Johansen, 1995). Kondisi ini melanggar asumsi dasar stabilitas ekonometrika linier.

\n

Penyebab paling umum dari munculnya koefisien ECT bernilai positif adalah misspesifikasi komponen deterministik atau diabaikannya patahan struktural. Johansen, Mosconi, dan Nielsen (2000) menunjukkan bahwa jika terdapat patahan regresi pada tren atau konstanta yang tidak diakomodasi, nilai kointegrasi yang diestimasi akan bias secara sistematis. Penambahan variabel dummy intervensi eksogen terbukti mampu mengoreksi bias tersebut tanpa mengubah ruang kointegrasi utama.

\n

Dalam kasus di mana koefisien ECT bernilai negatif tetapi tidak signifikan secara statistik, interpretasi ekonometrika bergeser pada konsep eksogenitas lemah (*weak exogeneity*). Hendry (1995) menegaskan bahwa jika suatu variabel tidak merespons vektor koreksi kesalahan (koefisien ECT tidak signifikan), variabel tersebut bertindak sebagai penggerak utama (*driving variable*) yang bersifat eksogen terhadap hubungan jangka panjang.

\n

Penanganan kasus eksogenitas lemah memerlukan pengujian pembatasan parameter alpha pada EViews. Jika hipotesis pembatasan nol diterima, peneliti disarankan untuk mereformulasi model menjadi VECM parsial atau menggunakan pendekatan *Autoregressive Distributed Lag* (ARDL) jika derajat integrasi variabel bersifat campuran antara I(0) dan I(1) (Pesaran, Shin, & Smith, 2001).

\n

Penting pula untuk memperhatikan masalah normalisasi vektor kointegrasi pada EViews. Secara default, EViews menetapkan koefisien variabel endogen pertama sebesar minus satu. Jika variabel endogen pertama tersebut secara teoritis bukan merupakan variabel dependen yang dipengaruhi oleh hubungan jangka panjang, tanda koefisien ECT yang dihasilkan pada persamaan diferensiasi dapat terbalik menjadi positif.

\n

Tahap pemeriksaan diagnostik residu pasca-perbaikan wajib dilakukan untuk memastikan validitas statistik. Seluruh persamaan dalam VECM harus memenuhi asumsi multivariat: bebas dari autokorelasi residu (*VEC Residual Serial Correlation LM Tests*), berdistribusi normal (*VEC Residual Normality Tests*), dan bersifat homoskedastis (*VEC Residual Heteroskedasticity Tests*).

\n

Dengan menerapkan tahapan re-spesifikasi lag, pemilihan asumsi tren yang tepat, penataan urutan variabel, serta penambahan variabel dummy struktural, masalah koefisien ECT yang tidak negatif atau tidak signifikan dapat teratasi secara sistematis dan dapat dipertanggungjawabkan secara ilmiah.

\n\n

Kesimpulan

\n

Koefisien ECT yang bernilai negatif dan signifikan merupakan prasyarat mutlak dalam model VECM untuk membuktikan keberadaan mekanisme penyesuaian menuju keseimbangan jangka panjang. Apabila ditemukan nilai ECT yang positif atau tidak signifikan di EViews, perbaikan teknis harus dilakukan melalui pengujian ulang lag optimal, pemilihan opsi tren deterministik Johansen, re-normalisasi urutan variabel, serta penambahan variabel dummy eksogen untuk mengatasi patahan struktural. Jika ketidak signifikanan ECT tetap bertahan, evaluasi terhadap eksogenitas lemah variabel harus dilakukan sesuai kaidah ekonometrika.

\n\n

Daftar Pustaka

\n
\n

Cheung, Y. W., & Lai, K. S. (1993). Finite-sample sizes of Johansen's likelihood ratio tests for cointegration. Oxford Bulletin of Economics and Statistics, 55(3), 313-328.

\n

Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons.

\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Gonzalo, J. (1994). Five alternative methods of estimating long-run equilibrium relationships. Journal of Econometrics, 60(1-2), 203-233.

\n

Hendry, D. F. (1995). Dynamic Econometrics. Oxford University Press.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Johansen, S., Mosconi, R., & Nielsen, B. (2000). Cointegration analysis in the presence of structural breaks in the deterministic trend. The Econometrics Journal, 3(2), 216-249.

\n

Juselius, K. (2006). The Cointegrated VAR Model: Methodology and Applications. Oxford University Press.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326.

\n

Sargan, J. D. (1964). Wages and prices in the United Kingdom: A study in econometric methodology. Econometric Analysis for National Economic Planning, 16, 25-54.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T21:07:27+07:00", "date_modified": "2026-09-07T21:07:27+07:00" }, { "id": "https://statistikian.net/langkah-uji-kointegrasi-johansen-pada-eviews-syarat-mutlak-sebelum-membentuk-vecm/", "url": "https://statistikian.net/langkah-uji-kointegrasi-johansen-pada-eviews-syarat-mutlak-sebelum-membentuk-vecm/", "title": "Langkah Uji Kointegrasi Johansen pada Eviews: Syarat Mutlak Sebelum Membentuk VECM", "summary": "Dalam pemodelan ekonometrika sistem multivariat, para peneliti sering kali terburu-buru melakukan estimasi…", "content_html": "
\n

Dalam pemodelan ekonometrika sistem multivariat, para peneliti sering kali terburu-buru melakukan estimasi *Vector Error Correction Model* (VECM) tanpa menjalankan **Langkah Uji Kointegrasi Johansen pada Eviews** secara benar. Kelalaian mendasar ini sering memicu munculnya pesan kesalahan sistem di EViews seperti \"VEC estimate requires at least 1 cointegrating equation\", kegagalan konvergensi estimasi, atau dikeluarkannya nilai koefisien *Error Correction Term* (ECT) yang tidak valid, yakni bernilai positif atau melebihi angka satu. Gejala-gejala tersebut menandakan bahwa spesifikasi model yang dipaksakan mengalami cacat struktur karena hubungan jangka panjang antar variabel belum terverifikasi secara statistik.

\n

Kegagalan estimasi VECM akibat mengabaikan prosedur pengujian kointegrasi Johansen ber dampak fatal terhadap validitas penafsiran ekonomis. Tanpa adanya bukti kointegrasi yang sah, pembentukan vektor penyesuaian jangka pendek dalam VECM akan menghasilkan estimasi parameter yang bias dan regresi palsu (*spurious regression*). Akibatnya, fungsi respons impuls (*Impulse Response Function*) serta varians dekomposisi (*Variance Decomposition*) yang dihasilkan EViews menjadi tidak stabil, merusak seluruh dasar pengambilan keputusan akademis maupun analisis kebijakan yang dibangun dalam penelitian.

\n\n
DIAGRAM PERMASALAHAN: KEGAGALAN ESTIMASI VECM TANPA UJI JOHANSEN Data Time Series I(1) Seluruh Variabel Stasioner Pada First Difference Uji Johansen Dilewati Gejala Error pada EViews 1. Error: VEC Requires Rank >= 1 2. Koefisien ECT Positif / Invalid 3. Non-Convergence System Dampak Ekonometrika Hasil VECM Tidak Valid Simpulan IRF & VD Biased Simulasi Error Console EViews Saat Langsung Membentuk VECM: ERROR: Vector Error Correction estimation requires at least 1 cointegrating relation! VECM ECT Coefficient = +0.284 (System Divergent - Non-Stationary Error Correction) Johansen Rank Test: Trace Statistic < Critical Value 5% (Cointegration Rank r = 0) [SOLUSI] Eksekusi Uji Kointegrasi Johansen & Pastikan Rank r Minimal 1 Sebelum VECM! VERIFIKASI HUBUNGAN KOINTEGRASI MULTIVARIAT Uji Johansen menentukan keberadaan vektor kointegrasi sebagai fondasi teoritis model VECM.
\n\n

Konsep Teori Kointegrasi Johansen dan Fondasi VECM

\n

Konsep kointegrasi pertama kali digagas oleh Engle dan Granger (1987) untuk menjelaskan kondisi di mana dua atau lebih variabel non-stasioner pada tingkat level I(0), tetapi memiliki kombinasi linear yang bersifat stasioner. Keberadaan kombinasi linear yang stasioner ini mengindikasikan adanya hubungan keseimbangan jangka panjang (*long-run equilibrium*) yang mengikat variabel-variabel tersebut, meskipun dalam jangka pendek mereka mengalami fluktuasi secara individual.

\n

Pengujian kointegrasi dua tahap Engle-Granger memiliki keterbatasan utama ketika diterapkan pada sistem multivariat, karena hanya mampu mengidentifikasi satu vektor kointegrasi. Untuk mengatasi masalah tersebut, Johansen (1988) serta Johansen dan Juselius (1990) mengembangkan metode pengujian berbasis *Maximum Likelihood* dalam kerangka *Vector Autoregression* (VAR). Pembaca yang ingin mendalami konsep dasar dan teori uji kointegrasi dapat mempelajari landasan matematisnya secara detail di www.statistikian.com.

\n

Metode Johansen menguji matriks dampak jangka panjang dalam sistem VAR untuk menentukan jumlah vektor kointegrasi yang independen, yang dilambangkan dengan nilai rank. Johansen (1995) menegaskan bahwa jika rank matriks bernilai nol, maka tidak terdapat kointegrasi antar variabel. Jika rank bersifat penuh, maka seluruh variabel sebenarnya sudah stasioner pada level I(0). VECM hanya dapat dibentuk apabila nilai rank berada di antara nol dan jumlah total variabel dalam sistem.

\n

Prosedur Johansen menyediakan dua statistik uji utama, yaitu statistik *Trace* (*Trace Statistic*) dan statistik *Maximum Eigenvalue* (*Max-Eigen Statistic*). Kedua statistik ini digunakan untuk menguji hipotesis nol mengenai jumlah vektor kointegrasi. Penentuan pilihan asumsi trend deterministik (apabila memasukkan konstanta atau trend linear) juga memegang peranan krusial dalam menghasilkan nilai kritis yang tepat pada EViews (Juselius, 2006).

\n\n

Prosedur Teknis Eksekusi Uji Kointegrasi Johansen di EViews

\n

Guna memastikan pengujian kointegrasi Johansen berjalan valid dan memenuhi kaidah ekonometrika, lakukan langkah-langkah teknis berikut secara runtut di EViews:

\n

Langkah 1: Verifikasi Syarat Stasioneritas Data I(1)
Pastikan seluruh variabel yang diuji bersifat tidak stasioner pada tingkat level I(0), namun menjadi stasioner pada diferensiasi pertama atau I(1) melalui uji *Augmented Dickey-Fuller* (ADF) atau *Phillips-Perron* (PP).

\n

Langkah 2: Penentuan Lag Optimal Model VAR Unrestricted
Estimasi model VAR dalam bentuk level terlebih dahulu untuk menentukan panjang lag optimal berdasarkan kriteria informasi terkecil seperti *Akaike Information Criterion* (AIC) atau *Schwarz Criterion* (SC):

\n
EViews Menu: Quick -> Estimate VAR -> VAR Type: Unrestricted VAR -> Endogenous Variables: Y X1 X2 -> Lag Intervals: 1 2\nView -> Lag Structure -> Lag Length Criteria\n
\n

Langkah 3: Pembentukan Objek VAR Level di EViews
Buka jendela model VAR Unrestricted yang telah dipasang dengan lag optimal hasil dari Langkah 2.

\n

Langkah 4: Mengakses Menu Johansen Cointegration Test
Pada jendela spesifikasi VAR di EViews, klik menu navigasi utama berikut:

\n
View -> Cointegration Test -> Johansen System Cointegration Test...\n
\n

Langkah 5: Pemilihan Asumsi Trend Deterministik (Deterministic Trend Spec)
Pilih opsi asumsi komponen deterministik yang sesuai dengan karakteristik data ekonomi. Opsi standar yang paling sering digunakan dalam data makroekonomi adalah **Case 3** (*Allow for linear deterministic trend in data - Intercept in CE and VAR*) atau **Case 4** (*Intercept and trend in CE, No trend in VAR*).

\n

Langkah 6: Pengaturan Lag Interval untuk Uji Johansen
Isi kolom *Lag Intervals in First Differences*. Perlu diingat bahwa panjang lag pada pengujian Johansen diisi sebesar lag optimal VAR dikurangi satu (p - 1). Jika lag optimal VAR adalah 2, maka masukkan interval lag `1 1` di EViews.

\n

Langkah 7: Evaluasi Output Trace Statistic dan Max-Eigenvalue
Periksa tabel statistik *Trace* dan *Maximum Eigenvalue*. Bandingkan nilai statistik uji dengan nilai kritis (*Critical Value*) pada tingkat signifikansi 5 persen, atau langsung amati kolom p-value (*Prob.*).

\n

Langkah 8: Keputusan Penentuan Rank Kointegrasi (r)
Tentukan jumlah vektor kointegrasi. Jika p-value pada baris *None* < 0.05, tolak hipotesis nol (r = 0), yang mengindikasikan adanya minimal satu kointegrasi. Lanjutkan pemeriksaan ke baris *At most 1* hingga memperoleh p-value > 0.05.

\n

Langkah 9: Transisi Pemilihan Model Akhir (VECM vs VAR Diff)
Jika terbukti terdapat kointegrasi (r >= 1), lanjutkan estimasi ke model **VECM**. Jika terbukti tidak ada kointegrasi (r = 0), batalkan pembentukan VECM dan beralihlah ke model **VAR First Difference**.

\n\n
ALGORITMA DAN WORKFLOW UJI KOINTEGRASI JOHANSEN UNTUK VECM 1. Lag Optimal VAR Pilih Lag Kriteria AIC/SC 2. Setting Johansen Test Trend Case 3/4 & Lag (p-1) 3. Evaluasi Output Trace & Max-Eigen Stat Keputusan Rank Kointegrasi (r) Evaluasi Probabilitas (p-value < 0.05) Terdapat Kointegrasi (r >= 1) --> ESTIMASI VECM VALID Tidak Ada Kointegrasi (r = 0) --> BATAL VECM (GUNAKAN VAR DIFF) HAL CRUCIAL PENETAPAN LAG Lag Uji Johansen = Lag VAR - 1 (First Difference) VERIFIKASI KHUSUS VECM Koefisien ECT Harus Negatif & Signifikan!
\n\n

Pembahasan Ilmiah: Justifikasi Ekonometrika dan Pengujian Lanjutan

\n

Rationale ekonometrika di balik penerapan uji Johansen sebagai prasyarat VECM berakar pada prinsip keterikatan stasioneritas jangka panjang. Ketika sekumpulan variabel bersifat I(1), pergerakan masing-masing data didominasi oleh komponen *random walk*. Namun, jika terdapat kombinasi linear antar variabel yang bersifat I(0), hal tersebut membuktikan bahwa guncangan yang memisahkan hubungan antar variabel hanya bersifat sementara (*transitory*) dan variabel akan kembali menuju titik keseimbangannya (Lütkepohl, 2005).

\n

Dalam membaca hasil estimasi di EViews, peneliti kerap menjumpai perbedaan konfirmasi antara statistik *Trace* dan statistik *Maximum Eigenvalue*. Cheung dan Lai (1993) menjelaskan bahwa statistik *Trace* cenderung lebih tangguh (*robust*) terhadap penyimpangan skewness dan kurtosis pada distribusi residu. Oleh karena itu, jika terjadi pertentangan kesimpulan antara kedua statistik tersebut, statistik *Trace* disarankan untuk dijadikan acuan utama dalam menentukan rank kointegrasi.

\n

Penetapan panjang lag pada uji kointegrasi Johansen berperan sangat vital. Gonzalo (1994) menggarisbawahi bahwa penentuan lag yang terlalu pendek akan memicu autokorelasi pada residu, sehingga menghasilkan kesimpulan kointegrasi palsu. Sebaliknya, penentuan lag yang terlalu panjang akan mengurangi derajat kebebasan (*degree of freedom*) dan menurunkan daya uji statistik (*power of test*). Pemilihan lag berdasarkan kriteria AIC atau SC dari model VAR Unrestricted merupakan pendekatan terbaik.

\n

Setelah keberadaan kointegrasi terkonfirmasi dan model VECM diestimasi di EViews, parameter kointegrasi disajikan dalam bentuk persamaan yang ternormalisasi. Sesuai dengan formulasi matematis Johansen (1995), tanda koefisien variabel bebas pada persamaan kointegrasi jangka panjang EViews mengalami pembalikan tanda (*reverse sign*). Peneliti wajib membalikkan tanda koefisien tersebut saat melakukan penafsiran ekonomis jangka panjang.

\n

Indikator kunci keberhasilan estimasi VECM terletak pada koefisien *Error Correction Term* (ECT). Koefisien ECT mengukur kecepatan penyesuaian (*speed of adjustment*) dari ketidakseimbangan jangka pendek menuju keseimbangan jangka panjang. Koefisien ECT wajib bernilai negatif dan signifikan secara statistik pada tingkat signifikansi yang dipilih (misalnya p-value < 0.05). Nilai ECT yang positif mengindikasikan bahwa sistem bergerak menjauhi titik keseimbangan (*divergent*), yang menandakan adanya kesalahan spesifikasi pada model.

\n

Tahap pasca-estimasi VECM memerlukan verifikasi kelayakan statistik melalui uji diagnostik residu. Uji yang wajib dilakukan meliputi uji autokorelasi residu (*VEC Residual Serial Correlation LM Tests*), uji normalitas residu multivariat (*VEC Residual Normality Tests*), serta uji homoskedastisitas (*VEC Residual Heteroskedasticity Tests*). Keberadaan patahan struktural (*structural break*) pada data jangka panjang juga perlu diantisipasi dengan memasukkan variabel dummy eksogen jika diperlukan.

\n

Melalui pemahaman yang utuh terhadap algoritma pengujian kointegrasi Johansen ini, peneliti dapat menghindari kesalahan metodologis mendasar saat menyusun model VECM di EViews, sekaligus menjamin keabsahan ilmiah dari seluruh temuan penelitian ekonometrika yang dihasilkan.

\n\n

Kesimpulan

\n

Uji kointegrasi Johansen merupakan syarat mutlak yang tidak dapat ditawar sebelum membentuk model VECM pada EViews. Estimasi VECM hanya dapat dilanjutkan apabila hasil uji statistik *Trace* dan *Maximum Eigenvalue* mengonfirmasi keberadaan kointegrasi dengan rank minimal satu (r >= 1). Jika tidak terbukti ada kointegrasi (r = 0), model wajib dialihkan ke VAR *First Difference*. Keberhasilan estimasi VECM selanjutnya ditandai oleh nilai koefisien ECT yang bernilai negatif dan signifikan, serta lolosnya model dari seluruh uji diagnostik residu multivariat.

\n\n

Daftar Pustaka

\n
\n

Cheung, Y. W., & Lai, K. S. (1993). Finite-sample sizes of Johansen's likelihood ratio tests for cointegration. Oxford Bulletin of Economics and Statistics, 55(3), 313-328.

\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Gonzalo, J. (1994). Five alternative methods of estimating long-run equilibrium relationships. Journal of Econometrics, 60(1-2), 203-233.

\n

Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Johansen, S., & Juselius, K. (1990). Maximum likelihood estimation and inference on cointegration—with applications to the demand for money. Oxford Bulletin of Economics and Statistics, 52(2), 169-210.

\n

Juselius, K. (2006). The Cointegrated VAR Model: Methodology and Applications. Oxford University Press.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T21:01:09+07:00", "date_modified": "2026-09-07T21:01:09+07:00" }, { "id": "https://statistikian.net/kapan-harus-menggunakan-var-level-var-difference-atau-vecm-dan-ardl-pada-eviews-algoritma-pemilihan/", "url": "https://statistikian.net/kapan-harus-menggunakan-var-level-var-difference-atau-vecm-dan-ardl-pada-eviews-algoritma-pemilihan/", "title": "Kapan Harus Menggunakan VAR Level, Var Difference atau VECM dan ARDL pada Eviews? Algoritma Pemilihan", "summary": "Dalam ekonometrika runtun waktu (*time series*), para peneliti dan praktisi sering kali…", "content_html": "
\n

Dalam ekonometrika runtun waktu (*time series*), para peneliti dan praktisi sering kali mengalami kebingungan metodologis ketika menentukan Kapan Harus Menggunakan VAR Level, Var Diff atau VECM dan ARDL pada Eviews. Permasalahan ini umumnya muncul ke permukaan saat output estimasi EViews menunjukkan hasil yang tidak masuk akal, seperti regresi palsu (*spurious regression*) dengan nilai R-squared tinggi tetapi t-statistik tidak signifikan, nilai *Error Correction Term* (ECT) pada VECM bernilai positif atau lebih besar dari nol, atau munculnya pesan peringatan *near singular matrix* dan kegagalan konvergensi saat menentukan lag optimal.

\n

Kemunculan gejala kegagalan estimasi ini bersumber dari kekeliruan dalam mengidentifikasi derajat integrasi variabel melalui uji akar-akar unit (*unit root test*) serta ketidaktepatan penentuan keberadaan hubungan kointegrasi jangka panjang. Ketika model *Vector Autoregression* (VAR) dalam bentuk level dipaksakan pada data yang tidak stasioner tanpa adanya kointegrasi, atau ketika model *Vector Error Correction Model* (VECM) diterapkan pada data dengan derajat integrasi campuran I(0) dan I(1), struktur estimasi yang dibentuk oleh EViews menjadi cacat. Hal ini merusak analisis *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD) serta membiaskan seluruh simpulan penelitian.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN PEMILIHAN MODEL TIME SERIES Data Runtun Waktu Uji Stasioneritas Diabaikan Atau Asumsi Kointegrasi Salah Diidentifikasi Gejala Error & Misspesifikasi 1. Regresi Palsu / Spurious VAR 2. Koefisien ECT VECM > 0 3. Error Near Singular Matrix Dampak Ekonometrika Estimasi IRF & VD Biased Inference Statistik Cacat Simulasi Log Warning / Misspesifikasi EViews: WARNING: System estimation failed. Matrix near singular or non-stationary VAR level! VECM Error Correction Term (C1) = +0.428 (Positive ECT invalid long-run equilibrium!) Johansen Test: No cointegration equation found at 0.05 level for integrated series. [REKOMENDASI] Jalankan Uji Akar Unit ADF & Tentukan Algoritma Model yang Tepat! DIAGNOSA KESALAHAN INTEGRASI DAN KOINTEGRASI DATA Pemilihan model time series wajib mengikuti hirarki uji akar unit dan pengujian kointegrasi yang rinci.
\n\n

Konsep Teori Model Time Series Simultan dan Dinamis

\n

Model *Vector Autoregression* (VAR) dalam bentuk level yang diperkenalkan oleh Sims (1980) dirancang untuk menangkap dinamika hubungan timbal balik antar variabel tanpa membedakan variabel endogen dan eksogen secara kaku. Namun, asumsi mendasar dari VAR Level adalah seluruh variabel dalam sistem wajib stasioner pada tingkat level atau I(0). Jika VAR Level diterapkan pada variabel yang mengandung akar unit, maka statistik pengujian standar tidak lagi berdistribusi normal.

\n

Apabila variabel tidak stasioner pada tingkat level tetapi stasioner pada diferensiasi pertama atau I(1), pemodelan dapat dialihkan ke *VAR First Difference* (VAR Diff) atau *Vector Error Correction Model* (VECM). Peneliti yang ingin memahami fondasi teoritis mengenai konsep dasar pengujian stasioneritas dan kointegrasi dapat mengelaborasi materinya secara komprehensif di www.statistikian.com.

\n

Menurut Engle dan Granger (1987) serta Johansen (1988), jika sekumpulan variabel stasioner pada diferensiasi pertama I(1) dan terbukti memiliki hubungan kointegrasi, maka VECM merupakan spesifikasi yang tepat. VECM menggabungkan dinamika jangka pendek dalam bentuk diferensiasi dengan penyesuaian keseimbangan jangka panjang melalui komponen *Error Correction Term* (ECT). Sebaliknya, jika data bersifat I(1) tetapi tidak terkointegrasi, VAR Diff wajib digunakan untuk menghindari pengabaian spesifikasi.

\n

Dalam perkembangan ekonometrika modern, Pesaran, Shin, dan Smith (2001) mengembangkan pendekatan *Autoregressive Distributed Lag* (ARDL) / *Bounds Testing Approach*. ARDL memberikan fleksibilitas tinggi karena dapat diterapkan pada data dengan derajat integrasi campuran, yaitu kombinasi antara variabel stasioner pada level I(0) dan stasioner pada diferensiasi pertama I(1), selama tidak ada variabel yang terintegrasi pada derajat kedua atau I(2).

\n\n

Algoritma dan Prosedur Pemilihan Model di EViews

\n

Untuk memastikan spesifikasi model ekonometrika yang dipilih valid dan terbebas dari kesalahan struktur, ikuti algoritma keputusan teknis berikut secara bertahap:

\n

Langkah 1: Pelaksanaan Uji Akar-Akar Unit (Unit Root Test)
Jalankan pengujian stasioneritas pada setiap variabel menggunakan uji *Augmented Dickey-Fuller* (ADF) atau *Phillips-Perron* (PP) di EViews, baik pada tingkat *Level* maupun *First Difference*.

\n

Langkah 2: Klasifikasi Derajat Integrasi Seluruh Variabel
Petakan hasil uji akar unit ke dalam tiga kategori utama: seluruh variabel stasioner pada level I(0), seluruh variabel stasioner pada diferensiasi pertama I(1), atau kombinasi campuran antara I(0) dan I(1).

\n

Langkah 3: Pemilihan VAR Level (Kondisi Seluruh Variabel I(0))
Jika seluruh variabel terbukti stasioner pada tingkat level I(0), pilihlah model **VAR Level**. Estimasi dilakukan tanpa perlu mendiferensiasikan data dan tanpa uji kointegrasi lanjutan:

\n
EViews Menu: Quick -> Estimate VAR -> VAR Type: Unrestricted VAR -> Endogenous Variables: y x1 x2\n
\n

Langkah 4: Evaluasi Uji Kointegrasi Johansen (Kondisi Murni Seluruh Variabel I(1))
Jika seluruh variabel tidak stasioner pada level tetapi stasioner pada diferensiasi pertama I(1), lakukan **Johansen Cointegration Test** di EViews untuk memeriksa keberadaan hubungan jangka panjang.

\n

Langkah 5: Pemilihan VECM (Kondisi Seluruh Variabel I(1) dan Terkointegrasi)
Jika hasil uji Johansen menunjukkan terdapat minimal satu persamaan kointegrasi (p-value Trace / Max-Eigen < 0.05), pilihlah model **VECM**. Spesifikasi ini mengekstrak vektor kointegrasi dan estimasi penyesuaian jangka pendek:

\n
EViews Menu: Quick -> Estimate VAR -> VAR Type: Vector Error Correction -> Cointegration Tab: Select Trend Specification\n
\n

Langkah 6: Pemilihan VAR Difference (Kondisi Seluruh Variabel I(1) Tanpa Kointegrasi)
Jika seluruh variabel bersifat I(1) tetapi uji Johansen gagal menemukan kointegrasi (p-value > 0.05), pilihlah model **VAR First Difference** (VAR Diff). Seluruh variabel diestimasi dalam bentuk diferensiasi pertama d(y), d(x1), d(x2).

\n

Langkah 7: Pemilihan ARDL / Bounds Test (Kondisi Derajat Integrasi Campuran I(0) dan I(1))
Jika sebagian variabel stasioner pada I(0) dan sebagian lagi pada I(1), pilihlah model **ARDL**. Estimasi dilakukan menggunakan pendekatan *Bounds Test* untuk menguji hubungan kointegrasi jangka panjang (Pesaran et al., 2001):

\n
EViews Menu: Quick -> Estimate Equation -> Method: ARDL - Autoregressive Distributed Lag -> Dependent: y | Dynamic Regressors: x1 x2\n
\n

Langkah 8: Penanganan Kasus Keberadaan Variabel I(2)
Periksa dengan teliti agar tidak ada variabel yang baru stasioner pada diferensiasi kedua atau I(2). Keberadaan variabel I(2) membatalkan keabsahan uji statistik pada model VAR, VECM, maupun ARDL.

\n

Langkah 9: Pengujian Diagnostik Asumsi Residu Model
Setiap model yang dipilih wajib lolos uji diagnostik residu di EViews, yang meliputi uji bebas autokorelasi (*Autocorrelation LM Test*), uji homoskedastisitas, serta uji stabilitas struktur (*AR Roots Table / CUSUM Test*).

\n\n
ALGORITMA PEMILIHAN MODEL: VAR LEVEL, VAR DIFF, VECM & ARDL 1. UJI AKAR UNIT (ADF / PP TEST) Identifikasi Stasioneritas Level I(0) vs First Diff I(1) Murni Stasioner I(0) --> VAR LEVEL Murni Stasioner I(1) Uji Johansen Cointegration Campuran I(0) & I(1) --> ARDL / BOUNDS Ada Kointegrasi --> VECM Tanpa Kointegrasi --> VAR DIFF BATASAN PENTING MODEL Dilarang menggunakan VAR/VECM/ARDL jika ada I(2)! MANFAAT ALGORITMA Menjamin estimasi tidak bias & validitas IRF/VD.
\n\n

Pembahasan Ilmiah: Justifikasi Ekonometrika dan Implikasi Terhadap Hasil

\n

Rasional ilmiah di balik hirarki pemilihan model ini berakar pada struktur matematis hubungan jangka panjang dan jangka pendek. Ketika variabel stasioner pada I(0), estimasi VAR Level memberikan parameter yang konsisten tanpa perlu mentransformasi data. Namun, jika VAR Level dipaksakan pada variabel non-stasioner, distribusi T-stat dan F-stat mengalami distorsi hebat, situasi yang dikenal sebagai fenomena regresi non-sense (Sims, Stock, & Watson, 1990).

\n

Lütkepohl (2005) menjelaskan bahwa melakukan diferensiasi pertama pada variabel non-stasioner untuk membentuk VAR Diff secara efektif menghilangkan komponen *trend* stokastik. Kendati demikian, apabila variabel-variabel tersebut sebenarnya terkointegrasi, mendiferensiasikan data tanpa memasukkan komponen kointegrasi akan membuang informasi hubungan keseimbangan jangka panjang yang berharga. Oleh karena itu, VECM hadir untuk menjembatani dinamika jangka pendek dan jangka panjang (Engle & Granger, 1987).

\n

Sifat krusial dari VECM terletak pada koefisien *Error Correction Term* (ECT). Koefisien ECT wajib bernilai negatif dan signifikan secara statistik (berada di antara -1 dan 0). Nilai negatif ini mencerminkan kecepatan penyesuaian (*speed of adjustment*) kembali menuju keseimbangan jangka panjang setelah terjadi guncangan jangka pendek. Koefisien ECT yang bernilai positif mengindikasikan misspesifikasi model atau ketidakvalidan hubungan kointegrasi (Johansen, 1995).

\n

Di sisi lain, keunggulan ekonometrika dari model ARDL terletak pada fleksibilitasnya mengatasi masalah kointegrasi pada sampel berukuran kecil hingga sedang (Pesaran et al., 2001). Tidak seperti pengujian Johansen yang sangat sensitif terhadap penentuan jumlah lag, pendekatan *ARDL Bounds Testing* mampu menguji keberadaan hubungan jangka panjang tanpa mempermasalahkan apakah variabel penjelas bersifat I(0) atau I(1).

\n

Sebagai alternatif bagi peneliti yang menghadapi variabel dengan derajat integrasi berbeda namun tetap ingin mengestimasi analisis kausalitas Granger dalam kerangka VAR, prosedur Toda dan Yamamoto (1995) dapat diterapkan. Metode Toda-Yamamoto mengestimasi VAR Level dengan menambahkan lag ekstra sesuai derajat integrasi maksimum data, sehingga uji *Wald test* tetap berdistribusi chi-square standar.

\n

Kesalahan spesifikasi model secara langsung merusak hasil *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD). Pada VAR Diff yang kehilangan kointegrasi, respon shock akan kembali ke nol secara prematur. Sebaliknya, pada VECM yang valid, dampak shock memperlihatkan akumulasi efek permanen atau transitori yang sesuai dengan teori ekonomi (Lütkepohl, 2005).

\n

Dengan menerapkan algoritma pemilihan berbasis kriteria ekonometrika yang ketat ini, estimasi time series yang dihasilkan di EViews akan memiliki daya penjelas yang tinggi, terbebas dari kesalahan struktur, serta diakui keabsahannya dalam publikasi ilmiah.

\n\n

Kesimpulan

\n

Pemilihan antara VAR Level, VAR Difference, VECM, dan ARDL di EViews wajib didasarkan pada hasil uji akar unit dan pengujian kointegrasi. Gunakan **VAR Level** jika seluruh variabel stasioner pada I(0); gunakan **VECM** jika seluruh variabel stasioner pada I(1) dan terbukti terkointegrasi; gunakan **VAR Difference** jika seluruh variabel stasioner pada I(1) tetapi tidak terkointegrasi; dan gunakan **ARDL** jika terdapat kombinasi derajat integrasi I(0) dan I(1). Pengadaan uji diagnostik residu merupakan tahap penutup yang wajib dipenuhi untuk menjamin keabsahan inferensi.

\n\n

Daftar Pustaka

\n
\n

Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

\n

Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.

\n

Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

\n

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.

\n

Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326.

\n

Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.

\n

Sims, C. A., Stock, J. H., & Watson, M. W. (1990). Inference in linear time series models with some unit roots. Econometrica, 58(1), 113-144.

\n

Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-07T20:55:04+07:00", "date_modified": "2026-09-07T20:55:04+07:00" }, { "id": "https://statistikian.net/kapan-harus-atau-boleh-menggunakan-one-step-atau-two-step-serta-robust-pada-gmm-stata/", "url": "https://statistikian.net/kapan-harus-atau-boleh-menggunakan-one-step-atau-two-step-serta-robust-pada-gmm-stata/", "title": "Kapan Harus atau Boleh Menggunakan One Step atau Two Step Serta Robust Pada GMM STATA?", "summary": "Ketika menjalankan pengolahan data panel dinamis di Stata, peneliti kerap membentur hasil…", "content_html": "
\n

Ketika menjalankan pengolahan data panel dinamis di Stata, peneliti kerap membentur hasil estimasi yang tampak kontradiktif saat menentukan Kapan Harus atau Boleh Menggunakan One Step atau Two Step Serta Robust Pada GMM STATA. Permasalahan ini umumnya ditandai oleh lonjakan tingkat signifikansi variabel yang terlalu ekstrem atau p-value bernilai sangat kecil secara tidak wajar pada model Two-Step GMM tanpa opsi robust, atau sebaliknya, nilai p-value Hansen test of overidentifying restrictions yang bernilai persis 1,000 serta uji Sargan test yang menolak kelayakan instrumen ketika opsi robust diterapkan.

\n

Dilema metodologis ini berakar pada perbedaan mendasar bagaimana matriks pembobot dihitung pada tahap pertama dan tahap kedua, serta bagaimana kalkulasi kesalahan standar disesuaikan terhadap heteroskedastisitas dan autokorelasi. Tanpa penyesuaian robust Windmeijer pada estimator Two-Step, kesalahan standar cenderung mengalami bias ke bawah secara drastis, sehingga menghasilkan nilai statistik t yang melambung secara artifisial dan memicu penolakan hipotesis nol secara salah pada analisis penelitian.

\n\n
DIAGRAM PERMASALAHAN: DILEMA ONE-STEP VS TWO-STEP & OPSI ROBUST Pilihan Model Estimasi One-Step Standar / Robust VS Two-Step Standar (Tanpa Koreksi Windmeijer) Gejala Bias Ekonometrika 1. Standar Eror Two-Step Terbias 2. Sargan Test Cacat under Hetero 3. Over-rejection Hipotesis Nol Dampak Hasil Penelitian Signifikansi Palsu (Spurious) Uji Validitas Instrumen Cacat Simulasi Log Output Stata xtabond2 (Salah Opsi Standard Errors): Two-step results without robust: Standard errors are severely downward biased! Sargan test of overid. restrictions: chi2(35) = 68.20 | Prob > chi2 = 0.001 (Not Robust) Warning: One-step non-robust standard errors assume homoskedasticity across panels. [REKOMENDASI] Gunakan 'twostep robust' untuk Mengaktifkan Koreksi Windmeijer! DIAGNOSA PILIHAN ESTIMATOR GMM DINAMIS STATA Pemilihan antara One-Step dan Two-Step wajib mempertimbangkan kehandalan matriks pembobot dan sampel terbatas.
\n\n

Konsep Teori Estimator One-Step dan Two-Step GMM

\n

Estimasi Generalized Method of Moments pada data panel dinamis mengandalkan matriks pembobot untuk mengombinasikan berbagai kondisi momen instrumen. Pada prosedur One-Step GMM, matriks pembobot awal dibentuk berdasarkan asumsi independensi dan homoskedastisitas galat di antara unit individu (Arellano & Bond, 1991). Asumsi ini membuat perhitungan estimasi parameter menjadi sangat stabil, namun kurang efisien apabila data mengalami gangguan heteroskedastisitas atau korelasi serial.

\n

Bagi peneliti yang membutuhkan pendalaman mengenai landasan matematis dan konsep dasar teori GMM, pembahasan mendasar dapat dipelajari secara lengkap di www.statistikian.com. Pemahaman atas struktur ortogonalitas instrumen sangat membantu sebelum menentukan opsi spesifikasi di Stata.

\n

Untuk mengatasi kelemahan efisiensi pada tahap pertama, Blundell dan Bond (1998) menguraikan pendekatan Two-Step GMM. Estimator tahap kedua menggunakan vektor residu yang diperoleh dari estimasi tahap pertama untuk membangun matriks pembobot optimal. Secara teoritis dan asimptotik, estimator Two-Step terbukti secara konsisten lebih efisien dibanding One-Step karena mampu mengakomodasi struktur heteroskedastisitas yang kompleks pada galat sampel.

\n

Namun demikian, studi ekonometrika sampel terbatas menunjukkan bahwa matriks pembobot optimal pada tahap kedua sangat rentan terhadap variasi sampel (Windmeijer, 2005). Pada sampel ukuran sedang hingga kecil, kesalahan standar Two-Step tanpa koreksi khusus akan terbias ke bawah. Oleh karena itu, penerapan opsi robust atau koreksi sampel terbatas Windmeijer menjadi elemen krusial agar pengujian hipotesis tetap valid.

\n\n

Aturan Pengambilan Keputusan dan Solusi Teknis Syntax Stata

\n

Berikut adalah panduan teknis operasional dalam memilih estimator One-Step atau Two-Step serta opsi robust pada perintah `xtabond` maupun `xtabond2` di Stata:

\n

Langkah 1: Evaluasi Ukuran Sampel Penelitian (Jumlah Individu N vs Periode Waktu T)
Periksa rasio antara jumlah observasi individu dan periode waktu panel. Apabila ukuran sampel individu tergolong kecil hingga sedang, estimator Two-Step tanpa koreksi pasti membiaskan standar eror. Jika sampel sangat terbatas, One-Step Robust sering kali lebih stabil dibanding Two-Step biasa.

\n

Langkah 2: Eksekusi Model One-Step Standard vs One-Step Robust
Apabila Anda memilih model One-Step, penambahan opsi `robust` atau `vce(robust)` akan menghitung kesalahan standar yang tahan terhadap heteroskedastisitas (Huber-White Sandwich Estimator):

\n
xtabond2 y L.y x1 x2, gmmstyle(L.y x1) ivstyle(x2) nolevel robust\n
\n

Langkah 3: Penerapan Opsi twostep robust untuk Mengaktifkan Koreksi Windmeijer
Apabila Anda memilih model Two-Step, pastikan selalu menambahkan opsi `robust` bersamaan dengan `twostep`. Di dalam sub-program `xtabond2`, kombinasi `twostep robust` secara otomatis mengaktifkan koreksi kesalahan standar sampel terbatas Windmeijer (Windmeijer, 2005):

\n
xtabond2 y L.y x1 x2, gmmstyle(L.y x1) ivstyle(x2) nolevel twostep robust\n
\n

Langkah 4: Pemilihan Jenis Uji Validitas Instrumen (Sargan Test vs Hansen Test)
Pahami perbedaan kriteria uji instrumen. Sargan Test hanya valid digunakan pada estimator One-Step Non-Robust di bawah asumsi homoskedastisitas. Ketika opsi `robust` digunakan, perhatikan nilai p-value pada Hansen Test karena uji ini tahan terhadap heteroskedastisitas (Roodman, 2009).

\n

Langkah 5: Penanganan Proliferasi Instrumen dengan Opsi collapse
Pada estimator Two-Step Robust, matriks pembobot sensitif terhadap jumlah instrumen yang terlalu banyak. Gunakan sub-opsi `collapse` dalam `gmmstyle()` untuk membatasi jumlah instrumen agar tidak melebihi jumlah kelompok individu:

\n
xtabond2 y L.y x1 x2, gmmstyle(L.y x1, collapse) ivstyle(x2) nolevel twostep robust\n
\n

Langkah 6: Pemeriksaan Konsistensi Uji Autokorelasi Serial AR(1) dan AR(2)
Nilai statistik uji Arellano-Bond AR(1) dan AR(2) dihitung berdasarkan residu standardized. Pastikan model menolak hipotesis nol pada AR(1) dan gagal menolak hipotesis nol pada AR(2) dengan p-value di atas 0,05 pada kedua jenis estimator.

\n

Langkah 7: Pembandingan Efisiensi Standar Eror Antara One-Step dan Two-Step
Bandingkan besaran kesalahan standar antara `onestep robust` dan `twostep robust`. Jika kesalahan standar `twostep robust` lebih kecil secara konsisten tanpa merusak validitas Hansen test, maka model Two-Step Robust merupakan pilihan terbaik.

\n

Langkah 8: Penanganan Kasus Sampel Sangat Kecil (N < 30)
Jika jumlah individu dalam data panel sangat sedikit, estimator Two-Step dengan Windmeijer correction sekalipun terkadang menghasilkan estimasi matriks yang kurang stabil. Pada kondisi ini, penggunaan One-Step Robust sangat dianjurkan sebagai pilihan utama (Bond, 2002).

\n

Langkah 9: Sintaks Final Eksekusi GMM Sistem / Diferensiasi Ideal
Berikut adalah formulasi perintah lengkap yang paling disarankan untuk publikasi ilmiah bereputasi:

\n
xtabond2 y L.y x1 x2 i.year, gmmstyle(L.y x1, laglimits(2 3) collapse) ivstyle(x2 i.year) twostep robust\n
\n\n
ALUR STRATEGI PEMILIHAN ESTIMATOR GMM & ROBUST STATA 1. Sampel Terbatas (N Kecil) Gunakan One-Step Robust xtabond2 ..., robust 2. Sampel Cukup (N > Instrumen) Gunakan Two-Step Robust xtabond2 ..., twostep robust 3. Evaluasi Diagnostik Perhatikan Hansen Test p-val Kisaran Rentang 0.10 - 0.25 Model Efisien & Inferensi Valid Koreksi Windmeijer Menghilangkan Bias Standar Eror Sampel Terbatas KESALAHAN UMUM PENELITI 1. Memakai Two-Step TANPA opsi robust. 2. Mengacu pada Sargan Test saat Robust. 3. Membiarkan instru. proliferation (p=1.000). SOLUSI METODOLOGIS UTAMA Opsi 'twostep robust' pada xtabond2 merupakan standar emas (gold standard) untuk estimasi ekonometrika panel dinamis.
\n\n

Pembahasan Ilmiah: Bias Sampel Terbatas dan Validitas Uji Diagnostik

\n

Penjelasan ilmiah mengenai mengapa estimator Two-Step tanpa koreksi memicu bias terletak pada estimasi varians dari matriks pembobot itu sendiri. Sebagaimana dibuktikan oleh Windmeijer (2005), kalkulasi kesalahan standar tradisional pada tahap kedua memperlakukan matriks pembobot seolah-olah bernilai konstan dan diketahui secara pasti. Padahal, matriks pembobot tersebut diturunkan dari estimasi residu tahap pertama yang mengandung variabilitas acak.

\n

Abaikan terhadap variabilitas residu tahap pertama menyebabkan estimator kesalahan standar Two-Step biasa meremehkan ketidakpastian parameter yang sebenarnya. Implikasinya, nilai kesalahan standar yang terhitung menjadi terlalu kecil, nilai t-statistik terdorong tinggi, dan variabel yang sebenarnya tidak signifikan secara salah disimpulkan berpengaruh nyata (Windmeijer, 2005). Koreksi Windmeijer menyelesaikan masalah ini dengan menambahkan suku koreksi order kedua pada matriks kovarians.

\n

Di samping masalah kesalahan standar, pemilihan antara One-Step dan Two-Step berdampak langsung pada pengujian validitas instrumen overidentifikasi. Uji Sargan test dibentuk di bawah asumsi ketiadaan heteroskedastisitas pada galat. Jika galat terbukti heteroskedastis, statistik Sargan test cenderung menolak hipotesis nol kelayakan instrumen secara keliru (Roodman, 2009).

\n

Sebaliknya, statistik Hansen test dihitung menggunakan matriks pembobot optimal dari estimator Two-Step yang tahan terhadap heteroskedastisitas dan korelasi serial. Oleh karena itu, ketika opsi `robust` diaktifkan di Stata, laporan statistik otomatis mengalihkan evaluasi validitas instrumen ke Hansen test (Roodman, 2009). Peneliti tidak diperkenankan lagi membaca hasil Sargan test saat opsi `robust` digunakan.

\n

Bond (2002) menekankan bahwa secara praktis, estimator Two-Step dengan koreksi Windmeijer (`twostep robust`) hampir selalu lebih unggul dibandingkan One-Step Robust pada data panel makro maupun mikro, selama jumlah instrumen dikendalikan secara ketat. Penggunaan `twostep robust` memberikan efisiensi asimptotik tanpa mengorbankan akurasi inferensi statistik pada sampel terbatas.

\n

Dengan memahami landasan ekonometrika ini, peneliti dapat menghindari jebakan kesalahan spesifikasi di Stata dan menyajikan hasil estimasi panel dinamis yang memenuhi kriteria pengujian ilmiah yang valid dan konsisten.

\n\n

Kesimpulan

\n

Pemilihan antara estimator One-Step dan Two-Step serta penggunaan opsi robust pada GMM Stata sangat bergantung pada struktur sampel data dan karakteristik galat. Penggunaan `twostep robust` pada perintah `xtabond2` merupakan opsi standar emas (gold standard) karena mengombinasikan efisiensi matriks pembobot optimal dengan koreksi sampel terbatas Windmeijer (2005). Jika sampel penelitian sangat kecil, `onestep robust` dapat dijadikan opsi alternatif. Peneliti disarankan untuk selalu mengacu pada Hansen test untuk evaluasi validitas instrumen saat menerapkan opsi robust.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer Nature.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T20:37:07+07:00", "date_modified": "2026-09-07T20:37:07+07:00" }, { "id": "https://statistikian.net/kesalahan-spesifikasi-lag-dan-predetermined-variable-dalam-model-gmm-dinamis-stata-dan-cara-memperbaikinya/", "url": "https://statistikian.net/kesalahan-spesifikasi-lag-dan-predetermined-variable-dalam-model-gmm-dinamis-stata-dan-cara-memperbaikinya/", "title": "Kesalahan Spesifikasi Lag dan Predetermined Variable dalam Model GMM Dinamis STATA dan Cara Memperbaikinya", "summary": "Dalam pengolahan data panel dinamis menggunakan Stata, para peneliti sering kali menjumpai…", "content_html": "
\n

Dalam pengolahan data panel dinamis menggunakan Stata, para peneliti sering kali menjumpai hasil estimasi yang tidak konsisten akibat Kesalahan Spesifikasi Lag dan Predetermined Variable dalam Model GMM Dinamis STATA. Permasalahan ini secara langsung terdeteksi ketika output perintah `xtabond2` menampilkan p-value *Arellano-Bond test for AR(2)* yang signifikan di bawah 0,05, statistik *Hansen test of overidentifying restrictions* bernilai 0,000 atau 1,000, serta koefisien dari kelambanan variabel terikat yang nilainya melompat keluar dari rentang estimasi *Ordinary Least Squares* dan *Fixed Effects*.

\n

Kemunculan gejala kegagalan diagnostik ini bersumber dari kekeliruan mendasar dalam mengklasifikasikan eksogenitas variabel penjelas serta ketidaktepatan penentuan kedalaman lag instrumen. Ketika variabel prediktor yang bersifat *predetermined* diperlakukan sebagai variabel eksogen secara ketat atau ketika lag yang digunakan terlalu dangkal, matriks kondisi momen yang dibentuk oleh Stata menjadi cacat. Hal ini memicu timbulnya korelasi antara instrumen dengan komponen galat, yang pada akhirnya membiaskan koefisien regresi dan merusak kesimpulan penelitian.

\n\n
DIAGRAM PERMASALAHAN: SPESIFIKASI LAG & PREDETERMINED VARIABLE Input Syntax Stata Awal Lagged Dependent Variable + Variabel Predetermined Masuk Opsi ivstyle Salah Gejala Error & Misspesifikasi 1. AR(2) Test Signifikan (p < 0.05) 2. Hansen Test Cacat (p = 0.000) 3. Lag Limits Tidak Sesuai Teori Dampak Ekonometrika Estimator GMM Terbias Cacat Koreksi Galat Menjadi Invalids Simulasi Log Output Stata xtabond2 (Salah Spesifikasi Lag): Arellano-Bond test for AR(2) in first differences: z = 2.51 | Pr > z = 0.012 Hansen test of overid. restrictions: chi2(48) = 82.40 | Prob > chi2 = 0.001 Warning: Predetermined variable wrongly specified in ivstyle instead of gmmstyle! [REKOMENDASI] Atur Ulang Laglimits, Pindahkan Predetermined Variable ke gmmstyle! DIAGNOSA KESALAHAN KLASIFIKASI VARIBEL & STRUKTUR LAG Model GMM dinamis membutuhkan pemisahan eksplisit antara variabel endogen, predetermined, dan eksogen murni.
\n\n

Konsep Teori Model GMM Dinamis dan Klasifikasi Variabel

\n

Model panel dinamis dicirikan oleh hadirnya nilai kelambanan dari variabel terikat sebagai prediktor di sisi kanan persamaan. Keberadaan variabel ini menimbulkan korelasi endogen antara prediktor lag dengan komponen efek individu yang tidak teramati, situasi yang dikenal dalam ekonometrika sebagai bias Nickell (Nickell, 1981). Estimator OLS dan Fixed Effects gagal menghasilkan koefisien yang konsisten pada kondisi ini, sehingga pendekatan *Generalized Method of Moments* menjadi solusi statistik standar.

\n

Peneliti yang ingin mendalami landasan formal serta konsep dasar teori estimator GMM dapat mempelajari materi lengkapnya di www.statistikian.com. Pemahaman atas struktur ortogonalitas moment conditions merupakan fondasi mutlak sebelum melakukan perbaikan syntax di Stata.

\n

Secara teoritis, variabel bebas dalam pemodelan panel dinamis dikelompokkan ke dalam tiga kategori utama berdasarkan hubungan waktu terhadap galat (Arellano & Bond, 1991). Variabel eksogen secara ketat tidak berkorelasi dengan galat masa lalu, masa kini, dan masa depan. Variabel *predetermined* tidak berkorelasi dengan galat masa kini dan masa depan, tetapi berkorelasi dengan galat masa lalu. Sementara itu, variabel endogen murni berkorelasi dengan galat masa lalu dan masa kini.

\n

Blundell dan Bond (1998) serta Roodman (2009) menekankan bahwa memasukkan variabel *predetermined* ke dalam opsi instrumen eksogen murni (`ivstyle`) merupakan pelanggaran asumsi ortogonalitas. Ketika suatu variabel bersifat *predetermined*, instrumen lag yang valid untuk persamaan diferensiasi dimulai dari lag pertama, sedangkan untuk variabel endogen murni instrumen yang valid dimulai dari lag kedua. Kesalahan penentuan status ini merusak keabsahan instrumen internal yang dibentuk.

\n\n

Langkah-Langkah Perbaikan Teknis Syntax xtabond2 di Stata

\n

Berikut adalah prosedur teknis sistematis untuk mengoreksi kesalahan spesifikasi lag dan pengkategorian variabel *predetermined* pada perintah `xtabond2` di Stata:

\n

Langkah 1: Identifikasi Sifat Hubungan Variabel Penjelas secara Teoretis
Evaluasi setiap variabel bebas dalam model. Tentukan secara cermat apakah variabel tersebut bersifat eksogen murni, *predetermined*, atau endogen murni. Variabel keputusan internal perusahaan seperti investasi, ukuran perusahaan, dan tingkat utang umumnya bersifat *predetermined* atau endogen.

\n

Langkah 2: Pemindahan Variabel Predetermined ke Sub-Perintah gmmstyle()
Keluarkan variabel *predetermined* dari opsi `ivstyle()` dan daftarkan ke dalam opsi `gmmstyle()`. Penggunaan `gmmstyle()` memungkinkan Stata membentuk instrumen internal dari nilai kelambanan variabel tersebut:

\n
xtabond2 y L.y x_predetermined x_endogenous x_exogenous, gmmstyle(L.y x_predetermined x_endogenous) ivstyle(x_exogenous) nolevel robust twostep\n
\n

Langkah 3: Pengaturan Opsi laglimits() yang Sesuai Karakteristik Variabel
Terapkan batas lag yang berbeda antara variabel *predetermined* dan endogen murni. Untuk variabel *predetermined*, instrumen dimulai dari lag 1. Untuk variabel endogen murni dan `L.y`, instrumen dimulai dari lag 2 (Arellano & Bover, 1995):

\n
xtabond2 y L.y x_predetermined x_endogenous x_exogenous, gmmstyle(L.y x_endogenous, laglimits(2 3)) gmmstyle(x_predetermined, laglimits(1 2)) ivstyle(x_exogenous) nolevel robust twostep\n
\n

Langkah 4: Isolasi Variabel Strictly Exogenous dan Time Dummies pada ivstyle()
Gunakan `ivstyle()` khusus untuk variabel yang terbukti eksogen secara ketat serta indikator waktu (`i.year`). Hal ini menjamin bahwa instrumen untuk variabel eksogen tidak dibentuk dalam struktur matriks lag gmm:

\n
xtabond2 y L.y x_predetermined x_endogenous x_exogenous i.year, gmmstyle(L.y x_endogenous, laglimits(2 3)) gmmstyle(x_predetermined, laglimits(1 2)) ivstyle(x_exogenous i.year) nolevel robust twostep\n
\n

Langkah 5: Penambahan Opsi collapse untuk Pengendalian Proliferasi Instrumen
Tambahkan parameter `collapse` pada setiap sub-perintah `gmmstyle()`. Opsi ini membatasi jumlah instrumen agar tidak bertambah secara kuadratik seiring peningkatan periode waktu (Roodman, 2009):

\n
xtabond2 y L.y x_predetermined x_endogenous x_exogenous i.year, gmmstyle(L.y x_endogenous, laglimits(2 3) collapse) gmmstyle(x_predetermined, laglimits(1 2) collapse) ivstyle(x_exogenous i.year) nolevel robust twostep\n
\n

Langkah 6: Evaluasi Uji Autokorelasi Serial Arellano-Bond AR(1) dan AR(2)
Periksa p-value uji AR(1) dan AR(2). Model yang terbebas dari kesalahan spesifikasi lag mewajibkan penolakan hipotesis nol pada AR(1) dengan p-value < 0,05, serta penerimaan hipotesis nol pada AR(2) dengan p-value > 0,05.

\n

Langkah 7: Penyesuaian Kedalaman Lag Apabila Uji AR(2) Tetap Signifikan
Jika p-value AR(2) masih berada di bawah 0,05 setelah pemindahan variabel *predetermined*, naikkan batas awal lag pada `gmmstyle()` menjadi `laglimits(3 4)` untuk menetralkan autokorelasi order kedua.

\n

Langkah 8: Pemeriksaan Statistik Hansen Test of Overidentifying Restrictions
Pastikan p-value statistik Uji Hansen berada pada kisaran ideal 0,10 hingga 0,25. P-value di bawah 0,05 menandakan instrumen tidak valid, sementara p-value persis 1,000 menandakan instrumen terlalu banyak.

\n

Langkah 9: Verifikasi Hasil Estimasi dengan Koreksi Sampel Terbatas Windmeijer
Penggunaan opsi `twostep` wajib disertai opsi `robust`. Opsi ini mengeksekusi koreksi matrik varians-kovarians Windmeijer (Windmeijer, 2005) untuk mencegah pembiasan standar eror pada sampel terbatas.

\n\n
ALUR FORMULASI SYNTAKS SOLUSI SPESIFIKASI LAG DAN VARIBEL 1. Predetermined Variable gmmstyle(x_predetermined) laglimits(1 2) & collapse 2. Endogenous Variable gmmstyle(L.y x_endogenous) laglimits(2 3) & collapse 3. Strictly Exogenous ivstyle(x_exogenous i.year) Instrumen Standar Non-Lag Model Konsisten & Bebas Error Diagnostik AR(1) p<0.05 | AR(2) p>0.05 | Hansen p (0.10 - 0.25) | Instruments < N LARANGAN SPESIFIKASI 1. Memasukkan predetermined ke ivstyle. 2. Menyamakan laglimit endogen & predetermined. 3. Membiarkan laglimits terbuka tanpa batas. MANFAAT PERBAIKAN SYNTAX Estimasi parameter efisien, validitas instrumen terjamin lewat Hansen Test, serta terhindar dari bias konvergensi sampel terbatas.
\n\n

Pembahasan Ilmiah: Dampak Ekonometrika dan Konsistensi Estimator

\n

Pentingnya membedakan prediktor *predetermined* dari variabel eksogen murni berakar pada struktur momen ortogonalitas yang mendasari estimator GMM. Menurut Arellano dan Bond (1991), jika suatu variabel bersifat *predetermined*, nilai variabel tersebut pada periode t berkorelasi dengan guncangan galat pada periode t-1. Ketika peneliti salah mendaftarkannya ke dalam `ivstyle()`, Stata memperlakukan variabel tersebut seolah-olah tidak berkorelasi dengan galat pada seluruh periode, yang secara langsung merusak keabsahan kondisi momen.

\n

Penetapan batas lag (`laglimits`) juga memiliki implikasi langsung terhadap konsistensi koefisien. Bond (2002) menjelaskan bahwa uji keberadaan uji autokorelasi AR(2) dalam First-Difference GMM merupakan indikator kunci apakah lag ke-2 dari variabel endogen dapat digunakan sebagai instrumen yang valid. Jika galat awal menunjukkan autokorelasi order pertama, maka kelambanan pertama dari variabel endogen berkorelasi dengan galat diferensiasi, sehingga lag ke-2 adalah lag minimum yang valid.

\n

Apabila hasil pengujian AR(2) menolak hipotesis nol (p-value < 0,05), hal ini mengindikasikan bahwa galat dalam tingkat level mengandung proses moving average order pertama atau autokorelasi serial. Dalam kondisi ini, instrumen lag ke-2 menjadi tidak valid. Roodman (2009) menyarankan agar peneliti memindahkan batas lag minimum ke lag ke-3 (`laglimits(3 4)`). Penyesuaian ini memulihkan ortogonalitas antara instrumen dan galat diferensiasi.

\n

Implikasi penting lainnya adalah batasan jumlah instrumen. Bowsher (2002) mengidentifikasi bahwa penggunaan lag yang terlalu dalam tanpa batasan akan menyebabkan *instrument proliferation*. Proliferasi instrumen melemahkan Uji Hansen sehingga p-value terdorong secara artifisial mendekati nilai 1,000. Penggunaan opsi `collapse` secara efektif mengompresi matriks instrumen tanpa menghilangkan informasi penting dari rentang waktu panel.

\n

Selain itu, estimasi GMM dua tahap (*two-step GMM*) tanpa koreksi sampel terbatas cenderung menghasilkan estimasi kesalahan standar yang terlalu rendah secara signifikan (Windmeijer, 2005). Penerapan koreksi Windmeijer melalui opsi `robust` pada Stata merupakan langkah wajib untuk memastikan inferensi statistik, seperti uji t dan uji F, tidak mengalami kesalahan penolakan hipotesis nol secara palsu.

\n

Dengan menerapkan klasifikasi variabel yang sesuai dengan teori ekonometrika serta membatasi kedalaman lag secara terstruktur, model GMM dinamis yang diestimasi akan menghasilkan parameter yang terbebas dari bias, efisien, dan memiliki daya generalisasi ilmiah yang kuat.

\n\n

Kesimpulan

\n

Penanganan kesalahan spesifikasi lag dan predetermined variable dalam model GMM dinamis pada Stata memerlukan ketepatan penyusunan syntax `xtabond2`. Peneliti harus menempatkan variabel *predetermined* pada opsi `gmmstyle()` dengan `laglimits(1 2)`, menempatkan variabel endogen dan lag variabel terikat pada `laglimits(2 3)`, serta memanfaatkan opsi `collapse` dan `twostep robust`. Langkah perbaikan ini menjamin terpenuhinya pengujian diagnostik AR(1), AR(2), dan Uji Hansen sesuai kriteria ekonometrika yang valid.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer Nature.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Bowsher, C. G. (2002). On testing overidentifying restrictions in dynamic panel data models. Economics Letters, 77(2), 211-220.

\n

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T20:30:19+07:00", "date_modified": "2026-09-07T20:30:19+07:00" }, { "id": "https://statistikian.net/contoh-masalah-dalam-analisis-gmm-stata-untuk-riset-struktur-modal-dan-ekonomi-makro-syntax-xtabond2/", "url": "https://statistikian.net/contoh-masalah-dalam-analisis-gmm-stata-untuk-riset-struktur-modal-dan-ekonomi-makro-syntax-xtabond2/", "title": "Contoh Masalah dalam Analisis GMM STATA untuk Riset Struktur Modal dan Ekonomi Makro Syntax xtabond2", "summary": "Dalam pengujian empiris ekonometrika keuangan dan makroekonomi, para peneliti sering mengalami kendala…", "content_html": "
\n

Dalam pengujian empiris ekonometrika keuangan dan makroekonomi, para peneliti sering mengalami kendala teknis saat mengestimasi Contoh Masalah dalam Analisis GMM STATA untuk Riset Struktur Modal dan Ekonomi Makro Syntax xtabond2. Masalah ini umumnya terdeteksi saat menjalankan pemodelan penyesuaian dinamis rasio utang (leverage) yang menggabungkan variabel spesifik perusahaan dan indikator makroekonomi, di mana output Stata mengeluarkan peringatan Number of instruments exceeds number of groups, nilai p-value Hansen test = 1.000, atau hasil Arellano-Bond AR(2) test yang signifikan di bawah 0,05.

\n

Munculnya gejala error dan ketidakvalidan diagnostik tersebut disebabkan oleh kombinasi pembentukan instrumen lag internal yang berlebihan (instrument proliferation) serta kesalahan pengkategorian sifat endogenitas pada variabel makroekonomi seperti pertumbuhan PDB, tingkat inflasi, dan suku bunga. Ketidaktepatan spesifikasi instrumen dalam perintah `xtabond2` ini mengakibatkan estimasi kecepatan penyesuaian struktur modal (speed of adjustment) membias berat, kesalahan standar menjadi terlalu kecil, dan kesimpulan hipotesis menjadi tidak sah secara ilmiah.

\n\n
DIAGRAM PERMASALAHAN: GMM STRUKTUR MODAL & EKONOMI MAKRO Spesifikasi Model Riset Leverage t-1 + Firm Controls + Indikator Makroekonomi Syntax xtabond2 Standar Gejala Error & Misspesifikasi 1. Instruments (180) > Groups (45) 2. Hansen Test P-Value = 1.000 3. Bias Makro & Lag Endogen Dampak Ekonometrika Bias Kecepatan Penyesuaian Standard Error Bias ke Bawah Simulasi Log Output Stata xtabond2 (Riset Struktur Modal & Makro): Warning: Number of instruments (180) exceeds number of groups (45)! Hansen test of overid. restrictions: chi2(172) = 14.10 | Prob > chi2 = 1.000 Arellano-Bond test for AR(2) in first differences: z = 2.45 | Pr > z = 0.014 [REKOMENDASI] Kontrol Time Dummy, Restriksi Lag limits, dan Pisahkan Variabel Makro! DIAGNOSA DAN TROUBLESHOOTING PEMODELAN PENYESUAIAN DINAMIS Penggabungan data mikro perusahaan dan makroekonomi membutuhkan klasifikasi eksogenitas instrumen yang tepat.
\n\n

Konsep Teori Model Dinamis Struktur Modal dan Variabel Ekonomi Makro

\n

Pemodelan struktur modal dinamis bertumpu pada teori penyesuaian parsial (partial adjustment model), di mana perusahaan secara aktif menyesuaikan tingkat utang riil menuju target struktur modal idealnya (Flannery & Rangan, 2006). Penasukan nilai kelambanan variabel terikat (lagged leverage) di sisi kanan persamaan regresi menciptakan korelasi bawaan antara prediktor dengan efek spesifik perusahaan yang tidak teramati, yang dikenal sebagai bias Nickell (Nickell, 1981).

\n

Untuk mempelajari aspek formal dan konsep dasar teori estimasi GMM secara sistematis, pembahasan menyeluruh telah disediakan di www.statistikian.com. Pemahaman mendalam mengenai derivasi moment conditions sangat mutlak diperlukan sebelum merumuskan instrumen dalam Stata.

\n

Integrasi variabel ekonomi makro seperti pertumbuhan PDB riil, inflasi, dan suku bunga acuan diperuntukkan guna menangkap pengaruh guncangan siklus bisnis terhadap keputusan pendanaan perusahaan (Frank & Goyal, 2009). Namun, variabel makroekonomi bersifat seragam untuk seluruh individu perusahaan pada tahun yang sama. Jika variabel makro dimasukkan ke dalam opsi instrumen internal tanpa pengaturan khusus, matriks instrumen akan mengalami multikolinearitas sempurna atau proliferasi berlebih.

\n

Arellano dan Bover (1995) serta Blundell dan Bond (1998) menegaskan bahwa System GMM merupakan metode yang sangat efisien untuk memodelkan variabel keuangan berinisiatif tinggi. Meski demikian, Roodman (2009) mengingatkan bahwa penambahan instrumen persamaan level pada System GMM tanpa batasan ketat akan dengan cepat merusak keabsahan uji overidentifikasi Hansen dan membiaskan estimasi koefisien penyesuaian target utang.

\n\n

Langkah-Langkah Perbaikan Teknis Syntax xtabond2 di Stata

\n

Berikut adalah panduan teknis langkah demi langkah untuk memperbaiki spesifikasi syntax `xtabond2` pada riset kombinasi struktur modal dan ekonomi makro:

\n

Langkah 1: Pengkategorian Lagged Leverage sebagai Variabel Endogen Murni
Deklarasikan lag dari variabel terikat (misalnya `L.leverage`) di dalam sub-perintah `gmmstyle()`. Jangan pernah memasukkan lag variabel terikat ke dalam `ivstyle()` karena akan melanggar asumsi ortogonalitas dasar:

\n
xtabond2 leverage L.leverage profitability size ndts gdp_growth inflation, gmmstyle(L.leverage, laglimits(2 3)) ivstyle(gdp_growth inflation) nolevel robust twostep\n
\n

Langkah 2: Perlakuan Variabel Mikro Perusahaan (Predetermined vs Endogen)
Variabel internal seperti profitabilitas dan ukuran perusahaan acap kali bersifat predetermined atau endogen terhadap keputusan utang. Kelompokkan variabel tersebut ke dalam `gmmstyle()` terpisah dengan rentang lag yang sesuai:

\n
xtabond2 leverage L.leverage profitability size ndts gdp_growth inflation, gmmstyle(L.leverage, laglimits(2 3)) gmmstyle(profitability size, laglimits(1 2)) ivstyle(ndts gdp_growth inflation) nolevel robust twostep\n
\n

Langkah 3: Pemisahan Variabel Makroekonomi ke Dalam ivstyle()
Indikator makroekonomi (PDB, inflasi, suku bunga) bersifat eksogen secara ketat terhadap keputusan individu satu perusahaan. Masukkan seluruh variabel makroekonomi ke dalam opsi `ivstyle()` dan hindari pembuatannya sebagai instrumen lag di `gmmstyle()`.

\n

Langkah 4: Mengontrol Guncangan Waktu Spesifik Menggunakan Time Dummies
Untuk menyerap guncangan makroekonomi tak teramati yang berdampak simultan pada seluruh perusahaan, tambahkan variabel dummy tahun (`i.year`) ke dalam `ivstyle()`. Langkah ini krusial untuk mencegah korelasi galat antar-individu (Roodman, 2009):

\n
xtabond2 leverage L.leverage profitability size ndts gdp_growth inflation i.year, gmmstyle(L.leverage, laglimits(2 3)) gmmstyle(profitability size, laglimits(1 2)) ivstyle(ndts gdp_growth inflation i.year) nolevel robust twostep\n
\n

Langkah 5: Penerapan Opsi Collapse untuk Mencegah Proliferasi Instrumen
Tambahkan opsi `collapse` pada seluruh sub-perintah `gmmstyle()` agar jumlah instrumen tidak bertambah seiring panjangnya deret waktu panel (T):

\n
xtabond2 leverage L.leverage profitability size ndts gdp_growth inflation i.year, gmmstyle(L.leverage, laglimits(2 3) collapse) gmmstyle(profitability size, laglimits(1 2) collapse) ivstyle(ndts gdp_growth inflation i.year) nolevel robust twostep\n
\n

Langkah 6: Koreksi Sampel Terbatas Windmeijer via twostep robust
Selalu kombinasikan opsi `twostep` dengan `robust` pada `xtabond2`. Kombinasi ini mengaktifkan koreksi varians sampel terbatas Windmeijer (Windmeijer, 2005) agar kesalahan standar estimasi koefisien tidak terbias menggelembung ke bawah.

\n

Langkah 7: Evaluasi Uji Autokorelasi Serial Arellano-Bond AR(1) dan AR(2)
Periksa p-value uji AR(1) dan AR(2). Konsistensi estimator mewajibkan AR(1) signifikan (p < 0,05) dan AR(2) tidak signifikan (p > 0,05). Jika AR(2) signifikan, naikkan batas awal lag di `gmmstyle()` menjadi `laglimits(3 4)`.

\n

Langkah 8: Memeriksa Rentang P-Value Uji Overidentifikasi Hansen
Pastikan p-value Uji Hansen berada pada rentang ideal antara 0,10 hingga 0,25 (Bowsher, 2002). Nilai p-value persis 1,000 mengindikasikan instrumen masih berlebih, sedangkan p-value < 0,05 menandakan adanya instrumen tidak valid.

\n

Langkah 9: Pengujian System GMM dan Difference-in-Hansen Test
Jika penelitian menggunakan System GMM (tanpa opsi `nolevel`), evaluasi p-value statistik *Difference-in-Hansen* khusus untuk instrumen persamaan level. Jika p-value < 0,05, instrumen level tersebut cacat dan model wajib dikembalikan ke Difference GMM.

\n\n
ALUR FORMAT SYNTAX STATA PADA MODEL STRUKTUR MODAL & MAKRO 1. Variabel Mikro / Lag gmmstyle(L.leverage) laglimits() & collapse 2. Variabel Makro & Time ivstyle(makro i.year) Eksogenitas Ketat Makro 3. VCE & Diagnostik Opsi 'twostep robust' Cek AR(2) & Hansen Test Estimasi Model Bebas Bias & Valid AR(1) p<0.05 | AR(2) p>0.05 | Hansen p (0.10 - 0.25) | Instruments < N KESALAHAN COMMON SYNTAX 1. Memasukkan variabel makro ke gmmstyle. 2. Menghapus time dummies (i.year). 3. Membiarkan instrumen melebihi grup (N). IMPLIKASI RISET STRUKTUR MODAL Koefisien Lagged Leverage yang tepat menghasilkan estimasi Kecepatan Penyesuaian Target Utang (Speed of Adjustment) yang konsisten.
\n\n

Pembahasan Ilmiah: Estimasi Speed of Adjustment dan Bias Ekonometrika

\n

Kecepatan penyesuaian target struktur modal (speed of adjustment / SOA) dihitung melalui rumus 1 dikurangi koefisien lagged leverage. Menurut Flannery dan Rangan (2006), jika model diestimasi menggunakan OLS, koefisien lagged leverage terbias ke atas sehingga nilai SOA terestimasi terlalu lambat. Sebaliknya, estimasi Fixed Effects (FE) membias koefisien ke bawah sehingga SOA terestimasi terlalu cepat. Estimator GMM dirancang untuk menghasilkan titik estimasi SOA yang berada persis di antara rentang OLS dan FE (Bond, 2002).

\n

Kegagalan membatasi jumlah instrumen pada `xtabond2` akan menarik koefisien GMM mendekati bias Fixed Effects (Roodman, 2009). Ketika p-value uji Hansen bernilai 1,000 akibat proliferasi instrumen, daya uji pengujian atas hipotesis eksogenitas lenyap secara total. Peneliti secara salah menyimpulkan bahwa instrumen valid, padahal nilai koefisien SOA yang dihasilkan telah mengalami bias konvergensi sampel terbatas yang berat.

\n

Keterlibatan indikator ekonomi makro memperumit struktur varians-kovarians. Baltagi (2021) menjelaskan bahwa korelasi silang antar-entitas (cross-sectional dependence) sering terjadi pada panel mikroekonomi karena shock makroekonomi yang sama. Penghapusan *time dummy* (`i.year`) dari opsi `ivstyle()` memicu penggelembungan statistik uji AR(2), yang pada akhirnya merusak lag ke-2 sebagai instrumen internal yang sah.

\n

Di samping itu, penerapan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) menjadi standar wajib dalam jurnal keuangan bereputasi. Tanpa koreksi ini, estimasi kesalahan standar dua tahap (two-step GMM) membias ke bawah hingga 20-40 persen. Akibatnya, variabel makroekonomi yang sejatinya tidak signifikan dapat tampak signifikan secara palsu (Kesalahan Tipe I).

\n

Oleh karena itu, penyusunan syntax `xtabond2` yang tepat merupakan perpaduan antara penalaran teori keuangan perusahaan, pemahaman dinamika makroekonomi, dan disiplin pembatasan dimensi ekonometrika. Transparansi dalam melaporkan rasio instrumen terhadap kelompok, p-value uji AR(2), uji Hansen, serta uji Difference-in-Hansen menjadi syarat utama validitas publikasi empiris.

\n\n

Kesimpulan

\n

Penyelesaian masalah analisis GMM pada Stata untuk riset struktur modal dan ekonomi makro menuntut penataan syntax `xtabond2` yang cermat. Peneliti wajib memisahkan variabel makroekonomi dan time dummies ke dalam opsi `ivstyle()`, mendeklarasikan lag variabel terikat dan variabel mikro endogen pada `gmmstyle()` dengan opsi `laglimits()` serta `collapse`, serta mengaktifkan `twostep robust` untuk koreksi Windmeijer. Langkah-langkah ini menjamin kestabilan estimasi kecepatan penyesuaian utang dan validitas inferensi statistik yang dihasilkan.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer Nature.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Bowsher, C. G. (2002). On testing overidentifying restrictions in dynamic panel data models. Economics Letters, 77(2), 211-220.

\n

Flannery, M. J., & Rangan, K. P. (2006). Partial adjustment toward target capital structures. Journal of Financial Economics, 79(3), 469-506.

\n

Frank, M. Z., & Goyal, V. K. (2009). Capital structure decisions: which factors are reliably important? Financial Management, 38(1), 1-37.

\n

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T20:22:01+07:00", "date_modified": "2026-09-07T20:22:01+07:00" }, { "id": "https://statistikian.net/mengatasi-p-value-uji-sargan-yang-signifikan-indikasi-instrumen-tidak-valid-pada-stata-dengan-xtabond2/", "url": "https://statistikian.net/mengatasi-p-value-uji-sargan-yang-signifikan-indikasi-instrumen-tidak-valid-pada-stata-dengan-xtabond2/", "title": "Mengatasi P-Value Uji Sargan yang Signifikan (Indikasi Instrumen Tidak Valid) pada STATA dengan xtabond2", "summary": "Saat melakukan estimasi regresi data panel dinamis dengan perintah `xtabond2`, para peneliti…", "content_html": "
\n

Saat melakukan estimasi regresi data panel dinamis dengan perintah `xtabond2`, para peneliti acap kali menghadapi masalah ketika p-value statistik uji overidentifikasi bernilai di bawah 0,05. Situasi ini mendorong kebutuhan akan pemahaman mendalam tentang Mengatasi P-Value Uji Sargan yang Signifikan (Indikasi Instrumen Tidak Valid) pada STATA dengan xtabond2. P-value Sargan test yang signifikan (p < 0,05) mengindikasikan ditolaknya hipotesis nol, yang berarti instrumen internal yang digunakan berkorelasi dengan galat atau spesifikasi model mengalami kesalahan mendasar.

\n

Penolakan hipotesis nol pada uji overidentifikasi Sargan menandakan bahwa sekumpulan instrumen tidak bersifat ortogonal secara sempurna terhadap komponen pengganggu. Kegagalan ini berdampak fatal pada sifat estimasi Generalized Method of Moments (GMM), karena instrumen yang tidak valid akan membiaskan koefisien variabel independen dan menghasilkan inferensi statistik yang tidak dapat dipertanggungjawabkan secara ekonometrika.

\n\n
DIAGRAM PERMASALAHAN: P-VALUE UJI SARGAN SIGNIFIKAN (p < 0.05) Spesifikasi Model Awal xtabond2 y L.y x1 x2 Instrumen Tanpa Seleksi Hasil Uji Overidentifikasi Sargan Test p-value < 0.05 Hipotesis Nol (H0) Ditolak Instrumen Tidak Eksogen Dampak Ekonometrika Estimator GMM Inkonsisten Parameter Model Bias Simulasi Log Output Stata xtabond2 (Kegagalan Uji Sargan): Sargan test of overid. restrictions: chi2(28) = 45.12 | Prob > chi2 = 0.023 Hansen test of overid. restrictions: chi2(28) = 31.04 | Prob > chi2 = 0.315 Arellano-Bond test for AR(2) in first differences: z = 1.12 | Pr > z = 0.263 [SOLUSI] Evaluasi Heteroskedastisitas, Respesifikasi Lag, dan Reklasifikasi Variabel Endogen! DIAGNOSA DAN TROUBLESHOOTING UJI OVERIDENTIFIKASI SARGAN Signifikansi Uji Sargan mengindikasikan adanya korelasi instrumen dengan galat atau ketidaksesuaian asumsi homoskedastisitas.
\n\n

Konsep Teori Uji Overidentifikasi Sargan dan Asumsi Ortogonalitas GMM

\n

Uji Sargan dikembangkan pertama kali oleh Sargan (1958) sebagai prosedur pengujian batasan overidentifikasi (overidentifying restrictions) dalam estimator variabel instrumen. Dalam konteks estimator Generalized Method of Moments (GMM) untuk data panel dinamis, uji ini mengevaluasi apakah kondisi momen sampel secara keseluruhan mendekati nol. Hipotesis nol (H0) dari uji Sargan menyatakan bahwa instrumen yang digunakan bersifat eksogen secara sah dan tidak berkorelasi dengan komponen galat idiosinkratik.

\n

Guna mendalami landasan matematis dan konsep dasar teori uji Sargan dan GMM secara utuh, Anda dipersilakan merujuk pada artikel akademis terkait di www.statistikian.com. Pemahaman mendalam mengenai struktur matriks bobot dan asumsi galat spherical sangat krusial sebelum melakukan perbaikan teknis spesifikasi pada Stata.

\n

Satu hal penting yang sering diabaikan adalah bahwa statistik uji Sargan mengasumsikan galat bersifat homoskedastis dan tidak mengalami korelasi serial (spherical errors). Arellano dan Bond (1991) menjelaskan bahwa apabila galat terbukti mengalami heteroskedastisitas atau autokorelasi, statistik uji Sargan menjadi tidak konsisten. Dalam kondisi tersebut, penolakan hipotesis nol (p-value < 0,05) belum tentu disebabkan oleh ketidakvalidan instrumen, melainkan oleh pelanggaran asumsi homoskedastisitas.

\n

Sebagai alternatif, Hansen (1982) merumuskan Uji Hansen J yang kokoh (robust) terhadap heteroskedastisitas dan autokorelasi. Seperti yang ditunjukkan oleh Roodman (2009), penggunaan perintah `xtabond2` di Stata akan menyajikan statistik Uji Sargan dan Uji Hansen secara berdampingan. Apabila uji Sargan bernilai signifikan tetapi uji Hansen tidak signifikan, penyebab utama kegagalan uji Sargan adalah kehadiran heteroskedastisitas pada galat sampel, bukan ketidakvalidan instrumen murni.

\n\n

Langkah-Langkah Perbaikan Teknis Saat P-Value Uji Sargan Signifikan

\n

Berikut adalah panduan sistematis untuk mendiagnosis dan memperbaiki masalah spesifikasi saat p-value uji Sargan bernilai di bawah 0,05 pada perintah `xtabond2` di Stata:

\n

Langkah 1: Mengidentifikasi Kehadiran Heteroskedastisitas (Sargan vs Hansen)
Periksa p-value Uji Hansen pada output Stata. Jika p-value Uji Hansen bernilai tidak signifikan (p > 0,05) sementara Uji Sargan signifikan (p < 0,05), ini mengonfirmasi adanya heteroskedastisitas. Terapkan estimasi Two-Step GMM dengan opsi `robust` untuk mengatasi bias ini:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3)) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 2: Reklasifikasi Variabel Independen Endogen dan Predetermined
Penolakan uji Sargan sering terjadi karena variabel yang diasumsikan eksogen murni (dalam `ivstyle`) ternyata bersifat endogen atau predetermined. Pindahkan variabel tersebut dari `ivstyle()` ke dalam `gmmstyle()` dengan lag yang sesuai:

\n
xtabond2 y L.y x1, gmmstyle(y, laglimits(2 3)) gmmstyle(x1, laglimits(1 2)) ivstyle(x2_eksogen) robust twostep\n
\n

Langkah 3: Pemangkasan Struktur Lag Instrumen Menggunakan laglimits()
Penggunaan lag yang terlalu dangkal (misalnya lag ke-1 pada variabel endogen) dapat menyebabkan korelasi langsung antara instrumen dan galat. Naikkan batas lag awal pada `gmmstyle()` menjadi lag ke-2 atau ke-3 untuk menjamin eksogenitas instrumen:

\n
xtabond2 y L.y x1, gmmstyle(y, laglimits(3 4)) gmmstyle(x1, laglimits(2 3)) ivstyle(x2_eksogen) robust twostep\n
\n

Langkah 4: Melakukan Kompresi Instrumen Melalui Opsi Collapse
Jumlah instrumen yang terlalu besar dapat melemahkan statistik uji overidentifikasi. Tambahkan opsi `collapse` di dalam sub-perintah `gmmstyle()` untuk memampatkan matriks instrumen tanpa menghilangkan informasi lag yang valid:

\n
xtabond2 y L.y x1, gmmstyle(y, laglimits(2 3) collapse) gmmstyle(x1, laglimits(1 2) collapse) ivstyle(x2_eksogen) robust twostep\n
\n

Langkah 5: Penanganan Autokorelasi Serial AR(2) yang Signifikan
Periksa hasil uji Arellano-Bond AR(2). Jika p-value AR(2) < 0,05, galat diferensiasi mengalami korelasi serial tingkat dua, yang secara otomatis merusak keabsahan lag ke-2 sebagai instrumen. Geser penggunaan lag instrumen ke lag ke-3 dan seterusnya (`laglimits(3 4)`).

\n

Langkah 6: Memeriksa Instrumen Level pada System GMM
Pada System GMM, instrumen tambahan untuk persamaan level dibentuk berdasarkan asumsi stasioneritas deviasi. Jika uji Difference-in-Sargan/Hansen untuk instrumen level bernilai signifikan (p < 0,05), instrumen level tersebut dinyatakan cacat.

\n

Langkah 7: Beralih ke Difference GMM Menggunakan Opsi nolevel
Jika instrumen level pada System GMM terbukti menjadi penyebab utama penolakan uji Sargan, batalkan komponen level dengan menambahkan opsi `nolevel` untuk kembali ke estimasi Difference GMM:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 8: Menambahkan Efek Waktu Spesifik (Time Dummy)
Sering kali korelasi antar-individu yang disebabkan oleh kejutan makro (unobserved common shocks) terserap ke dalam galat. Masukkan variabel *time dummy* (misalnya `i.year`) ke dalam opsi `ivstyle()` untuk mengontrol efek waktu umum ini.

\n

Langkah 9: Evaluasi Ulang Hasil Uji Setelah Respesifikasi
Setelah menjalankan kode perbaikan, pastikan p-value statistik Uji Sargan atau Uji Hansen telah melampaui batas 0,05 (ideal berada pada rentang 0,10 hingga 0,25) dan p-value AR(2) tetap di atas 0,05 (Bowsher, 2002).

\n\n
ALUR PEMULIHAN P-VALUE UJI SARGAN/HANSEN PADA STATA 1. Evaluasi Heteroskedastis Bandingkan Sargan & Hansen Gunakan 'twostep robust' 2. Respesifikasi Instrumen Pindahkan X ke gmmstyle Atur laglimits() & collapse 3. Validasi Sub-Instrumen Cek Difference-in-Sargan Gunakan Opsi 'nolevel' Jika Perlu Model GMM Lolos Uji Overidentifikasi Sargan / Hansen p-value > 0.05 | AR(2) p-value > 0.05 | Estimator Sah PENYEBAB UTAMA PENOLAKAN 1. Menganggap variabel endogen sebagai eksogen. 2. Mengabaikan autokorelasi galat AR(2). 3. Memakai One-Step GMM pada data heteroskedastis. REKOMENDASI METODOLOGIS Selalu utamakan Uji Hansen saat data panel memiliki heteroskedastisitas, serta laporkan koreksi sampel terbatas Windmeijer secara utuh.
\n\n

Pembahasan Ilmiah: Asumsi Heteroskedastisitas dan Uji Sub-Instrumen

\n

Secara teoritis, statistik uji Sargan dihitung berdasarkan penjumlahan residual kuadrat terboboti dari fungsi momen sampel. Implikasi dari keterbatasan asumsi homoskedastisitas dalam uji Sargan berakar pada fakta bahwa jika matriks bobot yang digunakan tidak memperhitungkan varians galat yang heterogen, bentuk kuadratik dari uji overidentifikasi tidak lagi berdistribusi chi-square secara asimptotik (Baltagi, 2021). Hal inilah yang menyebabkan statistik Sargan cenderung menolak hipotesis nol secara berlebihan (over-rejection) pada sampel mikroekonomi yang kaya akan variasi heteroskedastisitas.

\n

Meskipun Uji Hansen J mengatasikelemahan heteroskedastisitas tersebut, Roodman (2009) mengingatkan adanya bahaya terselubung berupa sensitivitas terhadap proliferasi instrumen (instrument proliferation). Ketika instrumen dibentuk tanpa pembatasan lag, matriks varians-kovarians instrumen menjadi sangat besar sehingga Uji Hansen kehilangan daya uji (power of test) dan memicu fenomena p-value bernilai 1,000. Oleh karena itu, peneliti harus menjaga keseimbangan: mengatasi penolakan Sargan melalui koreksi `robust` dan `collapse`, tanpa mendorong Uji Hansen menuju batas ektrem p-value 1,000.

\n

Dalam kondisi di mana hanya subset instrumen tertentu yang dicurigai tidak eksogen (misalnya instrumen level pada System GMM), pengujian harus ditingkatkan menggunakan Uji Difference-in-Sargan atau Difference-in-Hansen (juga dikenal sebagai *C test*). Menurut Blundell dan Bond (1998), statistik uji ini mengukur kenaikan relatif nilai chi-square ketika subset instrumen tersebut ditambahkan ke dalam model. Jika selisih nilai uji menghasilkan p-value < 0,05, subset instrumen tersebut terbukti mengontaminasi model dan harus dikeluarkan.

\n

Di samping itu, penerapan koreksi varians sampel terbatas Windmeijer (Windmeijer, 2005) sangat disarankan saat melaporkan estimasi Two-Step GMM. Tanpa koreksi ini, estimasi kesesuaian instrumen pada tahap kedua akan menghasilkan nilai kesalahan standar yang terlalu optimis (terlalu kecil), sehingga membias pengujian signifikansi individual (uji t) serta mengganggu penafsiran hasil diagnostik uji overidentifikasi secara berantai.

\n

Secara keseluruhan, pelaporan hasil troubleshooting pada publikasi ilmiah bereputasi mewajibkan transparansi penuh. Peneliti perlu menyajikan statistik uji Sargan, uji Hansen, jumlah instrumen (i), jumlah kelompok individu (N), serta derajat kebebasan uji. Kejelasan argumen mengapa suatu variabel dikategorikan predetermined atau endogen menjadi kunci utama pembuktian bahwa instrumen yang dipilih sah secara teori dan valid secara statistik.

\n\n

Kesimpulan

\n

Mengatasi p-value Uji Sargan yang signifikan (p < 0,05) pada Stata memerlukan identifikasi penyebab yang tepat. Penolakan ini dapat disebabkan oleh korelasi instrumen dengan galat, kekeliruan penetapan variabel eksogen, autokorelasi AR(2), atau sekadar akibat pelanggaran asumsi homoskedastisitas. Dengan mengevaluasi Uji Hansen bersamaan dengan `twostep robust`, merestriksi lag via `laglimits()`, menerapkan kompresi `collapse`, serta memanfaatkan opsi `nolevel` jika instrumen level terbukti cacat, peneliti dapat memastikan validitas instrumen GMM yang sah dan bebas dari bias ekonometrika.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer Nature.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bowsher, C. G. (2002). On testing overidentifying restrictions in dynamic panel data models. Economics Letters, 77(2), 211-220.

\n

Hansen, L. P. (1982). Large sample properties of Generalized Method of Moments estimators. Econometrica, 50(4), 1029-1054.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Sargan, J. D. (1958). The estimation of economic relationships using instrumental variables. Econometrica, 26(3), 393-415.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T20:12:42+07:00", "date_modified": "2026-09-07T20:12:42+07:00" }, { "id": "https://statistikian.net/cara-mengidentifikasi-dan-memilih-variabel-instrumen-valid-dalam-model-gmm-pada-stata/", "url": "https://statistikian.net/cara-mengidentifikasi-dan-memilih-variabel-instrumen-valid-dalam-model-gmm-pada-stata/", "title": "Cara Mengidentifikasi dan Memilih Variabel Instrumen Valid dalam Model GMM Pada STATA", "summary": "Saat melakukan estimasi regresi data panel dinamis menggunakan Stata, para peneliti sering…", "content_html": "
\n

Saat melakukan estimasi regresi data panel dinamis menggunakan Stata, para peneliti sering mendapati kendala teknis saat menguji Cara Mengidentifikasi dan Memilih Variabel Instrumen Valid dalam Model GMM Pada STATA. Gejala kegagalan eksekusi model ini umumnya ditandai dengan munculnya peringatan error seperti p-value Hansen test = 1.000, jumlah instrumen yang melebihi jumlah kelompok individu (number of instruments exceeds number of groups), atau kegagalan uji korelasi serial Arellano-Bond AR(2) test dengan p-value di bawah 0,05. Peringatan tersebut mengindikasikan bahwa spesifikasi instrumen mengalami proliferasi berlebih atau terjadi korelasi antara instrumen dengan komponen galat.

\n

Masalah teknis berupa instrument proliferation dalam model Difference GMM maupun System GMM tidak hanya mengganggu pengujian validitas, tetapi juga membiaskan estimasi parameter. Pembentukan instrumen internal dari kelambanan (lag) variabel tanpa pembatasan akan membuat matriks varians-kovarians sampel terdistorsi. Kesalahan metodologis ini mengakibatkan nilai standard error terdistorsi menjadi terlalu kecil (underestimated) dan menarik nilai koefisien regresi mendekati bias Ordinary Least Squares (OLS) atau Fixed Effects (FE).

\n\n
DIAGRAM PERMASALAHAN: PROLIFERASI INSTRUMEN DALAM MODEL GMM GMM Tanpa Restriksi gmmstyle(y, laglimits(2 .)) Matriks Lag Berlebih Gejala Error & Warning 1. Instruments Count > N (Groups) 2. Hansen Test P-Value = 1.000 3. Arellano-Bond AR(2) p < 0.05 Dampak Output Stata Standard Error Underestimated Estimator Bias ke OLS / FE Simulasi Log Output Stata xtabond2 (Spesifikasi Instrumen Salah vs Solusi): Warning: Number of instruments (142) exceeds number of groups (35)! Hansen test of overid. restrictions: chi2(136) = 11.15 | Prob > chi2 = 1.000 Arellano-Bond test for AR(2) in first differences: z = 2.18 | Pr > z = 0.029 [REKOMENDASI] Batasi laglimits(2 3), gunakan opsi 'collapse', dan terapkan 'twostep robust'! DIAGNOSA DAN PANDUAN TROUBLESHOOTING INSTRUMEN Restriksi dimensi instrumen wajib dilakukan agar uji overidentifikasi Hansen memiliki daya uji yang sahih.
\n\n

Konsep Teori Model Panel Dinamis dan Instrumen Valid GMM

\n

Model data panel dinamis dibentuk dengan memasukkan lag dari variabel terikat sebagai salah satu prediktor di sisi kanan persamaan. Kehadiran nilai lag ini bertujuan untuk menangkap penyesuaian dinamis atau efek inersia dalam fenomena ekonomi. Namun, struktur ini secara teoritis memicu masalah endogenitas karena lag variabel terikat secara otomatis berkorelasi dengan komponen efek individu unobserved dalam istilah galat, yang dikenal sebagai Nickell bias (Nickell, 1981).

\n

Untuk memahami prinsip dasar estimasi ekonometrika dan landasan teoritis mengenai teori dasar model GMM secara komprehensif, Anda dapat membaca pembahasan rinci mengenai kerangka uji tersebut di www.statistikian.com. Pemahaman mendasar terkait asumsi kondisi ortogonalitas sangat diperlukan sebelum melakukan pembatasan instrumen di Stata.

\n

Pendekatan Difference GMM yang diperkenalkan oleh Arellano dan Bond (1991) mengatasi endogenitas tersebut dengan melakukan diferensiasi pertama pada persamaan regresi untuk menghapus efek individu yang tidak teramati. Selanjutnya, nilai lag dari variabel dalam bentuk level dimanfaatkan sebagai instrumen internal. Pemilihan lag yang tepat bertindak sebagai variabel instrumen yang berkorelasi dengan variabel terbeda tetapi tidak berkorelasi dengan galat diferensiasi.

\n

Pengembangan lanjutan oleh Arellano dan Bover (1995) serta Blundell dan Bond (1998) menghasilkan System GMM. Metode ini menggabungkan persamaan diferensiasi pertama dan persamaan dalam bentuk level ke dalam satu sistem terpadu. Seperti yang dijelaskan oleh Roodman (2009), pembentukan instrumen tambahan pada persamaan level meningkatkan efisiensi estimasi, tetapi secara drastis memperbanyak jumlah instrumen sehingga memerlukan prosedur seleksi yang lebih ketat.

\n\n

Langkah-Langkah Teknis Identifikasi dan Pemilihan Instrumen di Stata

\n

Berikut adalah panduan praktis tahap demi tahap dalam mengidentifikasi, membatasi, dan memilih variabel instrumen yang valid menggunakan perintah `xtabond2` pada Stata:

\n

Langkah 1: Mengukur Rasio Jumlah Instrumen Terhadap Jumlah Kelompok (N)
Setelah mengeksekusi model awal, periksa bagian header output Stata. Pastikan jumlah instrumen (i) bernilai lebih kecil dari jumlah grup entitas individu (N). Jika i > N, prosedur pembatasan instrumen wajib segera dilakukan (Roodman, 2009).

\n

Langkah 2: Membatasi Kedalaman Lag Menggunakan Opsi laglimits()
Secara bawaan, Stata akan menggunakan seluruh lag yang tersedia hingga t-1. Batasi kedalaman lag pada sub-perintah `gmmstyle()` dengan menambahkan opsi `laglimits(2 3)` untuk membatasi instrumen hanya pada lag kedua dan ketiga:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3)) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 3: Mengompresi Matriks Instrumen Dengan Opsi Collapse
Untuk mencegah pertumbuhan instrumen secara kuadratik seiring bertambahnya periode waktu (T), sisipkan opsi `collapse` ke dalam `gmmstyle()`. Langkah ini memampatkan vektor instrumen sehingga satu instrumen dibentuk untuk setiap lag untuk seluruh periode:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 4: Mengisolasi Variabel Eksogen Murni Pada ivstyle()
Variabel independen yang terbukti bersifat eksogen secara ketat tidak boleh dimasukkan ke dalam `gmmstyle()`. Deklarasikan variabel eksogen murni tersebut dalam opsi `ivstyle()` agar Stata tidak membuatkan lag instrumen internal tambahan:

\n
xtabond2 y L.y x1, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x2_eksogen) robust twostep\n
\n

Langkah 5: Penanganan Variabel Endogen dan Predetermined
Jika variabel bebas `x1` bersifat endogen atau predetermined, masukkan variabel tersebut ke dalam sub-perintah `gmmstyle()` dengan pengaturan lag yang disesuaikan, misalnya `laglimits(1 2)` untuk variabel predetermined:

\n
xtabond2 y L.y x1, gmmstyle(y, laglimits(2 3) collapse) gmmstyle(x1, laglimits(1 2) collapse) ivstyle(x2) robust twostep\n
\n

Langkah 6: Memeriksa Uji Korelasi Serial Arellano-Bond AR(1) dan AR(2)
Evaluasi statistik uji Arellano-Bond pada output Stata. Persyaratan model GMM yang konsisten mewajibkan p-value AR(1) signifikan di bawah 0,05 dan p-value AR(2) tidak signifikan di atas 0,05 (Arellano & Bond, 1991).

\n

Langkah 7: Menyesuaikan Lag Minimum Jika Terjadi Autokorelasi AR(2)
Apabila p-value AR(2) terdeteksi signifikan (p < 0,05), instrumen pada lag ke-2 dinyatakan tidak valid karena berkorelasi dengan galat. Atur ulang batas lag minimum pada `gmmstyle()` menjadi lag ke-3, yaitu `laglimits(3 4)`.

\n

Langkah 8: Evaluasi Rentang Ideal P-Value Hansen Test
Periksa p-value uji overidentifikasi Hansen. Nilai p-value Hansen yang terlampau tinggi (misalnya 1,000) mengindikasikan instrumen berlebih, sedangkan p-value < 0,05 mengindikasikan instrumen tidak eksogen. Menurut Bowsher (2002), rentang p-value Hansen yang ideal berkisar antara 0,10 hingga 0,25.

\n

Langkah 9: Menguji Validitas Sub-Instrumen dengan Difference-in-Hansen Test
Pada System GMM, evaluasi keabsahan instrumen tambahan untuk persamaan level dengan melihat p-value statistik Difference-in-Hansen. Jika p-value < 0,05, instrumen level tersebut tidak valid dan model sebaiknya dikembalikan ke Difference GMM menggunakan opsi `nolevel`.

\n

Langkah 10: Mengaplikasikan Koreksi Varians Sample Terbatas Windmeijer
Selalu gunakan opsi `twostep` bersamaan dengan `robust`. Kombinasi `twostep robust` pada `xtabond2` secara otomatis mengaktifkan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) agar kesalahan standar tidak terbias menggelembung ke bawah.

\n\n
ALUR PEMILIHAN DAN RESTRIKSI VARIABEL INSTRUMEN GMM YANG VALID 1. Formulasi GMMStyle gmmstyle(y, laglimits(2 3)) Gunakan Opsi 'collapse' 2. Variabel Eksogen & VCE ivstyle(x2_eksogen) Opsi 'twostep robust' 3. Evaluasi Diagnostik Cek AR(1), AR(2), Hansen Cek Difference-in-Hansen Estimasi Model GMM Bebas Error AR(1) p<0.05 | AR(2) p>0.05 | Hansen p (0.10 - 0.25) | Instruments < N INDIKATOR SPESIFIKASI SALAH 1. Membiarkan p-value Hansen = 1.000. 2. Terjadi autokorelasi AR(2) p < 0.05. 3. Mengabaikan opsi twostep robust. PRINSIP UTAMA SELEKSI INSTRUMEN Opsi 'collapse' menekan jumlah instrumen sehingga uji Hansen memiliki daya uji memadai untuk mendeteksi ketidakvalidan instrumen.
\n\n

Pembahasan Ilmiah: Asumsi Metodologis dan Validasi Diagnostik GMM

\n

Konsistensi estimator GMM sangat tergantung pada pemenuhan asumsi ortogonalitas antara instrumen dan galat persamaan. Baltagi (2021) menjelaskan bahwa jika instrumen berkorelasi dengan galat idiosinkratik, estimator GMM tidak lagi bersifat asimptotik efisien dan dapat menghasilkan inferensi hipotesis yang menyesatkan. Uji korelasi serial Arellano-Bond AR(2) bertindak sebagai benteng pertama untuk memastikan tidak adanya korelasi galat tingkat dua yang merusak instrumen lag (Arellano & Bond, 1991).

\n

Roodman (2009) menegaskan bahwa bahaya proliferasi instrumen sering kali luput dari perhatian peneliti. Ketika jumlah instrumen mendekati atau melebihi jumlah entitas kelompok (N), matriks varians-kovarians menjadi overfit. Dampaknya, uji overidentifikasi Sargan dan Hansen kehilangan kekuatan uji (power of test) dan memberikan p-value persis 1,000. P-value ini secara palsu menerima hipotesis nol eksogenitas instrumen padahal model mengalami bias berat.

\n

Penggunaan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) merupakan prosedur baku dalam estimasi Two-Step GMM. Tanpa koreksi ini, estimasi varians dua tahap akan membias ke bawah pada sampel terbatas. Hal ini menyebabkan kesalahan standar terestimasi terlalu kecil secara signifikan, meningkatkan nilai statistik z, dan memicu kesalahan Keputusan Tipe I (menolak hipotesis nol yang benar).

\n

Menurut Bond (2002), pemilihan instrumen pada System GMM memerlukan verifikasi tambahan berupa kriteria stasioneritas kondisi awal (stationarity of initial conditions). Pengujian kriteria ini difasilitasi oleh statistik Difference-in-Hansen test. Jika uji ini menolak hipotesis nol ortogonalitas instrumen level, penggunaan System GMM harus ditinggalkan dan penelitian disarankan kembali menggunakan Difference GMM berbasis penyimpangan orthogonal (forward orthogonal deviations).

\n

Dalam melaporkan hasil estimasi panel dinamis pada publikasi ilmiah, peneliti wajib mencantumkan informasi diagnostik secara transparan, mencakup jumlah entitas kelompok (N), total instrumen (i), p-value AR(1), p-value AR(2), p-value Hansen test, serta p-value Difference-in-Hansen. Transparansi angka diagnostik ini menjadi bukti bahwa instrumen yang digunakan telah bebas dari proliferasi dan memenuhi kaidah validitas ekonometrika.

\n\n

Kesimpulan

\n

Prosedur mengidentifikasi dan memilih variabel instrumen valid dalam model GMM pada Stata memerlukan ketelitian sistematis. Untuk menghindari bias proliferasi instrumen dan kesalahan diagnostik, peneliti wajib menjaga rasio jumlah instrumen berada di bawah jumlah grup entitas (i < N), membatasi kedalaman lag dengan opsi `laglimits()`, memampatkan matriks instrumen menggunakan opsi `collapse`, mengaktifkan koreksi Windmeijer melalui `twostep robust`, serta memastikan pemenuhan uji korelasi serial AR(2) p > 0,05 dan p-value Hansen test dalam rentang ideal 0,10 hingga 0,25.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer Nature.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Bowsher, C. G. (2002). On testing overidentifying restrictions in dynamic panel data models. Economics Letters, 77(2), 211-220.

\n

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T20:08:43+07:00", "date_modified": "2026-09-07T20:11:00+07:00" }, { "id": "https://statistikian.net/tutorial-regresi-data-panel-dinamis-pendekatan-gmm-dengan-syntax-xtabond2-stata-lengkap-komprehensif/", "url": "https://statistikian.net/tutorial-regresi-data-panel-dinamis-pendekatan-gmm-dengan-syntax-xtabond2-stata-lengkap-komprehensif/", "title": "Tutorial Regresi Data Panel Dinamis Pendekatan GMM dengan Syntax xtabond2 STATA Lengkap Komprehensif", "summary": "Saat melakukan estimasi ekonometrika menggunakan Stata, para peneliti sering mengalami kendala teknis…", "content_html": "
\n

Saat melakukan estimasi ekonometrika menggunakan Stata, para peneliti sering mengalami kendala teknis saat menjalankan Tutorial Regresi Data Panel Dinamis Pendekatan GMM dengan Syntax xtabond2 Lengkap Komprehensif. Gejala kegagalan eksekusi model ini umumnya ditandai dengan kemunculan peringatan error seperti p-value Hansen test = 1.000, jumlah instrumen yang jauh melampaui jumlah entitas individu (number of instruments exceeds number of groups), atau kegagalan uji korelasi serial Arellano-Bond AR(2) test dengan p-value di bawah 0,05. Peringatan tersebut mengindikasikan bahwa spesifikasi sintaks yang digunakan mengalami masalah proliferasi instrumen atau kesalahan penentuan lag variabel terikat.

\n

Masalah teknis pada sintaks `xtabond2` ini tidak hanya menghentikan proses pengujian, tetapi juga dapat menghasilkan estimasi parameter yang bias dan inkonsisten jika diabaikan. Peneliti yang belum memahami struktur opsi perintah Stata cenderung membiarkan matriks instrumen tumbuh secara kuadratik mengikuti rentang waktu data panel. Kesalahan metodologis ini mengakibatkan nilai standard error terdistorsi menjadi terlalu kecil (underestimated) dan membiaskan kesimpulan pengujian hipotesis penelitian.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN SPESIFIKASI SYNTAX XTABOND2 Syntax xtabond2 Unrestricted gmmstyle(y, laglimits(2 .)) Tanpa Opsi 'collapse' Gejala Error & Warning 1. Instruments Count > N (Groups) 2. Hansen Test P-Value = 1.000 3. Arellano-Bond AR(2) p < 0.05 Dampak Output Stata Standard Error Underestimated Overfitting Matriks VCE Simulasi Log Output Stata xtabond2 (Spesifikasi Salah vs Solusi): Warning: Number of instruments (184) exceeds number of groups (40)! Hansen test of overid. restrictions: chi2(178) = 12.42 | Prob > chi2 = 1.000 Arellano-Bond test for AR(2) in first differences: z = 2.14 | Pr > z = 0.032 [REKOMENDASI] Tambahkan opsi 'collapse', atur 'laglimits(2 3)', dan aktifkan 'twostep robust'! DIAGNOSA DAN PANDUAN TROUBLESHOOTING Restriksi jumlah instrumen sangat wajib dilakukan agar pengujian validitas overidentifikasi tetap andal.
\n\n

Konsep Teori Model Panel Dinamis dan Pendekatan GMM

\n

Model data panel dinamis dibentuk dengan memasukkan lag variabel terikat sebagai salah satu variabel independen di sisi kanan persamaan. Kehadiran nilai lag historis ini menangkap fenomena inersia atau penyesuaian perilaku ekonomi dari waktu ke waktu. Namun, struktur dinamis ini secara teoretis melanggar asumsi dasar eksogenitas karena lag variabel terikat secara otomatis berkorelasi dengan komponen efek individu unobserved dalam istilah galat, sebuah kondisi yang dikenal dalam literatur ekonometrika sebagai Nickell bias (Nickell, 1981).

\n

Untuk memahami prinsip dasar estimasi data panel statis beserta perbedaan pemodelan efek individu, Anda disarankan membaca pembahasan komprehensif mengenai teori dasar regresi data panel di www.statistikian.com. Pemahaman mendasar terkait asumsi data panel statis sangat diperlukan sebelum beralih ke analisis panel dinamis berbasis metode momen.

\n

Pendekatan Generalized Method of Moments (GMM) yang dikembangkan oleh Arellano dan Bond (1991) menyelesaikan masalah endogenitas tersebut dengan melakukan diferensiasi pertama pada persamaan regresi untuk menghapus efek individu unobserved. Selanjutnya, nilai lag dari variabel dalam bentuk level dimanfaatkan sebagai variabel instrumen bagi persamaan diferensiasi pertama. Pendekatan ini secara luas dikenal sebagai First-Difference GMM.

\n

Pengembangan lebih lanjut oleh Arellano dan Bover (1995) serta Blundell dan Bond (1998) melahirkan System GMM. System GMM menggabungkan persamaan diferensiasi pertama dan persamaan dalam bentuk level ke dalam satu sistem estimasi terpadu. Menurut Roodman (2009), pemodelan sistem ini terbukti jauh lebih efisien dan mampu mengatasi masalah instrumen lemah yang sering terjadi pada Difference GMM ketika data memiliki tingkat persistensi yang sangat tinggi.

\n\n

Langkah-Langkah Teknis Menggunakan Perintah xtabond2 di Stata

\n

Berikut adalah panduan praktis tahap demi tahap dalam menyusun sintaks `xtabond2` yang valid, efisien, dan bebas dari error proliferasi instrumen:

\n

Langkah 1: Menginstalasi dan Mempersiapkan Package xtabond2
Sebelum menjalankan pengujian, pastikan perintah `xtabond2` telah terinstal secara sempurna dalam direktori Stata Anda dengan mengeksekusi perintah berikut pada command window:

\n
ssc install xtabond2, replace\n
\n

Langkah 2: Mengatur Deklarasi Data Panel
Pastikan data yang Anda gunakan telah dideklarasikan sebagai struktur data panel yang valid menggunakan variabel identitas individu dan variabel dimensi waktu:

\n
xtset id_individu tahun\n
\n

Langkah 3: Menjalankan Estimasi Difference GMM Dasar
Untuk menjalankan model Difference GMM, gunakan opsi `nolevel` agar Stata mengeksklusi persamaan level dan hanya fokus pada persamaan diferensiasi pertama:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 .)) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 4: Mengatasi Proliferasi Instrumen dengan Opsi Collapse
Jika jumlah instrumen melebihi jumlah individu, tambahkan opsi `collapse` di dalam sub-perintah `gmmstyle()`. Langkah ini akan menggabungkan vektor instrumen untuk setiap lag sehingga jumlah instrumen berkurang secara signifikan (Roodman, 2009):

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 5: Beralih ke Model System GMM
Untuk mengeksekusi model System GMM, cukup hapus opsi `nolevel`. Model ini akan secara otomatis mengestimasi gabungan persamaan level dan persamaan diferensiasi:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) robust twostep\n
\n

Langkah 6: Menangani Variabel Independen Endogen dan Predetermined
Jika variabel independen `x1` dicurigai bersifat endogen atau predetermined, pindahkan variabel tersebut dari `ivstyle()` ke dalam `gmmstyle()` dengan pengaturan lag yang sesuai:

\n
xtabond2 y L.y x1 x2, gmmstyle(y x1, laglimits(1 2) collapse) ivstyle(x2) robust twostep\n
\n

Langkah 7: Penerapan Koreksi Windmeijer untuk Sample Terbatas
Selalu kombinasikan opsi `twostep` dengan opsi `robust`. Kombinasi ini di dalam `xtabond2` secara otomatis menerapkan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) pada estimasi standar eror.

\n

Langkah 8: Memeriksa Uji Diagnostik Arellano-Bond AR(1) dan AR(2)
Periksa output statistik uji Arellano-Bond. Kriteria model yang valid mewajibkan p-value AR(1) signifikan di bawah 0,05 dan p-value AR(2) tidak signifikan atau di atas 0,05 (Arellano & Bond, 1991).

\n

Langkah 9: Evaluasi Uji Overidentifikasi Hansen Test
Pastikan p-value Hansen test berada pada rentang ideal antara 0,10 hingga 0,25. P-value Hansen test yang bernilai persis 1,000 menandakan bahwa instrumen masih terlalu banyak dan hasil pengujian overidentifikasi menjadi tidak valid (Roodman, 2009).

\n

Langkah 10: Penggunaan Opsi Orthogonal Deviations untuk Data Panel Tidak Seimbang
Jika data panel Anda mengandung banyak nilai yang hilang (unbalanced panel), gunakan opsi `orthogonal` untuk menggantikan proses diferensiasi pertama guna meminimalkan kehilangan observasi data:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) robust twostep orthogonal\n
\n\n
ALUR SPESIFIKASI SYNTAX XTABOND2 YANG DIREKOMENDASIKAN 1. Formulasi GMMStyle gmmstyle(y x1, lag(2 3)) Gunakan Opsi 'collapse' 2. Variabel Eksogen & VCE ivstyle(x2_eksogen) Opsi 'twostep robust' 3. Evaluasi Diagnostik Cek AR(1), AR(2), Hansen Cek Difference-in-Hansen Estimasi Model GMM Bebas Error AR(1) p<0.05 | AR(2) p>0.05 | Hansen p (0.10 - 0.25) | Instruments < N INDIKATOR SPESIFIKASI SALAH 1. Membiarkan p-value Hansen = 1.000. 2. Terjadi autokorelasi AR(2) p < 0.05. 3. Mengabaikan opsi twostep robust. PRINSIP UTAMA SPESIFIKASI Opsi 'collapse' menekan jumlah instrumen sehingga uji Hansen memiliki daya uji memadai untuk mendeteksi ketidakvalidan instrumen.
\n\n

Pembahasan Ilmiah: Asumsi Metodologis dan Validasi Diagnostik GMM

\n

Pemilihan instrumen dalam estimasi GMM bergantung penuh pada pemenuhan kondisi momen ortogonalitas. Pada Difference GMM, lag variabel dalam bentuk level digunakan sebagai instrumen untuk persamaan diferensiasi. Syarat keabsahan instrumen ini menuntut tidak adanya korelasi serial pada galat tingkat kedua. Oleh karena itu, pengujian korelasi serial Arellano-Bond menjadi filter utama sebelum menyimpulkan keabsahan model (Arellano & Bond, 1991).

\n

Dalam perkembangannya, Roodman (2009) menekankan bahwa peneliti sering kali terjebak dalam ilusi keakuratan model ketika jumlah instrumen sangat banyak. Instrumen yang terlalu banyak akan mengaitkan galat sampel dan membiaskan koefisien regresi ke arah estimasi OLS. Fenomena ini juga melemahkan uji Sargan dan Hansen hingga menghasilkan p-value persis 1,000, yang pada hakikatnya menyembunyikan masalah ketidakvalidan instrumen yang sebenarnya.

\n

Penerapan koreksi Windmeijer (Windmeijer, 2005) merupakan standar wajib dalam estimasi Two-Step GMM. Tanpa koreksi ini, matriks bobot dua tahap memang menghasilkan estimator yang efisien secara asimptotik, tetapi estimator varians sampel terbatasnya akan sangat membias ke bawah. Hal ini menyebabkan nilai z-statistic menjadi terlalu tinggi secara tidak wajar dan memicu kesalahan Keputusan Tipe I dalam pengujian hipotesis.

\n

Bagi data panel tidak seimbang dengan rentang waktu yang relatif pendek, penggunaan opsi `orthogonal` lebih direkomendasikan dibandingkan diferensiasi standar. Pengurangan penyimpangan orthogonal (forward orthogonal deviations) mengurangkan rata-rata seluruh observasi masa depan yang tersedia untuk setiap unit individu. Metode ini menjaga ukuran sampel tetap optimal karena tidak menghilangkan observasi awal saat terdapat nilai data yang hilang (Arellano & Bover, 1995).

\n

Asumsi penting lainnya dalam System GMM adalah stasioneritas kondisi awal (stationarity of initial conditions). Asumsi ini menyatakan bahwa perubahan variabel bebas pada periode awal tidak berkorelasi dengan efek individu unobserved. Keabsahan instrumen tambahan dalam persamaan level ini dievaluasi secara khusus menggunakan statistik pengujian Difference-in-Hansen test (Blundell & Bond, 1998).

\n

Sebagai alternatif metodologis untuk data panel dinamis dengan ukuran sampel individu yang sangat kecil, estimator Corrected Least Squares Dummy Variable (LSDVC) yang dikembangkan oleh Kiviet (1995) dapat dipertimbangkan. Namun, jika model penelitian melibatkan variabel independen yang bersifat endogen atau predetermined, estimator GMM berbasis sintaks `xtabond2` tetap menjadi pilihan paling unggul dan fleksibel (Bond, 2002).

\n

Dalam menyajikan hasil analisis panel dinamis pada naskah ilmiah, peneliti diharuskan melaporkan jumlah grup entitas, jumlah total instrumen yang digunakan, p-value AR(1), p-value AR(2), serta p-value Hansen test secara transparan. Pelaporan ini membuktikan bahwa spesifikasi `xtabond2` yang dipilih telah memenuhi kriteria ekonometrika yang ketat.

\n\n

Kesimpulan

\n

Penguasaan sintaks `xtabond2` dalam regresi data panel dinamis pendekatan GMM membutuhkan pemahaman komprehensif antara teori ekonometrika dan spesifikasi perintah Stata. Untuk menghindari kegagalan pengujian diagnostik seperti bias instrumen lemah dan proliferasi instrumen, peneliti wajib membatasi jumlah lag instrumen, memanfaatkan opsi `collapse`, mengaktifkan koreksi sampel terbatas Windmeijer melalui opsi `twostep robust`, serta memastikan bahwa jumlah instrumen tidak melebihi jumlah grup entitas individu. Pemenuhan kriteria diagnostik Arellano-Bond AR(2) dan p-value Hansen test dalam rentang ideal menjadi jaminan utama keabsahan estimasi model.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Kiviet, J. F. (1995). On bias, inconsistency, and efficiency of various estimators in dynamic panel data models. Journal of Econometrics, 68(1), 53-78.

\n

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T19:57:50+07:00", "date_modified": "2026-09-07T19:57:50+07:00" }, { "id": "https://statistikian.net/perbedaan-system-gmm-vs-difference-gmm-panduan-memilih-model/", "url": "https://statistikian.net/perbedaan-system-gmm-vs-difference-gmm-panduan-memilih-model/", "title": "Perbedaan System GMM vs Difference GMM: Konsep Teori dan Alur yang Benar", "summary": "Dalam analisis ekonometrika data panel dinamis menggunakan Stata, pemahaman mendalam tentang Perbedaan…", "content_html": "
\n

Dalam analisis ekonometrika data panel dinamis menggunakan Stata, pemahaman mendalam tentang Perbedaan System GMM vs Difference GMM: Panduan Memilih Model sangat menentukan keabsahan estimasi parameter. Para peneliti sering dihadapkan pada hasil estimasi Generalized Method of Moments (GMM) yang bias di mana koefisien variabel terikat lag (lagged dependent variable) hasil Difference GMM jatuh mendekati estimasi Fixed Effects (FE) atau bahkan berharga negatif tidak rasional. Masalah ini diperparah saat uji korelasi serial Arellano-Bond AR(2) menghasilkan p-value < 0,05 atau uji validitas instrumen Hansen test bernilai p-value = 1,000 yang mengindikasikan masalah instrument proliferation.

\n

Gejala kegagalan model Difference GMM umumnya terjadi ketika data memiliki tingkat persistensi yang sangat tinggi (mendekati random walk) atau ketika rasio varians efek individu terhadap varians galat sangat besar. Dalam kondisi tersebut, instrumen berupa nilai lag level menjadi instrumen yang sangat lemah (weak instruments) untuk persamaan diferensiasi pertama. Mengabaikan gejala ini menyebabkan koefisien regresi mengalami bias sampel terbatas (finite sample bias) yang fatal dan menghasilkan kesimpulan penelitian yang menyesatkan.

\n\n
DIAGRAM PERMASALAHAN: KEGAGALAN ESTIMASI DIFFERENCE GMM Data Panel Dinamis Variabel Terikat Lag (y_it-1) Persistensi Data Tinggi (alpha -> 1) Gejala Bias Diff-GMM 1. Weak Instruments (Lag Level) 2. Koefisien Downward Biased 3. Hansen P-Value = 1.000 (Overfit) Dampak Metodologis Estimasi Parameter Inkonsisten Gagal Uji AR(2) & Validitas Instrumen Simulasi Log Outlier Stata xtabond2 (Difference GMM vs OLS/FE Bounds): OLS Bound (Upper): alpha = 0.854 | FE Bound (Lower): alpha = 0.412 Diff-GMM Output: alpha = 0.428 [SEVERELY DOWNWARD BIASED / WEAK INSTRUMENT] Arellano-Bond AR(2) test: p = 0.031 | Hansen test: p = 1.000 (Number of inst = 142 > N = 45) [SOLUSI] Beralih ke System GMM (xtabond2), Batasi Lag Length, dan Collapse Matrix Instruments! DIAGNOSA DAN CATATAN EKONOMETRIKA Gunakan System GMM apabila estimasi Diff-GMM berada di bawah atau sangat dekat dengan estimasi Fixed Effects.
\n\n

Konsep Teori Data Panel Dinamis: Difference GMM vs System GMM

\n

Model data panel dinamis ditandai dengan hadirnya variabel terikat lag (y_{i,t-1}) di sisi kanan persamaan sebagai prediktor. Keberadaan lag ini menimbulkan masalah endogenitas yang dikenal sebagai Nickell bias (Nickell, 1981), di mana y_{i,t-1} berkorelasi dengan komponen efek individu unobserved (eta ke i). Akibatnya, metode regresi konvensional seperti Ordinary Least Squares (OLS) akan menghasilkan estimasi yang bias ke atas (upward biased), sedangkan estimator Fixed Effects (Within Group) akan menghasilkan estimasi yang bias ke bawah (downward biased).

\n

Untuk memahami landasan teori regresi data panel statis, asumsi dasar efek individu, serta perbedaan model Fixed Effects dan Random Effects secara mendalam, Anda dapat mempelajari ulasan lengkap mengenai teori dasar regresi data panel di www.statistikian.com. Pemahaman dasar regresi panel statis sangat diperlukan sebelum melangkah ke estimator dinamis GMM.

\n

First-Difference GMM (Diff-GMM), yang diperkenalkan oleh Holtz-Eakin, Newey, dan Rosen (1988) serta dipopulerkan oleh Arellano dan Bond (1991), mengatasi bias efek individu dengan melakukan diferensiasi pertama pada persamaan regresi. Dengan mengurangkan nilai variabel periode t dengan t-1, komponen efek individu atau eta ke-i tereliminasi. Nilai lag level dari variabel terikat (y_{i,t-2} dan seterusnya) kemudian digunakan sebagai variabel instrumen yang valid karena berkorelasi dengan delta y_{i,t-1} tetapi orthoganal terhadap galat diferensiasi Delta epsilon_{it}.

\n

Namun, Arellano dan Bover (1995) serta Blundell dan Bond (1998) menemukan kelemahan mendasar dari Difference GMM. Ketika variabel terikat sangat kontinu dari waktu ke waktu (persistensi tinggi dengan koefisien autoregresif mendekati 1), korelasi antara lag level dan nilai diferensiasi pertama menjadi sangat lemah. Untuk mengatasi masalah weak instruments ini, mereka mengusulkan System GMM (Sys-GMM). System GMM menggabungkan persamaan diferensiasi pertama (yang diinstrumenkan oleh lag level) dan persamaan level asli (yang diinstrumenkan oleh lag diferensiasi pertama) ke dalam satu sistem estimasi terpadu.

\n\n

Langkah-Langkah Teknis Memilih Model dan Menjalankan Sintaks Stata xtabond2

\n

Berikut adalah panduan praktis dan ilmiah langkah demi langkah dalam menentukan estimator GMM yang tepat beserta sintaks perintah Stata menggunakan package `xtabond2` (Roodman, 2009):

\n

Langkah 1: Menentukan Batas Atas dan Batas Bawah Koefisien (OLS vs FE Bounds)
Estimasi model penelitian Anda terlebih dahulu menggunakan OLS dan Fixed Effects. Catat koefisien lag variabel terikat (y_{i,t-1}). Koefisien OLS merupakan batas atas (upper bound) dan koefisien FE merupakan batas bawah (lower bound). Estimasi GMM yang konsisten harus berada di antara kedua nilai batas ini (Bond, 2002).

\n

Langkah 2: Menjalankan Difference GMM Awal di Stata
Jalankan perintah Difference GMM menggunakan paket `xtabond2` dengan opsi `nolevel` pada data panel Anda:

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 .)) ivstyle(x1 x2) nolevel robust twostep\n
\n

Langkah 3: Evaluasi Bias Difference GMM
Perhatikan koefisien `L.y` pada output Difference GMM. Jika nilai koefisien `L.y` berada sangat dekat atau bahkan di bawah koefisien Fixed Effects, ini mengindikasikan bahwa Difference GMM mengalami bias instrumen lemah. Anda harus beralih ke System GMM.

\n

Langkah 4: Menjalankan System GMM dengan Penanganan Proliferasi Instrumen
Sistem GMM mengeksekusi dua persamaan sekaligus. Untuk mencegah ledakan jumlah instrumen (instrument proliferation) yang melebihi jumlah entitas (Instruments > N), gunakan opsi `collapse` dan batasi `laglimits` (Roodman, 2009):

\n
xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) robust twostep\n
\n

Langkah 5: Pengujian Korelasi Serial Arellano-Bond (AR(1) dan AR(2))
Buka bagian output diagnostic. Pengujian korelasi serial mewajibkan p-value AR(1) < 0,05 (menunjukkan adanya autokorelasi tingkat pertama akibat diferensiasi) dan p-value AR(2)> 0,05 (menunjukkan tidak ada autokorelasi tingkat kedua pada galat asli) (Arellano & Bond, 1991).

\n

Langkah 6: Pengujian Validitas Instrumen (Hansen Test dan Sargan Test)
Evaluasi p-value uji overidentifikasi *Hansen test*. Rentang p-value Hansen test yang ideal dan valid adalah antara 0,10 hingga 0,25. Nilai p-value yang terlalu tinggi (p = 1,000) menandakan bahwa instrumen terlalu banyak dan mengalami *overfitting* data.

\n

Langkah 7: Menjalankan Uji Difference-in-Hansen untuk Instrumen Level Tambahan
System GMM menambah instrumen persamaan level. Periksa baris *Difference-in-Hansen tests for exogeneity of instrument subsets*. Pastikan p-value dari subset instrumen level bernilai > 0,05 agar asumsi stasioneritas awal terpenuhi.

\n

Langkah 8: Menangani Endogenitas Variabel Bebas Penjelas
Jika variabel independen (x1) bersifat endogen atau predetermined, masukkan x1 ke dalam bagian `gmmstyle()`, bukan `ivstyle()`. Gunakan spesifikasi `gmmstyle(x1, laglimits(1 2) collapse)`.

\n

Langkah 9: Menggunakan Koreksi Windmeijer pada Estimator Two-Step
Gunakan selalu opsi `twostep` bersama dengan opsi `robust`. Opsi `robust` pada `xtabond2` otomatis menerapkan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) pada matriks kovarians agar *standard error* tidak *underestimated*.

\n\n
ALUR KEPUTUSAN PEMILIHAN ESTIMATOR SYSTEM GMM VS DIFF GMM 1. Estimasi OLS & FE Bounds Dapatkan Upper Bound (OLS) Dapatkan Lower Bound (FE) 2. Evaluasi Diff-GMM Apakah alpha_Diff dekat FE? Cek Persistensi Data (y_it-1) 3. Eksekusi System GMM Gabungkan Level & Diff Equation Gunakan Opsi 'collapse' Model Panel Dinamis Valid & Konsisten AR(1) p<0.05 | AR(2) p>0.05 | Hansen p (0.10 - 0.25) | Inst < N HAL YANG HARUS DIHINDARI 1. Membiarkan Jumlah Instrumen > N (Groups). 2. Membiarkan Hansen P-Value = 1.000. 3. Mengabaikan Koreksi Windmeijer Two-Step. CATATAN METODOLOGI GMM Opsi 'collapse' mereduksi matriks instrumen tanpa kehilangan informasi penting, menjaga power dari Hansen test dalam mendeteksi bias.
\n\n

Pembahasan Ilmiah: Formulasi Momen dan Bahaya Proliferasi Instrumen

\n

Secara matematis, estimasi Difference GMM didasarkan pada kondisi momen ortogonalitas. Kondisi momen ini memanfaatkan nilai level historis sebagai instrumen bagi galat diferensiasi pertama. Namun, ketika parameter autoregresif alpha mendekati 1, turunan kondisi momen tersebut mendekati nol, yang secara teoritis membuktikan melemahnya instrumen diferensiasi (Blundell & Bond, 1998).

\n

System GMM menambah kondisi momen persilangan baru untuk persamaan level. Asumsi tambahan yang mendasari kondisi momen ini adalah bahwa perubahan variabel terikat (delta y_{i,t}) tidak berkorelasi dengan efek individu unobserved (eta ke-i), suatu kondisi yang dikenal sebagai stationarity of initial conditions (Arellano & Bover, 1995).

\n

Salah satu bahaya terbesar dalam penggunaan System GMM adalah instrument proliferation (Roodman, 2009). Karena instrumen dibuat untuk setiap periode waktu dan setiap lag, jumlah instrumen tumbuh secara kuadratik terhadap periode waktu T. Proliferasi instrumen ini membiaskan koefisien regresi mendekati OLS, memperkecil *standard error* secara tidak wajar, serta merusak kemampuan *Hansen test* dalam mendeteksi instrumen yang tidak valid (ditandai dengan p-value = 1,000).

\n

Untuk membendung proliferasi instrumen, Roodman (2009) menyarankan dua strategi utama: membatasi kedalaman lag (`laglimits`) dan menggabungkan vektor instrumen (`collapse`). Teknik `collapse` membuat instrumen tunggal untuk setiap lag di seluruh periode waktu, sehingga jumlah instrumen tumbuh secara linier terhadap T, bukan kuadratik.

\n

Mengenai pilihan estimator *One-Step* vs *Two-Step*, estimator *Two-Step* secara teoritis lebih efisien karena menggunakan matriks bobot optimal yang dihitung dari residual *One-Step*. Namun, pada sampel terbatas, *standard error Two-Step* yang tidak dikoreksi akan sangat membias ke bawah. Penggunaan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) wajib diterapkan untuk menghasilkan *standard error* yang akurat.

\n

Perbandingan dengan estimator koreksi bias alternatif seperti *Corrected Least Squares Dummy Variable* (LSDVC) yang dikembangkan Kiviet (1995) menunjukkan bahwa LSDVC sangat unggul ketika ukuran sampel kecil (N < 30). Namun, LSDVC mengasumsikan seluruh regressor bersifat eksogen. Jika model mengandung variabel bebas endogen, System GMM tetap menjadi pilihan terbaik (Bond, 2002).

\n

Dalam publikasi jurnal internasional, peneliti diwajibkan menyajikan tabel komparasi empat estimator secara berdampingan: OLS, Fixed Effects, Difference GMM, dan System GMM. Komparasi ini memberikan bukti transparansi metodologis bahwa koefisien System GMM yang dipilih benar-benar berada di antara batas OLS dan Fixed Effects serta bebas dari bias instrumen lemah.

\n\n

Kesimpulan

\n

Memilih antara Difference GMM dan System GMM harus didasarkan pada evaluasi tingkat persistensi data dan posisi koefisien lag relatif terhadap OLS dan Fixed Effects bounds. Jika data memiliki persistensi tinggi dan koefisien Difference GMM jatuh mendekati Fixed Effects, System GMM merupakan pilihan yang harus digunakan untuk mengatasi bias instrumen lemah. Dalam mengeksekusi System GMM pada Stata `xtabond2`, peneliti wajib membatasi jumlah instrumen agar tidak melebihi jumlah kelompok (Instruments > N) melalui opsi `collapse`, menggunakan estimator *Two-Step* dengan koreksi Windmeijer, serta memastikan terpenuhinya uji diagnostic Arellano-Bond AR(2) > 0,05 dan Hansen Test p-value pada rentang ideal 0,10 hingga 0,25.

\n\n

Daftar Pustaka

\n
\n

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.

\n

Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

\n

Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.

\n

Bond, S. R. (2002). Dynamic panel data models: a guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.

\n

Holtz-Eakin, D., Newey, W., & Rosen, H. S. (1988). Estimating vector autoregressions with panel data. Econometrica, 56(6), 1371-1395.

\n

Kiviet, J. F. (1995). On bias, inconsistency, and efficiency of various estimators in dynamic panel data models. Journal of Econometrics, 68(1), 53-78.

\n

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.

\n

Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.

\n

Windmeijer, F. (2005). A finite sample correction for the variance of two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-07T19:50:49+07:00", "date_modified": "2026-09-07T20:17:31+07:00" }, { "id": "https://statistikian.net/panduan-uji-asumsi-normalitas-multivariat-dalam-pemodelan-cb-sem-dengan-lisrel/", "url": "https://statistikian.net/panduan-uji-asumsi-normalitas-multivariat-dalam-pemodelan-cb-sem-dengan-lisrel/", "title": "Panduan Solusi Masalah Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM dengan Lisrel", "summary": "Dalam analisis Covariance-Based Structural Equation Modeling (CB-SEM), pelaksanaan Panduan Uji Asumsi Normalitas…", "content_html": "
\n

Dalam analisis Covariance-Based Structural Equation Modeling (CB-SEM), pelaksanaan Panduan Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM dengan Lisrel merupakan tahap krusial yang menentukan keabsahan estimasi parameter. Para peneliti sering mengalami kendala ketika mengeksekusi estimasi Maximum Likelihood (ML) di LISREL, di mana output statistik menunjukkan nilai p-value pada tes Relative Multivariate Skewness and Kurtosis berada jauh di bawah ambang batas signifikan 0,05 (p < 0,05).

\n

Pelanggaran asumsi normalitas multivariat ini berdampak langsung pada penggelembutan nilai statistik Chi-Square (inflated Chi-Square), bias pada perhitungan standard error, serta penetapan indeks kecocokan model (Goodness of Fit seperti RMSEA, CFI, dan GFI) yang menjadi sangat buruk. Bahkan dalam kasus ekstrem, LISREL akan mengeluarkan pesan peringatan \"The covariance matrix is not positive definite\" atau gagal mencapai konvergensi (non-convergence).

\n\n
DIAGRAM PERMASALAHAN: PELANGGARAN NORMALITAS MULTIVARIAT LISREL Matriks Kovarians Sampel Input Data Mentah LISREL Metode Standard: ML Uji Normalitas PRELIS 1. Multivariate Skewness p < 0.05 2. Multivariate Kurtosis p < 0.05 3. Mardia PK Statistic Tinggi Dampak Pada Model ML Chi-Square Bias / Overinflated Standard Error & Fit Distorted Simulasi Output Test of Multivariate Normality pada PRELIS Log: Skewness Z-Score = 8.412 | P-Value = 0.0000 [EXTREME SKEWNESS] Kurtosis Z-Score = 12.105 | P-Value = 0.0000 [EXTREME KURTOSIS] Skewness and Kurtosis Chi-Square = 182.42 | P-Value = 0.0000 [ASYMPTOTIC VIOLATION] [SOLUSI] Gunakan Robust Maximum Likelihood (RML) & Asymptotic Covariance Matrix (.ACM)! DIAGNOSA DAN CATATAN TEKNIS LISREL Ketika asumsi normalitas terlanggar, jangan gunakan ML standar. Beralihlah ke RML dengan Satorra-Bentler Scaled Chi-Square.
\n\n

Konsep Teori Asumsi Normalitas Multivariat dalam CB SEM

\n

Secara konseptual, pemodelan CB-SEM dengan perangkat lunak LISREL mengandalkan estimasi Maximum Likelihood (ML) yang secara ketat mengasumsikan bahwa variabel teramati berdistribusi normal multivariat (Jöreskog & Sörbom, 1996; Kline, 2016). Distribusi normal multivariat mengindikasikan bahwa setiap variabel tunggal berdistribusi normal secara univariat, serta seluruh kombinasi linier dari variabel-variabel tersebut juga berdistribusi normal.

\n

Untuk memahami landasan matematis distribusi normal, bentuk kurva kemencengan (skewness), dan keruncingan (kurtosis) pada level univariat, Anda dapat mempelajari ulasan lengkap mengenai teori dasar uji normalitas data di www.statistikian.com. Pemahaman dasar teori pengujian distribusi sangat dibutuhkan sebelum mengoperasikan sintaks LISREL.

\n

Penilaian normalitas multivariat dalam LISREL didasarkan pada statistik Multivariate Skewness dan Kurtosis yang dikembangkan oleh Mardia (1970). Peneliti harus mengevaluasi nilai p-value gabungan dari kedua komponen tersebut. Jika nilai p-value signifikan secara statistik (p < 0,05), maka hipotesis nol bahwa data berdistribusi normal multivariat ditolak, yang menandakan bahwa metode ML standar tidak lagi cocok untuk digunakan (Bollen, 1989).

\n

Dampak utama dari ketidaknormalan multivariat adalah penggelembutan nilai statistik Chi-Square secara artifisial (West et al., 1995; Finney & DiStefano, 2006). Hal ini menyebabkan model penelitian cenderung ditolak padahal secara teoritis spesifikasi model sudah tepat. Selain itu, nilai standard error dari parameter estimasi menjadi terlalu kecil (underestimated), sehingga meningkatkan risiko kesalahan Tipe I (Type I Error).

\n\n

Langkah-Langkah Perbaikan Teknis dan Penulisan SIMPLIS Syntax LISREL

\n

Untuk mengatasi permasalahan ketidaknormalan multivariat tanpa perlu membuang data sampel secara ekstrem, berikut adalah langkah-langkah perbaikan teknis mandiri yang dieksekusi melalui kombinasi PRELIS dan SIMPLIS syntax di LISREL:

\n

Langkah 1: Menjalankan PRELIS Syntax untuk Membuat Matriks Kovarians Asimtotik (ACM)
Sebelum mengeksekusi model di SIMPLIS, Anda harus mengimpor file data mentah (.psf atau .raw) ke PRELIS untuk menghitung Asymptotic Covariance Matrix (.acm) dan Sample Covariance Matrix (.cov). Matriks ACM berfungsi mengoreksi bias akibat ketidaknormalan data.

\n

Berikut adalah contoh sintaks PRELIS (.pr2) untuk mengekspor matriks kovarians sampel dan matriks kovarians asimtotik:

\n
DA NI=6 NO=250 MA=CM\nRAWFILE=DATAMENTAH.PSD\nOU MA=CM CM=DATA.COV AC=DATA.ACM\n
\n

Langkah 2: Memeriksa Output Normalitas Multivariat pada File Log PRELIS
Buka file output PRELIS (.out atau .log). Perhatikan bagian Test of Multivariate Normality for Continuous Variables. Evaluasi nilai p-value untuk Skewness, Kurtosis, serta gabungan keduanya (Skewness and Kurtosis). Jika p-value < 0,05, dipastikan data tidak memenuhi asumsi normalitas multivariat.

\n

Langkah 3: Mengubah Metode Estimasi ke Robust Maximum Likelihood (RML) di SIMPLIS
Solusi ilmiah paling direkomendasikan ketika data terdistribusi tidak normal adalah mengganti metode estimasi dari ML biasa menjadi Robust Maximum Likelihood (RML). RML menggunakan korelasi sampel beserta Asymptotic Covariance Matrix untuk menghasilkan statistik Satorra-Bentler Scaled Chi-Square (Satorra & Bentler, 1994).

\n

Langkah 4: Penulisan SIMPLIS Project Syntax untuk Estimasi RML
Buat file SIMPLIS Project (.prj atau .spj). Masukkan perintah panggilan file `.cov` dan file `.acm` secara bersamaan, lalu tetapkan baris perkiraan dengan Method of Estimation: Robust Maximum Likelihood.

\n

Berikut adalah struktur penulisan SIMPLIS PROJECT SYNTAX secara lengkap:

\n
Observed Variables: X1 X2 X3 Y1 Y2 Y3\nCovariance Matrix from File DATA.COV\nAsymptotic Covariance Matrix from File DATA.ACM\nSample Size: 250\n\nLatent Variables: KUALITAS KEPUASAN\n\nRelationships:\nX1 - X3 = KUALITAS\nY1 - Y3 = KEPUASAN\nKEPUASAN = KUALITAS\n\nPath Diagram\nMethod of Estimation: Robust Maximum Likelihood\nEnd of Problem\n
\n

Langkah 5: Penanganan Data Berukuran Sangat Besar dengan Weighted Least Squares (WLS)
Jika ukuran sampel Anda sangat besar (N > 500 sampai 1000) dan pelanggaran normalitas sangat parah, Anda dapat mengubah metode estimasi menjadi Weighted Least Squares (WLS) atau Asymptotically Distribution-Free (ADF) dengan menuliskan Method of Estimation: Weighted Least Squares pada sintaks SIMPLIS (Browne, 1984).

\n

Langkah 6: Eliminasi Outlier Multivariat Menggunakan Mahalanobis Distance
Sebelum mengubah metode estimasi, Anda juga dapat mengeliminasi data pencilan (multivariate outliers). Pada PRELIS, aktifkan opsi kalkulasi Mahalanobis Distance (D^2). Hapus observasi yang memiliki nilai D^2 dengan p-value < 0,001 secara bertahap untuk mereduksi nilai kurtosis multivariat.

\n

Langkah 7: Membaca Output Satorra-Bentler Scaled Chi-Square
Setelah running sintaks SIMPLIS RML selesai, buka output LISREL. Pada laporan kecocokan model, gunakan statistik Satorra-Bentler Scaled Chi-Square beserta p-value nya, bukan Minimum Fit Function Chi-Square biasa. Nilai Satorra-Bentler ini telah dikoreksi sehingga kebal terhadap pelanggaran normalitas.

\n\n
ALUR KEPUTUSAN PENANGANAN NORMALITAS MULTIVARIAT LISREL 1. Run PRELIS Syntax Generate DATA.COV & DATA.ACM Evaluasi Multivariate Normality 2. Pilih Metode SIMPLIS Normal: Maximum Likelihood (ML) Tidak Normal: RML / WLS 3. Evaluasi Output RML Satorra-Bentler Scaled Chi-Square Robust Standard Error Valid Estimasi Model SEM Bebas Bias Normalitas Indeks Fit (RMSEA, CFI, TLI) Terhitung Secara Robust HAL YANG HARUS DIHINDARI 1. Memaksa estimasi ML saat data p < 0.05. 2. Mengabaikan file ACM (.acm) pada RML. 3. Menggunakan WLS untuk sampel kecil (N < 200). CATATAN METODOLOGI LISREL RML adalah pilihan paling optimal untuk sampel sedang (N = 150-500) yang mengalami masalah kurtosis multivariat non-normal.
\n\n

Pembahasan Ilmiah: Formulasi Satorra-Bentler dan Pemilihan Estimator

\n

Secara matematis, penyesuaian Satorra-Bentler Scaled Chi-Square (T_SB) dirumuskan dengan mengalikan statistik Chi-Square standar ML (T_ML) dengan faktor pengoreksi skala (c), yang dihitung berdasarkan trace matriks bobot kovarians asimtotik (Satorra & Bentler, 1994). Formula ini dinyatakan sebagai T_SB = T_ML / c. Faktor penyesuaian ini mengembalikan distribusi empiris statistik sampel mendekati distribusi Chi-Square teoritis.

\n

Penggunaan Matriks Kovarians Asimtotik (ACM) dalam estimasi RML sangat vital karena ACM menyimpan informasi momen tingkat keempat (fourth-order moments) dari data sampel (Yuan & Bentler, 1998; Jöreskog, 1990). Momen tingkat keempat inilah yang menangkap besarnya derajat kurtosis multivariat untuk mengoreksi kalkulasi matriks varians-kovarians parameter estimasi.

\n

Dalam studi simulasinya, Finney dan DiStefano (2006) membandingkan efisiensi RML dengan Weighted Least Squares (WLS/ADF). Mereka menemukan bahwa meskipun WLS secara teoritis bersifat bebas asumsi distribusi (distribution-free), WLS membutuhkan matriks bobot yang sangat besar dan sangat tidak stabil pada sampel sedang (N < 500). Sebaliknya, RML terbukti sangat tangguh (robust) dan konsisten pada sampel sedang berukuran N = 150 hingga 500.

\n

Pengaruh kurtosis multivariat jauh lebih merusak dibandingkan skewness multivariat terhadap kecocokan model SEM (Curran et al., 1996). Kurtosis yang tinggi (leptokurtik) menyebabkan varians sampel mengecil atau membesar secara tidak wajar, yang mengakibatkan penolakan model yang benar (Kesalahan Tipe I berlebih). Koreksi Satorra-Bentler secara efektif menetralisasi bias akibat keruncingan kurva tersebut.

\n

Penting juga untuk membedakan antara variabel bertipe kontinu dan variabel bertipe ordinal pada skala Likert (Flora & Curran, 2004). Apabila indikator teramati berupa skala Likert 5 poin atau kurang, pelanggaran normalitas dikategorikan sebagai masalah kategorikal. Pada kondisi ini, peneliti disarankan mengekstrak matriks Polychoric Correlation pada PRELIS ketimbang matriks kovarians biasa.

\n

Pelaporan hasil penelitian ilmiah yang mengalami pelanggaran normalitas multivariat diwajibkan menyajikan dua nilai Chi-Square pada bab pembahasan, yaitu Minimum Fit Function Chi-Square (sebagai pembanding ML standar) dan Satorra-Bentler Scaled Chi-Square (sebagai dasar keputusan fit utama) (Boomsma, 2000).

\n

Dengan menerapkan langkah pengujian normalitas multivariat di PRELIS serta mengeksekusi penulisan SIMPLIS syntax berbasis RML secara benar, peneliti dapat menyajikan hasil pemodelan SEM LISREL yang sah, tangguh, dan memenuhi kaidah akademis internasional.

\n\n

Kesimpulan

\n

Uji asumsi normalitas multivariat merupakan syarat mutlak dalam pemodelan CB-SEM menggunakan LISREL apabila peneliti hendak menggunakan estimasi Maximum Likelihood (ML) standar. Ketika p-value statistik Mardia pada PRELIS menunjukkan pelanggaran normalitas (p < 0,05), pemaksaan metode ML akan menghasilkan bias pada Chi-Square dan standard error. Solusi metodologis yang paling tepat dan praktis adalah beralih ke estimasi Robust Maximum Likelihood (RML) pada SIMPLIS project syntax dengan menyertakan Asymptotic Covariance Matrix (.acm), sehingga model dapat dievaluasi menggunakan statistik Satorra-Bentler Scaled Chi-Square yang bebas dari bias ketidaknormalan data.

\n\n

Daftar Pustaka

\n
\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Boomsma, A. (2000). Reporting analyses of covariance structures. Structural Equation Modeling, 7(3), 461-483.

\n

Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of covariance structures. British Journal of Mathematical and Statistical Psychology, 37(1), 62-83.

\n

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.

\n

Finney, S. J., & DiStefano, C. (2006). Non-normal and categorical data in structural equation modeling. In G. R. Hancock & R. O. Mueller (Eds.), Structural Equation Modeling: A Second Course (pp. 269-314). Information Age Publishing.

\n

Flora, D. B., & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466-491.

\n

Jöreskog, K. G. (1990). New developments in LISREL: Analysis of ordinal variables using polychoric correlations and weighted least squares. Quality and Quantity, 24(4), 387-404.

\n

Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Scientific Software International.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.

\n

Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika, 57(3), 519-530.

\n

Satorra, A., & Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent Variables Analysis: Applications for Developmental Research (pp. 399-419). SAGE Publications.

\n

West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural Equation Modeling: Concepts, Issues, and Applications (pp. 56-75). SAGE Publications.

\n

Yuan, K. H., & Bentler, P. M. (1998). Normal theory based test statistics in structural equation modelling may be robust for nonnormal data. British Journal of Mathematical and Statistical Psychology, 51(2), 289-309.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-07T19:34:54+07:00", "date_modified": "2026-09-07T19:35:54+07:00" }, { "id": "https://statistikian.net/langkah-uji-validitas-konvergen-dan-diskriminan-cfa-menggunakan-amos/", "url": "https://statistikian.net/langkah-uji-validitas-konvergen-dan-diskriminan-cfa-menggunakan-amos/", "title": "Langkah Uji Validitas Konvergen dan Diskriminan (CFA) Menggunakan AMOS dan Solusi Jika ada Pelanggaran ", "summary": "Saat melakukan analisis model pengukuran menggunakan perangkat lunak IBM SPSS AMOS, para…", "content_html": "
\n

Saat melakukan analisis model pengukuran menggunakan perangkat lunak IBM SPSS AMOS, para peneliti sering dihadapkan pada hasil evaluasi indikator yang tidak memenuhi syarat validitas. Penerapan Langkah Cara Uji Validitas Konvergen dan Diskriminan (CFA) Menggunakan AMOS menjadi problematis ketika nilai Standardized Factor Loading (SFL) dari beberapa item kuesioner berada di bawah 0,50, nilai Average Variance Extracted (AVE) kurang dari 0,50, serta nilai Construct Reliability (CR) berada di bawah ambang batas 0,70.

\n

Gejala kegagalan ini makin diperparah ketika ditemukan korelasi antar variabel laten yang terlalu tinggi (di atas 0,85) sehingga melanggar kriteria validitas diskriminan Fornell-Larcker. Tanpa penanganan teknis yang benar, AMOS sering kali mengeluarkan pesan peringatan error seperti \"The covariance matrix is not positive definite\" atau menghasilkan nilai varians error negatif (Heywood case), yang menyebabkan seluruh pengujian model struktural selanjutnya menjadi tidak valid.

\n\n
DIAGRAM PERMASALAHAN: KEGAGALAN VALIDITAS CFA DI AMOS Model Pengukuran Mentah Konstruk Laten & Indikator Output Standardized Estimates Gejala Validitas Rendah 1. Loading Factor (SFL) < 0.50 2. AVE < 0.50 & CR < 0.70 3. Korelasi Laten > 0.85 Dampak Metodologis Konvergen & Diskriminan Gugur Pesan Error / Heywood Case Simulasi Kegagalan Output CFA di AMOS Graphics: Standardized Regression Weights: Indikator X1.3 = 0.382 [LOADING FABRICATED/LOW] Calculated Construct Metrics: AVE = 0.391 | CR = 0.642 [KONVERGEN INVALID] Correlations (Fornell-Larcker): r(F1, F2) = 0.892 > SQRT(AVE F1) = 0.625 [DISKRIMINAN INVALID] [SOLUSI] Respesifikasi Model: Respesifikasi Indikator, Modifikasi Error, atau Eliminasi Item! DIAGNOSA DAN CATATAN TEKNIS AMOS Lakukan eliminasinya secara berbertahap mulai dari item dengan loading factor terkecil lalu hitung ulang AVE dan CR.
\n\n

Konsep Teori CFA, Validitas Konvergen, dan Validitas Diskriminan

\n

Confirmatory Factor Analysis (CFA) merupakan teknik analisis statistik multivariat yang digunakan untuk menguji sejauh mana variabel teramati (indikator) secara konsisten mewakili konstruk laten yang dihipotesiskan berdasarkan teori (Kline, 2016; Brown, 2015). Berbeda dari Exploratory Factor Analysis (EFA), CFA mewajibkan peneliti menentukan struktur hubungan antar indikator dan dimensi sebelum data diuji.

\n

Untuk memahami landasan teori pengukuran konstruk, matriks kovarians, dan asumsi dasar analisis faktor kuesioner, Anda dapat mempelajari ulasan lengkap mengenai teori dasar uji validitas dan reliabilitas CFA di www.statistikian.com. Pemahaman dasar teori pengukuran sangat krusial sebelum menjalankan komputasi grafik di AMOS.

\n

Validitas konvergen (convergent validity) menilai tingkat proporsi varians bersama antar indikator dalam satu konstruk laten. Menurut Hair et al. (2019) serta Fornell dan Larcker (1981), validitas konvergen terpenuhi apabila nilai Standardized Factor Loading (SFL) tiap indikator idealnya bernilai lebih besar dari 0,70 (atau minimal 0,50 untuk penelitian eksploratif), nilai AVE mencapai minimal 0,50, dan nilai Construct Reliability (CR) melebihi 0,70.

\n

Sementara itu, validitas diskriminan (discriminant validity) memastikan bahwa suatu konstruk laten secara empiris benar-benar unik dan berbeda dari konstruk laten lainnya dalam model (Henseler et al., 2015). Berdasarkan kriteria Fornell-Larcker, validitas diskriminan tercapai apabila nilai akar kuadrat dari AVE suatu konstruk lebih besar dibandingkan korelasi antar konstruk laten tersebut dengan seluruh konstruk laten lainnya dalam model pengukuran.

\n\n

Langkah-Langkah Teknis Pengujian CFA dan Solusi Pemecahan Masalah di AMOS

\n

Berikut adalah panduan praktis dan sistematis untuk mengeksekusi pengujian validitas konvergen dan diskriminan menggunakan IBM SPSS AMOS Graphics:

\n

Langkah 1: Menggambar Diagram Jalur Model Pengukuran (CFA Model)
Buka AMOS Graphics, buat seluruh konstruk laten berupa lingkaran, hubungkan antar variabel laten menggunakan garis panah dua arah (double-headed arrow / covariance), serta masukkan indikator teramati berupa kotak beserta tanda panah searah dari laten ke indikator beserta istilah galatnya (error terms).

\n

Langkah 2: Pengaturan Output Analysis Properties
Klik menu Analysis Properties, beralih ke tab Output, lalu centang opsi Standardized estimates, Sample moments, Implied moments, Modification indices, dan Residual moments untuk menampilkan parameter pengujian lengkap (Bollen, 1989).

\n

Langkah 3: Menjalankan Estimasi Model (Calculate Estimates)
Jalankan perintah Calculate Estimates. Pastikan analisis berjalan lancar tanpa error. Buka menu Text Output dan perhatikan tabel Estimates sub-tabel Standardized Regression Weights.

\n

Langkah 4: Skrining Standardized Factor Loading (SFL)
Evaluasi nilai SFL untuk setiap indikator. Apabila ditemukan indikator dengan nilai SFL kurang dari 0,50, indikator tersebut wajib dipertimbangkan untuk dihapus (drop) secara bertahap satu per satu, dimulai dari indikator dengan loading terendah.

\n

Langkah 5: Menghitung Nilai AVE (Average Variance Extracted)
Hitung nilai AVE secara manual atau menggunakan excel dengan rumus: jumlah dari kuadrat SFL dibagi dengan jumlah indikator dalam konstruk tersebut. Pastikan nilai AVE minimal mencapai 0,50.

\n
\n

AVE = KUADRAT SFL (STANDART FACTOR LOADING)

\n
\n

Langkah 6: Menghitung Nilai CR (Construct Reliability)
Kalkulasikan nilai CR dengan kuadrat dari jumlah total SFL, dibagi dengan kuadrat dari jumlah total SFL ditambah dengan jumlah total varians galat (error variance). Target standar keandalan CR adalah >= 0,70.

\n
\n

CR = KUADRAT JUMLAH SFL / KUADRAT (JUMLAH TOTAL SFL + JUMLAH TOTAL VARIANS ERROR)

\n
\n

Langkah 7: Mengevaluasi Matriks Korelasi (Fornell-Larcker Criterion)
Buka tabel Correlations antar konstruk laten. Hitung akar kuadrat dari AVE masing-masing konstruk. Bandingkan nilai akar kuadrat AVE tersebut dengan koefisien korelasi antar konstruk. Jika akar kuadrat AVE lebih besar dari korelasi antar konstruk, maka validitas diskriminan terpenuhi.

\n

Langkah 8: Memanfaatkan Modification Indices (MI) untuk Indikator bermasalah
Apabila AVE masih di bawah 0,50 atau model fit buruk, periksalah tabel Modification Indices. Jika dua istilah galat (error terms) dalam satu konstruk laten yang sama memiliki nilai MI sangat tinggi, hubungkan kedua galat tersebut dengan garis kovarians panah dua arah untuk menurunkan nilai chi-square model (Gerbing & Anderson, 1988).

\n

Langkah 9: Penanganan Varians Error Negatif (Heywood Case)
Jika AMOS mengalami error varians negatif pada istilah galat (Heywood Case), tetapkan batasan konstanta kecil positif (misalnya 0,001) pada parameter varians galat tersebut melalui menu Object Properties tab Parameters (Rindskopf, 1984).

\n\n
ALUR KEPUTUSAN UJI VALIDITAS KONVERGEN & DISKRIMINAN AMOS 1. Skrining Loading Factor Eliminasi Item SFL < 0.50 Lakukan Secara Iteratif Bertahap 2. Kalkulasi AVE & CR Syarat: AVE >= 0.50 & CR >= 0.70 Konvergen Terpenuhi 3. Evaluasi Diskriminan Fornell-Larcker Criterion Akar AVE > Korelasi Laten Model Pengukuran CFA Valid & Reliable Siap Melangkah ke Pengujian Model Struktural (SEM) HAL YANG HARUS DIHINDARI 1. Mengorelasikan error antar konstruk berbeda. 2. Menghapus terlalu banyak item secara instan. 3. Membiarkan varians error berharga negatif. CATATAN METODOLOGI AMOS SFL > 0.70 adalah target ideal penelitian. Kombinasi SFL > 0.50 masih dapat diterima apabila AVE konstruk tetap melebihi 0.50.
\n\n

Pembahasan Ilmiah: Formulasi Matematis dan Isu Metodologis Evaluasi CFA

\n

Secara matematis, kalkulasi nilai Average Variance Extracted (AVE) dirumuskan sebagai AVE = (jumlah dari lambda_i kuadrat) / [(jumlah dari lambda_i kuadrat) + jumlah dari e_i], di mana lambda_i menyatakan nilai Standardized Factor Loading dari indikator ke-i, dan e_i menyatakan besarnya varians galat pengukuran (measurement error variance) yang dihitung dari 1 - lambda_i kuadrat. Formulasi ini mengukur besarnya proporsi varians indikator yang diserap oleh variabel laten relatif terhadap varians galatnya.

\n

Sementara itu, nilai Construct Reliability (CR) dihitung dengan rumus CR = (jumlah dari lambda_i) kuadrat / [(jumlah dari lambda_i) kuadrat + jumlah dari e_i]. Menurut Raykov (1997), CR memberikan estimasi reliabilitas yang jauh lebih akurat dibandingkan Alfa Cronbach pada analisis SEM, karena CR tidak mengasumsikan ekuivalensi tau kaku (tau-equivalence) antar indikator.

\n

Masalah serius yang sering muncul dalam pengujian validitas diskriminan adalah tingginya korelasi antar variabel laten (melebihi 0,85). Marsh et al. (2004) menegaskan bahwa korelasi laten yang terlalu tinggi mengindikasikan adanya redundansi konseptual atau isu kolinearitas berat antar konstruk. Dalam kondisi ini, solusi metodologis yang disarankan adalah menggabungkan kedua konstruk laten tersebut menjadi satu konstruk berdimensi tunggal atau menjadikannya sebagai konstruk orde tinggi (second-order factor model).

\n

Penggunaan Modification Indices (MI) untuk mengorelasikan antar istilah galat (error terms) harus dilakukan dengan pertimbangan teoritis yang ketat. Gerbing dan Anderson (1988) memperingatkan bahwa mengorelasikan galat indikator secara sembarangan hanya untuk mengejar kecocokan model (model fit) dapat merusak integritas teori pengukuran dan menurunkan daya generalisasi model.

\n

Perbandingan antara Covariance-Based SEM (CB-SEM) seperti AMOS dan Partial Least Squares SEM (PLS-SEM) menunjukkan bahwa CB-SEM sangat sensitif terhadap asumsi normalitas multivariat dan ukuran sampel minimum. Hair et al. (2017) menyatakan bahwa CB-SEM di AMOS sangat unggul untuk pengujian teori yang mapan karena menyediakan matriks kovarians yang presisi untuk pengujian validitas CFA.

\n

Dalam pelaporan publikasi ilmiah internasional, dua tahap analisis (two-step approach) yang diperkenalkan Anderson dan Gerbing (1988) merupakan standar wajib. Peneliti harus melaporkan keberhasilan validitas dan reliabilitas model pengukuran (CFA) terlebih dahulu sebelum melangkah ke pengujian hipotesis pada model struktural.

\n

Melalui prosedur evaluasi nilai SFL, kalkulasi AVE dan CR, serta pemeriksaan kriteria Fornell-Larcker secara cermat, pengujian validitas konvergen dan diskriminan di AMOS akan menghasilkan kesimpulan yang akurat, valid, dan dapat dipertanggungjawabkan secara ilmiah.

\n\n

Kesimpulan

\n

Pengujian Confirmatory Factor Analysis (CFA) di IBM SPSS AMOS mensyaratkan evaluasi dua pilar utama validitas pengukuran. Validitas konvergen terpenuhi apabila seluruh indikator memiliki Standardized Factor Loading (SFL) >= 0,50 (ideal >= 0,70), nilai Average Variance Extracted (AVE) >= 0,50, dan Construct Reliability (CR) >= 0,70. Sementara validitas diskriminan terpenuhi jika nilai akar kuadrat AVE setiap konstruk melebihi nilai korelasi antar variabel laten. Penanganan masalah teknis seperti pangkas item loading rendah, koreksi galat, dan resolusi Heywood Case secara sistematis menjamin kelayakan model pengukuran sebelum melangkah ke analisis SEM struktural.

\n\n

Daftar Pustaka

\n
\n

Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411-423.

\n

Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.

\n

Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). The Guilford Press.

\n

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.

\n

Gerbing, D. W., & Anderson, J. C. (1988). An updated paradigm for scale development incorporating unidimensionality and its assessment. Journal of Marketing Research, 25(2), 186-192.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). SAGE Publications.

\n

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.

\n

Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.

\n

Marsh, H. W., Hau, K. T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler's (1999) findings. Structural Equation Modeling, 11(3), 320-341.

\n

Raykov, T. (1997). Estimation of composite reliability for congeneric measures. Applied Psychological Measurement, 21(2), 173-184.

\n

Rindskopf, D. (1984). Structural equation models with empirical identificability problems. Journal of Educational Statistics, 9(1), 42-47.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-07T19:24:52+07:00", "date_modified": "2026-09-07T19:35:27+07:00" }, { "id": "https://statistikian.net/cara-akurat-membaca-output-regresi-linear-berganda-uji-t-uji-f-adjusted-r2-dengan-aplikasi-jasp/", "url": "https://statistikian.net/cara-akurat-membaca-output-regresi-linear-berganda-uji-t-uji-f-adjusted-r2-dengan-aplikasi-jasp/", "title": "Cara Akurat Membaca Output Regresi Linear Berganda (Uji t, Uji F, Adjusted R2) dengan Aplikasi JASP", "summary": "Banyak peneliti dan mahasiswa mengalami kebingungan mendalam saat dihadapkan pada tabel hasil…", "content_html": "
\n

Banyak peneliti dan mahasiswa mengalami kebingungan mendalam saat dihadapkan pada tabel hasil analisis perangkat lunak statistik JASP. Penerapan Cara Akurat Membaca Output Regresi Linear Berganda (Uji t, Uji F, Adjusted R2) dengan Aplikasi JASP menjadi kendala utama ketika ditemui kontradiksi hasil, seperti nilai statistik Uji F pada tabel ANOVA menunjukkan signifikansi yang sangat tinggi, namun seluruh variabel bebas pada tabel Coefficients justru menghasilkan p-value yang tidak signifikan secara parsial.

\n

Gejala kesalahan membaca output ini sering memicu salah kaprah dalam penarikan kesimpulan hipotesis. Kegagalan membedakan fungsi R-Squared dengan Adjusted R-Squared, keliru dalam membaca nilai Unstandardized B dibanding Standardized Beta, serta mengabaikan indikator multikolinearitas (VIF) dapat menyebabkan pembacaan statistik terdistorsi dan membuat laporan hasil penelitian tidak valid secara metodologis.

\n\n
DIAGRAM PERMASALAHAN: KEBINGUNGAN MEMBACA OUTPUT REGRESI JASP Output JASP Mentah Tabel Model Summary Tabel ANOVA & Coefficients Gejala Kebingungan 1. Uji F vs Uji t Kontradiksi 2. Pakai R2 Bukan Adj. R2 3. Buka/Tutup VIF Terlewat Dampak Metodologi Salah Tolak/Terima Hipotesis Laporan Penelitian Cacat Simulasi Konflik Output pada JASP Results: ANOVA Table: F(2, 97) = 18.45, p < .001 [Uji F Signifikan - Model Fit OK] Model Summary: R2 = 0.276 | Adjusted R2 = 0.261 [Goodness of Fit OK] Coefficients: Variabel X1 p = 0.412 | Variabel X2 p = 0.189 [Uji t TIDAK SIGNIFIKAN] [GEJALA MULTIKOLINEARITAS] Diperlukan Pembacaan VIF dan Urutan Evaluasi Baku! DIAGNOSA DAN CATATAN SOLUSI INTERPRETASI JASP Evaluasi secara sistematis: Uji F (ANOVA) dulu, lalu Adjusted R2, kemudian Uji t Parsial dan VIF.
\n\n

Konsep Teori Regresi Linear Berganda dan Struktur Output JASP

\n

Regresi linear berganda merupakan teknik statistik parametrik yang digunakan untuk menguji pengaruh simultan maupun parsial dari dua atau lebih variabel independen kontinu terhadap satu variabel dependen (Gujarati & Porter, 2009). Perangkat lunak JASP (Jeffreys' Amazing Statistics Program) menyajikan hasil estimasi regresi berbasis pendekatan kerangka frekuentis dan Bayesian yang disusun secara otomatis ke dalam tabel berstandar APA (American Psychological Association).

\n

Untuk memahami landasan teori persamaan garis regresi, rumus kalkulasi kuadrat terkecil (Ordinary Least Squares), dan asumsi klasik yang mendasarinya secara lebih mendalam, Anda dapat mempelajari ulasan lengkap mengenai konsep dasar regresi linear berganda di www.statistikian.com. Pemahaman dasar teori ini sangat penting agar analisis tidak sebatas melakukan klik pada aplikasi.

\n

Uji F pada tabel ANOVA berfungsi mengevaluasi kelayakan model secara keseluruhan (overall model fit). Menurut Wooldridge (2013), Uji F menguji hipotesis nol bahwa seluruh koefisien regresi populasi secara bersama-sama bernilai nol. Jika p-value Uji F lebih kecil dari tingkat signifikansi alpha 0,05, maka model regresi dinyatakan layak dan memiliki daya prediksi yang bermakna.

\n

Di sisi lain, Uji t pada tabel Coefficients menilai kontribusi unik masing-masing variabel bebas secara parsial dengan mengontrol variabel independen lainnya dalam model (Field, 2018). Sementara itu, Adjusted R-Squared memberikan koreksi terhadap koefisien determinasi agar tidak mengalami pembengkakan semu saat variabel prediktor ditambahkan ke dalam model penelitian.

\n\n

Langkah-Langkah Akurat Membaca Output Regresi di JASP

\n

Berikut adalah panduan praktis dan sistematis untuk membaca serta menginterpretasikan setiap tabel output regresi linear berganda pada aplikasi JASP:

\n

Langkah 1: Memeriksa Tabel Model Summary (Adjusted R2)
Buka panel output Model Summary. Perhatikan kolom Adjusted R-Squared, bukan R-Squared biasa. Nilai ini menunjukkan persentase varians variabel terikat yang mampu dijelaskan oleh kombinasi variabel bebas setelah memperhitungkan jumlah prediktor dan ukuran sampel (Hair et al., 2019).

\n

Langkah 2: Menilai Kelayakan Model pada Tabel ANOVA (Uji F)
Beralihlah ke tabel ANOVA. Amati nilai F-statistic dan kolom p (p-value). Jika p < 0,05, maka hipotesis nol ditolak, yang berarti minimal terdapat satu variabel bebas yang berpengaruh signifikan secara bersama-sama terhadap variabel terikat.

\n

Langkah 3: Membaca Nilai Unstandardized Coefficients (B)
Pada tabel Coefficients, amati kolom Unstandardized sub-kolom B. Nilai ini merupakan koefisien persamaan regresi yang menunjukkan besarnya perubahan unit variabel terikat untuk setiap kenaikan satu unit variabel bebas terkait.

\n

Langkah 4: Evaluasi Standard Error dan Nilai t-Statistic
Periksa kolom Std. Error dan kolom t. Nilai t-hitung diperoleh dari pembagian nilai B dengan Standard Error. Semakin besar nilai mutlak t-hitung relatif terhadap galat bakunya, semakin kuat indikasi pengaruh variabel tersebut.

\n

Langkah 5: Memeriksa P-Value Parsial (Uji t)
Perhatikan kolom p pada baris masing-masing variabel bebas di tabel Coefficients. Jika p < 0,05, maka variabel bebas tersebut berpengaruh signifikan secara parsial terhadap variabel terikat.

\n

Langkah 6: Menentukan Variabel Dominan dengan Standardized Beta
Untuk membandingkan pengaruh antar variabel bebas yang memiliki unit satuan berbeda, periksalah kolom Standardized (Beta). Variabel dengan nilai mutlak Beta terbesar merupakan prediktor yang paling dominan mempengaruhi variabel terikat.

\n

Langkah 7: Memeriksa Asumsi Multikolinearitas (VIF dan Tolerance)
Aktifkan opsi Collinearity diagnostics pada menu JASP. Pastikan nilai Variance Inflation Factor (VIF) < 10 dan nilai Tolerance > 0,10 untuk memastikan tidak terjadi multikolinearitas antar variabel bebas.

\n

Langkah 8: Memeriksa Asumsi Autokorelasi dan Heteroskedastisitas
Centang opsi Durbin-Watson dan Residual plots pada JASP. Nilai Durbin-Watson di sekitar angka 2 menunjukkan tidak adanya gejala autokorelasi pada residual model.

\n

Langkah 9: Menyusun Persamaan Garis Regresi
Bentuk persamaan regresi matematis berdasarkan nilai Unstandardized B dari baris (Intercept) dan baris variabel-variabel prediktor yang diuji.

\n\n
ALUR KEPUTUSAN MEMBACA OUTPUT REGRESI DI JASP 1. Evaluasi Uji F (ANOVA) Cek Nilai p pada Tabel ANOVA Jika p < 0.05 -> Model Layak 2. Cek Adjusted R2 Tabel Model Summary Ukur Kontribusi Simultan (%) 3. Evaluasi Uji t & VIF Tabel Coefficients (p < 0.05) Pastikan VIF < 10 (No Multikol) Kesimpulan Hipotesis Akurat & Valid Laporan Statistik Sesuai Standar Publikasi APA KESALAHAN YANG HARUS DIHINDARI 1. Menggunakan R2 biasa pada regresi berganda. 2. Membaca Uji t saat Uji F tidak signifikan. 3. Mengabaikan indikator VIF multikolinearitas. CATATAN TEKNIS APLIKASI JASP Standardized Beta digunakan membandingkan efek. Unstandardized B untuk membentuk persamaan. JASP menyajikan nilai p yang sangat presisi.
\n\n

Pembahasan Ilmiah: Sifat Statistik dan Fenomena Multikolinearitas

\n

Secara matematis, penambahan variabel bebas ke dalam model regresi pasti akan meningkatkan atau minimal mempertahankan nilai R-Squared, meskipun variabel baru tersebut tidak memiliki hubungan nyata dengan variabel terikat. Oleh karena itu, penggunaan Adjusted R-Squared menerapkan hukuman (penalty) terhadap penambahan prediktor yang tidak meningkatkan daya jelaskan model secara signifikan (Montgomery et al., 2021).

\n

Fenomena di mana Uji F bernilai signifikan namun tidak ada satupun Uji t yang signifikan merupakan indikator klasik hadirnya multikolinearitas sempurna atau sangat tinggi antar variabel prediktor (Kutner et al., 2005). Tingginya korelasi antar prediktor menyebabkan varians dari koefisien regresi melambung tinggi (inflated variance), sehingga galat baku membesar dan nilai t-hitung menjadi sangat kecil.

\n

Perbedaan penggunaan nilai Unstandardized B dan Standardized Beta sering kali menjadi perdebatan dalam pelaporan penelitian ilmiah. Cohen et al. (2003) menjelaskan bahwa Unstandardized B mempertahankan skala pengukuran asli variabel sehingga cocok untuk simulasi skenario praktis, sedangkan Standardized Beta menghilangkan dimensi skala sehingga tepat digunakan untuk membandingkan besaran relatif kontribusi prediktor.

\n

Aplikasi JASP mempermudah evaluasi asumsi melalui pemeriksaan grafik residual secara intuitif. Pengujian normalitas residual menggunakan plot Q-Q Residual dan pengujian homoskedastisitas menggunakan plot Residuals vs. Fitted membantu memastikan bahwa estimasi parameter OLS tetap merupakan estimator linier tidak bias terbaik (Best Linear Unbiased Estimator / BLUE) (Greene, 2018).

\n

Dalam konteks pelaporan jurnal terakreditasi, nilai statistik harus disajikan secara rinci mencakup derajat kebebasan (degrees of freedom), nilai F, p-value, nilai Adjusted R2, serta interval kepercayaan (confidence intervals) 95% untuk setiap koefisien regresi guna menjamin transparansi data.

\n

Keunggulan JASP dibandingkan perangkat lunak lain terletak pada kemampuan menyajikan statistik deskriptif, pengujian asumsi, dan estimasi regresi secara langsung dalam satu tampilan terpadu yang dinamis saat data diperbarui.

\n

Dengan mengikuti alur interpretasi yang terstruktur, pengolahan data regresi linear berganda di JASP akan menghasilkan analisis yang kokoh secara metodologis serta bebas dari kesalahan logika interpretasi.

\n\n

Kesimpulan

\n

Membaca output regresi linear berganda di aplikasi JASP membutuhkan urutan evaluasi yang terstruktur demi menghindari kesalahan penarikan kesimpulan. Peneliti harus memulai dari tabel ANOVA (Uji F) untuk memastikan kelayakan model secara keseluruhan, dilanjutkan dengan membaca Adjusted R-Squared pada Model Summary untuk mengetahui daya jelaskan model. Selanjutnya, analisis dilakukan pada tabel Coefficients (Uji t) untuk mengevaluasi pengaruh parsial setiap variabel independen serta memeriksa nilai VIF untuk memastikan model bebas dari gejala multikolinearitas.

\n\n

Daftar Pustaka

\n
\n

Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (3rd ed.). Lawrence Erlbaum Associates.

\n

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.

\n

Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson.

\n

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill Education.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill/Irwin.

\n

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis (6th ed.). John Wiley & Sons.

\n

Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). South-Western Cengage Learning.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "JASP" ], "date_published": "2026-09-06T22:59:08+07:00", "date_modified": "2026-09-06T22:59:08+07:00" }, { "id": "https://statistikian.net/solusi-menangani-variabel-dengan-skala-berbeda-menggunakan-z-score-standardization-di-r-studio/", "url": "https://statistikian.net/solusi-menangani-variabel-dengan-skala-berbeda-menggunakan-z-score-standardization-di-r-studio/", "title": "Solusi Menangani Variabel dengan Skala Berbeda Menggunakan Z-Score Standardization di R-Studio", "summary": "Saat mengolah data multivariat menggunakan algoritma berbasis jarak di R-Studio, peneliti sering…", "content_html": "
\n

Saat mengolah data multivariat menggunakan algoritma berbasis jarak di R-Studio, peneliti sering menjumpai hasil analisis yang sangat terbias pada satu variabel tertentu. Penerapan Solusi Menangani Variabel dengan Skala Berbeda Menggunakan Z-Score Standardization di R-Studio menjadi langkah teknis yang sangat vital ketika variabel berskala absolut besar, seperti pendapatan dalam jutaan rupiah, secara semu mendominasi bobot perhitungan jarak Euklidean dibandingkan variabel berskala kecil seperti usia atau rasio keuangan.

\n

Gejala kendala ini terlihat jelas ketika hasil pengelompokan K-Means membentuk batas kluster yang hanya sejajar pada satu sumbu variabel, atau saat analisis Principal Component Analysis (PCA) menghasilkan vektor bobot yang sepenuhnya dikuasai oleh variabel berdeviasi standar tinggi. Ketimpangan skala absolut ini menyebabkan kalkulasi jarak terdistorsi, memicu kegagalan konvergensi algoritma, serta menghasilkan interpretasi pengelompokan data yang tidak sah secara metodologis.

\n\n
DIAGRAM PERMASALAHAN: KETIMPANGAN SKALA VARIABEL DI R-STUDIO Dataset Mentah Multi-Skala Pendapatan: 1.000.000 - 50.000.000 Usia: 18 - 65 Tahun Gejala Kendala Analisis 1. Varians Pendapatan Dominan 2. Bobot Usia Diabaikan (0.001%) 3. Jarak Euklidean Terdistorsi Dampak Metodologi Kluster K-Means Bias Sumbu Vektor Loading PCA Salah Simulasi Ketidakseimbangan Skala di R Console: > sd(df$Pendapatan) = 12450000 | sd(df$Usia) = 8.4 > dist(df) # Perhitungan Matriks Jarak Euklidean [HASIL TERBIAS] 99.9% Kontribusi Jarak Dikuasai Variabel Pendapatan! [REKOMENDASI] Terapkan scale(df) Agar Rerata = 0 dan Deviasi Standar = 1 DIAGNOSA DAN CATATAN SOLUSI R-STUDIO Standardisasi Z-Score menghilangkan dimensi satuan tanpa mengubah bentuk sebaran distribusi relatif data.
\n\n

Konsep Teori Z-Score Standardization dan Skala Pengukuran

\n

Standardisasi Z-Score, yang juga dikenal sebagai autoscaling atau standard score transformation, merupakan teknik transformasi linier yang mengubah nilai variabel mentah sehingga memiliki nilai rata-rata (mean) sama dengan nol dan deviasi standar (standard deviation) sama dengan satu (Han et al., 2011). Proses ini mentransformasi seluruh variabel ke dalam skala deviasi baku yang bebas dari dimensi unit pengukuran absolut.

\n

Untuk mempelajari landasan teoritis mengenai jenis-jenis skala data, rumus pembentukan matriks korelasi, serta prosedur preprocessing multivariat secara lebih detail, Anda dapat membaca ulasan lengkap mengenai teori dasar transformasi data di platform www.statistikian.com. Pemahaman dasar ini sangat penting sebelum mengeksekusi sintaks pemrograman di R-Studio.

\n

Menurut James et al. (2021), algoritma pembelajaran mesin yang bergantung pada kalkulasi jarak Euklidean seperti K-Nearest Neighbors (KNN), K-Means Clustering, Principal Component Analysis (PCA), dan teknik regularisasi (Lasso dan Ridge Regression) sangat sensitif terhadap besaran rentang data. Jika variabel tidak di-standardisasi, variabel dengan varians terbesar akan mendominasi fungsi objektif minimisasi jarak, terlepas dari relevansi substansial variabel tersebut.

\n

Stevens (1946) dalam teorinya mengenai skala pengukuran menyatakan bahwa membandingkan nilai antar variabel rasio dengan unit satuan yang berbeda secara absolut tanpa proses penyetaraan skala merupakan bentuk ketidaksesuaian struktur matematis. Standardisasi Z-Score menyelesaikan masalah ini dengan mengonversi nilai absolut menjadi skor relatif yang mewakili seberapa jauh suatu observasi menyimpang dari rata-rata populasinya.

\n\n

Langkah-Langkah Teknis Mengatasi Skala Berbeda di R-Studio

\n

Berikut adalah panduan praktis penanganan variabel dengan skala berbeda menggunakan fungsi baku maupun paket populer pada R-Studio:

\n

Langkah 1: Pemeriksaan Distribusi dan Varians Variabel Mentah
Impor data ke R-Studio dan periksa deviasi standar masing-masing variabel menggunakan perintah sapply(df, sd) dan summary(df). Amatilah perbedaan besaran deviasi standar antar kolom untuk mengidentifikasi tingkat ketimpangan skala.

\n

Langkah 2: Mengisolasi Kolom Numerik Kontinu
Pisahkan kolom kategorik atau kolom identitas (ID/Nama) dari matriks perhitungan, karena fungsi standardisasi Z-Score hanya dapat diterapkan pada variabel kontinu berskala interval atau rasio.

\n

Langkah 3: Menggunakan Fungsi scale() Bawaan R
Jalankan perintah Z-Score standardization menggunakan fungsi bawaan R secara komprehensif:
df_scaled <- scale(df_numeric)
Fungsi ini secara otomatis menghitung nilai Z untuk setiap sel data secara berulang (R Core Team, 2023).

\n

Langkah 4: Memahami Argumen Center dan Scale
Secara default, fungsi scale() memiliki argumen center = TRUE (mengurangkan nilai dengan rata-rata) dan scale = TRUE (membagi dengan deviasi standar). Penggunaan kedua parameter ini secara bersamaan merupakan syarat mutlak pembentukan skor Z baku.

\n

Langkah 5: Verifikasi Hasil Standardisasi
Pastikan proses standardisasi berhasil dengan memeriksa rerata dan deviasi standar data hasil transformasi:
colMeans(df_scaled) (harus bernilai mendekati 0)
apply(df_scaled, 2, sd) (harus bernilai tepat 1)

\n

Langkah 6: Memformat Kembali ke Data Frame
Fungsi scale() menghasilkan output berupa matriks (matrix). Konversikan kembali objek tersebut menjadi data frame agar kompatibel dengan paket analisis lain:
df_scaled <- as.data.frame(df_scaled)

\n

Langkah 7: Penanganan Data Split (Train dan Test Set)
Dalam pemodelan prediktif, Z-Score pada data pengujian (test set) harus menggunakan nilai rata-rata dan deviasi standar dari data pelatihan (train set) untuk menghindari kebocoran data (data leakage) (Kuhn & Johnson, 2013).

\n

Langkah 8: Menggunakan Paket caret untuk Workflow Kompleks
Untuk alur kerja pembelajaran mesin terintegrasi, manfaatkan fungsi dari paket caret:
params <- preProcess(train_data, method = c(\"center\", \"scale\"))
train_scaled <- predict(params, train_data)
test_scaled <- predict(params, test_data)

\n

Langkah 9: Evaluasi Ulang Model Berbasis Jarak
Jalankan kembali analisis K-Means, KNN, atau PCA menggunakan df_scaled. Anda akan mendapati bahwa seluruh variabel kini berkontribusi secara seimbang terhadap pembentukan jarak dan varians model.

\n\n
ALUR KEPUTUSAN TRANSFORMASI Z-SCORE DI R-STUDIO 1. Isolasi Kolom Numerik sapply(df, is.numeric) Keluarkan Kolom ID / Faktor 2. Eksekusi Transformation df_scaled <- scale(df_num) center = TRUE, scale = TRUE 3. Verifikasi Properti colMeans(df_scaled) = 0 apply(df_scaled, 2, sd) = 1 Model Berbasis Jarak Bebas Dari Bias Skala K-Means, KNN, PCA, dan Regularisasi Berjalan Optimal HAL YANG HARUS DIHINDARI 1. Memasukkan variabel kategorik ke scale(). 2. Menghitung Z-score gabungan pada train+test. 3. Lupa mengonversi matriks kembali ke data.frame. CATATAN TEKNIS R-STUDIO Z-score menyamakan skala tanpa mengubah korelasi. Gunakan caret::preProcess() untuk analisis prediktif agar terhindar dari data leakage.
\n\n

Pembahasan Ilmiah: Sifat Matematis dan Komparasi Metode Normalisasi

\n

Secara matematis, rumusan Z-Score untuk observasi x_i pada variabel X didefinisikan sebagai z_i = (x_i - x_bar) / s, di mana x_bar melambangkan rata-rata sampel dan s adalah deviasi standar sampel. Transformasi ini merupakan bentuk pemetaan linier (affine transformation) yang menggeser lokasi (location shift) dan mengubah skala (scale change) tanpa mengubah koefisien korelasi Pearson antar variabel (Johnson & Wichern, 2007).

\n

Perbedaan mendasar antara Z-Score Standardization dan Min-Max Normalization terletak pada penanganan nilai ekstrem (outliers). Min-Max Normalization mentransformasi data ke dalam rentang tertutup [0, 1] yang sangat rentan terdistorsi jika terdapat pencilan ekstrem, sedangkan Z-Score tidak membatasi nilai minimum dan maksimum secara kaku, sehingga lebih tebal (robust) terhadap keberadaan pencilan dalam analisis statistik multivariat (Milligan & Cooper, 1988).

\n

Dalam konteks Principal Component Analysis (PCA), melakukan PCA pada data yang telah ditransformasi Z-Score secara matematis identik dengan menghitung nilai eigen (eigenvalues) dan vektor eigen (eigenvectors) dari matriks korelasi, bukan dari matriks kovarians sampel. Abdi dan Williams (2010) menegaskan bahwa penggunaan matriks korelasi merupakan keharusan mutlak ketika variabel-variabel penelitian diukur dalam unit satuan yang tidak seragam.

\n

Pada algoritma pengoptimalan berbasis gradien seperti regresi ter-regularisasi (Ridge dan Lasso) atau jaringan saraf tiruan (neural networks), standardisasi Z-Score mempercepat laju konvergensi fungsi rugi (loss function). Tanpa standardisasi, kontur fungsi rugi akan berbentuk elips yang sangat memanjang, menyebabkan langkah pembaruan bobot (gradient steps) berosilasi secara tidak efisien (Goodfellow et al., 2016).

\n

Perlu digarisbawahi bahwa Z-Score standardization tidak mengubah bentuk distribusi data yang miring (skewed) menjadi terdistribusi normal. Menurut Box dan Cox (1964), apabila suatu metode statistik mensyaratkan asumsi normalitas multivariat, transformasi Z-Score harus dikombinasikan dengan transformasi daya (power transformation) seperti metode Box-Cox atau Yeo-Johnson.

\n

Dalam standar pelaporan ilmiah publikasi internasional, peneliti disyaratkan mencantumkan nilai rata-rata dan deviasi standar data mentah sebelum transformasi, serta mengonfirmasi bahwa seluruh analisis berbasis jarak telah dijalankan pada matriks data yang telah di-standardisasi demi menjaga keterulangan penelitian (reproducibility).

\n

Pemanfaatan lingkungan R-Studio melalui fungsi bawaan scale() maupun ekosistem caret menyediakan sarana transformasi data yang presisi, efisien dari segi komputasi, serta memenuhi standar kaidah analisis statistik modern.

\n\n

Kesimpulan

\n

Menangani variabel dengan skala unit yang berbeda merupakan tahap preprocessing wajib dalam analisis data multivariat. Tanpa standardisasi, algoritma berbasis jarak seperti K-Means, KNN, dan PCA akan terdistorsi oleh variabel berdeviasi standar tinggi. Melalui penerapan Z-Score Standardization menggunakan fungsi scale() di R-Studio, seluruh variabel ditransformasi ke dalam skala terpadu dengan rerata 0 dan deviasi standar 1. Langkah ini menjamin bahwa setiap variabel memberikan kontribusi yang adil dan proporsional dalam pemodelan statistik.

\n\n

Daftar Pustaka

\n
\n

Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433-459.

\n

Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243.

\n

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

\n

Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.

\n

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (2nd ed.). Springer.

\n

Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Pearson Prentice Hall.

\n

Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer.

\n

Milligan, G. W., & Cooper, M. C. (1988). A study of standardization of variables in cluster analysis. Journal of Classification, 5(2), 181-204.

\n

R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.

\n

Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677-680.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "R Studio" ], "date_published": "2026-09-06T22:48:44+07:00", "date_modified": "2026-09-06T22:53:36+07:00" }, { "id": "https://statistikian.net/cara-menentukan-jumlah-kluster-optimal-menggunakan-pendekatan-elbow-method-dan-koefisien-silhoutte-di-r-studio/", "url": "https://statistikian.net/cara-menentukan-jumlah-kluster-optimal-menggunakan-pendekatan-elbow-method-dan-koefisien-silhoutte-di-r-studio/", "title": "Cara Menentukan Jumlah Kluster Optimal Menggunakan Pendekatan Elbow Method dan Koefisien Silhoutte di R-Studio", "summary": "Dalam proses pengelompokan data tanpa pengawasan (unsupervised learning) menggunakan algoritma K-Means di…", "content_html": "
\n

Dalam proses pengelompokan data tanpa pengawasan (unsupervised learning) menggunakan algoritma K-Means di R-Studio, kendala utama yang paling sering memicu kegagalan analisis adalah penentuan nilai k (jumlah kluster) secara subjektif. Penerapan Cara Menentukan Jumlah Kluster Optimal Menggunakan Pendekatan Elbow Method dan Koefisien Silhoutte di R-Studio menjadi sangat penting ketika peneliti dihadapkan pada grafik Total Within Sum of Square (WSS) yang landai tanpa titik siku (elbow bend) yang jelas. Kesalahan dalam memilih jumlah kluster menyebabkan pembagian observasi menjadi acak, tidak stabil, serta menghasilkan nilai validasi yang bias.

\n

Gejala kendala teknis yang muncul pada eksekusi perintah kmeans() di R-Studio meliputi nilai silhouette width negatif pada beberapa anggota kluster, rentang nilai varians antar kelompok yang tumpang tindih (overlapping clusters), serta ketidakmampuan algoritma dalam mengonvergenkan pusat kluster (centroid). Ketika jumlah kluster ditentukan terlalu sedikit, variasi di dalam kelompok tetap tinggi; sebaliknya, jika jumlah kluster terlalu banyak, pembagian kelompok menjadi tidak bermakna secara praktis dan berisiko mengalami overfitting.

\n\n
DIAGRAM PERMASALAHAN: PENENTUAN JUMLAH KLUSTER ACAK DI R-STUDIO Dataset Observasi Matriks Multivariat Metrik Jarak Euklidean Gejala Masalah k-Means 1. Grafik WSS Landai / Ambigu 2. Silhouette Width < 0 (Misklasifikasi) 3. Jumlah k Ditentukan Asal/Tebak Dampak Validitas Kluster Tumpang Tindih Hasil Analisis Tidak Segregatif Output Masalah di Console R-Studio: kmeans(df, centers = 5) | WSS = 142.8 | Avg Silhouette = 0.18 [VALIDITAS RENDAH] Kesalahan: Mengabaikan kurva WSS dan memilih k tanpa verifikasi Koefisien Silhouette [SALAH] Solusi Tepat: Evaluasi titik siku WSS bersamaan dengan nilai maksimum Silhouette [BENAR] Atribut Misklasifikasi DIAGNOSA DAN CATATAN SOLUSI R-STUDIO Gunakan paket factoextra di R untuk mengombinasikan visualisasi WSS dan Silhouette secara simultan.
\n\n

Konsep Teori Analisis Kluster dan Validasi Internal

\n

Analisis kluster merupakan teknik eksplorasi data multivariat yang bertujuan mempartisi objek-objek ke dalam kelompok-kelompok homogen sedemikian rupa sehingga homogenitas di dalam kelompok (intra-cluster cohesion) maksimal dan heterogenitas antar kelompok (inter-cluster separation) juga maksimal (Hartigan & Wong, 1979). Algoritma K-Means bekerja dengan meminimalkan jumlah kuadrat jarak Euklidean antara setiap titik data dan pusat massa (centroid) kluster yang ditunjuk.

\n

Untuk memahami prinsip dasar segmentasi data, metrik jarak, serta pembentukan hirarki kelompok secara komprehensif, Anda dapat membaca pembahasan lengkap mengenai dasar teori analisis kluster di akademis www.statistikian.com. Pemahaman landasan teoritis ini menjadi pijakan dasar sebelum melakukan otomatisasi script pada R-Studio.

\n

Pendekatan Elbow Method didasarkan pada grafik penurunan Total Within-Cluster Sum of Squares (WSS) seiring bertambahnya jumlah kelompok k. Menurut Thorndike (1953), titik optimal diidentifikasi pada lokasi di mana penambahan nilai k tidak lagi memberikan penurunan WSS yang signifikan, yang ditunjukkan oleh sudut siku (inflection point) pada grafik. Namun, kelemahan utama metode ini terletak pada sifat interpretasi visualnya yang kadang bersifat ambigu pada dataset berdimensi tinggi.

\n

Untuk mengatasi ambiguitas grafik Elbow, Rousseeuw (1987) mengusulkan metode Silhouette Coefficient sebagai metrik evaluasi kuantitatif internal. Koefisien Silhouette mengukur seberapa mirip suatu objek dengan kelompoknya sendiri dibandingkan dengan kelompok tetangga terdekatnya. Nilai koefisien ini berkisar antara -1 hingga +1; nilai mendekati +1 mengindikasikan bahwa objek telah terkelompokkan secara terisolasi dan tepat, sedangkan nilai negatif menandakan bahwa objek lebih cocok dimasukkan ke kelompok tetangga.

\n\n

Langkah-Langkah Teknis Menentukan Jumlah Kluster Optimal di R-Studio

\n

Berikut adalah panduan praktis penentuan jumlah kelompok optimal menggunakan R-Studio dengan bantuan paket factoextra dan cluster:

\n

Langkah 1: Memuat Dataset dan Memeriksa Struktur Data
Impor dataset multivariat Anda ke dalam R-Studio. Pastikan seluruh variabel bertipe numerik dan tidak memuat nilai yang hilang (missing values). Gunakan perintah str(data) dan summary(data) untuk melakukan inspeksi awal.

\n

Langkah 2: Standardisasi Variabel (Scaling)
Karena K-Means berbasis jarak Euklidean, variabel dengan skala besar akan mendominasi perhitungan. Lakukan standardisasi z-score dengan fungsi df_scaled <- scale(data) (Kaufman & Rousseeuw, 1990).

\n

Langkah 3: Instalasi dan Memuat Paket R Utama
Aktifkan paket visualisasi kluster modern dengan mengeksekusi perintah berikut pada R console:
install.packages(c(\"factoextra\", \"cluster\", \"tidyverse\"))
library(factoextra)
library(cluster)

\n

Langkah 4: Eksekusi Elbow Method (WSS Plot)
Gunakan fungsi fviz_nbclust() untuk membuat grafik WSS secara otomatis:
fviz_nbclust(df_scaled, kmeans, method = \"wss\") + labs(subtitle = \"Elbow Method\")
Amatilah titik di mana kurva mulai melandai secara drastis.

\n

Langkah 5: Eksekusi Koefisien Silhouette
Jalankan evaluasi koefisien Silhouette menggunakan perintah:
fviz_nbclust(df_scaled, kmeans, method = \"silhouette\") + labs(subtitle = \"Silhouette Method\")
R-Studio akan menampilkan garis putus-putus pada nilai k yang menghasilkan rata-rata silhouette width tertinggi.

\n

Langkah 6: Evaluasi Konsistensi Dua Pendekatan
Bandingkan nilai k yang disarankan oleh kurva Elbow dan puncak grafik Silhouette. Jika kedua pendekatan menunjukkan angka yang sama (misalnya k = 3), maka nilai tersebut memiliki derajat konfirmasi yang kuat.

\n

Langkah 7: Menjalankan Algoritma K-Means Final
Eksekusi kluster final dengan nilai k optimal yang telah terkonfirmasi serta tetapkan parameter nstart = 25 untuk menghindari konvergensi lokal optimal:
final_km <- kmeans(df_scaled, centers = 3, nstart = 25)

\n

Langkah 8: Memeriksa Detail Silhouette per Objek
Gunakan fungsi sil <- silhouette(final_km$cluster, dist(df_scaled)) dan visualisasikan dengan fviz_silhouette(sil). Pastikan tidak ada atau sangat sedikit observasi yang memiliki nilai Silhouette negatif.

\n

Langkah 9: Visualisasi Hasil Pengelompokan
Tampilkan peta sebaran kluster pada ruang komponen utama (PCA 2D) dengan perintah fviz_cluster(final_km, data = df_scaled) untuk memverifikasi batas pemisah antar kelompok secara visual.

\n\n
ALUR KEPUTUSAN OPTIMASI KLUSTER DI R-STUDIO 1. Preprocessing Data scale(data) Z-Score Hapus Outlier / Missing 2. fviz_nbclust() Dual method = \"wss\" (Elbow) method = \"silhouette\" 3. Konfirmasi k_opt Titik Siku WSS + Puncak Avg Silhouette Eksekusi Final: kmeans(df, centers = k_opt, nstart = 25) Visualisasi fviz_cluster() Tanpa Overlapping HAL YANG HARUS DIHINDARI 1. Menjalankan K-Means tanpa fungsi scale(). 2. Menentukan nstart = 1 (Rentan jebakan lokal). 3. Memilih k hanya berdasarkan intuisi visual WSS. CATATAN TEKNIS R-STUDIO Kombinasi WSS dan Silhouette menjamin validitas. Gunakan fviz_silhouette() untuk mendeteksi anggota dengan nilai silhouette width negatif.
\n\n

Pembahasan Ilmiah: Formulasi Matematika dan Komparasi Validasi

\n

Secara matematis, Total Within-Cluster Sum of Squares (WSS) didefinisikan sebagai jumlah kuadrat jarak antara setiap observasi x_i dengan centroid c_k pada kluster k. Nilai WSS secara alami akan terus menurun seiring bertambahnya jumlah kluster k, hingga mencapai nilai nol ketika k sama dengan jumlah total observasi N. Oleh karena itu, penurunan WSS semata tidak dapat dijadikan tolok ukur tunggal tanpa mengidentifikasi penurunan marjinal (rate of decrease) pada grafik Elbow (MacQueen, 1967).

\n

Formula koefisien Silhouette s(i) untuk observasi tunggal i dinyatakan sebagai: s(i) = (b(i) - a(i)) / max(a(i), b(i)), di mana a(i) melambangkan rata-rata jarak Euklidean antara objek i dengan seluruh objek lain dalam kluster yang sama (kohesi), dan b(i) melambangkan rata-rata jarak terkecil antara objek i dengan objek di kluster terdekat lainnya (separasi). Rata-rata nilai s(i) untuk seluruh observasi mencerminkan kualitas pengelompokan secara keseluruhan (Rousseeuw, 1987).

\n

Dalam kondisi di mana grafik Elbow dan Koefisien Silhouette memberikan rekomendasi nilai k yang berbeda, peneliti disarankan untuk menguji metrik tambahan seperti Gap Statistic (Tibshirani et al., 2001). Gap Statistic membandingkan total variasi dalam kelompok yang teramati dengan nilai ekspektasinya di bawah distribusi referensi acak teragam (null reference distribution).

\n

Kekuatan algoritma K-Means sangat bergantung pada penempatan centroid awal secara acak. Parameter nstart = 25 pada R-Studio menginstruksikan perangkat lunak untuk menjalankan algoritma sebanyak 25 kali dengan centroid awal yang berbeda, kemudian memilih konfigurasi dengan nilai WSS terendah. Hal ini mencegah algoritma terjebak pada solusi minimum lokal yang buruk (Ester et al., 1996).

\n

Keberadaan data pencilan (outliers) atau variabel berdimensi sangat tinggi dapat mengdistorsi perhitungan jarak Euklidean. Jika dataset memuat banyak pencilan, algoritma berbasis medoid seperti PAM (Partitioning Around Medoids) dengan metrik jarak Manhattan sering kali lebih tebal terhadap gangguan (robust) dibandingkan K-Means standar (Kaufman & Rousseeuw, 1990).

\n

Dalam kriteria pelaporan ilmiah publikasi berkategori baik, peneliti diwajibkan menyajikan nilai rata-rata silhouette width, proporsi varians yang dijelaskan oleh kluster (BSS/TSS ratio), serta plot kontur pemisah kluster sebagai bukti validitas eksternal dan internal kelompok yang terbentuk.

\n

Ekosistem R-Studio melalui paket factoextra memberikan fasilitas analisis yang lengkap, teruji secara sistematis, serta mendukung keterulangan penelitian (reproducible research) secara transparan untuk publikasi akademik tingkat lanjut.

\n\n

Kesimpulan

\n

Menentukan jumlah kluster optimal pada algoritma K-Means memerlukan penggabungan antara pendekatan visual dan evaluasi metrik kuantitatif. Penggunaan tunggal Elbow Method sering kali memicu interpretasi subjektif, sehingga harus divalidasi menggunakan Koefisien Silhouette di R-Studio. Dengan melakukan standardisasi data awal, menjalankan komputasi dual metrik melalui paket factoextra, serta menetapkan parameter nstart = 25, peneliti dapat menghasilkan pembagian kelompok yang homogen, terpisah secara nyata, serta terbebas dari bias misklasifikasi data.

\n\n

Daftar Pustaka

\n
\n

Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), 226-231.

\n

Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A K-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(1), 100-108.

\n

Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley & Sons.

\n

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1(14), 281-297.

\n

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65.

\n

Thorndike, R. L. (1953). Who belongs in the family?. Psychometrika, 18(4), 267-276.

\n

Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-423.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "R Studio" ], "date_published": "2026-09-06T22:44:19+07:00", "date_modified": "2026-09-06T22:44:19+07:00" }, { "id": "https://statistikian.net/tutorial-two-way-anova-dan-post-hoc-nya-untuk-penelitian-eksperimen-pada-jasp/", "url": "https://statistikian.net/tutorial-two-way-anova-dan-post-hoc-nya-untuk-penelitian-eksperimen-pada-jasp/", "title": "Tutorial Two Way ANOVA dan Post-Hoc nya untuk Penelitian Eksperimen pada JASP", "summary": "Saat mengolah data penelitian eksperimen faktorial menggunakan perangkat lunak JASP, peneliti sering…", "content_html": "
\n

Saat mengolah data penelitian eksperimen faktorial menggunakan perangkat lunak JASP, peneliti sering kali menghadapi kendala ketika nilai signifikansi pada uji asumsi varians menunjukkan angka di bawah ambang batas. Masalah utama yang paling sering ditemui dalam penerapan Tutorial Two Way ANOVA dan Post-Hoc nya untuk Penelitian Eksperimen pada JASP adalah terlanggar uji sferisitas atau uji homogenitas Levene dengan nilai p-value kurang dari 0,05. Kegagalan memenuhi asumsi homogenitas varians ini membuat statistik uji F standar menjadi tidak valid dan berisiko tinggi memicu kesalahan Tipe I dalam penarikan kesimpulan eksperimen.

\n

Gejala kendala teknis lainnya pada JASP adalah kebingungan peneliti dalam menafsirkan efek interaksi antara dua variabel bebas. Ketika istilah interaksi (Factor A x Factor B) terbukti signifikan, pembacaan efek utama (main effects) secara terpisah menjadi tidak relevan secara metodologis. Banyak peneliti mengalami kesulitan dalam mengonfigurasi pengujian simple main effects dan memilih jenis koreksi uji lanjut (post-hoc) yang tepat—seperti metode Tukey, Scheffe, atau Games-Howell—secara langsung pada antarmuka JASP.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN ASUMSI & INTERAKSI TWO WAY ANOVA IN JASP Data Eksperimen 2x2 Faktor A & Faktor B Variabel Terikat Kontinu Gejala Kendala Analisis 1. Uji Levene Sig. < 0,05 (Heterogen) 2. Interaksi A x B Sig. < 0,05 3. Post-Hoc Standar Bias/Lalai Dampak Metodologi Inflasi Eror Tipe I (Positif Palsu) Kesimpulan Main Effect Bias Simulasi Indikator Masalah di JASP Output: Homogeneity Test (Levene's) | F = 4.821 | p = 0.004 [ASUMSI TERLANGGAR] Kesalahan Umum: Tetap memakai Post-Hoc Tukey standar tanpa koreksi robust [SALAH] Pendekatan Tepat: Gunakan Uji Robust / Games-Howell & Simple Main Effects [BENAR] Varians Heterogen DIAGNOSA DAN CATATAN SOLUSI JASP Aktifkan opsi Simple Main Effects dan koreksi Post-Hoc Games-Howell/Holm saat varians antar sel tidak homogen.
\n\n

Konsep Teori Two Way ANOVA dan Struktur Faktorial Penelitian

\n

Two Way ANOVA (Analisis Varians Dua Arah) merupakan metode statistik parametrik yang dirancang untuk menguji perbedaan rata-rata antara kelompok yang dibentuk oleh dua variabel independen kategorik (faktor) terhadap satu variabel dependen berskala kontinu (Montgomery, 2017). Dalam desain penelitian eksperimen faktorial, teknik ini memungkinkan peneliti menguji pengaruh mandiri dari masing-masing faktor (main effect) sekaligus interaksi gabungan antara kedua faktor tersebut (interaction effect).

\n

Untuk memahami landasan matematis, rumus partisi jumlah kuadrat (sum of squares), serta asumsi parametrik secara mendalam, Anda dapat mempelajari panduan teoritis mengenai teori dasar Two Way ANOVA di statistikian.com. Penguasaan konsep dasar sangat penting agar interpretasi modul analisis pada JASP dapat dilakukan secara rasional.

\n

Menurut Hair et al. (2019), validitas hasil pengujian Two Way ANOVA bergantung pada pemenuhan beberapa asumsi utama: skala pengukuran kontinu, independensi observasi, normalitas residual multivariate, dan homogenitas varians antar sel perlakuan (homogeneity of variance). Dalam desain eksperimen dengan ukuran sampel per sel yang kecil, asumsi homogenitas varians menjadi sangat krusial karena ketidaksamaan varians dapat mengganggu rasio Mean Square Error (MSE).

\n

Tabachnick dan Fidell (2019) menegaskan bahwa apabila efek interaksi terbukti signifikan secara statistik, pembacaan terhadap efek utama tidak boleh dilakukan secara berdiri sendiri. Keberadaan interaksi mengindikasikan bahwa pengaruh suatu faktor perlakuan bergantung pada tingkatan (level) faktor lainnya. Oleh karena itu, pengujian harus dilanjutkan ke tahap simple main effects guna mengisolasi perbedaan rerata pada setiap kombinasi perlakuan.

\n\n

Langkah-Langkah Operasional Two Way ANOVA dan Uji Post-Hoc pada JASP

\n

Berikut adalah panduan teknis langkah demi langkah menjalankan analisis Two Way ANOVA beserta penanganan pasca-anova (post-hoc) pada software open-source JASP:

\n

Langkah 1: Pengaturan Struktur Data pada JASP
Format data eksperimen Anda dalam bentuk long format. Buat tiga kolom utama: dua kolom faktor kategorik (misal: Metode_Pembelajaran dan Gender) serta satu kolom variabel terikat kontinu (misal: Skor_Hasil_Belajar). Pastikan tipe variabel pada JASP sudah diatur dengan benar (kategorik sebagai Nominal/Ordinal, terikat sebagai Scale).

\n

Langkah 2: Membuka Modul ANOVA
Pada bilah menu atas JASP, pilih tab ANOVA lalu klik opsi ANOVA. Kotak dialog konfigurasi analisis akan terbuka di sebelah kiri layar.

\n

Langkah 3: Memasukkan Variabel Analisis
Pindahkan variabel terikat ke dalam kotak Dependent Variable. Selanjutnya, pindahkan kedua variabel faktor ke dalam kotak Fixed Factors. JASP secara otomatis menyusun model faktorial lengkap yang mencakup Faktor A, Faktor B, dan interaksi A x B.

\n

Langkah 4: Melakukan Pemeriksaan Asumsi (Assumption Checks)
Buka menu drop-down Assumption Checks. Centang opsi Homogeneity tests untuk menjalankan Uji Levene dan centang Q-Q plot of residuals untuk mengevaluasi asumsi normalitas distribusi galat.

\n

Langkah 5: Penanganan Pelanggaran Asumsi Homogenitas
Jika Uji Levene menghasilkan nilai p-value < 0,05, varians antar sel terbukti heterogen. Dalam kondisi ini, Uji F standar menjadi kurang akurat. Pada JASP, Anda dapat mengaktifkan opsi Welch jika desain bersifat satu arah, atau menerapkan koreksi Post-Hoc robust pada tahap berikutnya (Field, 2018).

\n

Langkah 6: Konfigurasi Uji Lanjut (Post-Hoc Tests)
Buka menu drop-down Post-Hoc Tests. Pindahkan faktor tunggal atau istilah interaksi dari kotak kiri ke kotak kanan. Apabila varians homogen, pilih opsi koreksi Tukey atau Scheffe. Namun, jika varians tidak homogen, centang uji Games-Howell atau gunakan penyesuaian Holm untuk mengontrol familywise error rate.

\n

Langkah 7: Konfigurasi Uji Efek Utama Sederhana (Simple Main Effects)
Jika nilai p-value istilah interaksi A x B pada tabel ANOVA bernilai < 0,05, buka menu Simple Main Effects. Pindahkan faktor perlakuan utama ke kotak Simple Effect Factor dan faktor moderator ke kotak Moderator Factor untuk melihat perbedaan antar perlakuan pada tiap level spesifik.

\n

Langkah 8: Memilih Ukuran Pengaruh (Effect Size)
Pada bagian Additional Options di tabel ANOVA utama, centang opsi ukuran pengaruh seperti Eta-squared (η²), Partial Eta-squared (η²p), atau omega-squared (ω²) untuk mengukur seberapa besar proporsi varians yang dijelaskan oleh perlakuan.

\n

Langkah 9: Menampilkan Plot Deskriptif (Descriptives Plots)
Buka menu Descriptive Plots. Pindahkan Faktor A ke Horizontal Axis dan Faktor B ke Separate Lines. Centang opsi Display error bars (SE atau 95% CI) untuk memvisualisasikan bentuk interaksi ordinal maupun disordinal secara langsung.

\n\n
ALUR KEPUTUSAN EKSEKUSI TWO WAY ANOVA PADA JASP 1. Evaluasi Levene Test Uji Asumsi Homogenitas Periksa Nilai p-value 2. Signifikansi Interaksi Tabel ANOVA (A x B) Cek Signifikansi p < 0,05 3. Pemilihan Post-Hoc Konfigurasi Modul JASP Tukey vs Games-Howell Analisis Simple Main Effects (Jika Interaksi Sig.) Uji Beda Rerata Faktor A pada Setiap Level Faktor B KESALAHAN YANG HARUS DIHINDARI 1. Membaca Main Effect tunggal saat interaksi signifikan. 2. Mengabaikan Uji Levene yang terbukti signifikan. 3. Menggunakan Post-Hoc Tukey saat varians heterogen. SOLUSI TEKNIS JASP (BLUE NOTE) Gunakan Koreksi Games-Howell / Holm untuk Post-Hoc. Laporkan Partial Eta Squared (η²p) atau Omega Squared (ω²) sebagai indikator Effect Size standar jurnal ilmiah.
\n\n

Pembahasan Ilmiah: Partisi Varians, Effect Size, dan Robustness Uji Post-Hoc

\n

Secara matematis, Two Way ANOVA membagi total variasi data (SSTotal) menjadi empat komponen utama: Jumlah Kuadrat Faktor A (SSA), Jumlah Kuadrat Faktor B (SSB), Jumlah Kuadrat Interaksi (SSAB), dan Jumlah Kuadrat Eror (SSE). Ketika asumsi homogenitas varians terlanggar (p < 0,05 pada Uji Levene), pembagi estimasi varians galat (MSE) menjadi terbias di antara sel-sel perlakuan, yang pada akhirnya membiaskan statistik F hitung (Maxwell & Delaney, 2004).

\n

Dalam mengestimasi besarnya pengaruh perlakuan eksperimen, pengikutsertaan ukuran pengaruh (effect size) sangat direkomendasikan melebihi sekadar pembacaan nilai p-value. Lakens (2013) menjelaskan bahwa Omega Squared (ω²) memberikan estimasi populasi yang lebih tidak terbias dibandingkan Partial Eta Squared (η²p), terutama pada sampel penelitian eksperimen berskala kecil hingga sedang.

\n

Untuk komparasi berpasangan (pairwise comparison) saat asumsi homogenitas varians tidak terpenuhi, penggunaan Uji Games-Howell secara teoritis lebih valid. Prosedur Games-Howell memanfaatkan kalkulasi derajat kebebasan Welch (Welch's v) dan tidak mengasumsikan varians yang sama antar kelompok, sehingga secara efektif mengendalikan tingkat kesalahan Tipe I tanpa mengorbankan daya uji statistik (Games & Howell, 1976).

\n

Pengujian simple main effects pasca ditemukannya interaksi signifikan bertujuan untuk mengisolasi perbedaan rerata. Keppel dan Zedeck (1989) menyatakan bahwa pengujian efek utama sederhana menganalisis pengaruh Faktor A pada setiap tingkatan Faktor B secara terpisah. Langkah ini memberikan gambaran yang presisi mengenai dinamika perlakuan eksperimen yang tidak dapat terungkap dari pembacaan rerata marginal secara umum.

\n

Penting bagi peneliti untuk membedakan bentuk interaksi antara pola ordinal dan disordinal. Pada interaksi ordinal, garis grafik rerata antar kelompok tidak saling berpotongan, sehingga arah efek utama masih relatif konsisten. Sebaliknya, pada interaksi disordinal (crossover interaction), garis rerata saling berpotongan secara menyilang, sehingga pembacaan efek utama menjadi sepenuhnya menyesatkan jika diinterpretasikan tanpa memperhatikan faktor moderator (Stevens, 2009).

\n

Pelaporan hasil Two Way ANOVA dalam jurnal ilmiah terakreditasi disyaratkan mengikuti standar APA (2020). Laporan penelitian wajib mencantumkan nilai statistik F, derajat kebebasan antar perlakuan dan eror (df_effect, df_error), nilai p-value eksak, ukuran pengaruh (η²p atau ω²), serta interval kepercayaan 95% untuk perbedaan rerata pada uji post-hoc.

\n

Dengan memanfaatkan mesin komputasi C++ berbasis R yang diusung oleh JASP, peneliti memperoleh keuntungan berupa analisis statistik yang dapat direproduksi (reproducible research), transparan, dan terbebas dari biaya lisensi tanpa mengorbankan akurasi komputasi baku standar internasional.

\n\n

Kesimpulan

\n

Pelaksanaan Two Way ANOVA dan Uji Post-Hoc pada penelitian eksperimen menggunakan JASP menuntut pemahaman metodologis yang cermat. Evaluasi terhadap uji asumsi Levene merupakan fondasi utama sebelum memilih metode post-hoc; gunakan Tukey untuk varians homogen dan Games-Howell atau Holm untuk varians heterogen. Apabila istilah interaksi terbukti signifikan, analisis wajib dilanjutkan ke pengujian simple main effects untuk menghindari kesalahan penarikan kesimpulan dari efek utama. Dengan menerapkan langkah-langkah komputasi dan pelaporan besaran pengaruh (effect size) yang tepat pada JASP, hasil penelitian eksperimen Anda akan memiliki validitas ilmiah yang kokoh.

\n\n

Daftar Pustaka

\n
\n

American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). Washington, DC: American Psychological Association.

\n

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). London: SAGE Publications.

\n

Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Keppel, G., & Zedeck, S. (1989). Data Analysis for Research Designs: Analysis of Variance and Multiple Regression/Correlation Approaches. W. H. Freeman.

\n

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863.

\n

Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.

\n

Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Hoboken, NJ: John Wiley & Sons.

\n

Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.

\n

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Boston: Pearson.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "JASP" ], "date_published": "2026-09-06T22:37:39+07:00", "date_modified": "2026-09-06T22:38:41+07:00" }, { "id": "https://statistikian.net/tutorial-anova-repeated-measures-untuk-penelitian-eksperimen-berulang-pada-spss/", "url": "https://statistikian.net/tutorial-anova-repeated-measures-untuk-penelitian-eksperimen-berulang-pada-spss/", "title": "Tutorial ANOVA Repeated Measures untuk Penelitian Eksperimen Berulang pada SPSS", "summary": "Ketika melakukan analisis data eksperimen dengan pengukuran berulang, banyak peneliti mendapati output…", "content_html": "
\n

Ketika melakukan analisis data eksperimen dengan pengukuran berulang, banyak peneliti mendapati output SPSS menunjukkan nilai signifikansi yang membingungkan atau berbeda antara baris analisis. Masalah utama yang paling sering muncul saat menjalankan Tutorial ANOVA Repeated Measures untuk Penelitian Eksperimen Berulang pada SPSS adalah munculnya pelanggaran asumsi sferisitas pada uji Mauchly's Test of Sphericity dengan nilai Sig. kurang dari 0,05. Jika kondisi ini diabaikan dan Anda tetap membaca baris Sphericity Assumed, hasil uji statistik F menjadi tidak valid dan meningkatkan risiko kesalahan Tipe I secara signifikan.

\n

Gejala kendala ini ditandai dengan perubahan tingkat signifikansi perubahan antar waktu yang sangat drastis ketika dibaca menggunakan pendekatan standar. Pada desain within-subjects, data yang diambil dari subjek yang sama pada beberapa titik waktu (misalnya pretest, posttest 1, dan posttest 2) memiliki korelasi internal. Ketika varians dari selisih antarpasangan pengukuran tidak konstan, perhitungan derajat kebebasan (degrees of freedom) pada ANOVA standar menjadi terbias, sehingga menghasilkan kesimpulan penelitian eksperimen yang keliru.

\n\n
Diagram Permasalahan: Bias ANOVA Standar pada Pengukuran Berulang Pengukuran Berulang Data Subjek Sama (T1, T2, T3) Mauchly's Test Violated Nilai Sig. < 0,05 (Varians Selisih Tidak Sferis) Uji F Standar Bias Inflasi Error Tipe I (Positif Palsu Signifikan) Catatan Diagnostik & Akar Masalah (Solusi) : Pengukuran berulang melanggar asumsi independensi antar observasi. Diperlukan koreksi derajat kebebasan (Epsilon) untuk menghasilkan p-value presisi.
\n

Anova Repeated Measures atau Analisis Varians Pengukuran Berulang merupakan teknik statistik parametrik yang digunakan untuk membandingkan rata-rata lebih dari dua kondisi atau titik waktu pada kelompok subjek yang sama. Desain eksperimen ini amat populer dalam penelitian psikologi, kedokteran, olahraga, dan pendidikan karena efisiensinya dalam mengontrol variabilitas antar subjek (between-subjects variability).

\n

Untuk mempelajari konsep dasar dan landasan matematis dari pengujian varians secara mendalam, Anda dapat mengulas referensi teori utamanya pada pembahasan teori dasar ANOVA repeated measures di Statistikian.com.

\n

Menurut Field (2013), keunggulan utama dari desain repeated measures dibandingkan desain independen biasa adalah peningkatan kekuatan statistik (statistical power). Hal ini terjadi karena varians eror yang berasal dari perbedaan individu dapat diisolasi dan dikeluarkan dari penyebut perhitungan rasio F, sehingga model menjadi lebih sensitif dalam mendeteksi pengaruh perlakuan eksperimen.

\n

Namun, Tabachnick dan Fidell (2019) menegaskan bahwa keuntungan teoritis tersebut menuntut pemenuhan asumsi kriteria yang lebih ketat, yaitu sferisitas (sphericity). Sferisitas mengisyaratkan bahwa varians dari perbedaan antara semua pasangan kondisi eksperimen harus setara. Jika asumsi ini dilanggar, distribusi rasio F bergeser ke kanan, menyebabkan nilai p-value menjadi terlalu kecil dari yang seharusnya.

\n

Berikut adalah panduan teknis operasional untuk melakukan pengujian ANOVA Repeated Measures pada SPSS secara mandiri beserta penanganan ketika asumsi sferisitas tidak terpenuhi:

\n

Langkah 1: Format Struktur Data pada SPSS Viewer
Pastikan data diinput dalam format bentang horizontal (wide format). Buat kolom terpisah untuk setiap titik waktu atau kondisi eksperimen. Sebagai contoh, buat tiga variabel: Pretest, Posttest1, dan Posttest2. Setiap baris mewakili satu subjek eksperimen yang sama.

\n

Langkah 2: Navigasi Menu Utama SPSS
Klik menu Analyze > General Linear Model > Repeated Measures.... Kotak dialog Repeated Measures Define Factor(s) akan muncul pada layar Anda.

\n

Langkah 3: Pendefinisian Faktor Pengukuran Berulang
Ketik nama faktor pada kolom Within-Subject Factor Name (misalnya ketik Waktu). Masukkan jumlah tingkatan pengukuran pada Number of Levels (misalnya ketik 3 karena ada tiga kali pengukuran). Klik tombol Add, lalu klik Define.

\n

Langkah 4: Pemetaan Variabel Penelitian
Pindahkan variabel Pretest, Posttest1, dan Posttest2 dari kotak sebelah kiri ke dalam kotak Within-Subjects Variables (Waktu) sesuai dengan urutan kronologis titik pengukuran eksperimen Anda.

\n

Langkah 5: Pengaturan Estimasi Rata-Rata dan Koreksi Uji Lanjutan
Klik tombol EM Means (atau Options pada versi SPSS terdahulu). Pindahkan faktor Waktu ke kotak Display Means for. Centang opsi Compare main effects dan ubah opsi Confidence interval adjustment menjadi Bonferroni. Penyesuaian ini direkomendasikan oleh Stevens (2009) untuk mengendalikan laju kesalahan gabungan (familywise error rate) saat membandingkan antar waktu secara berpasangan.

\n

Langkah 6: Memilih Statistik Deskriptif dan Ukuran Pengaruh
Masih pada menu opsi, centang Descriptive statistics untuk menampilkan rerata dan standar deviasi, serta centang Estimates of effect size untuk mendapatkan nilai Partial Eta Squared. Klik Continue.

\n

Langkah 7: Eksekusi Analisis
Klik tombol OK pada kotak dialog utama untuk menjalankan perintah sintaks dan menghasilkan output SPSS.

\n

Penerapan prosedur di atas dirancang agar peneliti tidak hanya mendapatkan nilai F kasar, melainkan juga informasi diagnostik yang lengkap untuk mengevaluasi kelayakan model eksperimen berulang (Pituch & Stevens, 2016).

\n

Guna mempermudah alur pengambilan keputusan statistik saat mengevaluasi tabel output SPSS, perhatikan diagram solusi penanganan pelanggaran sferisitas berikut:

\n\n
Diagram Solusi: Pohon Keputusan Evaluasi Sferisitas SPSS Evaluasi Output SPSS Mauchly's Test of Sphericity Jika Nilai Sig. ≥ 0,05 Asumsi Sferisitas Terpenuhi Jika Nilai Sig. < 0,05 Pelanggaran Sferisitas Terjadi Gunakan Baris Output: \"Sphericity Assumed\" Solusi Koreksi Epsilon (Blue Note): Jika Epsilon < 0,75 → Gunakan Greenhouse-Geisser Jika Epsilon > 0,75 → Gunakan Huynh-Feldt
\n

Tahap krusial pertama dalam membaca output SPSS adalah memeriksa tabel Mauchly's Test of Sphericity. Pada tabel ini, perhatikan kolom Mauchly's W, nilai Chi-Square, dan nilai signifikansi (Sig.). Uji hipotesis nol pada statistik Mauchly menyatakan bahwa matriks kovarians selisih antarperlakuan bersifat sferis.

\n

Maxwell dan Delaney (2004) menjelaskan alasan ilmiah mengapa asumsi sferisitas sangat rentan dilanggar pada eksperimen berulang. Dalam studi longitudinal atau pengukuran berkala, data yang diambil pada dua waktu yang berdekatan (seperti Posttest 1 dan Posttest 2) umumnya memiliki korelasi yang jauh lebih tinggi dibandingkan data dengan jeda waktu lebih lama (seperti Pretest dan Posttest 2). Ketidakseragaman korelasi ini secara otomatis merusak struktur sferisitas.

\n

Apabila uji Mauchly menghasilkan nilai Sig. kurang dari 0,05, maka hipotesis nol ditolak dan asumsi sferisitas terbukti terlanggar. Dalam kondisi ini, membaca baris Sphericity Assumed pada tabel Tests of Within-Subjects Effects akan menghasilkan simpulan palsu. Peneliti wajib menggunakan angka penyesuaian Epsilon untuk mengoreksi derajat kebebasan.

\n

SPSS menyediakan dua metode koreksi Epsilon utama, yaitu koreksi Greenhouse dan Geisser (1959) serta koreksi Huynh dan Feldt (1976). Kedua metode ini mengalikan derajat kebebasan pembilang dan penyebut dengan nilai Epsilon (yang bernilai antara 0 hingga 1), sehingga menurunkan nilai df dan memperbesar p-value secara proporsional agar tidak terjadi lonjakan bias kesalahan Tipe I.

\n

Panduan ilmiah dalam memilih koreksi Epsilon didasarkan pada besaran nilai estimasi Epsilon Greenhouse-Geisser pada tabel output SPSS (Girden, 1992):

\n

1. Jika nilai Epsilon Greenhouse-Geisser kurang dari 0,75, gunakan baris pembacaan Greenhouse-Geisser karena pelanggaran sferisitas tergolong berat.
2. Jika nilai Epsilon Greenhouse-Geisser lebih dari atau sama dengan 0,75, gunakan baris pembacaan Huynh-Feldt. Koreksi Greenhouse-Geisser cenderung terlalu konservatif pada nilai Epsilon tinggi, sehingga Huynh-Feldt memberikan daya uji statistik yang lebih akurat tanpa meningkatkan kesalahan Tipe I.

\n

Setelah menentukan baris koreksi yang tepat pada tabel Tests of Within-Subjects Effects, evaluasi nilai F hitung, derajat kebebasan terkoreksi, dan nilai Sig.. Jika nilai signifikansi terkoreksi kurang dari 0,05, maka dapat disimpulkan bahwa terdapat perbedaan rerata yang signifikan secara statistik di antara titik-titik waktu pengukuran eksperimen.

\n

Guna mengukur seberapa besar proporsi varians variabel terikat yang dijelaskan oleh faktor waktu perlakuan, periksa kolom Partial Eta Squared. Berdasarkan pedoman kriteria Cohen (1988), nilai eta sebesar 0,01 dikategorikan sebagai efek kecil, 0,06 sebagai efek sedang, dan 0,14 atau lebih besar dikategorikan sebagai efek ukuran besar.

\n

Apabila pengaruh utama waktu terbukti signifikan, langkah terakhir adalah menganalisis tabel Pairwise Comparisons. Tabel ini menyajikan perbedaan rerata antar pasangan waktu spesifik beserta nilai signifikansi yang telah disesuaikan dengan prosedur Bonferroni. Dari tabel ini, peneliti dapat menentukan secara pasti pada titik waktu mana peningkatan atau penurunan rerata yang signifikan mulai terjadi selama periode eksperimen berlangsung.

\n

Kesimpulan

\n

Prosedur ANOVA Repeated Measures merupakan instrumen analisis statistik yang sangat efisien untuk desain eksperimen pengukuran berulang. Validitas kesimpulan eksperimen sangat bergantung pada kecermatan diagnostik terhadap asumsi sferisitas. Ketika uji Mauchly's menunjukkan indikasi pelanggaran (p < 0,05), penerapan koreksi Epsilon Greenhouse-Geisser atau Huynh-Feldt secara tepat merupakan keharusan metodologis untuk menjamin bahwa keputusan statistik yang diambil terbebas dari bias penolakan hipotesis nol yang keliru.

\n

Daftar Pustaka

\n

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

\n

Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE Publications.

\n

Girden, E. R. (1992). ANOVA: Repeated Measures. SAGE Publications.

\n

Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95-112.

\n

Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69-82.

\n

Maxwell, S. E., & Delaney, H. D. (2004). Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed.). Lawrence Erlbaum Associates.

\n

Pituch, K. A., & Stevens, J. P. (2016). Applied Multivariate Statistics for the Social Sciences (6th ed.). Routledge.

\n

Stevens, J. P. (2009). Applied Multivariate Statistics for the Social Sciences (5th ed.). Routledge.

\n

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.

\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-06T22:31:23+07:00", "date_modified": "2026-09-06T22:35:50+07:00" }, { "id": "https://statistikian.net/cara-membaca-output-regresi-logistik-biner-memahami-makna-odds-ratio-exp-b-pada-spss/", "url": "https://statistikian.net/cara-membaca-output-regresi-logistik-biner-memahami-makna-odds-ratio-exp-b-pada-spss/", "title": "Cara Membaca Output Regresi Logistik Biner: Memahami Makna Odds Ratio (Exp B) pada SPSS", "summary": "Banyak peneliti dan mahasiswa mengalami kebingungan saat menyusun bab pembahasan skripsi atau…", "content_html": "
\n

Banyak peneliti dan mahasiswa mengalami kebingungan saat menyusun bab pembahasan skripsi atau tesis ketika berhadapan dengan tabel output Variables in the Equation pada analisis regresi logistik. Gejala kesalahan umum yang sering terjadi adalah menyamakan koefisien B pada regresi logistik dengan koefisien regresi linear biasa, atau salah dalam menafsirkan nilai Exp(B) yang bernilai kurang dari 1 sebagai hubungan negatif berpersentase langsung. Kesalahan fatal ini berimbas pada narasi hasil penelitian yang keliru. Oleh karena itu, penguasaan tentang cara membaca output regresi logistik biner dan pemahaman yang tepat atas Odds Ratio (Exp B) pada SPSS menjadi syarat mutlak dalam analisis data kuantitatif.

\n

Kekeliruan lain yang sering dijumpai adalah kegagalan membedakan antara nilai Odds dan nilai probabilitas (peluang). Ketika nilai Exp(B) untuk suatu variabel independen menunjukkan angka 0,450, sebagian peneliti secara tidak tepat menyimpulkan bahwa variabel tersebut menurunkan probabilitas sebesar 45 persen. Padahal, angka Exp(B) kurang dari 1 mencerminkan penurunan nilai Odds, bukan penurunan probabilitas secara linier. Ketidakpahaman atas struktur tabel SPSS, seperti tabel Omnibus Tests of Model Coefficients, Hosmer and Lemeshow Test, serta kategori acuan (reference category) pada variabel kategorik, mengakibatkan estimasi model menjadi tidak valid dan rawan ditolak oleh penguji.

\n\n
DIAGRAM PERMASALAHAN: KESALAHAN INTERPRETASI OUTPUT REGRESI LOGISTIK IN SPSS Tabel Variables in Equation Kolom B, Wald, Sig. Kolom Exp(B) & 95% C.I. Gejala Kesalahan Analisis 1. Exp(B) Dianggap Probabilitas 2. Exp(B) < 1 Salah Diartikan 3. Abaikan Reference Category Dampak Publikasi Kesimpulan Hipotesis Bias Naskah Ditolak Reviewer Simulasi Output SPSS & Miskonsepsi Umum: Variabel X1 | B = -0.798 | Sig = 0.012 | Exp(B) = 0.450 Miskonsepsi: \"Setiap kenaikan X1 menurunkan peluang Y sebesar 45%\" [SALAH] Interpretasi Tepat: \"Peluang (Odds) Y pada X1 adalah 0.450 kali (55% lebih rendah)\" [BENAR] Odds Ratio != Probabilitas DIAGNOSA DAN CATATAN SOLUSI Eksponensiasi koefisien B yaitu Exp(B) merupakan nilai Odds Ratio (OR) yang mengukur rasio kecenderungan dua kelompok.
\n\n

Konsep Teori Regresi Logistik Biner dan Transformasi Logit

\n

Regresi logistik biner digunakan ketika variabel terikat (dependent variable) bersifat dikotomi atau biner, seperti kategori sukses/gagal, ya/tidak, atau sehat/sakit yang dikodekan dengan angka 1 dan 0. Berbeda dengan regresi linear berganda yang mengasumsikan hubungan linier langsung antara variabel independen dan dependen, regresi logistik memanfaatkan fungsi transformasi logit untuk memodelkan hubungan non-linier tersebut (Hosmer & Lemeshow, 2000).

\n

Persamaan dasar logit dinyatakan sebagai logaritma natural dari Odds, yaitu ln(p / (1 - p)) = B0 + B1*X1 + ... + Bk*Xk. Dalam struktur persamaan ini, p menyatakan probabilitas terjadinya kejadian sukses (kategori 1), sedangkan (1 - p) menyatakan probabilitas tidak terjadinya kejadian tersebut (kategori 0). Karena nilai Kiri berupa nilai log-odds, koefisien B hasil estimasi SPSS tidak dapat ditafsirkan secara langsung dalam satuan pengukuran asli variabel dependen.

\n

Untuk mempermudah penafsiran akademis, koefisien logit B ditransformasikan kembali ke bentuk skala rasio melalui fungsi eksponensial e^B, yang di dalam software SPSS dinamakan kolom Exp(B). Nilai Exp(B) inilah yang secara teoritis dikenal sebagai Odds Ratio (OR). Menurut Agresti (2002), Odds Ratio mengukur berapa kali lipat kecenderungan suatu peristiwa terjadi pada kelompok tertentu dibandingkan dengan kelompok acuan atau per perubahan satu satuan variabel kontinu.

\n

Untuk memahami landasan pemodelan, pengujian asumsi non-multikolinieritas, serta estimasi parameter *Maximum Likelihood Estimation* (MLE) secara menyeluruh, Anda dapat mempelajari panduan komprehensif tentang teori dan rumus regresi logistik di statistikian.com. Penguasaan landasan teoritis tersebut sangat membantu sebelum membaca hasil output komputer.

\n\n

Langkah-Langkah Sistematis Membaca Output Regresi Logistik di SPSS

\n

Proses interpretasi output SPSS harus dilakukan secara runut, dimulai dari evaluasi kelayakan model secara keseluruhan hingga interpretasi koefisien parsial tiap variabel independen. Berikut adalah urutan teknis pembacaannya.

\n

Langkah 1: Memeriksa Kelayakan Model (Omnibus Tests of Model Coefficients)
Perhatikan nilai p-value pada kolom Sig. baris Model. Jika nilai p-value < 0,05, artinya penambahan variabel independen secara bersama-sama (simultan) memberikan pengaruh signifikan terhadap model, atau model secara keseluruhan dinyatakan fit.

\n

Langkah 2: Uji Goodness of Fit (Hosmer and Lemeshow Test)
Uji ini mengukur apakah data empiris sesuai dengan model. Berbeda dengan uji F atau Chi-Square biasa, model logistik dinyatakan baik atau layak jika nilai p-value pada kolom Sig. di tabel Hosmer and Lemeshow bernilai lebih besar dari 0,05 (p-value > 0,05). Hal ini menandakan tidak ada perbedaan signifikan antara hasil observasi dan prediksi model (Field, 2018).

\n

Langkah 3: Menilai Koefisien Determinasi (Model Summary)
Nilai Cox & Snell R Square dan Nagelkerke R Square menggambarkan seberapa besar variansi variabel terikat mampu dijelaskan oleh variabel bebas. Nilai Nagelkerke R Square telah disesuaikan agar mencapai skala maksimal 1,00, sehingga lebih sering digunakan sebagai indikator ketepatan model.

\n

Langkah 4: Evaluasi Akurasi Prediksi (Classification Table)
Lihat angka persentase pada kolom Percentage Correct baris paling bawah. Angka ini menunjukkan sejauh mana kombinasi variabel dalam model mampu mengklasifikasikan sampel data secara tepat ke dalam dua kategori terikat.

\n

Langkah 5: Membaca Tabel Variables in the Equation (Arah dan Signifikansi)
Fokus pada kolom Sig. untuk melihat signifikansi parsial (uji Wald). Jika nilai Sig. < 0,05, variabel tersebut berpengaruh signifikan. Kolom B menunjukkan arah hubungan: jika nilai B positif, hubungan berbanding lurus; jika nilai B negatif, hubungan berbanding terbalik.

\n

Langkah 6: Membaca Makna Exp(B) Jika Nilainya Lebih Dari 1 (Exp B > 1)
Jika nilai Exp(B) untuk variabel kontinu (misal: Umur) adalah 1,250, artinya setiap kenaikan umur sebesar 1 tahun, nilai kecenderungan (Odds) untuk mengalami kejadian kategori 1 akan meningkat sebesar 1,250 kali lipat (atau naik 25%).

\n

Langkah 7: Membaca Makna Exp(B) Jika Nilainya Kurang Dari 1 (Exp B < 1)
Jika nilai Exp(B) adalah 0,400, interpretasi yang tepat adalah: kecenderungan (Odds) terjadinya kategori 1 pada kelompok tersebut hanya 0,400 kali dibandingkan kelompok acuan. Anda juga bisa menghitung besarnya penurunan dengan rumus (1 - Exp(B)) x 100%, yaitu (1 - 0,400) x 100% = 60% lebih rendah.

\n

Langkah 8: Interpretasi Variabel Kategorik dan Reference Category
Untuk variabel dummy kategorik, nilai Exp(B) selalu membandingkan kategori tertentu terhadap kategori pembanding (reference category). Jika kelompok Perokok memiliki Exp(B) = 2,500 terhadap kelompok Bukan Perokok, maka responden perokok memiliki kecenderungan 2,5 kali lebih tinggi untuk mengalami kategori sukses.

\n

Langkah 9: Memeriksa Rentang Interval Kepercayaan 95% CI for Exp(B)
Perhatikan kolom 95% C.I. for EXP(B) (Lower dan Upper). Jika rentang angka dari Lower hingga Upper melewati atau mencakup angka 1.000 (misalnya 0,850 hingga 2,100), maka secara otomatis variabel tersebut tidak signifikan pada taraf 5%, selaras dengan nilai Sig. > 0,05.

\n\n
ALUR KEPUTUSAN TEPAT: PEMBACAAN OUTPUT REGRESI LOGISTIK IN SPSS 1. Validasi Fit Model Hosmer & Lemeshow Syarat: p-value > 0.05 2. Signifikansi Parsial Uji Wald / Kolom Sig. Syarat: p-value < 0.05 3. Interpretasi Exp(B) Penentuan Odds Ratio Eksponensial e^B Formula Interpretasi Odds Ratio Odds_Baru = Odds_Lama * Exp(B) JANGAN LAKUKAN KESALAHAN INI 1. Menganggap Exp(B) = 0,80 berarti probabilitas 80%. 2. Menafsirkan B tanpa meng-eksponensialkan menjadi Exp(B). 3. Mengabaikan rentang 95% CI yang melewati angka 1.00. RUMUS KONVERSI ODDS KE PROBABILITAS Probabilitas (p) = Odds / (1 + Odds) Gunakan konversi ini jika ingin menyajikan hasil dalam bentuk estimasi persentase peluang individu.
\n\n

Pembahasan Ilmiah: Mekanika Matematika Odds Ratio dan Konversi Probabilitas

\n

Perbedaan paling esensial antara analisis regresi linier dan regresi logistik terletak pada batasan skala output. Pada regresi linier, kombinasi linier variabel independen dapat menghasilkan nilai estimasi yang tidak terbatas dari minus tak hingga hingga plus tak hingga. Sementara itu, probabilitas secara aksiomatis wajib berada pada rentang tertutup [0, 1]. Menurut Kleinbaum dan Klein (2010), fungsi transformasi logit berhasil mengatasi kendala ini dengan mengonversi nilai probabilitas p menjadi skala log-odds yang tidak terbatas.

\n

Persamaan logit secara fungsional dirumuskan sebagai ln(p / (1 - p)). Ketika kita melakukan inversi matematika dengan mengambil nilai eksponensial e pada kedua sisi persamaan, kita memperoleh nilai rasio peluang yang dikenal sebagai Odds. Oleh sebab itu, perubahan satu unit pada variabel X akan melipatgandakan nilai Odds sebesar faktor e^B. Inilah alasan mendasar mengapa angka pada kolom Exp(B) di SPSS bersifat multiplikatif (perkalian), bukan aditif (penjumlahan) seperti pada regresi OLS standar.

\n

Penting bagi peneliti untuk membedakan antara Odds dan Probabilitas. Odds adalah rasio antara probabilitas terjadinya suatu kejadian dengan probabilitas tidak terjadinya kejadian tersebut, dirumuskan sebagai Odds = p / (1 - p). Sebaliknya, probabilitas adalah rasio antara kejadian sukses dengan total keseluruhan kejadian, dirumuskan sebagai p = Odds / (1 + Odds). Jika nilai Odds suatu kelompok adalah 2,0, maka probabilitas kejadian tersebut adalah 2,0 / (1 + 2,0) = 0,667 atau 66,7% (Menard, 2002).

\n

Mengenai pengujian signifikansi parsial, statistik Wald pada SPSS dihitung dengan membagi nilai koefisien B dengan kesalahan standarnya (Standard Error / S.E.), kemudian dikuadratkan: Wald = (B / S.E.)^2. Menurut Hauck dan Donner (1977), statistik Wald dapat menunjukkan efek bias ketika nilai koefisien B sangat besar, di mana nilai kesalahan standar cenderung diestimasi terlalu tinggi sehingga menghasilkan nilai statistik Wald yang tampak tidak signifikan secara semu. Oleh karena itu, pengujian kecocokan model menggunakan uji rasio kemungkinan (Likelihood Ratio Test / Omnibus Test) tetap disarankan sebagai acuan utama.

\n

Dalam melaporkan hasil pengujian pada jurnal ilmiah standar international, Tabachnick dan Fidell (2019) menyarankan untuk selalu mencantumkan koefisien B, kesalahan standar (S.E.), nilai Wald, derajat bebas (df), p-value (Sig.), nilai Exp(B), serta rentang 95% Confidence Interval untuk Exp(B). Penyajian data yang lengkap ini memberikan gambaran yang transparan mengenai besaran efek (effect size) dan presisi estimasi parameter dalam penelitian.

\n

Secara ringkas, ketika Anda mendapati variabel dengan nilai Exp(B) kurang dari 1, Anda tidak perlu cemas atau menganggap hasil penelitian Anda bermasalah. Nilai Exp(B) < 1 semata-mata menunjukkan efek perlindungan atau faktor penghambat (protective factor), di mana keberadaan atau peningkatan variabel tersebut menurunkan kecenderungan terjadinya peristiwa terikat yang diteliti.

\n\n

Kesimpulan

\n

Membaca output regresi logistik biner pada SPSS memerlukan ketelitian agar tidak terjebak dalam kesalahan interpretasi. Langkah pertama adalah memastikan model fit melalui nilai p-value Hosmer and Lemeshow Test > 0,05 dan Omnibus Test < 0,05. Selanjutnya, nilai signifikansi parsial ditentukan dari kolom Sig. pada tabel Variables in the Equation. Indikator paling krusial untuk mengukur besarnya pengaruh adalah nilai Exp(B) yang mencerminkan Odds Ratio (OR), bukan persentase perubahan probabilitas langsung. Nilai Exp(B) > 1 mengindikasikan peningkatan Odds, sedangkan Exp(B) < 1 mengindikasikan penurunan Odds. Dengan memahami transformasi logit ini, interpretasi data penelitian kuantitatif Anda akan menjadi tepat, kredibel, dan memenuhi standar ilmiah.

\n\n

Daftar Pustaka

\n
\n

Agresti, A. (2002). Categorical Data Analysis (2nd ed.). Hoboken: John Wiley & Sons.

\n

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). London: SAGE Publications.

\n

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

\n

Hauck, W. W., & Donner, A. (1977). Wald's test as applied to hypotheses in logit analysis. Journal of the American Statistical Association, 72(360a), 851-853.

\n

Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression (2nd ed.). New York: John Wiley & Sons.

\n

Kleinbaum, D. G., & Klein, M. (2010). Logistic Regression: A Self-Learning Text (3rd ed.). New York: Springer.

\n

Menard, S. (2002). Applied Logistic Regression Analysis (2nd ed.). Thousand Oaks: SAGE Publications.

\n

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Boston: Pearson.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-06T22:22:39+07:00", "date_modified": "2026-09-06T22:22:39+07:00" }, { "id": "https://statistikian.net/kapan-harus-menggunakan-k-means-clustering-vs-hierarchical-clustering-simulasi-pada-r-studio/", "url": "https://statistikian.net/kapan-harus-menggunakan-k-means-clustering-vs-hierarchical-clustering-simulasi-pada-r-studio/", "title": "Kapan Harus Menggunakan K-Means Clustering vs Hierarchical Clustering? Simulasi pada R-Studio", "summary": "Banyak praktisi data dan peneliti mengalami kendala serius saat melakukan pengelompokan data…", "content_html": "
\n

Banyak praktisi data dan peneliti mengalami kendala serius saat melakukan pengelompokan data di R-Studio, di mana skrip tiba-tiba terhenti dengan pesan error Error: cannot allocate vector of size... Mb saat menjalankan Hierarchical Clustering pada dataset berukuran besar. Gejala masalah lainnya adalah hasil klaster yang sangat tidak stabil, terdistribusi secara tidak seimbang, atau memunculkan pesan peringatan did not converge in 10 iterations ketika menggunakan algoritma K-Means Clustering. Memahami dilema komparatif mengenai kapan harus menggunakan K-Means Clustering vs Hierarchical Clustering menjadi sangat krusial agar pengolahan data di R-Studio menghasilkan segmentasi yang akurat tanpa mengalami kegagalan memori komputer (memory allocation error).

\n

Kegagalan teknis ini umumnya terjadi karena salah dalam menentukan metode klasterisasi yang sesuai dengan karakteristik dan skala data. Algoritma Hierarchical Clustering menghitung matriks jarak antar-observasi berukuran N x N yang mengonsumsi memori secara eksponensial kompleksitas O(N^2), sehingga R-Studio akan langsung mengalami crash saat memproses ribuan observasi. Sebaliknya, K-Means Clustering memang sangat cepat dan efisien untuk data besar, tetapi membutuhkan penentuan jumlah klaster k di awal dan sangat sensitif terhadap nilai acak awal (initial centroid random placement) serta pencilan (outliers).

\n\n
DIAGRAM PERMASALAHAN: SALAH PILIH ALGORITMA KLASTERISASI DI R-STUDIO Karakteristik Data Ukuran Observasi (N) Besar Atau Jumlah k Belum Diketahui Gejala Error R-Studio 1. Cannot Allocate Vector Error 2. K-Means Did Not Converge 3. Hasil Klaster Tidak Stabil Dampak Analisis Session R-Studio Crash Pengelompokan Bias & Invalid Log Konsol R-Studio (Memory & Convergence Failure): > d <- dist(large_dataset, method = \"euclidean\") Error: cannot allocate vector of size 14.9 Gb in hclust() Warning: km$iter did not converge in 10 iterations (K-Means) Algoritma & Memori Mismatch CATATAN DAN DIAGNOSA AWAL Diperlukan kriteria pemilihan algoritma yang tepat berdasarkan skala N, k-optimal, dan fusi metode hibrida (HCPC).
\n\n

Konsep Teori K-Means vs Hierarchical Clustering

\n

Analisis klaster (clustering analysis) merupakan teknik multivariat tak terawasi (unsupervised learning) yang bertujuan mengelompokkan entitas atau observasi ke dalam kelompok-kelompok yang homogen sedemikian rupa sehingga variansi di dalam kelompok (within-cluster variance) seminimal mungkin dan variansi antar-kelompok (between-cluster variance) semaksimal mungkin (Johnson & Wichern, 2007).

\n

Secara umum, algoritma klasterisasi terbagi menjadi dua pendekatan utama, yaitu pendekatan non-hirarki (seperti K-Means) dan pendekatan hirarki (Hierarchical Clustering). Menurut MacQueen (1967), K-Means Clustering membagi dataset ke dalam k kelompok dengan mengoptimalkan jarak Euclidean antara titik data dan titik pusat massa (centroid) secara iteratif. Sebaliknya, Kaufman dan Rousseeuw (1990) menjelaskan bahwa Hierarchical Clustering membangun struktur pohon eksplisit (dendrogram) melalui pendekatan aglomeratif (bottom-up) atau divisif (top-down) tanpa memerlukan penentuan nilai k terlebih dahulu.

\n

Untuk mempelajari secara mendalam mengenai pengujian asumsi multivariat, transformasi standarisasi variabel, dan penghitungan matriks jarak Euclidean, Anda dapat membaca ulasan lengkap tentang teori dan konsep dasar analisis klaster di statistikian.com. Landasan teoritis tersebut penting dikuasai sebelum mengimplementasikan fungsi simulasi di R-Studio.

\n

Pakar data mining Tan, Steinbach, dan Kumar (2016) menegaskan bahwa trade-off utama antara K-Means dan Hierarchical terletak pada efisiensi komputasi dan kompleksitas struktur visual. K-Means memiliki kompleksitas waktu linier O(I x K x N x P) di mana I adalah jumlah iterasi dan P adalah jumlah variabel, menjadikannya sangat handal untuk data skala besar. Namun, K-Means sangat rentan terhadap jebakan nilai optimum lokal jika centroid awal tidak ditetapkan secara tepat.

\n\n

Langkah-Langkah Solusi Teknis Pemilihan dan Simulasi pada R-Studio

\n

Berikut adalah panduan keputusan dan langkah-langkah simulasi R-Studio untuk menentukan kapan harus menggunakan K-Means atau Hierarchical Clustering secara efisien.

\n

Aturan Keputusan 1: Skala Observasi Data (Sample Size N)
Gunakan Hierarchical Clustering jika jumlah sampel N < 1000 agar Anda dapat memanfaatkan visualisasi dendrogram secara rinci. Jika N > 1000, gunakan K-Means Clustering untuk menghindari error alokasi memori komputer di R-Studio.

\n

Aturan Keputusan 2: Ketersediaan Informasi Jumlah Klaster (k)
Jika jumlah kelompok k sudah ditentukan berdasarkan teori bisnis atau riset sebelumnya, pilih K-Means. Jika jumlah kelompok sama sekali belum diketahui dan Anda ingin mengeksplorasi hirarki hubungan antar-observasi, pilih Hierarchical Clustering.

\n

Langkah 1: Preparation dan Standarisasi Data (Z-Score)
Sebelum mensimulasikan kedua algoritma, selalu lakukan standarisasi variabel agar perbedaan skala tidak membiaskan matriks jarak. Pada R-Studio, gunakan fungsi scale() pada dataset numerik Anda.

\n
# Standarisasi data di R-Studio\ndata_scaled <- scale(my_data)\n
\n

Langkah 2: Eksekusi Hierarchical Clustering pada Data Kecil/Sedang
Hitung matriks jarak Euclidean dengan fungsi dist() kemudian jalankan algoritma aglomeratif dengan metode Ward (ward.D2) yang terbukti meminimalkan variansi di dalam kelompok (Murtagh & Legendre, 2014).

\n
# Hierarchical Clustering (Ward's Method)\nd_matrix <- dist(data_scaled, method = \"euclidean\")\nhc_model <- hclust(d_matrix, method = \"ward.D2\")\nplot(hc_model, main = \"Dendrogram Hierarchical Clustering\")\nrect.hclust(hc_model, k = 3, border = \"red\")\n
\n

Langkah 3: Menentukan Nilai k Optimal untuk K-Means
Gunakan metode Elbow (Total Within Sum of Squares) atau Silhouette Method melalui package factoextra untuk menentukan jumlah k klaster terbaik secara obyektif sebelum menjalankan K-Means.

\n
library(factoextra)\n# Menentukan k optimal dengan Optimal Silhouette\nfviz_nbclust(data_scaled, kmeans, method = \"silhouette\")\n
\n

Langkah 4: Eksekusi K-Means dengan Parameter nstart untuk Menjamin Konvergensi
Untuk mengatasi masalah tidak konvergen dan ketidakstabilan centroid acak pada K-Means, tambahkan argumen nstart = 25 atau nstart = 50. Hal ini menginstruksikan R-Studio untuk mencoba 25 konfigurasi centroid awal dan memilih hasil dengan variansi terbaik.

\n
# K-Means dengan nstart untuk stabilitas hasil\nset.seed(123)\nkm_model <- kmeans(data_scaled, centers = 3, nstart = 25, iter.max = 100)\nfviz_cluster(km_model, data = data_scaled)\n
\n

Langkah 5: Pendekatan Hibrida (Hierarchical Clustering on Principal Components / HCPC)
Jika dataset Anda berukuran sedang namun memiliki korelasi antar-variabel yang kompleks, gunakan metode hibrida HCPC dari package FactoMineR. Metode ini menggabungkan reduksi dimensi PCA, pembentukan dendrogram hirarki untuk menentukan k, lalu menghaluskan centroid menggunakan K-Means (Husson et al., 2010).

\n\n
MATRIKS KEPUTUSAN & ALUR SOLUSI KLASTERISASI DI R-STUDIO 1. N < 1000 Observasi Gunakan: Hierarchical Metode: hclust(ward.D2) 2. N > 1000 Observasi Gunakan: K-Means Wajib: nstart = 25 - 50 3. Data Kompleks Multikolinier Gunakan: HCPC (FactoMineR) PCA + Dendrogram + K-Means Simulasi R-Studio Bebas Error Segmentasi Optimal & Memori Terjaga HAL YANG HARUS DIHINDARI Jangan jalankan hclust() pada data N > 10.000! Jangan jalankan kmeans() tanpa nstart dan tanpa melakukan standarisasi variabel (scale) terlebih dahulu. RATING EVALUASI VALIDITAS Gunakan Silhouette Index & Davies-Bouldin Index untuk membandingkan kualitas pemisahan klaster secara rasional objektif (Rousseeuw, 1987).
\n\n

Pembahasan Ilmiah: Perbandingan Komputasi, Sensitivitas Outlier, dan Validasi Klaster

\n

Perbedaan mendasar antara K-Means dan Hierarchical Clustering bertumpu pada geometri pencarian ruang solusi (state-space search) dan konsumsi alokasi memori. Menurut Hastie, Tibshirani, dan Friedman (2009), Hierarchical Clustering membutuhkan alokasi memori sebesar O(N^2) untuk menyimpan seluruh matriks ketidakmiripan (dissimilarity matrix). Ketika N meningkat dari 1.000 menjadi 50.000, jumlah elemen matriks meningkat dari 1 juta menjadi 2,5 miliar elemen, yang secara cepat melampaui kapasitas RAM komputer standar sehingga memicu error kalkulasi alokasi memori di R-Studio.

\n

Di sisi lain, K-Means Clustering hanya menyimpan posisi k centroid dan label klaster untuk tiap observasi, sehingga alokasi memorinya bersifat linier O(N x P). Namun, kelemahan utama K-Means yang diungkapkan oleh Jain (2010) adalah sensitivitasnya terhadap bentuk geometris klaster. K-Means mengasumsikan bahwa klaster berbentuk bola bersimetri hiper (hyper-spherical clusters) dengan ukuran dan densitas yang relatif seimbang. Jika data riil memiliki struktur alami berbentuk memanjang, melengkung, atau bertingkat, K-Means akan gagal menangkap pola tersebut secara akurat.

\n

Pilihan metode penghubung (linkage method) pada Hierarchical Clustering juga sangat menentukan kualitas akhir pengelompokan. Everitt et al. (2011) menjelaskan bahwa metode Complete Linkage cenderung menghasilkan klaster yang terkompak, sementara Single Linkage sangat rentan terhadap fenomena *chaining effect* (pembuatan klaster yang memanjang dan tidak simetris). Metode Ward's Minimum Variance umumnya menjadi pilihan terbaik karena meminimalkan total variansi kuadrat dalam kelompok, mirip dengan fungsi tujuan yang dioptimalkan oleh K-Means.

\n

Terkait keberadaan pencilan (outliers), K-Means terbukti sangat tidak tangguh (non-robust). K-Means menghitung rata-rata aritmatika untuk menentukan posisi centroid baru pada setiap iterasi. Satu observasi ekstrim dapat menarik posisi centroid secara signifikan sehingga menggeser batas-batas pengelompokan entitas lainnya. Jika dataset Anda dicurigai mengandung banyak pencilan namun skala N tetap besar, pakar menyarankan pengalihan dari K-Means ke algoritma *Partitioning Around Medoids* (PAM/K-Medoids) yang menggunakan nilai medoid riil alih-alih nilai rata-rata centroid (Kaufman & Rousseeuw, 1990).

\n

Untuk menguji kinerjanya secara obyektif, validasi internal seperti *Silhouette Coefficient* (Rousseeuw, 1987) wajib dihitung. Nilai koefisien Silhouette berkisar antara -1 hingga +1, di mana nilai mendekati +1 menunjukkan bahwa observasi telah terkelompokkan dengan sangat baik di dalam klasternya dan terpisah jauh dari klaster tetangga. Mengombinasikan pengujian Silhouette di R-Studio memungkinkan peneliti membuktikan secara kuantitatif apakah solusi K-Means atau Hierarchical yang memberikan struktur klaster paling optimal pada data penelitian.

\n

Secara ringkas, integrasi kedua metode dapat saling melengkapi. Praktisi data dapat menggunakan sampel acak kecil dari data besar untuk menjalankan *Hierarchical Clustering* guna mengidentifikasi nilai k optimal dan struktur awal, lalu menerapkan nilai k dan posisi awal centroid tersebut ke dalam algoritma *K-Means* untuk memproses keseluruhan dataset (Tibshirani et al., 2001).

\n\n

Kesimpulan

\n

Pemilihan antara *K-Means Clustering* dan *Hierarchical Clustering* tidak didasarkan pada mana algoritma yang lebih unggul secara mutlak, melainkan pada skala data (N), efisiensi memori, dan tujuan eksplorasi. Gunakan *Hierarchical Clustering* jika ukuran sampel terbatas (N < 1000) dan Anda membutuhkan visualisasi pohon *dendrogram* untuk menentukan struktur kelompok secara eksploratif. Sebaliknya, pilih *K-Means Clustering* untuk dataset berukuran besar dengan mengikutsertakan parameter `nstart = 25` di R-Studio guna mengatasi masalah konvergensi. Penerapan simulasi R-Studio yang tepat akan menghindarkan Anda dari error memori dan menghasilkan segmentasi data yang ilmiah dan berdaya guna.

\n\n

Daftar Pustaka

\n
\n

Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster Analysis (5th ed.). Chichester: John Wiley & Sons.

\n

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York: Springer.

\n

Husson, F., Lê, S., & Pagès, J. (2010). Exploratory Multivariate Data Analysis by Example Using R. Boca Raton: CRC Press.

\n

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666.

\n

Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Upper Saddle River: Pearson Prentice Hall.

\n

Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. New York: John Wiley & Sons.

\n

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.

\n

Murtagh, F., & Legendre, P. (2014). Ward’s hierarchical agglomerative clustering method: Which algorithms implement Ward’s criterion? Journal of Classification, 31(3), 274-295.

\n

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65.

\n

Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to Data Mining. Boston: Pearson.

\n

Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-423.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "R Studio" ], "date_published": "2026-09-06T22:17:59+07:00", "date_modified": "2026-09-06T22:17:59+07:00" }, { "id": "https://statistikian.net/solusi-cara-mengatasi-masalah-random-effect-rem-regresi-data-panel-statis-gagal-atau-error-di-eviews/", "url": "https://statistikian.net/solusi-cara-mengatasi-masalah-random-effect-rem-regresi-data-panel-statis-gagal-atau-error-di-eviews/", "title": "Solusi Cara Mengatasi Masalah Random Effect (REM) Regresi Data Panel Statis Gagal atau error di Eviews", "summary": "Ketika menjalankan estimasi Random Effect Model (REM) pada regresi data panel statis…", "content_html": "
\n

Ketika menjalankan estimasi Random Effect Model (REM) pada regresi data panel statis di software EViews, peneliti sering kali dihadapkan pada kendala teknis berupa pesan error seperti Random effects estimation requires number of cross-sections > number of coefficients, Cross-section test variance is invalid, atau Component variance is negative. Kemunculan notifikasi sistem ini secara otomatis menghentikan proses kalkulasi ekonometrika, sehingga estimasi parameter maupun Uji Hausman tidak dapat ditampilkan. Pemahaman mengenai cara mengatasi random effect REM regresi data panel gagal di Eviews menjadi krusial agar tahapan pemodelan tetap memenuhi kaidah statistik yang sahih tanpa mengorbankan integritas data.

\n

Penyebab utama terjadinya kegagalan estimasi REM di EViews umumnya dipicu oleh ketiadaan kecukupan derajat kebebasan pada dimensi silang (cross-section), di mana jumlah entitas individu (N) lebih sedikit atau sama dengan jumlah variabel independen ditambah konstanta (K). Selain itu, masalah juga sering timbul akibat estimasi varians komponen kesalahan acak (random error component variance) yang bernilai negatif atau nol ketika dihitung menggunakan algoritma default Swamy dan Arora. Akibatnya, matriks pembobot Feasible Generalized Least Squares (FGLS) menjadi tidak dapat diinverskan (singular matrix).

\n\n
DIAGRAM PERMASALAHAN: GAGAL ESTIMASI RANDOM EFFECT (REM) DI EVIEWS Kondisi Struktur Data Jumlah Cross-Section (N) kecil N <= K (Jumlah Parameter) Gejala Error Sistem 1. N <= K Requirement Error 2. Component Variance Negative 3. Singular Matrix / Near Singular Dampak Analisis Estimasi REM Terhenti Uji Hausman Gagal Dihitung Log Algoritma EViews (Swamy-Arora Standard): Calculating ANOVA component variances... Error: Cross-section variance estimator is negative (-0.00421)! Execution halted: Random effects estimation requires N > K. FGLS Transformation Failed CATATAN DAN IDENTIFIKASI AWAL Diperlukan penyesuaian metode estimasi komponen varians atau pengalihan spesifikasi ke Fixed Effect Model (FEM).
\n\n

Konsep Teori Model Random Effect dan Varians Komponen

\n

Regresi data panel mengombinasikan dimensi antar-individu (cross-section) dan dimensi waktu (time-series) untuk menangkap heterogenitas yang tidak terobservasi (Baltagi, 2021). Dalam kerangka data panel statis, *Random Effect Model* (REM) mengasumsikan bahwa efek spesifik individu merupakan variabel acak yang terdistribusi secara independen dan identik, serta tidak berkorelasi dengan variabel independen dalam model.

\n

Asumsi utama yang mendasari estimator REM adalah struktur komposit kesalahan (composite error term), yang terdiri dari komponen error spesifik individu dan error sisaan umum. Wooldridge (2010) menjelaskan bahwa untuk menghasilkan estimasi yang efisien, REM menggunakan metode *Feasible Generalized Least Squares* (FGLS). Estimator FGLS bekerja dengan mentransformasi variabel menggunakan bobot pembobot (theta) yang dihitung dari estimasi varians komponen individu dan varians idiosinkratik.

\n

Untuk memahami landasan ekonometrika mendasar mengenai pemodelan data panel, pemilihan estimasi, serta asumsi klasiknya, Anda dapat mempelajari panduan teoritis lengkap tentang teori dan konsep regresi data panel di statistikian.com. Pemahaman dasar ini sangat penting agar peneliti memahami alasan matematis di balik kegagalan fungsi transformasi FGLS pada EViews.

\n

Greene (2018) menegaskan bahwa estimasi varians komponen acak memerlukan variabilitas yang cukup antar entitas individu. Ketika jumlah entitas individu terbatas atau ketika variansi residual dalam-kelompok (within-group variance) melampaui variansi antar-kelompok (between-group variance), estimasi komponen varians acak dapat bernilai negatif. Kondisi tidak rasional secara matematis ini menyebabkan metode standar seperti Swamy dan Arora (1972) gagal menghasilkan matriks kovarians yang *positive definite*.

\n\n

Langkah-Langkah Solusi Teknis Perbaikan Mandiri di EViews

\n

Untuk mengatasi kegagalan dan error estimasi *Random Effect Model* (REM) pada EViews, berikut adalah prosedur teknis dan solutif yang dapat diterapkan secara bertahap berdasarkan alasan ekonometris yang valid.

\n

Langkah 1: Evaluasi Imbangan Jumlah Cross-Section (N) dan Parameter (K)
Buka jendela kerja EViews dan hitung jumlah entitas individu (N) serta jumlah regresor ditambah konstanta (K). Jika N kurang dari atau sama dengan K (N <= K), algoritma pembentukan varians komponen spesifik individu pada REM secara teoritis tidak dapat teridentifikasi. Solusi utama untuk kondisi ini adalah mengurangi jumlah variabel bebas atau beralih ke *Fixed Effect Model* (FEM).

\n

Langkah 2: Memeriksa dan Memperbaiki Struktur Panel Workfile
Pastikan data Anda telah terdefinisi secara benar sebagai *Balanced Panel Workfile*. Klik menu Proc > Structure/Resize Current Workfile..., lalu pastikan struktur *workfile type* diset pada opsi Dated Panel atau Undated Panel dengan penetapan *Cross-section ID* dan *Date ID* yang presisi tanpa ada observasi yang terduplikasi.

\n

Langkah 3: Mengubah Metode Estimasi Komponen Varians (Variance Components Method)
Secara bawaan, EViews menggunakan metode *Swamy-Arora* untuk mengestimasi varians komponen acak. Jika metode ini menghasilkan error varians negatif, buka jendela Equation Estimation, pilih tab Panel Options, kemudian ubah opsi dropdown Random effects dari *Swamy-Arora* menjadi metode alternatif seperti **Wallace-Hussain**, **Wansbeek-Kapteyn**, atau **Nerlove**.

\n

Langkah 4: Menggunakan Metode Wansbeek-Kapteyn untuk Data Tidak Seimbang
Jika struktur data panel bersifat *unbalanced panel*, algoritma Swamy-Arora sering kali tidak stabil. Mengubah metode estimasi komponen varians menjadi **Wansbeek-Kapteyn** terbukti secara ilmiah lebih tangguh (robust) dalam menangani data yang hilang (missing observations) tanpa menghasilkan nilai varians negatif.

\n

Langkah 5: Beralih Secara Metodologis ke Fixed Effect Model (FEM)
Apabila error dipicu oleh syarat matematis N <= K, pengalihan model dari REM ke *Fixed Effect Model* (FEM) merupakan tindakan ilmiah yang sah dan direkomendasikan. Hsiao (2014) menyatakan bahwa ketika N bernilai kecil dan entitas tidak diambil secara acak dari populasi besar, FEM memberikan estimasi yang lebih konsisten tanpa bergantung pada estimasi varians komponen acak.

\n

Langkah 6: Memeriksa Multikolinearitas Sempurna pada Variabel Bebas
Multikolinearitas yang sangat tinggi antar-regresor dapat menyebabkan matriks kovarians antar-entitas menjadi *singular*. Lakukan uji korelasi antar variabel bebas melalui menu Quick > Group Statistics > Correlations. Jika ditemukan korelasi mendekati 1, keluarkan salah satu variabel yang bermasalah dari persamaan.

\n

Langkah 7: Menangani Variabel yang Invariant Terhadap Waktu (Time-Invariant Variables)
Pastikan tidak memasukkan variabel bebas yang nilainya konstan sepanjang waktu untuk setiap entitas individu jika Anda berencana membandingkannya dengan FEM. Meskipun REM secara teoritis dapat mengestimasi variabel *time-invariant*, keberadaan variabel tersebut bersamaan dengan matriks varians yang tidak stabil dapat memperparah error kalkulasi di EViews.

\n

Langkah 8: Menerapkan Estimator Robust Standard Error
Jika estimasi REM berhasil dijalankan setelah mengganti metode varians komponen tetapi mengalami masalah heteroskedastisitas atau korelasi silang (cross-sectional dependence), aktifkan opsi koreksi standar eror pada tab Panel Options dengan memilih *Coefficient covariance method* menjadi White cross-section atau Driscoll-Kraay (Panel Corrected Standard Errors / PCSE).

\n

Langkah 9: Melakukan Uji Breusch-Pagan Lagrange Multiplier (LM Test) Alternatif
Apabila Uji Hausman gagal dihitung akibat varians tes acak yang invalid (Cross-section test variance is invalid), gunakan Uji Breusch-Pagan LM untuk menentukan apakah *Common Effect Model* (CEM) atau REM yang lebih layak. Di EViews, uji ini dapat diakses melalui menu View > Fixed/Random Effects Testing > Random Effects - Lagrange Multiplier setelah menjalankan estimasi Pooled OLS.

\n\n
ALUR SOLUSI TEKNIS: MENGATASI ERROR ESTIMASI REM DI EVIEWS 1. Evaluasi Imbangan N & K Cek Jumlah Cross-Section (N) Syarat Syah REM: N > K 2. Opsi Panel Options Ubah Swamy-Arora ke: Wansbeek-Kapteyn / Wallace 3. Jika N <= K Tetap Terjadi Alihkan ke Fixed Effect (FEM) Atau Gunakan Uji Breusch-Pagan Estimasi Model Berhasil & Valid Koefisien Parametrik & Standard Error Terbentuk PERINGATAN KESALAHAN UMUM Jangan memaksakan REM jika N <= K! Memanipulasi data secara buatan akan memicu bias spesifikasi dan mengganggu validitas uji. JUSTIFIKASI METODOLOGIS SAHIH Pengalihan dari REM ke FEM saat N kecil sejalan dengan rekomendasi Mundlak (1978) dan Baltagi (2021) untuk data spesifik.
\n\n

Pembahasan Ilmiah: Aspek Mekanisme Kalkulasi dan Justifikasi Ekonometrika

\n

Secara matematis, estimasi *Random Effect Model* bertumpu pada transformasi quasi-demeaning terhadap variabel penelitian. Prosedur FGLS mengurangi sebagian dari rata-rata individu variabel dengan faktor pembobot theta. Nilai theta ini dihitung berdasarkan rasio antara varians error idiosinkratik (sigma e kuadrat) dan varians error individu (sigma u kuadrat). Swamy dan Arora (1972) merumuskan estimasi komponen varians ini menggunakan residual dari estimasi *Within* (Fixed Effect) dan estimasi *Between*.

\n

Kendala utama muncul ketika kalkulasi kuadrat tengah kesalahan (mean squared error) dari estimasi *Between* ternyata lebih kecil dibandingkan estimasi *Within*. Menurut Judge et al. (1985), kondisi ini secara numerik menghasilkan estimasi varians komit individu (sigma u kuadrat) bernilai negatif. Karena nilai varians secara definisi statistik tidak boleh negatif, EViews secara otomatis menetapkan nilai varians tersebut menjadi nol atau menghentikan eksekusi perintah dengan memunculkan pesan error.

\n

Ketika varians komponen individu bernilai nol, nilai theta menjadi nol, yang berarti transformasi FGLS pada REM kembali menjadi estimasi *Pooled Ordinary Least Squares* (PLS) biasa. Namun, jika algoritma EViews disetting secara ketat untuk menghitung struktur kovarians acak penuh, ketidakmampuan membentuk matriks berukuran rasional akan memicu terjadinya *near-singular matrix*. Hal inilah yang menjadi alasan matematis di balik munculnya peringatan ketiadaan kecukupan derajat kebebasan pada sampel data panel berukuran N kecil.

\n

Alternatif estimasi varians komponen yang ditawarkan oleh Wansbeek dan Kapteyn (1989) serta Wallace dan Hussain (1969) mengatasi kelemahan ini dengan menggunakan residual OLS murni untuk mengestimasi komponen varians. Wansbeek-Kapteyn tidak membaginya berdasarkan pembobot ANOVA standar dari model *Within-Between*, sehingga metode ini jauh lebih stabil dan jarang menghasilkan estimator varians negatif, terutama pada sampel data panel yang tidak seimbang (unbalanced panel).

\n

Dari perspektif filosofi pemodelan, Mundlak (1978) berargumen bahwa asumsi utama REM yang mengharuskan tidak adanya korelasi antara efek individu acak dan variabel independen sangat jarang terpenuhi dalam data sosial dan ekonomi nyata. Apabila korelasi tersebut ada, maka estimator REM menjadi bias dan tidak konsisten. Oleh sebab itu, jika estimasi REM di EViews mengalami kegagalan teknis akibat ukuran N yang terbatas, mengalihkan spesifikasi ke *Fixed Effect Model* (FEM) bukan sekadar kompromi teknis, melainkan langkah penyelamatan filosofis agar parameter yang diestimasi tetap bersifat *Unbiased*.

\n

Kegagalan dalam menghitung Uji Hausman di EViews (Cross-section test variance is invalid) juga merupakan konsekuensi langsung dari ketidakstabilan matriks kovarians REM. Cameron dan Trivedi (2005) menjelaskan bahwa statistik Uji Hausman dihitung dari selisih matriks kovarians FEM dan REM. Jika matriks kovarians REM tidak *positive definite*, selisih matriks tersebut dapat menghasilkan nilai chi-kuadrat negatif atau varians tes yang invalid. Penggunaan Uji Breusch-Pagan LM merupakan solusi pengujian statistik yang sah untuk membandingkan CEM dan REM tanpa membutuhkan estimasi kovarians REM yang kompleks.

\n

Dengan menerapkan diagnosa yang tepat terhadap penyebab kegagalan REM di EViews—baik melalui penyesuaian algoritma komponen varians maupun pengalihan ke spesifikasi model FEM yang lebih tepat—peneliti dapat memastikan bahwa model ekonometrika yang dihasilkan memiliki landasan ilmiah yang kukuh, terbebas dari kesalahan spesifikasi, dan dapat dipertanggungjawabkan secara akademis.

\n\n

Kesimpulan

\n

Masalah kegagalan dan error estimasi *Random Effect Model* (REM) pada regresi data panel di EViews umumnya bersumber dari keterbatasan derajat kebebasan dimensi *cross-section* (N <= K) serta ditemukannya nilai estimasi varians komponen acak yang negatif pada metode Swamy-Arora. Solusi teknis mandiri dapat dilakukan dengan mengganti metode estimasi komponen varians menjadi Wansbeek-Kapteyn atau Wallace-Hussain di menu *Panel Options*. Apabila struktur data secara mendasar memiliki jumlah entitas N yang sangat terbatas, beralih ke *Fixed Effect Model* (FEM) atau menggunakan Uji Breusch-Pagan LM merupakan prosedur ekonometrika yang valid dan direkomendasikan para pakar.

\n\n

Daftar Pustaka

\n
\n

Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Cham: Springer Nature Switzerland.

\n

Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and Applications. Cambridge: Cambridge University Press.

\n

Greene, W. H. (2018). Econometric Analysis (8th ed.). New York: Pearson Education.

\n

Hsiao, C. (2014). Analysis of Panel Data (3rd ed.). Cambridge: Cambridge University Press.

\n

Judge, G. G., Griffiths, W. E., Hill, R. C., Lütkepohl, H., & Lee, T. C. (1985). The Theory and Practice of Econometrics (2nd ed.). New York: John Wiley & Sons.

\n

Mundlak, Y. (1978). On the Pooling of Time Series and Cross Section Data. Econometrica, 46(1), 69-85.

\n

Swamy, P. A. V. B., & Arora, S. S. (1972). The Exact Finite Sample Properties of the Estimators of Coefficients in the Error Components Regression Models. Econometrica, 40(2), 261-275.

\n

Wallace, T. D., & Hussain, A. (1969). The Use of Error Component Models in Combining Time Series and Cross Section Data. Econometrica, 37(1), 55-72.

\n

Wansbeek, T., & Kapteyn, A. (1989). Estimation of the Error-Components Model with Incomplete Panels. Journal of Econometrics, 41(3), 341-361.

\n

Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). Cambridge: MIT Press.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-06T22:03:56+07:00", "date_modified": "2026-09-06T22:03:56+07:00" }, { "id": "https://statistikian.net/cara-peramalan-forecasting-arima-di-eviews-supaya-bisa-beberapa-periode-kedepan-misalnya-6-bulan-kedepan/", "url": "https://statistikian.net/cara-peramalan-forecasting-arima-di-eviews-supaya-bisa-beberapa-periode-kedepan-misalnya-6-bulan-kedepan/", "title": "Cara Peramalan (Forecasting) ARIMA di Eviews Supaya Bisa Beberapa Periode Kedepan Misalnya 6 Bulan Kedepan", "summary": "Banyak pengguna EViews mengalami kendala saat melakukan proyeksi masa depan, di mana…", "content_html": "
\n

Banyak pengguna EViews mengalami kendala saat melakukan proyeksi masa depan, di mana grafik hasil peramalan terhenti tepat di periode data aktual terakhir dan tidak menghasilkan nilai estimasi untuk periode mendatang. Gejala masalah ini umumnya ditandai dengan munculnya pesan peringatan sistem seperti Forecast evaluation sample is empty atau output grafik peramalan yang terpotong tanpa adanya garis proyeksi 6 bulan ke depan. Ketika kendala teknis ini terjadi, memahami cara peramalan ARIMA di EViews dengan teknik alokasi struktur data (workfile range expansion) dan konfigurasi sampel peramalan (forecast sample) menjadi kunci utama untuk menghasilkan estimasi out-of-sample yang valid.

\n

Kegagalan EViews dalam memproyeksikan data untuk beberapa periode mendatang sejatinya bukan disebabkan oleh kesalahan estimasi parameter persamaan ARIMA (p, d, q), melainkan karena batas tanggal (range boundary) pada lembar kerja (workfile) belum diperluas untuk menampung observasi masa depan. Jika struktur tanggal observasi baru belum dibuat dalam sistem, EViews secara otomatis akan membatasi rentang kalkulasi hanya sebatas sampel data historis yang tersedia (in-sample forecast). Akibatnya, nilai prediksi untuk horizon 6 bulan ke depan tidak dapat dihitung maupun ditampilkan.

\n\n
DIAGRAM PERMASALAHAN: GAGAL FORECAST OUT-OF-SAMPLE DI EVIEWS Workfile Range Terkunci Sampel: 2020M01 - 2024M12 Tidak Ada Slot Masa Depan Gejala Error Forecast Forecast Evaluation Sample Empty Hasil Terhenti di T_akhir Proyeksi Terpotong Hanya In-Sample Forecast Gagal Proyeksi +6 Bulan Data Historis Aktual (2020M01 - 2024M12) Batas Workfile (Terputus / Error) No Out-of-Sample Data CATATAN DAN PENYEBAB UTAMA Workfile EViews perlu di-resize (diperluas) terlebih dahulu untuk menambah struktur tanggal observasi baru (+6 bulan).
\n\n

Konsep Teori Peramalan ARIMA dan Horizon Proyeksi

\n

Peramalan deret waktu menggunakan metodologi Box dan Jenkins (1976) mengandalkan struktur autokorelasi linier dari observasi historis untuk memprediksi nilai variabel pada masa depan. Model *Autoregressive Integrated Moving Average* (ARIMA) menggabungkan komponen ketergantungan nilai lampau (AR), derajat pembedaan untuk mencapai stasioneritas (I), serta efek kejutan residual lampau (MA) guna membentuk fungsi proyeksi matematis yang stabil.

\n

Menurut Gujarati dan Porter (2009), peramalan kuantitatif secara umum dibedakan menjadi dua jenis evaluasi, yaitu peramalan *in-sample* dan peramalan *out-of-sample*. Peramalan *in-sample* bertujuan menilai seberapa baik model ARIMA mengepas data historis yang digunakan dalam estimasi. Sementara itu, peramalan *out-of-sample* merupakan proyeksi murni ke periode mendatang di mana nilai realisasi aktual variabel tersebut belum terjadi.

\n

Untuk memahami aspek teoretis mengenai pengujian stasioneritas, pemilihan ordo (p, d, q), serta formulasi matematis dasar dari analisis deret waktu ini, Anda dapat mempelajari landasan teori lengkap tentang konsep dasar dan teori model ARIMA di statistikian.com. Pemahaman teoretis yang kukuh sangat dibutuhkan agar interpretasi hasil peramalan di EViews tidak melenceng dari kaidah statistik.

\n

Enders (2014) menyatakan bahwa dalam peramalan *multi-step ahead* (beberapa periode ke depan), varians kesalahan peramalan (forecast error variance) akan meningkat secara monoton seiring berjalannya horizon peramalan. Oleh karena itu, penyediaan interval keyakinan (confidence interval) untuk proyeksi 6 bulan ke depan menjadi aspek vital guna mengukur derajat ketidakpastian yang menyertai nilai titik ramalan (point forecast).

\n\n

Langkah Teknis Peramalan ARIMA 6 Bulan Ke Depan di EViews

\n

Untuk memproyeksikan nilai ARIMA hingga beberapa periode mendatang (misalnya 6 bulan ke depan), berikut adalah prosedur teknis sistematis yang wajib dilakukan pada perangkat lunak EViews.

\n

Langkah 1: Mengidentifikasi Batas Workfile Awal
Buka lembar kerja (workfile) Anda di EViews. Perhatikan bagian atas jendela workfile pada keterangan Range. Jika data historis bulanan Anda berakhir pada periode 2024M12, maka secara default EViews tidak memiliki tempat untuk menyimpan hasil ramalan tahun 2025.

\n

Langkah 2: Melakukan Resize Workfile Range (Perluasan Struktur Data)
Klik menu utama Proc pada jendela workfile, lalu pilih Structure/Resize Current Workfile.... Langkah ini merupakan fondasi teknis terpenting untuk alokasi memori observasi baru.

\n

Langkah 3: Mengubah End Date untuk Menambah 6 Periode Kebawah
Pada kotak dialog Workfile Structure/Resize, ubah opsi End date dari 2024M12 menjadi 2025M06 (menambahkan 6 bulan ke depan). Klik OK. EViews akan mengonfirmasi penambahan observasi kosong tersebut.

\n

Langkah 4: Memeriksa Keberadaan Nilai NA pada Periode Baru
Buka variabel utama Anda (misalnya variabel Y). Geser ke baris paling bawah. Anda akan melihat bahwa observasi dari bulan 2025M01 hingga 2025M06 telah terbuat dengan nilai terisi NA (Not Available). Hal ini menandakan struktur tempat hasil ramalan telah siap.

\n

Langkah 5: Mengestimasi Persamaan ARIMA (Equation Estimation)
Buka jendela estimasi persamaan dengan klik Quick > Estimate Equation.... Ketikkan formulasi model ARIMA yang telah teruji stasioner dan terbebas dari autokorelasi, misalnya: d(y) c ar(1) ma(1). Pada bagian Estimation sample, pastikan rentang sampel estimasi diset pada data historis, yaitu 2020M01 2024M12. Klik OK.

\n

Langkah 6: Membuka Menu Forecast pada Window Equation
Setelah hasil estimasi persamaan muncul dan dinyatakan valid secara diagnostik, klik tombol Forecast yang berada di bilah menu bagian atas jendela persamaan (Equation Window).

\n

Langkah 7: Konfigurasi Nama Variabel Hasil Peramalan
Pada jendela dialog Forecast, isikan nama variabel baru untuk menampung hasil peramalan pada kolom Forecast name (misalnya diisi Y_F). Isikan pula nama variabel untuk nilai standard error pada kolom S.E. name (misalnya Y_SE).

\n

Langkah 8: Memilih Metode Dynamic Forecast
Pada bagian Forecast method, pilih opsi Dynamic forecast. Metode dinamis ini wajib dipilih untuk peramalan *out-of-sample* beberapa periode ke depan karena kalkulasi prediksi akan menggunakan nilai ekstrapolasi lag secara rekursif.

\n

Langkah 9: Mengatur Rentang Forecast Sample ke Masa Depan
Pada bagian Forecast sample, ubah rentang tanggal menjadi 2025M01 2025M06 (atau 2020M01 2025M06 jika ingin menampilkan kurva historis beserta proyeksinya secara bersamaan). Langkah ini memerintahkan EViews untuk menghitung nilai prediksi pada 6 bulan periode baru tersebut. Klik OK.

\n

Langkah 10: Evaluasi Grafik dan Ekstraksi Angka Hasil Peramalan
EViews akan menampilkan grafik peramalan beserta pita batas selang kepercayaan 95% (confidence bounds). Buka variabel Y_F pada workfile utama untuk melihat angka pasti hasil proyeksi peramalan dari bulan 2025M01 hingga 2025M06.

\n\n
ALUR SOLUSI TEKNIS: PROYEKSI OUT-OF-SAMPLE 6 BULAN KE DEPAN DI EVIEWS 1. Resize Workfile Range Proc -> Structure/Resize Ubah End Date (+6 Bulan) 2. Estimasi Model ARIMA Quick -> Estimate Equation Set Sample: Data Historis 3. Eksekusi Dynamic Forecast Pilih: Dynamic Forecast Forecast Sample: Masa Depan Angka Proyeksi +6 Bulan Terbentuk Output Variabel Y_F Terisi Angka Ramalan PERINGATAN: STATIC VS DYNAMIC Jangan Pilih Static Forecast untuk Out-of-Sample! Static membutuhkan data aktual Y(t-1) di masa depan. Sistem akan menghasilkan nilai NA jika dipaksa Static. KEUNGGULAN DYNAMIC FORECASTING Menghitung nilai ramalan secara rekursif (t+1, t+2... t+6). Dilengkapi grafik kurva interval keyakinan 95% memudahkan analisis risiko dan deviasi proyeksi.
\n\n

Pembahasan Ilmiah: Dynamic vs Static Forecast dan Evaluasi Akurasi

\n

Pemilihan antara metode *Dynamic Forecast* dan *Static Forecast* di EViews merupakan pertimbangan metodologis yang teramat krusial. Makridakis, Wheelwright, dan Hyndman (1998) menjelaskan bahwa *dynamic forecast* melakukan peramalan secara bertahap dan rekursif mulai dari periode awal peramalan hingga periode akhir horizon. Dalam kalkulasi *dynamic forecast*, nilai prediksi variabel pada periode *t + 1* digunakan kembali sebagai variabel masukan lag untuk memprediksi periode *t + 2*, dan seterusnya hingga periode *t + 6*.

\n

Sebaliknya, *static forecast* melakukan peramalan satu langkah ke depan (one-step ahead forecast) dengan selalu menggunakan nilai riil observasi aktual pada periode sebelumnya. Kerangka *static forecast* sangat berguna untuk menguji keakuratan model dalam sampel historis, namun secara teknis tidak dapat digunakan untuk memproyeksikan periode *out-of-sample* yang data aktualnya belum tercipta. Menggunakan *static forecast* untuk horizon masa depan tanpa adanya data riil pendukung akan menyebabkan nilai ramalan menghasilkan kode *NA*.

\n

Menurut Diebold (2007), keandalan hasil peramalan ARIMA untuk horizon 6 bulan ke depan harus diukur menggunakan kriteria evaluasi statistik *in-sample* seperti *Root Mean Squared Error* (RMSE), *Mean Absolute Error* (MAE), dan *Mean Absolute Percentage Error* (MAPE). Model dengan nilai RMSE dan MAPE terkecil mengindikasikan bahwa struktur parameter stokastik yang dibentuk memiliki tingkat kesalahan proyeksi paling minimal.

\n

Box, Jenkins, dan Reinsel (2015) menekankan pentingnya pemeriksaan diagnostik residual sebelum angka peramalan dipublikasikan sebagai basis kebijakan. Residual dari persamaan ARIMA yang digunakan wajib memenuhi kriteria *white noise*, yaitu tidak mengandung autokorelasi parsial maupun total yang signifikan pada berbagai tingkat lag, serta terdistribusi secara normal. Pengujian ini dapat dikonfirmasi melalui nilai p-value uji Breusch-Godfrey Serial Correlation Ljung-Box Q-statistic yang berada di atas level signifikansi 0,05.

\n

Hamilton (1994) menyoroti fenomena konvergensi pada peramalan ARIMA jangka panjang. Pada model ARIMA yang stasioner, nilai peramalan *dynamic forecast* untuk horizon yang sangat jauh akan secara bertahap memusat kembali menuju nilai rata-rata jangka panjangnya (unconditional mean). Hal ini menunjukkan bahwa daya ramalan dinamis ARIMA mencapai tingkat efisiensi tertinggi pada jangka pendek hingga menengah, seperti proyeksi 6 hingga 12 bulan ke depan.

\n

Dalam praktiknya, peneliti juga disarankan untuk mengevaluasi interval keyakinan peramalan. Kenaikan nilai *standard error* yang melebar seiring bertambahnya periode peramalan mencerminkan peningkatan risiko akumulasi ketidakpastian matematis. Oleh karena itu, menyajikan angka estimasi titik (point forecast) yang didampingi oleh selang kepercayaan 95% memberikan gambaran risiko ekonomi yang lebih transparan bagi para pembuat keputusan.

\n

Terakhir, pembaruan data secara berkala (rolling forecast) sangat dianjurkan. Setiap kali realisasi data aktual bulan terbaru dirilis, peneliti sebaiknya memasukkan observasi baru tersebut ke dalam *workfile* EViews dan mengestimasi ulang parameter ARIMA. Prosedur ini memastikan bahwa dinamika kejutan jangka pendek terbaru selalu terintegrasi dalam kalkulasi proyeksi 6 bulan mendatang.

\n\n

Kesimpulan

\n

Kendala tidak munculnya nilai peramalan untuk beberapa periode ke depan di EViews dapat diatasi secara tuntas melalui prosedur perbaikan alokasi data. Dengan memperluas batas *workfile range* menggunakan fungsi `Structure/Resize Current Workfile`, mengalokasikan slot sampel observasi baru (+6 bulan), serta mengeksekusi metode **Dynamic Forecast**, EViews dapat menghitung nilai proyeksi *out-of-sample* secara rekursif dan presisi. Penerapan langkah teknis ini memastikan analisis time series tidak hanya berhenti pada evaluasi data historis, tetapi mampu menghasilkan estimasi masa depan yang bermanfaat secara ilmiah dan strategis.

\n\n

Daftar Pustaka

\n
\n

Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.

\n

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Hoboken: John Wiley & Sons.

\n

Diebold, F. X. (2007). Elements of Forecasting (4th ed.). Mason: Thomson South-Western.

\n

Enders, W. (2014). Applied Econometric Time Series (4th ed.). New York: John Wiley & Sons.

\n

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton: Princeton University Press.

\n

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications (3rd ed.). New York: John Wiley & Sons.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-06T21:50:39+07:00", "date_modified": "2026-09-06T21:50:58+07:00" }, { "id": "https://statistikian.net/solusi-data-time-series-tidak-stasioner-teknik-differencing-yang-tepat-dengan-r-studio/", "url": "https://statistikian.net/solusi-data-time-series-tidak-stasioner-teknik-differencing-yang-tepat-dengan-r-studio/", "title": "Solusi Data Time Series Tidak Stasioner: Teknik Differencing yang Tepat dengan R-Studio", "summary": "Model Autoregressive Integrated Moving Average (ARIMA) atau analisis ekonometrika sering kali menghasilkan…", "content_html": "
\n

Model Autoregressive Integrated Moving Average (ARIMA) atau analisis ekonometrika sering kali menghasilkan estimasi palsu (spurious regression) ketika digunakan pada data yang mengalami tren tidak stasioner. Gejala utama masalah ini ditandai dengan nilai R-squared yang sangat tinggi (di atas 0,90) namun nilai Durbin-Watson statistic sangat rendah (di bawah 1,0), atau munculnya peringatan system error dalam R-Studio seperti non-stationary AR part from ARIMA model saat menjalankan pemodelan deret waktu. Jika Anda menghadapi kendala ini, penerapan solusi data time series tidak stasioner melalui pendekatan uji akar unit (unit root test) dan transformasi pembedaan (differencing) menjadi langkah wajib untuk mengembalikan integritas estimasi statistik.

\n

Data deret waktu (time series) di sektor ekonomi, bisnis, maupun meteorologi umumnya memiliki komponen tren, varians yang berubah dari waktu ke waktu, serta rata-rata (mean) yang tidak konstan. Ketika data berfluktuasi tanpa kembali ke titik rata-rata historisnya, asumsi dasar pemodelan statistik klasik langsung terlanggar. Mengabaikan ketidakstasioneran ini akan mengakibatkan estimasi koefisien menjadi tidak konsisten, standard error bias, serta pengujian hipotesis (seperti uji t dan uji F) memberikan kesimpulan yang salah secara ilmiah.

\n\n
DIAGRAM PERMASALAHAN: DATA TIME SERIES TIDAK STASIONER Data Time Series Mentah Input Variabel Obs (Yt) Skala Level I(0) Gejala Ketidakstasioneran Tren Menonjol / Random Walk Mean & Varians Berubah-ubah Dampak Error Model Spurious Regression R² Sangat Tinggi (> 0.90) DW Stat Low (< 1.0) Kurva Data Tidak Stasioner (Memiliki Tren Naik - Error) Target Stasioneritas (Fluktuasi Konstan di Sekitar Mean) SOLUSI METODOLOGIS DAN CATATAN TEKNIS Catatan: Lakukan Uji Akar Unit (ADF Test) dan Transformasi Differencing d=1 untuk Mengeliminasi Tren.
\n\n

Konsep Dasar Stasioneritas dan Akar Unit

\n

Secara teoretis, suatu proses deret waktu dikatakan stasioner jika sifat-sifat statistiknya, yaitu rata-rata (mean), varians (variance), dan autokovarians (autocovariance), bersifat konstan sepanjang waktu (time-invariant). Gujarati dan Porter (2009) menegaskan bahwa stokastik stasioner merupakan prasyarat mutlak dalam analisis time series agar model yang dibentuk memiliki daya prediksi yang valid dan stabil untuk periode masa depan.

\n

Menurut Box dan Jenkins (1976), sebagian besar data ekonomi dan bisnis dunia nyata dikategorikan sebagai non-stationary processes yang tergolong dalam integrated process ordo d, dinotasikan sebagai I(d). Data yang tidak stasioner pada tingkat level I(0) membutuhkan operasi pembedaan (differencing) sebanyak d kali hingga menjadi stasioner I(d) sebelum dapat dimasukkan ke dalam komponen autoregressive (AR) dan moving average (MA).

\n

Pengujian stasioneritas secara formal dihitung menggunakan pengujian akar unit (unit root test), seperti Augmented Dickey-Fuller (ADF) test atau Phillips-Perron (PP) test. Untuk mempelajari konsep dasar teoretis dan formulasi matematis dari uji Dickey-Fuller dan stasioneritas data, Anda dapat membaca artikel landasan teori lengkap di statistikian.com. Pemahaman dasar ini sangat penting agar pertimbangan matematis di balik pemilihan tingkat pembedaan tidak keliru.

\n

Hamilton (1994) menyatakan bahwa kegagalan mengidentifikasi akar unit pada data deret waktu akan menyebabkan efek kejut (shocks) bersifat permanen (permanent memory), bukan sementara (transitory memory). Oleh sebab itu, transformasi data melalui differencing bertujuan menghapus komponen tren deterministik maupun stokastik dan menyisakan komponen variasi yang bersifat white noise.

\n\n

Langkah Teknis Perbaikan Data Tidak Stasioner di R-Studio

\n

Untuk menyelesaikan masalah ketidakstasioneran secara sistematis, berikut adalah prosedur kerja praktis menggunakan lingkungan pemrograman R-Studio beserta pustaka pendukung utama seperti tseries dan forecast.

\n

Langkah 1: Persiapan Lingkungan Kerja dan Import Data
Persiapkan pustaka yang dibutuhkan dan buat objek time series dalam R. Pembuatan objek time series dilakukan menggunakan fungsi ts() dengan menentukan frekuensi data yang tepat.

\n
# Memuat pustaka yang diperlukan\nlibrary(tseries)\nlibrary(forecast)\n\n# Membuat contoh data time series tidak stasioner\nset.seed(123)\ndata_raw <- cumsum(rnorm(100, mean = 0.5, sd = 2)) # Random walk dengan drift\nts_data <- ts(data_raw, start = c(2020, 1), frequency = 12)\n\n# Plot data awal\nplot(ts_data, main = \"Plot Time Series Data Level I(0)\", \n     ylab = \"Nilai Observasi\", xlab = \"Waktu\", col = \"black\", stroke = 2)\n
\n

Langkah 2: Uji Akar Unit Awal dengan Augmented Dickey-Fuller (ADF) Test
Pengujian formal dilakukan pada tingkat level I(0) menggunakan fungsi adf.test(). Hipotesis nol (H0) menyatakan bahwa data memiliki akar unit (tidak stasioner), sedangkan hipotesis alternatif (H1) menyatakan data stasioner.

\n
# Pelaksanaan Uji ADF pada skala Level\nadf_level <- adf.test(ts_data)\nprint(adf_level)\n
\n

Alasan ilmiah: Jika nilai p-value > 0,05, maka H0 gagal ditolak. Hal ini membuktikan secara empiris bahwa data awal mengalami ketidakstasioneran dan memerlukan transformasi lanjutan.

\n

Langkah 3: Menentukan Derajat Differencing Secara Otomatis
Sebelum melakukan diferensiasi manual, gunakan fungsi ndiffs() dari pustaka forecast untuk mengestimasi jumlah pembedaan yang diperlukan secara objektif. Enders (2014) menyarankan penggunaan uji otomatis berbasis KPSS atau ADF untuk mengonfirmasi jumlah diferensiasi optimal.

\n
# Menentukan jumlah diferensiasi yang dibutuhkan\nd_required <- ndiffs(ts_data, test = \"adf\")\ncat(\"Jumlah differencing yang direkomendasikan (d):\", d_required, \"\\n\")\n
\n

Langkah 4: Eksekusi Transformasi First Differencing
Transformasi pembedaan tingkat pertama (first differencing, d = 1) dilakukan dengan menghitung selisih antara observasi pada periode t dengan periode sebelumnya (t - 1). Di R-Studio, gunakan fungsi diff().

\n
# Melakukan First Differencing (d = 1)\nts_diff1 <- diff(ts_data, differences = 1)\n\n# Plot data hasil differencing\nplot(ts_diff1, main = \"Plot Data Setelah First Differencing I(1)\", \n     ylab = \"Nilai Selisih (Delta)\", xlab = \"Waktu\", col = \"#002B49\")\nabline(h = 0, col = \"red\", lty = 2)\n
\n

Langkah 5: Evaluasi Ulang Stasioneritas Hasil Differencing
Lakukan uji ADF kembali pada variabel ts_diff1 untuk memastikan bahwa komponen akar unit telah berhasil dihilangkan.

\n
# Uji ADF pada data hasil First Differencing\nadf_diff1 <- adf.test(ts_diff1)\nprint(adf_diff1)\n
\n

Alasan ilmiah: Apabila nilai p-value < 0,05, H0 ditolak. Ini menunjukkan bahwa data telah menjadi stasioner pada tingkat ordo integrasi pertama I(1) dan siap digunakan untuk pemodelan ARIMA.

\n

Langkah 6: Pemeriksaan Plot Autocorrelation (ACF) dan Partial Autocorrelation (PACF)
Evaluasi struktur autokorelasi pada data stasioner untuk mengidentifikasi calon nilai ordo p (AR) dan q (MA) menggunakan fungsi acf() dan pacf().

\n
# Menampilkan plot ACF dan PACF side-by-side\npar(mfrow = c(1, 2))\nacf(ts_diff1, main = \"ACF Data Stasioner\")\npacf(ts_diff1, main = \"PACF Data Stasioner\")\npar(mfrow = c(1, 1))\n
\n

Langkah 7: Estimasi Model ARIMA Berbasis Data Stasioner
Gunakan fungsi auto.arima() dengan menetapkan parameter diferensiasi sesuai hasil analisis sebelumnya untuk mendapatkan model optimal berdasarkan kriteria Information Criterion (AIC/BIC).

\n
# Estimasi model ARIMA optimal\nfit_arima <- auto.arima(ts_data, d = d_required, seasonal = FALSE, stepwise = FALSE)\nsummary(fit_arima)\n
\n

Langkah 8: Diagnostik Residual Model
Langkah terakhir adalah memastikan residual dari model yang dibentuk telah terbebas dari autokorelasi dan berperilaku sebagai white noise menggunakan uji Ljung-Box via fungsi checkresiduals() atau Box.test().

\n
# Uji diagnostik residual Ljung-Box\ncheckresiduals(fit_arima)\n
\n\n
ALUR SOLUSI TEKNIS: DIFFERENCING & UJI AKAR UNIT DI R-STUDIO 1. Uji ADF Level I(0) Hasil: p-value > 0.05 (Tidak Stasioner / Error) 2. Solusi: First Differencing Eksekusi Kode: diff(ts_data, d=1) Pengurangan Tren Y(t) - Y(t-1) 3. Uji ADF Ulang I(1) Hasil: p-value < 0.05 (Stasioner / Valid) Pemodelan ARIMA(p, 1, q) Valid Estimasi Bebas Spurious Regression PERINGATAN: OVER-DIFFERENCING Jangan Lakukan d >= 2 Jika d=1 Sudah Stasioner! Risiko: Menginduksi Struktur MA Buatan & Meningkatkan Varians Sampel secara Unnecessary. CATATAN DAN SOLUSI TINGKAT LANJUT Gunakan Uji KPSS sebagai Konfirmasi Silang Uji ADF. Gunakan Seasonal Differencing D=1 Jika Data Berpola Musiman (Bulanan S=12 atau Triwulanan S=4).
\n\n

Pembahasan Ilmiah: Implikasi Metodologis dan Risiko Pemodelan

\n

Penentuan derajat differencing yang tepat menuntut kecermatan tinggi dari peneliti. Tsay (2010) memperingatkan bahaya over-differencing, yaitu kondisi ketika operasi pembedaan dilakukan secara berlebihan pada data yang sebenarnya telah mencapai stasioneritas pada tingkat ordo yang lebih rendah.

\n

Over-differencing dapat menginduksi struktur Moving Average (MA) buatan pada deret waktu, meningkatkan varians sampel, serta menghilangkan informasi hubungan jangka panjang (long-run equilibrium) yang sangat berharga dalam analisis ekonometrika. Kondisi ini membuat parameter model menjadi redundan dan mengurangi akurasi ramalan.

\n

Sebaliknya, kondisi under-differencing membiarkan komponen akar unit tetap berada di dalam sistem pemodelan. Akibatnya, fenomena spurious regression dan masalah varians tak berhingga (infinite variance) tetap berlangsung. Hyndman dan Athanasopoulos (2021) menekankan bahwa kombinasi uji statistik formal (seperti kombinasi ADF test dan KPSS test) bersama pemeriksaan visual plot ACF/PACF merupakan strategi terbaik untuk menghindari kesalahan komputasi tersebut.

\n

Uji Kwiatkowski-Phillips-Schmidt-Shin (KPSS) sering digunakan sebagai konfirmasi silang terhadap uji ADF. Berbeda dengan uji ADF yang hipotesis nolnya menyatakan data tidak stasioner, uji KPSS memiliki hipotesis nol bahwa data bersifat stasioner (trend stationary). Penggunaan kedua uji ini secara bersamaan membantu mengonfirmasi status stasioneritas data secara lebih robust (Kwiatkowski et al., 1992).

\n

Apabila data memiliki pola musiman (seasonal pattern), teknik differencing biasa perlu dikombinasikan dengan pembedaan musiman (seasonal differencing). Menurut Wooldridge (2013), untuk data bulanan dengan periode S = 12, pembedaan musiman dilakukan dengan menghitung selisih antara nilai observasi pada periode t dengan periode t - 12 (dinotasikan sebagai D = 1).

\n

Selain differencing, penanganan ketidakstasioneran yang disebabkan oleh tren deterministik (trend stationary process) dapat dilakukan melalui teknik detrending, yaitu meregresikan data terhadap variabel tren waktu t. Namun, Nelson dan Plosser (1982) dalam studi monumental mereka menemukan bahwa sebagian besar variabel makroekonomi dan bisnis terbukti tergolong difference stationary process (DSP), sehingga transformasi differencing jauh lebih relevan dibandingkan sekadar detrending linear.

\n

Dalam konteks analisis data multivariat, jika dua atau lebih variabel time series tidak stasioner pada skala level I(0) namun saling memiliki hubungan jangka panjang yang stasioner pada kombinasi linearnya, maka diferensiasi tidak boleh dilakukan secara parsial tanpa melakukan uji kointegrasi (cointegration test). Johansen (1991) menjelaskan bahwa dalam kondisi terkointegrasi, pemodelan Vector Error Correction Model (VECM) menjadi opsi yang jauh lebih tepat dibandingkan membedakan data secara langsung pada model Vector Autoregressive (VAR) standar.

\n\n

Kesimpulan

\n

Masalah data time series yang tidak stasioner merupakan tantangan umum dalam pemodelan kuantitatif yang jika diabaikan dapat merusak keabsahan analisis statistik. Melalui penerapan teknik differencing yang tepat di R-Studio, komponen tren stokastik dan akar unit dapat dieliminasi sehingga data mencapai kondisi stasioner I(1) atau I(d). Prosedur diagnostik berbasis uji ADF, evaluasi otomatis ordo pembedaan dengan ndiffs(), serta konfirmasi residual white noise memastikan model ARIMA yang dihasilkan terbebas dari regresi palsu (spurious regression) dan memiliki akurasi peramalan yang optimal secara ilmiah.

\n\n

Daftar Pustaka

\n
\n

Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.

\n

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association, 74(366a), 427-431.

\n

Enders, W. (2014). Applied Econometric Time Series (4th ed.). New York: John Wiley & Sons.

\n

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill.

\n

Hamilton, J. D. (1994). Time Series Analysis. Princeton: Princeton University Press.

\n

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). Melbourne: OTexts.

\n

Johansen, S. (1991). Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models. Econometrica, 59(6), 1551-1580.

\n

Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., & Shin, Y. (1992). Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root. Journal of Econometrics, 54(1-3), 159-178.

\n

Nelson, C. R., & Plosser, C. R. (1982). Trends and Random Walks in Macroeconomic Time Series: Some Evidence and Implications. Journal of Monetary Economics, 10(2), 139-162.

\n

Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). Hoboken: John Wiley & Sons.

\n

Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Mason: South-Western Cengage Learning.

\n
\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "R Studio" ], "date_published": "2026-09-06T21:39:47+07:00", "date_modified": "2026-09-06T21:39:47+07:00" }, { "id": "https://statistikian.net/solusi-mengatasi-masalah-white-noise-ljung-box-kelayakan-residual-model-arima-pada-minitab/", "url": "https://statistikian.net/solusi-mengatasi-masalah-white-noise-ljung-box-kelayakan-residual-model-arima-pada-minitab/", "title": "Solusi Mengatasi Masalah White Noise (Ljung-Box) Kelayakan Residual Model ARIMA pada Minitab", "summary": "Dalam analisis deret waktu (time series) menggunakan perangkat lunak Minitab, kendala utama…", "content_html": "
\n

Dalam analisis deret waktu (time series) menggunakan perangkat lunak Minitab, kendala utama yang sering menggagalkan uji diagnostik kelayakan model adalah kegagalan residual memenuhi syarat kelinearan linier murni. Ketika melakukan estimasi, Anda mungkin menemukan solusi mengatasi masalah white noise (Ljung-Box) kelayakan residual model ARIMA pada Minitab menjadi krusial karena nilai p-value pada tabel Modified Box-Pierce (Ljung-Box) Chi-Square statistic menunjukkan angka di bawah tingkat signifikansi 0,05 (p < 0,05). Hasil ini mengonfirmasi bahwa residual yang dihasilkan oleh model ARIMA yang Anda bentuk belum terbebas dari masalah autokorelasi, sehingga sisa galat masih menyimpan pola informasi yang belum terekstraksi secara sempurna.

\n

Gejala kegagalan ini ditandai dengan munculnya nilai p-value Ljung-Box yang signifikan pada lag awal maupun lag panjang (seperti lag 12, 24, atau 36) di jendela session window Minitab. Konsekuensinya, model ARIMA yang telah diestimasi dianggap tidak layak (invalid) untuk digunakan dalam peramalan (forecasting). Memaksa memakai model yang residualnya tidak white noise akan menghasilkan standar eror peramalan yang bias dan interval konfidensi yang tidak akurat. Oleh sebab itu, diperlukan perbaikan spesifikasi ordo model secara terstruktur agar residual benar-benar bersifat acak (independen dan berdistribusi identik).

\n\n
\n

Minitab Output: Modified Box-Pierce (Ljung-Box) Chi-Square Statistic (Gagal / Tidak White Noise)

\n
Final Estimates of Parameters\nType       Coef  SE Coef    T-Value    P-Value\nAR 1     0.7420   0.0812       9.14      0.000\n\nModified Box-Pierce (Ljung-Box) Chi-Square statistic\nLag         12      24      36      48\nChi-Square  28.45   45.12   62.89   78.34\nDF          10      22      34      46\nP-Value     0.002   0.003   0.002   0.002\n\n* Keterangan: Nilai P-Value < 0.05 pada seluruh lag menandakan residual \nmasih memiliki autokorelasi (Model ARIMA TIDAK WHITE NOISE). *\n
\n
\n\n

Konsep Dasar Teori Asumsi White Noise dan Uji Ljung-Box

\n

Tahapan diagnostik residual merupakan pilar ketiga dalam metodologi Box-Jenkins yang terdiri dari Identifikasi, Estimasi, Diagnostik, dan Peramalan (Box & Jenkins, 1976). Residual dalam model ARIMA idealnya bersikap seperti white noise, yakni suatu proses acak stasioner yang memiliki nilai harapan nol, varians konstan, dan tidak memiliki korelasi antar observasi pada rentang waktu yang berbeda.

\n

Statistik uji Ljung-Box dihitung untuk menguji hipotesis nihil bahwa seluruh autokorelasi hingga lag k bernilai nol secara simultan (Ljung & Box, 1978). Jika hipotesis nihil ditolak karena nilai p-value lebih kecil dari 0,05, hal tersebut membuktikan bahwa residual tidak independen satu sama lain dan masih terdapat struktur autokorelasi sistematis yang tertinggal dalam data galat.

\n

Untuk memahami secara komprehensif mengenai kalkulasi sistematis, formulasi matematis, serta filosofi pengujian ini, Anda dapat mempelajari kajian teoretis lengkap mengenai konsep dan rumus uji Ljung-Box ARIMA. Penguasaan teoretis dasar sangat penting agar tindakan perubahan ordo parameter pada perangkat lunak tidak dilakukan secara spekulatif semata.

\n

Montgomery et al. (2015) menegaskan bahwa residual yang gagal memenuhi kriteria white noise mengindikasikan bahwa struktur ordo Autoregressive (AR) atau Moving Average (MA) yang dimasukkan ke dalam model belum cukup memadai untuk menyerap dinamika ketergantungan temporal antar data.

\n\n

Langkah Teknis Memperbaiki Residual ARIMA di Minitab

\n

Langkah pertama dalam mengatasi masalah ini pada Minitab adalah melakukan evaluasi terhadap grafik Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) khusus dari variabel residual. Akses menu Stat > Time Series > ARIMA, lalu pada opsi Storage centang pilihan Residuals untuk menyimpan nilai galat ke dalam kolom lembar kerja.

\n

Langkah kedua, buat grafik ACF dan PACF dari kolom residual yang telah disimpan menggunakan menu Stat > Time Series > Autocorrelation / Partial Autocorrelation. Amati lag mana saja yang garis grafiknya menembus batas garis merah (interval kepercayaan signifikansi).

\n

Jika pada grafik ACF residual terlihat lonjakan signifikan (spike) pada lag awal (misalnya lag 1 atau lag 2), hal ini memberikan petunjuk teknis bahwa ordo Moving Average (q) perlu ditingkatkan. Tambahkan 1 tingkat ordo MA pada menu ARIMA di Minitab (misalnya mengubah ARIMA(1,0,0) menjadi ARIMA(1,0,1)).

\n

Sebaliknya, apabila lonjakan signifikan muncul pada grafik PACF residual, hal tersebut mengindikasikan bahwa ordo Autoregressive (p) dalam model belum mencukupi. Penambahan ordo AR (misalnya dari ARIMA(0,0,1) menjadi ARIMA(1,0,1)) akan menyerap sisa keterikatan parsial pada galat.

\n

Hyndman & Athanasopoulos (2021) merekomendasikan prosedur respesifikasi berulang: bandingkan beberapa alternatif kombinasi ordo ARIMA terdekat menggunakan nilai kriteria kebaikan model seperti Akaike Information Criterion (AIC) atau Mean Square Error (MSE) terkecil di Minitab, dengan syarat utama nilai p-value Ljung-Box telah berada di atas 0,05 pada seluruh lag.

\n

Apabila lonjakan autokorelasi pada residual berulang secara teratur pada kelipatan lag musiman (seperti lag 12, 24, atau 36 untuk data bulanan), perbaikan tidak cukup dilakukan pada ordo non-musiman. Anda perlu menambahkan komponen musiman Seasonal ARIMA (SARIMA) berupa ordo (P,D,Q)s pada antarmuka Minitab.

\n\n
\n

Minitab Output: Modified Box-Pierce (Ljung-Box) Chi-Square Statistic (Solusi / White Noise)

\n
Final Estimates of Parameters\nType       Coef  SE Coef    T-Value    P-Value\nAR 1     0.6120   0.0741       8.26      0.000\nMA 1     0.3845   0.0892       4.31      0.000\n\nModified Box-Pierce (Ljung-Box) Chi-Square statistic\nLag         12      24      36      48\nChi-Square  8.12    16.45   24.10   31.85\nDF           9      21      33      45\nP-Value     0.522   0.744   0.873   0.931\n\n* Solusi Eksekusi: Setelah menambahkan komponen MA(1) menjadi ARIMA(1,0,1), \nseluruh P-Value Ljung-Box > 0.05. Residual kini terbukti WHITE NOISE \ndan model siap digunakan untuk forecasting. *\n
\n
\n\n

Pembahasan Ilmiah: Riset Diagnostik dan Risiko Overfitting

\n

Secara metodologis, kegagalan residual mencapai kriteria white noise bersumber dari permasalahan spesifikasi model yang terlalu sederhana (under-parameterization). Ketika ordo p atau q dipilih terlalu rendah, persamaan diferensial linier tidak mampu mengekstraksi seluruh linieritas dalam deret waktu, sehingga sisa struktur korelasi terlempar ke dalam komponen galat.

\n

Wei (2006) menjelaskan bahwa membiarkan residual terautokorelasi melanggar asumsi dasar estimasi parameter pada Minitab. Keadaan ini mengakibatkan estimasi varians koefisien menjadi terdistorsi, sehingga pengujian signifikansi t-statistik menjadi tidak sahih.

\n

Kendati menambahkan ordo AR dan MA secara berlebihan dapat dengan mudah meloloskan p-value Ljung-Box menjadi di atas 0,05, peneliti harus menghindari jebakan over-parameterization. Model dengan parameter berlebihan akan mengalami masalah pembatalan akar (root cancellation) dan menurunkan keakuratan prediksi pada data di luar sampel (Enders, 2014).

\n

Oleh karena itu, penyesuaian model harus berpegang pada prinsip parsimoni (parsimony principle). Pilihlah struktur model dengan jumlah parameter paling sedikit yang sudah mampu menghasilkan residual berdistribusi white noise dan seluruh parameternya signifikan secara statistik.

\n

Selain respesifikasi ordo, jika perbaikan ordo AR/MA tidak kunjung meloloskan uji Ljung-Box, peneliti perlu memeriksa keberadaan pencilan (outliers) atau melakukan transformasi data (seperti Box-Cox) pada Minitab untuk menstabilkan varians yang tidak konstan (Tsay, 2010).

\n\n

Kesimpulan

\n

Mengatasi masalah residual yang tidak white noise pada analisis ARIMA di Minitab membutuhkan prosedur diagnostik yang terstruktur. Dengan memeriksa plot ACF dan PACF dari variabel residual, peneliti dapat mengidentifikasi kebutuhan penambahan ordo Autoregressive (p), Moving Average (q), maupun komponen musiman. Penyesuaian ordo yang tepat akan menaikkan nilai p-value uji Ljung-Box di atas 0,05, sehingga model terbebas dari autokorelasi dan valid digunakan untuk proyeksi peramalan deret waktu secara akurat.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Minitab" ], "date_published": "2026-09-06T21:02:24+07:00", "date_modified": "2026-09-06T21:02:24+07:00" }, { "id": "https://statistikian.net/solusi-nilai-goodness-of-fit-rmsea-cfi-tli-dll-tidak-memenuhi-kriteria-batas/", "url": "https://statistikian.net/solusi-nilai-goodness-of-fit-rmsea-cfi-tli-dll-tidak-memenuhi-kriteria-batas/", "title": "Solusi Nilai Goodness of Fit (RMSEA, CFI, TLI, dll) Tidak Memenuhi Kriteria Batas", "summary": "Saat melakukan analisis Structural Equation Modeling (SEM), momen yang paling menegangkan bagi…", "content_html": "
\n

Saat melakukan analisis Structural Equation Modeling (SEM), momen yang paling menegangkan bagi seorang analis data adalah mengamati hasil output evaluasi kelayakan model. Seringkali, peneliti menghadapi situasi di mana solusi nilai Goodness of Fit tidak memenuhi kriteria batas dengan AMOS. Gejala masalah ini ditandai dengan angka yang berada di luar ambang kelayakan standar; misalnya nilai Root Mean Square Error of Approximation (RMSEA) yang lebih besar dari 0,08, atau nilai Comparative Fit Index (CFI) dan Tucker-Lewis Index (TLI) yang anjlok di bawah batas minimal 0,90. Angka-angka yang tidak ideal ini mengirimkan pesan teknis bahwa matriks kovarians yang diestimasi oleh model konseptual Anda memiliki penyimpangan yang signifikan dibandingkan dengan matriks kovarians dari data empiris lapangan.

\n

Kegagalan dalam mencapai kriteria kecocokan model ini membawa konsekuensi fatal: seluruh pengujian hipotesis struktural (pengaruh antar variabel laten) menjadi tidak valid untuk disimpulkan. Berhadapan dengan jalan buntu ini, banyak peneliti pemula yang merasa frustrasi dan terkadang tergiur mengambil jalan pintas dengan memanipulasi data yang menyalahi kaidah statistik. Padahal, perangkat lunak AMOS telah dirancang dengan algoritma diagnostik yang canggih untuk memberikan petunjuk perbaikan. Dengan pemahaman teknis yang benar, Anda dapat melakukan respesifikasi model penelitian Anda tanpa harus mengorbankan integritas data maupun merombak total kerangka berpikir yang sudah dibangun.

\n\n
\n

Output AMOS: Model Fit Summary (Kondisi Tidak Fit)

\n
CMIN\nModel           NPAR    CMIN      DF    P       CMIN/DF\nDefault model   42      456.782   124   0.000   3.684\n\nBaseline Comparisons\nModel           NFI     RFI       IFI   TLI     CFI\nDefault model   0.812   0.785     0.845 0.811   0.843\n\nRMSEA\nModel           RMSEA   LO 90     HI 90 PCLOSE\nDefault model   0.104   0.092     0.116 0.000\n\n* Keterangan: Nilai RMSEA > 0.08 dan TLI/CFI < 0.90 mengindikasikan \nbahwa matriks prediksi model jauh dari matriks empiris (Poor Fit). *\n
\n
\n\n

Konsep Dasar Teori Kecocokan Model (Model Fit)

\n

Konsep Goodness of Fit (GOF) dalam analisis SEM merupakan serangkaian ukuran statistik yang dirancang untuk mengevaluasi seberapa baik sebuah model teoretis yang diusulkan mampu merepresentasikan atau mereproduksi struktur matriks dari data observasi sesungguhnya. Menurut Kline (2015), pencarian kecocokan model yang baik bukanlah upaya untuk membuktikan bahwa model teoretis tersebut merepresentasikan kebenaran mutlak yang sempurna. Sebaliknya, tujuan uji kelayakan ini adalah sekadar memastikan bahwa formulasi model yang diajukan cukup masuk akal, empiris, dan secara statistik tidak memiliki perbedaan yang ekstrem dengan realitas data sampel.

\n

Dalam literatur statistika multivariat, indeks kelayakan model umumnya diklasifikasikan ke dalam tiga kategori besar, yakni absolute fit indices, incremental fit indices, dan parsimony fit indices (Hair et al., 2019). Indeks seperti RMSEA serta GFI (Goodness of Fit Index) masuk dalam payung ukuran absolut yang menilai kecocokan murni berdasarkan fungsi minimum perbedaan residual. Di sisi lain, pengukuran seperti CFI, TLI, dan NFI termasuk dalam evaluasi inkremental yang kerjanya selalu membandingkan proporsi peningkatan kelayakan model pengujian terhadap model nol (baseline model).

\n

Untuk memahami secara lebih komprehensif mengenai filosofi kalkulasi, turunan rumus, serta hierarki dari masing-masing indeks evaluasi tersebut, pembaca sangat disarankan untuk mempelajari kajian teori fundamental di konsep dasar Goodness of Fit SEM. Penguasaan atas teori dasar pembentuk nilai-nilai indeks ini sangat esensial agar prosedur perbaikan yang dilakukan pada perangkat lunak tidak hanya sekadar tindakan mekanis mengejar nilai batas, melainkan tindakan metodologis yang dapat dipertanggungjawabkan rasionalitasnya.

\n

Byrne (2016) menegaskan bahwa batas kriteria ketat seperti ketentuan CFI di atas 0,90 atau syarat RMSEA di bawah 0,08 sejatinya adalah sekadar rule of thumb atau panduan praktis, bukan sebuah hukum fisika yang kaku. Namun demikian, realitas dari konvensi publikasi ilmiah saat ini mensyaratkan pencapaian batas-batas konvensional ini. Kegagalan memenuhinya merupakan alasan utama pengulas jurnal untuk menolak naskah penelitian. Oleh karena itu, keterampilan menelusuri sumber kesalahan matriks dan melakukan respesifikasi model menjadi kompetensi analitis yang wajib dimiliki.

\n\n

Langkah Teknis Memperbaiki Model Fit Melalui Modification Indices

\n

Langkah pertama yang paling krusial sebelum mengubah alur jalur analisis adalah memvalidasi kualitas Standardized Regression Weights atau nilai bobot loading factor dari setiap instrumen pertanyaan. Pastikan semua indikator yang mengukur variabel laten Anda secara konsisten memiliki bobot muatan di atas 0,50 atau pada kondisi ideal berada di atas 0,70. Jika Anda mendapati adanya item indikator dengan kontribusi yang sangat kerdil (misalnya 0,25 atau 0,30), item tersebut menyumbang varians kesalahan dalam jumlah yang masif pada kerangka model keseluruhan dan sangat direkomendasikan untuk dibuang atau di-drop dari struktur model (Hair et al., 2019).

\n

Langkah kedua bertumpu pada pendayagunaan menu analisis bawaan AMOS, yakni Modification Indices (MI). Untuk memunculkan fitur ini, Anda harus masuk ke jendela Analysis Properties di AMOS, menavigasi ke tab Output, dan memberikan tanda centang pada opsi Modification Indices. Pastikan batas threshold untuk MI dibiarkan pada angka bawaan yaitu 4.000 agar AMOS hanya merekomendasikan modifikasi jalur yang signifikansinya kuat.

\n

Setelah pengaturan diaktifkan dan model dihitung ulang melalui tombol Calculate Estimates, telusuri bagian laporan output tekstual (text output) dan temukan tabel Modification Indices. Mata Anda harus tertuju secara eksklusif pada bagian tabel yang menjabarkan kolom Covariances antara variabel observasi kesalahan atau Measurement Error (yang biasanya disimbolkan dengan notasi e1, e2, e3, dan seterusnya).

\n

Dalam tabel kovarians MI ini, AMOS menyajikan perkiraan kuantitatif tentang seberapa besar proyeksi penurunan nilai rasio Chi-Square apabila Anda memutuskan untuk menggambar garis korelasi dua arah (panah lengkung) di antara dua notasi error tersebut. Tugas Anda adalah mengidentifikasi pasangan error mana yang memiliki angka indeks Modification Indices absolut paling tinggi.

\n

Aturan analitis yang tidak boleh dilanggar dalam tahapan ini adalah batasan wilayah konstruk. Anda secara ilmiah hanya diizinkan mengkorelasikan istilah error apabila kedua error tersebut bernaung di bawah satu payung variabel laten atau konstruk yang sama (Byrne, 2016). Sebagai contoh, jika e1 dan e2 adalah bagian dari pembentuk konstruk Kepuasan Pelanggan, maka mengkorelasikannya diperbolehkan. Sebaliknya, mengkorelasikan error dari konstruk endogen dengan error dari konstruk eksogen adalah kecacatan metodologi tingkat fatal.

\n

Setelah menemukan nilai MI tertinggi pada konstruk yang sama, kembalilah ke lembar kanvas gambar (path diagram) AMOS Anda. Gunakan alat gambar Draw Covariances (ikon panah lengkung berkepala ganda) untuk menghubungkan kedua bulat kecil error yang direkomendasikan tadi. Simpan perubahan, kemudian operasikan kembali komputasi estimasi data Anda.

\n

Perbaikan model fit ini harus dieksekusi secara iteratif dan berurutan satu demi satu. Hindari melakukan pengelompokan korelasi banyak garis error secara acak dalam satu kali percobaan perhitungan. Mengubah atau menambah satu parameter kovarians akan memicu perhitungan ulang matriks yang secara otomatis menggeser tatanan nilai MI dari seluruh parameter yang masih tersisa pada putaran analisis berikutnya.

\n

Selain memeriksa besaran nilai MI, analisis diagnostik harus dibantu dengan pengamatan matriks Standardized Residual Covariances. Pada matriks persilangan ini, nilai residu observasi yang menembus batas deviasi mutlak 2,58 bertindak sebagai lampu merah. Angka tinggi ini mengonfirmasi bahwa terdapat penyimpangan spesifikasi model yang tajam pada pasangan indikator-indikator spesifik tersebut, yang perlu ditangani melalui modifikasi lanjutan atau eliminasi item.

\n

Apabila langkah penggabungan error pada satu dimensi konstruk telah ditarik secara maksimal namun nilai GFI, RMSEA, atau CFI tetap berkeras di area kurva di bawah standar, kemungkinan besar masalah berpusat pada indikasi gejala multikolinearitas antar instrumen observasi. Indikator dengan kemiripan redaksional pertanyaan yang tinggi kerap menggelembungkan residu data, dan menyingkirkan salah satu dari item kembar tersebut (model trimming) adalah solusi teknis final demi mereduksi kompleksitas beban matriks.

\n\n
\n

Output AMOS: Modification Indices (Solusi Covariances)

\n
Covariances: (Group number 1 - Default model)\n\n                        M.I.      Par Change\ne6      <-->    e8      12.435    0.045\ne4      <-->    e7      8.120     0.032\ne1      <-->    e2      58.672    0.215\ne3      <-->    e4      15.340    0.068\n\n* Solusi Eksekusi: Tarik garis korelasi ganda antara measurement error e1 \ndan e2 pada path diagram. Angka M.I. (58.672) adalah yang tertinggi, \nartinya menghubungkan e1 dan e2 akan menurunkan nilai chi-square \nsecara signifikan dan mengatrol nilai kecocokan (Fit) model Anda. \n(Syarat: e1 dan e2 harus berasal dari konstruk laten yang sama). *\n
\n
\n\n

Pembahasan Ilmiah: Justifikasi dan Risiko Respesifikasi Model

\n

Dari sudut pandang filosofi metodologi, keputusan taktis untuk menarik garis korelasi pada varians kesalahan menafsirkan asumsi yang mendalam. Korelasi error merepresentasikan sebuah klaim bahwa ada satu atau lebih varians sistematis tak terukur, di luar cakupan konstruk laten utama, yang menjadi penyebab respon responden pada kedua item tersebut berhubungan paralel. Hermida (2015) menyumbangkan pemikiran kritisnya bahwa manipulasi semacam ini tidak semestinya dioperasikan tanpa kendali murni hanya untuk mengejar kelayakan batas angka yang disyaratkan secara data-driven.

\n

Pembenaran ilmiah yang sah dalam merekatkan korelasi antara istilah pengukuran sisa bersandar pada beberapa premis kuat. Parameter error covariance dinilai rasional dan logis jika dua variabel observasi memiliki kesamaan struktur wujud (misalnya, dua-duanya adalah butir pertanyaan konfirmasi berlawanan atau reverse-wording). Pembenaran ini juga berlaku ketika instrumen observasi letaknya terlampau berdekatan dalam kuesioner sehingga memicu kejenuhan pola tanggapan (response set effect), atau apabila ada muatan tumpang-tindih makna semantik yang sangat lekat dari kalimat indikatornya (Byrne, 2016).

\n

Mencoba menyuntikkan jalur-jalur modifikasi baru dengan memaksakan korelasi error acak tanpa sandaran dasar logika teori akan menggiring penelitian Anda masuk ke dalam jurang overfitting model empiris. Fenomena overfitting mengartikan bahwa struktur model SEM Anda menjadi terlalu spesifik, buatan, dan disesuaikan kaku hanya agar sukses cocok (fit) dengan spesifikasi set data sampel yang Anda kumpulkan saat ini. Model artifisial seperti ini (Kline, 2015) hampir dipastikan akan selalu hancur keabsahannya manakala diuji menggunakan kerangka replikasi pada demografi sampel baru.

\n

Di dalam alam pengujian Structural Equation Modeling, arsitektur pikiran peneliti senantiasa meniti keseimbangan pada seutas tali antara batas konfirmatori teori mutlak dan batas eksploratori penemuan data. Saat spesifikasi fondasi model bawaan tumbang oleh uji batas hipotesis awal dan penggunaan fungsi komputasi Modification Indices dimulai, sejatinya pendekatan esensi penelitian otomatis bergeser fungsi teknisnya, bermutasi dari tahapan uji hipotesis konfirmasi (theory testing) menjadi penciptaan pembaharuan struktur hipotesis (model generation) (Hair et al., 2019).

\n

Berdasarkan rasionalisasi metodologis di atas, segala bentuk modifikasi dan pembentukan ulang model (respesifikasi) mesti terus didampingi pertimbangan logika substantif terhadap cakupan Grand Theory rujukan Anda. Bilamana langkah perubahan komputasi memaksa munculnya deviasi konseptual yang menodai makna esensial struktur instrumen, maka menempuh jalan mitigasi berupa penguatan ukuran kuantitas data (menambah jumlah sampel survei) atau merevisi kalibrasi redaksi butir pertanyaan lazimnya adalah sebuah manuver metodologis yang jauh lebih elegan.

\n\n

Kesimpulan

\n

Menangani polemik ketidakcocokan parameter mutlak Goodness of Fit pada perangkat lunak AMOS mutlak meminta ketelitian matematis yang bersandar kokoh pada justifikasi metodologi kausal. Serangkaian manuver perbaikan yang umum dipakai berkisar pada upaya eliminasi terhadap peranan loading factor porsi terendah dan memfungsikan alat pelacak komputasi matematis berupa Modification Indices guna mengakomodir korelasi antar residual kesalahan pengamatan. Praktik perombakan yang bertumpu pada perilaku data lapangan ini sepatutnya diaplikasikan melalui iterasi tunggal secara bertahap dan wajib dibarengi pelaporan deskriptif yang transparan di dalam penulisan manuskrip ilmiah untuk meminimalisasi hadirnya bias temuan model yang diada-adakan atau overfitting.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "AMOS" ], "date_published": "2026-09-06T20:53:31+07:00", "date_modified": "2026-09-06T20:53:31+07:00" }, { "id": "https://statistikian.net/cara-mengatasi-masalah-asumsi-parallel-lines-regresi-ordinal-dengan-stata/", "url": "https://statistikian.net/cara-mengatasi-masalah-asumsi-parallel-lines-regresi-ordinal-dengan-stata/", "title": "Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA", "summary": "Bagi para analis data, momen yang paling menjengkelkan saat menjalankan pemodelan regresi…", "content_html": "
\n

Bagi para analis data, momen yang paling menjengkelkan saat menjalankan pemodelan regresi logistik ordinal di STATA adalah ketika mengeksekusi perintah brant pasca estimasi ologit. Peringatan \"A significant test statistic provides evidence that the parallel regression assumption has been violated\" muncul dengan p-value di bawah 0.05. Pesan error ini menandakan bahwa model Anda cacat secara asumsi. Jika Anda sedang kebingungan mencari Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA, Anda berada di tempat yang tepat. Kegagalan uji ini membuat nilai koefisien (beta) tunggal yang dihasilkan oleh STATA menjadi tidak valid untuk diinterpretasikan secara keseluruhan melintasi kategori variabel dependen.

\n

Pelanggaran asumsi parallel lines (garis sejajar) mengindikasikan bahwa efek dari variabel independen (prediktor) sebenarnya tidak konstan pada setiap titik potong (cut-off) kategori variabel dependen. Memaksakan pembacaan output ologit standar pada kondisi ini sama dengan menarik kesimpulan bias yang dapat menyesatkan kebijakan atau temuan riset. Banyak mahasiswa dan peneliti yang panik dan langsung mengganti metode ke multinomial logistik, padahal langkah tersebut justru membuang informasi berharga dari sifat ordinal data tersebut.

\n\n
\n

. brant, detail

\n
Brant Test of Parallel Regression Assumption\n\n    Variable |      chi2   p>chi2    df\n-------------+--------------------------\n         All |     34.52    0.000     6\n-------------+--------------------------\n          x1 |      2.14    0.343     2\n          x2 |     21.87    0.000     2\n          x3 |     10.51    0.005     2\n----------------------------------------\nA significant test statistic provides evidence that the parallel\nregression assumption has been violated.\n
\n
\n\n

Konsep Teori Asumsi Parallel Lines (Proportional Odds)

\n

Dalam ekonometrika dan statistika, regresi logistik ordinal berakar pada model Proportional Odds yang pertama kali diformulasikan oleh McCullagh (1980). Model ini mengasumsikan bahwa koefisien kemiringan (slope atau beta) adalah identik pada setiap persamaan logit biner yang dibentuk dari kategori respons. Inilah yang secara harfiah disebut sebagai asumsi Parallel Lines; jika Anda menggambar probabilitas kumulatif pada grafik, kurva-kurvanya akan terlihat sejajar satu sama lain dengan jarak yang ditentukan oleh parameter titik potong (cut-points atau thresholds).

\n

Konsekuensi logis dari teori ini adalah, perangkat lunak seperti STATA melalui perintah ologit hanya akan mengestimasi satu set koefisien variabel independen yang berlaku universal untuk seluruh transisi kategori Y (misalnya dari kategori 1 ke 2, dan 2 ke 3). Jika efek dari variabel X terhadap transisi kategori terbawah berbeda dengan efeknya pada transisi kategori teratas, maka asumsi proporsionalitas ini runtuh (Long & Freese, 2014).

\n

Brant (1990) mengembangkan uji statistik berbasis Wald untuk mengevaluasi apakah koefisien prediktor secara individual maupun simultan benar-benar konsisten antar ambang batas. Uji Brant membandingkan koefisien dari sejumlah regresi logistik biner yang dipecah dari data ordinal. Jika terdapat disparitas koefisien yang signifikan secara statistik, nilai chi-square akan membesar, dan p-value akan jatuh di bawah taraf signifikansi alfa.

\n

Bagi pembaca yang ingin menelusuri fondasi matematis, derivasi log-likelihood, dan dasar teori uji asumsi secara komprehensif tanpa pusing memikirkan teknis software, kami sangat menyarankan Anda untuk mempelajari seri teori ekonometrik di statistikian.com. Memahami filosofi matematika di balik model logit sangat krusial sebelum Anda mengaplikasikan trik penyelesaian error di STATA pada artikel ini.

\n\n

Langkah Perbaikan Teknis di STATA: Pendekatan Generalized Ordered Logit

\n

Langkah pertama saat menghadapi kegagalan uji Brant bukanlah beralih ke Multinomial Logistic Regression (mlogit). Penggunaan mlogit pada data ordinal akan mengorbankan power statistik karena model multinomial menganggap kategori sebagai nominal murni tanpa ada urutan (hierarki). Solusi teknis paling presisi dan elegan di STATA adalah menggunakan Generalized Ordered Logit Model (GOLM).

\n

STATA menyediakan package eksternal bernama gologit2 yang dikembangkan oleh Richard Williams (2006). Model ini sangat revolusioner karena memungkinkan parameter (koefisien) untuk bervariasi melintasi titik potong kategori hanya pada variabel yang melanggar asumsi, sambil mempertahankan parameter tunggal untuk variabel yang mematuhi asumsi. Konsep ini dikenal sebagai Partial Proportional Odds (PPO).

\n

Langkah teknis 1: Anda wajib menginstal package ini secara daring melalui konsol STATA. Ketikkan perintah ssc install gologit2. Pastikan komputer atau laptop Anda terhubung dengan internet. Proses instalasi ini hanya perlu dilakukan satu kali.

\n

Langkah teknis 2: Jangan menjalankan gologit2 secara kosongan. Jika Anda hanya mengetik gologit2 y x1 x2 x3, STATA akan menghasilkan koefisien yang berbeda untuk semua variabel pada setiap kategori. Ini akan membuat model Anda kehilangan parsimoni (kesederhanaan) dan berisiko mengalami overfitting yang parah (Williams, 2016).

\n

Langkah teknis 3: Gunakan opsi magic bernama autofit. Sintaks yang benar adalah gologit2 y x1 x2 x3, autofit. Opsi autofit memerintahkan algoritma STATA untuk melakukan iterasi pengujian berulang menggunakan uji Wald pada setiap variabel. STATA akan secara otomatis memilah mana variabel yang boleh diikat koefisiennya (karena lolos uji parallel) dan mana yang harus dilepas koefisiennya (karena gagal uji).

\n

Sebagai ilustrasi, jika variabel x1 memenuhi asumsi sedangkan x2 melanggar, maka output gologit2, autofit akan menampilkan koefisien x1 yang sama persis di setiap transisi kategori, sedangkan koefisien x2 akan memiliki nilai yang berbeda pada Panel 1, Panel 2, dan seterusnya. Ini mengamankan validitas statistik Anda tanpa merusak keseluruhan hierarki model.

\n

Langkah teknis 4: Periksa output iterasi autofit. STATA akan melaporkan variabel mana saja yang \"dilepaskan\" dari batasan parallel lines. Nilai signifikansi yang digunakan secara default oleh autofit adalah p < 0.05. Jika Anda ingin lebih ketat (misalnya karena sampel Anda sangat besar), Anda bisa memodifikasi tingkat alfa-nya dengan perintah gologit2 y x1 x2 x3, autofit(0.01).

\n

Alternatif teknis lain jika Anda tidak ingin menggunakan gologit2 adalah dengan melakukan penggabungan kategori (collapsing categories). Terkadang, uji Brant gagal sekadar karena ada selisih kategori yang memiliki jumlah frekuensi (N) terlalu sedikit, atau terdapat zero-cell count pada tabulasi silang antara prediktor dan respons.

\n

Anda bisa menggunakan perintah recode. Misalnya, jika variabel dependen y memiliki 5 kategori Likert (1=Sangat Tidak Setuju hingga 5=Sangat Setuju), namun kategori 1 dan 5 hanya diisi oleh 2 responden, model akan goyah. Anda bisa merekode menjadi 3 kategori: recode y (1/2=1) (3=2) (4/5=3), gen(y_baru). Setelah itu, jalankan kembali ologit dan uji ulang menggunakan brant.

\n

Namun, harus digarisbawahi bahwa penggabungan kategori berpotensi menghilangkan presisi varians data. Oleh karena itu, pendekatan Partial Proportional Odds dengan gologit2 tetap menjadi standar emas atau rujukan primer dalam publikasi jurnal ilmiah kuantitatif bereputasi tinggi saat asumsi regresi ordinal tidak terpenuhi.

\n\n
\n

. gologit2 y x1 x2 x3, autofit

\n
Testing parallel lines assumption using the .05 level of significance...\nStep 1: Constraints for x1 are not rejected (p = 0.3430)\nStep 2: Constraints for x2 are rejected (p = 0.0001)\nStep 3: Constraints for x3 are rejected (p = 0.0052)\n...\nGeneralized Ordered Logit Estimates             Number of obs   =        500\n                                                LR chi2(5)      =     145.20\n                                                Prob > chi2     =     0.0000\nLog likelihood = -410.1234                      Pseudo R2       =     0.1503\n\n------------------------------------------------------------------------------\n           y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]\n-------------+----------------------------------------------------------------\ny > 1        |\n          x1 |   1.245021   .142012     8.77   0.000      .966682   1.523359\n          x2 |   2.103045   .340212     6.18   0.000     1.436242   2.769848\n          x3 |  -.450123    .210450    -2.14   0.032    -.862597   -.037648\n       _cons |   3.104230   .451020     6.88   0.000     2.220247   3.988213\n-------------+----------------------------------------------------------------\ny > 2        |\n          x1 |   1.245021   .142012     8.77   0.000      .966682   1.523359\n          x2 |   4.560120   .420120    10.85   0.000     3.736700   5.383540\n          x3 |   1.120401   .310245     3.61   0.000      .512332   1.728470\n       _cons |   1.450231   .401200     3.61   0.000      .663893   2.236568\n------------------------------------------------------------------------------\n* Perhatikan bahwa koefisien x1 tetap konstan (1.245), \nsementara x2 dan x3 dibiarkan bervariasi antar kategori.*\n
\n
\n\n

Pembahasan Ilmiah: Mengapa Asumsi Proporsionalitas Sering Gagal?

\n

Dalam praktik statistika terapan modern, fenomena gagalnya asumsi proportional odds adalah hal yang sangat lumrah. Para ahli ekonometrika menyadari bahwa perilaku manusia—yang seringkali menjadi subjek variabel prediktor dalam kuesioner—tidak bersifat linear secara kaku. Misalnya, efek peningkatan pendapatan (X) terhadap kebahagiaan (Y). Pendapatan mungkin berdampak sangat ekstrem saat mengangkat seseorang dari kategori \"Sangat Tidak Bahagia\" ke \"Biasa Saja\", namun dampaknya menyusut drastis saat memindahkannya dari kategori \"Bahagia\" ke \"Sangat Bahagia\". Heterogenitas efek inilah yang dibaca oleh uji Brant sebagai pelanggaran asumsi.

\n

Selain faktor sifat alami variabel, sensitivitas uji Brant (Brant, 1990) terhadap ukuran sampel (N) adalah diskursus ilmiah yang patut dicermati. Layaknya uji normalitas Kolmogorov-Smirnov atau uji spesifikasi Hausman, uji statistik berbasis chi-square memiliki kelemahan inheren: seiring dengan membesarnya jumlah sampel, deviasi mikroskopis yang secara praktis tidak bermakna akan divonis signifikan secara statistik (p-value mengecil).

\n

Menurut Williams (2016), peneliti yang memiliki sampel observasi di atas 1.000 hampir bisa dipastikan akan selalu gagal dalam uji asumsi parallel lines. Oleh sebab itu, memaksakan penggunaan ologit murni pada sampel masif sering kali tidak realistis. Partial Proportional Odds (PPO) yang ditawarkan oleh gologit2 memberikan jalan tengah teoritis: kita menghormati prinsip ordinalitas pada prediktor yang patuh, dan kita membebaskan efek pada prediktor yang memang secara empiris memiliki dampak asimetris.

\n

Namun, pendekatan PPO bukan tanpa risiko secara kalkulus. Ketika kita melepaskan konstrain pada sebuah variabel (membiarkannya memiliki beta ganda), kita menambah jumlah parameter yang harus diestimasi oleh fungsi Maximum Likelihood. Hal ini menguras derajat kebebasan (degree of freedom). Selain itu, relaksasi asumsi yang sembarangan tanpa opsi autofit kadang memicu anomali matematis berupa probabilitas terprediksi yang bernilai negatif—sebuah kemustahilan yang merusak validitas model probit maupun logit.

\n

Oleh sebab itu, eksekusi model GOLM membutuhkan penilaian dari sang analis analitik (research judgment). STATA menyediakan alat komputasi matematisnya, tetapi peneliti yang harus menafsirkan apakah perbedaan koefisien antar kategori pada gologit2 memiliki justifikasi teoritis yang masuk akal di dunia nyata. Jika perbedaannya terlalu acak dan tidak bisa dijelaskan secara logis, maka mengevaluasi kembali instrumen atau melakukan pengelompokan ulang kategori (re-categorization) mungkin merupakan langkah mitigasi yang lebih purist secara metodologis.

\n\n

Kesimpulan

\n

Menjumpai error uji Brant yang signifikan bukanlah akhir dari riset Anda. Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA bermuara pada keputusan taktis untuk meninggalkan model ekstrim, yakni menghindari bertahannya ologit yang cacat dan menolak lari ke mlogit yang mereduksi data. Instalasi dan eksekusi sintaks gologit2, autofit merupakan solusi termutakhir yang diakui oleh komunitas statistik global. Dengan model Partial Proportional Odds, Anda mampu mempertahankan kekuatan hirarki variabel dependen sekaligus memfasilitasi prediktor membandel agar parameter estimasinya menjadi valid, tidak bias, dan dapat dipertanggungjawabkan dalam sidang akademik maupun diskursus riset profesional.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-06T20:32:09+07:00", "date_modified": "2026-09-06T20:32:09+07:00" }, { "id": "https://statistikian.net/sebab-dan-cara-mengatasi-masalah-model-not-positive-definite-dan-under-identified-pada-cb-sem-lisrel/", "url": "https://statistikian.net/sebab-dan-cara-mengatasi-masalah-model-not-positive-definite-dan-under-identified-pada-cb-sem-lisrel/", "title": "Sebab dan Cara Mengatasi Masalah Model Not Positive Definite dan Under-Identified Pada CB SEM Lisrel", "summary": "Saat mengeksekusi analisis Covariance-Based Structural Equation Modeling (CB-SEM), momen paling memusingkan adalah…", "content_html": "
\n

Saat mengeksekusi analisis Covariance-Based Structural Equation Modeling (CB-SEM), momen paling memusingkan adalah ketika proses iterasi terhenti secara mendadak oleh pesan fatal error. Mengetahui Sebab dan Cara Mengatasi Masalah Model \"not positive definite\" atau \"under-identified\" Pada CB SEM Lisrel menjadi pengetahuan krusial ketika Anda mendapati peringatan \"W A R N I N G: Matrix to be analyzed is not positive definite\" atau keterangan bahwa model bersifat under-identified. Gejala ini secara otomatis mematikan mesin estimasi Maximum Likelihood (ML) pada LISREL, membuat seluruh path coefficient, nilai t-value, maupun metrik Goodness of Fit (GoF) gagal ditampilkan pada output .out.

\n

Banyak peneliti pemula yang langsung menyalahkan kualitas data atau berasumsi bahwa ukuran sampel mereka cacat permanen. Kenyataannya, error model undefinite atau matriks non-positive definite (NPD) sering kali bersumber dari kesalahan spesifikasi sintaks programming pada LISREL itu sendiri, seperti lupa menetapkan skala metrik indikator (reference item), derajat kebebasan (degrees of freedom) yang bernilai minus, atau adanya variabel yang mengalami korelasi sempurna (multikolinearitas ekstrem).

\n\n
\n

# LISREL Output: Gejala Fatal Model Undefinite & NPD

\n
TI Menguji Model Struktural\nDA NI=12 NO=150 MA=CM\n...\nW A R N I N G : Matrix to be analyzed is not positive definite.\nRidge Option Invoked.\n...\nF A T A L  E R R O R : The model is under-identified.\nDegrees of Freedom = -3. \nEstimation cannot proceed. Path coefficients will not be computed.\n
\n

Catatan: Sistem menghentikan estimasi karena df bernilai negatif dan matriks kovarians tidak bisa diinversi.

\n
\n\n

Fondasi Teori Identifikasi Model dalam CB-SEM

\n

Secara konseptual, analisis CB-SEM bekerja dengan prinsip meminimalkan perbedaan antara matriks kovarians sampel (matriks S) dengan matriks kovarians yang diimplikasikan oleh model teoritis (matriks Sigma). Bollen (1989) menegaskan bahwa proses pencarian parameter yang optimal ini sangat bergantung pada kecukupan informasi empiris yang disuplai ke dalam sistem komputasi.

\n

Syarat mutlak agar suatu model dapat diestimasi adalah model tersebut harus bersifat just-identified atau over-identified. Hal ini diukur dari Degrees of Freedom (df). Nilai df dihitung dari jumlah titik data empiris yang diketahui [p(p+1)/2, di mana p adalah jumlah indikator] dikurangi dengan jumlah parameter independen yang harus diestimasi oleh model (loadings, path, varians, dan kovarians). Jika parameter yang dicari lebih banyak daripada informasi yang tersedia, model menjadi under-identified atau undefined.

\n

Faktor teoritis lain yang menyebabkan berhentinya iterasi adalah kondisi matriks kovarians sampel yang not positive definite. Menurut Kline (2015), matriks NPD terjadi ketika determinan dari matriks tersebut bernilai nol (matriks singular) atau negatif. Akar masalah matematis ini sering kali bermuara pada linearitas ganda antar variabel, di mana satu indikator pada dasarnya hanyalah kombinasi linear dari indikator lainnya.

\n

Untuk mendalami pondasi filosofis dan pembuktian matematis secara rinci mengenai syarat identifikasi matriks kovarians sebelum mengeksekusi sintaks SIMPLIS/LISREL, kami sangat menyarankan Anda membaca rujukan teoretis esensial di statistikian.com. Memisahkan antara kedalaman teori matriks dan tindakan perbaikan teknis koding akan mempertajam insting analitik Anda.

\n\n

Langkah Perbaikan Teknis Model LISREL yang Error

\n

1. Tetapkan Reference Indicator (Skala Metrik). Kesalahan paling sering di LISREL adalah lupa memberi skala ukur pada variabel laten. LISREL membutuhkan satu indikator untuk setiap variabel laten yang di-set nilai loading-nya menjadi eksak 1.0. Pada sintaks matriks, Anda harus menguncinya, misalnya FI LX(1,1) lalu VA 1.0 LX(1,1), atau mendefinisikannya secara eksplisit pada SIMPLIS syntax.

\n

2. Cek Multikolinearitas dan Hapus Indikator Redundan. Jika matriks Anda not positive definite, buka output matriks korelasi sampel awal. Cari apakah ada dua indikator yang nilai korelasinya sangat ekstrem (> 0.90 atau > 0.95). Hair et al. (2018) merekomendasikan untuk langsung menghapus salah satu indikator tersebut karena keduanya memberikan informasi ukur yang sama persis (redundan), yang merusak determinan matriks.

\n

3. Atasi Kasus Varians Negatif (Heywood Cases). Error undefined bisa dipicu oleh nilai varians error yang diestimasi bernilai minus (suatu kemustahilan statistik). Jika Anda mendeteksi Heywood case pada satu indikator, Anda dapat memaksa LISREL untuk menetapkan varians tersebut pada nilai positif kecil (misal 0.005) menggunakan perintah konstrain, meskipun solusi terbaik adalah merombak indikator tersebut.

\n

4. Pastikan Ukuran Sampel Melebihi Parameter. Algoritma Maximum Likelihood gagal menginversi matriks jika ukuran sampel (N) Anda lebih kecil dari atau setara dengan jumlah parameter yang diestimasi. Aturan praktis menuntut rasio minimal 5:1 hingga 10:1 antara jumlah responden dan jumlah parameter. Jika N terlalu kecil, LISREL akan collapse.

\n

5. Aturan Tiga Indikator per Konstruk. Konstruk laten yang hanya memiliki dua indikator (apalagi satu) sangat rawan mengalami empirical under-identification. Pastikan setiap variabel laten refleksif setidaknya diukur oleh tiga indikator untuk memastikan variabel laten tersebut berdiri sendiri secara matematis tanpa harus menambah konstrain kesamaan beban faktor (equality constraints).

\n

6. Lakukan Model Trimming (Penyederhanaan Bertahap). Jangan langsung menguji Full Structural Model. Uji terlebih dahulu Measurement Model (CFA). Jika CFA berhasil run namun model struktural gagal, maka dipastikan error undefined berasal dari kerangka hipotesis jalur (path) yang melingkar (feedback loops) yang tidak teridentifikasi.

\n\n
\n

# Solusi Sintaks LISREL: Penetapan Skala dan Konstrain

\n
TI Measurement Model Fixed\n...\nMO NX=6 NK=2 LX=FU,FR PH=SY,FR TD=DI,FR\n! SOLUSI 1: Menetapkan reference indicator ke 1.0 (Skala Laten)\nFI LX(1,1) LX(4,2)\nVA 1.0 LX(1,1) LX(4,2)\n\n! SOLUSI 2: Mengatasi Heywood case di indikator 3\nBO TD(3,3) > 0.001\n\nPD\nOU ME=ML RS EF MI SC\n...\nDegrees of Freedom = 8\nNormal Theory Weighted Least Squares Chi-Square = 12.45 (P = 0.13)\n[ESTIMASI BERHASIL Diselesaikan]\n
\n
\n\n

Pembahasan Ilmiah: Anatomi Matriks dan Identifikasi Empiris

\n

Untuk memahami inti permasalahannya, kita perlu membedah cara kerja algoritma LISREL. Mesin utama CB-SEM, yaitu estimator Maximum Likelihood (ML), menuntut perhitungan invers dari matriks kovarians data (matrix inversion). Proses inversi matriks ini ibarat pembagian dalam aritmatika dasar; ia mengharuskan pembagian dengan nilai determinan matriks.

\n

Menurut Jöreskog dan Sörbom (1996), perancang software LISREL, jika matriks kovarians tidak positive definite (memiliki akar ciri atau eigenvalues yang bernilai nol atau negatif), maka determinan matriks tersebut akan bernilai nol. Membagi persamaan dengan angka nol dalam matematika aljabar akan menghasilkan nilai tak terhingga (infinity), sehingga LISREL dipaksa membunyikan alarm fatal error dan membatalkan kalkulasi secara mendadak.

\n

Dari sudut pandang identifikasi model, fenomena under-identification pada dasarnya adalah masalah aljabar linear. Model dianalogikan seperti sistem persamaan yang kekurangan data. Bayangkan Anda harus menyelesaikan persamaan X + Y = 10 tanpa informasi tambahan. Solusinya tak terhingga (bisa 5+5, 2+8, -10+20). Dalam CB-SEM, jika derajat kebebasan (df) bernilai negatif, komputer tidak bisa memilih estimasi mana yang paling tepat dari jutaan kemungkinan yang ada.

\n

Ada satu fenomena menarik yang sering mengecoh analis, yang disebut empirical under-identification (Kenny, 1979). Secara teori atau digambar di atas kertas, model path diagram Anda mungkin sudah memenuhi kaidah over-identified (df > 0). Namun, karena karakteristik empiris data di lapangan sangat buruk—misalnya varians mendekati nol atau dua indikator memiliki korelasi mendekati nol—model secara praktis gagal diestimasi dan berujung pada status undefined.

\n

Fenomena Heywood cases atau varians error negatif juga sangat erat kaitannya dengan matriks yang NPD. Varians, yang secara definisi merupakan kuadrat dari standar deviasi, tidak mungkin bernilai negatif secara fisik maupun logis. Kemunculan nilai minus ini adalah cara algoritma matematis 'berteriak' bahwa model secara struktur tidak cocok dengan pola data sampel, atau peneliti telah memaksakan ekstraksi faktor yang berlebihan pada serangkaian indikator ukur.

\n

Brown (2015) mencatat bahwa konstruk yang hanya memiliki dua indikator sering menjadi 'kambing hitam' terjadinya empirical under-identification. Jika Anda terpaksa menggunakan laten dengan dua indikator ukur, jalan keluar matematis satu-satunya adalah menetapkan konstrain bahwa error variance atau beban faktor kedua indikator tersebut adalah sama (equality constraints).

\n

Selain itu, urgensi dalam mendefinisikan reference indicator (menetapkan satu loading = 1) bersifat absolut di CB-SEM. Variabel laten adalah variabel tak kasat mata (unobserved) yang tidak memiliki satuan ukur bawaan. Menetapkan nilai 1.0 pada satu indikator akan mentransfer metrik skala dari indikator manifes tersebut (misalnya satuan skala Likert 1-5) ke dalam variabel laten, sehingga memungkinkan sistem untuk mengukur variansnya.

\n

Risiko munculnya matriks non-positive definite juga meroket apabila Anda menganalisis data berskala ordinal ketat namun memaksa menggunakan matriks Polychoric Covariance pada ukuran sampel yang kecil. Estimasi matriks polychoric antar pasangan indikator bersifat bivariat asimtotik, yang dalam sampel kecil sering gagal merakit satu matriks besar yang positive definite secara utuh.

\n

LISREL terkadang secara otomatis menjalankan opsi Ridge Option untuk memaksa matriks menjadi positive definite dengan cara menambahkan konstanta kecil pada elemen diagonal matriks (smoothing). Meskipun opsi ini dapat membuat model berhasil berjalan hingga keluar output, Anda harus menyadari bahwa data asli Anda telah termodifikasi secara paksa oleh algoritma.

\n

Oleh karena itu, mengatasi masalah model yang menolak untuk diestimasi bukanlah tentang mencari trik manipulasi statistik semata. Resolusi sejati menuntut peneliti untuk meninjau kembali arsitektur teori pengukuran, menghapus indikator yang tumpang tindih, dan memastikan pasokan jumlah sampel linear dengan kompleksitas diagram struktural yang dibangun.

\n\n

Kesimpulan

\n

Menghadapi notasi error Sebab dan Cara Mengatasi Masalah Model Undefinite Pada CB SEM Lisrel menuntut ketelitian analitik dalam membaca spesifikasi sintaks dan struktur matriks data Anda. Solusi definitif bermula dari kewajiban matematis: pastikan nilai Degrees of Freedom positif, tetapkan skala ukur metrik pada setiap laten (reference indicator bernilai 1.0), deteksi dan buang indikator yang mengalami multikolinearitas ekstrem, dan batasi munculnya varians negatif. Pada akhirnya, kelancaran iterasi algoritma Maximum Likelihood di LISREL tidak hanya bergantung pada kecanggihan perangkat lunak, melainkan pada kematangan spesifikasi teori awal dan kebersihan data empiris yang Anda pasok ke dalam sistem.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Lisrel" ], "date_published": "2026-09-05T21:07:10+07:00", "date_modified": "2026-09-05T21:08:53+07:00" }, { "id": "https://statistikian.net/cara-mengatasi-masalah-validitas-dan-reliabilitas-pada-pls-sem-menggunakan-aplikasi-jasp/", "url": "https://statistikian.net/cara-mengatasi-masalah-validitas-dan-reliabilitas-pada-pls-sem-menggunakan-aplikasi-jasp/", "title": "Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP", "summary": "Saat mengeksekusi model persamaan struktural berbasis varians, momen paling memusingkan bagi peneliti…", "content_html": "
\n

Saat mengeksekusi model persamaan struktural berbasis varians, momen paling memusingkan bagi peneliti adalah ketika dihadapkan pada indikator merah pada hasil output outer model. Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP menjadi kata kunci krusial ketika Anda mendapati nilai Outer Loadings berada di bawah ambang batas 0.708, atau nilai Average Variance Extracted (AVE) terjerembab di bawah 0.50. Gejala masalah ini biasanya langsung terlihat pada tabel evaluasi model pengukuran di panel hasil JASP, di mana peringatan validitas konvergen yang gagal menghentikan langkah Anda untuk menginterpretasikan hubungan antar variabel (inner model).

\n

Mengabaikan masalah ini dan langsung melompat ke pengujian hipotesis adalah kesalahan fatal dalam metodologi penelitian. Jika instrumen kuisioner Anda tidak valid dan tidak reliabel, maka berapapun nilai path coefficient atau p-value pada model struktural menjadi tidak bermakna (garbage in, garbage out). Banyak pengguna pemula aplikasi JASP yang panik lalu menghapus indikator secara brutal, yang justru merusak content validity dari variabel laten itu sendiri. Penanganan harus dilakukan secara taktis, bertahap, dan berlandaskan pada justifikasi statistik yang kuat.

\n\n
\n

# JASP Output: Gejala Gagal Validitas Konvergen & Reliabilitas

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
ConstructIndicatorOuter LoadingAVECronbach's \\(\\alpha\\)
Kepuasan (Y)Y10.345 (Fail)0.4120.580
 Y20.780
 Y30.510 (Warning)
\n

Note: Construct 'Kepuasan' gagal memenuhi syarat AVE > 0.5 dan Reliabilitas > 0.7 karena adanya indikator yang lemah.

\n
\n\n

Fondasi Teori Model Pengukuran (Outer Model) PLS-SEM

\n

Dalam arsitektur Partial Least Squares Structural Equation Modeling (PLS-SEM), evaluasi model dibagi menjadi dua tahap utama: outer model (model pengukuran) dan inner model (model struktural). Evaluasi outer model mutlak dilakukan pertama kali untuk memastikan bahwa indikator-indikator (item pernyataan/pertanyaan) benar-benar mengukur variabel laten yang dituju. Validitas dalam konteks ini terbagi dua, yakni validitas konvergen (seberapa besar korelasi indikator dengan konstruknya sendiri) dan validitas diskriminan (seberapa berbedanya sebuah konstruk dibandingkan konstruk lainnya).

\n

Menurut Hair et al. (2019), validitas konvergen untuk model refleksif dinilai berdasarkan nilai Outer Loadings dan Average Variance Extracted (AVE). Standar emas mensyaratkan loading factor harus lebih besar dari 0.708. Angka ini tidak muncul begitu saja, melainkan didasari oleh prinsip bahwa konstruk laten harus mampu menjelaskan lebih dari 50% varians dari indikatornya (0.708 dikuadratkan mendekati 0.50).

\n

Sementara itu, keandalan atau reliabilitas diukur untuk memastikan konsistensi internal kuesioner. Dalam PLS-SEM, parameter yang digunakan bukan hanya Cronbach's Alpha, melainkan juga Composite Reliability (rho_C) dan koefisien reliabilitas eksak (rho_A). Ketiga metrik ini idealnya harus bernilai di atas 0.70 untuk penelitian tahap confirmatory.

\n

Bagi peneliti yang membutuhkan pendalaman teoritis tingkat lanjut mengenai derivasi rumus matematika di balik perhitungan varians ini, serta sejarah evolusi algoritma dari CB-SEM ke PLS-SEM, kami sangat menyarankan Anda membaca rujukan teoretis komprehensif kami di statistikian.com. Memahami filosofi teori di balik analisis SEM akan sangat membantu menajamkan intuisi analitik Anda, sementara artikel di statistikian.net ini akan berfokus pada penyelesaian troubleshooting praktis.

\n\n

Langkah-Langkah Mengatasi Masalah Validitas di JASP

\n

Langkah 1: Identifikasi dan Eliminasi Indikator < 0.40. Buka menu hasil PLS di JASP. Arahkan pandangan Anda pada tabel Outer Loadings. Jika terdapat indikator yang nilainya sangat rendah (di bawah 0.40), indikator tersebut harus dihapus dari model tanpa kompromi. Indikator dengan korelasi sekecil ini lebih banyak mengandung error daripada informasi sejati terkait konstruknya (Hair et al., 2019).

\n

Langkah 2: Evaluasi Kritis Indikator 0.40 hingga 0.708. Jika Anda menemukan loading di kisaran nilai tengah ini, jangan buru-buru menghapusnya. Aturan praktis PLS-SEM menyatakan: Anda hanya boleh menghapus indikator di zona abu-abu ini JIKA DAN HANYA JIKA penghapusan tersebut dapat mendongkrak nilai AVE menjadi di atas 0.50 dan Composite Reliability menjadi di atas 0.70.

\n

Langkah 3: Eksekusi Penghapusan di Antarmuka JASP. Untuk memperbaiki model di JASP, kembalilah ke panel pengaturan variabel di sebelah kiri. Pada kotak \"Model\", hapus sintaks variabel manifest yang bermasalah. Misalnya, jika variabel `Kepuasan =~ Y1 + Y2 + Y3` bermasalah pada `Y1`, ubah persamaannya menjadi `Kepuasan =~ Y2 + Y3`. JASP akan secara real-time menghitung ulang (re-estimasi) algoritma PLS.

\n

Langkah 4: Re-evaluasi Nilai AVE. Setelah indikator yang memberatkan dibuang, periksa kembali tabel Construct Reliability and Validity. Pastikan nilai AVE kini telah menghijau atau melampaui angka 0.50. Nilai ini memvalidasi bahwa konstruk laten utama kini secara rata-rata membagikan varians yang memadai dengan item pengukurnya yang tersisa.

\n

Langkah 5: Verifikasi Reliabilitas (rho_A, rho_C, Cronbach's Alpha). Bersamaan dengan perbaikan AVE, nilai reliabilitas secara otomatis akan terkalibrasi. Pastikan metrik Composite Reliability (rho_C) telah melampaui 0.70. Dalam banyak kasus di PLS, nilai Cronbach's Alpha cenderung underestimate (terlalu konservatif), sehingga Composite Reliability lebih direkomendasikan sebagai pedoman utama kelayakan (Henseler et al., 2015).

\n

Langkah 6: Penanganan Validitas Diskriminan dengan HTMT. Jika validitas konvergen sudah tuntas, tantangan berikutnya adalah tabel HTMT (Heterotrait-Monotrait Ratio). Jika rasio HTMT antara dua variabel > 0.90, artinya kedua variabel tersebut secara statistik tidak bisa dibedakan. Solusinya: gabungkan kedua konstruk tersebut menjadi satu, atau hapus indikator dari salah satu konstruk yang memiliki cross-loading tinggi dengan konstruk lainnya.

\n\n
\n

# JASP Output: Solusi Validitas & Reliabilitas Tercapai

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
ConstructIndicatorOuter LoadingAVEComposite Reliability
Kepuasan (Y)Y20.8120.645 (Pass)0.784 (Pass)
 Y30.795
\n

Note: Indikator Y1 (0.345) telah di-drop. Model re-estimasi kini memenuhi syarat AVE > 0.5 dan CR > 0.7. Validitas Konvergen tercapai!

\n
\n\n

Pembahasan Ilmiah: Mengapa Model PLS-SEM Sangat Sensitif Terhadap Indikator?

\n

Ketidakstabilan nilai reliabilitas dan validitas dalam PLS-SEM sering kali mengejutkan peneliti. Hal ini berakar pada hakikat matematika PLS itu sendiri yang beroperasi sebagai metode berbasis varians (variance-based), yang berusaha memaksimalkan varians konstruk eksogen terhadap konstruk endogen. Ketika sebuah indikator memiliki beban faktor (loading) yang lemah, indikator tersebut tidak sekadar menjadi \"penumpang gelap\", namun secara komputasional menarik nilai rata-rata varians terekstraksi (AVE) ke bawah secara eksponensial.

\n

Satu hal penting yang sering menjadi miskonsepsi adalah perlakuan terhadap model pengukuran Reflektif vs Formatif. Semua aturan ketat pemotongan nilai loading 0.708 dan AVE 0.50 ini HANYA BERLAKU untuk model refleksif, yakni model di mana konstruk laten diasumsikan sebagai \"penyebab\" dari indikator-indikatornya. Jika model Anda berspesifikasi formatif, di mana indikator yang membentuk variabel laten (misalnya indeks sosial ekonomi yang dibentuk dari pendapatan, pendidikan, dan pekerjaan), maka uji validitas konvergen menggunakan AVE menjadi sama sekali tidak relevan dan haram dilakukan (Diamantopoulos et al., 2008).

\n

Masalah spesifikasi yang salah kaprah sering kali menjadi biang kerok mengapa error validitas terus menerus muncul di JASP. JASP dan software PLS modern lainnya menerapkan algoritma Consistent PLS (PLSc) untuk model refleksif secara default. PLSc diperkenalkan oleh Dijkstra & Henseler (2015) untuk memperbaiki kelemahan PLS tradisional yang cenderung melebih-lebihkan beban faktor dan meremehkan parameter struktural (atenuasi korelasi).

\n

Konsekuensi dari penerapan PLSc di JASP adalah perhitungan *outer loadings* menjadi jauh lebih murni dan ketat. Indikator yang memiliki multicollinearity tinggi dengan item di variabel laten lain (cross-loading) akan dihukum dengan pemotongan varians. Hal inilah yang menjelaskan mengapa sebuah kuisioner yang tampak valid saat diuji menggunakan metode *Bivariate Pearson* klasik di SPSS, tiba-tiba menjadi \"merah\" rontok ketika dimasukkan ke dalam kerangka Outer Model PLS-SEM.

\n

Pembahasan beralih ke Validitas Diskriminan. Dalam dua dekade terakhir, kriteria Fornell-Larcker menjadi primadona. Namun, Henseler et al. (2015) membuktikan melalui simulasi Monte Carlo bahwa Fornell-Larcker memiliki tingkat sensitivitas yang sangat buruk dalam mendeteksi ketiadaan validitas diskriminan. Inilah alasan mendasar mengapa aplikasi statistik termutakhir seperti JASP lebih menonjolkan penggunaan matrik HTMT (Heterotrait-Monotrait Ratio of Correlations).

\n

Jika HTMT melampaui batas ambang kritis (0.85 untuk konstruk beda konseptual, atau 0.90 untuk konstruk mirip secara konseptual), itu mengindikasikan bahwa responden Anda tidak dapat membedakan dengan jelas pertanyaan antara variabel A dan variabel B. Penghapusan indikator dalam konteks HTMT tidak dilakukan berdasarkan nilai loading yang kecil, melainkan membuang indikator yang maknanya terlalu tumpang tindih secara semantik.

\n

Lebih lanjut, pertimbangan ukuran sampel (sample size) tak luput dari masalah validitas. Meskipun PLS-SEM dikenal tangguh untuk sampel kecil, ukuran sampel yang sangat minim (misalnya di bawah 50 responden) menyebabkan nilai estimasi loading menjadi tidak stabil saat proses bootstrapping berjalan. Estimasi parameter akan meloncat-loncat, menghasilkan Standard Error yang lebar, dan ujung-ujungnya meruntuhkan t-statistik pada pengujian model pengukuran secara keseluruhan.

\n

Oleh karena itu, tindakan preventif terbaik sebelum bertarung di kanvas JASP adalah dengan memastikan desain instrumen kuesioner Anda matang melalui pilot study (uji coba). Jika modifikasi dan pemotongan indikator terpaksa dilakukan, catatlah setiap item yang gugur secara transparan di dalam manuskrip riset Anda. Ingat, metodologi kuantitatif tidak menuntut sebuah model menjadi sempurna di awal, tetapi menuntut justifikasi dan transparansi atas setiap modifikasi yang Anda eksekusi.

\n\n

Kesimpulan

\n

Masalah gagalnya pengujian outer model bukanlah akhir dari riset Anda. Mengetahui Cara Mengatasi Masalah Validitas dan Reliabilitas Pada PLS SEM Menggunakan Aplikasi JASP berpusat pada strategi penghapusan indikator yang terstruktur. Evaluasi indikator mulai dari yang terendah (< 0.40), hapus secara selektif, dan pantau kenaikan nilai AVE secara bertahap hingga menyentuh ambang 0.50 dan Composite Reliability di atas 0.70. Selalu gunakan kerangka teoritis—bedakan antara model reflektif dan formatif—sebelum memvonis indikator, dan andalkan metrik terkini seperti HTMT untuk menjamin bahwa antar-variabel Anda sungguh-sungguh berbeda secara konstruksi konsep.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "JASP" ], "date_published": "2026-09-05T20:57:18+07:00", "date_modified": "2026-09-05T20:57:18+07:00" }, { "id": "https://statistikian.net/perbedaan-model-ar-ma-arma-dan-arima-berdasarkan-pola-korelogram-data-dan-cara-analisis-di-r-studio/", "url": "https://statistikian.net/perbedaan-model-ar-ma-arma-dan-arima-berdasarkan-pola-korelogram-data-dan-cara-analisis-di-r-studio/", "title": "Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio", "summary": "Saat melakukan peramalan deret waktu atau time series forecasting, rintangan terbesar yang…", "content_html": "
\n

Saat melakukan peramalan deret waktu atau time series forecasting, rintangan terbesar yang sering membuat analis data frustrasi adalah gagal mengidentifikasi Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio. Gejala masalah ini memuncak saat Anda mengeksekusi fungsi acf() dan pacf() pada *console* R, lalu dihadapkan pada grafik batang vertikal (korelogram) yang polanya ambigu—sulit dibedakan apakah ia memotong tajam (cut-off) atau melandai pelan (tails-off). Kesalahan pembacaan visual ini secara berantai menyebabkan spesifikasi ordo (p, d, q) yang keliru, sehingga R-Studio memunculkan pesan error optimasi non-finite, parameter tidak konvergen, atau sisaan (residuals) yang gagal memenuhi asumsi white noise.

\n

Menentukan ordo autokorelatif yang salah ibarat memberikan resep obat yang keliru berbekal hasil rontgen yang buram. Banyak peneliti atau analis kuantitatif yang akhirnya memaksakan penggunaan package otomatis tanpa memahami perilaku stokastik data dasarnya. Akibatnya, saat model dipaksa memprediksi data uji (out-of-sample), nilai Mean Absolute Percentage Error (MAPE) membengkak tak terkendali. Membedakan *Auto-Regressive* (AR), *Moving Average* (MA), model campurannya (ARMA), hingga bentuk integrasinya (ARIMA) mutlak membutuhkan ketajaman dalam membaca jejak autokorelasi parsial dan fungsi autokorelasi.

\n\n
\n

# Konsol R-Studio: Gejala Salah Spesifikasi Model

\n
> # Menjalankan model tanpa mengecek stationeritas & korelogram yang benar\n> fit_salah <- arima(data_ts, order=c(2,0,2))\nError in optim(init[mask], armafn, method = optim.method, hessian = TRUE, : \n  non-finite finite-difference value [2]\n\n> Box.test(residuals(fit_salah), type=\"Ljung-Box\")\n\tBox-Ljung test\ndata:  residuals(fit_salah)\nX-squared = 45.21, df = 1, p-value = 1.7e-11 \n# [MASALAH: p-value < 0.05, Residual masih mengandung autokorelasi!]\n
\n
\n\n

Fondasi Teori Model Runtun Waktu Box-Jenkins

\n

Metodologi Box-Jenkins adalah tulang punggung dari analisis deret waktu univariat modern. Model Auto-Regressive (AR) mengasumsikan bahwa nilai variabel pada masa kini (Yt) sangat dipengaruhi oleh nilai variabel itu sendiri pada masa lalu (Yt-1, Yt-2, dst.). Sebaliknya, model Moving Average (MA) bersandar pada filosofi bahwa nilai masa kini dipengaruhi oleh guncangan atau kejutan galat acak (error terms atau white noise) dari masa lalu. Penggabungan keduanya menghasilkan model ARMA untuk data yang stasioner (Box & Jenkins, 1970).

\n

Di dunia nyata, sangat jarang menemukan data finansial atau ekonomi yang langsung stasioner—yakni memiliki rata-rata dan varians yang konstan sepanjang waktu. Di sinilah huruf \"I\" dalam ARIMA (Integrated) masuk. Integrasi merujuk pada proses diferensiasi (differencing) tingkat d untuk memaksa data yang memiliki tren agar menjadi stasioner sebelum proses AR dan MA diestimasi.

\n

Kunci utama untuk mengidentifikasi model mana yang tepat terletak pada korelogram, yaitu plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). Secara teoretis, model AR(p) murni akan menunjukkan plot ACF yang menurun secara eksponensial atau bergelombang (tails off), sementara plot PACF-nya akan terpotong drastis (cuts off) setelah *lag* ke-p. Karakteristik ini bersifat cermin kebalikan untuk model MA(q).

\n

Bagi Anda yang ingin menggali lebih dalam mengenai derivasi matematis dan pembuktian asumsi ekonometrika stasioneritas sebelum melangkah ke tahap eksekusi troubleshooting koding, kami sangat menyarankan Anda membaca rujukan teoretis komprehensif kami di statistikian.com. Memisahkan pemahaman teori dasar dan praktik klinis pengkodean akan menajamkan insting analisis Anda.

\n\n

Langkah Teknis Eksekusi Analisis ACF PACF di R-Studio

\n

1. Uji Stasioneritas (Augmented Dickey-Fuller). Sebelum membaca korelogram, pastikan data stasioner. Gunakan fungsi adf.test() dari *package* tseries. Jika p-value > 0.05, data tidak stasioner. Anda wajib melakukan diferensiasi menggunakan perintah diff(data, differences = 1). Langkah ini menentukan nilai d pada ARIMA(p,d,q).

\n

2. Plot ACF untuk Identifikasi Ordo MA (q). Setelah data stasioner, jalankan acf(data_diff). Perhatikan batasan garis putus-putus biru (interval kepercayaan 95%). Jika grafik memotong batas (cuts off) pada lag ke-1 atau ke-2, lalu *lag* berikutnya tiba-tiba jatuh ke dalam area garis biru, maka itu adalah sinyal model MA(1) atau MA(2).

\n

3. Plot PACF untuk Identifikasi Ordo AR (p). Jalankan pacf(data_diff). Jika grafik PACF memotong tajam di lag ke-p, sedangkan plot ACF-nya tadi melandai pelan (bisa berbentuk peluruhan eksponensial atau gelombang sinus), maka data tersebut mengikuti proses AR(p).

\n

4. Identifikasi ARMA (Keduanya Melandai). Kasus tersulit adalah ketika plot ACF dan PACF sama-sama melandai pelan (tails off). Ini menandakan campuran ARMA(p,q). Pada titik ini, identifikasi visual tidak lagi akurat. Anda harus melakukan uji coba kombinasi ordo dengan melihat kriteria informasi seperti AIC atau BIC terkecil (Hyndman & Athanasopoulos, 2018).

\n

5. Eksekusi Model dan Evaluasi Residual. Gunakan fungsi Arima() dari *package* forecast alih-alih arima() bawaan base R karena lebih stabil secara algoritmik. Setelah terestimasi, wajib lakukan uji Ljung-Box pada residual. Residual harus berdistribusi normal dan tidak memiliki sisa autokorelasi.

\n\n
\n

# Solusi R-Studio: Tahapan ARIMA yang Benar

\n
library(forecast)\nlibrary(tseries)\n\n> # 1. Uji Stasioneritas & Diferensiasi\n> ts_diff <- diff(data_ts)\n> adf.test(ts_diff) # p-value = 0.01 (Stasioner)\n\n> # 2. Cek Korelogram\n> par(mfrow=c(1,2))\n> acf(ts_diff, main=\"ACF (Tails off)\")\n> pacf(ts_diff, main=\"PACF (Cuts off di lag 1)\") \n> # Kesimpulan visual: AR(1) pada data diferensiasi tingkat 1 -> ARIMA(1,1,0)\n\n> # 3. Estimasi Model yang Benar\n> fit_benar <- Arima(data_ts, order=c(1,1,0), include.drift=TRUE)\n> checkresiduals(fit_benar)\n\tLjung-Box test\np-value = 0.4532 \n# [SOLUSI BERHASIL: p-value > 0.05, Residual bersifat White Noise!]\n
\n
\n\n

Pembahasan Ilmiah: Anatomi ACF, PACF, dan Wold's Decomposition

\n

Pemahaman mengapa plot PACF terpotong pada model Auto-Regressive (AR) tidak bisa dilepaskan dari konsep regresi berganda. Autokorelasi Parsial (PACF) pada *lag* ke-k mengukur tingkat korelasi antara observasi saat ini (Yt) dan masa lalu (Yt-k) setelah membuang efek linear dari *lag* perantara (Yt-1 hingga Yt-k+1). Jika proses sejati (true data generating process) adalah AR(1), maka informasi Yt-2 terhadap Yt sebenarnya hanya \"dititipkan\" melalui Yt-1. Ketika efek Yt-1 dibuang dalam kalkulasi PACF, korelasi Yt dengan Yt-2 menjadi nol murni. Inilah mengapa grafik PACF cuts off tajam (Shumway & Stoffer, 2017).

\n

Sebaliknya, plot ACF pada model AR(1) dengan koefisien phi positif akan melandai perlahan seperti eksponensial yang meluruh. Hal ini terjadi karena guncangan pada periode t-1 terus menjalar ke periode t, lalu sisa guncangan itu menjalar lagi ke t+1 dengan kekuatan sebesar koefisien berpangkat. Penjalaran tak terbatas inilah yang menciptakan pola tails off pada grafik Autocorrelation Function.

\n

Di sisi lain, model Moving Average (MA) merepresentasikan memori jangka pendek murni. Berdasarkan Teorema Dekomposisi Wold (Wold's Representation Theorem), setiap deret waktu yang kovarians-stasioner dapat direpresentasikan sebagai jumlahan tak hingga dari white noise error terms. Dalam model MA(q), proses tersebut dengan sengaja diputus (truncated) pada *lag* ke-q. Akibatnya, memori sistem hanya bertahan sejauh q periode. Itulah mengapa plot ACF akan langsung jatuh ke angka nol (cuts off) tepat setelah lag ke-q.

\n

Lalu mengapa PACF dari model MA melandai perlahan? Ingat syarat \"Invertibilitas\". Agar model MA memiliki makna matematis dan dapat diestimasi, ia harus bisa diinversi menjadi proses AR berorde tak hingga (AR(∞)). Karena representasi AR-nya tidak berujung, maka korelasi parsialnya tidak pernah benar-benar memotong ke angka nol dalam satu titik, melainkan menyusut perlahan secara perlahan, menciptakan pola tails off pada grafik PACF.

\n

Bencana analitik mulai terjadi ketika peneliti menghadapi model ARMA campuran. Dalam model ARMA(1,1), baik memori dari nilai masa lalu maupun memori dari guncangan (errors) masa lalu bekerja secara simultan. Persamaan simultan ini menggagalkan keistimewaan cuts off pada kedua plot korelogram. ACF tidak terpotong karena adanya komponen AR, dan PACF tidak terpotong karena adanya komponen MA. Keduanya akan melandai (tails off).

\n

Dalam praktiknya, mengidentifikasi ordo p dan q pada situasi di mana keduanya tails off menggunakan pandangan mata adalah hal yang mustahil (Brockwell & Davis, 2016). Solusi saintifik dari R-Studio adalah menggunakan fungsi auto.arima(). Algoritma otomatis dari fungsi ini (yang mengacu pada algoritma Hyndman-Khandakar) tidak membaca plot, melainkan melakukan estimasi Maximum Likelihood secara iteratif.

\n

Algoritma ini menghitung penalti parameter menggunakan metrik *Akaike Information Criterion* (AIC) atau *Bayesian Information Criterion* (BIC). Model dengan nilai AIC terkecil dinobatkan sebagai arsitektur yang paling seimbang dalam menjelaskan varians data tanpa mengalami overfitting. Walaupun auto.arima() sangat canggih, sebagai analis, Anda tetap harus memverifikasi bahwa diagnostik residual akhirnya bebas dari korelasi serial melalui Ljung-Box Test.

\n\n

Kesimpulan

\n

Menguasai identifikasi Perbedaan Model AR, MA, ARMA, dan ARIMA Berdasarkan Pola Korelogram Data dan cara analisis di R-Studio adalah pondasi esensial sebelum melakukan forecasting presisi tinggi. Aturan emas visualnya sederhana: AR diidentifikasi dari PACF yang terpotong tajam, MA diidentifikasi dari ACF yang terpotong tajam. Jika data belum stasioner (diketahui lewat uji ADF), diferensiasi harus dilakukan yang memunculkan orde \"I\" dalam ARIMA. Saat kedua grafik hanya melandai secara bertahap, hindari tebakan mata dan beralihlah ke perbandingan objektif menggunakan nilai kriteria informasi (AIC/BIC). Dengan menerapkan struktur pembacaan diagnostik korelogram dan validasi residual Ljung-Box yang ketat, model prediktif yang Anda kembangkan akan memiliki validitas ekonometrika yang kokoh.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "R Studio" ], "date_published": "2026-09-05T20:49:36+07:00", "date_modified": "2026-09-05T20:49:36+07:00" }, { "id": "https://statistikian.net/langkah-uji-asumsi-autokorelasi-ar1-dan-ar2-pada-gmm-stata-dan-solusi-jika-ada-pelanggaran/", "url": "https://statistikian.net/langkah-uji-asumsi-autokorelasi-ar1-dan-ar2-pada-gmm-stata-dan-solusi-jika-ada-pelanggaran/", "title": "Langkah Uji Asumsi Autokorelasi AR(1) dan AR(2) pada GMM STATA dan Solusi Jika Ada Pelanggaran", "summary": "Bagi peneliti yang mengolah data panel dinamis, momen evaluasi diagnostik adalah fase…", "content_html": "
\n

Bagi peneliti yang mengolah data panel dinamis, momen evaluasi diagnostik adalah fase yang paling menegangkan. Gejala masalah paling fatal sering kali terdeteksi ketika Anda sedang melakukan langkah uji asumsi autokorelasi AR(1) dan AR(2) pada GMM STATA, dan mendapati bahwa nilai p-value dari uji Arellano-Bond test for AR(2) menyala merah atau berada di bawah batas signifikansi 0.05. Pesan error atau nilai yang signifikan pada AR(2) ini adalah indikasi mutlak bahwa galat persamaan atau error term dalam model Anda terjangkit penyakit autokorelasi tingkat dua.

\n

Banyak peneliti pemula yang panik karena mengira bahwa model Generalized Method of Moments (GMM) mereka gagal total. Apabila terjadi pelanggaran asumsi ini, maka variabel instrumen masa lalu (lag) yang Anda gunakan menjadi tidak valid karena mereka secara laten berkolerasi dengan error term saat ini. Memaksakan model yang gagal pada uji AR(2) sama saja dengan menyajikan estimasi koefisien regresi yang bias dan tidak konsisten. Namun, sebelum Anda menyerah dan mengganti metode penelitian, Anda harus memahami bahwa pelanggaran AR(2) sering kali bukan karena data Anda yang rusak, melainkan karena kesalahan spesifikasi kelambanan (lag) dinamis pada model dasar Anda.

\n\n
\n

. xtabond2 Y L.Y X1 X2, gmm(L.Y) iv(X1 X2) twostep robust

\n
Arellano-Bond test for AR(1) in first differences: z = -3.45  Pr > z =  0.001\nArellano-Bond test for AR(2) in first differences: z = -2.52  Pr > z =  0.012  <-- [MASALAH: Tolak H0, Ada Autokorelasi Orde 2!]\nHansen test of overid. restrictions: chi2(12) =  14.25  Prob > chi2 =  0.285\n\nCatatan: Instrumen lagged levels menjadi tidak valid akibat korelasi serial pada error.\n
\n
\n\n

Konsep Teori Uji Autokorelasi Arellano-Bond

\n

Dalam kerangka model data panel dinamis Arellano-Bond, prosedur penghilangan efek spesifik individu (fixed effects) dilakukan melalui transformasi first-difference (pembedaan tingkat pertama). Transformasi matematis ini secara alamiah akan menciptakan korelasi serial orde pertama pada komponen error term, karena persamaan diferensiasi pada waktu t berbagi komponen acak yang sama dengan persamaan pada waktu t-1 (Arellano & Bond, 1991).

\n

Oleh sebab itu, dalam interpretasi hasil STATA, nilai p-value uji AR(1) memang diharapkan signifikan (p < 0.05). Jika AR(1) tidak signifikan, itu justru aneh karena menyalahi hukum transformasi pembedaan tingkat pertama. Namun, aturan yang ketat berlaku untuk autokorelasi orde kedua atau AR(2). Nilai p-value uji AR(2) mutlak tidak boleh signifikan (p > 0.05), yang berarti kita menerima Hipotesis Nol (H0) bahwa tidak terdapat korelasi serial tingkat dua pada galat diferensiasi (Roodman, 2009).

\n

Jika AR(2) ternyata signifikan, maka asumsi fundamental bahwa error term asli tidak memiliki autokorelasi menjadi runtuh. Konsekuensinya, penggunaan variabel dependen yang di-lag-kan pada orde kedua (Y_t-2) sebagai instrumen akan kehilangan legitimasinya karena ia ikut terkontaminasi oleh galat tersebut. Hal ini akan menghancurkan keandalan penaksir Generalized Method of Moments yang Anda gunakan.

\n

Bagi peneliti dan mahasiswa yang ingin menggali lebih jauh tentang derivasi matriks, persamaan struktural first-difference, serta asumsi matematis secara mendalam sebelum melakukan eksekusi di STATA, kami merekomendasikan untuk membaca rujukan teoretis komprehensif kami di website pusat teori pada tautan statistikian.com. Pemahaman fondasi teori ini sangat vital untuk membentengi argumen Anda saat sidang atau peer-review.

\n\n

Langkah Teknis Solusi Pelanggaran Asumsi AR(2)

\n

1. Memasukkan Lag Kedua dari Variabel Dependen (L2.Y): Ini adalah solusi paling efektif secara keilmuan. Jika uji AR(2) menunjukkan hasil signifikan, kemungkinan besar Data Generating Process (DGP) asli dari variabel tersebut bukanlah proses AR(1), melainkan AR(2). Ketika Anda memaksa memodelkannya sebagai AR(1), dinamika lag kedua tertinggal dan masuk ke dalam error term. Tambahkan L2.Y sebagai variabel penjelas ke dalam sintaks regresi utama Anda (Bond, 2002).

\n

2. Memundurkan Batasan Instrumen (Lag Limits): Jika autokorelasi menjalar hingga orde kedua, maka instrumen Y_t-2 tidak lagi valid secara endogen. Solusinya, Anda harus menggeser instrumen yang digunakan mulai dari kelambanan yang lebih dalam. Gunakan perintah laglimits(3 4) atau laglimits(3 .) pada pengaturan GMM-style instrumen di modul xtabond2 agar STATA hanya menggunakan Y_t-3 dan seterusnya sebagai proksi instrumen.

\n

3. Beralih ke Transformasi Orthogonal Deviations: Terkadang, pelanggaran autokorelasi diperparah oleh absennya data pada panel (unbalanced panel dengan gaps). Transformasi first-difference konvensional akan membuang observasi secara berlebihan jika ada data yang bolong. Tambahkan opsi orthogonal pada sintaks xtabond2 Anda. Metode transformasi Helmert (Forward Orthogonal Deviations) ini diinisiasi oleh Arellano dan Bover (1995) untuk menjaga kestabilan error tanpa memicu hilangnya derajat kebebasan secara sporadis.

\n

4. Gunakan Opsi Collapse untuk Mencegah Overfitting: Ledakan jumlah instrumen (instrument proliferation) sering kali mendistorsi pengujian batas autokorelasi, membuat uji Arellano-Bond kehilangan tenaga penolakannya (power of the test). Pastikan Anda selalu menambahkan opsi collapse pada blok gmm instrumen Anda untuk memampatkan struktur instrumen dan menjernihkan pembacaan AR(2).

\n\n
\n

. xtabond2 Y L.Y L2.Y X1 X2, gmm(L.Y, collapse lag(3 .)) iv(X1 X2) twostep robust

\n
Arellano-Bond test for AR(1) in first differences: z = -3.81  Pr > z =  0.000\nArellano-Bond test for AR(2) in first differences: z =  0.94  Pr > z =  0.347  <-- [SOLUSI BERHASIL: AR(2) Tidak Signifikan!]\nArellano-Bond test for AR(3) in first differences: z =  1.12  Pr > z =  0.262\nHansen test of overid. restrictions: chi2(11) =  12.45  Prob > chi2 =  0.331\n\nCatatan: H0 AR(2) diterima. Spesifikasi model kini valid dan instrumen mulai dari t-3 bebas dari korelasi serial.\n
\n
\n\n

Pembahasan Ilmiah: Anatomi Autokorelasi pada Dinamika Panel

\n

Diskusi mendalam mengenai mekanisme kegagalan uji asumsi autokorelasi mensyaratkan pemahaman bahwa spesifikasi model regresi tidak pernah terbentuk dalam ruang hampa. Ketika variabel laten (unobserved heterogeneity) dihapus lewat pembedaan tingkat pertama (ΔY_it = Y_it - Y_it-1), galatnya pun mengalami diferensiasi menjadi Δu_it = u_it - u_it-1. Struktur galat pembedaan ini secara inheren mengandung komponen u_it-1 yang juga dimiliki oleh selisih periode sebelumnya (Δu_it-1 = u_it-1 - u_it-2). Inilah mengapa uji AR(1) dalam metode Arellano-Bond dipastikan selalu menampilkan korelasi matematis yang signifikan secara negatif (Blundell & Bond, 1998).

\n

Namun, kecurigaan patologis baru akan terkonfirmasi jika nilai p-value AR(2) ternyata ikut signifikan. Keberadaan signifikansi pada AR(2) mendedahkan realitas bahwa galat Δu_it memiliki korelasi dengan Δu_it-2. Karena komponen dari Δu_it-2 adalah u_it-2 dan u_it-3, satu-satunya cara korelasi ini bisa terjadi adalah apabila galat murni tingkat level (u_it) pada dasarnya tidak bersifat acak (non-spherical), melainkan bergerak secara seri melintasi waktu (Bond, 2002).

\n

Jika hal ini terjadi, menggunakan instrumen dari periode t-2 (seperti Y_it-2) menjadi sebuah pelanggaran ekonometrika yang brutal. Instrumen tersebut akan beririsan langsung dengan galat persamaan saat ini. Metode Instrumental Variable menuntut eksogenitas mutlak, sehingga korelasi ini menggagalkan moment conditions pembentuk estimator GMM (Roodman, 2009).

\n

Menambahkan kelambanan kedua dari variabel terikat, yakni L2.Y (Y_it-2), sebagai variabel independen adalah mitigasi yang paling mematuhi hukum ekonometrika. Apabila perilaku variabel merespon guncangan (shock) dalam siklus dua periode yang menetap, maka efek tersebut adalah bagian dari struktur persamaan riil, bukan bagian dari gangguan acak. Dengan menarik dinamika t-2 keluar dari error term dan meletakkannya secara eksplisit ke dalam model, komponen residu kembali menjadi suci atau white noise, sehingga H0 dari uji AR(2) dapat diterima kembali (Arellano & Bover, 1995).

\n

Tentu saja, strategi memundurkan batas lag instrumen dengan opsi laglimits(3 .) memiliki harga (trade-off) yang harus dibayar mahal oleh peneliti. Setiap kali Anda menggunakan kelambanan yang semakin dalam (deeper lags) pada instrumen, Anda mengorbankan baris periode pengamatan cross-section pada tahap estimasi (Bond, 2002). Pada ukuran sampel (T) yang sangat sempit—misalnya hanya 4 atau 5 tahun—pergeseran lag limits ini dapat menyusutkan matriks informasi sedemikian rupa sehingga rentang standard error membesar dan hasil regresi kehilangan kekuatannya.

\n

Dalam situasi sampel waktu (T) yang teramat pendek, beralih ke transformasi Forward Orthogonal Deviations (FOD) jauh lebih masuk akal dibanding sekadar membuang tahun observasi. Daripada mengurangkan variabel hari ini dengan hari kemarin, metode Orthogonal Deviations mengurangkan variabel hari ini dengan rata-rata dari seluruh nilai observasi masa depan yang tersisa. Karena metode ini tidak bergantung pada ketersediaan data masa lalu yang berturut-turut, FOD menjadi benteng pertahanan terbaik untuk mencegah keruntuhan validitas instrumen pada panel tidak seimbang (unbalanced panels).

\n\n

Kesimpulan

\n

Menguasai eksekusi diagnostik langkah uji asumsi autokorelasi AR(1) dan AR(2) pada GMM STATA adalah keterampilan penentu yang memisahkan antara eksekutor software amatir dengan akademisi kuantitatif yang solid. Nilai p-value AR(2) yang signifikan (< 0.05) bukanlah akhir dari segalanya, melainkan alarm cerdas dari algoritma STATA yang memberi tahu Anda bahwa model tersebut mengalami misspecification lag. Modifikasi struktural yang tepat—mulai dari penambahan variabel L2.Y ke dalam sisi independen, pergeseran batasan kelambanan instrumen laglimits, penerapan kompresi collapse, hingga utilisasi transformasi Orthogonal Deviations—akan dengan efektif mengkalibrasi ulang validitas eksogenitas matriks Anda, mengamankan efisiensi error term, dan memastikan konsistensi hasil estimasi data panel dinamis yang Anda publikasikan.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-05T20:41:00+07:00", "date_modified": "2026-09-05T20:41:00+07:00" }, { "id": "https://statistikian.net/perbedaan-system-gmm-vs-difference-gmm-panduan-memilih-model-simulasi-pada-stata/", "url": "https://statistikian.net/perbedaan-system-gmm-vs-difference-gmm-panduan-memilih-model-simulasi-pada-stata/", "title": "Perbedaan System GMM vs Difference GMM: Panduan Memilih Model (Simulasi pada STATA)", "summary": "Ketika menganalisis data panel dinamis menggunakan STATA, peneliti sering dihadapkan pada dilema…", "content_html": "
\n

Ketika menganalisis data panel dinamis menggunakan STATA, peneliti sering dihadapkan pada dilema metodologis yang membingungkan terkait perbedaan System GMM vs Difference GMM. Gejala masalah paling umum muncul ketika Anda mengeksekusi Difference GMM (Arellano-Bond), namun STATA menghasilkan koefisien lag variabel dependen yang tidak signifikan, nilai standar error yang membengkak luar biasa, atau peringatan terjadinya weak instruments. Lebih parahnya lagi, jika Anda membandingkannya, nilai koefisien estimator regresi Anda mungkin meleset jauh dari batas kewajaran yang telah ditetapkan oleh model dasar, mengindikasikan bahwa model tersebut gagal menangkap dinamika empiris yang sebenarnya dari data Anda.

\n

Kebingungan dalam memilih antara kedua model ini bukanlah sekadar urusan mengetikkan sintaks program yang berbeda, melainkan isu spesifikasi fatal yang bermuara pada karakteristik persistensi data yang Anda gunakan. Jika variabel observasi Anda memiliki sifat persisten yang tinggi dari waktu ke waktu (seperti data makroekonomi inflasi, tingkat pengangguran, atau pertumbuhan PDB), memaksakan penggunaan Difference GMM sama halnya dengan menghapus sebagian besar variasi informasi berharga. Keputusan metodologis yang keliru ini akan membuahkan hasil regresi yang bias menuju nol (bias asimtotik). Oleh karena itu, mengenali sinyal kegagalan model dan memahami kapan saat yang tepat untuk beralih ke System GMM adalah kunci keselamatan validitas penelitian kuantitatif Anda.

\n\n
\n

. xtabond2 Y L.Y X1 X2, gmm(L.Y) iv(X1 X2) noleveleq robust

\n
Dynamic panel-data estimation, one-step difference GMM\nGroup variable: id                             Number of obs      =       450\nTime variable : year                           Number of groups   =        50\n\n------------------------------------------------------------------------------\n             |               Robust\n           Y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]\n-------------+----------------------------------------------------------------\n           Y |\n         L1. |   .1245672   .2584109     0.48   0.630    -.3819088    .6310432  <-- [MASALAH: Lag Y Tidak Signifikan & Std Error Raksasa!]\n          X1 |   .4521098   .0845123     5.35   0.000     .2864687    .6177509\n          X2 |  -.0938451   .0412854    -2.27   0.023    -.1747630   -.0129272\n------------------------------------------------------------------------------\nArellano-Bond test for AR(1) in first differences: z = -2.85  Pr > z =  0.004\nArellano-Bond test for AR(2) in first differences: z = -0.54  Pr > z =  0.589\nSargan test of overid. restrictions: chi2(45) =  58.45  Prob > chi2 =  0.089\n\nCatatan: Gejala Weak Instruments pada data yang sangat persisten.\n
\n
\n\n

Kerangka Teoretis Data Panel Dinamis dan GMM

\n

Pemodelan data panel dinamis ditandai dengan hadirnya nilai masa lalu (lag) dari variabel dependen sebagai salah satu variabel independen (penjelas) di sisi kanan persamaan. Keberadaan variabel lag ini secara otomatis melanggar asumsi dasar Ordinary Least Squares (OLS) maupun Fixed Effects (FE) klasik. Sebagaimana dibuktikan oleh Nickell (1981), korelasi alamiah antara lag variabel dependen dengan efek spesifik individu (unobserved heterogenity) menghasilkan bias yang substansial, yang kemudian populer disebut sebagai Nickell Bias. Bias pada FE ini sifatnya menekan nilai koefisien ke bawah (downward bias), sementara estimasi OLS akan menarik koefisien ke atas (upward bias).

\n

Untuk menetralisir bias laten tersebut, Arellano dan Bond (1991) merumuskan sebuah pendekatan revolusioner yang dikenal sebagai Difference GMM. Mekanisme utama metode ini adalah melakukan transformasi diferensiasi tingkat pertama (first-difference) pada seluruh persamaan matematis guna mengeliminasi efek spesifik individu (fixed effects) secara permanen. Setelah efek tetap tersebut dihilangkan, metode ini menggunakan nilai level dari variabel pada periode masa lalu (lagged levels) sebagai variabel instrumen untuk memproksi variabel yang telah didiferensiasi tersebut.

\n

Meskipun elegan secara matematis, Difference GMM memiliki cacat bawaan yang fatal ketika berhadapan dengan runtut waktu (time series) yang mendekati kondisi akar unit (unit root) atau persisten murni. Blundell dan Bond (1998) mendemonstrasikan bahwa ketika variabel sangat persisten, inovasi masa lalunya tidak banyak memberikan informasi mengenai perubahannya di masa depan. Akibatnya, instrumen lagged levels kehilangan daya jelajahnya dan menjadi instrumen yang lemah (weak instruments), menyebabkan standar error yang sangat lebar dan estimasi parameter yang membias ke arah model Fixed Effects.

\n

Sebagai jawaban atas kelemahan tersebut, Arellano dan Bover (1995) serta Blundell dan Bond (1998) memperkenalkan System GMM. Pendekatan hibrida ini merakit dua persamaan secara simultan: persamaan dalam bentuk diferensiasi (diinstrumenkan dengan variabel tingkat level) dan persamaan dalam bentuk level asli (diinstrumenkan dengan variabel dalam bentuk diferensiasi). Bagi Anda yang menginginkan pendalaman derivasi matematis dari matriks instrumen ini dan prasyarat dasar ekonometrikanya, Anda dapat membaca literatur ekstensif kami di laman statistikian.com sebagai otoritas referensi teori statistik Anda.

\n\n

Panduan Eksekusi dan Pemilihan Model di STATA

\n

1. Bangun Batas Estimasi (Bounding the Coefficient): Langkah paling pertama yang wajib Anda lakukan bukan langsung menjalankan GMM, melainkan membuat batas koridor (bounds) menggunakan OLS dan Fixed Effects. Jalankan regresi OLS standar dan regresi FE pada model dinamis Anda. Menurut Bond (2002), nilai koefisien lag dependen variabel (Y_t-1) dari hasil GMM yang valid secara teoretis harus jatuh tepat di antara estimasi FE (batas bawah) dan OLS (batas atas).

\n

2. Evaluasi Tingkat Persistensi Data: Cek nilai koefisien lag dependen (AR 1) pada hasil regresi OLS Anda. Apabila koefisien AR(1) tersebut menunjukkan angka yang mendekati 1 (biasanya di atas 0.80), itu adalah alarm peringatan bahwa data Anda sangat persisten. Dalam skenario data persisten, Anda harus segera membuang niat menggunakan Difference GMM dan beralih secara definitif menggunakan System GMM.

\n

3. Gunakan Modul Xtabond2: Dibandingkan perintah bawaan STATA (xtabond atau xtdpdsys), komunitas ekonometrika global sangat merekomendasikan instalasi modul xtabond2 yang ditulis oleh David Roodman (2009). Sintaks ini jauh lebih fleksibel dalam mengontrol jumlah instrumen. Untuk Difference GMM, tambahkan opsi noleveleq. Sedangkan untuk mengeksekusi System GMM, cukup biarkan tanpa opsi tersebut dan pastikan Anda menggunakan pembobot twostep berserta koreksi robust.

\n

4. Batasi Instrumen (Collapse Option): Salah satu momok terbesar System GMM adalah ledakan jumlah instrumen (instrument proliferation), khususnya jika jumlah periode waktu (T) Anda cukup panjang. Jumlah instrumen yang melebihi jumlah grup (observasi cross-section) akan melumpuhkan uji Hansen J. Gunakan opsi collapse pada perintah xtabond2 di STATA untuk memampatkan matriks instrumen menjadi satu baris per variabel lag (Roodman, 2009).

\n

5. Evaluasi Diagnostik Mutlak (AR2 dan Hansen): Sebuah model System GMM hanya sah jika lolos dua gerbang uji diagnostik mutlak. Pertama, uji Arellano-Bond untuk autokorelasi orde kedua (AR2) tidak boleh signifikan (p-value > 0.05). Kedua, uji Hansen J untuk overidentifying restrictions juga tidak boleh signifikan (p-value > 0.05), yang membuktikan instrumen Anda tidak berkorelasi dengan galat. Namun berhati-hatilah, nilai Hansen p-value sebesar 1.000 bulat adalah tanda bahaya terjadinya overfitting instrumen.

\n\n
\n

. xtabond2 Y L.Y X1 X2, gmm(L.Y, collapse) iv(X1 X2) twostep robust

\n
Dynamic panel-data estimation, two-step system GMM\nGroup variable: id                             Number of obs      =       450\nTime variable : year                           Number of groups   =        50\nNumber of instruments = 12                     [Instrumen < Jumlah Grup: AMAN]\n\n------------------------------------------------------------------------------\n             |              WC-Robust\n           Y |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]\n-------------+----------------------------------------------------------------\n           Y |\n         L1. |   .8541294   .0654128    13.06   0.000     .7259227    .9823361  <-- [SOLUSI: Koefisien Valid & Di Antara OLS-FE]\n          X1 |   .3829102   .0521457     7.34   0.000     .2807065    .4851139\n          X2 |  -.1048291   .0210984    -4.97   0.000    -.1461812   -.0634770\n------------------------------------------------------------------------------\nArellano-Bond test for AR(1) in first differences: z = -3.21  Pr > z =  0.001\nArellano-Bond test for AR(2) in first differences: z =  0.42  Pr > z =  0.674\nHansen test of overid. restrictions: chi2(9) =  10.25  Prob > chi2 =  0.330\n
\n
\n\n

Pembahasan Ilmiah: Membedah Anatomi Matriks Pembobot dan Spesifikasi GMM

\n

Perdebatan akademik mengenai perbedaan System GMM vs Difference GMM tidak dapat dilepaskan dari pemahaman mendalam tentang struktur pembentukan matriks instrumen. Pada Difference GMM, setiap tambahan satu periode waktu (T) akan menghasilkan set instrumen historis yang semakin panjang. Proses diferensiasi (first difference) sangat superior untuk menghilangkan unobserved heterogeneity, tetapi proses pengurangan variabel t dengan variabel t-1 ini memiliki kelemahan fatal mekanis. Jika variabel respon tersebut berperilaku layaknya *random walk* (di mana nilai hari ini murni merupakan nilai kemarin ditambah kejutan acak), maka transformasinya semata-mata hanya menyisakan derau atau sinyal kejut acak (white noise).

\n

Kondisi *white noise* ini mengakibatkan instrumen yang ditarik dari bentuk level (misalnya Y_t-2) tidak memiliki korelasi yang bermakna dengan persamaan diferensiasi. Dalam ekonometrika, kegagalan menemukan korelasi kuat pada proksi ini disebut krisis instrumen lemah (weak instruments problem). Estimator GMM yang beroperasi di bawah rezim instrumen lemah akan membias parah (Arellano & Bover, 1995). Varians dari koefisien membesar tak terkendali, sehingga pengujian hipotesis t-statistik sering gagal menolak hipotesis nol, menciptakan kesimpulan palsu bahwa variabel tersebut tidak berpengaruh.

\n

System GMM muncul sebagai penyelamat dengan memperkenalkan asumsi fundamental baru. Asumsi tambahan ini mensyaratkan bahwa deviasi awal kondisi variabel tidak berkorelasi dengan efek spesifik invidunya (Blundell & Bond, 1998). Jika asumsi initial condition ini terpenuhi, peneliti secara sah diizinkan untuk membangun set persamaan tambahan yang menggunakan data dalam bentuk level aslinya. Alih-alih menggunakan lag level sebagai instrumen, persamaan kedua ini menggunakan lag dari data diferensiasi (first differences) sebagai proksi.

\n

Penggabungan sistem persamaan diferensiasi dan persamaan level ini menciptakan sistem matriks bertumpuk (stacked). Melalui pendekatan sistem (System GMM), variasi data silang tempat (cross-sectional variance) yang tadinya dibuang habis-habisan oleh Difference GMM berhasil diselamatkan dan didaur ulang menjadi penambah daya ledak instrumen. Hasilnya terbukti secara empiris: System GMM menghasilkan efisiensi asimtotik yang jauh lebih tajam dengan rentang standar error yang lebih menyempit dan parameter penaksir yang lebih stabil (Bond, 2002).

\n

Kendati menawarkan efisiensi tinggi, pengoperasian System GMM sangat rapuh terhadap fenomena instrument proliferation (perkembangbiakan instrumen). Roodman (2009) menegaskan bahwa instrumen pada GMM tumbuh secara kuadratik seiring bertambahnya panel waktu (T). Ketika jumlah instrumen melampaui jumlah observasi cross-section (N), matriks instrumen berisiko melakukan overfitting terhadap variabel endogen. Dampaknya mengerikan: algoritma Hansen J-Test sebagai benteng pertahanan terakhir dari endogenitas kehilangan daya tolaknya (power of test), mendiktekan seolah-olah model tersebut sempurna padahal sejatinya runtuh (ditandai dengan nilai p-value Hansen sebesar 1.00).

\n

Untuk menangkal ledakan instrumen ini, sintaks komputasi masa kini menyediakan dua mekanisme pengereman. Opsi pertama adalah membatasi kedalaman lag limit, misalnya dengan membatasi instrumen maksimal hanya sampai lag ke-2 atau ke-3 (menggunakan fungsi laglimits(2 3) pada STATA). Opsi kedua adalah prosedur collapse, yang memampatkan seluruh blok diagonal matriks instrumen Arellano-Bond menjadi vektor tunggal yang ramping (Roodman, 2009). Implementasi ini memastikan degrees of freedom regresi tetap aman di bawah kendali N individu Anda.

\n

Tantangan teknis berikutnya terletak pada estimasi Two-Step GMM. Secara teori, metode Two-Step jauh lebih superior dibanding One-Step karena menggunakan matriks varians-kovarians residual optimal yang kebal dari heteroskedastisitas struktural. Sayangnya, untuk sampel observasi terbatas (finite samples), taksiran Two-Step standard error cenderung mengalami downward bias yang ekstrem, membuat koefisien terlihat signifikan padahal aslinya tidak. Solusi dari kelemahan asimtotik komputasi ini diselesaikan secara paripurna oleh koreksi derajat bebas dari Windmeijer (2005), yang langsung terintegrasi secara otomatis saat Anda menggunakan opsi robust bersamaan dengan twostep di dalam modul xtabond2 STATA.

\n\n

Kesimpulan

\n

Keputusan meracik pemodelan data panel dinamis bermuara pada sifat persisten data itu sendiri. Perbedaan System GMM vs Difference GMM terletak pada cara mereka menangani efisiensi hilangnya efek tetap. Difference GMM sangat layak digunakan manakala data Anda memiliki T yang pendek, N besar, dan variabel respon tidak stasioner atau berfluktuasi tajam menjauhi kondisi *random walk*. Namun, tatkala Anda mengelola data makroekonomi atau finansial persisten yang memiliki rekam jejak koefisien AR(1) di atas 0.8, System GMM adalah penangkal mutlak (holy grail) yang wajib Anda gunakan. Pastikan selalu memberlakukan pembatasan instrumen melalui opsi collapse pada STATA untuk mencegah p-value uji Hansen meroket tidak terkendali (overfitting), serta selalu aktifkan koreksi robust Windmeijer untuk mempertahankan keakuratan uji t-statistik Anda.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-05T20:34:06+07:00", "date_modified": "2026-09-05T20:34:24+07:00" }, { "id": "https://statistikian.net/solusi-mengatasi-endogenitas-model-menggunakan-gmm-stata/", "url": "https://statistikian.net/solusi-mengatasi-endogenitas-model-menggunakan-gmm-stata/", "title": "Solusi Mengatasi Endogenitas Model Menggunakan GMM STATA", "summary": "Momen paling memfrustasikan bagi seorang peneliti kuantitatif adalah ketika variabel independen kunci…", "content_html": "
\n

Momen paling memfrustasikan bagi seorang peneliti kuantitatif adalah ketika variabel independen kunci yang seharusnya memiliki pengaruh positif dan signifikan, justru menunjukkan arah koefisien yang terbalik atau kehilangan signifikansi saat dieksekusi menggunakan regresi OLS di STATA. Gejala ini semakin mengkhawatirkan jika Anda menjalankan uji Durbin-Wu-Hausman dan layar STATA menembakkan p-value bernilai merah (kurang dari 0.05). Hasil tersebut merupakan vonis empiris bahwa model Anda telah terjangkit penyakit mematikan dalam ekonometrika: endogenitas model.

\n

Kehadiran endogenitas menyebabkan seluruh koefisien estimasi OLS menjadi bias dan tidak konsisten. Artinya, seberapapun besar jumlah sampel yang Anda tambahkan, hasil analisis tidak akan pernah konvergen ke nilai populasi yang sebenarnya. Banyak peneliti yang panik dan langsung menghapus variabel yang dicurigai, sebuah tindakan yang justru memicu masalah baru berupa omitted variable bias. Padahal, eksekusi menggunakan metode Generalized Method of Moments (GMM) di STATA adalah solusi paling elegan untuk mengatasi endogenitas tanpa harus merombak kerangka teori dasar penelitian Anda.

\n\n
\n

. estat endogenous

\n
Tests of endogeneity\nHo: variables are exogenous\n\n  Durbin (score) chi2(1)          =  12.4512  (p = 0.0004)\n  Wu-Hausman F(1, 145)            =  11.8904  (p = 0.0007)  <-- [MASALAH: Tolak Ho, Variabel Terbukti Endogen!]\n\nCatatan: Estimasi OLS standar tidak lagi valid untuk digunakan.\n
\n
\n\n

Konsep Dasar Endogenitas dan GMM

\n

Secara fundamental, endogenitas model merujuk pada situasi di mana satu atau lebih variabel penjelas (independen) dalam model regresi memiliki korelasi dengan komponen galat atau error term (Wooldridge, 2010). Pelanggaran terhadap asumsi eksogenitas yang ketat ini biasanya bersumber dari tiga penyebab utama: hilangnya variabel relevan dari persamaan (omitted variables), adanya kesalahan pengukuran pada data (measurement error), atau terjadinya hubungan sebab-akibat dua arah antara variabel dependen dan independen (simultaneity).

\n

Untuk membersihkan korelasi beracun antara variabel independen dan error tersebut, ekonometrika memperkenalkan pendekatan Variabel Instrumen (IV). Sebuah instrumen dianggap valid jika ia memenuhi dua syarat mutlak: harus berkorelasi kuat dengan variabel endogen (asumsi relevansi), namun sama sekali tidak boleh berkorelasi dengan error term dari persamaan utama (asumsi eksogenitas) (Cameron & Trivedi, 2005).

\n

Sementara pendekatan Two-Stage Least Squares (2SLS) adalah metode IV yang paling umum diajarkan, metode tersebut memiliki kelemahan fatal saat dihadapkan pada heteroskedastisitas. Di sinilah Generalized Method of Moments (GMM) yang diperkenalkan oleh Hansen (1982) mengambil alih. GMM dirancang untuk menghasilkan estimasi yang jauh lebih efisien dibandingkan 2SLS ketika error term tidak terdistribusi secara identik, karena algoritma GMM menggunakan matriks pembobot optimal yang memperhitungkan heteroskedastisitas secara langsung.

\n

Mengingat kompleksitas turunan matematis dari syarat momen GMM dan deteksi endogenitas, pemahaman teoretis yang kokoh sangatlah krusial. Bagi Anda yang ingin mendalami fondasi matematis dan filosofi regresi variabel instrumen secara lebih komprehensif, kami merekomendasikan untuk membaca rujukan teori lengkapnya di website otoritas teori kami pada halaman statistikian.com. Pengetahuan teoretis ini akan membentengi argumen Anda saat mempertahankan hasil analisis di hadapan penguji.

\n\n

Langkah Teknis Mengatasi Endogenitas dengan GMM di STATA

\n

1. Identifikasi Variabel Suspect: Langkah pertama mengatasi endogenitas model adalah mengisolasi variabel yang bermasalah. Jalankan regresi instrumen awal dan panggil perintah estat endogenous di STATA. Jika p-value dari Wu-Hausman test menunjukkan signifikansi (< 0.05), Anda sah secara empiris untuk membuang hasil OLS dan beralih sepenuhnya ke pendekatan GMM (Baum et al., 2003).

\n

2. Pemilihan Variabel Instrumen: Kunci keberhasilan GMM STATA terletak pada kualitas instrumen. Siapkan setidaknya satu instrumen ekstra (Z) di luar model untuk memproksi variabel endogen (X). Pastikan Z memiliki dasar literatur yang kuat yang menjustifikasi ketiadaan hubungannya dengan variabel terikat utama secara langsung (selain melalui X).

\n

3. Eksekusi Sintaks ivregress gmm: Jangan lagi menggunakan perintah regress. Beralihlah ke baris perintah khusus instrumen dengan mengeksekusi sintaks: ivregress gmm Y X1 X2 (X_endogen = Z1 Z2), vce(robust). Opsi gmm di sini menginstruksikan STATA untuk menggunakan matriks pembobot dua tahap (two-step weighting matrix), sedangkan vce(robust) mengamankan standar error dari ancaman heteroskedastisitas (Baum et al., 2007).

\n\n
\n

. ivregress gmm Y X1 (X_endo = Z1 Z2), vce(robust)
. estat overid

\n
Instrumental variables (GMM) regression          Number of obs   =        150\n                                                 Wald chi2(2)    =      85.42\n                                                 Prob > chi2     =     0.0000\n                                                 R-squared       =     0.4512\n\nTest of overidentifying restrictions:\n  Hansen's J chi2(1)              =  1.2345 (p = 0.2665)  <-- [SOLUSI BERHASIL: Instrumen Valid!]\n
\n
\n

4. Pengujian Relevansi Instrumen (Weak Instrument Test): Setelah model GMM terbentuk, Anda wajib menjalankan estat firststage. Cek nilai F-statistik Cragg-Donald atau Kleibergen-Paap. Berdasarkan rule of thumb yang diinisiasi oleh Stock dan Yogo (2005), nilai F-statistik tahap pertama ini wajib melampaui angka 10. Jika nilainya di bawah 10, instrumen Anda divonis \"lemah\" (weak instruments) dan berisiko memperburuk bias model.

\n

5. Pengujian Eksogenitas Instrumen (Overidentification Test): Jika Anda menggunakan lebih banyak instrumen daripada variabel endogen (kondisi overidentified), langkah paripurna adalah memverifikasi eksogenitas instrumen dengan perintah estat overid. Anda wajib membidik nilai p-value dari Hansen's J test agar berada di atas batas signifikansi (p > 0.05), yang bermakna bahwa secara keseluruhan instrumen Anda valid dan tidak terkontaminasi oleh galat persamaan (Roodman, 2009).

\n\n

Pembahasan Ilmiah: Mengapa GMM Lebih Superior?

\n

Di lanskap ekonometrika kontemporer, perdebatan untuk sekadar mengatasi endogenitas telah lama bergeser dari sekadar \"apakah kita menggunakan variabel instrumen atau tidak\" menuju \"metode estimasi instrumen mana yang menghasilkan varians minimum\". OLS konvensional mengandalkan asumsi Gauss-Markov yang mewajibkan variabel penjelas bersifat deterministik atau setidaknya didistribusikan secara independen dari galat. Sayangnya, interaksi dunia nyata—seperti dinamika harga dan kuantitas—memaksa keberadaan simultanitas yang meruntuhkan asumsi tersebut.

\n

Secara matematis, 2SLS sebenarnya merupakan bentuk khusus (special case) dari GMM. Metode 2SLS memproyeksikan matriks instrumen secara ekuivalen (equal weighting). Asumsi penyederhanaan ini bekerja amat baik jika dan hanya jika sebaran varians data bersifat homoskedastis sempurna. Kenyataannya, data mikroekonomi atau survei cross-section hampir selalu mengandung heteroskedastisitas struktural yang melanggar kemurnian distribusi error (Baum et al., 2003).

\n

Keunggulan utama GMM STATA berpijak pada kemampuannya menyerap informasi heteroskedastisitas tak terduga ke dalam matriks pembobot empirisnya (empirical weighting matrix). Melalui kalkulasi two-step GMM, tahap pertama digunakan semata-mata untuk mengumpulkan residual. Residual ini kemudian dirakit menjadi sebuah matriks kovarians yang optimal, di mana observasi dengan varians yang sangat berisik (noisy) akan ditekan bobotnya, dan data yang presisi diberi bobot dominan (Hansen, 1982).

\n

Namun, kekuatan analitik GMM tersebut mengemban konsekuensi serius pada fase validasi, utamanya pada penyakit weak instruments. Stock dan Yogo (2005) memberikan peringatan keras bahwa penggunaan proksi instrumen yang hanya berkorelasi tipis dengan variabel endogen dapat mencederai model lebih parah ketimbang membiarkan endogenitas itu sendiri. Instrumen yang lemah akan membelokkan arah koefisien GMM kembali mendekati koefisien bias OLS, sebuah fenomena pelemahan asimtotik yang sering mengecoh akademisi.

\n

Itulah mengapa STATA mengintegrasikan uji statistik Kleibergen-Paap rk Wald F-statistic untuk lingkungan yang kebal heteroskedastisitas (robust vce). Parameter evaluasi ini memastikan matriks korelasi proyeksi pertama mampu mendobrak batasan limitasi yang ditetapkan oleh para ahli ekonometrika, mengamankan model dari bias sampel terbatas (finite sample bias) sebelum berlanjut ke tahap pengujian persamaan struktural.

\n

Diskusi diagnostik selanjutnya memusatkan perhatian pada Overidentifying Restrictions. Tatkala Anda menyertakan dua atau lebih instrumen untuk memulihkan satu variabel endogen, sistem persamaan memasuki ruang yang kelebihan batas identifikasi. Kondisi surplus informasi ini memampukan pengujian empiris—melalui Hansen's J test—guna memeriksa apakah instrumen-instrumen tersebut secara kolektif sepakat merumuskan parameter yang sama tanpa menyentuh wilayah galat residu (Wooldridge, 2010).

\n

Kendati p-value uji Hansen yang besar (misalnya 0.20 atau 0.35) sering dirayakan sebagai bukti suksesnya pemurnian variabel, perlu diingat sebuah kaidah kewaspadaan. Nilai p-value yang terlampau mendekati 1.0 (misalnya 0.999) justru memicu kecurigaan bahwa algoritma Hansen telah kehilangan daya penolakannya. Menurut Roodman (2009), pelemahan daya uji ini timbul jika jumlah instrumen yang diekstrak terlampau banyak, nyaris menyamai jumlah derajat kebebasan observasi.

\n

Oleh sebab itu, strategi parsimony—menjaga jumlah elemen sesedikit mungkin namun seefektif mungkin—menjadi landasan perakitan GMM. Tambahkan ekstra instrumen hanya jika landasan teorinya benar-benar memadai dan jika penambahan tersebut memang berkontribusi krusial dalam meredam defisit standard error model estimasi utama Anda.

\n\n

Kesimpulan

\n

Endogenitas model merupakan problematika serius yang menganulir keabsahan estimasi OLS standar akibat terjadinya bias korelasi instrumen dengan komponen error. Eksekusi Generalized Method of Moments (GMM) pada aplikasi STATA menawarkan resolusi penanganan paling adaptif, terutama berkat desain matriks pembobot dua tahap yang sanggup mentoleransi heteroskedastisitas data observasi. Agar model GMM STATA yang Anda formulasikan memperoleh legitimasi metodologis penuh, peneliti berkewajiban membuktikan ketangguhan proksi melalui pencapaian nilai F-statistik tahap pertama di atas ambang 10 (bebas dari weak instrument) serta memastikan status p-value Hansen J test tersandar stabil melebihi batas signifikansi 0.05.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-05T20:08:57+07:00", "date_modified": "2026-09-05T20:15:50+07:00" }, { "id": "https://statistikian.net/panduan-membaca-output-arellano-bond-dynamic-panel-data-di-stata/", "url": "https://statistikian.net/panduan-membaca-output-arellano-bond-dynamic-panel-data-di-stata/", "title": "Panduan Membaca Output Arellano-Bond Dynamic Panel Data di STATA", "summary": "Panduan Membaca Output Arellano-Bond Dynamic Panel Data di STATA Pernahkah Anda bingung…", "content_html": "
\n

Panduan Membaca Output Arellano-Bond Dynamic Panel Data di STATA

\n\n

Pernahkah Anda bingung saat layar STATA menampilkan nilai probabilitas uji Sargan atau Hansen yang merah (p-value kurang dari 0.05) setelah menjalankan perintah xtabond atau xtdpdsys? Atau mungkin Anda mendapati hasil uji autokorelasi AR(2) Arellano-Bond justru signifikan secara statistik, yang mana berarti estimasi Generalized Method of Moments (GMM) Anda gagal memenuhi asumsi krusial? Membaca output Arellano-Bond Dynamic Panel Data di STATA seringkali menjadi tantangan teknis yang berat bagi banyak peneliti pemula.

\n

Ketika gejala-gejala error validitas instrumen ini muncul, banyak yang langsung menyimpulkan bahwa model data panel dinamis penelitian mereka gagal total dan harus dirombak dari awal. Padahal, pesan error implisit dari output STATA seperti \"instrument proliferation\" atau terdeteksinya autokorelasi tingkat kedua pada first-difference residual hanyalah indikator teknis. Tanda peringatan tersebut menunjukkan bahwa Anda perlu melakukan tuning ulang pada batasan lag instrumen yang digunakan, bukan membuang datanya. Artikel ini akan menjadi panduan teknis sekaligus referensi utama Anda untuk membedah masalah GMM tersebut secara tuntas.

\n\n
\n

. xtabond2 Y L.Y X1 X2, gmm(L.Y) iv(X1 X2) robust

\n
Arellano-Bond test for AR(1) in first differences: z = -3.45  Pr > z = 0.001\nArellano-Bond test for AR(2) in first differences: z = -2.31  Pr > z = 0.021  <-- [MASALAH: AR(2) Signifikan]\n\nSargan test of overid. restrictions: chi2(45) = 89.23  Pr > chi2 = 0.000\nHansen test of overid. restrictions: chi2(45) = 75.12  Pr > chi2 = 0.003  <-- [MASALAH: Instrumen Tidak Valid]\n\nNumber of instruments = 47\nNumber of groups (N)  = 30\nWarning: Number of instruments > Number of groups. <-- [MASALAH: Instrument Proliferation]\n
\n
\n\n

Konsep Dasar Arellano-Bond GMM

\n

Secara konseptual, model Arellano-Bond Dynamic Panel Data dirancang khusus untuk mengatasi masalah endogenitas yang tidak dapat dihindari ketika kita memasukkan lag dari variabel dependen (lagged dependent variable) sebagai variabel independen di dalam model regresi data panel. Menurut Arellano dan Bond (1991), keberadaan lag dependen variabel ini akan berkorelasi kuat dengan error term (unobserved panel-level effects). Interaksi ini secara otomatis membuat estimasi Ordinary Least Squares (OLS) maupun model Fixed Effects konvensional menjadi bias dan tidak konsisten.

\n

Untuk mengeliminasi masalah bias tersebut, estimator Arellano-Bond menggunakan pendekatan first-difference GMM. Pendekatan kalkulasi ini mentransformasikan dataset ke dalam bentuk selisih pertama (first differences) guna menghilangkan efek spesifik individu (unobserved heterogeneity) yang bernilai konstan antar waktu. Setelah efek tetap tersebut dihilangkan, nilai lag dari level variabel aslinya digunakan sebagai variabel instrumen untuk memproksikan variabel yang baru saja ditransformasi tersebut (Baltagi, 2021).

\n

Agar hasilnya dapat dipercaya, estimasi GMM sangat bergantung pada kelulusan dua uji post-estimation utama: pertama, dipastikan tidak boleh ada autokorelasi serial tingkat kedua (AR2) pada nilai error yang telah ditransformasi; dan kedua, instrumen buatan yang digunakan harus benar-benar valid atau tidak memiliki korelasi sedikitpun dengan error term. Validitas instrumen internal ini diuji secara ketat melalui Sargan test atau Hansen J-test (Roodman, 2009).

\n

Jika Anda merasa kesulitan memahami alur matematika penurunan rumus GMM, atau masih bingung mengenai perbedaan mendasar antara panel statis dan panel dinamis, kami sangat menyarankan Anda untuk mempelajari fondasi teori data panel secara mendalam di website otoritas teori kami pada halaman statistikian.com. Memahami teori dasar ini adalah prasyarat mutlak sebelum Anda mengeksekusi troubleshooting metodologis di STATA.

\n\n

Langkah-Langkah Teknis Memperbaiki Output STATA

\n

Langkah evaluasi pertama sesaat setelah Anda menekan enter pada syntax STATA adalah langsung memeriksa tabel \"Arellano-Bond test for zero autocorrelation in first-differenced errors\". Output uji ini menampilkan baris order pertama (AR1) dan order kedua (AR2). Aturan mutlak pembacaannya adalah: nilai p-value untuk AR(1) harus lebih kecil dari 0.05 (signifikan), sedangkan untuk AR(2) wajib bernilai lebih besar dari 0.05 (tidak signifikan) (Cameron & Trivedi, 2005).

\n

Jika nilai probabilitas AR(2) di output Anda kurang dari 0.05, hal tersebut menjadi alarm bahwa terdapat korelasi serial yang parah pada tingkat error term awal. Solusi perbaikan teknisnya adalah Anda harus segera membatasi kedalaman penggunaan instrumen dari lag-2. Silakan ubah spesifikasi sintaks Anda di STATA agar menggunakan lag-3 atau lag-4 sebagai set instrumen, cukup dengan menambahkan opsi limitasi lag seperti lag(3 4) pada syntax xtabond2.

\n

Langkah perbaikan teknis yang kedua adalah mencermati output \"Sargan test of overidentifying restrictions\". Pengujian ini menggunakan hipotesis nol bahwa secara agregat instrumen yang digunakan valid. Oleh karenanya, agar model Anda berstatus lulus uji diagnostik, Anda justru harus menargetkan nilai Probabilitas berada di atas batas signifikansi 0.05, dan idealnya jatuh pada rentang rasional antara 0.10 hingga 0.25 (Roodman, 2009).

\n

Ketika nilai p-value Sargan test menunjukkan angka 0.000 atau sangat kecil, instrumen Anda dianggap gagal karena ternyata terdeteksi berkorelasi dengan komponen error. Fenomena kegagalan ini adalah gejala over-rejection klasik. Penyebab struktural yang paling sering dijumpai adalah jumlah instrumen (instrument count) yang membludak hingga melampaui jumlah subjek observasi atau kelompok (N) dalam data panel Anda (kondisi instrument proliferation).

\n

Solusi yang sangat manjur di STATA untuk meredam lonjakan jumlah instrumen ini adalah dengan mengaktifkan opsi collapse pada syntax xtabond2. Opsi kompresi ini akan memampatkan dimensi matriks blok instrumen secara drastis, sehingga menurunkan risiko over-fitting asimtotik, dan pada akhirnya mampu mendongkrak p-value uji Sargan atau Hansen kembali ke zona yang aman (Roodman, 2009).

\n

Selain menerapkan fitur collapse, pastikan Anda merujuk pada p-value uji Hansen (bukan Sargan) apabila estimasi Anda menggunakan standar error yang kebal heteroskedastisitas (robust). STATA secara default akan mengeluarkan tabel uji Hansen saat Anda mengetikkan vce(robust). Catatan kritisnya: meski p-value Hansen test dituntut lebih besar dari 0.05, jangan sampai hasilnya menampilkan angka mutlak 1.000. Nilai sempurna 1.000 adalah jebakan; hal itu menandakan telah terjadi over-fitting yang terlampau parah akibat matriks instrumen yang kelebihan beban.

\n\n

Pembahasan Ilmiah: Sensitivitas Estimator Dinamis

\n

Fenomena kegagalan berulang pada diagnostik uji AR(2) dan Sargan test sejatinya memicu perdebatan metodologis di kalangan ekonometrika mengenai kelemahan bawaan (inherent structural weakness) dari metode First-Difference GMM. Transformasi selisih pertama yang diformulasikan oleh Arellano dan Bond (1991) terbukti dapat secara artifisial memperbesar celah varians gangguan (noise variance), terutama jika variabel utama yang diteliti memiliki persistensi observasi yang sangat tinggi dari waktu ke waktu.

\n

Manakala variabel endogen berperilaku terlampau persisten, lag instrumen yang diambil dari tahapan level variabel berubah menjadi sangat lemah (weak instruments problem). Instrumen yang kekurangan daya korelasi ini akan memaksa estimator Arellano-Bond menderita finite sample bias berskala besar, yang meruntuhkan presisi model. Gejala kerusakan ini terwujud dalam bentuk standar error yang membengkak di layar STATA, mengubah variabel yang seharusnya berpengaruh kuat menjadi kehilangan signifikansinya (Blundell & Bond, 1998).

\n

Untuk memperbaiki bias sampel terbatas akibat penggunaan instrumen yang terlampau lemah tersebut, Blundell dan Bond (1998) mengkonstruksi estimator lanjutan yang dinamakan System GMM. Estimator ini tidak membuang data lama, melainkan mengkombinasikan persamaan berformat first-difference dengan tambahan persamaan berformat level. Sistem hibrida ini terbukti secara empiris sukses meningkatkan efisiensi estimasi, khususnya pada rangkaian seri data panel yang memiliki parameter autokorelatif (rho) hampir menyentuh angka 1.

\n

Hanya saja, keputusan beralih dari estimator Difference ke System GMM di STATA menghadirkan ancaman turunan baru berupa \"instrument proliferation\" yang intensitasnya jauh lebih dahsyat. Dikarenakan System GMM merakit dan mengeksploitasi lebih banyak kondisi momen (moment conditions) secara simultan, dimensi jumlah instrumen dapat melonjak eksponensial secara otomatis seiring dengan tiap penambahan periode tahun (T) ke dalam dataset penelitian.

\n

Menurut kalkulasi Roodman (2009), pembengkakan matriks instrumen yang tidak diimbangi dengan jumlah sampel silang (N) yang masif akan langsung menumpulkan daya diagnostik dari uji Hansen. Dalam keadaan ini, uji Hansen akan kehilangan power penolakan statistiknya dan gagal menangkap ketidakvalidan instrumen, mendorong p-value melesat secara palsu menembus angka 1.00. Peneliti awam amat sering terjebak merayakan p-value 1.00 tersebut sebagai skor kesempurnaan empiris, padahal dalam lensa ekonometrika, hal itu melambangkan robohnya kredibilitas asimtotik seluruh pengujian.

\n

Alasan fundamental inilah yang mendasari publikasi komunitas ekonometrika global merumuskan satu rule of thumb yang tidak dapat ditawar: ringkasan jumlah instrumen total di baris bawah output STATA sama sekali tidak boleh menyaingi atau melampaui jumlah individu (N). Kebiasaan memangkas rentang kedalaman lag operasional dan mengecilkan bentuk matriks dengan sintaks collapse kini menjadi standar operasi operasional (SOP) pengerjaan data panel modern.

\n

Di samping urusan matriks, pengawalan validitas instrumen juga harus disokong dengan pijakan teoretis untuk menetapkan status behavior variabel—yakni apakah sebuah variabel itu benar-benar eksogen (strictly exogenous), ditentukan sebelumnya (predetermined), atau malah murni endogen (endogenous). Kecurangan atau ketidaktelitian mengatur konfigurasi gmmstyle() dan ivstyle() akan menginvasi syarat momen pembentuk instrumen yang berujung pada rapor merah uji Hansen.

\n

Untuk variabel berstatus predetermined, yakni entitas variabel yang bisa diintervensi oleh guncangan masa lalu tetapi kebal terhadap error saat ini, kerangka waktu instrumen lag-nya lazimnya diatur mulai lag pertama ke belakang. Berbeda halnya bagi variabel endogen seutuhnya yang rentan terhadap seluruh bias intertemporal; panel instrumennya hanya diizinkan untuk dikonstruksi mulai dari lag urutan kedua atau ketiga (Cameron & Trivedi, 2005). Pemahaman kronologis tentang reaksi syok (shock transmission) memegang kendali penentu pada fase perakitan model ini.

\n

Bagi peneliti akademis, rute paling bijak adalah selalu memprakarsai analisis STATA Anda dengan model spesifikasi yang paling lugu (parsimony model), baru setelahnya melapisi kerumitan sistem instrumen lapis demi lapis sembari mencatat perubahan diagnostiknya. Pantau fluktuasi nilai batas koefisien lag. Secara dalil empiris, rentang nilai koefisien regresi dari lag variabel terikat versi GMM dituntut untuk selalu mendarat presisi di tengah celah antara koefisien OLS murni sebagai batas tertinggi, dan estimasi Fixed Effects murni sebagai lantai batas terendahnya (Bond, 2002).

\n

Andai kata layar STATA menyajikan estimasi koefisien lag variabel dependen yang membubung melampaui besaran proyeksi estimasi OLS, atau amblas di bawah koefisien model Fixed Effects, bersiaplah menghadapi kenyataan bahwa arsitektur model Arellano-Bond Anda cacat (misspecified). Kegagalan menembus batas rentang teoretis ini sering kali menjadi jejak dari absensinya variabel kontrol yang sentral atau pembentukan matriks instrumen yang gegabah. Di titik evaluasi krusial ini, peneliti disarankan untuk menilik mundur langkah metodologinya secara menyuluruh dari bab satu.

\n\n

Kesimpulan

\n

Kemahiran dalam mengeksekusi dan membedah output Arellano-Bond di piranti STATA bukan semata ditandai dengan keberhasilan menemukan tanda bintang signifikansi pada koefisien variabel regresi. Denyut nadi dari kredibilitas model regresi data panel dinamis murni dinilai berdasarkan parameter kelulusan serangkaian uji diagnostiknya: angka probabilitas uji AR(1) wajib menukik di bawah batas 0.05, probabilitas diagnostik AR(2) mesti melayang melampaui batas minimum 0.05, serta p-value dari Sargan/Hansen test sewajarnya menetap tentram pada zona 0.10 hingga 0.25—dan mutlak tidak memantul kaku di angka 1.000. Jika panel indikator output Anda menampilkan nilai merah atau pesan peringatan teknis lainnya, segera perintahkan STATA untuk menerapkan instrumen pembatas kedalaman lag atau suntikkan argumen kompresi collapse.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-05T19:57:56+07:00", "date_modified": "2026-09-05T20:27:03+07:00" }, { "id": "https://statistikian.net/solusi-nilai-loading-factor-kurang-dari-07-pada-analisis-pls-sem-simulasi-smartpls-4/", "url": "https://statistikian.net/solusi-nilai-loading-factor-kurang-dari-07-pada-analisis-pls-sem-simulasi-smartpls-4/", "title": "Solusi Nilai Loading Factor Kurang dari 0.7 pada Analisis PLS SEM (Simulasi SmartPLS 4)", "summary": "Saat pertama kali mengeklik tombol \"Calculate > PLS-SEM Algorithm\" di SmartPLS 4,…", "content_html": "
\n

Saat pertama kali mengeklik tombol \"Calculate > PLS-SEM Algorithm\" di SmartPLS 4, momen yang paling sering membuat peneliti pemula panik adalah munculnya angka berwarna merah pada garis panah model pengukuran (outer model). Angka merah ini adalah indikator bahwa nilai outer loading atau loading factor dari item kuesioner Anda berada di bawah ambang batas standar 0.70. Kondisi ini menandakan adanya masalah pada validitas konvergen (convergent validity), yang berarti item pertanyaan tersebut gagal merefleksikan atau mengukur variabel laten yang seharusnya ia ukur dengan baik.

\n

Banyak mahasiswa atau peneliti langsung mengambil jalan pintas yang fatal: menghapus semua indikator yang bernilai di bawah 0.70 secara bersamaan, atau bahkan memanipulasi data mentah agar nilainya naik. Padahal, penghapusan indikator secara membabi buta dapat merusak content validity (validitas isi) dari kerangka teori penelitian Anda. Ada aturan metodologis yang sangat ketat mengenai kapan sebuah indikator berskor rendah boleh dipertahankan dan kapan wajib dibuang dari model.

\n\n

Ilustrasi Masalah: Indikator Merah pada Outer Model SmartPLS 4

\n
\n

Graphical Output (PLS-SEM Algorithm)

\n
\n
Kualitas Layanan (KL)
\n\n
\n
0.852\n
 
\n
KL_1
\n
\n
0.780\n
 
\n
KL_2
\n
\n
0.540\n
 
\n
KL_3
\n
\n
0.320\n
 
\n
KL_4
\n
\n
\n
\n

* Indikator KL_3 (0.540) dan KL_4 (0.320) ditandai merah oleh SmartPLS karena berada di bawah 0.70.

\n
\n\n

Secara teoretis, outer loading adalah ukuran sejauh mana varians dari sebuah indikator dapat dijelaskan oleh konstruk latennya. Mengapa angka 0.70 menjadi standar emas? Menurut Hair et al. (2021), nilai loading 0.708 atau lebih menunjukkan bahwa konstruk laten mampu menjelaskan setidaknya 50% dari varians indikator tersebut (diperoleh dari pengkuadratan nilai loading: 0.708 x 0.708 = 0.50). Varians sisanya yang tidak dapat dijelaskan dianggap sebagai measurement error atau galat pengukuran.

\n

Namun, ada miskonsepsi umum bahwa setiap indikator yang berada di bawah 0.70 adalah indikator \"sampah\" yang harus segera dibuang. Hair et al. (2019) memberikan rule of thumb yang sangat jelas untuk mengatasi hal ini: Indikator dengan nilai outer loading antara 0.40 hingga 0.70 harus dievaluasi secara hati-hati dan hanya boleh dihapus JIKA penghapusannya mampu meningkatkan nilai Average Variance Extracted (AVE) atau Composite Reliability (CR) melampaui batas ambang yang disarankan (AVE > 0.50 dan CR > 0.70).

\n

Aturan ini berbeda tajam untuk indikator ekstrem. Jika nilai outer loading sebuah item berada di bawah 0.40, indikator tersebut wajib dihapus dari model pengukuran reflektif dalam kondisi apa pun (Hair et al., 2017). Nilai sekecil itu menandakan bahwa item kuesioner Anda sama sekali tidak memiliki korelasi yang bermakna dengan variabel yang sedang diteliti, kemungkinan karena bahasa kuesioner yang ambigu atau bias responden.

\n

Penting untuk membedakan antara model reflektif dan formatif. Evaluasi loading factor > 0.70 HANYA berlaku untuk konstruk dengan indikator reflektif (panah dari konstruk ke indikator). Jika variabel Anda menggunakan model formatif (panah dari indikator ke konstruk), nilai outer loading tidak lagi relevan, dan Anda harus mengevaluasi Outer Weights beserta nilai signifikansinya (p-value), serta melakukan uji multikolinearitas (VIF) (Henseler et al., 2016).

\n

Untuk memahami secara mendalam perbedaan antara model reflektif dan formatif, serta bagaimana perhitungan matematis di balik algoritma Partial Least Squares, Anda sangat disarankan untuk membaca literatur dasar PLS SEM di website otoritas teori kami pada halaman statistikian.com. Pemahaman fondasi teori sangat krusial sebelum Anda mengotak-atik model secara teknis.

\n\n

Langkah-Langkah Perbaikan Mandiri di SmartPLS 4

\n

1. Identifikasi Kelompok Rentang Nilai: Buka laporan \"Outer Loadings\" di SmartPLS. Kelompokkan indikator yang bermasalah. Hapus langsung indikator yang bernilai < 0.40 (seperti KL_4 pada ilustrasi di atas). Biarkan sementara indikator yang bernilai antara 0.40 - 0.70.

\n

2. Evaluasi AVE dan CR Saat Ini: Masuk ke menu Construct Reliability and Validity. Cek nilai AVE dari konstruk yang indikatornya bermasalah (misalnya Kualitas Layanan). Jika nilai AVE sudah > 0.50 dan CR > 0.70 meskipun ada indikator bernilai 0.60, maka JANGAN HAPUS indikator tersebut. Indikator itu masih layak dipertahankan demi menjaga validitas isi teori Anda.

\n

3. Strategi Penghapusan Bertahap (Stepwise Deletion): Jika AVE masih di bawah 0.50, Anda baru boleh menghapus indikator di rentang 0.40-0.70. Peringatan keras: Jangan hapus semuanya sekaligus! Hapuslah satu indikator dengan nilai paling rendah (misal KL_3 = 0.540). Klik kanan pada kanvas, pilih delete, lalu WAJIB klik Calculate > PLS-SEM Algorithm ulang. Nilai loading sisa indikator biasanya akan otomatis naik (terkoreksi) setelah satu indikator lemah dibuang.

\n\n
\n

Simulasi Tindakan di Workspace SmartPLS 4

\n
    \n
  1. Kembali ke tab Model.splsm (Kanvas utama).
    2. \n
  2. Pilih indikator dengan loading terendah (< 0.40) atau penyebab AVE < 0.50. Klik kiri pada kotak kuning (contoh: KL_3).
    3. \n
  3. Tekan tombol Delete pada keyboard atau Klik Kanan > Delete.
    4. \n
  4. Pergi ke menu atas: Calculate > PLS-SEM Algorithm > Start Calculation.
    5. \n
  5. Cek kembali Construct Reliability and Validity. Jika AVE sudah > 0.50, proses penghapusan dihentikan.
    6. \n
\n
\n

4. Pengecekan Ulang Konstruk (Domain Teori): Setiap kali Anda membuang indikator, tanyakan pada teori dasar penelitian Anda: \"Apakah penghapusan item pertanyaan ini mengubah makna definisi operasional variabel saya?\". Jika konstruk Anda hanya tersisa dua indikator akibat terlalu banyak yang dihapus, model Anda akan rentan mengalami masalah identifikasi (unidentified model) (Hair et al., 2021).

\n

5. Pemeriksaan Data Mentah (Outlier & Skewness): Jika mayoritas indikator bernilai hancur (di bawah 0.50), masalahnya bukan pada SmartPLS, melainkan pada data Anda. Periksa data mentah Anda di Excel atau SPSS. Cek apakah ada responden yang menjawab asal-asalan (straight-lining, misal menjawab 3 semua) atau terdapat outlier yang ekstrem. Membersihkan data mentah jauh lebih etis dan efektif daripada memaksakan manipulasi di software.

\n\n

Pembahasan Ilmiah: Mengapa Loading Factor Bisa Rendah?

\n

Untuk menangani masalah outer model dengan benar, peneliti harus memahami patologi atau akar penyebab mengapa sebuah indikator bisa gagal mencapai ambang batas 0.70. Faktor utama yang sering ditemukan adalah desain instrumen yang buruk (poor questionnaire design). Kalimat pertanyaan yang terlalu panjang, ambigu, atau menggunakan jargon teknis yang tidak dipahami oleh responden target akan menghasilkan respons yang bias dan meningkatkan varians error.

\n

Dalam ekosistem algoritma PLS-SEM yang berbasis varians, nilai outer loading adalah korelasi bivariat Pearson antara indikator dan konstruk latennya. Ketika nilai korelasi ini dikuadratkan, kita mendapatkan R-squared indikator tersebut. Jika loading factor adalah 0.60, maka varians yang bisa dijelaskan (0.60^2) hanya 36%. Artinya, 64% sisanya adalah noise atau galat. Inilah rasionalisasi matematis mengapa para ahli ekonometrika menetapkan 0.70 (50% varians) sebagai batas ideal (Hair et al., 2021).

\n

Meskipun demikian, ada keringanan akademis bergantung pada tahap kematangan penelitian Anda. Henseler et al. (2016) menegaskan bahwa untuk penelitian yang bersifat eksploratif—di mana peneliti menggunakan skala ukur yang baru dikembangkan atau diadaptasi secara radikal ke konteks budaya baru—nilai loading factor 0.50 atau 0.60 masih dapat ditoleransi. Hal ini berbeda dengan penelitian konfirmatori yang menggunakan skala matang (established scales) yang wajib mematuhi standar > 0.70 secara kaku.

\n

Bahaya terbesar dari membuang semua indikator di bawah 0.70 secara otomatis adalah jebakan Capitalization on Chance. Dengan membuang terlalu banyak indikator, Anda mungkin memang \"berhasil\" mendapatkan nilai statistik model fit, AVE, dan CR yang terlihat hijau dan sempurna di SmartPLS. Namun, secara substansi, validitas isi (content validity) konstruk Anda telah tereduksi. Misalnya, variabel \"Kepuasan Kerja\" yang awalnya memiliki dimensi gaji, rekan kerja, dan atasan, malah hanya tersisa dimensi gaji saja. Model Anda valid secara statistik, namun cacat secara konseptual.

\n

Oleh karena itu, interaksi antara nilai Loading Factor dan Average Variance Extracted (AVE) sangat dinamis. Rumus AVE adalah rata-rata dari kuadrat seluruh outer loading dalam satu konstruk. Jika dalam satu variabel terdapat 4 indikator dengan loading: 0.90, 0.85, 0.80, dan 0.60, maka rata-rata kuadrat mereka (AVE) pasti akan melampaui 0.50. Dalam skenario ini, indikator bernilai 0.60 sangat aman untuk dibiarkan karena tertolong oleh indikator lain yang sangat kuat (Hair et al., 2019).

\n

Selain masalah kuesioner, ancaman lain yang menurunkan loading adalah Common Method Bias (CMB). Ini terjadi ketika kuesioner Anda memicu responden untuk memberikan pola jawaban artifisial, misalnya karena efek kelelahan (fatigue effect) karena item pertanyaan yang terlalu banyak (lebih dari 50 pertanyaan tanpa jeda). Akibatnya, matriks kovarians antar indikator menjadi tidak alami, dan algoritma SmartPLS akan mendeteksinya sebagai pelemahan struktural yang bermuara pada penurunan outer loading.

\n

Perlu juga disadari bahwa algoritma metode iteratif PLS difokuskan untuk memaksimalkan varians yang dijelaskan dari konstruk endogen (target variabel). Walaupun PLS-SEM dijuluki sebagai metode soft-modeling yang tidak mensyaratkan asumsi normalitas distribusi data dengan ketat, algoritma ini tetap sangat sensitif terhadap extreme outliers (pencilan data ekstrem). Outlier menarik garis regresi menjauhi pola data mayoritas, merusak estimasi bobot (weights), yang pada akhirnya mendistorsi loading factor.

\n

Sebagai langkah pamungkas yang menjaga integritas penelitian, setiap tindakan penghapusan indikator (item deletion) harus didokumentasikan dengan transparan. Dalam penulisan skripsi, tesis, atau naskah publikasi jurnal, Anda wajib membuat tabel khusus yang melaporkan indikator apa saja yang dieliminasi (dropped items) beserta alasannya (misal: \"Indikator dihapus karena outer loading 0.45, yang mana penghapusannya diperlukan untuk menaikkan AVE di atas batas 0.50\"). Transparansi ini akan membentengi Anda dari cecaran penguji atau reviewer jurnal.

\n\n

Kesimpulan

\n

Mendapatkan nilai loading factor di bawah 0.70 pada SmartPLS 4 bukanlah tanda kegagalan riset yang harus disikapi dengan kepanikan menghapus semua indikator. Evaluasi model pengukuran harus bersifat komprehensif. Buang indikator dengan nilai di bawah 0.40, namun pertimbangkan masak-masak indikator pada rentang 0.40 - 0.70 dengan merujuk pada syarat peningkatan nilai reliabilitas AVE (harus > 0.50) dan CR (harus > 0.70). Terapkan strategi stepwise deletion (penghapusan satu persatu mulai dari yang terkecil), dan jangan pernah mengorbankan validitas isi teori Anda hanya demi mengejar model statistik yang terlihat hijau dan sempurna di software.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SmartPLS" ], "date_published": "2026-09-01T03:11:27+07:00", "date_modified": "2026-09-05T20:26:49+07:00" }, { "id": "https://statistikian.net/interpretasi-uji-sargan-dan-hansen-untuk-mengevaluasi-overidentifying-restrictions-dan-solusinya-pada-stata/", "url": "https://statistikian.net/interpretasi-uji-sargan-dan-hansen-untuk-mengevaluasi-overidentifying-restrictions-dan-solusinya-pada-stata/", "title": "Interpretasi Uji Sargan dan Hansen untuk Mengevaluasi Overidentifying Restrictions dan Solusinya pada STATA", "summary": "Kepanikan terbesar saat merunning model Generalized Method of Moments (GMM) atau Instrumental…", "content_html": "
\n

Kepanikan terbesar saat merunning model Generalized Method of Moments (GMM) atau Instrumental Variable (IV) di STATA seringkali dipicu oleh satu baris output: p-value uji Sargan atau Hansen J yang jatuh di bawah ambang batas 0.05. Pesan error implisit ini adalah vonis analitik yang menyatakan bahwa instrumen yang Anda gunakan tidak valid karena berkorelasi dengan error term (sisaan). Gejala penolakan hipotesis nol pada pengujian overidentifying restrictions ini membuat seluruh parameter estimasi Anda kehilangan kredibilitasnya, menghasilkan bias asimtotik, dan membuat model tersebut tidak layak untuk dipresentasikan dalam ujian sidang maupun publikasi jurnal.

\n\n

Ilustrasi Output Masalah: Sargan/Hansen Signifikan pada STATA

\n
\n

Sargan test of overid. restrictions: chi2(45) = 85.34 Prob > chi2 = 0.0003

\n

(Not robust, but not weakened by many instruments.)

\n
\n

Hansen test of overid. restrictions: chi2(45) = 72.15 Prob > chi2 = 0.0052

\n

(Robust, but can be weakened by many instruments.)

\n
\n

Difference-in-Hansen tests of exogeneity of instrument subsets:

\n

GMM instruments for levels

\n

Hansen test excluding group: chi2(30) = 51.20 Prob > chi2 = 0.0102

\n

* Kesimpulan STATA: Model gagal memenuhi syarat eksogenitas instrumen (p-value < 0.05).

\n
\n\n

Secara esensial, kondisi overidentified terjadi ketika jumlah instrumen (Z) yang digunakan dalam model lebih banyak daripada jumlah variabel endogen (X) yang diestimasi. Uji Sargan dan Hansen dirancang khusus untuk menguji hipotesis bersama (joint hypothesis) bahwa seluruh instrumen tersebut terdistribusi secara eksogen secara silang (ortogonal terhadap error). Menurut Hansen (1982), estimator GMM hanya dapat mencapai konsistensi dan efisiensi asimtotik jika momen populasi dari instrumen bernilai nol.

\n

Perbedaan fundamental antara kedua uji ini terletak pada asumsi varians residualnya. Uji Sargan mengasumsikan homoskedastisitas pada error term, sehingga statistik ini sangat rentan menolak hipotesis nol secara keliru (over-rejection) jika data Anda menderita heteroskedastisitas. Sebaliknya, uji Hansen J didesain lebih robust terhadap heteroskedastisitas dan autokorelasi arbitrer, menjadikannya standar utama untuk pengujian eksogenitas pada panel dinamis (Roodman, 2009).

\n

Bagi peneliti yang ingin memperkuat tinjauan pustaka di bab 3 mengenai pembuktian matematis eksogenitas instrumen, perbedaan System GMM vs Difference GMM, dan landasan ortogonalitas, Anda dapat mempelajari penjelasan teoritis dasarnya secara komprehensif di statistikian.com. Pemahaman teori yang kokoh sangat krusial sebelum Anda melakukan restrukturisasi kode di STATA.

\n\n

Masalah Overidentifying Restriction & Konsekuensinya pada GMM

\n
\n
\n

Kondisi Overidentified

\n
Jumlah Instrumen (Z)
\n
> (Lebih Besar)
\n
Variabel Endogen (X)
\n

Syarat mutlak GMM: Ekstra instrumen ini tidak boleh memiliki korelasi sedikitpun dengan error term (u).

\n
\n\n
\n

Konsekuensi Pelanggaran (P-Value < 0.05)

\n
    \n
  • Estimator Bias & Inkonsisten: Parameter beta tidak memantulkan efek kausal yang sebenarnya.
    • \n
  • Instrumen Endogen: Instrumen gagal memblokir jalur korelasi antara X dan sisaan (error term).
    • \n
  • Spesifikasi Salah: Terdapat variabel tersembunyi penting yang belum dimasukkan ke dalam model.
    • \n
\n
\n
\n\n

Langkah Teknis Resolusi Mandiri di STATA

\n

1. Gunakan Opsi \"Collapse\" pada xtabond2: Penyebab utama uji Hansen menolak H0 (atau memberikan nilai p-value yang aneh) adalah jumlah instrumen yang meledak (instrument proliferation) karena STATA menghasilkan satu instrumen per periode waktu per lag. Tambahkan sintaks collapse pada perintah xtabond2 Anda. Langkah ini akan menekan matriks instrumen menjadi satu kolom per lag, menyelamatkan derajat kebebasan, dan mengembalikan kekuatan pengujian statistik (Roodman, 2009).

\n

2. Batasi Kedalaman Lag (Lag Limits): Memasukkan seluruh sejarah data (lag 2 hingga T) sebagai instrumen seringkali menjebak model ke dalam masalah overidentifikasi. Di dalam sintaks gmmstyle STATA, berikan batasan eksplisit pada lag, misalnya gmmstyle(y, lag(2 3)). Mengurangi rentang waktu instrumen ini akan memangkas instrumen yang berkorelasi lemah, sehingga membersihkan noise dari uji Hansen.

\n

3. Beralih ke Estimasi Two-Step Robust: Jika Anda menggunakan estimator one-step, p-value Sargan sangat mungkin merah muda (signifikan) hanya karena data panel menderita heteroskedastisitas natural, bukan karena instrumennya cacat. Ubah perintah Anda dengan menambahkan opsi twostep robust. Pada mode ini, STATA akan otomatis mengabaikan statistik Sargan yang tidak robust dan meminta Anda hanya mengevaluasi p-value dari statistik Hansen J.

\n

4. Evaluasi Difference-in-Hansen Test: Terkadang, tidak semua instrumen bersifat buruk; hanya sebagian kecil yang merusak seluruh matriks. STATA menampilkan output \"Difference-in-Hansen\" untuk memisahkan instrumen GMM-style (panel dinamis) dan IV-style (variabel eksogen murni). Periksa bagian mana yang memiliki p-value di bawah 0.05. Jika instrumen level yang bermasalah, Anda mungkin harus meninggalkan System GMM dan kembali menggunakan Difference GMM (Arellano-Bond murni).

\n

5. Re-spesifikasi Variabel Kontrol: Uji Hansen yang terus gagal meskipun jumlah instrumen sudah diciutkan sering kali menjadi indikator omitted variable bias. Instrumen Anda mungkin sebenarnya berkorelasi dengan efek yang tidak dimasukkan ke persamaan. Tinjau ulang kerangka konseptual Anda; cobalah untuk memasukkan variabel dummy waktu (time dummies) menggunakan i.year pada regresi, yang terbukti secara empiris dapat menghilangkan korelasi silang antar entitas dan menyembuhkan p-value Hansen (Blundell & Bond, 1998).

\n\n

Pembahasan Ilmiah: Paradoks Jumlah Instrumen dan Jebakan P-Value 1.000

\n

Dalam dinamika regresi panel GMM, masalah instrumen bagaikan pedang bermata dua. Di satu sisi, literatur ekonometrika klasik menekankan bahwa memiliki banyak instrumen akan meningkatkan efisiensi estimasi (standard error mengecil). Namun, Roodman (2009) melalui makalah seminalnya membongkar paradoks ini yang dikenal dengan istilah \"instrument proliferation\". Ketika rentang waktu (T) memanjang, jumlah instrumen GMM yang dihasilkan secara otomatis meningkat secara kuadratik, dengan cepat melebihi jumlah unit pengamatan silang (N).

\n

Konsekuensi langsung dari proliferasi instrumen adalah melemahnya kekuatan uji Hansen (weakness of the test power). Salah satu gejala paling berbahaya di STATA, yang sering kali dikira peneliti awam sebagai \"kabar baik\", adalah ketika p-value uji Hansen menunjukkan angka 1.000 secara presisi. Angka absolut 1.000 bukanlah bukti bahwa model Anda sempurna; sebaliknya, itu adalah tanda bahwa uji Hansen telah rusak dan kehilangan kemampuannya secara matematis untuk mendeteksi instrumen yang cacat. Rasio instrumen terhadap ukuran sampel yang terlalu besar membuat matriks pembobotan optimal di GMM menjadi singular atau nyaris singular.

\n

Sebagai *Rule of Thumb* yang diakui secara akademis, jumlah instrumen (instrument count) pada bagian bawah output STATA Anda tidak boleh melebihi jumlah entitas observasi (N, atau Number of Groups). Jika jumlah kelompok Anda adalah 35 perusahaan, maka pastikan instrumen Anda ditekan ke bawah angka 35 menggunakan kombinasi teknik collapse dan pembatasan lag. Melewati batas rasio ini akan mengarah pada overfitting parameter endogen ke dalam sampel spesifik, sehingga model gagal untuk digeneralisasi.

\n

Di samping itu, perbedaan uji Sargan dan Hansen juga merefleksikan cara sistem menangani matriks varians-kovarians residual. Statistik Sargan bertumpu pada matriks homoskedastik. Di era data makro dan keuangan modern, asumsi homoskedastisitas sangat jarang terpenuhi. Memaksakan pembacaan p-value Sargan pada kondisi heteroskedastik hanya akan menuntun pada penolakan validitas instrumen secara keliru. Oleh sebab itu, eksekutor STATA kontemporer diinstruksikan untuk menggunakan penaksir twostep, melakukan koreksi Windmeijer untuk standard error bias di sampel kecil, dan menjadikan statistik Hansen sebagai pedoman absolut eksogenitas (Arellano & Bond, 1991).

\n

Tantangan berikutnya sering muncul pada System GMM. Teknik yang dipopulerkan oleh Blundell dan Bond (1998) ini memperkenalkan instrumen tambahan pada tingkat level untuk menyembuhkan masalah instrumen lemah (weak instruments) pada data dengan koefisien autokorelatif mendekati 1 (highly persistent). Namun, instrumen level ini menuntut asumsi super kuat: deviasi stasioneritas kondisi awal tidak boleh berkorelasi dengan efek spesifik individu. Jika uji Difference-in-Hansen menunjukkan p-value < 0.05 pada bagian \"GMM instruments for levels\", Anda harus menerima kenyataan empiris bahwa asumsi stasioneritas awal tersebut gagal terpenuhi dalam data Anda.

\n

Solusi final jika rentetan resolusi sintaks gagal adalah mengevaluasi ulang arsitektur variabel instrumental eksternal (IV-style). Tidak semua variabel eksogen dari teori bisa langsung ditempelkan ke persamaan GMM. Jika p-value tetap menolak H0, instrumen IV eksternal yang Anda sangka murni ternyata mengandung interaksi balik tak terduga dengan variabel endogen yang tersisa dalam sistem error. Melakukan eliminasi variabel eksperimental secara selektif adalah satu-satunya jalan akademis yang sah untuk memulihkan validitas sistem identifikasi Anda.

\n\n

Kesimpulan

\n

Output pengujian Sargan dan Hansen yang ditandai dengan p-value di bawah 0.05 merupakan peringatan keras dari STATA bahwa asumsi overidentifying restrictions model GMM Anda berantakan. Jangan pernah mengabaikan atau menyembunyikan hasil uji ini. Pendekatan perbaikan teknis berfokus pada rasionalisasi jumlah instrumen, terutama melalui penerapan opsi collapse, restriksi kedalaman lag, dan penggunaan prosedur twostep robust untuk menetralkan ancaman heteroskedastisitas silang. Pastikan instrumen yang diloloskan selalu berjumlah lebih sedikit dibandingkan total unit observasi panel Anda agar statistik Hansen tidak melemah secara keliru (p-value = 1.000) dan estimasi beta Anda mampu mempertahankan sifat tak bias yang konsisten.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-01T02:46:42+07:00", "date_modified": "2026-09-06T21:53:12+07:00" }, { "id": "https://statistikian.net/tutorial-lengkap-uji-asumsi-klasik-data-panel-menggunakan-eviews/", "url": "https://statistikian.net/tutorial-lengkap-uji-asumsi-klasik-data-panel-menggunakan-eviews/", "title": "Tutorial Lengkap Uji Asumsi Klasik Data Panel Menggunakan Eviews", "summary": "Saat melakukan analisis regresi data panel pada Eviews, kendala klasik yang paling…", "content_html": "
\n

Saat melakukan analisis regresi data panel pada Eviews, kendala klasik yang paling sering membingungkan peneliti adalah kemunculan nilai t-statistik yang sangat signifikan tetapi tidak realistis, atau sebaliknya, nilai R-squared mencapai 95% namun seluruh variabel prediktor justru bernilai tidak signifikan secara parsial. Gejala anomalik ini hampir selalu bersumber dari pelanggaran asumsi klasik data panel—terutama masalah heteroskedastisitas cross-section dan autokorelasi serial. Banyak praktisi memaksakan seluruh pengujian asumsi OLS standar pada data panel tanpa menyadari bahwa struktur kombinasi runtut waktu (time series) dan silang tempat (cross section) memiliki perlakuan diagnostik yang spesifik dan berbeda.

\n\n

Ilustrasi Permasalahan Eviews: Pelanggaran Heteroskedastisitas & Autokorelasi

\n
\n

Panel Cross-section Heteroskedasticity & Autocorrelation Diagnostic

\n

* Warning: Residual covariance matrix is non-homoskedastic (Heteroskedasticity Detected)

\n

* Warning: Durbin-Watson statistic (0.842) indicates severe positive autocorrelation.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Test EvaluationStatisticd.f.Prob.
Likelihood Ratio (Hetero)48.219100.0000
Wooldridge Test (Autocorr)18.504(1, 9)0.0019
\n

* Nilai Prob < 0.05 menunjukkan hipotesis nol homoskedastisitas dan no-autocorrelation ditolak.

\n
\n\n

Secara konseptual, uji asumsi klasik pada data panel dirancang untuk memastikan bahwa penaksir parameter memiliki sifat BLUE (Best Linear Unbiased Estimator). Menurut Gujarati & Porter (2009), data panel menggabungkan karakteristik variasi antar individu dan dinamika waktu, sehingga asumsi dasar yang wajib dievaluasi terfokus pada multikolinearitas, heteroskedastisitas, autokorelasi serial, dan kuis ketergantungan antar entitas (cross-sectional dependence).

\n

Penting untuk dicatat bahwa uji normalitas pada data panel dengan jumlah sampel besar (N x T > 30) umumnya tidak lagi menjadi syarat mutlak karena berlakunya Central Limit Theorem (CLT) (Wooldridge, 2010). Sebaliknya, pengabaian terhadap heteroskedastisitas dan autokorelasi akan berakibat fatal: meskipun estimator koefisien tetap tak bias (unbiased), estimator tersebut tidak lagi efisien (varians tidak minimum), sehingga pengujian hipotesis t dan F menjadi tidak valid.

\n

Perlakuan asumsi klasik juga sangat tergantung pada model data panel yang terpilih. Pada Common Effect Model (CEM) dan Fixed Effect Model (FEM), pelanggaran heteroskedastisitas dan autokorelasi sering terjadi akibat perbedaan skala antar entitas silang. Untuk memperdalam pemahaman mengenai landasan teori matematis dari transformasi data dan inferensi regresi dasar, Anda dapat membaca ulasan konseptualnya secara mendalam di website utama kami, statistikian.com.

\n\n

Matriks Uji Asumsi Klasik Data Panel & Dampak Pelanggaran

\n
\n
\n

1. Multikolinearitas

\n

Metode: Matrix Correlation / VIF

\n

Dampak Pelanggaran: Standard error membesar, koefisien variabel sensitif terhadap perubahan kecil data.

\n
\n
\n

2. Heteroskedastisitas

\n

Metode: Likelihood Ratio / Park / Glejser

\n

Dampak Pelanggaran: Estimator tidak efisien (tidak minimum variance), uji t-statistik menyesatkan (Type I Error).

\n
\n
\n

3. Autokorelasi Serial

\n

Metode: Durbin-Watson / Wooldridge Test

\n

Dampak Pelanggaran: Variance underestimated, nilai R2 dan t-stat terdistorsi secara artifisial (Spurious Correlation).

\n
\n
\n

4. Cross-Section Dependence

\n

Metode: Pesaran CD / Breusch-Pagan LM

\n

Dampak Pelanggaran: Interdependensi antar entitas diabaikan, bias sistematis pada estimasi sisaan.

\n
\n
\n\n

Langkah-Langkah Eksekusi Diagnostik & Solusi Teknis Mandiri

\n

1. Pengujian Multikolinearitas di Eviews: Buka Group objek variabel independen Anda, pilih View > Covariance Analysis, aktifkan opsi Correlation. Jika nilai korelasi antar prediktor melebihi 0.85 (Baltagi, 2021), terdapat indikasi multikolinearitas serius. Solusinya, keluarkan salah satu variabel yang berkorelasi tinggi atau buat variabel transformasi komposit (misalnya rasio atau logaritma).

\n

2. Deteksi Heteroskedastisitas Data Panel: Pada model CEM atau FEM, lakukan estimasi residual. Jalankan regresi auxiliary antara nilai absolute residual (absres) terhadap seluruh variabel prediktor (Uji Glejser). Jika variabel independen berpengaruh signifikan (p-value < 0.05) terhadap absres, model terjangkit heteroskedastisitas.

\n

3. Deteksi Autokorelasi Serial: Evaluasi nilai Durbin-Watson (DW) dari output estimasi regresi data panel Anda. Batas aman DW berada di sekitar nilai 2. Jika DW < 1.5, terdapat indikasi autokorelasi positif. Pada data panel dengan N besar dan T kecil, gunakan pendekatan Wooldridge Test for Serial Correlation.

\n

4. Pengujian Cross-Sectional Dependence: Dari menu Equation Eviews (khusus untuk regresi data panel), klik View > Residual Diagnostics > Cross-section Dependence Test. Perhatikan nilai p-value dari statistik Pesaran CD atau Breusch-Pagan LM. Jika p-value < 0.05, artinya terdapat ketergantungan antar entitas (misalnya syok ekonomi di satu perusahaan memengaruhi perusahaan lain).

\n

5. Solusi Penyembuhan Otomatis Tanpa Buang Data (Robust Standard Errors): Jika model FEM atau REM Anda melanggar asumsi heteroskedastisitas dan autokorelasi, Anda **tidak perlu membuang data**. Di Eviews, klik tombol Estimate > Options, lalu pada dropdown Covariance Method, pilih White cross-section (untuk mengatasi heteroskedastisitas) atau Driscoll-Kraay / Huber-White / Period SUR (untuk mengatasi autokorelasi dan cross-sectional dependence) (Hoechle, 2007). Metode penyesuaian matriks kovarian ini secara otomatis mengoreksi nilai standard error dan t-statistik tanpa mengubah nilai koefisien regresi.

\n\n

Pembahasan Ilmiah & Metodologis Uji Asumsi Klasik

\n

Penanganan asumsi klasik pada regresi data panel kerap memicu perdebatan metodologis di kalangan peneliti. Kesalahan paling mendasar adalah memaksakan pengujian autokorelasi LM standar OLS pada model Fixed Effect (FEM). Ketika transformasi within-mean differencing diterapkan pada FEM untuk menghilangkan efek entitas yang tak teramati (unobserved heterogeneity), struktur error otomatis mengalami perubahan (Wooldridge, 2010). Oleh sebab itu, menggunakan uji Durbin-Watson OLS konvensional pada FEM tanpa penyesuaian derajat kebebasan sering menghasilkan kesimpulan autokorelasi yang keliru (false positive).

\n

Masalah heteroskedastisitas pada data panel juga memiliki dua dimensi yang berbeda: heteroskedastisitas antar entitas (cross-sectional heteroskedasticity) dan heteroskedastisitas dalam waktu (intra-individual variance over time). Menurut Greene (2018), pengabaian struktur heteroskedastisitas silang ini jauh lebih berbahaya pada sampel dengan N (jumlah entitas) yang besar dibanding T (periode waktu). Penggunaan estimator Generalized Least Squares (GLS) atau Feasible Generalized Least Squares (FGLS) merupakan perbaikan teoritis yang ideal, namun FGLS membutuhkan estimasi matriks kovarian yang stabil yang sering kali gagal (singular matrix) jika ukuran N mendekati atau melebihi T.

\n

Dalam situasi praktis di Eviews, ketika pengujian diagnostik mengonfirmasi keberadaan heteroskedastisitas sekaligus autokorelasi, pengaplikasian metode Driscoll-Kraay Robust Standard Errors adalah pendekatan yang sangat direkomendasikan secara literatur. Hoechle (2007) membuktikan bahwa estimator Driscoll-Kraay tidak hanya kebal terhadap masalah heteroskedastisitas dan autokorelasi serial umum, tetapi juga sangat andal saat data panel terjangkit cross-sectional dependence.

\n

Mengenai asumsi normalitas residual, literatur ekonometrika modern menekankan bahwa asumsi ini tergolong kelayakan sekunder (secondary assumption). Sebagaimana dijelaskan oleh Gujarati & Porter (2009), untuk tujuan inferensi statistik (uji t dan uji F), sifat linieritas dan tak bias dari estimator tetap dijamin oleh teorema Gauss-Markov meskipun distribusi error tidak mengikuti kurva normal sempurna, selama ukuran total sampel (N x T) mencukupi.

\n

Oleh karena itu, strategi analitik terbaik di Eviews bukan mencari-cari cara untuk mentransformasikan variabel hingga bentuk distribusi terlihat \"sempurna\", melainkan memastikan bahwa struktur standar error telah disesuaikan dengan opsi penanganan kovarian yang tepat (Robust Standard Error). Hal ini menjamin bahwa kesimpulan penelitian Anda tetap sahih, konsisten, dan dapat dipertanggungjawabkan secara akademik saat diuji dalam sidang skripsi, tesis, atau proses peer-review jurnal ilmiah.

\n\n

Kesimpulan

\n

Uji asumsi klasik pada data panel di Eviews memerlukan penanganan yang cermat dan berjenjang. Pelanggaran asumsi utama seperti heteroskedastisitas cross-section, autokorelasi serial, dan ketergantungan antar entitas tidak harus diselesaikan dengan manipulasi variabel yang merusak struktur data mentah. Melalui pemanfaatan fitur penyesuaian matriks kovarian (White cross-section, Period SUR, atau Driscoll-Kraay Robust Standard Errors) pada opsi Eviews, Anda dapat secara langsung memulihkan efisiensi inferensi statistik (uji t dan p-value) sehingga hasil pengujian hipotesis penelitian Anda menjadi sah, robust, dan kredibel.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-01T02:32:05+07:00", "date_modified": "2026-09-05T20:24:46+07:00" }, { "id": "https://statistikian.net/langkah-tepat-menentukan-model-fem-rem-atau-cem-pada-analisis-eviews/", "url": "https://statistikian.net/langkah-tepat-menentukan-model-fem-rem-atau-cem-pada-analisis-eviews/", "title": "Langkah Tepat Menentukan Model FEM, REM, atau CEM pada Analisis Eviews", "summary": "Kebingungan terbesar saat mengeksekusi regresi data panel di Eviews seringkali muncul ketika…", "content_html": "
\n

Kebingungan terbesar saat mengeksekusi regresi data panel di Eviews seringkali muncul ketika output spesifikasi model saling bertentangan, atau lebih parahnya, muncul pesan error \"Warning: estimated cross-section random effects variance is zero\" saat menguji Hausman. Gejala kegagalan dalam memilih antara Common Effect Model (CEM), Fixed Effect Model (FEM), atau Random Effect Model (REM) ini membuat banyak peneliti terjebak pada estimasi parameter yang bias, tidak konsisten, dan memicu nilai probabilitas variabel independen menjadi tidak signifikan secara artifisial.

\n\n

Ilustrasi Permasalahan Eviews: Kegagalan Hausman Test

\n
\n

Correlated Random Effects - Hausman Test

\n

* Warning: estimated cross-section random effects variance is zero.

\n

* Warning: robust standard errors may not be valid.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Test SummaryChi-Sq. StatisticChi-Sq. d.f.Prob.
Cross-section random0.00000041.0000
\n
\n

Secara esensial, penentuan spesifikasi model data panel berkaitan dengan cara kita menangani heterogenitas individu (karakteristik unik dari setiap perusahaan, daerah, atau entitas silang tempat). CEM mengabaikan karakteristik unik ini dan menganggap semua entitas memiliki intercept yang sama persis (Pooled OLS). Sebaliknya, FEM mengakui adanya perbedaan antar entitas dengan memberikan intercept yang berbeda untuk masing-masing individu, namun mengasumsikan perbedaan tersebut berkorelasi dengan variabel independen. Sementara itu, REM juga memberikan intercept berbeda, tetapi mengasumsikan variasi antar entitas terjadi secara acak dan tidak berkorelasi dengan variabel prediktor dalam model (Baltagi, 2021).

\n\n

Segitiga Keputusan Uji Data Panel

\n
\n
FEM
\n\n
\n
 
\n
 
\n
\n
\n
Uji Chow
\n
Uji Hausman
\n
\n\n
\n
CEM
\n
REM
\n
\n\n
 
\n
Uji LM (Breusch-Pagan)
\n
\n\n

Kelebihan utama data panel dibandingkan data time-series atau cross-section murni adalah kemampuannya memperhitungkan unobserved heterogeneity atau variabel yang tidak teramati namun memengaruhi model. Menurut Wooldridge (2010), penggunaan Ordinary Least Squares (OLS) standar yang dipaksakan pada data panel (CEM) sangat sering menghasilkan estimasi yang bias karena OLS mengasumsikan error term tidak memiliki korelasi dengan prediktor, padahal karakteristik spesifik tiap entitas hampir pasti berkorelasi dengan perilaku variabel di lapangan.

\n

Perdebatan teoritis paling krusial terletak pada pemilihan antara Fixed Effect dan Random Effect. FEM memandang unobserved individual effects sebagai parameter tetap yang harus diestimasi (biasanya menggunakan teknik Least Squares Dummy Variable / LSDV). Metode ini sangat robust terhadap masalah endogenitas yang bersumber dari omitted variable bias, selama variabel yang tertinggal tersebut bersifat konstan antar waktu.

\n

Di sisi lain, REM memperlakukan unobserved effects sebagai bagian dari komponen error gabungan (composite error term) dan mengestimasi model menggunakan Generalized Least Squares (GLS). REM jauh lebih efisien secara statistik (memiliki derajat kebebasan yang lebih besar) karena tidak perlu mengestimasi banyak dummy variabel entitas, dan mampu mengakomodasi variabel independen yang nilainya konstan sepanjang waktu (seperti jarak geografis atau gender). Namun, REM memiliki syarat asumsi yang sangat ketat: efek acak individu benar-benar tidak boleh berkorelasi dengan regresor (Greene, 2018).

\n\n

Langkah Teknis Penentuan Model Secara Mandiri

\n

1. Eksekusi Uji Chow (Likelihood Ratio Test): Langkah pertama adalah membandingkan CEM melawan FEM. Pada jendela Equation Eviews, estimasi model menggunakan metode Cross-section Fixed. Setelah output muncul, buka menu View > Fixed/Random Effects Testing > Redundant Fixed Effects - Likelihood Ratio. Perhatikan nilai Prob. Cross-section Chi-square. Jika Prob < 0.05, maka H0 (model CEM) ditolak, yang berarti FEM lebih unggul secara statistik. Sebaliknya, jika Prob> 0.05, model CEM sementara dipilih.

\n

2. Eksekusi Uji Hausman: Jika Uji Chow menunjuk FEM, Anda wajib melanjutkannya dengan Uji Hausman untuk diadu dengan REM. Ubah estimasi model Anda ke Cross-section Random, lalu navigasi ke View > Fixed/Random Effects Testing > Correlated Random Effects - Hausman Test. Uji ini mengevaluasi apakah ada korelasi antara error term spesifik individu dengan regresor (Hausman, 1978). Jika nilai Prob. Cross-section random < 0.05, H0 (model REM tepat) ditolak, sehingga FEM menjadi model final definitif Anda. Jika Prob> 0.05, maka spesifikasi REM lebih efisien dan dapat diandalkan.

\n

3. Eksekusi Uji Lagrange Multiplier (LM Test): Uji Breusch-Pagan LM dilakukan khusus ketika Uji Chow memilih CEM dan Uji Hausman memilih REM (terdapat inkonsistensi pilihan), atau untuk memastikan antara CEM dan REM. Ubah kembali model ke CEM (None pada bagian cross-section), lalu buka View > Fixed/Random Effects Testing > Omitted Random Effects - Lagrange Multiplier. Jika p-value Breusch-Pagan < 0.05, maka terdapat efek acak yang signifikan (REM terpilih). Jika p-value> 0.05, model OLS gabungan (CEM) adalah yang terbaik (Breusch & Pagan, 1980).

\n

4. Atasi Warning \"Variance is Zero\" pada Uji Hausman: Pesan error Eviews ini muncul karena varians dari komponen acak silang (cross-section) diekspektasikan bernilai negatif (dibulatkan menjadi nol oleh algoritma Eviews). Secara ilmiah, ini terjadi ketika spesifikasi model sangat buruk, jumlah data waktu (T) jauh lebih kecil dari jumlah entitas silang (N), atau data Anda hampir tidak memiliki variasi residual antar kelompok (homogen). Solusi daruratnya adalah dengan merombak struktur variabel independen Anda atau beralih langsung ke estimasi FEM jika rasionalisasi teoritis mendukung.

\n

5. Koreksi Asumsi Klasik Pasca Pemilihan Model: Setelah model definitif (misalnya FEM) terpilih, langkah Anda belum selesai. Model data panel hampir selalu dijangkiti oleh heteroskedastisitas dan autokorelasi. Buka Estimate > Options, lalu pada menu Covariance method, ubah dari Ordinary menjadi White cross-section (jika T < N) atau Seemingly Unrelated Regression / SUR (jika T > N) untuk menghasilkan standar error yang robust, sehingga uji-t variabel Anda valid secara inferensial.

\n\n

Pembahasan Ilmiah & Troubleshooting Diagnostik Eviews

\n

Realitas di lapangan sering kali tidak seindah kerangka teori ekonometrika. Salah satu anomali paling merepotkan di Eviews adalah probabilitas Uji Hausman yang menampilkan angka absolut 1.000. Kondisi asimtotik ini mengindikasikan bahwa matriks kovarian selisih antara estimator FE dan RE bersifat singular atau non-positive definite. Menurut Greene (2018), ketidakstabilan inversi matriks ini terjadi ketika koefisien REM dan FEM terlampau identik, atau ada multikolinearitas struktural parah dalam data panel yang menyebabkan matriks matriks Hessian gagal dikalkulasi secara presisi.

\n

Dalam situasi tersebut, peneliti dituntut untuk tidak kaku membaca p-value semata. Pendekatan analitik modern menyarankan agar mengevaluasi koefisien determinasi spesifik (R-square within, between, dan overall). Jika tujuan utama penelitian adalah melihat pengaruh guncangan kebijakan di dalam entitas dari waktu ke waktu (within effect), maka FEM mutlak dipertahankan walau secara statistik Hausman tidak membatalkan REM.

\n

Hal lain yang membedakan otoritas seorang analis data dengan pengguna software awam adalah cara menyikapi variabel dummy makro yang stagnan (time-invariant variable). Jika model teoritis Anda wajib memasukkan variabel jarak antar kota atau status kepemilikan BUMN (yang tidak berubah dari tahun ke tahun), metode FEM akan otomatis \"membuang\" variabel tersebut dari persamaan akibat prosedur transformasi LSDV (mean-differencing) (Wooldridge, 2010). Oleh karena itu, jika secara logis variabel tersebut tidak bisa dibuang, peneliti tidak bisa memakai FEM dan harus menjustifikasi penggunaan REM atau model alternatif Hausman-Taylor.

\n

Untuk memahami secara komprehensif akar matematis di balik prosedur mean-differencing serta landasan ekonometrika dari unobserved heterogeneity ini, kami sangat menyarankan pembaca untuk merujuk pada materi teori inti di website utama kami. Anda bisa menavigasi ke seri panduan lengkap regresi panel di statistikian.com guna memastikan interpretasi inferensial Anda memiliki pijakan literatur yang tak terbantahkan saat ujian.

\n

Perlu dicatat bahwa perangkat lunak Eviews memiliki protokol perhitungan derajat kebebasan yang agak konservatif. Saat mengeksekusi estimator model FEM, derajat kebebasan yang berkurang (degree of freedom loss) sangat masif. Jika Anda hanya memiliki 3 tahun seri waktu dan 100 perusahaan silang, memaksakan model FEM berarti kehilangan ratusan parameter estimasi hanya untuk efek dummy. Estimator GLS pada REM jauh lebih superior dalam kerangka small-T large-N (Baltagi, 2021).

\n

Terakhir, jangan melupakan pembobotan matriks kovarian silang. Mengabaikan heteroskedastisitas silang (cross-sectional dependence) akan membuat standar error mengecil secara tidak wajar, memicu Type I Error (variabel yang seharusnya tidak berpengaruh menjadi terlihat sangat signifikan). Selalu aktifkan opsi robust standard errors di menu Equation Options pada Eviews sebagai benteng pertahanan terakhir dari pelanggaran asumsi homoskedastisitas.

\n\n

Kesimpulan

\n

Pemilihan antara Common Effect, Fixed Effect, dan Random Effect bukanlah sekadar rutinitas birokrasi perangkat lunak, melainkan fondasi presisi pembuktian teori Anda. Algoritma penentuan secara hierarkis bermula dari eksekusi Uji Chow untuk meruntuhkan asumsi pooled OLS, disusul oleh Uji Hausman untuk memverifikasi sifat eksogenitas error entitas (FEM vs REM), serta dilengkapi Uji Lagrange Multiplier jika muncul ambiguitas spesifikasi. Jika Eviews melemparkan kalkulasi probabilitas tidak logis atau peringatan varians matriks singular, kembalilah pada justifikasi konseptual: perhatikan struktur data (T vs N), status variabel stasioner antar waktu, serta selalu berlindung di balik robust standard error White/SUR untuk mengamankan signifikansi hipotesis akhir Anda.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "Eviews" ], "date_published": "2026-09-01T02:18:54+07:00", "date_modified": "2026-09-05T20:23:39+07:00" }, { "id": "https://statistikian.net/solusi-analitik-jika-uji-hosmer-lemeshow-signifikan-model-dinyatakan-tidak-fit-pada-spss/", "url": "https://statistikian.net/solusi-analitik-jika-uji-hosmer-lemeshow-signifikan-model-dinyatakan-tidak-fit-pada-spss/", "title": "Solusi Analitik Jika Uji Hosmer-Lemeshow Signifikan (Model Dinyatakan Tidak Fit) Pada SPSS", "summary": "Momen paling menegangkan saat menjalankan regresi logistik biner di SPSS adalah ketika…", "content_html": "
\n

Momen paling menegangkan saat menjalankan regresi logistik biner di SPSS adalah ketika melihat tabel Hosmer and Lemeshow Test, lalu mendapati nilai Sig. (p-value) berada di bawah 0.05. Angka merah ini adalah vonis bahwa model regresi Anda dinyatakan \"tidak fit\" atau tidak mampu menjelaskan data observasi dengan baik. Kegagalan pada uji Goodness-of-Fit (GOF) ini sering kali membuat mahasiswa atau peneliti panik karena mengira seluruh hipotesis dan data mereka hancur, padahal error ini adalah gejala dari spesifikasi model yang perlu dikalibrasi ulang.

\n\n

Ilustrasi Output Masalah: Hosmer-Lemeshow Signifikan

\n

Berikut adalah gambaran tabel output SPSS yang menjadi indikator bahwa model logistik Anda mengalami masalah poor fit. Perhatikan nilai probabilitas pada kolom paling kanan.

\n
\n

Hosmer and Lemeshow Test

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
StepChi-squaredfSig.
118.4258.018
\n

*Nilai Sig. 0.018 < 0.05 menunjukkan hipotesis nol ditolak, yang berarti ada perbedaan signifikan antara probabilitas prediksi dengan observasi aktual (Model Tidak Fit).

\n
\n\n

Secara konseptual, uji Hosmer-Lemeshow bekerja dengan membagi data menjadi beberapa kelompok (biasanya 10 desil) berdasarkan estimasi probabilitas dari yang terendah hingga tertinggi. Algoritma kemudian membandingkan jumlah kejadian aktual (observed) dengan kejadian yang diprediksi (expected) di dalam setiap kelompok tersebut. Menurut pakar regresi logistik, \"The Hosmer-Lemeshow statistic is obtained by calculating the Pearson chi-square statistic from the 2 x g table of observed and estimated expected frequencies\" (Hosmer, Lemeshow, & Sturdivant, 2013).

\n

Hipotesis nol (H0) dari uji ini menyatakan bahwa tidak ada perbedaan yang nyata antara nilai prediksi model dengan nilai observasi aktual. Oleh karena itu, kita justru mengharapkan nilai p-value yang besar (> 0.05) agar H0 diterima. Jika p-value jatuh di bawah ambang batas signifikansi, ini adalah sinyal matematis bahwa garis lengkung regresi logit (kurva S) Anda meleset jauh dari sebaran titik data riil di lapangan.

\n

Pemahaman mendalam mengenai akar probabilitas logit dan asumsi dasarnya sangat penting agar Anda tidak meraba-raba saat melakukan troubleshooting. Untuk mempelajari kerangka teori regresi logistik secara komprehensif, mulai dari transformasi log-odds hingga evaluasi Pseudo R-Square, Anda dapat membaca panduan lengkap di website utama kami, statistikian.com. Menguasai dasar teori di sana akan memperlancar eksekusi perbaikan teknis yang akan kita bahas di bawah ini.

\n\n

Langkah-Langkah Perbaikan Mandiri

\n

1. Identifikasi dan Tangani Outlier Ekstrem: Regresi logistik, sama halnya dengan OLS, cukup sensitif terhadap pencilan data. Observasi yang memiliki kombinasi prediktor tidak lazim dapat sangat mendistorsi model fit (Menard, 2002). Di SPSS, simpan nilai Studentized Residuals atau Cook's Distance melalui menu Save saat melakukan regresi logistik. Periksa data dengan residual di atas 3 atau di bawah -3, lalu pertimbangkan untuk membuang atau mentransformasi observasi tersebut.

\n

2. Evaluasi Asumsi Linearitas Logit (Box-Tidwell Test): Variabel independen berskala kontinu (seperti umur, pendapatan) harus memiliki hubungan linear dengan logit dari variabel dependen. Jika asumsi ini dilanggar, Hosmer-Lemeshow dipastikan gagal. Solusinya, buat interaksi antara variabel kontinu dengan nilai logaritma naturalnya (X * Ln(X)) menggunakan Compute Variable di SPSS, lalu masukkan ke model. Jika interaksi ini signifikan, artinya linearitas logit terlanggar. Anda wajib mengubah variabel kontinu tersebut menjadi data kategori (misal: Umur dikelompokkan menjadi Remaja, Dewasa, Lansia).

\n

3. Tambahkan Efek Interaksi antar Variabel: Kadang kala, model gagal fit bukan karena datanya buruk, melainkan karena Anda mengabaikan variabel yang saling memoderasi. Cobalah memasukkan interaksi antara dua prediktor yang secara teori saling berhubungan. Efek interaksi ini dapat menangkap struktur varians tersembunyi yang sebelumnya membuat prediksi model meleset.

\n

4. Atasi Overdispersion (Keragaman Berlebih): Meskipun lebih sering dibahas dalam regresi Poisson, overdispersion juga relevan di data binomial. Jika varians data lebih besar dari yang diprediksi oleh distribusi binomial, model Anda akan over-reject H0. Coba gunakan metode alternatif seperti regresi probit atau regresi logistik eksak (Exact Logistic Regression) jika ukuran sampel sangat kecil dan tabel kontingensinya banyak yang kosong.

\n

5. Evaluasi Spesifikasi Model (Omitted Variable Bias): Alasan paling sering mengapa kurva regresi gagal memodelkan data adalah hilangnya prediktor penting yang tidak dimasukkan ke dalam persamaan. \"An omitted covariate can cause the Hosmer-Lemeshow statistic to indicate lack of fit\" (Allison, 2014). Tinjau kembali landasan teori penelitian Anda; pastikan tidak ada variabel kunci yang tertinggal dalam analisis.

\n\n

Pembahasan Ilmiah: Mengapa Anda Tidak Perlu Langsung Panik?

\n

Perdebatan mengenai keandalan uji Hosmer-Lemeshow telah berlangsung lama di kalangan pakar statistik medis dan ekonometrika. Masalah utama dari uji ini adalah sensitivitasnya yang sangat brutal terhadap jumlah sampel (sample size). Jika Anda bekerja dengan Big Data atau observasi di atas 1.000 kasus, uji ini niemati hampir selalu signifikan sekecil apapun deviasinya. Kramer dan Zimmerman (2007) membuktikan bahwa \"In very large samples, even trivial deviations from perfect fit will yield a highly significant p-value in the Hosmer-Lemeshow test.\"

\n

Oleh karena itu, menilai kelayakan model logistik secara absolut hanya dari satu parameter H-L adalah tindakan yang rabun secara statistik. Peneliti modern disarankan untuk menggunakan panel metrik. Anda harus melihat nilai pseudo R-squared (seperti Nagelkerke, Cox & Snell) serta mengevaluasi tabel klasifikasi dan Area Under the ROC Curve (AUC). Jika AUC Anda berada di atas 0.70 atau 0.80, kemampuan diskriminasi model Anda sebenarnya sudah sangat baik meski H-L test berkata sebaliknya.

\n

Selain masalah sensitivitas sampel besar, statistik H-L juga dikritik karena rentan terhadap cara pembagian grup. \"The Hosmer-Lemeshow test is known to have low power and is highly dependent on the choice of subgroups\" (Paul, Pennell, & Lemeshow, 2013). Secara default, SPSS membagi data menjadi 10 grup desil. Terkadang, mengubah grup menjadi 8 atau 12 (meskipun ini tidak bisa dilakukan langsung dari GUI standar SPSS, tetapi membutuhkan sintaks) dapat langsung mengubah p-value menjadi tidak signifikan.

\n

Kesalahan memperlakukan data kontinu juga menjadi penyumbang utama lack-of-fit. Model regresi logistik mengasumsikan log-odds bergerak secara proporsional. Ketika Anda memasukkan variabel seperti 'Gaji Harian' tanpa mentransformasikannya ke dalam bentuk Logaritma, sementara sebarannya sangat menceng kanan (skewed), model akan kesulitan menarik garis yang pas, menghasilkan residual besar pada desil tertentu yang memicu H-L signifikan.

\n

Implikasi praktisnya: jangan biarkan H-L test menjadi diktator dalam penelitian Anda. Lakukan diagnostik mendalam terhadap outlier, uji asumsi Box-Tidwell, dan pertimbangkan pengkategorian prediktor. Jika sampel Anda memang ribuan, berikan argumentasi ilmiah di bab pembahasan Anda mengutip Paul et al. (2013) bahwa sensitivitas uji H-L pada sampel besar menjadikannya kurang relevan dibanding evaluasi metrik AUC (Area Under Curve).

\n\n

Kesimpulan

\n

Nilai signifikansi yang rendah (p < 0.05) pada uji Hosmer-Lemeshow bukanlah vonis akhir yang menghancurkan penelitian Anda, melainkan umpan balik analitik dari sistem bahwa ada spesifikasi yang perlu disempurnakan. Evaluasi keberadaan nilai ekstrem, uji kembali asumsi linearitas variabel kontinu dengan Box-Tidwell, pertimbangkan efek interaksi, dan selalu bandingkan hasilnya dengan nilai pseudo R-square serta kurva ROC. Khusus untuk sampel data berskala besar, Anda memiliki argumen literatur kuat bahwa statistik ini cenderung bias (over-sensitive), sehingga validasi model harus diputuskan melalui overall performance.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "SPSS" ], "date_published": "2026-09-01T02:07:28+07:00", "date_modified": "2026-09-05T20:22:17+07:00" }, { "id": "https://statistikian.net/mengatasi-masalah-heteroskedastisitas-dan-autokorelasi-dalam-regresi-data-panel-stata/", "url": "https://statistikian.net/mengatasi-masalah-heteroskedastisitas-dan-autokorelasi-dalam-regresi-data-panel-stata/", "title": "Mengatasi Masalah Heteroskedastisitas dan Autokorelasi dalam Regresi Data Panel STATA", "summary": "Pernahkah Anda mendapatkan hasil regresi data panel di STATA yang menunjukkan nilai…", "content_html": "
\n

Pernahkah Anda mendapatkan hasil regresi data panel di STATA yang menunjukkan nilai standard error yang sangat besar, atau nilai t-statistic yang mendadak tidak signifikan padahal secara teori variabel tersebut seharusnya sangat berpengaruh? Atau mungkin Anda baru saja menjalankan Modified Wald test for groupwise heteroskedasticity dan mendapati p-value < 0.05, yang kemudian diperburuk dengan hasil Wooldridge test for autocorrelation in panel data yang juga signifikan? Jika ya, jangan panik. Gejala-gejala error ini adalah tanda nyata bahwa model regresi Anda sedang terserang masalah klasik dalam ekonometrika panel: heteroskedastisitas dan autokorelasi (serial correlation).

\n\n

Gejala Heteroskedastisitas dan Autokorelasi di STATA

\n

Untuk memberikan gambaran yang lebih nyata, mari kita lihat contoh output pengujian asumsi klasik pada regresi data panel. Anggaplah kita meregresikan variabel dependen profitabilitas terhadap variabel independen seperti nilai tukar (kurs) dan IHSG (Indeks Harga Saham Gabungan). Perhatikan nilai probabilitas (p-value) pada kedua hasil uji di bawah ini.

\n\n
\n
. xttest3\n\nModified Wald test for groupwise heteroskedasticity\nin cross-sectional time-series FGLS regression model\n\nH0: sigma(i)^2 = sigma^2 for all i\nchi2 (50)    =  482.15\nProb>chi2    =  0.0000\n\n. xtserial profit ihsg kurs\n\nWooldridge test for autocorrelation in panel data\nH0: no first-order autocorrelation\n   F(  1,    49) =      18.45\n   Prob > F      =      0.0002\n
\n
\n

Pada output xttest3 di atas, nilai Prob>chi2 adalah 0.0000. Sesuai dengan kaidah pengambilan keputusan statistik, jika p value < 0,05 maka model mengalami masalah heteroskedastis (varian error tidak konstan antar unit). Sebaliknya, jika p value> 0,05 maka model bersifat homoskedastis.

\n

Selanjutnya, pada output xtserial, nilai Prob > F adalah 0.0002 (berada di bawah 0,05). Hal ini mengonfirmasi kuatnya masalah autokorelasi pada model tersebut. Jika Anda mendapati angka-angka merah seperti ilustrasi di atas, intervensi menggunakan estimator Robust, Cluster, atau PCSE wajib segera dilakukan agar hasil regresi tetap valid.

\n\n

Heteroskedastisitas terjadi ketika varians dari error term (residual) tidak konstan antar unit cross-section dalam data panel. Hal ini sangat lazim karena karakteristik observasi bisa sangat timpang. Seperti yang ditegaskan oleh pakar ekonometrika, \"In panel data applications, the assumption of homoscedasticity is often violated because the scale of the dependent variable and the explanatory variables varies substantially across the cross-sectional units\" (Greene, 2018). Estimasi Ordinary Least Squares (OLS) atau Fixed Effect pada dasarnya masih tidak bias, namun standard error yang dihasilkan menjadi cacat sehingga uji hipotesis Anda menjadi tidak valid.

\n

Di sisi lain, autokorelasi muncul ketika residual pada satu periode waktu berkorelasi dengan residual pada periode sebelumnya untuk subjek atau individu yang sama. Mengingat data panel mengandung unsur runtun waktu (time series), observasi tahun ini seringkali sangat dipengaruhi oleh kejadian tahun lalu. Menurut Wooldridge (2010), \"Serial correlation in the idiosyncratic errors of a panel data model biases the standard errors and causes the usual test statistics to be invalid.\" Autokorelasi yang diabaikan cenderung membuat standard error menjadi lebih kecil dari yang seharusnya (underestimated), sehingga peneliti sering terjebak dalam kesimpulan yang terlalu optimis (overconfidence).

\n

Kombinasi dari kedua masalah ini ibarat badai mematikan bagi validitas model regresi Anda, membuat p-value yang Anda dapatkan sama sekali tidak bisa dipercaya. Untuk memahami secara lebih mendalam tentang akar teoritis dari uji-uji ini dan bagaimana asumsi klasik bekerja secara matematis, Anda sangat disarankan untuk mempelajari dasar teori regresi di website utama kami, statistikian.com. Memahami teori dasar di sana akan membantu Anda mengeksekusi penyelesaian teknis di sini dengan logika yang benar.

\n\n

Langkah-Langkah Mengatasi Heteroskedastis dan Autokorelasi di STATA

\n

Langkah pertama yang harus Anda lakukan adalah mendiagnosis keberadaan masalah ini secara pasti di STATA. Setelah mengestimasi model Fixed Effect (xtreg y x1 x2, fe), jalankan perintah xttest3 untuk uji heteroskedastisitas Wald. Selanjutnya, jalankan perintah xtserial y x1 x2 untuk melakukan uji autokorelasi Wooldridge. Jika kedua uji ini menolak hipotesis nol (p-value < 0.05), Anda wajib melakukan koreksi model.

\n

Solusi teknis paling sederhana namun kuat untuk mengatasi heteroskedastisitas saja adalah dengan menggunakan opsi robust standard error. Anda cukup menambahkan koma dan mengetikkan opsi robust di akhir syntax regresi, misalnya: xtreg y x1 x2, fe robust. Pendekatan ini mengaplikasikan estimator matriks kovarians Huber-White yang menyesuaikan varians error agar tetap konsisten terhadap heteroskedastisitas tanpa harus mengubah koefisien regresi itu sendiri (Hoechle, 2007).

\n

Namun, jika model Anda mengalami heteroskedastisitas dan autokorelasi secara bersamaan, opsi robust biasa tidaklah cukup. Anda harus naik level dengan menggunakan Cluster-Robust Standard Errors. Command yang digunakan adalah: xtreg y x1 x2, fe vce(cluster id). Teknik ini tidak hanya mengoreksi heteroskedastisitas, tetapi juga mengatasi korelasi observasi di dalam grup (klaster) yang sama antar waktu (Cameron & Trivedi, 2005). Ini adalah langkah penyelamatan standar untuk data panel mikro.

\n

Alternatif yang lebih canggih jika T (periode waktu) Anda lebih besar dari N (jumlah cross-section) adalah metode Feasible Generalized Least Squares (FGLS). Dalam STATA, sintaksnya adalah xtgls y x1 x2, panels(hetero) corr(ar1). FGLS secara eksplisit memodelkan struktur error dan mendistribusikan pembobotan secara matematis untuk menetralisir ragam yang tidak konstan dan korelasi AR(1).

\n

Sayangnya, FGLS memiliki kelemahan fatal jika N lebih besar dari T (panel mikro pendek). FGLS akan menghasilkan standard error yang terlalu kecil sehingga p-value menjadi sangat mudah signifikan (over-rejecting null hypothesis). Sebagai jalan keluarnya, Beck dan Katz (1995) merekomendasikan Panel Corrected Standard Errors (PCSE). Anda dapat mengaplikasikannya di STATA dengan perintah xtpcse y x1 x2, hete correlation(ar1).

\n

Singkatnya, pemilihan langkah pemulihan ini bergantung mutlak pada struktur dimensi data panel Anda. Jika N > T, gunakan vce(cluster id). Jika T > N (makro panel) dan Anda mencurigai adanya korelasi spasial atau cross-sectional dependence antar unit, xtpcse adalah jalan paling aman untuk menstabilkan model Anda agar lolos ujian dosen pembimbing dan reviewer jurnal.

\n\n

Pembahasan Ilmiah Pemilihan Estimator Regresi Data Panel di STATA

\n

Perdebatan ilmiah mengenai cara terbaik menangani spherical error pada data panel terus berkembang sejak dekade 90-an. Memilih antara Robust, Cluster, FGLS, dan PCSE bukan sekadar kebiasaan (rule of thumb), melainkan pertimbangan matematis yang berlandaskan pada sifat asimtotik data. Menggunakan estimator yang salah justru bisa memperparah bias pengujian.

\n

Kritik terbesar terhadap metode FGLS tradisional (Parks-Kmenta method) datang dari studi klasik Beck & Katz (1995). Mereka membuktikan melalui simulasi Monte Carlo bahwa ketika rasio T terhadap N kecil, estimasi matriks kovarians pada FGLS tidak efisien. \"FGLS produces standard errors that lead to extreme overconfidence, often underestimating the true standard error by 50% to 300%,\" tegas Beck & Katz (1995). Itulah sebabnya metode ini mulai banyak ditinggalkan dalam ilmu sosial empiris modern.

\n

Sebagai antitesis dari FGLS, Panel Corrected Standard Errors (PCSE) mempertahankan estimasi parameter OLS namun mengganti matriks standard error-nya dengan estimator sandwich yang mengasumsikan varians spesifik untuk setiap unit cross-section dan memperhitungkan korelasi kontemporer secara bersamaan. PCSE sangat brilian menahan laju Type I Error di mana T mirip atau sedikit lebih besar dari N.

\n

Di sisi lain, untuk data mikro panel konvensional seperti data perusahaan atau individu (di mana observasi N bisa ribuan namun periode T hanya 3 hingga 5 tahun), teori asimtotik bertumpu pada hukum jumlah klaster. Cameron dan Miller (2015) mencatat bahwa \"When N is large and T is small, clustering at the individual level allows for arbitrary heteroskedasticity and arbitrary intra-cluster correlation.\" Ini melegitimasi penggunaan vce(cluster id) sebagai prosedur standar de-facto di berbagai publikasi ekonomi.

\n

Secara anatomis, estimator sandwich Huber-White bekerja dengan membungkus matriks Hessian (roti) dengan estimasi skor gradien luar (daging). Transformasi aljabar linier ini memastikan bahwa probabilitas limit dari standard error konvergen ke nilai populasinya, terlepas dari seberapa fluktuatif distribusi residual tersebut di alam nyata.

\n

Tentu saja, jika masalah autokorelasi Anda sangat ekstrem hingga menyebabkan variabel dependen masa lalu (lagged dependent variable) ikut masuk ke dalam regressor, maka masalahnya berubah dari serial korelasi biasa menjadi endogenitas dinamis (dynamic panel bias atau Nickell bias). Dalam skenario ekstrem ini, teknik-teknik di atas (termasuk PCSE dan Cluster) tidak lagi valid, dan Anda harus menggunakan estimator Generalized Method of Moments (GMM) seperti Arellano-Bond (xtabond).

\n

Implikasi praktis bagi peneliti sangat jelas: jangan memaksakan regresi standar jika asumsi klasik gagal terpenuhi. Mengevaluasi error structure melaluixttest3dan xtserialadalah kewajiban absolut sebelum menginterpretasikan koefisien. Kesalahan dalam menangani heteroskedastisitas dan autokorelasi bukan sekadar kesalahan teknis software, tetapi kegagalan logika inferensial yang mematikan integritas karya ilmiah Anda.

\n\n

Ringkasan

\n

Heteroskedastisitas dan autokorelasi adalah masalah krusial dalam ekonometrika data panel yang membuat standar error bias dan uji hipotesis invalid. Deteksi awal menggunakan xttest3 dan xtserial wajib dilakukan. Penyelesaian masalah ini tidak bisa asal pilih; jika N > T gunakan vce(cluster id), dan jika T > N pilih xtpcse. Menghindari FGLS pada data dengan periode waktu yang pendek adalah langkah krusial untuk mencegah overconfidence pada nilai p-value model Anda.

\n\n

Daftar Pustaka

\n\n
", "author": { "name": "Anwar Hidayat" }, "tags": [ "STATA" ], "date_published": "2026-09-01T00:42:18+07:00", "date_modified": "2026-09-05T20:20:12+07:00" } ] }