Kesalahan Fatal dalam Spesifikasi Model Struktural CB SEM dan Efeknya pada Output

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.

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.

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.

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.

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).

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.

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.

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:

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).

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.

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.

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.

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.

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).

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.

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).

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.

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.

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.

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.

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

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.

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).

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.

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.

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).

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.

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).

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.

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.

Kesimpulan

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.

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.

Daftar Pustaka

• 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.
• Asparouhov, T., & Muthén, B. (2009). Exploratory structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 16(3), 397-438.
• Bentler, P. M., & Chou, C. P. (1987). Practical issues in structural modeling. Sociological Methods & Research, 16(1), 78-117.
• Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
• Cudeck, R., & Browne, M. W. (1983). Cross-validation of covariance structures. Multivariate Behavioral Research, 18(2), 147-167.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
• Hayduk, L. A. (1987). Structural Equation Modeling with LISREL: Essentials and Advances. Johns Hopkins University Press.
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• Kolenikov, S., & Bollen, K. A. (2012). Testing negative error variances: Is a Heywood case a symptom of misspecification? Sociological Methods & Research, 41(1), 124-167.
• MacCallum, R. C. (1995). Model specification and specification error in structural equation modeling. In R. H. Hoyle (Ed.), Structural Equation Modeling: Concepts, Issues, and Applications (pp. 16-32). Sage Publications.
• 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.
• McDonald, R. P., & Ho, M. Y. R. (2002). Principles and practice in reporting structural equation analyses. Psychological Methods, 7(1), 64-82.
• Mulaik, S. A., James, L. R., Van Alstine, J., Bennett, N., Lind, S., & Stilwell, C. D. (1989). Evaluation of goodness-of-fit indices for structural equation models. Psychological Bulletin, 105(3), 430-445.
• 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.
• Raykov, T., & Penev, S. (1999). On structural equation model equivalence. Multivariate Behavioral Research, 34(2), 199-244.
• Sörbom, D. (1989). Model modification within the LISREL framework. Psychometrika, 54(3), 371-384.
• Stelzl, I. (1986). Changing a causal hypothesis without changing the fit: Some rules for generating equivalent path models. Multivariate Behavioral Research, 21(3), 309-331.
• Tomarken, A. J., & Waller, N. G. (2003). Potential problems with "well fitting" models. Journal of Abnormal Psychology, 112(1), 39-50.