Kesalahan yang Sering Terjadi Pada Analisis SEM Menggunakan LISREL dan Solusinya

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.

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.

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.

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.

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.

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.

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.

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

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).

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.

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.

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).

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.

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.

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.

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.

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).

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.

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

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.

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.

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.

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.

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.

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.

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).

Kesimpulan

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).

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.

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.
• Bollen, K. A. (1989). Structural Equations with Latent Variables. New York: John Wiley & Sons.
• Byrne, B. M. (2013). Structural Equation Modeling with LISREL, PRELIS, and SIMPLIS: Basic Concepts, Applications, and Programming. Routledge.
• 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.
• Finney, S. J., & DiStefano, C. (2013). Non-normal 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.
• 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.
• Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Chicago, IL: Scientific Software International.
• 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 overfitting. Structural Equation Modeling, 11(3), 320-341.
• Raykov, T., & Marcoulides, G. A. (2006). A First Course in Structural Equation Modeling (2nd ed.). Lawrence Erlbaum Associates.