Panduan Memperbaiki Model LISREL Berdasarkan Modification Indices tanpa Melanggar Teori

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.

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.

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.

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.

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.

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.

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.

Langkah-Langkah Teknis Memperbaiki Model LISREL Menggunakan Sintaks SIMPLIS

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

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. 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. 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. 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. 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. 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. 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. 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.

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

! CONTOH SINTAKS SIMPLIS PROJECT (SPJ) LISREL
! MODIFIKASI MODEL BERDASARKAN MODIFICATION INDICES

OBSERVED VARIABLES: X1 X2 X3 X4 Y1 Y2 Y3 Y4
COVARIANCE MATRIX FROM FILE DATA_PENELITIAN.COV
SAMPLE SIZE: 200
LATENT VARIABLES: KUALITAS_LAYANAN KEPUASAN_PELANGGAN

RELATIONSHIPS:
X1 X2 X3 X4 = KUALITAS_LAYANAN
Y1 Y2 Y3 Y4 = KEPUASAN_PELANGGAN
KEPUASAN_PELANGGAN = KUALITAS_LAYANAN

! =======================================================
! PERINTAH MODIFIKASI MODEL BERDASARKAN JUSTIFIKASI TEORI
! =======================================================
! 1. Membebaskan korelasi eror antar indikator sejenis (Theta-Epsilon)
LET ERRORS OF Y1 AND Y2 CORRELATE

! 2. Membebaskan jalur muatan faktor silang jika ada dukungan teori
SET PATH FROM KUALITAS_LAYANAN TO Y3

OPTIONS: MI SS SC AD=OFF
END OF PROBLEM

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.

Contoh Tabel/Diagram Output Modification Indices LISREL dan Cara Membacanya

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.

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.

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.

Pembahasan Ilmiah: Risikonya terhadap Kapitalisasi Kebetulan dan Validitas Konstruk

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.

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.

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).

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*).

Kesimpulan

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.

Daftar Pustaka

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

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

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

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

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

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.

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.

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