Panduan Solusi Masalah Uji Asumsi Normalitas Multivariat dalam Pemodelan CB SEM dengan Lisrel

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).

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).

Konsep Teori Asumsi Normalitas Multivariat dalam CB SEM

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.

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.

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).

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).

Langkah-Langkah Perbaikan Teknis dan Penulisan SIMPLIS Syntax LISREL

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:

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.

Berikut adalah contoh sintaks PRELIS (.pr2) untuk mengekspor matriks kovarians sampel dan matriks kovarians asimtotik:

DA NI=6 NO=250 MA=CM
RAWFILE=DATAMENTAH.PSD
OU MA=CM CM=DATA.COV AC=DATA.ACM
    

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.

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).

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.

Berikut adalah struktur penulisan SIMPLIS PROJECT SYNTAX secara lengkap:

Observed Variables: X1 X2 X3 Y1 Y2 Y3
Covariance Matrix from File DATA.COV
Asymptotic Covariance Matrix from File DATA.ACM
Sample Size: 250

Latent Variables: KUALITAS KEPUASAN

Relationships:
X1 - X3 = KUALITAS
Y1 - Y3 = KEPUASAN
KEPUASAN = KUALITAS

Path Diagram
Method of Estimation: Robust Maximum Likelihood
End of Problem
    

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).

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.

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.

Pembahasan Ilmiah: Formulasi Satorra-Bentler dan Pemilihan Estimator

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.

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.

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.

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.

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.

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).

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.

Kesimpulan

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.

Daftar Pustaka