Sebab dan Cara Mengatasi Masalah Model Not Positive Definite dan Under-Identified Pada CB SEM Lisrel

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.

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).

TI Menguji Model Struktural
DA NI=12 NO=150 MA=CM
...
W A R N I N G : Matrix to be analyzed is not positive definite.
Ridge Option Invoked.
...
F A T A L  E R R O R : The model is under-identified.
Degrees of Freedom = -3. 
Estimation cannot proceed. Path coefficients will not be computed.
            

Fondasi Teori Identifikasi Model dalam CB-SEM

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.

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.

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.

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.

Langkah Perbaikan Teknis Model LISREL yang Error

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.

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.

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.

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.

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).

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.

TI Measurement Model Fixed
...
MO NX=6 NK=2 LX=FU,FR PH=SY,FR TD=DI,FR
! SOLUSI 1: Menetapkan reference indicator ke 1.0 (Skala Laten)
FI LX(1,1) LX(4,2)
VA 1.0 LX(1,1) LX(4,2)

! SOLUSI 2: Mengatasi Heywood case di indikator 3
BO TD(3,3) > 0.001

PD
OU ME=ML RS EF MI SC
...
Degrees of Freedom = 8
Normal Theory Weighted Least Squares Chi-Square = 12.45 (P = 0.13)
[ESTIMASI BERHASIL Diselesaikan]
            

Pembahasan Ilmiah: Anatomi Matriks dan Identifikasi Empiris

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.

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.

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.

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.

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.

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).

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.

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.

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.

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.

Kesimpulan

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.

Daftar Pustaka

• Bollen, K. A. (1989). Structural Equations with Latent Variables. John Wiley & Sons.
• Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). Guilford Publications.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2018). Multivariate Data Analysis (8th ed.). Cengage Learning.
• Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User's Reference Guide. Scientific Software International.
• Kenny, D. A. (1979). Correlation and Causality. Wiley.
• Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Publications.