Tutorial Mengatasi Multikolinearitas dan Variance Inflation Factor Tinggi di LISREL

Ketika melakukan analisis model persamaan struktural menggunakan perangkat lunak LISREL, peneliti sering kali dihadapkan pada pesan peringatan mendasar seperti "W_A_R_N_I_N_G: Matrix is Singular", "The Matrix is Not Positive Definite", atau kondisi di mana Standard Errors are Inflated" secara tidak wajar. Gejala teknis ini merupakan indikator utama hadirnya masalah **multikolinearitas dan Variance Inflation Factor tinggi di LISREL**, di mana antar indikator atau antar variabel laten memiliki tingkat korelasi linier yang sangat kuat melebihi ambang batas toleransi statistik. Akibatnya, iterasi estimasi *maximum likelihood* mengalami kegagalan konvergensi, menghasilkan varians kesalahan bernilai negatif (*Heywood case*), atau memicu t-value yang berfluktuasi secara sporadis.

Munculnya nilai *Variance Inflation Factor* (VIF) di atas angka 10 pada modul PRELIS atau korelasi antar variabel laten yang melebihi 0.85 dalam keluaran LISREL menandakan bahwa informasi yang disumbangkan oleh satu variabel hampir sepenuhnya diserap oleh variabel lainnya. Masalah ini tidak hanya mengganggu kestabilan matematika dalam inversi matriks kovarians, tetapi juga merusak validitas diskriminan antar konstruk. Pemahaman mengenai akar penyebab, diagnosis melalui keluaran matriks, serta strategi penanganan teknis melalui pemodelan SIMPLIS sangat krusial agar estimasi parameter struktural tetap valid dan berdaya guna secara ilmiah.

Secara konseptual, multikolinearitas terjadi ketika dua atau lebih variabel independen dalam model regresi atau persamaan struktural menunjukkan hubungan korelasi yang sangat tinggi. Dalam konteks *Structural Equation Modeling* (SEM), multikolinearitas dapat muncul pada dua tingkat utama: tingkat variabel teramati (*observed variables*) dan tingkat variabel laten (*unobserved constructs*). Hair et al. (2019) menjelaskan bahwa keberadaan kolinearitas yang ekstrem memicu penggelembungkan nilai standar deviasi dari estimasi koefisien, sehingga pengujian hipotesis menjadi tidak sensitif terhadap pengaruh nyata antar variabel.

Untuk memahami landasan teori multikolinearitas dasar secara komprehensif, evaluasi regresi konvensional mengukur gejala ini dengan mengamati nilai *Tolerance* dan *Variance Inflation Factor* (VIF). Dalam matematika statistik, nilai VIF dirumuskan sebagai invers dari nilai *Tolerance*, yaitu satu dibagi dengan satu dikurangi nilai koefisien determinasi dari regresi satu variabel independen terhadap variabel independen lainnya. Ketika nilai VIF melampaui angka 10, hal tersebut menandakan bahwa lebih dari 90 persen varians dari variabel tersebut telah dijelaskan oleh variabel independen lainnya di dalam model.

Dalam kerangka kerja LISREL, estimasi parameter sangat bergantung pada operasi aljabar matriks kovarians teramati. Jöreskog dan Sörbom (1996) menegaskan bahwa algoritma *Maximum Likelihood* (ML) dan *Generalized Least Squares* (GLS) membutuhkan perhitungan invers dari matriks kovarians. Jika terjadi multikolinearitas tinggi, determinan dari matriks kovarians akan mendekati angka nol. Kondisi matriks yang mendekati *singular* ini menyebabkan komputasi matematika menjadi tidak stabil dan memicu pesan kesalahan bahwa matriks bukan merupakan *positive definite*.

Kline (2016) menambahkan bahwa korelasi antar variabel laten yang melebihi angka 0.85 merupakan petunjuk kuat adanya pelanggaran validitas diskriminan (*discriminant validity*). Kondisi ini mengindikasikan bahwa dua konstruk yang secara teoritis dianggap berbeda sebenarnya mengukur dimensi empiris yang sama. Jika kedua konstruk tersebut tetap dipaksakan berdiri sendiri sebagai variabel independen yang memprediksi variabel dependen yang sama, LISREL akan mengalami kesulitan dalam memisahkan efek kontribusi individual dari masing-masing variabel laten.

Dampak teknis lainnya menurut Tabachnick dan Fidell (2019) adalah terjadinya *over-fitting* dan variabilitas estimasi yang ekstrem. Perubahan kecil pada data sampel dapat menyebabkan perubahan drastis pada besaran dan tanda (+/-) dari koefisien jalur struktural. Oleh karena itu, penanganan multikolinearitas di LISREL tidak cukup hanya dengan merenungkan teori, melainkan memerlukan langkah-langkah perbaikan teknis pada spesifikasi model dan perbaikan data melalui sintaks SIMPLIS.

Langkah Technical Self-Remediation Mengatasi Multikolinearitas di LISREL

Langkah pertama dalam perbaikan teknis adalah melakukan skrining diagnostik pada tahap pra-analisis menggunakan PRELIS. Peneliti harus memeriksa nilai VIF dari setiap indikator teramati. Apabila ditemukan indikator dengan VIF melebihi 10 atau korelasi antar indikator bernilai sangat tinggi, pendekatan **Item Parceling** dapat diterapkan. *Item parceling* adalah teknik menggabungkan atau merata-ratakan dua atau lebih indikator yang terbukti redundan menjadi satu indikator komposit baru sebelum diestimasi dalam LISREL.

Marsh et al. (2013) mengungkapkan bahwa penggabungan indikator yang terkorrelasi tinggi menjadi bentuk *parcel* secara efektif dapat mengurangi rasio indikator terhadap ukuran sampel, meningkatkan stabilitas matriks kovarians, mengurangi kesalahan pengukuran, serta mengeliminasi gejala multikolinearitas pada tingkat indikator teramati tanpa mengorbankan cakupan substansi teori.

Langkah teknis kedua adalah menerapkan respesifikasi model menjadi **Second-Order Factor Analysis** (Model Faktor Orde Kedua). Jika dua atau lebih variabel laten memiliki korelasi sangat kuat (misalnya korelasi lebih dari 0.85), alih-alih menempatkannya secara sejajar sebagai variabel independen yang terpisah, variabel-variabel tersebut direspesifikasi sebagai dimensi dari satu konstruk laten yang lebih tinggi (*higher-order construct*).

Langkah teknis ketiga adalah memanfaatkan fitur khusus pada LISREL yaitu **Ridge SEM** (*Ridge Structural Equation Modeling*). Dalam sintaks SIMPLIS (SPJ), peneliti dapat menambahkan konstanta *ridge* pada baris opsi estimasi. Penggunaan opsi *Ridge* memberikan koreksi numerik kecil pada diagonal matriks kovarians yang *ill-conditioned*, sehingga matriks kembali berstatus *positive definite* dan proses estimasi dapat berjalan hingga konvergen.

Berikut adalah contoh sintaks SIMPLIS (proyek `.spj`) yang mengimplementasikan opsi *Ridge* dan penyesuaian model untuk mengatasi matriks *singular* akibat multikolinearitas:

! Contoh Syntax SIMPLIS (SPJ) LISREL dengan Opsi Ridge dan Respesifikasi
Observed Variables: X1 X2 X3 Y1 Y2 Y3 Z1 Z2 Z3
Sample Size: 250
Correlation Matrix from File DATA_RIDGE.COR
Latent Variables: Kualitas_Layanan Kepuasan_Pelanggan Loyalitas_Pelanggan

Relationships:
X1 - X3 = Kualitas_Layanan
Y1 - Y3 = Kepuasan_Pelanggan
Z1 - Z3 = Loyalitas_Pelanggan
Kepuasan_Pelanggan = Kualitas_Layanan
Loyalitas_Pelanggan = Kualitas_Layanan Kepuasan_Pelanggan

! Penerapan Opsi Ridge untuk Menstabilkan Inversi Matriks Singular
Options: RS SS EF VA Ridge = 0.01
Path Diagram
End of Problem

Langkah teknis keempat adalah melakukan eliminasi indikator yang terbukti memiliki nilai *error correlation* atau korelasi residual yang sangat ekstrem berdasarkan nilai *Modification Indices* (MI). Dalam LISREL, jika dua indikator dalam satu variabel laten memiliki nilai MI yang sangat besar pada matriks kesalahan pengukuran, menghapus salah satu indikator terbukti secara langsung menurunkan multikolinearitas dan meningkatkan tingkat kelayakan model (*goodness of fit*).

Contoh Tabel/Diagram Output Matriks Korelasi LISREL dan Cara Membacanya

Untuk membaca keluaran LISREL seperti yang diilustrasikan pada tabel matriks di atas, peneliti perlu memperhatikan bagian *Estimated Correlation Matrix of ETA and ETA* atau *ETA and PSI*. Pada contoh di atas, nilai korelasi antara variabel laten **Kualitas Layanan** dan **Kepuasan Pelanggan** berada pada angka **0.935**. Menurut kriteria Bollen (1989), angka korelasi di atas 0.85 memberikan konfirmasi visual bahwa model mengalami multikolinearitas berat pada tingkat konstruk laten.

Dampak langsung dari nilai korelasi 0.935 ini adalah penggelembungkan estimasi standar error (*standard error inflation*) pada persamaan jalur menuju **Loyalitas Pelanggan**. Ketika LISREL dipaksa menghitung nilai estimasi jalur secara bersamaan, bobot regresi salah satu variabel dapat berubah menjadi sangat kecil atau bertanda negatif yang berlawanan dengan teori dasar, meskipun korelasi bivariat sederhananya bernilai positif.

Jika peneliti mengamati bagian keluaran PRELIS sebelum estimasi LISREL dijalankan, indikator-indikator penyusun Kualitas Layanan dan Kepuasan Pelanggan juga akan menunjukkan nilai VIF melampaui angka 10.0 dan nilai *Tolerance* berada di bawah 0.10. Gejala sistematis ini menegaskan perlunya tindakan intervensi metodologis seperti respesifikasi model menjadi *second-order factor* atau penerapan *item parceling*.

Pembahasan Ilmiah dan Implikasi Metodologis

Secara ekonometrika dan statistik terapan, penanganan multikolinearitas pada model SEM berbeda dengan regresi linear berganda konvensional. Hayduk (1987) menegaskan bahwa dalam regresi OLS, multikolinearitas hanya memengaruhi variabel bebas tanpa melibatkan struktur pengukuran (*measurement model*). Namun dalam LISREL, karena variabel laten diestimasi melalui indikator teramati, multikolinearitas dapat bersumber dari kesalahan spesifikasi indikator (*indicator misspecification*) maupun keterhubungan linier nyata antar variabel laten.

Ghasemy et al. (2020) menggarisbawahi bahwa mengabaikan peringatan matriks *not positive definite* dalam LISREL dan memaksakan interpretasi hasil dapat mengarah pada kesimpulan ilmiah yang sesat (*spurious findings*). Standar error yang melonjak tinggi secara buatan (*artificially inflated standard errors*) mengakibatkan p-value menjadi sangat besar, sehingga peneliti berisiko melakukan kesalahan Tipe II (*Type II Error*), yaitu menolak hipotesis penelitian yang sebenarnya memiliki pengaruh nyata di populasi.

Byrne (2016) menekankan pentingnya evaluasi validitas konvergen dan diskriminan sebagai bagian tak terpisahkan dari diagnosis multikolinearitas. Jika dua variabel laten memiliki korelasi di atas 0.85, peneliti disarankan untuk melakukan uji komparasi model. Uji ini dilakukan dengan membandingkan model awal (dua konstruk terpisah) dengan model alternatif di mana korelasi kedua konstruk ditetapkan bernilai 1.0 (dijadikan satu konstruk). Jika perbedaan nilai *Chi-Square* antara kedua model tidak signifikan, maka bukti empiris mendukung penyatuan kedua konstruk tersebut.

Sintaks SIMPLIS memberikan fleksibilitas tinggi dalam mengatasi kebuntuan estimasi ini. Berikut adalah contoh sintaks SIMPLIS (SPJ) untuk pengujian respesifikasi model *Second-Order Factor* sebagai bentuk penanganan multikolinearitas tingkat laten:

! Contoh Syntax SIMPLIS (SPJ) Model Second-Order Factor LISREL
Observed Variables: X1 X2 X3 Y1 Y2 Y3 Z1 Z2 Z3
Sample Size: 250
Correlation Matrix from File DATA_SECOND.COR
Latent Variables: Kualitas_Layanan Kepuasan_Pelanggan Persepsi_Keseluruhan Loyalitas_Pelanggan

Relationships:
X1 - X3 = Kualitas_Layanan
Y1 - Y3 = Kepuasan_Pelanggan
Z1 - Z3 = Loyalitas_Pelanggan

! Respesifikasi: Kualitas dan Kepuasan menjadi Dimensi dari Persepsi Keseluruhan
Kualitas_Layanan = Persepsi_Keseluruhan
Kepuasan_Pelanggan = Persepsi_Keseluruhan
Loyalitas_Pelanggan = Persepsi_Keseluruhan

Options: RS SS EF VA
Path Diagram
End of Problem

Raykov dan Marcoulides (2006) menjelaskan bahwa pendekatan *Second-Order Factor* seperti pada sintaks di atas berhasil menyelesaikan masalah multikolinearitas dengan mengubah hubungan korelasi yang tadinya bersifat bersaing (*competitive colinearity*) menjadi hubungan struktural hierarkis. Dengan demikian, *Persepsi Keseluruhan* bertindak sebagai konstruk orde tinggi yang menangkap varians bersama, sementara *Kualitas Layanan* dan *Kepuasan Pelanggan* bertindak sebagai dimensi penyusunnya.

Selain perubahan struktur model, kecukupan ukuran sampel (*sample size sufficiency*) juga memegang peranan penting. Sebagaimana ditunjukkan oleh Bollen (1989), matriks kovarians sampel yang diperoleh dari ukuran sampel yang terlalu kecil cenderung berfluktuasi secara acak dan rentan menghasilkan matriks yang *ill-conditioned*. Menambah jumlah sampel penelitian secara langsung dapat meningkatkan ketelitian estimasi matriks kovarians dan meredakan gejala multikolinearitas yang disebabkan oleh variasi sampling (*sampling fluctuation*).

Kesimpulan

Masalah **multikolinearitas dan Variance Inflation Factor tinggi di LISREL** bukanlah akhir dari proses analisis data, melainkan petunjuk metodologis bahwa spesifikasi pengukuran atau struktur model memerlukan perbaikan. Kemunculan pesan error seperti *matrix is not positive definite* atau nilai VIF > 10 di PRELIS harus direspon secara sistematis. Tahapan perbaikan dapat dimulai dari skrining indikator teramati melalui *item parceling*, penerapan opsi *Ridge* pada sintaks SIMPLIS untuk menstabilkan inversi matriks, hingga respesifikasi model menjadi *Second-Order Factor* apabila terjadi overlap konseptual antar variabel laten. Dengan langkah remedi yang terukur berdasarkan landasan teori ilmiah, model persamaan struktural LISREL dapat menghasilkan estimasi parameter yang konvergen, stabil, dan valid secara akademis.

Daftar Pustaka

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

Byrne, B. M. (2016). Structural Equation Modeling With LISREL, PRELIS, and SIMPLIS: Basic Concepts, Applications, and Programming. Routledge.

Ghasemy, M., Teeroovengadum, V., Becker, J. M., & Ringle, C. M. (2020). Addressing multicollinearity in structural equation modeling: Guidelines and recommendations. Journal of Applied Statistics, 47(11), 1980-2001.

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. Scientific Software International.

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

Marsh, H. W., Lüdtke, O., Nagengast, B., Trautwein, U., & Abduljabbar, A. S. (2013). Why item parcels are better than items: But why best strategy is total aggregation. Structural Equation Modeling: A Multidisciplinary Journal, 20(3), 352-384.

Raykov, T., & Marcoulides, G. A. (2006). A First Course in Structural Equation Modeling (2nd ed.). Lawrence Erlbaum Associates.

Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.