Tutorial Mengatasi Output LISREL Algorithm Did Not Converge (Gagal Iterasi)

Kendala teknis yang kerap menghentikan proses pemodelan persamaan struktural adalah munculnya pesan peringatan konvergensi pada berkas luaran LISREL, sehingga penerapan Tutorial Mengatasi Output LISREL Algorithm Did Not Converge (Gagal Iterasi) menjadi langkah krusial untuk menyelamatkan pengujian model. Gangguan ini secara umum ditandai dengan munculnya pesan sistemik seperti W_A_R_N_I_N_G: The algorithm did not converge in 16 iterations pada berkas luaran teks (.out). Ketika pesan ini hadir, LISREL secara otomatis menghentikan proses estimasi matematika sebelum koefisien parameter mencapai nilai yang stabil.

Dampak langsung dari kegagalan iterasi ini adalah tidak dikeluarkannya nilai estimasi parameter secara lengkap, hilangnya nilai standar eror, serta ketidakmampuan program dalam menampilkan diagram jalur terstandar pada antarmuka SIMPLIS Project (.spj). Dalam eksekusi analisis berbasis berkas .spj, kondisi non-konvergensi menandakan bahwa algoritma minimasi fungsi Maximum Likelihood tidak berhasil menemukan titik minimum global pada permukaan fungsi kelayakan, sehingga seluruh kalkulasi yang dihasilkan tidak dapat digunakan untuk penarikan kesimpulan ilmiah.

Secara konseptual, proses estimasi parameter dalam pemodelan persamaan struktural berbasis kovarians mengandalkan teknik iteratif numerik untuk meminimalkan perbedaan antara matriks kovarians sampel dengan matriks kovarians yang diestimasi oleh model. Jöreskog dan Sörbom (1996) menjelaskan bahwa algoritma Maximum Likelihood pada LISREL memulai perhitungan dari nilai awal (*starting values*) tertentu, kemudian secara bertahap memperbarui estimasi parameter hingga perubahan nilai fungsi minimasi berada di bawah ambang batas toleransi yang sangat kecil.

Konvergensi tercapai apabila siklus perulangan estimasi berhasil menemukan titik stasioner pada fungsi fit. Bollen (1989) menegaskan bahwa apabila jumlah siklus perulangan melampaui batas maksimum yang dialokasikan oleh perangkat lunak tanpa mencapai titik stasioner tersebut, maka proses perhitungan dihentikan secara paksa dan menghasilkan status *non-convergence*.

Anderson dan Gerbing (1988) mengidentifikasi bahwa penyebab utama kegagalan konvergensi dapat dikelompokkan menjadi faktor teknis komputasi dan faktor struktur data. Faktor teknis mencakup alokasi jumlah iterasi bawaan yang terlalu ketat, sedangkan faktor struktur data meliputi ketidakseimbangan rentang skala antar variabel, ukuran sampel yang sangat terbatas, serta tingginya kebingungan korelasi antar variabel laten.

Boomsma (1985) menambahkan bahwa ketersediaan nilai awal yang jauh dari nilai parameter aktual populasi dapat menyebabkan algoritma terjebak dalam jalur pencarian numerik yang lambat. Kondisi ini membuat proses iterasi membutuhkan siklus perhitungan yang jauh lebih panjang daripada batas standar sistem LISREL.

Peneliti yang ingin memperdalam landasan teoretis pemodelan matematika serta landasan teori dasar estimasi struktural di statistikian.com sangat dianjurkan untuk memahami mekanisme fungsi minimasi sebelum melakukan perubahan pada parameter kontrol SIMPLIS Project.

Berikut adalah langkah-langkah perbaikan teknis mandiri yang dapat diterapkan dalam berkas proyek SIMPLIS (.spj) beserta alasan ilmiahnya.

Langkah pertama, tingkatkan batas maksimum iterasi bawaan LISREL. Secara standar, LISREL SIMPLIS hanya mengalokasikan 16 kali iterasi. Pada model yang relatif kompleks atau memiliki banyak variabel laten, jumlah tersebut sering kali tidak mencukupi bagi algoritma untuk mencapai konvergensi (Byrne, 2013).

Langkah kedua, dalam bahasa SIMPLIS (.spj), peningkatan jumlah iterasi dilakukan dengan menambahkan baris perintah perintah pada bagian opsi: **Set the Number of Iterations to 200** atau **Set the Number of Iterations to 500**. Peningkatan ini memberikan kesempatan bagi algoritma Gauss-Newton untuk menyelesaikan proses penyesuaian matriks secara sempurna.

Langkah ketiga, periksa skala pengukuran dan nilai varians dari seluruh variabel teramati dalam berkas LISREL Data System (.psf). Disparitas varians yang terlalu besar, misalnya satu variabel memiliki varians 0.05 sementara variabel lain memiliki varians 5000.00, dapat memicu kondisi *ill-conditioned matrix* yang menghambat konvergensi (Kline, 2016).

Langkah keempat, lakukan tindakan *rescaling* atau standardisasi variabel teramati pada PRELIS sebelum dimasukkan ke dalam SIMPLIS Project. Menyamakan rentang varians variabel teramati akan menghaluskan permukaan fungsi kelayakan sehingga algoritma pencarian titik minimum bekerja lebih efisien.

Langkah kedelapan, berikan nilai awal (*starting values*) yang lebih realistis apabila model tergolong sangat rumit. Dalam sintaks SIMPLIS, penentuan nilai awal dapat ditulis secara spesifik untuk memandu arah kalkulasi awal algoritma.

Langkah kesembilan, format penulisan nilai awal pada baris relasi SIMPLIS dapat dilakukan dengan menentukan estimasi awal jalur, seperti: **Set the Start Value of the Path from LatenA to IndikatorA to 0.50**. Pemberian nilai awal yang tepat mencegah algoritma melompat ke area parameter yang tidak masuk akal (Hair et al., 2019).

Langkah kesepuluh, periksa keberadaan kondisi *empirical under-identification*. Pastikan setiap variabel laten yang diukur memiliki minimal tiga indikator teramati, atau minimal dua indikator dengan konstrain kesamaan yang dipasang secara tepat (McDonald, 1985).

Langkah kesebelas, jika data mengandung penyimpangan normalitas multivariat yang parah, ubah metode estimasi dari Maximum Likelihood standar menjadi Robust Maximum Likelihood dengan menambahkan perintah: **Method of Estimation: Robust Maximum Likelihood** pada berkas .spj.

Langkah kedua belas, evaluasi kecukupan ukuran sampel penelitian. Jika ukuran sampel terlalu kecil relatif terhadap jumlah parameter terestimasi, pertimbangkan untuk menambah jumlah responden agar matriks kovarians sampel lebih stabil dan representatif.

Contoh Tabel/Diagram Output Log Iterasi LISREL

Tabel log iterasi di atas mengilustrasikan perjalanan komputasi LISREL SIMPLIS dalam mencari titik konvergensi matematika.

Pada pengujian awal (baris berwarna merah), LISREL secara otomatis menghentikan perhitungan ketika mencapai iterasi ke-16 karena telah menyentuh batas bawaan sistem. Laporan luaran menampilkan status *Algorithm Did Not Converge*, yang menyebabkan seluruh estimasi parameter, standar eror, dan uji kecocokan model tidak dapat dikeluarkan.

Setelah perintah **Set the Number of Iterations to 200** ditambahkan ke dalam berkas SIMPLIS Project (.spj), algoritma terus melanjutkan proses pembaruan parameter hingga akhirnya mencapai titik konvergensi pada iterasi ke-74 (baris berwarna biru). Ketika kombinasi pengesetan nilai awal (*start values*) juga diterapkan, jumlah siklus perulangan dapat dipangkas lebih jauh menjadi hanya 32 kali iterasi.

Pembahasan mendalam mengenai kegagalan konvergensi menggarisbawahi pentingnya membedakan antara masalah ketersediaan alokasi iterasi numerik dan masalah cacat struktural pada model. Raykov dan Marcoulides (2006) menjelaskan bahwa apabila peningkatan batas iterasi hingga angka 500 tetap tidak menghasilkan konvergensi, maka akar masalahnya terletak pada spesifikasi model yang tidak teridentifikasi (*unidentified model*) atau kualitas data yang sangat buruk.

Marsh et al. (2004) menekankan bahwa peneliti tidak boleh sekadar menaikkan jumlah iterasi secara tidak terbatas tanpa memeriksa matriks korelasi antar indikator. Kehadiran indikator dengan tingkat korelasi silang yang sangat tinggi dapat membuat matriks kovarians sampel menjadi singular, sehingga algoritma LISREL terus berputar tanpa akhir dalam ruang matematika yang tidak stabil.

Oleh karena itu, kombinasi antara evaluasi kesehatan matriks data pada PRELIS dan penyesuaian sintaks kontrol pada SIMPLIS Project merupakan pendekatan holistik yang paling efektif untuk menjamin kelancaran analisis struktural (Chen et al., 2001; Kline, 2016).

Kesimpulan

Pesan error *LISREL Algorithm Did Not Converge* pada eksekusi SIMPLIS Project terjadi ketika proses iterasi numerik terhenti sebelum mencapai minimasi fungsi yang stabil. Penyebab utamanya meliputi alokasi batas iterasi bawaan yang terlalu rendah, disparitas skala varians variabel, pemberian nilai awal yang kurang tepat, serta ketidakstabilan matriks kovarians sampel.

Penanganan masalah ini dapat dilakukan secara sistematis mulai dari meningkatkan batas iterasi menjadi 200 atau 500 pada berkas .spj, melakukan standardisasi skala data pada PRELIS, menentukan nilai awal parameter secara eksplisit, hingga menyesuaikan metode estimasi menjadi Robust Maximum Likelihood apabila ditemukan penyimpangan distribusi data.

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.
• Boomsma, A. (1985). Nonconvergence, improper solutions, and starting values in LISREL maximum likelihood estimation. Psychometrika, 50(2), 229-242.
• 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.
• 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. (1996). LISREL 8: User's Reference Guide. Chicago, IL: Scientific Software International.
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• 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.
• McDonald, R. P. (1985). Factor Analysis and Related Methods. Lawrence Erlbaum Associates.
• Raykov, T., & Marcoulides, G. A. (2006). A First Course in Structural Equation Modeling (2nd ed.). Lawrence Erlbaum Associates.