Common Method Bias (Harman's Single Factor Test)

Semua data skripsi Anda datang dari satu kuesioner, diisi satu orang, dalam satu kali duduk. Variabel bebas (motivasi) dan variabel terikat (kinerja) ditanyakan di lembar yang sama, dengan skala Likert yang sama. Hasilnya rapi: semua korelasi tinggi, semua hipotesis terdukung. Lalu penguji bertanya: “Korelasi sekuat ini karena hubungannya memang nyata, atau karena Anda mengukur semuanya dengan cara yang sama?”

Pertanyaan itu tidak iseng. Kalau seluruh angka lahir dari satu sumber yang sama, sebagian kemiripannya bisa jadi datang dari sumbernya, bukan dari kenyataan yang diukur. Inilah yang dipersoalkan common method bias.

Artikel ini membangun common method bias dari nol: kenapa satu metode pengukuran bisa menggelembungkan korelasi, cara mendeteksinya dengan Harman’s single factor test (lengkap dengan hitungan manual), dua pemeriksaan yang lebih ketat (full collinearity VIF dan marker variable), lalu cara mencegahnya sejak desain.

Apa Itu Common Method Bias

Common method bias (CMB) — sering juga disebut common method variance (varian metode bersama) — adalah bias yang muncul karena semua variabel diukur dengan metode yang sama: satu kuesioner laporan-diri (self-report), satu sumber responden, satu waktu pengukuran. Karena alat ukurnya seragam, sebagian korelasi antarvariabel bisa berasal dari kesamaan metode itu, bukan dari hubungan teoretis yang sebenarnya.

Intinya sederhana. Setiap jawaban kuesioner adalah campuran dua hal:

$$\text{skor jawaban} = \text{sifat yang sebenarnya diukur} + \text{efek metode} + \text{galat acak}$$

“Efek metode” adalah apa pun yang menggerakkan jawaban tetapi tidak ada hubungannya dengan isi pertanyaan: suasana hati saat mengisi, kecenderungan menjawab “setuju” untuk apa saja, gaya menjawab konsisten supaya terlihat rapi. Bila efek metode ini sama di semua pertanyaan (karena metodenya satu), dia menjadi sumber gerak bersama yang menempel di setiap variabel.

Bayangkan responden yang sedang murung mengisi kuesioner. Dia cenderung memberi skor rendah di semua pertanyaan — soal motivasi maupun soal kinerja. Akibatnya kedua variabel ikut turun bersama, lalu tampak berkorelasi, padahal yang menggerakkan keduanya cuma suasana hati saat mengisi. Korelasi semacam ini semu (artifisial): bukan tanda hubungan nyata, melainkan jejak metode yang sama.

Visualnya paling jelas lewat diagram jalur. Dalam model penelitian, kita berharap dua konstruk laten berhubungan lewat jalur teoretis. Masalahnya, kalau semua indikator diukur dengan satu metode, ada faktor metode tersembunyi yang ikut menempel di setiap kotak indikator — dan jejak inilah yang menggelembungkan korelasi.

Kapan ini jadi perhatian:

• Kuesioner laporan-diri yang mengukur variabel bebas dan terikat sekaligus di lembar yang sama.
• Satu responden menilai semua konstruk (mis. karyawan menilai motivasi dirinya sendiri dan kinerjanya sendiri).
• Pengukuran dilakukan sekali jalan, tanpa jeda waktu antarvariabel.

Kalau ketiganya terpenuhi sekaligus — dan itu kondisi paling lazim di skripsi survei — risiko CMB paling tinggi, jadi wajib diperiksa.

Intuisi Sebelum Rumus: Cara Mendeteksi

Bagaimana cara mengintip apakah ada “satu sumber bersama” yang mendominasi jawaban? Gagasan Harman sederhana dan cerdik.

Kalau memang ada satu efek metode yang menyetir semua jawaban, maka saat semua item dari semua variabel dianalisis bersama, mereka akan cenderung menggumpal jadi satu faktor besar. Sebaliknya, kalau jawaban digerakkan oleh banyak hal berbeda (motivasi punya sumbernya sendiri, kinerja punya sumbernya sendiri), varian akan tersebar ke banyak faktor, tidak menumpuk di satu tempat.

Jadi caranya: kumpulkan semua item, paksa analisis faktor menghasilkan tepat satu faktor, lalu ukur seberapa rakus faktor tunggal itu menyerap varian. Kalau satu faktor saja sudah melahap lebih dari separuh varian total, itu pertanda ada sumber bersama yang mendominasi — kemungkinan besar efek metode.

Inilah inti uji Harman dalam satu kalimat: satu faktor tidak boleh menyerap lebih dari separuh varian.

Rumus: Persentase Varian Faktor Pertama

Seberapa rakus faktor pertama diukur dari eigenvalue-nya dibagi total varian. Saat analisis dijalankan atas matriks korelasi (skor sudah terstandar, tiap item dibuat bervarian 1), total varian seluruh item sama dengan jumlah item.

$$ \%\,\text{varian}_1 = \frac{\lambda_1}{k} \times 100\% $$

Penjelasan tiap lambang:

• $\lambda_1$ (dibaca “lambda-satu”) = eigenvalue faktor pertama, yaitu banyaknya varian yang ditangkap faktor itu. Satuannya setara “jumlah item”: $\lambda_1 = 3{,}8$ berarti faktor pertama menyerap varian sebanyak 3,8 item.
• $k$ = jumlah item total yang dimasukkan ke analisis faktor (gabungan semua variabel). Misalnya kuesioner punya 4 item motivasi + 3 item kepuasan + 3 item kinerja, maka $k = 10$.
• Hasil baginya adalah proporsi varian total yang diserap satu faktor; dikali 100% jadi persen.

Kenapa total varian = $k$? Pada matriks korelasi, tiap item disetel agar variannya tepat 1. Karena ada $k$ item, total variannya $1 + 1 + \dots + 1 = k$. Dan ada sifat yang selalu berlaku: jumlah seluruh eigenvalue = jumlah total varian = $k$. Faktor pertama mengambil potongan terbesar dari kue sebesar $k$ itu.

Eigenvalue sendiri dihitung lewat proses iteratif (dekomposisi matriks korelasi) yang butuh software — itu bagian yang dikerjakan SPSS. Tapi begitu angka $\lambda_1$ keluar, langkah membaginya dengan $k$ bisa Anda kerjakan dengan tangan, dan langkah itulah yang menentukan keputusan.

Contoh Hitung Manual dari Nol

Misal kuesioner skripsi punya 10 item total (gabungan semua variabel), jadi $k = 10$. Karena memakai matriks korelasi, total varian = jumlah item = 10. Berikut eigenvalue tiap faktor yang dilaporkan SPSS (perhatikan jumlahnya tepat 10):

Yang dipakai untuk uji Harman cuma baris pertama. Masukkan ke rumus:

$$ \%\,\text{varian}_1 = \frac{\lambda_1}{k} \times 100\% = \frac{3{,}8}{10} \times 100\% = 0{,}38 \times 100\% = 38\% $$

Bandingkan dengan ambang 50%:

$$ 38\% < 50\% $$

Karena 38% masih di bawah 50%, faktor tunggal tidak mendominasi: varian tersebar ke beberapa faktor (38%, 16%, 12%, dan seterusnya). Kesimpulan: common method bias bukan masalah serius pada data ini — lolos Harman’s single factor test.

Satu hal yang jujur perlu disampaikan ke pembimbing: Harman’s test itu uji yang minimal dan kasar. Dia hanya mendeteksi CMB yang sangat parah, dan banyak metodolog menganggapnya kurang peka. Lolos uji ini berarti “tidak ada bukti CMB ekstrem”, bukan jaminan bersih. Karena itu sebaiknya dilengkapi pemeriksaan lain dan, yang terpenting, dicegah sejak desain kuesioner.

Mengambil Keputusan di SPSS

Patokan bacanya satu garis: bandingkan persen varian faktor pertama dengan 50%.

Langkah di SPSS: Analyze → Dimension Reduction → Factor. Masukkan semua item dari semua variabel. Di tab Extraction, pilih Method: Principal Axis Factoring (atau Principal Components), set Number of factors to extract: Fixed number = 1, dan jangan pilih rotasi (Rotation: None). Klik OK, lalu baca tabel Total Variance Explained, kolom % of Variance pada baris faktor pertama. Itulah angka yang dibandingkan dengan 50%.

Dua pengaturan itu — paksa satu faktor dan tanpa rotasi — adalah inti uji ini. Salah satu saja keliru, angka yang Anda baca bukan angka Harman.

Pemeriksaan Lebih Ketat: Full Collinearity VIF

Karena Harman lemah, pendekatan modern di PLS-SEM memakai full collinearity VIF (Kock, 2015). Idenya: kalau ada faktor metode bersama, dia akan membuat semua konstruk saling memprediksi terlalu kuat. Jadi kita regresikan tiap konstruk terhadap semua konstruk lain, lalu lihat seberapa baik konstruk lain bisa menjelaskannya. Ukuran kemiripan berlebih itu adalah VIF (variance inflation factor, faktor inflasi varian):

$$ \text{VIF} = \frac{1}{1 - R^2} $$

Penjelasan tiap lambang:

• $R^2$ (dibaca “R-kuadrat”) = proporsi varian satu konstruk yang bisa dijelaskan oleh semua konstruk lain (0 sampai 1). Makin besar $R^2$, makin “tumpang-tindih” konstruk itu dengan yang lain. (Latar belakangnya ada di Multikolinearitas / VIF.)
• $\text{VIF}$ = berapa kali lipat varian “menggelembung” akibat tumpang-tindih itu. VIF = 1 berarti tidak ada tumpang-tindih; makin besar makin mengkhawatirkan.

Contoh dari nol. Konstruk Motivasi diregresikan terhadap Kepuasan dan Kinerja, dan hasilnya $R^2 = 0{,}20$ (20% varian Motivasi bisa dijelaskan dua konstruk lain). Maka:

$$ \text{VIF} = \frac{1}{1 - 0{,}20} = \frac{1}{0{,}80} = 1{,}25 $$

Ulangi untuk tiap konstruk. Patokan Kock: kalau semua VIF < 3,3, model dianggap bebas dari common method bias. Dari mana angka 3,3? Itu titik saat $R^2$ mencapai sekitar 0,697 — separuh lebih varian sebuah konstruk dijelaskan konstruk lain, pertanda tumpang-tindih yang tak wajar:

$$ \text{VIF} = 3{,}3 \iff R^2 = 1 - \frac{1}{3{,}3} \approx 0{,}697 $$

Pendekatan ini lebih disukai di skripsi berbasis SmartPLS karena tidak bergantung pada uji faktor tunggal yang lemah, dan langsung memeriksa konstruk (bukan item mentah).

Pemeriksaan Tambahan: Marker Variable

Cara ketiga yang elegan adalah teknik marker variable (Lindell & Whitney, 2001). Sisipkan satu variabel “penanda” (marker) ke kuesioner yang secara teori tidak punya hubungan apa pun dengan variabel penelitian Anda — misalnya pertanyaan acak yang tak nyambung. Karena seharusnya korelasinya nol, korelasi yang tetap muncul antara marker dan variabel lain adalah jejak metode bersama: itulah perkiraan besarnya CMB.

Pakai korelasi itu untuk “membersihkan” korelasi antarvariabel asli. Korelasi antara X dan Y setelah dikoreksi:

$$ r_{XY}^{\text{adj}} = \frac{r_{XY} - r_M}{1 - r_M} $$

Penjelasan tiap lambang:

• $r_{XY}$ = korelasi mentah (teramati) antara dua variabel penelitian.
• $r_M$ = korelasi marker (biasanya korelasi terkecil antara marker dan variabel-variabel lain) — perkiraan varian metode bersama.
• $r_{XY}^{\text{adj}}$ = korelasi setelah jejak metode dikurangkan; inilah perkiraan hubungan yang “lebih murni”.

Contoh dari nol. Korelasi mentah motivasi–kinerja $r_{XY} = 0{,}55$. Korelasi marker dengan variabel lain (terkecil) $r_M = 0{,}12$. Maka:

$$ r_{XY}^{\text{adj}} = \frac{0{,}55 - 0{,}12}{1 - 0{,}12} = \frac{0{,}43}{0{,}88} \approx 0{,}489 $$

Korelasi menyusut dari 0,55 jadi sekitar 0,49 setelah jejak metode dibuang. Kalau korelasi yang sudah dikoreksi ini tetap kuat dan signifikan, hubungan Anda tahan terhadap CMB. Kalau ia anjlok mendekati nol, sebagian besar korelasi mentah tadi ternyata cuma efek metode.

Mencegah Lebih Baik daripada Mendeteksi

Semua uji di atas mengobati setelah sakit. Yang jauh lebih ampuh adalah mencegah CMB sejak desain (pencegahan prosedural, Podsakoff dkk., 2003):

• Pisahkan sumber. Ukur variabel bebas dan terikat dari sumber berbeda (mis. motivasi dari karyawan, kinerja dari atasan), supaya efek metode tidak menempel pada keduanya sekaligus.
• Pisahkan waktu. Beri jeda pengukuran variabel bebas dan terikat (time lag), supaya suasana hati sesaat tidak mewarnai semua jawaban.
• Jamin anonimitas. Responden yang yakin jawabannya rahasia tidak perlu “menjaga citra”, sehingga gaya menjawab yang dibuat-buat berkurang.
• Variasikan format skala. Ganti jangkar skala atau arah pertanyaan antarbagian, supaya pola menjawab mekanis terputus.

Desain yang baik membuat uji deteksi sekadar formalitas konfirmasi, bukan penyelamat di ujung penelitian.

Coba Sendiri

Geser eigenvalue faktor pertama dan jumlah item; lihat persen varian dan keputusan Harman berubah langsung, lalu amati apa yang terjadi saat angkanya melewati garis ambang 50%.

Eksperimen:

1. Geser eigenvalue faktor pertama; lihat persen varian dan statusnya berubah.
2. Naikkan eigenvalue sampai melewati garis ambang 50%; perhatikan status berbalik jadi bermasalah.
3. Ubah jumlah item; eigenvalue sama tetapi persennya bergeser, karena pembaginya ($k$) berubah.

Rumus di Excel

=eigenvalue1 / total_item * 100        → % varian faktor pertama (Harman)
=IF(persen_var1 < 50, "Lolos", "Indikasi CMB")   → keputusan Harman
=1 / (1 - R2)                          → full collinearity VIF
=IF(MAX(range_VIF) < 3.3, "Bebas CMB", "Periksa")→ keputusan VIF
=(r_XY - r_M) / (1 - r_M)              → korelasi terkoreksi marker

⬇ Unduh common-method-bias.xlsx

Berkas pendamping berisi tabel eigenvalue tiap faktor dengan kolom persen varian (rumus =eigenvalue/total terlihat), perhitungan persen varian faktor pertama dan perbandingannya dengan ambang 50% lewat IF, contoh full collinearity VIF, perhitungan korelasi terkoreksi marker, serta catatan langkah SPSS dan SmartPLS.

Cek Pemahaman

1. Kuesioner punya 12 item total. EFA dipaksa satu faktor, tanpa rotasi, dan SPSS melaporkan eigenvalue faktor pertama = 6,6. Hitung persen varian faktor pertama dan ambil keputusan Harman.

Lihat jawaban

Total varian = jumlah item = 12. Persen varian faktor pertama $= \dfrac{6{,}6}{12} \times 100\% = 0{,}55 \times 100\% = 55\%$. Karena $55\% \geq 50\%$, faktor tunggal mendominasi lebih dari separuh varian → indikasi CMB kuat. Berbeda dari contoh utama (38%, lolos), data ini gagal uji Harman dan perlu ditangani (perbaiki desain atau pakai pemeriksaan lanjutan).

2. (transfer) Dalam laporan SmartPLS, full collinearity VIF tiga konstruk Anda: 1,9; 2,4; dan 3,6. Apakah model lolos pemeriksaan CMB lewat VIF? Berapa $R^2$ konstruk yang VIF-nya 3,6, dan apa artinya?

Lihat jawaban

Patokan Kock: semua VIF harus < 3,3. Karena ada satu yang 3,6 > 3,3, model tidak lolos — ada indikasi CMB pada konstruk itu. Balikkan rumus untuk cari $R^2$-nya: $R^2 = 1 - \dfrac{1}{\text{VIF}} = 1 - \dfrac{1}{3{,}6} \approx 0{,}722$. Artinya sekitar 72% varian konstruk itu bisa dijelaskan konstruk-konstruk lain — tumpang-tindih yang terlalu besar, pertanda ada sumber varian bersama (kemungkinan efek metode).

3. (transfer) Korelasi mentah dua variabel $r_{XY} = 0{,}40$. Korelasi marker terkecil $r_M = 0{,}10$. Hitung korelasi terkoreksi, lalu nilai apakah hubungan ini tahan terhadap CMB.

Lihat jawaban

$r_{XY}^{\text{adj}} = \dfrac{0{,}40 - 0{,}10}{1 - 0{,}10} = \dfrac{0{,}30}{0{,}90} \approx 0{,}333$. Korelasi menyusut dari 0,40 jadi sekitar 0,33 — turun, tetapi masih sedang dan tidak hilang. Jadi sebagian korelasi mentah memang berasal dari metode bersama (sekitar 0,07 hilang setelah koreksi), tetapi hubungan intinya bertahan, sehingga relatif tahan terhadap CMB. (Kalau hasil koreksi anjlok mendekati nol, barulah kita curiga korelasi mentah tadi sebagian besar artefak metode.)

Kesalahan Umum

Membiarkan SPSS mengekstrak banyak faktor lalu membaca yang pertama. Harman’s test menuntut Anda memaksa satu faktor (Fixed number = 1), bukan membiarkan default (ekstraksi berdasarkan eigenvalue > 1) lalu mengambil faktor pertamanya. Kalau dibiarkan default, angka % of Variance yang Anda baca bukan angka uji Harman.

Memakai hasil yang sudah dirotasi. Rotasi (Varimax dan sejenisnya) sengaja menyebarkan varian antarfaktor, jadi tidak relevan untuk uji ini. Harus tanpa rotasi (Rotation: None).

Mengira lolos Harman = bebas CMB sepenuhnya. Harman hanya menjaring CMB yang ekstrem. Lolos berarti “tidak ada bukti CMB parah”, bukan jaminan bersih. Lengkapi dengan full collinearity VIF atau marker variable, dan idealnya cegah lewat desain.

Salah arah ambang. Untuk Harman, yang kita harapkan justru angka kecil (di bawah 50%). Persen besar itu kabar buruk — kebalikan dari banyak uji lain yang justru mengejar angka tinggi. Begitu pula VIF: yang diinginkan kecil (< 3,3).

Mengabaikan pencegahan prosedural. Deteksi itu mengobati setelah sakit. Lebih baik mencegah sejak desain: jamin anonimitas, variasikan format skala, dan pisahkan waktu atau sumber pengukuran variabel bebas dan terikat.

Dipakai di Dunia Nyata

• Skripsi survei laporan-diri. Hampir semua skripsi manajemen yang mengukur sikap, persepsi, dan kinerja dari satu responden via kuesioner wajib melaporkan cek CMB di Bab 4, biasanya Harman’s test plus full collinearity VIF kalau pakai SmartPLS.
• Riset perilaku organisasi. Saat karyawan menilai kepemimpinan atasan sekaligus kepuasan kerjanya sendiri, sumbernya sama, sehingga CMB perlu diperiksa atau dicegah lewat pemisahan sumber penilai.
• Survei pemasaran satu gelombang. Mengukur persepsi merek dan niat beli dalam satu kuesioner sekali isi rawan korelasi semu, sehingga uji ini jadi pelengkap standar laporan.
• Penelitian jurnal bereputasi. Reviewer Q1/SINTA kerap meminta lebih dari Harman — full collinearity VIF, marker variable, atau bukti pencegahan prosedural — sebelum menerima klaim hubungan dari data satu metode.

Lanjutan

CMB adalah ancaman validitas pada data laporan-diri. Setelah memastikannya, langkah berikutnya menilai kualitas pengukuran dan model lebih jauh.

Fondasi (prasyarat):

• Confirmatory Factor Analysis (CFA) — menguji apakah indikator benar mengukur konstruk yang dimaksud.
• Analisis Faktor Eksploratori (EFA) — mesin di balik uji Harman.

Lanjut:

• Multikolinearitas (VIF & Tolerance) — latar belakang rumus VIF yang dipakai full collinearity.
• Regresi Logistik — saat variabel terikat berupa kategori.

Reference

• Podsakoff, P.M., MacKenzie, S.B., Lee, J.Y., & Podsakoff, N.P. (2003). “Common Method Biases in Behavioral Research: A Critical Review of the Literature and Recommended Remedies.” Journal of Applied Psychology, 88(5), 879–903.
• Kock, N. (2015). “Common Method Bias in PLS-SEM: A Full Collinearity Assessment Approach.” International Journal of e-Collaboration, 11(4), 1–10.
• Lindell, M.K., & Whitney, D.J. (2001). “Accounting for Common Method Variance in Cross-Sectional Research Designs.” Journal of Applied Psychology, 86(1), 114–121.
• Harman, H.H. (1976). Modern Factor Analysis (3rd ed.). University of Chicago Press.
• Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program SPSS. Badan Penerbit Universitas Diponegoro.