Please use this identifier to cite or link to this item: https://repository.unej.ac.id/xmlui/handle/123456789/95691
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorTIRTA, I Made-
dc.contributor.advisorANGGRAENI, Dian-
dc.contributor.authorKURNIAWAN, Andy-
dc.date.accessioned2019-11-26T03:07:23Z-
dc.date.available2019-11-26T03:07:23Z-
dc.date.issued2018-05-
dc.identifier.nimNIM131820101013-
dc.identifier.urihttp://repository.unej.ac.id//handle/123456789/95691-
dc.description.abstractSEM (Structural Equation Modeling) merupakan salah satu analisis statistik yang dapat digunakan untuk menganalisis secara simultan model pengukuran dan hubungan kausal antar peubah laten. SEM merupakan model pendekatan model struktural, analisis faktor dan analisis jalur. Salah satu pendekatan untuk pendugaan parameter dalam SEM menggunakan PLSPM (Partial Least Square Path Modeling). PLSPM merupakan salah satu teknik dalam SEM untuk menganalisa hubungan keterkaitan antara peubah laten endogen dengan peubah bebasnya berdasarkan keragaman (variance-based). Penggunaan analisis PLSPM lebih longgar dalam penerapan asumsi jumlah sampel dan distribusinya serta dapat dilakukan pada indikator yang bersifat re ektif maupun formatif. Dalam pendugaan parameter PLS (Partial Least Square) dilakukan estimasi bobot, estimasi koe sien lintasan serta estimasi konstanta regresi dan intersep. Evaluasi model PLS dilakukan baik untuk model pengukuran maupun model struktural. Permasalahan terjadi ketika adanya keragaman atau segmentasi tidak teramati pada peubah laten. Hal ini dapat dilakukan menggunakan analisa REBUSPLS. Dengan REBUS-PLS memungkinkan mendapatkan klasi kasi unit yang lebih homogen dengan mempertimbangkan performa model struktural dan pengukuran. Selain itu dapat mengoptimalkan kapasitas prediktif dari model yang terdeteksi di tiap kelas tanpa membutuhkan asumsi distribusi baik peubah laten dan indikatornya. Pengelompokan menjadi segmen kelas yang homogen dalam REBUS-PLS didasarkan pada konsep jarak (closeness measure) yang dide nisikan menggunakan komponen GoF (Goodness of Fit). Evaluasi kebaikan model dalam REBUS-PLS menggunakan GQI (Grup Quality Index ). REBUS-PLS hanya dapat diberlakukan pada indikator yang bersifat reektif. Pada penelitian ini digunakan data penelitian sebelumnya yaitu oleh A fah & Sunaryo (2013) tentang model Struktural Kemiskinan di Propinsi Jawa Tengah yang menggunakan data dari SUSENAS (Survei Sosial Ekonomi Nasional) dan SAKERNAS (Survei Angkatan Kerja Nasional) BPS 2011. Keragaman tidak teramati pada data dapat dilihat dengan adanya nilai R2 dan GoF yang rendah. Analisis PLSPM yang diterapkan pada klaster yang terbentuk dari penggunaan analisis klaster biasa pada skor peubah laten tidak mendapatkan hasil yang lebih baik dari model global PLSPM. Hal ini terlihat pada kualitas model pengukuran (validitas dan reliabilitas indikator) dan model struktural yang tidak lebih baik dari model awal PLSPM. Dengan menggunakan REBUS-PLS, melalui pemilihan 2 segmen kelas diperoleh model yang lebih homogen dengan indikator yang valid dan reliabel. Serta kualitas model lokal yang terbentuk lebih baik dari model global yang ditunjukkan nilai GQI > GoF model global.en_US
dc.language.isoInden_US
dc.subjectResponse-Based Units Segmentation Partial Least Squareen_US
dc.subjectEquation Modelingen_US
dc.titleAnalisis Structural Equation Modeling Dengan Response-Based Units Segmentation Partial Least Square (REBUS-PLS)en_US
dc.identifier.prodiMagister Matematika-
dc.identifier.kodeprodi1820101-
Appears in Collections:MT-Mathematic

Files in This Item:
File Description SizeFormat 
Andy Kurniawan, S.Si.-131820101013.pdf1.21 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.