EFEK UKURAN SAMPEL DAN MISSING DATA DALAM ESTIMASI PARAMETER MODEL SEM DENGAN MAXIMUM LIKELIHOOD, PLS DAN GSCA

---

Efek Ukuran Sampel dan Missing Data dalam
Estimasi Parameter Model SEM dengan Maximum
Likelihood, PLS dan GSCA

2. Subject

1. Structural Equation Modeling

2. Maximum Likelihood

3. Partial Least Squares

4. Generalized Structured Component Analysis

5. Missing Data

3. Abstrak

Penelitian di bidang sosial dengan menggunakan structural equation
modeling (SEM) sebagai alat analisis telah banyak dilakukan. Namun demikian,
ada permasalahan yang sering dihadapi dalam penelitian di bidang sosial, yaitu data
yang tidak lengkap. Padahal analisis menggunakan SEM memerlukan data yang
lengkap. Data yang tidak lengkap karena missing data dapat mempengaruhi
estimasi parameter model dalam SEM. Beberapa dekade terakhir telah berkembang
dua metode estimasi yang sering digunakan dalam SEM, yaitu maximum likelihood
(ML) dan partial least squares (PLS). Kedua metode ini telah banyak digunakan
dalam penelitian, khususnya dalam membahas permasalahan sosial. Kemudian
belakangan ini muncul metode estimasi yang ketiga, dikenal dengan generalized
structured component analysis (GSCA). Dalam penelitian ini akan dibahas
pengaruh ukuran sampel dan missing data terhadap estimasi parameter model SEM
dengan metode estimasi ML, PLS dan GSCA.

Simulasi monte carlo digunakan untuk membandingkan performa ketiga
metode estimasi dengan kondisi missing data, ukuran sampel dan distribusi data
yang berbeda. Selain menggunakan simulasi, akan dilakukan studi kasus
menggunakan data riil untuk memodelkan derajat kesehatan balita di Indonesia
pada tahun 2013. Berdasarkan hasil simulasi didapatkan bahwa, dalam recovery
parameter, ML memiliki akurasi yang lebih baik dibandingkan PLS dan GSCA
pada data lengkap dan persentase missing data kecil, sedangkan PLS dan GSCA
memiliki akurasi yang lebih baik dibandingkan ML pada ukuran sampel kecil
dengan persentase missing data besar. Terhadap data lengkap, akurasi estimasi
parameter data tidak lengkap PLS dan GSCA lebih baik dibandingkan ML.
Berdasarkan studi kasus pemodelan derajat kesehatan balita di Indonesia pada
tahun 2013, PLS memiliki performa yang paling baik. Dalam penelitian ini
ditunjukkan bahwa missing data berpengaruh besar terhadap estimasi model
struktural dan relatif kecil terhadap estimasi parameter model pengukuran.

---

Availability @Perpustakaan Pusat

No copy data

Detail Information

Series Title

-

Call Number

519.5 Hen e/R.14.35

Publisher

Bandung : Magister Statistika Terapan,., 2016

Collation

xv ;97 hlm,;29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

519.5

Content Type

-

Media Type

-

Carrier Type

-

Edition

2016

Subject(s)

-

Specific Detail Info

Tesis

Statement of Responsibility

-

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment