Nirfianti, EmaAinun (2013) Program Studi Statistika Jurusan Matematika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Brawijaya Malang. Sarjana thesis, Universitas Brawijaya.
Abstract
Variabel yang tidak dapat diukur secara langsung, diukur menggunakan indikator yang disebut variabel laten. Salah satu analisis yang melibatkan variabel laten adalah analisis komponen terstruktur umum (GSCA). GSCA Hindari kekurangan PLS, GSCA memiliki optimasi global sambil mempertahankan keunggulan PLS tidak memiliki asumsi distribusi normal multivariat dan larutan selalu unik. GSCA juga dapat menyelesaikan hubungan antar variabel yang lebih kompleks (rekursif dan non rekursif), melibatkan urutan tinggi (urutan kedua, urutan ketiga, dll.) Faktor komponen dan multigroup. Jika ada urutan kedua, sekitar 51% informasi terbuang sia-sia dalam proses analisis, yang berarti bahwa pada saat analisis hanya ada sekitar 49% dari informasi yang digunakan untuk menggambarkan variabel laten. Oleh karena itu, para peneliti menggunakan rata-rata biji-bijian untuk menggambarkan indikator langsung, sehingga informasi tersebut dapat dipertahankan hingga 70%. Tujuan pertama dari penelitian ini adalah untuk menentukan teknik GSCA urutan pertama dengan butiran rata-rata atau urutan kedua jauh lebih signifikan dalam pengujian hipotesis. Tujuan kedua adalah untuk mengetahui teknik GSCA urutan pertama dengan butiran rata-rata atau urutan kedua yang lebih baik digunakan pada data yang berisi urutan kedua. Data yang digunakan berasal dari 10 tesis dan disertasi penelitian yang berisi urutan kedua. Berdasarkan 10 data dianalisis dengan kedua teknik, tiga di antaranya memiliki signinjansi yang berbeda pada pengujian hipotesis. Data ketiga menunjukkan signifikan pada Teknik GSCA urutan pertama. Ini menunjukkan bahwa teknik GSCA urutan pertama dengan butiran rata-rata lebih sensitif dalam hal signifikansi variabel. Ini menunjukkan bahwa karena keragaman sisa sekitar 49%, teknik urutan kedua kurang mampu menggambarkan keragaman data yang menyebabkan uji hipotesis tidak signifikan. Berdasarkan nilai AFIT, Teknik GSCA urutan kedua menunjukkan model keseluruhan lebih baik diterapkan pada data yang berisi urutan kedua.
English Abstract
Variables That Can Not Be Measured Directly , Measured Using An Indicator Called Latent Variables. One Of Analysis Involving Latent Variables Are Generalized Structured Component Analysis ( GSCA ). GSCA Avoid Deficiency Of PLS, The GSCA Has A Global Optimization While Maintaining The Advantages Of PLS Is Doesn’t Have Assumption Multivariate Normal Distribution And The Solution Always Unique. GSCA Also Able To Resolve The Relationships Between Variables Are More Complex ( Recursive And Non Recursive ), Involving High Order (Second Order, Third Order, Etc. ) Component Factor And Multigroup. If There Is A Second Order, Approximately 51 % Of Information Is Wasted In The Process Of Analysis , Meaning That At The Time Of Analysis There Were Only About 49% Of The Information Used To Describe The Latent Variables. Therefore, The Researchers Used The Average Of Grains To Describe The Direct Indicators, So That The Information Can Be Retained Up To 70 %. The First Goal Of This Study Is To Determine The GSCA Technique First Order With An Average Grain Or Second Order Is Much More Significant In Hypothesis Testing. The Second Goal Is To Know The GSCA Techniques First Order With An Average Grain Or Second Order Better Used On The Data It Contains Second Order. The Data Used Came From 10 Research Theses And Dissertations Containing The Second Order. Based On 10 Data Were Analyzed By Both Techniques, Three Of Which Have Different Signfikansi On Hypothesis Testing. The Third Data Showed A Significant On GSCA Techniques First Order . This Suggests That The Technique GSCA First Order With An Average Grain More Sensitive In Terms Of Variable Significance. This Suggests That Because Of The Diversity Of The Remaining Approximately 49 % , Second Order Techniques Are Less Able To Describe The Diversity Of The Data That Led To The Hypothesis Test Is Not Significant. Based On The Value Afit, GSCA Techniques Second Order Shows Overall Model Is Better Applied To The Data That It Contains Second Order .
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2013/355/051310979 |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 03 Dec 2013 09:49 |
| Last Modified: | 25 Oct 2021 02:30 |
| URI: | http://repository.ub.ac.id/id/eprint/153617 |
Preview |
Text
BAB_I.pdf Download (1MB) | Preview |
Preview |
Text
BAB_V.pdf Download (1MB) | Preview |
Preview |
Text
COVER.pdf Download (1MB) | Preview |
Preview |
Text
BAB_IV.pdf Download (2MB) | Preview |
Preview |
Text
BAB_II.pdf Download (2MB) | Preview |
Preview |
Text
BAB_III.pdf Download (1MB) | Preview |
Preview |
Text
DAFTAR_PUSTAKA(2).pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |