Nirfianti, EmaAinun (2013) Perbandingan Pada Generalized Structured Component Analysis (Gsca) Teknik First Order Dengan Rata-Rata Butir Dan Second Order. Sarjana thesis, Universitas Brawijaya.
Abstract
Variabel yang tidak dapat diukur langsung, diukur menggunakan indikator disebut variabel laten. Salah satu analisis yang melibatkan variabel laten adalah Generalized Structured Component Analysis (GSCA). GSCA menghindari kekurangan dari PLS, yaitu GSCA memiliki optimisasi global dan tetap mempertahankan kelebihan PLS yaitu asumsi keterikatan dengan distribusi/sebaran dan tidak ada solusi yang tidak tepat. GSCA juga mampu menyelesaikan hubungan antar variabel yang lebih kompleks (rekursif dan tidak rekursif), melibatkan high order ( second order, third order , dst) komponen faktor dan multi-group . Jika terdapat second order maka sekitar 51% informasi terbuang dalam proses analisis, artinya pada saat dianalisis hanya ada sekitar 49% informasi yang digunakan untuk menjelaskan variabel laten. Oleh karena itu, peneliti menggunakan rata-rata dari butir untuk menggambarkan secara langsung indikator, sehingga informasi dapat dipertahankan hingga 70%. Tujuan pertama penelitian ini yaitu untuk mengetahui GSCA teknik first order dengan rata-rata butir atau second order yang lebih banyak signifikan pada uji hipotesis. Tujuan kedua yaitu mengetahui GSCA teknik first order dengan rata-rata butir atau second order yang lebih baik digunakan pada data mengandung second order . Data yang digunakan berasal dari 10 penelitian tesis maupun disertasi yang mengandung second order . Berdasarkan 10 data yang dianalisis dengan kedua teknik, tiga diantaranya memiliki perbedaan signfikansi pada uji hipotesis. Ketiga data menunjukkan signifikan pada GSCA teknik first order . Hal ini menunjukkan bahwa GSCA dengan teknik first order dengan rata-rata butir lebih sensitif dalam hal signifikansi variabel. Hal ini menunjukkan bahwa karena keragaman yang tersisa sekitar 49%, teknik second order kurang dapat menggambarkan keragaman data sehingga menyebabkan pada uji hipotesis tidak signifikan. Berdasarkan nilai AFit, GSCA teknik second order menunjukkan secara keseluruhan model lebih baik diterapkan untuk data yang mengandung second order .
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/2013/355/051310980 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 03 Dec 2013 13:15 |
| Last Modified: | 25 Oct 2021 02:32 |
| URI: | http://repository.ub.ac.id/id/eprint/153618 |
Preview |
Text
BAB_III.pdf Download (1MB) | Preview |
Preview |
Text
BAB_II.pdf Download (2MB) | Preview |
Preview |
Text
BAB_IV.pdf Download (2MB) | Preview |
Preview |
Text
COVER.pdf Download (1MB) | Preview |
Preview |
Text
BAB_V.pdf Download (1MB) | Preview |
Preview |
Text
DAFTAR_PUSTAKA(2).pdf Download (1MB) | Preview |
Preview |
Text
HALAMAN_PENGANTAR.pdf Download (1MB) | Preview |
Preview |
Text
BAB_I.pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |