gsca
DESCRIPTION
GSCATRANSCRIPT
1
GENERALIZED STRUCTURED COMPONENT ANALYSIS
GSCA
Analisis Model Struktural Rekursif & Tidak RekursifModel Indikator Refleksif & Formatif
2
PEMODELAN SISTEMSISTEM DUNIA NYATA
MODEL ABSTRAKS(Model Statistika)
SISTEM HUBUNGAN ANTAR VARIABEL
PEMODELAN PERSAMAAN STRUKTURAL
Pengantar (1)
ILUSTRASI
Pengantar (2)
Kompetensi(X1)
Kinerja Aparat Serse (Y2)
Motivasi(X2)
X1.1
X1.2
X1.3
X1.4
X1.5
Y2.1
Y2.2
Y2.3
Y2.4
Y2.5
X2.1
X2.2
X2.3
Sixth Sense(Y1)
Y1.1
Y1.2
Y1.3
Y1.4
CIRI-CIRI– Melibatkan banyak variabel (multivariat)– Variabel laten / unobservable (kualitatif)– Multihubungan / berupa sistem persamaan– Model berjenjang / bersrtuktur: TIDAK rekursif– Model Indikator ada yang refleksif dan ada
juga yang formatif
Pengantar (3)
RUMUSAN MASALAH• Variabel (elemen sistem):
– Seberapa tinggi kompetensi aparat serse di jajaran POLDA Jatim?– Apakah aparat serse di jajaran POLDA Jatim sudah memiliki sixt sense
yg tinggi?– Seberapa tinggi kinerja aparat serse di jajaran POLDA Jatim?
• Hubungan (pengaruh) antar elemen/variabel :– Apakah antara kompetensi aparat dengan sixth sense aparat saling
mempengaruhi?– Apakah kompetensi yg tinggi dapat mendorong kinerja aparat serse di
jajaran POLDA Jatim?– Apakah sixth sense yg tinggi dapat mendorong kinerja aparat serse di
jajaran POLDA Jatim?
• Analisis Sistem / Model – Bagimana model kinerja aparat serse dengan determinan variabel
kompetensi dan sixth sense?
Pengantar (4)
6
• Generalized structured component analysis (GSCA) dikembangkan oleh Heungsun Hwang, Hec Montreal dan Yhoshio Takane pada tahun2004
• GSCA dikembangkan sebagai alternatifPEMODELAN STUKTURAL yg dasar teorinyalemah ataupun juga sebagai konfirmasi teori
• Model Indikator: refleksif dan formatif• GSCA dikembangkan untuk menghindari
kekurangan dari PLS (partial least square), yaitudilengkapi dengan prosedur optimalisasi global (seperti pada SEM), sehingga juga powerfull untukkonfirmasi teori
Pengantar (5)
7
GSCA dapat diterapkan pada:– Hubungan antar variabel yang kompleks (bisa
rekursif dan tidak rekursif), – Model yg melibatkan higher-order komponen
(faktor) – Perbandingan multi-group (analisis variabel
moderasi)– Data skor (bukan skala) – Sampel yang sangat kecil. – Model yg multikolonieritas, yaitu terjadi korelasi
yang kuat antar variabel eksogen.
Pengantar (6)
8
Metode GSCA
PEMODELAN di dalam GSCA :• Model struktural: hubungan antar variabel
laten • Model pengukuran: refleksif dan atau
formatif
9
Notasi pada GSCA
10
Notasi pada GSCA
• = Ksi, variabel latent eksogen• = Eta, variabel laten endogen• x = Lamnda (kecil), loading faktor variabel latent eksogen• y = Lamnda (kecil), loading faktor variabel latent endogen• x = Lamnda (besar), matriks loading faktor variabel latent eksogen• y = Lamnda (besar), matriks loading faktor variabel laten endogen• = Beta (kecil), koefisien pngruh var. endogen terhadap endogen• = Gamma (kecil), koefisien pngruh var. eksogen terhadap endogen• = Zeta (kecil), galat model• = Delta (kecil), galat pengukuran pada variabel laten eksogen• = Epsilon (kecil), galat pengukuran pada variabel latent endogen
11
LANGKAH-LANGKAH GSCA Merancang Model Struktural
(hubungan antar variabel laten)
Merancang Model Pengukuran(refleksif atau formatif)
Mengkonstruksi Diagram Jalur
Konversi Diagram Jalur ke Sistem Persamaan
Estimasi: Koef. Jalur, Loadingdan Weight
Evaluasi Goodness of Fit
Pengujian Hipotesis (Resampling Bootstraping)
1
2
3
4
5
6
7
12
LANGKAH KE-1MERANCANG MODEL STRUKTURAL
Pada SEM perancangan model adalah berbasis teori, akan tetapi pada GSCA (mirip dg PLS) bisa berupa:– Normatif finalitas (kitab suci)– Teori– Hasil penelitian empiris– Adopsi, hubungan antar variabel pada bidang ilmu yang
lain– Normatif nonfinalitas, misal peraturan pemerintah,
undang-undang, dan lain sebagainya– Rasional
GSCA : Bisa ekplorasi hubungan antar variabel
13
LANGKAH KE-2
MERANCANG MODEL PENGUKURAN– Pada SEM semua bersifat refleksif, model
pengukuran tidak penting (sudah terjaminpada DOV)
– Pada GSCA (mirip PLS) perancangan model pengukuran sangat penting: refleksif atau formatif
– Dasar: normatif finalitas, teori, penelitian empiris sebelumnya, adopsi, normatifnonfinalitas, atau rasional
14
TAHAP KE-3KONSTRUKSI DIAGRAM JALUR
15
• Model pengukuran– Untuk variabel latent eksogen 1 (reflektif)
• x1 = x1 1 + 1• x2 = x2 1 + 2• x3 = x3 1 + 3
– Untuk variabel latent eksogen 2 (formatif)• 2 = x4 X4 + x5 X5 + x6 X6 + 4
– Untuk variabel latent endogen 1 (reflektif)• y1 = y1 1 + 1• y2 = y2 1 + 2
– Untuk variabel latent endogen 2 (reflektif)• y3 = y3 2 + 3• y4 = y4 2 + 4
LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN
16
• Model Struktural :– 1 = 11 + 22 + 1
– 2 = 11 + 31 + 42 + 2
LANGKAH KE-4 KONVERSI DIAGRAM JALUR KE PERSAMAAN
17
Pendugaan parameter pada GSCA:– Weight/loading estimate yang digunakan untuk
menghitung data variabel laten; konsep eigenvalues dan eigen vectors
– Path estimate yang menghubungkan antarvariabel laten (koefisien jalur); least square method: Alternating Least Square (ALS) dg interasi
– Rerata dari penduga parameter (resamplingbootstrap)
– Interaction variable• Pengujian variabel moderasi: membuat variabel
laten interaksi, indikatornya adalah perkalian nilai indikator yang dimoderasi dengan yang memoderasi
LANKAH KE-5
18
LANGKAH KE-6GOODNESS OF FIT – MODEL PENGUKURAN
• Model indikator refleksif : – Convergent dan discriminant validity– Internal concistensy realibility (alpha)
• Model indikator formatif : – dievaluasi berdasarkan substantive content-
nya yaitu signifikansi weight
19
GOODNESS OF FIT – MODEL PENGUKURAN
• Convergent validity– Nilai loading 0.5 sampai 0.6 dianggap cukup, untuk
jumlah indikator dari variabel laten berkisar antara 3 sampai 7
– Loading signifikan
• Discriminant validity– Akar dari AVE lebih besar korelasi variabel
bersangkutan dg variabel lainnya
• Reliability: alpha > 0,6
2
2AVEvar( )
i
i ii
20
GOODNESS OF FIT – MODEL STRUKTURAL
• FIT menunjukkan varian total dari semua variabel yang dapat dijelaskan oleh model struktural. Nilai FIT berkisar daro 0 sampai 1. Jika nilai FIT = 1 berarti model secara sempurna dapat menjelaskan fenomena yang diselidiki.
• AFIT (Adjusted FIT) serupa dengan R2 adjusted padaanalisis regresi. AFIT dapat digunakan untuk perbandingan model. Model dengan AFIT nilai terbesar dapat dipilih antara model yang lebih baik.
Pada model dengan melibatkan indikator formatif, goodness of fit yg dpt digunakan adalah FIT
21
GOODNESS OF FIT – OVERALL MODEL
Model dg semua indikator refleksif
Goodness of fit Cut-off Keterangan
SRMR 0.08 Setara dg RMSEA pd SEM
GFI 0.90
SRMR = standardized root mean square residual
Model dg indikator formatif hanya goodness of fit model struktural
22
LANGKAH KE-7PENGUJIAN HIPOTESIS• Hipotesis statistik untuk outer model:
H0 : λi = 0 lawanH1 : λi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten eksogen terhadap endogen:
H0 : γi = 0 lawanH1 : γi ≠ 0
• Hipotesis statistik untuk inner model: variabel laten endogen terhadap endogen:
H0 : βi = 0 lawanH1 : βi ≠ 0
• Statistik uji: t-test; p-value ≤ 0,05 (alpha 5 %); signifikan• Loading / weight signifikan: indikator bersifat valid • Koefisien jalur signifikan: terdapat pengaruh signifikan• GSCA tidak mengasumsikan data berdistribusi normal:
menggunakan teknik resampling dengan metode Bootstrap
23
Resampling dengan metode Bootstrap
POPULASI (N = 750)
Sampel Bootstrap B1(n1 = 35)
Sampel orisinal(n = 40)
Sampel Bootstrap B2(n2 = 35)
Sampel Bootstrap B500(n500 = 35)
Pengujian hipotesis didasarkan pada sampel bootstrap (B500)
24
ASUMSI GSCA
Asumsi di dalam GSCA hanya berkaitandengan model struktural:
• Hubungan antar variabel laten dalam inner model adalah linier dan aditif
• Pengujian dapat dilakukan dg software SPSS: pendekatan Ramsey Test atau Curve Fit
25
SAMPLE SIZE
Ukuran sampel dalam GSCA: • Pengujian hipotesis pada GSCA berdasar pada
resampling (Bootstrapping): tidak memerlukansampel besar & bisa teknik sampling nonprobbability
• Tenenhaus (2008) mengatakan bahwa ‘compenent-based SEM is mainly used for score computation and can be carried out on very small sample’
• Hal ini tdk berarti GSCA tdk dapat diterapkan padasampel besar
26
SOFTWARE GSCA• Software analisis GSCA adalah GeSCA dikembangkan
oleh Hungsun Hwang, dapat diakses di www.sem-gesca.org.
• Software GeSCA ini diupdate terakhir adalah pada 28 November 2011.
• Software ini dijalankan secara online, sehingga untukmengoperasikannya komputer harus tersambung denganjaringan internet.
27