Hello world!

Welcome to WordPress.com. This is your first post. Edit or delete it and start blogging!

Advertisements
Posted in Uncategorized | 1 Comment

an anodyne makes you feel good

http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=B000JQU1VS&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr

an anodyne makes you feel good

Now that you’ve added your blog, we need to make sure that you own this blog.
Create a new post on your blog. Copy and paste the randomly generated sentence shown above exactly as it is given anywhere in your new post. Publish the new post so that it is viewable at your blog’s URL.

Posted in PaidReview | 8 Comments

Merumuskan Hipotesis Penelitian

http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=B002Y27P3M&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr

Tidak semua penelitian kuantitatif memerlukan hipotesis penelitian. Penelitian kuantitatif yang bersifat eksploratoris dan deskriptif tidak membutuhkan hipotesis. Oleh karena itu sub bab hipotesis penelitian tidak harus ada dalam skripsi, tesis, atau disertasi hasil penelitian kuantitatif.
Secara prosedural hipotesis penelitian diajukan setelah peneliti melakukan kajian pustaka, karena hipotesis penelitian adalah rangkuman dari kesimpulan-kesimpulan teoretis yang diperoleh dari kajian pustaka. Hipotesis mrupakan jawaban sementara terhadap masalah penelitian yang secara teoretis dianggap paling mungkin dan paling tinggi tingkat kebenarannya.
Secara teknis, hipotesis penelitian biasanya dicantumkan dalam Bab II (Bab Tinjauan Pustaka) setelah Tinjauan Teori dan Landasan Teori. Rumusan hipotesis hendaknya bersifat definitif atau direksional. Artinya, dalam rumusan hipotesisi tidak hanya disebutkan adanya hubungan atau perbedaan antarvariabel, bagian akhir kajian dalam tesis dan disertasi perlu ada bagian tersendiri yang berisi penjelasan tentang pandangan atau kerangka berpikir yang digunakan peneliti berdasarkan teori-teori yang dikaji.
Jika sejauh ini anda merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan atau klik di sini untuk menghubungi saya.
Posted in proposal penelitian | Leave a comment

Variabel Pengganggu dalam penelitian

Variabel bebas, tergantung, kontrol dan moderat merupakan variable-variabel kongkrit. Ketiga variable, yaitu variable bebas, kontrol dan moderat tersebut dapat dimanipulasi oleh peneliti dan pengaruh ketiga varaibel tersebut dapat dilihat atau diobservasi. Lain halnya dengan variable pengganggu, variable tersebut bersifat hipotetikal artinya secara kongkrit pengaruhnya tidak kelihatan, tetapi secara teoritis dapat mempengaruhi hubungan antara varaibel bebas dan tergantung yang sedang diteliti. Oleh karena itu, variable pengganggu didefinisikan sebagai variabel yang secara teoritis mempengaruhi hubungan varaibel yang sedang diteliti tetapi tidak dapat dilihat, diukur, dan dimanipulasi; pengaruhnya harus disimpulkan dari pengaruh-pengaruh variabel bebas dan variable moderat terhadap gejala yang sedang diteliti.
http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=0321194365&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr
Tindakan Peneliti

Apa tindakan yang harus diambil peneliti untuk mengurangi efek variabel pengganggu?

Jika sejauh ini anda merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan atau klik di sini untuk menghubungi saya.
Posted in bahan diskusi, proposal penelitian | 98 Comments

Pengenalan Path Analysis & SEM

Path analysis (PA) atau analisis jalur adalah analisis model kausal dari variabel independent (exogenous), variabel antara (endogenous), dan variabel dependen (endogenous) dan semua variabel terukur. Aplikasi PA biasanya menggunakan metode analisis regresi.

Structural Equation Model (SEM) http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=B002C74J1U&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifradalah analisis model kausal dari variabel independent (exogenous), variabel antara (endogenous), dan variabel dependen (endogenous) dan semua variabel tidak terukur. Variabel tak terukur ini disebut variabel LATENT yang diukur melalui indikator indikatornya (yang terdiri dari komponen komponen dan setiap komponen terdiri dari butir butir). Dalam SEM ada dua komponen ialah model struktural dan pembentukan variabel latent. Analisis model struktural dengan analisis regresi dan pembentukan variabel latent dengan factor analisis.

Pengertian

Path analysis (PA) atau analisis jalur adalah keterkaitan antara variable independent, variable intermediate, dan variable dependen yang biasanya disajikan dalam bentuk diagram. Didalam diagram ada panah panah yang menunjukkan arah pengaruh antara variable-variabel exogenous, intermediary, dan variabel dependent. Terkadang besaran pengaruh di gambarkan dengan ketebalan anak panah. Path analysis hanya berkaitan dengan REGRESI GANDA dengan VARIABEL YANG TERUKUR.

Analisis jalur merupakan teknik statistik untuk menguji hubungan kausal antara dua atau lebih variabel, berdasarkan persamaan linier. Teknik ini dikembangkan sejak tahun 1939 oleh Sewall Wright.

Hubungan kausal ini ada yang langsung X→Z dan juga ada yang tak langsung tetapi melalui variabel antara Y ialah X Y → Z. Jalur yang di gambarkan dengan tanda panah ini merupakan → hipotesis yang akan di uji berdasarkan data lapangan.

Structural Equation Modeling (SEM) merupakan model analisis yang padaumumnya menggabungkan antara dua bagian ialah i). pembentukan variabel LATENT dan ii). Pembangunan model struktural. Analisis jalur merupakan bagian (subset) dari SEM adalah gabungan antara REGRESI GANDA dengan variabel LATENT yang di bangun dengan analisis faktor dari butir butir/indikator/ item atas variabel laten tersebut.
Hox dan Bechger (2002) menyebutkan bahwa SEM adalah suatu kombinasi analisis faktor dan analisis regresi atau analisis jalur. Selanjutnya dikatakan bahwa dalam penyusunan variabel latent didasarkan atas theoretical constructs yang juga di hitung berdasarkanmetode regresi. Selanjutnya model structural didasarkan atas covariances antara variabel exogen,variabel antara, dan variabel endogen. Oleh karenanya model structural ini juga sering disebut covariance structure modeling. Disana juga dikatakan bahwa “ Nowdays structural equation models need not be linear, and the possibilities of SEM extend well beyond the original Lisrel program”.

Variabel eksogen (exogenous) adalah variabel yang tidak ada anak panah mengarahnya. Jika dua varaibel eksogen berkorelasi di tunjukkan dengan panah dua arah.

Variabel endogen (endogenous) yang terdiri dari variabel antara dan variabel dependen. Variabel antara terdapat anak panah yang datang dan juga yang pergi. Sedangkan variabel dependen hanya terdapat panah yang datang menujunya.

Variabel LATENT adalah variabel yang diukur dengan indikator-indikator (item-tem atau butir-butir) nya, misalnya variabel kesejahteraan, kepuasan, partisipasi, pemahaman, dll. Cara klasik data variabel latent dengan menjumlahkan skor butir-butir yang valid dan reliable. Cara yang terbaik dalam SEM adalah di hitung dengan menggunakan metode confirmatory factor analysisis (CFA) . Dalam CFA dirancang sedemikian rupa agar setiap butir/item menyumbang (Loading) kepada satu variabel latent saja. Besaran sumbangan ini biasa disebut LOADING yang berbeda beda sesuai dengan derajat variabilitas dan tingkat korelasi terhadap item item yang lainnya. Hox dan Bechger (2002) menyebutkan CFA confirmatory (restricted) factor analysis menjamin bahwa setiap item hanya akan memberikan loading kepada satu variabel latent saja .

Path coefficient/ path weight pada umumnya adalah koefisien regresi yang distandarkan (artinya regresi dimana semua variabelnya dalam bentuk z-score).
Disturbance terms adalah residual error yang besarannya sama dengan(1 – R2). Dia mengukur sisa pengaruh faktor lain kepada suatu variabel exogen.
Significance and Goodness of Fit. Testing setiap koefisien dengan t-tes atau F-test. Sedangkan untuk test kecocokan suatu model dengan jika Chi-square dg P > 0.05 dan RMSEA < 0.05. Hox dan Bechger (2002) menyebutkan Goodness of fit (Tuna Cocok) dengan chi squared dengan p-value lebih besar dari 0.05 persen baru dikatakan model SEM cocok pada data empiris.

Asumsi yang diperlukanLinearity: keterkaitan/ hubungan antar variabel adalah linier. Interval level data disarankan jangan menngunakan variabel dummy.Residual (unmeasured) variables hanya berkorelasi dengan satu variabel dalam model yang ada panah langsung.Low multicollinearity secara teoretis taka ada korelasi yang signifikan antar variabel exogen.No under identification or under determination of the model is required. For underidentified models there are too few structural equations to solve for the unknowns. Overidentification usually provides better estimates of the underlying true values than does just identification. Adequate sample size diperlukan agar signifikan. Kline (1998) merekomendasikan 10 sd 20 kali parameter yang akan di estimasikan.
Catatan: Dalam aplikasi dengan menggunakan software tertentu seperti LISREL secara otomatis akan terakomodasi dalam proses pengolahannya. Misalnya jika ada dua variabel independen yang mempunyai korelasi sangat signifikan, maka secara otomatis oleh program akan di hilangkan salah satu variabel independen saja dan analisis regresi.

Sumber: Tulisan Leo
http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=0805863737&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr

Jika sejauh ini anda merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan atau klik di sini untuk menghubungi saya.
Posted in statistik penelitian, teknik analisis data | Leave a comment

Partial Least Square: Alternatif dalam Analisis Structural Equation Model (SEM)

i
Quantcast
  • Structural Equation Model (SEM) adalah covariance based, sedangkan Partial Least Square (PLS) adalah component based
  • Kapan saat membutuhkan SEM dengan PLS (selanjutnya kita sebut dengan PLS saja)?
    • Model penelitian mengindikasikan lebih dari satu var dependen
    • Data tidak bersifat multivariate normal
    • Sampel kecil atau jumlah cases terbatas
    • Model penelitian melibatkan item formatif dan item refleksif sekaligus.
  • Kelebihan PLS adalah kemampuannya memetakan seluruh jalur ke banyak variabel dependen dalam satu model penelitian yang sama dan menganalisis semua jalur dalam model struktural secara simultan. (Fornell and Bookstein, 1982; Barclay, Higgins, and Thompson, 1995; Gefen, Straub, and Boudreau, 2000). Kelebihan lainnya adalah hanya memerlukan sedikit cases daripada SEM (Chin and Newsted, 1999; Gefen, Straub, and Boudreau, 2000).
  • Dalam PLS data tidak perlu memenuhi asumsi multivariate normal.
  • Analisis SEM mengasumsikan seluruh item/indikator adalah reflektif. Sedangkan PLS bisa reflektif dan formatif.
  • Chin (1998a) menyarankan untuk membedakan apakah suatu item formatif atau tidak dengan mengajukan pertanyaan berikut: apakah perubahan pada satu item akan menimbulkan perubahan dengan arah yang sama pada item lainnya? Jika jawabannya tidak berarti kelompok item tersebut formatif.
  • Penggunaan item formatif dalam SEM bisa mengakibatkan permasalahan serius terkait validitas hasil dan konklusinya. Chin (1998a) mengatakan:”… semua item harus reflektif agar konsisten dengan algoritma statistiknya yang mengasumsikan bahwa korelasi diantara indikator dalam satu Laten Variabel (LV) disebabkan oleh LV tersebut.
  • Prosedur analisis data pada SEM-PLS bisa dijelaskan sebagai berikut:
“At the measurement model level, PLS estimates items loading and covariance. At the structural level, PLS estimates path coefficients and correlation among Latent Variables, together with individual R2 and AVE (Average Variance Extracted) of each of the latent constructs. T-values of both path and loadings are then calculated using either jackknife or a bootstrap method. Good model fit is established with significant path coefficients, acceptably high R2 and internal consistency (construct reliability) being above 0.70 for each construct” (Gefen, Straub, and Boudreau, 2000).
  • Barclay et al. (1995) menyarankan bahwa model PLS dianalisis dan diinterpretasikan dalam dua langkah berurutan berikut: pertama, menilai validitas dan reliabilitas model pengukuran (hubungan dari indikator ke laten variabel), kedua lalu menilai model strukturalnya.
  • Cross Validation diperlukan dalam rangka menguji seberapa baik solusi yang diperoleh dari fitting model terhadap suatu sampel juga akan sesuai untuk sampel independen lainnya dari populasi yang sama (Chin and Todd, 1995).
  • Statistik dari measurement model yang penting yaitu: item reliability, internal consistency, Average Variance Extracted (AVE), square root of AVE, and cross-loadings (Barclay, Higgins, and Thompson, 1995). Tiga uji pertama dikenal sebagai validitas konvergensi (Fornell and Larcker, 1981) dan dua uji terakhir dikenal sebagai validitas diskriminan (Barclay, Higgins, and Thompson, 1995).
  • Evaluasi model yang biasa digunakan dalam PLS adalah R-kuadrat, bootstapping/jackknifing, composite reliability, AVE dan cross-loadings.
  • R-kuadrat, sebagaimana pada analisis regresi berganda biasa, berfungsi untuk mengetahui seberapa besar variansi dalam construct dapat dijelaskan oleh model.
  • Bootstrapping atau alternatifnya, jackknifing, digunakan untuk menilai signifikansi statistik dari loadings dan koefisien structural path. Penggunaan tekhnik ini karena mengacu pada data yang digunakan yang tidak mengasumsikan harus multivariate normal.

Disarikan dari: Achjari, Didi. “PLS: Another Method of SEM Analysis” Jurnal Ekonomi dan Bisnis Indonesia Vol. 19 No. 3. Tahun 2004.

Sumber: Tulisan Budi
http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=B000UD4YM2&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr

Jika sejauh ini anda merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan atau klik di sini untuk menghubungi saya.
Posted in statistik penelitian, teknik analisis data | Leave a comment

SEM, Sebuah Kombinasi Dari Analisis Faktor

http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=1606238760&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifrSejarah SEM

SEM adalah sebuah teknik pemodelan statistik yang sangat umum dan digunakan secara luas diberbagai lingkup ilmu pengetahuan. SEM dapat dilihat sebagai sebuah kombinasi dari analisis faktor (confirmatory factor analysis), dan regresi atau analisa alur (path analysis).

Pokok bahasan dalam SEM adalah konstruk teoritis yang digambarkan oleh faktor-faktor laten. Hubungan diantara konstruk teoritis tersebut digambarkan oleh regresi atau koefisien alur diantara berbagai faktor. SEM menunjukkan sebuah struktur bagi berbagai kovarian diantara variabel-variabel yang diobservasi, yang juga sering disebut dengan nama lain pemodelan struktur kovarian. Namun demikian model tersebut dapat diperluas untuk memasukan rata-rata dari variabel yang diobservasi atau faktor dalam model.

Banyak dari peneliti seringkali menyatakan pemodelan struktur kovarian sebagai model LISREL, yang mana penyebutan seperti di atas kurang tepat. Karena Lisrel merupakan kepanjangan dari LInear Structural RELationship yang juga merupakan salah satu program yang umum digunakan para peneliti untuk analisis SEM. Penggunaan nama Lisrel ini diberikan oleh Joreskog, sehubungan dengan program statistik untuk analisis SEM yang dikembangkan oleh Joreskog dengan nama yang sama (J.J. Hox dan T.M. Bechger, 2004).

Saat ini SEM tidak lagi hanya linear dan kemungkinan perluasan SEM akan melebihi program lisrel aslinya. SEM menyediakan kerangka kerja yang memenuhi dan sangat umum bagi analisa statistik yang mana termasuk didalamnya beberapa prosedur multivariat tradisional, sebagai contoh misalnya analisa faktor, analisa regresi, analisa diskriminan dan korelasi kanonikal sebagai kasus khusus. SEM seringkali digambarkan oleh sebuah gambar diagram alur. Model ini didasarkan atas sistem persamaan linear yang pertama kali dikembangkan oleh Sewall Wright seorang ahli genetika tahun 1921 dalam studinya phylogenetic (Stoelting, 1992; Golob, 2001).

Analisa alur ini kemudian diadopsi oleh ilmu-ilmu sosial sepanjang tahun 1960-an dan awal tahun 1970-an. Para ahli sosiologi khususnya menemukan potensi analisa alur yang berhubungan dengan korelasi parsial. Analisa alur ini kemudian digantikan oleh SEM yang dikembangkan oleh Jöreskog (1970, 1973), Keesling (1972) dan Wiley (1973) yang dalam tulisan Bentler (1980) disebut sebagai JKW model. Model Jöreskog-Keesling-Wiley (JKW model) ini kemudian dianggap sebagai model SEM modern, yang kemudian populer dengan nama LISREL (Linear Structural Relationships) sebagai suatu program yang dikembangkan oleh Jöreskog (1970), Jöreskog, Gruvaeus dan van Thillo (1970), serta Jöreskog dan Sörbom (1979) seperti yang telah disinggung di depan.Dalam model statistik, biasanya SEM ditampilkan dalam sebuah set persamaan matrik.

Pada awal 1970-an ketika software LISREL untuk pertama kali diperkenalkan dalam penelitian, software ini membutuhkan penyesuaian untuk menyesuaikan model dalam hal matrik-matrik tersebut. Jadi para peneliti harus menyeleksi penggambaran matrik dari diagram alur, dan melengkapi software sebuah seri dari matrik untuk berbagai set parameter, seperti halnya faktor loading dan koefisien regresi. Pengembangan software terbaru memungkinkan peneliti untuk menentukan model langsung melalui diagram alur, seperti software yang dikembangkan oleh James L. Arbuckle (1995) yang dikenal dengan nama AMOS (Analysis of Moment Structures) (RumahStatistik).

Sumber: Info Skripsi
http://rcm.amazon.com/e/cm?t=p03b94-20&o=1&p=8&l=bpl&asins=1841698911&fc1=000000&IS2=1&lt1=_blank&m=amazon&lc1=0000FF&bc1=000000&bg1=FFFFFF&f=ifr

Jika sejauh ini anda merasa perlu jasa konsultasi, pembimbingan atau pendampingan secara pribadi dalam penulisan proposal atau laporan penelitian, anda bisa pelajari bagaimana saya bisa membantu anda dalam bentuk Layanan Konsultasi Penulisan atau klik di sini untuk menghubungi saya.
Posted in statistik penelitian, teknik analisis data | Leave a comment