HENDY HARIO SASONGKO Primary Author mixed material bibliography Bandung Magister Statistika Terapan, 2016 id Indonesia

xv ;97 hlm,;29 cm 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. HENDY HARIO SASONGKO Structural Equation Modeling 2. Maximum Likeliho 519.5 Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi 519.5 Hen e/R.14.35 010030007466 Perpustakaan Pusat 519.5 Hen e/R.14.35 20%252Fscan0001.jpg.jpg 9012 2017-04-01 15:42:24 2019-03-01 15:35:59 machine generated