PARTIAL LEAST SQUARE PATH MODELING MODEL REFLEKTIF UNTUK DATA NON METRIK; PARTIAL LEAST SQUARE PATH MODELING REFLECTIVE MODEL FOR NON-METRIC DATA

AMBAR KUSUMAWATI, Abdurakhman

2013 | Skripsi | PROGRAM STUDI STATISTIKA

Metode Partial Least Square pendekatan Structural Equation Modeling atau yang biasa disebut dengan Partial Least Square Path Modeling (PLS-PM) adalah alternatif dari Covariance Based SEM. Metode PLS tidak memerlukan asumsi baik mengenai distribusi maupun jumlah sampel yang harus dipenuhi, sehingga metode ini disebut soft modeling dan banyak diaplikasikan. Namun pada prakteknya di berbagai bidang penelitian juga menganalis variabel kategorik yang tidak dapat dianalisis secara langsung seperti variabel numerik. Pada skripsi ini akan memberikan modifikasi dari teknik PLS pendekatan Structural Equation Modeling yang mampu menangani baik metrik maupun non metrik variabel sekaligus dengan konsep optimal scaling tanpa pre-handling untuk menangani variabel non metrik, yang disebut dengan Non Metric Partial Least Square Path Modeling (NM-PLSPM). Pendekatan Non Metrik Partial Least Square memaksimalkan kriteria yang sama dimana parameter model diestimasi, yakni memaksimalkan korelasi indikator terukur dengan estimasi inner dari variabel laten. Pada studi kasus skripsi ini, akan dibandingkan hasil estimasi dan indeks kualitas model PLS-PM dengan model NM-PLSPM. Didapat kesimpulan bahwa model NM-PLSPM mampu menghasilkan estimasi model dengan indeks kualitas yang lebih optimal.

Kata Kunci : Structural Equation Modeling, Partial Least Square, Partial Least Square Path Modeling; optimal scaling; indikator kategorik; data non metri