aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized...

7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu

1/10

JURNAL MATRIX VOL. 1, NO. 2, JULI 2011 50

Copyright JURNAL MATRIX 2011

APLIKASI VISUALGSCA 1.0 DALAM COVARIANCE BASEDSEM

DENGAN METODEMAXIMUM LIKELIHOOD DAN GENERALIZED

STRUCTURED COMPONENT

ANALYSIS (GSCA) UNTUK MODEL PERSAMAAN STRUKTURAL

YANG BERSIFAT RELEKSIF

Kadek Jemmy Waciko

Jurusan Administrasi Niaga, Politeknik Negeri Bali Bukit Jimbaran,PO Box 1064 Tuban Badung-Bali Phone (0361) 701981, Fax. (0361) 701128

AbstrakTujuan penelitian ini mengaplikasikan visualGSCA 1.0 dalam SEM-ML dan GSCA untuk model

persamaan struktural yang bersifat refleksif secara proporsional. Secara keseluruhan GSCA dan SEM-MLmenghasilkan evaluasi model yang sama, baik dalam evaluasi model pengukuran maupun evaluasi model

struktural sehingga keberadaan visualGSCA 1.0 tidak hanya dapat digunakan dalam GSCA namun sebagaialternatif SEM-ML. Dampak penelitian ini terutama dalam evaluasi model struktural adalah tidak adanya

alat uji statistik tunggal untuk mengukur atau menguji kecocokan data dengan model atau mengujihipotesis mengenai model secara keseluruhan (overall goodness of fit models).

Secara filosofis perbedaan antara Covariance Based SEM dengan dengan Component Based SEMadalah apakah peneliti akan menggunakan model SEM untuk menguji teori atau pengembangan teori untuk

tujuan prediksi.Pendekatan Covariance Based SEM maupun Component Based SEM tergantung dari tujuanpeneliti dan pandangan espitemic dari data ke teori, properti data yang ada, tingkat pengetahuan teoritis danpengembangan pengukuran. implikasi teoritis hasil temuan ini juga memberikan gambaran secara aplikatifsekaligus menjembatani dan menghubungkan celah antara deskripsi verbal,definisi matematis dan

interpretasi output VisualGSCA dalam ranah statistik.

Kata Kunci: Model Persamaan Struktural (SEM), Covariance Based SEM dengan metode Maximum

Likelihood (SEM-ML) dan Generalized Structured Component Analysis (GSCA)

Visualgsca 1.0 application based on sem covariance by maximum likelihood method and generalized

structured componentAnalysis (gsca) for structural equation modeling

With nature releksif

AbstractThe purpose of this study apply visualGSCA 1.0 in SEM-ML and GSCA for structural equation

model that is reflexive in proportion. Overall GSCA and SEM-ML produces the same model evaluation,

both in the evaluation of the measurement model and structural model evaluation so that the presence of

visualGSCA 1.0 can be used not only in GSCA but also can be used as an alternative to SEM-ML. The

Impact of this research, especially in the evaluation of the structural model is no single statistical test

equipment to measure or test the fit of the data with models or no one to test hypotheses about the model as

a whole (overall goodness of fit models).

The philosophical differences between the covariance based SEM with the Component-Based SEM is

whether the researchers will use the SEM model to test the theory or the development of theories for

prediction purposes. Covariance approach based SEM and SEM-Based Component depends on the goal of

researchers and espitemic views of data to the theory, properties of existing data, the level of theoretical

knowledge and the development of measurement. theoretical implications of these findings are applicable

also give an idea at once and the connecting bridge the gap between the verbal descriptions, mathematical

definition and interpretation of output VisualGSCA in the realm of statistics

Keywords: Structural Equation Modeling (SEM), Covariance Based SEM with Maximum Likelihoodmethod

(SEM-ML) and Generalized Structured Component Analysis (GSCA)


2/10



I.

PENDAHULUAN

1.1.Latar Belakang MasalahAda dua pendekatan dalam analisis Model

Persamaan Struktural yaitu Covariance BasedSEM dan Component Based SEM. Covariance

Based SEM dikembangkan pertama kali olehJoreskog (1973), Keesling (1972), dan Wiley(1973). Covariance Based SEM mendapatkanpopularitas setelah tersedianya program LISRELIII (Joreskog dan Sorbom, 1970) ide dasarnya

menggunakan fungsi Maximum Likelihood(ML), selanjutnya ditulis SEM-ML (CovarianceBased SEM dengan metode Maximum

Likelihood).SEM-ML disebut juga sebagai HardModeling dengan asumsi jumlah sampel yangbesar, data harus berdistribusi secara multivariat

normal (Ghozali, 2008; Tenenhaus et al, 2004;

Chin, 2000; Wold, 1985; Fornell & Bookstein,1982). Sebagai alternatif SEM-ML sekarang

banyak penelitian yang menggunakanpendekatan Component Based SEM. Hwang danTakane (2004, 2007, 2009) mengembangkan

metode baru yang diberi nama GeneralizedStructured Component Analysis (GSCA). GSCAmerupakan soft modeling yang powerfull(Ghozali, 2008) karena tidak di dasarkan banyak

asumsi seperti data tidak harus berdistribusitertentu (distribution free), sampel tidak harusbesar, pada model yang sama dapat digunakan

untuk indikator dengan skala nominal, ordinal,interval sampai rasio.

SEM-ML mengharuskan dalam membentuk

variabel laten, indikatornya bersifat reflektifyaitu indikator atau manifest dipandang sebagaivariabel yang dipengaruhi variabel laten.

Menggunakan model indikator formatif dalamSEM-ML akan menghasilkan model yangunidentified yang berarti terdapat covariancebernilai nol diantara beberapa indikator (Ghozali,

2008). kelebihan GSCA adalah dapatmenganalisis sekaligus konstruk yang dibentukdengan indikator refleksif maupun formatif.

Untuk mengatasi kelemahan SEM-ML makadalam mengestimasi GSCA telah dikembangkansoftware oleh Hwang (2007) dengan nama

VisualGSCA 1.0. Keberadaan VisualGSCA 1.0masih dalam taraf pengembangan (versi beta,dapat diperoleh gratis di alamat

(http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html).

1.2.Rumusan MasalahPermasalahan pokok dalam penelitian ini

adalah bagaimanakah aplikasi visualGSCA 1.0

dalam SEM-ML dan GSCA untuk modelpersamaan struktural yang bersifat refleksif?.

Supaya penelitian ini tidak terlalu meluas dalam

ruang lingkup pembahasannya maka perumusanpermasalahannya dibatasi menggunakan modelpersamaan struktural yang bersifat refleksif

The Organizational IdentificationModel(Bergami & Bagozzi, 2000) yang secara

teoritis dapat dijalankan dalam SEM-ML danGSCA.

1.3.

Tujuan PenelitianDapat mengaplikasikan visualGSCA 1.0

dalam SEM-ML dan GSCA untuk modelpersamaan struktural yang bersifat refleksifsecara proporsional.

1.4.

Manfaat PenelitianMampu menjembatani menghubungkan celah

antara deskripsi verbal, definisi matematis dan

interpretasi output VisualGSCA 1.0 dalam ranahstatistik.

Organisasi yang sukses adalah organisasiyang mampu mengatur sumber daya manusia(SDM) secara bijaksana serta memanfaatkan

berbagai potensi secara efektif dan efisien [1].Hal ini sesuai dengan prinsip ergonomi dalammendesain sistem kerja yang menempatkanmanusia sebagai fokus pertimbangan untuk

menghasilkan system kerja dan produk yangmanusiawi, kompetitif dan terjaminkeberlanjutannya [2]. Sejalan dengan perkem-

bangan era global, cakupan telaah ergonomi jugameluas, tidak hanya terbatas pada interaksimanusia mesin, tetapi juga mencakup sistem

kerja, keselamatan dan kesehatan kerja,organisasi kerja, desain produk, dsb, hinggaditemukan suatu formula baru yang dikenal

dengan konsepMacro Ergonomics (ME).Untuk mengetahui sejauh mana penerapan

prinsip dasar makro ergonomi dalam pengelolaanperusahaan, maka telah dilakukan penelitian pada

sebuah perusahaan di bidang CargoInternasional yang berlokasi di Denpasar. Kajiandilakukan dengan mengacu pada dasar teori

terkait, dengan metode penelitian seperti uraianberikut.

II.

METODOLOGI PENELITIANAplikasi penelitian ini menggunakan contoh

model The Organizational Identification yangbersifat refleksif (Bergami & Bagozzi, 2000),Gambar1 merupakan model penelitian di bidangmanajemen organisasi. Sampel yang digunakan

sebanyak 305 pegawai yang berasal dari divisielektronik suatu perusahaan konglomerat di

Korea Selatan. Dalam analisis GSCA dan SEM-ML menggunakan VisualGSCA 1.0 (Hwang,
http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html


3/10

52 JURNAL MATRIX VOL. 1, NO. 2, JULI 2011

2007), Variabel yang diteliti tidak bisa

diobservasi secara langsung, sehinggapengukuran variabel-variabel yang ditelitidilakukan melalui indikator-indikator sebagai

manifest dari konsep/variabel yang diukur.Konsep seperti ini disebut sebagai faktor,

konstruk, variabel laten atau unobservebvariables. Sedangkan indikator-indikatornyayang akan diukur disebut sebagai observedvariables atau variabel manifest (Hair et al,2006). Dalam identifikasi Organisasi, terdapat

empat komponen/konstruk/variabel laten dan 21indikator, yaitu Prestise organisasi(Organizational Prestige) yang dijelaskan

melalui delapan indikator (org_pre1-org_pre8),Identifikasi organisasi (OrganizationalIdentification) yang dijelaskan melalui enam

indikator (org_iden1-org_iden6), Komitmen

affektif kesenangan (Affektive Commitment Joy)

yang dijelaskan melalui empat indikator

(ac_joy1-ac_joy4), dan Komitmen Affektif Cinta(Affective Commitment Love) yang dijelaskanmelalui tiga indikator (ac_love1-ac_love3).

Menurut Bergami dan Bagozzi (2000)Organization prestige menggambarkan persepsi

seseorang anggota organisasi bahwa merekapercaya organisasiwell aproved. Organizationalidentification merupakan bentuk identifikasisosial dimana seseorang memandang dia sebagaianggota organisasi tertentu. Sedangkan affective

commitment (joy) dan lovemenunjukkan dua tipeemosi yang berbeda yang dilekatkan padaorganisasi. Joy merupakan kebahagiaan yang

timbul dari organisasi dan love merupakantarikan emosional atau afeksi terhadaporganisasi.

Gambar 1.Pola Hubungan dalam model The Organizational Identification Data

Berdasarkan kajian teoritis yang sudah dilakukan

oleh Bergami dan Bagozzi (2000) maka model

ini menghipotesiskan bahwa :

1. Organization prestige mempe-ngaruhiOrganization Identification.

2. Organization identification mempe ngaruhi

Affective Commitment Joy.

3. Organization identification mempe ngaruhi

Affective Commitment Love

Organizationalprestige

Organizational

Identification

Affective

Comitmen Joy

Affective

Commitment Love

ac_joy1

ac_joy2 ac_joy3 ac_joy4

Org_pre8

Org_pre6

Org_pre5

Org_pre4

Org_pre3

Org_pre2

Org_pre1

Org_ident6

Org_ident5Org_ident4Org_ident3Org_ident2Org_ident1

ac_love1

ac_love2

ac_love3


4/10

KADEK JEMMY WACIKO: APLIKASI VISUALGSCA 1.0 53

III.HASIL DAN PEMBAHASAN

3.1 Analisis Data

Analisis data menggunakan bantuan

software VisualGSCA 1.0 dimulai dengan

menggambarkan secara langsung diagram jalur

pada window program; menspesifikasikan

model refleksif menggunakan metode

bootstrap untuk mengestimasi standard erorr

parameter yang nantinya akan digunakan

untuk menentukan nilai t statistik dan

probabilitas signifikansinya; mengestimasi

model sekaligus dalam bentuk GSCA dan

SEM-ML; sedangkan analisis matematisnya

dapat disajikan sebagai berikut,


5/10


6/10


1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0

Z

9

10

11

12

13

14

15

16

0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

w

w

w

w

w

w

w

w

17

18

19

20

21

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

w

w

w

w

w

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

1 2 3 4 5 6

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

0 0 0

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

w

c c c c c c c

=

Z

7 8 1

9 10 11 12 13 14 2 3

15 16 17 18

19 20 21

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

c b

c c c c c c b b

c c c c

c c c

+

E


7/10

56 JURNAL MATRIX VOL. 1, NO. 2, JULI 2011

jadi

ZV = ZWA +E

= A + E

Dengan,

[ ] [ ] [ ]2 3 4 1 2 3 4, , , ; = , , , ,g g g g g g g = = Z A C,B

1 2 3 4 5 6 7 8

9 10 11 12 13 14

15 16 17 18

19 20 21

0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

c c c c c c c c

c c c c c c

c c c c

c c c

=

C

dan

1

2 3

0 0

0

0 0 00 0 0

b

b b

=

B

3.2

Evaluasi Model PengukuranBerdasarkan analisis data dengan sofware VisualGSCA 1.0 diperoleh ringkasan hasil loading faktor

GSCA dan SEM-ML yang disajikan dalam tabel 1. sebagai berikut:

Tabel 1. Loading Faktor GSCA dan SEM-ML.

Sumber Data Sekunder: Bergami dan Bagozzi (2000)

Masing-masing konstruk memiliki convergent validityyang tinggi hal ini terlihat dari semua loading

faktor nilainya 0,50. Berdasarkan nilai loading di atas didapat nilai composite reliability dan AVE(Average VarianceExtracted) dengan korelasi antar konstruk.

Loading faktor

GSCA dengan

1.0

Loading faktor

SEM-ML dengan

VisualGSCA 1.0

Org_pre1

Org_pre2Org_pre3Org_pre4Org_pre5

Org_pre6Org_pre7Org_pre8

0,78

0,820,770,810,80

0,840,770,80

0,745

0,7940,7290,7740,772

0,8210,7400,765

Org_ident1

Org_ident2Org_ident3Org_ident4

Org_ident5Org_ident6

0,80

0,760,630,81

0,800,76

0,715

0,6810,5450,797

0,7830,668

Ac-joy1Ac-joy2Ac-joy3

Ac-joy4

0,760,800,81

0,71

0,6440,7010,756

0,590

Ac-love1Ac-love2Ac-love3

0,800,730,75

0,6630,5050,662


8/10


Tabel 3. Korelasi dan Akar AVE(Average Variance Extracted)

Org_pres Org_iden AC_joy AC_love

Org_pres 0,80 0,364 0,39 -0,215

Org_iden 0,364 0,76 0,609 -0,397

AC_joy 0,39 0,609 0,77 -0,458

AC_love -0,215 -0,397 -0,458 0,76

Sumber: Data Sekunder Bergami dan Bagozzi (2000)

Berdasarkan tabel 3. nilai discriminant validitydari konstruk laten adalah baik, terlihat dari

nilai akar AVE lebih tinggi daripada nilai korelasi antar konstruk laten lainnya.

3.3 Evaluasi Model Struktural.Evaluasi model struktural (inner models) dapat dilihat dari nilai koefisien parameter hubungan

antar konstruk dan nilai t statistik yang menentukan signifikan tidaknya koefisien parameter.Berdasarkan output VisualGSCA 1.0 maka ringkasan evaluasi model strukturaldisajikan dalam tabel

4. sebagai berikut,

Tabel 4. Ringkasan Evaluasi Model Struktural

Sumber: Data Sekunder Bergami dan Bagozzi (2000)

Untuk analisis model GSCA dengan

VisualGSCA 1.0, terlihat bahwa organizationalprestige mempengaruhi organizational

identification secara positif dengan nilaikoefisien 0,364, Organizational Identificationmempengaruhi affective commitment joy secarapositif dengan nilai koefisien jalur 0,609 dan

Organizational Identification mempengaruhiaffective commitment love secara negatifterhadap affective commitment love dengan nilai

koefisien jalur -0,397 dimana ketiganyasignifikan pada 0,05.Dalam analisis model SEM-ML dengan VisualGSCA 1.0, terlihat bahwaorganizational prestige mempengaruhi

organizational identification secara positifdengan nilai koefisien 0,408, Organizational

identification mempengaruhi affectivecommitment joy secara positif dengan nilaikoefisien 0,743 dan Organizational identificationmempengaruhi affective commitment love secara

negatif terhadap affective commitment lovedengan nilai koefisien -0,547 dimana ketiganyasignifikan pada 0,05. Jadi model GSCA yang

dianalisis dengan VisualGSCA 1.0 dan modelSEM-ML yang dianalisis dengan VisualGSCA1.0 walaupun memberikan kesimpulan yangsama dalam pengujian hipotesis namun SEM-

ML mempunyai nilai koefisien path dan nilai SE

yang lebih besar dibandingkan dengan GSCAtetapi nilai T-hitung yang lebih kecil untuk

hubungan/pengaruh yang positif dan T-hitung

yang lebih besar untuk hubungan/pengaruh yangnegatif.

3.4 Evaluasi Keseluruhan Model.Langkah terakhir dalam aplikasi kali ini

adalah melihat evaluasi keseluruhan model.

Berdasarkan output VisualGSCA 1.0 dapatdibuat ringkasan evaluasi uji model fit dalamtabel 5. sebagai berikut:

Path GSCA

(VisualGSCA 1.0)

SEM-ML

(VisualGSCA 1.0)

Path

koef.

SE T Stat. Path

Koef

SE T Stat.

Org presOrg iden 0,364 0,059 6,1694

0,408 0,092 4,434

Org idenAcjoy 0,609 0,040 15,225

0,743 0,12 6,191

Org idenAC love -0,397 0,057 -6,964*

-0,547 0,113 -4,840*


9/10



Tabel 5. Ringkasan Evaluasi Uji Model Fit.

Uji model fit GSCA denganVisualGSCA 1.0

SEM-ML denganVisualGSCA 1.0

FIT 0,606 (cukup baik) -

AFIT 0,537 (cukup baik) -

SRMR 0,079 (baik) 0,095 (marginal)Chi-square - 692,029

Degree of freedom (df) - 186,000

GFI 0,993 (baik) 0,788 (marginal)

AGFI - 0,736 (marginal)

RMSEA - 0,065 (baik)

AIC - 602,029

BIC - 434,615

Keterangan: Kriteria Evaluasi Uji Model Fit disajikan di lampiranSumber: Data sekunder (Bergami & Bagozzi, 2000).

Model GSCA yang dianalisis denganVisualGSCA 1.0 secara keseluruhan menghasilkan

nilai FIT sebesar 0,606 yang berarti model mampumenjelaskan variansi dari data sekitar 60,6%(Cukup Baik); menghasilkan nilai AFIT 0,537 yang

berarti model mampu menjelaskan variansi datasekitar 53,7 % (Cukup baik); dan SRMR sebesar0,079 (direkomendasikan kurang dari 0,08) dannilai GFI 0,993 (direkomendasikan diatas 0,90)

yang berarti model fit/cocok dengan datanya.

Sementara SEM-ML menghasilkan nilai SRMRsebesar 0,095 (marginal), nilai Chi-square sebesar

692,029, degree of freedom sebesar 186,000; GFIsebesar 0,788 (marginal), AGFI sebesar 0,736(marginal), RMSEA sebesar 0,065 (baik), AIC

sebesar 602,029 dan BIC sebesar 434,615.Jadidapat disimpulkan secara keseluruhan model GSCAdan model SEM-ML dapat dinyatakan sebagaimodel fit jika dianalisis dengan visualGSCA1.0.

IV.

KESIMPULAN DAN SARAN

4.1.KesimpulanSecara keseluruhan GSCA dan SEM-ML

menghasilkan evaluasi model yang sama baikdalam evaluasi model pengukuran maupun evaluasi

model struktural sehingga keberadaan VisualGSCA1.0 tidak hanya digunakan dalam GSCA namunsebagai alternative SEM-ML. Dalam evaluasimodel struktural tidak ada alat uji statistik tunggal

untuk mengukur atau menguji kecocokan datadengan model atau menguji hipotesis mengenai

model secara keseluruhan (overall goodness of fitmodels). Secara filosofis perbedaan antara SEM-ML dengan dengan GSCA adalah apakah penelitiakan menggunakan model SEM untuk menguji

teori atau pengembangan teori untuk tujuanprediksi. Pendekatan SEM-ML maupun GSCAtergantung dari tujuan peneliti dan pandangan

espitemic dari data ke teori, properti data yang ada,tingkat pengetahuan teoritis dan pengembanganpengukuran. Sesuai dengan tujuan penelitian inimaka implikasi teoritis hasil temuan ini

memberikan gambaran secara aplikatif sekaligusmenjembatani dan menghubungkan celah antara

deskripsi verbal,definisi matematis dan interpretasioutput VisualGSCA 1.0 dalam ranah statistik.

4.2.SaranBerdasarkan penelitian ini dapat dibuktikan

secara empirik bahwa GSCA merupakan bagiandalam Component based SEM,sehinggamempertegas hasil penelitian sebelumnya yang

telah dilakukan Hwang dan Takane (2004). Temuanmenarik dalam penelitian ini dapat memperkayareferensi mata kuliah SEM yang selama ini masihdi dominasi oleh Covariance Based SEM terutama

SEM-ML, terkait dengan pesatnya perkembanganSEM dalam berbagai bidang secara global.

DAFTAR PUSTAKA[1] Bergami, M & Bagozzi, R.P. (2000). Self

Categorization, Affective Commitment andGroup Self Esteem as Distinct Aspect ofSocial Identity in The Organization. British

Journal of Social Psychology. 39.pp. 555-577.

[2] Chin, W.W. (2000). Partial Least Square forResearchers: a overview and presentation of

recent advances using the PLS

approach,http://discnt.cba.uh.edu/chin/indx.html
http://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.html


10/10


[3] Fornell, C. & Bookstein, F. (1982). TwoStructural Equation Models: LISREL andPLS applied to Consumer Exit-VoiceTheory. Journal of Marketing Research. 19.

440-452

[4] Ghozali, I. (2008). Generalized StructuredComponent Analysis (GSCA) ModelPersamaan Struktural Berbasis Komponen,Badan penerbit universitas Diponegoro.Semarang

[5] Hair, J,F, Black,W, Babbin,B.J, Anderson,R.E, dan Tatham, R.L. (2006). MultivariateData Analysis, 6th Edition.Pearson PrenticeHall

[6] Hwang,H,(2007)VisualGSCA,http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html

[7] Hwang, H., & Takane, Y. (2004).Generalized Structured ComponentAnalysis. Psychometrika, 69,81-99.

[8] Jemmy. K (2010) Model PersamaanStruktural dengan Generalized StructuredComponent Analysis (GSCA) Tesis S2

matematika Universitas Gadjah Mada,Yogyakarta.

[9] Tenenhaus, M., V.E. Vinci, YM. Chatelinand C. Lauro. (2004). PLS Path Modeling,

Computational Statistics & Data Analysis,Vol.48, pp.159-205.

aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized...

Documents