Review Jurnal

Pendekatan Sem Berbasis Komponen Menggunakan Generalised Structured

Component Analysis (GSCA)

Nama Pereview :……………..

Rangkuman Hasil Riset
A. Teori GSCA Permodelan Persamaan Struktural ( SEM )
Structural Equation Modeling (SEM) merupakan teknik pengembangan statistik yang
menggabungkan Antara analisa faktor, analisis jalur, dan analisis regresi. SEM bertujuan
untuk mengukur hubungan antara peubah laten dan indikatornya. SEM menguji efek
langsung dan tidak langsung pada hubungan kasual yang tidak diketahui sebelumnya.
Terdapat dua model komponen pada SEM, model yang pertama adalah model pengukuran
dan model kedua adalah model structural. Model pengukuran menghubungkan peubah
indikator dengan laten, sedangkan model struktural digunakan untuk mengetahui besaran
pengaruh peubah eksogen terhadap peubah endogen secara langsung maupun secara tidak
langsung. SEM berbasis komponen memiliki dua metode adalah Partial Least Square (PLS)
dan Generalized Structure Component Analysis (GSCA). SEM PLS memiliki keterbatasan
pada saat melakukan estimasi parameter karena tidak memiliki kriteria optimum global.
Akibatnya PLS tidak memberikan jaminan solusi yang optimal serta sulit untuk menentukan
uji kesesuaian model secara keseluruhan. GSCA sebagai solusi dari kelemahan PLS. GSCA
tetap mempertahankan kelebihan PLS yaitu dapat menghidari masalah asumsi parametrik
serta dilengkapi dengan overall goodness of fit,oleh karena itu, penelitian ini memfokuskan
analisis GSCA (Suhriani dan Abdurakhman, 2019).
B. Prinsip GSCA Permodelan Persamaan Struktural ( SEM )
Berdasarkan prinsip dasar GSCA dengan permodelan SEM dimana SEM berbasis
komponen adalah untuk mengembangkan teori atau membangun teori (berorientasi prediksi).
Harus dipahami bahwa kausalitas tidak sama dengan asosiasi prediktif. Ada dua metode SEM
berbasis komponen, Partial Least Squares (PLS) dan Generalized Structural Component
Analysis (GSCA). SEM PLS memiliki keterbatasan dalam mengestimasi parameter karena
tidak memiliki kriteria optimal global. Oleh karena itu, PLS tidak dapat menjamin solusi
yang optimal, dan sulit untuk menentukan kesesuaian model secara keseluruhan. GSCA
sebagai solusi kelemahan PLS. GSCA tetap mempertahankan keunggulan PLS yaitu dapat
menghindari masalah asumsi parameter dan memiliki overall goodness of fit, sehingga
penelitian ini berfokus pada analisis GSCA.
 Analisis model menggunakan PLS dan GSCA digunakan untuk pembentukan teori
(arah prediksi). Penerapan SEM-PLS dan SEM-GESCA sebagai teknik analisis struktur
berbasis komponen telah dilakukan oleh beberapa peneliti untuk menyelesaikan berbagai
kasus. Kriteria terkait untuk data dan properti model. Model evaluasi dan pelaporan untuk
mempromosikan pengembangan penelitian akuntansi, dengan mempertimbangkan
pentingnya kriteria yang dianalisis.
C. Asumsi-Asumsi Dalam GSCA Permodelan Persamaan Struktural ( SEM ).
Asumsi yang ada pada pendekatan SEM terhadap GSCA dengan menggunakan
langkah analisis SEM dapat dilakukan dengan mendapatkan model konseptual dan teoritis
untuk merancang model struktural dan pengukuran. Lalu membuat diagram jalur (path
diagram) yang menjelaskan pola hubungan antara variabel laten dengan indeksnya.
Kemudian, ubah diagram jalur menjadi persamaan. Lakukan Pendugaan parameter yang
terdiri dari pendugaan bobot, pendugaan koefisien tegangan, pendugaan koefisien jalur, dan
pendugaan kesalahan standar bootstrap. Gunakan metode bootstrap untuk menentukan
koefisien parameter (standard error) dan nilai statistik CR. Lakukan Uji signifikansi
parameter model structural dan tentukan model kecocokan umum . lalu sebagai langkah
terakhir dalam menarik atau menyusun asumsi yaitu dengan menarik kesimpulan.
D. Rumus - Rumus Yang ada dalam pendekatan SEM
Dapat dipahami bahwa secara umum model Generalized Structured Component
Analysis (GSCA) dapat dinyatakan sebagai z = A`W`z + e. Di sini, estimasi parameter GSCA
dilakukan dengan menggunakan alternating least squares (ALS), dan metode ini dibagi
menjadi dua tahap. Evaluasi model GSCA dapat dilakukan dalam tiga tahap model:
pengukuran, model struktural, dan model keseluruhan.
Simpulan
Berdasarkan hasil analisis pada penelitian ini dapat dilihat bahwa model pengukuran
SEM bersifat refleksif, maka evaluasi model dilakukan dengan menguji validitas konvergen,
validitas diskriminatif, dan reliabilitas majemuk. Dari data di atas, kita dapat menyimpulkan
bahwa semua variabel indikator adalah ukuran variabel laten yang valid dan reliabel.
Koefisien kelulusan sikap dan motivasi terhadap pengajar adalah 0,465, maka dapat
disimpulkan bahwa kualitas sikap terhadap pengajar berpengaruh positif terhadap motivasi,
atau semakin tinggi sikap terhadap pengajar maka semakin tinggi motivasi siswa. Nilai FIT
dan AFIT berada di atas 0,485, menunjukkan bahwa model dapat menjelaskan sekitar 48,5%
variabilitas data. Nilai FIT terkoreksi (AFIT) yang diperoleh juga menunjukkan hasil yang
sama yaitu 0,474, menunjukkan bahwa model dapat menjelaskan sekitar 47,4%. Dapat
disimpulkan bahwa model yang digunakan baik karena terdapat dua besaran goodness of fit
pada model yang dihasilkan.
-. Kelebihan yang ada didalam penelitian ini yaitu penelitian ditulis dengan cukup jelas dan
mudah dipahami, selain itu penulis menuliskan secara rinci terkait metode yang digunakan
didalam penelitian dan juga uji apa saja yang ada didalam penelitian.
-. Kekurangan yang ada didalam penelitian ini yaitu tidak ada literature review maupun
tinjauan pustaka dari setiap variabel, fenomena juga belum trelalu dijelaskan didalam latar
belakang masalah atau pendahuluannya.
Apresiasi dan Kritik
Dapat dijelakan bahwa pemodelan persamaan struktural (SEM) adalah teknik
rekayasa statistik yang menggabungkan analisis faktor, analisis jalur, dan analisis regresi.
SEM bertujuan untuk mengukur hubungan antara variabel laten dengan indikatornya. SEM
meneliti efek langsung dan tidak langsung pada hubungan kasual yang sebelumnya tidak
diketahui. Ada dua model komponen dalam SEM. Model pertama adalah model pengukuran
dan model kedua adalah model struktural. Model pengukuran mengaitkan variabel indeks
dengan variabel laten, sedangkan model struktural digunakan untuk secara langsung atau
tidak langsung menentukan besarnya pengaruh variabel ekstrinsik terhadap variabel intrinsik.
SEM PLS tidak memiliki kriteria optimal global, yang membatasi estimasi parameter. Oleh
karena itu, PLS tidak dapat menjamin solusi yang optimal dan sulit untuk menentukan
kesesuaian model secara umum. GSCA sebagai solusi atas kelemahan PLS. GSCA tetap
mempertahankan keunggulan PLS. Penelitian ini berfokus pada analisis GSCA karena
menghindari masalah asumsi parameter dan memiliki overall goodness of fit.
Sejalan dengan hasil penelitin yang dilakukan oleh (Ekasari dan Sunaryo, 2020) yang
menjelaskan bahwa GSCA merupakan bagian dari SEM berbasis komponen yang memiliki
criteria global least square optimization, dimana dapat secara konsisten meminimumkan sum
squares residual untuk memperoleh estimasi parameter model. GSCA juga dilengkapi dengan
ukuran goodness-of fit model secara keseluruhan. GSCA merupakan metode analisis yang
powerfull.
Penerapan SEM-PLS dan SEM-GESCA sebagai metode analisis struktural berbasis
komponen tealah dilakukan beberapa peneliti dalam menyelsesaikan berbagai kasus. Kriteria
yang relevan tetang karakteristik data dan model. Berbeda dengan hasil penelitian yang
dilakukan oleh (Hwang dan Takane, 2014) yang menunjukkan bahwa Penerapan GSCA
digeneralisasi untuk menangani struktur hierarkis baik variabel yang diamati maupun yang
laten. Secara khusus, metode yang diusulkan memungkinkan keduanya pembebanan dan
koefisien jalur yang akan diasumsikan bervariasi di seluruh unit tingkat yang lebih tinggi.
Lebih-lebih lagi, itu memungkinkan menyelidiki efek lintas tingkat atau interaksi dari
variabel penjelas untuk beban dan koefisien jalur di tingkat yang berbeda..
Kemudian, Ada dua model komponen dalam SEM. Model pertama adalah model
pengukuran dan model kedua adalah model struktural. Model pengukuran mengaitkan
variabel indeks dengan variabel laten, sedangkan model struktural digunakan untuk secara
langsung atau tidak langsung menentukan besarnya pengaruh variabel ekstrinsik terhadap
variabel intrinsik. Ada dua pendekatan SEM: SEM berbasis kovarians (CBSEM) dan SEM
berbasis distribusi (VBSEM) (sering disebut sebagai berbasis komponen). CBSEM sangat
dipengaruhi oleh asumsi parametrik yang harus dipenuhi. Artinya, variabel yang diamati
memiliki distribusi normal multivariat dan pengamatan harus independen satu sama lain.
Sejalan dengan hasil penelitian dari (Wahyuni dkk., 2019) yang menunjukkan bahwa ada dua
jenis pendekatan SEM: pemodelan persamaan struktural berbasis kovarians (CBSEM) dan
pemodelan persamaan struktural berbasis varians (VBSEM). CBSEM adalah model SEM
pertama yang dikembangkan oleh Jöreskog pada tahun 1978. Saat menggunakan CBSEM,
beberapa asumsi harus dipenuhi, termasuk asumsi parametrik, model indikator refleksi, dan
ukuran sampel yang besar (Reinartz et al., 2009). Untuk mengatasi keterbatasan CBSEM,
telah dikembangkan Partial Least Squares Path Modeling (PLSPM) sebagai metode VBSEM
hipotetis. (Sulistio dkk., 2021)
Sumber Jurnal

Suhriani, I. F., dan Abdurakhman 2019. "Pendekatan Sem Berbasis Komponen Menggunakan
Generalised Structured Component Analysis (GSCA)". Jurnal Sains Matematika dan
Statistika, Vol.5, No. 2, Juli 2019 ISSN 2460-4542, e-ISSN 2615-8663, 5(2), 1–8..

Daftar Referensi

Ekasari, D. F., dan Sunaryo, S. 2020. "Pemodelan Sem Dengan Generalized Structured
Component Analysis ( Gsca )", 1–11.
Hwang, H., dan Takane, Y. 2014. "Generalized structured component analysis".
Psychometrika, 69(1), 81–99. https://doi.org/10.1007/BF02295841.
Wahyuni, R., Susetyo, B., dkk. 2019. "Hubungan Akreditasi Dan Ujian Nasional Pada
Sekolah Negeri Dengan Generalized Structured Component Analysis". Indonesian
Journal of Statistics and Its Applications, 3(3), 260–271.
https://doi.org/10.29244/ijsa.v3i3.342.