Kurniawati, Apit., 2010 (2010) Bootstrap Confidence Interval untuk Penyimpangan Asumsi Normalitas pada Structural Equation Modeling (SEM). Under Graduates thesis, Universitas negeri semarang.

Preview

PDF (Bootstrap Confidence Interval untuk Penyimpangan Asumsi Normalitas pada Structural Equation Modeling (SEM).) - Published Version Download (177kB) | Preview

Abstract

Structural Equation Modeling (SEM) merupakan generasi kedua teknik analisis multivariat yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Asumsi terpenting yang berkaitan dengan SEM dalam analisis struktur covariance dan mean adalah data harus berskala kontinyu dan berdistribusi normal secara multivariat. Namun, dalam penelitian sering dijumpai data yang tidak berdistribusi normal secara multivariat. Permasalahan yang dikaji dari penelitian ini adalah bagaimana peran Bootstrap confidence interval dalam mengatasi ketidaknormalan data secara multivariat pada SEM dengan ML untuk mendapatkan estimasi terbaik. Tujuan dari penelitian ini adalah untuk mengetahui peran Bootstrap confidence interval dalam mengatasi ketidaknormalan data secara multivariat pada SEM dengan ML untuk mendapatkan estimasi terbaik. Dalam penelitian ini mengambil simulasi pada suatu kasus dengan mengggunakan data dari buku Model Persamaan Struktural Konsep dan Aplikasi dengan Program AMOS 16.0. (Ghozali, 2008: 211), yaitu data meliputi variabel – variabel Komitmen Profesional, Komitmen Organisasi, Kepuasan Kerja, dan Kinerja Kerja. Dalam analisis ini menggunakan dua metode yaitu metode Maksimum Likelihood (ML) dan metode Bootstrap. Berdasarkan hasil penelitian dan pembahasan dapat disimpulkan bahwa untuk mengatasi adanya data tidak normal secara multivariat adalah menggunakan metode Bootstrap. Metode Bootstrap memiliki perkiraan interval (Bootstrap confidence interval) yang lebih baik dibandingkan dengan perkiraan kemungkinan ML. Bootstrap confidence interval mempunyai range yang lebih sempit dengan tingkat kesalahan yang lebih kecil dari ML. Jadi metode Bootstrap lebih teliti dari metode ML. Sehingga jika dalam penelitian dijumpai data tidak normal secara multivariat maka metode Bootstrap dapat digunakan sebagai metode alternatif dalam SEM untuk mengatasi penyimpangan normalitas secara multivariat.

Actions (login required)

View Item