ヲヲゥセguatan@
PERAN
セ@
DALAM MEMPERCEPAT
PEMBANG ,
NASIONAL
•
セ@ '1
'
i
I
ISBN: 978-602-8355-39-1
PROSIDING
SEMINAR NASIONAL
MATEMA TIKA DAN
STATISTIKA
"Penguatan Peran Matematika dan
Statistika
dalam
Percepatan Pembangunan Nasional"
Pontianak, 27 Februari 2014
Jurusan Matematika
Fakultas Matematika Dan llmu Pengetahuan Alam
Universitas Tanjungpura
Pontianak
-ISBN: 978-602-8355-39-1
PROSIDING SEMINAR NASIONAL
l\1A TEMATIKA DAN STATISTIKA
27 Februari 2014
FMIPA Universitas Tanjungpura Pontianak
Artikel-artikel dalam prosiding ini telah dipublikasikan pada
Seminar Nasional Matematika dan Statistika
pada tanggal 27 Februari 2014
di Jurusan Matematika
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Tanjungpura Pontianak
Tim Reviewer:
1. Prof Dr. H. Thamrin Usman, DEA
2. Prof. Dr. Sabirin Matsjch
3. Prof. Dr. Sri Haryatmi
4. Ir. Dadan Kusnandar, Ph.D
5.
Dr. Edy Tandililing, M.Pd
6. Dr. Elah Nurlaelah, M.Si
7. Dr.
Fajar Adi Kusumo
8.
Dr. Tarmizi Usman, M.Sc
9. Dr. Ora Titin Siswantining, DEA
I 0. Dr. Udjiana Sekteria Pasaribu
Jurusan Matematika
(UNTAN)
(UGM)
(UGM)
(UNTAN)
(UNTAN)
(UPI)
(UGM)
(UNSYAH)
(Ul)
(!TB)
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Univcrsitas Tanjungpura
-'
SEMINAR NASIONAL
MATEMATIKA DAN STATISTIKA
"Penguatan Peran Matematika dan Statistika Dalam Percepatan
Pembangunan Nasional".
27 Februari 2014
Di selenggarakan oleh: Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tanjungpura Pontianak
Presiding Diterbitkan Oleh:
Universitas Tanjungpura Pontianak
Jalan Prof. Dr. H.Hadari Nawawi/Jalan Jend.Ahmad Yani Pontianak, 78124
Fakultas Matematika dan Ilmu Pengetahuan Alam UNTAN, 2014
Cetakan ke-1
Terbitan Tahun 2014 Katalog Dalam Terbitan Seminar Nasional (2014 Presiding/ Reviewer: FMIPA
(KDT)
Februari 27: Pontianak)
Dadan Kusnandar (et.all-Pontianak:
Editor: Muhlasah Novitasari Mara (et.all-Pontianak: FMIPA Universitas Tanjungpura, 2014
ISBN:978-602-8355-39-l
978-602-8355-39-1
Penyuntingan semua tulisan dalam presiding ini dilakukan
oleh tim reviewer Seminar Nasional MATEMATIKA DAN
STATISTIKA 2014 dari berbagai Institusi se Indonesia
I
IKATA PENGANTAR
Alhamdulil\ah segala puji dan syukur kami panjatkan kehadirat ALLAH SWT atas segala
karunia dan rahmat-Nya, sehingga prosiding ini dapat diterbitkan. Prosiding ini memuat
kumpulan makalah dan hasil penelitian baik yang dilakukan oleh dosen, mahasiswa, maupun
praktisi yang berkompeten dibidang Matematika dan Statistika serta bidang keilmuan lainnya
yakni Pendidikan, Kimia, Biologi, Komputer, Kesehatan, Teknik, dan Ekonomi.
Seluruh makalah yang dimuat telah melalui tahap penyuntingan oleh tim reviewer yang
anggotanya tercantum pada halaman lain prosiding ini. Makalah yang termuat juga telah
disajikan pada Seminar Nasional Matematika dan Statistika tanggal 27 Februari 2014 yang
diikuti oleh 162 peserta dan 95 diantaranya merupakan peserta pemakalah.
Panitia mengucapkan terima kasih kepada Rektor Universitas Tanjungpura Bapak Prof. Dr.
H. Thamrin Usman, DEA yang telah memfasilitasi penerbitan prosiding Seminar Nasional
Matematika dan Statistika 2014. Ucapan terima kasih juga kami sampaikan kepada semua pihak
yang telah membantu penyusunan prosiding ini. Kritik dan saran sangat kami harapkan sebagai
• masukan untuk penyusunan prosiding pada seminar nasional berikutnya.
Pontianak, 27 Februari 2014
KATA SAMBUTAN
REKTOR UNIVERSITAS T ANJUNGPURA
Assalamualaikum Wr.Wb.
Sudah seharusnya kita panjatkan puji syukur kehadirat Allah SWT yang telah melimpahkan berbagai kenikrnatan kepada kita semua, diantaranya berupa nikrnat kesehatan sehingga kita masih dipertemukan pada Seminar Nasional Matematika dan Statistika tahun 2014 di Universitas Tanjungpura Pontianak.
Merupakan suatu kehormatan bagi kami ditunjuk sebagai penyelenggara kegiatan Seminar Nasional Matematika dan Statistikaini, sekaligus sebagai tuan rumah Musyawarah Nasional Forum Pendidikan Tinggi Statistika (FORST AT) Tahun 2014. Kegiatan berupa forum ilmiah seperti ini perlu terus dikembangkan dalam rangka meningkatkan_ atmosfer akademik di perguruan tinggi. Semoga kegiatan ini dapat menambah motivasi kita semua untuk terus berinovasi dalam melakukan penelitian dan mempublikasikan hasil-hasil penelitian. Selain itu, kami harapkan rangkaian kegiatan ini dapat meningkatkan silahturahmi sesama peserta.
Selanjutnya perkenankan kami mengucapkan terima kasih dan selamat kepada Dekan Fakultas MIP A Universitas Tanjungpura beserta jajaran pengurus dan panitia yang telah bekerja keras untuk menyukseskan acara Seminar Nasional ini. Terima kasih pula kami ucapkan kepada para pembicara utama yaitu Prof. Dr. Ir. Asep Saefudclin, M.Sc., Dr. Ir. Hari Wijayanto, M.Si., Fauzi Arfan, FSAI, AAI-J, dan Dr. Edy Tandililing, M.Pd yang berkenan hadir pada Seminar Nasional ini. Tidak·Jupa pula kami ucapkan selamat datang kepada seluruh peserta SEMESTA 2014.
Kami mohon maaf jika dalam pelaksana:in kegiatan ini terdapat kekurangan dan kekhilafan dari kami selaku tuan rumah. Terima kasih atas partisipasi dan kerja sama seluruh pihak yang telah membantu menyukseskanacara Seminar Nasional ini.
Wabillahi Taufik Wal Hidayah Wassalamualaikum Wr.Wb.
KATA SAMBUTAN
DEKAN FMIPA UNIVERSITAS TANJUNGPURA
Assalamualaikum Wr.Wb.
Merupakan suatu kehormatan bagi kami untuk menyambut clan mengucapkan selamat datang kepada se luruh peserta Seminar Nasional Matematika dan Statistika 2014 dan Musyawarah Nasional (Munas) Forum Pendidikan Tinggi Statistika (FORSTAT) atau SEMESTA 2014 di kota Pontianak, Bumi Khatulistiwa.
Kegiatan seminar dan Munas
ini
karni harapkan dapat menjadi ajang pertemuan ihniah bagi para penggiat ilmu Matematika, Statistika, clan para praktisi serta para pemangku kepentingan lainnya untuk berdiskusi, bertukar pikiran, dan saling berbagi informasi serta memperkuat jalinan kerja sama antar peserta. Kami percaya sepenuhnya bahwa kegiatan diskusi dan pertukaran infom1asi akan memperluas wawasan keilmuan peserta. Selain itu, jalinan kemitraan yang kokoh dan saling menguntungkan antar pemangku kepentingan merupakan suatu dasar yang mutlak diperlukan tidak hanya dalam pengembangan ilmu Matematika dan Statistika, tetapi juga dalam dalam pengembangan di berbagai bidang. Oleh karena itu, kegiatan ilmiah ini diharapkan tidak saja memacu perkembangan Matematika dan Statistika sebagai ilmu, tetapi juga dapat meningkatkan peran Matematika clan Statistika dalan1 percepatan Pembangunan Nasional.Pada kesempatan ini, ijinkan kami menyampaikan ucapan terima kasih kepada FORSTAT yang telah memberikan kepercayaan kepada kami untuk menyelenggarakan kegiatan berskala nasional ini di lJniversitas Tanjungpura. lJcapan terima kasih dan penghargaan setinggi-tingginya juga kami sampaikan kepada para pemakalah utama, peserta SEMEST A 2014 serta panitia penyelenggara yang telah mencurahkan seluruh tenaga dan upayanya demi suksesnya kegiatan ini. Dukungan moril dan .. materil serta fasilitas yang diberikan Rektor Universitas Tanjungpura, Walikota Pontianak dan para sponsor kegiatan SEMESTA 2014 sangat kami hargai dan kami ucapkan terima kasih.
Besar harapan kami bahwa para peserta dapat mengambil manfaat dari kegiatan ini secara maksimal untuk kemajuan ilmu Matematika dan Statistika pada khususnya dan ilmu pengetalman pada umumnya.
KATA SAMBUTAN
KETUA PANITIA SEMESTA 2014
Assalamualaikurn Wr. Wb.
I. Yth. Bapak Rektor Universitas Tanjungpura
2. Yth. Bapak Dekan dan Pembantu Dekan FMIPA Universitas Tanjungpura. 3. Yth. Bapak Walikota Pontianak/ yang mewakili
4. Yth. Para Pembicara Utama. 5. Yth. Bapak/lbu tamu undangan.
6. Yth. Para Pemakalah dan peserta seminar sekalian.
Puji syukur kehadirat ALLAH SWT atas segala nikmat dan rahmat yang telah diberikan sehingga kita dapat bersama-sama hadir pada Seminar Nasional Matematika dan Statistika dengan tema Penguatan Peran Matematika dan Statistika dalam Percepatan Pembangunan Nasional.
Pada seminar nasional ini kami mengundang empat pembicara utama yang menyampaikan makalah pada sidang pleno yaitu: Prof. Dr. Ir. Asep Saefuddin, M.Sc. (Rektor Universitas Trilogi Jakarta), Fauzi Arfan, FSA!, AAl-J (Sekjen PAI), Dr. Ir. Hari Wijayanto, M.Si. (Dept Statistika FMIPA !PB), dan Dr. Edy Tandililing, M.Pd. (FKIP UNTAN). Atas nama panitia kan1i mengucapkan terima kasih yang sebesar-besarnya atas kesediaan beliau semua hadir dalam acara
!Ill.
Selain itu panitia juga telah menerima sekitar 162 peserta dari berbagai instansi di Indonesia seperti, UNT AN, STIS, Politeknik Ketapang, UNSRI, UNI SBA, UNA IR, ITS, UT, UNT AR, UTM, Universitas Pendidikan Ganesha, STKIP Singkawang, STKIP PGRI Pontianak, UNPAD, UNJ, IPB, UII, Universitas Mulawarman, Universitas Haluoleo, UGM, UNIBRA W, MTs. Sintang, UNS, UPB, UNP, Universitas Pattimura, TNP2K dan berbagai instansi lainnya.
Kegiatan Seminar Nasional Matematika dan Statistika T ahun 2014 ini tidak akan terselenggara dengan baik tanpa adanya bantuan dari berbagai pihak. Oleh karena itu, kami berterima kasih kepada Bapak Rektor dan jajarannya selaku pimpinan Universitas Tanjungpura , Dekan FMIP A UNTAN atas dorongan dan fasilitasnya. Terima kasih kepada sponsor dan semua pihak yang tidak dapat kami sebutkan satu persalu. Terima kasih juga kan1i kepada tim reviewer yakni. Prof. Dr. H. Thamrin Usman, DEA., Prof. Dr. Sabirin Matsjeh, Prof. Dr. Sri Harytami, Dadan Kusnandar, Ph.D., Dr. Ors. Titin Siswantining, DEA .. Dr. Fajar Adi Kusumo, Dr. Edy Tandililing, M.Pd., Dr. Udjiana Sekteria Pasaribu, Dr. Tarmizi Usman, Dr. Flah Nurlaelah, yang telah hersedia menyunting seluruh makalah pada Seminar Nasional Matematika dan Statistika 2014. Kami juga mengucapkan lerima kasih kepada Bapak. lbu, dan seluruh peserta yang lelah berkenan mengikuti seminar ini hingga selesai. Atas nama panitia kami mohon maaf yang sebesar-besamya jika dalam kegiatan ini terdapat kesalahan, kekurangan, maupun hal-hal yang tidak berkenan di hati Bapak, !bu, dan Saudara sekalian. Semoga seminar ini dapat memherikan sumhangan dalam percepatan pembangunan nasional di negara kita.
Wassalamualaikum Wr.Wb
..--.---,/. <
ᄋk・エオ。セョZゥ@
·a SEMESTA 2014(
. • J
. . . ,. ' 'y·.·
-·
. . ' ·I.. .
. .
.
. .DAFTARISI
Kata Pengantar
Kata Sambutan Rek-ior Universitas TanjungPura
Kata Sarnbutan Dekan Fakultas MIPA Universitas Tanjungpura Kata Sambutan Ketua Panitia Semesta 2014
Daftar lsi Makalah Utama
MAKALAH UTAMA Hari Wijayanto I
MAKALAH UTAMA Asep Saefuddin 2
MAKALAH UT AMA Edy Tandililing 3
Makalah Pendamping Bidang Matematika
MATEMATIKA-01 Eka Susanti
MATEMA TIKA-02
MATEMATIKA-03
MA TEMA Tl KA-04
MA TEMA TIKA-05
MATEMATIKA-06
MATEMA TIKA-07
MATEMATIKA-08
MA TEMA TIKA-09
Febrianti,
Evi Noviani,
Nilarnsari Kusumastuti M. Yusuf Fajar
Indrawati, lrmeilyana Fitri Maya Puspita. Meiza Putri Lestari Suhardi. Hclmi. Yundari Barnbang Dwi Cahyo. Nilamsari Kusumastuti,
Mariatul Kiftiah Vega Setiawan. Neva Satyahadcwi
Arif Rahman
Evi Noviani,
Yoga Satria Putrn. Kuntjoro Ad.ii Sidarto
Makalah Pendamping Bidang Statistika STATISTIKA-01 Gaguk Margono
Peningkatan Meningkatkan Nasional
Kualitas Efektivitas
Data Untuk Pembangunan
Pendidikan Statistika Masa Depan
Penguatan Peran Pendidikan Matematika Untuk Pembelajaran Yang Lebih Berkualitas
Optimasi Biaya Pengangkutan Menggunakan Progmm Linear Multiobjektif Fuzzy (Studi Kasus Pada PT. Sen\osa Mulia Bahagia)
Solusi Pendekatan Terbaik Sistem Persamaan Linear Tak Konsisten Menggunakan Dekomposisi Nilai Singular
Model Persediaan Dengan Permintaan Konstan Dan Laju Kcrusakan Konstan Perbandingan Fungsi Utilitas
Cobb-Douglass Dan Quasi-linear Dalam
Menentukan Solusi Optimal Masalah Pembiayaan Layanan Informasi
Sifat-Sifat Lanjut Fungsi Terbatas
Analisis Input Output Sektor Perekonomian Provinsi Kalimantan Rarat Dengan Menggunakan Model Leontif
Optimasi Pelayanan Di PT. Taspcn (Persero) Cabang Pontianak Dengan Mcnggunakan Teori Antrian
lsomorfisma Dari (SU(2)xSU(2))/Ker a Ke 50(4)
Klustering Pa<ien Dengan SVD-gaps Scbagai Altematif Diagnosa Pada Kankcr Paru-paru.
Aplika<i Untuk
Analisis Faktor Konfirmatori Menentukan Reliabilitas Multidimensi lnstrumen Kepuasan
Mahasis\va Sebagai Pclanggan Internal
STATISTIKA-0"
STA TISTIKA-03
ST A TISTlKA--04
STATISTIKA-05 STATISTIKA-06 STA TISTIKA-07 STATISTIKA-08 STATISTIKA-09 STA TISTIKA-10 STATISTIKA-11 STATISTIKA-12 STATISTIKA-13 STATISTIKA-14 STATISTIKA-15 STATISTIKA-16 STATIST\KA-17
Ratu Amilia Avianti
Abdul Kudus, Aceng Komarudin Aceng. Komarudin. Abdul Kudus Anuar Sanusi, Ary Meizari, Novita Sari Muhlasah Novitasari Mara,
Dadan Kusnandar Septian Rahardiantoro, Bagus Sartono Suwanda Shanlika Martha.. Beniva D Handari, Gatot F Hertono Akhmad Fauzy
Eko Tjahjono
Sediono
Muhammad Masjkur, Bagus Sarto no, lta<ia Dina Sulvianti Ferry Juniardi, Heri Azwansyah
Fajar Supriadi,
Doni lr.l\\'Ull.
Jntan Kumiav .. ·ati.
Ayu lndraswari
Num1aya Putri.
Novian1i Trisniarti, Nur Eka Septiana Edy Widodo. Kariya1n
Bahridin Ahapihi
l-\endra Perdana
Aplikasi Analisis Faktor Esploratori Untuk Memvalidasi Instrumen Kepuasan Mahasiswa Sebagai Pelanggan Internal Metode Random Survival Forest Untuk Mengidentifikasi Faktor-Faktor Yang Mempengaruhi Perceraian
Penurunan Ekspektasi Bersyara\ Dari Distribusi Log-Logistik
Analisis Model Faktor-Faktor Mempengaruhi Mahasiswa Berhenti Studi (Drop Out) Di PTS Bandar Larnpung Prediksi Tinggi Muka Air Laut dengan
Hybridi=ing Erponellfial Smoothing dan
Neural Network
Aplikasi Algoritma Genetika Sebagai Alternatif Solusi Penentuan lndeks Preferensi Dalam Hal Ada Data Kosong Diagram Kontrol Reekspresi Variansi Vektor Dan lmplementasinya
lmp\ementasi Model Carma (2, I/ Pada Pergerakan Tingkat Bunga
Kajian Simulasi Tingkat Kepercayaan Bagi Parameter, Fungsi Tahan Hidup Dan Kuartil Waktu Hidup Dari Data Berdistribusi Eksponensial Tersensor Tipe-11
Karakteristik Estimator Deret Four1cr Terbobot Pada Regresi Nonparametrik Penentuan Distribusi Limit Statistik Uji Rasio Likelihood Semiempiris Untuk Data
Truncated
Model Parameter Acak Percobaan Pemupukan Fosfor Padi Sawah Pada Tanah Kandungan P Rendah
Pcmodelan Bangkitan Dan Tarikan Pergerakan Penummpang Di Kalimantan
Barat Menggunakan Anallisis Regresi Linear
Pendckatan Metode Chi Square
lndcpcndcnsi Pcnyalahgunaan
Dengan Karaktcristik T ersangka
Pada Uji Narkoha \ \5 135 \43 147 163 167 175 185 193 203 211 221 241
Pendugaan Parameter Rcgrcsi Eksponensial 249 Dengan Algoritme Cross-Emropy Untuk Mempcrkecil Galat
Pemanfaatan Soft,vare ()pen Source R 253
STATISTIKA-18 STATISTIKA-19 STATISTJKA-20 STA TISTIKA-21 STATISTIKA-22 STA TISTIKA-23 STATISTIKA-24 STATIST\KA-25 STA TISTIKA-26 STATISTIKA-27 STATISTIKA-28
ST I\ TISTIK/\-29
STATISTIKA-30
ST A TISTI KA-31
Adhitya Ronnie Effendie, Dedi Rosadi Suci Astutik Sariyanto, Hadi Sumarno, Siswandi Budi Suharjo, N. K. Kutha Ardana, La Mbau Edi Saputra, Evy Sulistianingsih Dila Aprillia, Bayu Prihandono Hidayu Sulisti, Nilamsari Kusumastuti Fanny Syahfitri Budiman. Bayu Prihandono Marisa Effendi. Nilamsari Kusumastuti Destriani. Neva Satyahadewi. Lasta Dewi Winda Sri Wulandari. Neva Satyahadewi Lasta Dcwi. Neva Satyahadewi
Nova Minarti.
Neva Satyahadewi
Septiana,
Dadan K usnandar. Neva Satyahadewi Fitri Catur Lestari
Dala1n Perhitungan Premi Asuransi jゥカセᄋ。@
Pemodelan Curah Hujan Dengan Model Hirarkhi Poisson Gamma
Modifikasi Unistate Life Table Menjadi Multista\e Life Table Pendidikan
Perbandingan Metode Pendugaan Parameter Dalam Pemodelan Persamaan Struktural
Penggunaan Value At Risk Dalam Analisis Risiko pada Portofolio Single Index Model Peramalan Jumlah Penumpang Pada Pt. Angkasa Pura II (Perscro) Kantor Cabang Bandar Udara Supadio Pontianak dengan Metode Winter's Exponential Smoothing Perhitungan Pendanaan Pensiun Manfaat Pasti Karyawan PT. TASPEN Cab.Pontianak Menggunakan Metode Cost Prorate Tipe Constant Dollar
Peramalan Jumlah Penumpang Pada PT. Angkasa Pura If (Persero) Cab. Bandar Udara lnternasional Supadio Pontianak Dcngan Metode Seaseonal ARIMA
Perbandingan Metode Brown'S l.inear
Exponential Smoothing Dan Holt's linear
£<ponential Smoothing Dalam Meramalkan
Jumlah Pembayaran Manfaat Pensiun Pada PT. TASPEN (Persero) Cab.Pontianak Perbandingan Tabel Mortalita Dan Tingkat
Suku Bunga Yang Digunakan Pada
Penentuan Cadangan Dengan Metode New JerSC!_l'
Pengaruh Tabel Mortalita Terhadap Premi Tunggal Bersih Pada Asuransi Jiwa Scumur Hidup
Pcngaruh Peluang Kematian Terhadap Penentuan Cadangan Zillmer Pada Asuransi Jiwa Dwi Guna
/\nalisis Data Laju Peningkatan Pescrta Pensiun Di PT. Taspen (Persero) Wilayah Klaimantan Baral Cabang Pontianak Dengan Menggunakan Uji Median
Pengaruh Tabel Mortalita Pada
,)up1>le111e11tal ( 'ost Dengan Metode .4.ccrued
Bene.fit Cost
Penerapan Metode Statistik Non Paramctrik
Uji Bredenkamp sebagai Padanan Analisis
Variansi Dua Arah Pada Kasus Pengaruh Faktor Metode Reparasi dan Faktor Merek Terhadap KadarTimbal Jamu Cina
[image:15.595.88.521.92.727.2]STATISTIKA-32
STATISTIKA-33
STATISTIKA-34
ST A TISTIKA-35
STATISTIKA-36
STA TISTIKA-37
STATISTIKA-38
STATISTIKA-39
ST A TISTI KA-40
Dadan Kusnandar. NaomiN Debataraja Suhartono, Dwiatmono Agus Widodo Ryan Kumiawan. Neva Satyahadewi, Dadan Kusnandar Ekawati, Rahmatullah Rizieq
Dodi Vionanda, Helma
Erni Tri Astmi
Lexy Janz.eh Sinay, Neva Satyahadewi
Wahyono
Kuntohadi
Kurnia Susvitasari.
Titin Sis\vantining
Makalah Pendamping Bidang Teknik
TEKNIK-01 Yulisa
TEKNIK-02 Fitrianingsih, Dian Rahayu Jati. Sendy Yulianti Heri Azwansyah. Ferry Juniardi
TEKNIK-03 Hendro Priyatman
Makalah Pendamping Bidang Komputer
KOMPUTER-01 llhamsyah, Cucu Suhery
Makalah Pendamping Bidang Pertanian
PERT J\NIAN-0 I Encik Eko Rillwwaty
Makalah Pendamping Bidang Ekonomi
EKONOMl-01 Titik Harsanti, Novi Hidayat Pusponegoro EKONOMI -02 Sahat Sinaga
Evaluasi Uji Banding Laboratorium Balai Proteksi Tanaman Perkebunan Untuk Kerapatan Spara Beuveria Bassiana
Model Regresi Dua Level Untuk Peramalan Deret Waktu Yang Mengandung Variasi Kalender
Perhitungan Supplemental Cost Dengan Metode Benefit Prorate Pada Program Pendanaan Pensiun Manfaat Pasti (Defined Benefit)
Aplikasi Model AIDS (Almost Ideal
Demand System) Dinamis Dalarn
Pennintaan Pangan
Penanganan Pencilan Bergandadalam Analisis Regresi Denganmetoda Forward Search
Graduasi Tingkat Kematian Indonesia Denganmodel Regresi Poisson Tergeneralisir Lokal
Aproksimasi Tabel Mortalita Menggunakan Persamaan Dufresne
.<\nalisis Data Program Penanggulangan
Kemiskinan: Perrnasalahan Dan Tantangan Statistisi Pada Aktifitas Monitoring Dan Evaluasi
Distribusi Posterior Dari Taksiran Titik Mean Bcrdasarkan Hicrarki Bayes SpasialPada Sinai/ Area Estimation
Huhungan Konsentrasi Gas •Karhon Monoksida (Co) Terhadap Variasi Jarak Pengambilan Sampel Pada Ruas Jalan Gajah Mada Pontianak
Analisis Daerah Rawan Kecelakaan
1.alulintas Dikota Kctapang Ocngan セQ」エッ、・@
Z-SCORE
Model Matematis Pada Bidang Kendali
Pcnjadwalan Mobil Taksi Menggunakan
A\gorhma (Jenetika
ljpaya i'v1c1npcrpanjang U1nur Sitnpan
Bunga Potong Anggrek Vanda Var. Douglas
Dengan l:lerbagai .lenis Pengemas
Kemiskinan Anak Dan Variabcl-Variabel
)'ang Men1pcngaruhi
Mcnsiasati Perccpatan Pembangunan Kalbar Mdalui Pcmberdayaan kッュッ、ゥエ。セ@
Makalah Pendamping Bidang Kesehatan
KESEHATAN-01 Engelina Ng.
KESEHA T AN-02
Andhi Fahrurroji. Liza Pratiwi
Era Kurnializ.a. Siti Nani Nurbaeti,
Wintari Taurina
Optimasi Krim Sarang Burung Walet Putih
(Aerodramus Fuciphagus) Tipe M/A
Dengan Variasi Emulgator Sebagai Pencerah Kulit Menggunakan Simplex laaice Design
Potensi Ami\um Limbah Batang Kelapa Sawit (Elaeis Guineensis Jacq) Sebagai Bahan Penghancur Pada Forrnulasi Tablet Parastamol
539
547
KESEHA TAN-03 Syari Wahyuni Forrnulasi Sediaan Gel Antiseptik Fraksi 555 Ansiah, Sri Polar Daun Kesum (PoZvgonum Minus Wahdaningsih. Huds)
Siti Nani Nurbaeti
Makalah Pendamping Bidang Kependidikan
PENDlDlKAN -01 Agus Santoso Pemilihan Butir Saal Pada Rancangan Tes 563 Adapti f Berdasarkan E;tlicien<:v Balanced Information
PENDIDIKAN-02 Suparrnan I.A. Faktor Yang Menentukan Prestasi Belajar 57 3
PENDIDIKAN-03 PENDIDIKAN-04 PENDIDIKAN-05 PENDIDIKAN-06 PEND!l)IKAN-07 PENDIDJKAN-08 PENDIDIKAN-09 PENDIDIKAN-10
Yunita Matematika Siswa Sekolah Menengah Alas Di Jakarta
Muhammad Rohmadi
Kalbin Salim, Dayang Hjh Tiawa, Teti Kumalasari, Abdul Bin Hamdan Kalbin Salim, Dayang Hjh Tiawa. Teli Kumalasari,
Abdul Bin Hamdan Kalbin Salim. Dayang Tiawa
Eka Murdani
Ristia Apriana
Nindy Cilroresmi P. Mariyam Wahyudi.
Lia Angracni
Vindo Feladi
Analisis Wacana Tekstual Dan Kontekstual Prakmatik Soal Cerita Matematika Ujian Nasional SD Sebagai Bentuk lmplementasi Bahasa Sebagai Penghela llmu Dalam Kurikulum 2013
Pcngajaran Dan Pembelajaran Arab Melayu Berdasarkan Pendekatan Quantum Leaming
Teknologi Distance Leaming Berbasis E-Education Di Wilayah Kepulauan Riau
lndones\a
Persepsi Sis,va Tcrhadap pembcl'\iaran Matematika Dengan Menggunakan Flash Animasi
Pembela,iaran risika Berba,is Praktikum: Pengujian Hambatan Suatu Resistor Komersial Dengan l lukum Ohm
Pe1nheJajaran Maten1atika Dengan Prq_jcct
Based Leaming
PENDIDIKAN-11 PENDIDIKAN-12 PENDIDIKAN-13 PENDIDIKAN-14 PENDIDIKAN-15 PENDIDIKAN-16 Sandie Handy Dannawan,
Dwi Fajar Saputri Nurhayati Soka Hadiati. Eti Sukadi
Adi Pramuda. Matsun
Do1ninikus Das\\
Makalah Pendamping Bidang Kimia
KIMIA-OI Intan Syahbanu. lndriana Kartini. M. Muchalal KIMIA-02
KIMIA-03
KIM!A-04
Afghani Jayuska. Siti Syamsiah. Sarto.
Tutik Dwi Wahyuningsih Adhiliyawarman. Winda Rahmalia
Muha1n1nad Agus
Wibowo. Aulannia'am
Makalah Pendamping Bidang Biologi
BIOLOGI-01 Siti Khotimah. Dessy Dhavina
Meningkatkan Kemampuan Berpikir Kreatif 645 Siswa Dengan Model Reciprocal Teaching Pada Materi Pecahan Di Kelas VII SMPN 21 Pontianak
Penerapan Sains Teknologi Masyarakat Melalui Media CD lnteraktif dan Animasi 3DS Max Ditinjau Dari Kemandirian Belajar dan Keterampilan Proses Sains
Mahasiswa ·
Pengembangan lvlodul Fisika Berbasis lnkuiri Pada Materi Gerak Lurus
Pengembangan Perangkat Pembelajaran lnkuiri Berkarakter Melalui Pemanfaatan Limbah Barang Bekas Untuk Meningkatkan Prestasi Belajar Afektif
Pengembangan Perangkat _ Pembelajaran Listrik Magnet Yang Berorientasi Pada Hyperphisics Di Program Studi Pendidikan Fisika STKIP-PGRI PONTIANAK
Pengaruh Pembelajaran Matematika Dengan Pendekatan Open-Ended terhadap Kemampuan Berfikir Kreatif Matematik
Sis\va SM K Negeri Ngabang
649
667
675
681
693
Analisis Spektrofotometri UV-Visible pada 703 Ekstrak lndigovera Tinctoria Linn dan
Senya\va Turunannya
Penentuan Kondisi Optimum Pemungutan 711 Minyak Atsiri Dari Limbah Kulit Jeruk
Dengan Distilasi
U_ii Fotostabi\i\as Pigmen Karo\enoid Kulil 717 Buah Mel injo ( Gnerum Gnemon L)
Pemhcrian Fraksi N-Heksana Ekstrak Daun 725
Kesurn (foli:s:o111un A.finus L.) Secara Prevcntif Man1pu Menccgah 1nna1nasi
Jaringan Paru Hewan Model Terpapar Bcnsapircn
Pengaruh Ekstrak Metanol Sargassum 731
pッセQᄋ」NZゥᄋウQオョQ@ .-lgardh ·rerhadap Pcrtun1buhan
LLQ。QQャセカャョ」ッ」」オウ@ ,.fureus [)an t:\·c/Jerichia
Coli
- - -
PROSIDING ISBN: 978-602-8355-39-1
STATISTIK-20
· ··
PERBANDINGAN l\'IETODE PENDUGAAN PARA1\1ETER DALAl\I
PEMODELAN PERSAJ\'IAAN STRUKTURAL
(Comparison of Para11U!ter Esti11wtio11 Afetlwds i11 Structural Equatio11 Modeling)
Budi Suharjo, N. K. Kutha Ardana, La Mbau
Dosen Dosen Dept. Matematika FMIPA !PB Dept. Matcmatika FMIPA !PB
Alumni Program Master Dept Matcmatika Fl'vlIPA !PB
Abstract
Stmctural pquation modeling (SEM) is one of mulliYariatc tcclmiqucs that can eslinmtcs a series of interrelated dependence relationships from a number of
endogenous ..tind 」クッァ」ョッオセ⦅⦅LNLク。イゥ。「ャ」ウN@ as "·ell as latent (unobserved) ,·ariables
sintullancously. To cstintatcf their panunctcrs. SEI\tt based on stn1cturc co,·ariancc nultrix. there arc scYcrriis 111cthods can be used as csti1nation n1cthods. na1ncly
lllit'\i111u111 ャゥィセャゥャゥオオjN@ (i\lL). \\L'ighll .. :d ャQN[cQセャ@ :::..quan .. Zセ@ (\\'LS). ⦅ァャZQョZQ。ャゥQZセj@ h.:a:::.l :::..quan.::::..
(GLS) and unweighted least squares (ULS). The ーオャIャos・セ@ of this paper yto learn
ャセ@ ·tncthody in csthnating SEM panunctcrs and to cotnparc their consistency. accuracy and scnsith·ity based on saniplc si1.c and niultinonnality assun1ptio11 of
obscrccd yariablcs. Using a full\ crossed design. data \\Crc genernted lor 2
conditions of nonmlity and 5 different sample sit.cs. The result showed that
when data arc nonmlly distributed. lvlL and GLS more consistent and accurate then the other methods.
KC)'\\·ords: sa1nplc size. consistency. scnsitiYity. n1ultinonnality. cstiniation rncthods.
DAHllLlJAN ·
pendahャャlャャセセ@
Latar Bel.:ika·ng
Penggunaan Pemodelan Persamaan Struktural (S1r11c1ural hc1ua11011 :\locleli11g SEM)
semakin meluas diberbagai bidang. Metode ini memiliki banyak nama, diantaranya
adalah model hybrid. karena menggabungkan antara model pengukuran dan model
struktural yang melibatkan peubah late11 (Bollen, 1989).
Dalam pemodelan kuantitatif, seperti halnya SEM, aktivitas yang sangat intensif adalah proses pendugaan parameter model. Dala111 SE1v1 pendugaan parameter ditujukan untuk pengcpasan matriks koragarn model sebagai dugaan terhadap matriks koragam
populasi• yang direpresentasikan 111elalui contohnya. Saat ini terdapat sedikitnya セ@
metode pendugaan para111eter yang lazim digunakan dalam SEM. diantaranya adalah
Afaxi11111111 !.ikelihood (\1L), Weighted l.cast Squares (\\'LS). <icncrali=<·d l.casr Sc1uares
(GLS) dan Umrcig/11ed I.cast Squares (ULS). Masing-masing metode memiliki
kekhususan dalam penggunaanya sesuai dengan sebaran. ukuran contoh dan skala data. serta asumsi yang 111endasarinya.
Dari banyak literatur ditunjukkan bahwa, beberapa metode penduga para111eter 111e111erlukan asumsi vang ketat terkait dengan bentuk seharan dan ukuran contoh. Metode \IL dan GLS memerlukan asumsi kenonnalan ganda pada data. Sementara metode \\'LS dan ULS tidak memerlukan asu111si kenormalan ganda. Menurut Engel (2003 ). jika data pengamatan menyebar nor111al ganda dan ukuran contoh cu kup besar, maka metode :\1 L
Makalah dipresentasikan dalam Seminar Nasional Matematika dan Statistika dengan tema "
Penguatan Peron Matematika dan Statistika Dalam Percepatan Pembangunan Nasional "
PROSIDING ISBN: 978-602-83SS-39-1
menghasilkan dugaan parameter yang takbias, konsisten dan efisien secara asimtotis. Namun demikian berbagai metode tersebut saat ini belum teridentifikasi tingkat konsistensi dan ketepatan hasil dugaanya jika sebaran data tak normal maupun untuk berbagai ukuran contoh. ivlengingat SEiV! sangat peka terhadap ukuran contoh dan sebaran data, maka kajian terhadap ketepatan, kekonsistenan serta sensitivitas hasil dugaan dengan berbagai kondisi data tersebut perlu dilakukan.
Alasan lain adalah, para praktisi seringkali melakukan coba-coba (lrial & error)
dalam melakukan pengepasan terhadap koefisien model dengan menggunakan berbagai metode, tanpa mengetahui sebaran data terlebih dahulu. Hasil terbaik akan dipilih berdasarkan terpenuhinya ukuran keseuaian model yang digunakan. Disisi lain meski penggunaan suatu metode sudah dicoba disesuaikan dengan kondisi data, namun seringkali hasilnya jauh dari harapan, meski upaya modifikasi terhadap pola kausalitas antar peubah indikator telah dilakukan. Akibatnya eksplorasi akan dilakukan terhadap semua kemungkinan metode yang mampu memberikan pengepasan terbaik. Oleh karena itu informasi mengenai petunjuk praktis penentuan metode pendugaan parameter model yang sesua1 dengan karakteristik data diharapkan akan sangat bermanfaat bagi para praktisi.
Tujuan Penelitian
l. Membandingkan kekonsistenan dan akurasi metode ML, WLS, GLS dan ULS ditinjau dari ukuran contoh dan bentuk sebaran data.
2. Mengetahui sensitivitas metode ML, WLS, GLS dan ULS ditinjau dari ukuran
contoh dan bentuk sebaran.
METODE PENELITIAN
Penelitian ini berbasis pada simulasi komputer dalam pembangkitan datanya, dimana kaidah yang digunakan adalah sebaran normal ganda. Untuk pembangkitan dan pengepasan model dilakukan dengan bantuan perangkat lunak PREUS 2 dalam LISREL 8.5 Tahapan yang dilakukan meliputi:
I. Spesifikasi model Teoritis dan koefisiennya (Gan1bar I).
2. Membangkitkan data (matriks koragam) berdasarkan koefisien model persamaan struktural dari tahap I dengan kriteria berikut:
a. Variasi ukuran contoh I 00, 200, 300, 400 dan 500.
b. Sebaran masing-masing gugus nomrnl ganda dan tidak menyebar normal ganda.
3. Melakukan pendugaan koefisien model dengan menggunakan metode ML. WLS,
GLS dan ULS untuk setiap gugus data dan sebaran
4. Menentukan Mean Ahso/111c Relarii·c Hias (MARB) dan Kuadrat Tengah Galat
(KTG) parameter dugaan masing-masing metode serta ukuran kelayakan model
dugaan untuk 1nasing-111asing gugus data dan sebaran.
5. ldentifikpsi konsistensi dan sensitivitas setiap metode berdasarkan nilai MARB
dan KTG koefisien dugaannya sedangkan ketepatan masing-masing metode dida5arkan pada ukuran kelayakan model.
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
r
PROSIDING ISBN: 978-602-8355-39-1
0.29
0.59
0.50
Gambar I. Model Teoritis Alienasi
0.40 \
\
0.27 0.13
0 'l'i
;-
() 04-U.J l
Model Persamaan Struktural teoritis seperti yang terlihat pada Gambar I, diperoleh dari foreskog & Sorbom (I 996a). Pemilihan model ini semata-mata akan dijadikan sebagai basis pembangkitan data untuk keperluan simulasi pengujian metode pendugaan
koefisien model.
LANDASAN
LANOASAN TEORI
Spesifikasi Model
Model persamaan struktural terdiri dari dua model utama vaitu model struktural dan model pengukuran. Model struktural menjelaskan keterkaitan hubungru1 rullara peubah laten. sedru1gkan model pengukuran menjelaskan keterkaitan hubungan peubah laten dengan indikatomya.
Model umum persamaan strukh1ral didefinisikan sebagai berikut:
If = Bl( + 1 ·; +
S
( I )Model pengukuran terdiri atas dua yaitu model pengukuran endogen (y) dan model
pengukuran eksogen (x). Kedua model pengukurru1 ini didefinisikan sebagai berikut:
y = A,11 + e
x
=
LG|NLLセ@ + 6Matriks koragam :i:: dari indikator-indikator x dru1 y dapal dituliskan sebagai berikut
...-
セ@
p::.,
セ@
.. \
' '
; セ@ セ@ I ,-.1:-i -.i:.r i
d1111ana l:,, adalah matrik koragam bagi peubah pengamatan y yaitu:
(2)
( 3)
( 4)
l:" = ,\,(I - Bf1(1"<1>1". -'-'1')((1- B)'\A,' - 0, HセI@
ZゥZZセセ@ adalal; matriks koragam bagi peubah ーセョァ。ュ。エ。ョ@ y dan x yang dapat ditulis sebagai:
l:;, - .\,(I Bf1r<I>.\,' (6)
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
[image:21.597.65.509.85.322.2]PROSIDING ISBN: 978-602-83SS-39-1
:i:..,. mernpakan matriks putaran dari :i:.)" sedangkan matriks koragam bagi peubah pengamatan x adalah:
I:u
=
Ax<l> A,'+
0, (7) Daripersamaan (5),(6) dan(7) matriks
l:
merupakan fungsi dari paran1eter IJ =(A),A,, B, f, <I>,'¥, 0,, 0o), selanjutnya dapat dituliskan sebagai:
(A, (1-B) '(f<Df'-r 'f')((I-B) ')'A, '-rE),. A, (1-B) I f<DA,'\
!:(O) = . (8)
Ax<Df'((I-B)")A.,' A,<DA,+0,
Kajian Metode Pendugaan Parameter
Pendugaan parameter model adalah pengepasan matriks koragam model !: dengan
matriks koragam contoh S. Fungsi pengepasan ini dinyatakan dengan l·(S,:!:) yakni suatu
fungsi yang bergantung pada S dan · :i:.. Menu rut Bollen ( 1989), sifat-sifat fungsi
pengepasan adalah :
I. /·(S,l:) adalah besaran skalar.
2. FtS,l:) 2: 0, F(S,l:)
=
0 jika dan hanyajika !:=
S.3.
f-\S,l:J
adalah fungsi kontinu dalam 1: danS.
1. Metode Kemungkinan Maksimum (ML)
Menurut Garson (2000), estimasi yang dilakukan metode ML didasarkan melalui
maksimisasi probabilitas (likelihood), dimana setiap matriks koragam yang
diobservasi diperoleh dari suatu populasi yang diasumsikan sama seperti yang direfleksikan olch hasil dugaan kocfisicn. Mctodc ML mcngasumsikan bahwa pcubah-pcubah dalam
model menyebar normal ganda. Fungsi pengepasan untuk metode ini adalah sebagai
berikut:
hn
=
logJL(llll + tr(S2.:
'(ll)) - logJSI - (]1 · </)·1 !
'
,_, 1
,,.
(I I )2. Metode Kuadrat Terkecil Terboboti (WLS)
Jika data pcngamatan kontinu tctapi tidak mcnycbar normal ganda. maka mctodc pcnduga yang umum digunakan adalah WLS (Engel. 2003). Pendugaan parameter dcngan metode ini dilakukan dcngan mcminimumkan jumlah kuadrat dari sclisih antara unsur-unsur matriks koragam sampcl dcngan matriks koragam model. Fungsi pcngcpasan WLS dirumuskan scbagai:
1-\VLS
=
Js-<>(ll) J'W -I Js-<>(OJI ( 12)Pada pcrsamaan tcrscbut s adalah vcktor yang tcrdiri dari
l
(/>+'fl( I'+ 'I+ I) clemrnYang dipcrolch dcngan mcncmpatkan clcmcn-clemen S dalam sebuah ,·ektor. <J(O)
adalah vcktor bcrordc sama yang bcrscsuaian dcngan E(O), 0 adalah
vcktor (I x I) parameter bebas dan \\.-I malriks pembobol definil positif ,·;mg
bcrukuran
l
(/H:-q)(p+q+!)xl
(p+,q)(p+q+I).3. Metode Kuadrat Terkecil limum (GLS)
Kasus khusus dari WLS adalah GLS. Pcnggunaan mctodc ini didasarkan pada asumsi yang san1a dcngan mctodc ML. Namun dcmikian mcnurut Engel (2003). kincrja mctodc ini
kurang haik pada ukuran contoh yang kccil. Pcndugaan parameter dcngan mctodc GLS
dilakukan dcngan meminimumkan jumlah dari kuadrat unsur- unsur (S-!:). Bentuk umum fungsi pcngepasan GLS adalah:
1-(J LS = (I /2 )trl { (S-E)W - I
i
2 I ( 13 lSeminar Nasional Matematika dan Statistika FMIPA UNTAN
Pontianak, 27 Februari 2014
PROSIDING ISBN: 978-602-8355-39-1
Mauiks pembobo1 W dari persarnaan 1ersebu1 dipilih sama dengan S.
4. Metode Kuadrat sTerkecil tanpa Pembobot (ULS)
Fus adalah bentuk khusus FGr.s apabila \V _,
=
I. Metode ULS meminimumkanjumlah kuadrat setiap elemen di dalan1 matriks sisaan HsMセHoIIN@ Metode ini
menghasilkan penduga yang konsisten bagi
0.
Selain itu menurut Garson (2000),metode ini tidak memerlukan asumsi sebaran bagi peubah pengamatan. Fungsi pengepasan metode ULS dinyatakan oleh : ·
FLLS
=
HャORIエイ{HsMセHoIIG@l
(14)Evaluasi Model
Ukuran kesesuaian model atau penguJian ketepatan metode pendugaan koefisien model digunakan kaidah berikut:
I. Uji
x'
2. GFI (Goodness of Fit Index) dan AGFI (Adjusted GFI)
3. RMSEA (Root Mean Square l:"rror (}f Approximation)
4. RMSR (Root Mean Square Residual)
Kriteria untuk menilai kekonsistenan suatu metode:
l. A.fean Absolute Relatiw Bias (l\·1ARB) adalah rata-rata nilai mutlak bias keseluruhan parameter model relatif terhadap parameternya
. I '
lg-BI
MARB(B,)=-:Li'
'I;
i=l,2,3, ... ,20.I 1 1
e,
(9)
2. Kuadrat Tengah Gala! (KTG) adalah nilai harapan kuadrat dari selisih-selisih suatu
statistik dengan parameternya.
KTG(B
(I 0)
)
HASIL DAN PEMBAHASAN Pembangkitan Data
E[(
e
0)Dari hasil simulasi guna pembangkitan data dengan beberapa pengulangan diperoleh sejumlah gugus data sesuai dengan kriteria yang telah ditentukan baik untuk jenis sebara maupun jumlah pengamatan. Dari data basil bangkitan, kemudian dilakukan pendugaan koefisien model dengan berbagai metode (ML, WLS, GLS dan ULS).
Dugaan Parameter Model Struktural
Bias dan keragaman dugaan parameter model dengan menggunakan metode ML. WLS, GLS dan ULS untuk berhagai bentuk seharan dan ukuran contoh disajikan dalam bentuk
ho.\11/ot Gambar 2 dan Gambar 3.
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
277
PROSIDING ISBN: 978-602-8355-39-1
F
Borplotol Ml,WtS, Gl._, UL!'>"'• GAl 1 Baxptotof ML, WLS, GLS, ULS w GA1 lI
I
l\n0r _;,
i; ;_; r; u:...;
!..,.) -
L..;
;Jul..;
- -...;
,:i> MセZヲ@ ..;t' .. ::i' .t ,_,p セBNNL@ .;..., .;i' ..t ,o:' ,,o:.., 4' .,;i' .;i' ,'i' -:t' i' .;i' ;j'
NセMM ,/' v-"" .Y
loxplttt ol ML, WL:J, GLS, ULS "' ClA21
: '.: :;:' ,-:> .,." ,:' セMB@
lo>.1>Lotof Ml, WLS,GLS, ULS vs IEll
·11.l
-..
.,,
·-.-LI NNL\ヲGNヲN[NGB^セセセ@ . .,:;'./.;/ .. Nsjセ[Z@ LL[セNN⦅L[NMT@ .. -i'.f
eoxplot of Ml, WLS, GLS. OLS . . GA21
,., .-: セ@
s
セZNZ@ セ@u. .
--'-- --·-·-- ----·--- -- ---
I
·.•.-: ..,"!'/'-.-· •• •+" NMNセMNMZᄋセMセLゥGNNLLᄋᄋAG@ .. :' .. -··,-;>,t•.;> カBMZMセ@ .• • •• セᄚGB@
セM .,/' ..:>°' セLZMLN@
801l1>lotof Ml, WLS,GLS, ULS u 1E21
\ \ :.i :...! Ci L.1
---i i
QQdyuセ@
I
--- -- -. -I
-Gambar 2. Dugaan parameter y11 (GAi I), y,, (GA21) dan
/J,,
(BE21) padabebagai ukuran contoh dan bentuk sebaran (normal ganda pada kolom kiri dan tak nonnal ganda pada kolom kanan).
Dari Gan1bar 2, pendugaan parameter
y,,
(GAi I) dan/J,,
(BE21) pada N = 500untuk berbagai bentuk sebaran, semua metode relatif konsisten. Untuk parameter
y" (GA2 I) dengan data menyebar nonnal ganda, semua metode tampak relatif lebih
konsisten, sedangkan pada sebaran tak nonnal ganda hanya pada N = 400 dan 500 semua
metode relatif lebih konsisten. Gambar 3 menyajikan nilai dugaan untuk matriks
koragam bagi ( atau parameter dalam 'I'. Untuk paran1eter VJ,,, pada semua sebaran
seluruh metode relatif konsisten pada N = 500. Dugaan untuk V' .. , pada sebaran normal
gan<la <lan berbagai ukuran contoh, seluruh meto<le relatif lebih konsisten. sementara pada sebaran tak normal ganda, hanya pada N= 500 semua metode juga relatif konsisten.
Seminar Nasional Matematika dan Statistika FMtPA UNTAN Pontianak, 27 Februari 2014
[image:24.605.102.543.72.481.2]r
PROSIDING
.. kxplot_of HL. WLS, .GLS, U LS YS PS11
:-
-' . ,_ ' _, -
.
' :·:'J.i '--' ·, ;_,
o.• c.:;
GMLjセ^MM⦅L^MNLLLZイNNNLM N⦅[NイN⦅ZイᄋNヲGセB^F@ NN⦅[[N⦅ウMMNLtLN⦅Nセ@ LセNLLNNLNLtセᄋッZLZイ@
.,... セ@ if &'
loxptot of Hl, WLS, GLS.!.. ULS 111 PS22
-.
セェ@ -. '-i .· · -t..:
Zセ@
..
:
··----I
.}' セN[@ セカ@
[image:25.600.62.498.88.715.2]# .,.f ,f• セケ@ ,,,:s., .;? ..,i'
Gambar 3.
'
'
"
l
: ;6
''
"
.... セA@
6":..vlvl of I-IL, WLS,GLS, ULS ᄋセ@ LX11
"
'·"'
°''
'"'
: 11.jl(l,
. · ....
--
セセG@0"
loxph•t of Hl, Ml, WLS, GLS, ULS "'' tXll
··:
-..
. -·. -t·-·
.. -...
Gainbar .:I. Dugaan parameter ;:.
ISBN: 978-602-8355-39-1
. hXilffit of_ML._WLS, GLS, ULS.n 1>511
"
.JS • ; -"
;-. GMMNN[ᄋZセャッ@ '-1'-!'r:...:;
o.; -.
,_,
:;
,,.
....
of
MC
WLS.
Gu,·
:i ULS
loxplot af ML,. WLS, Gl.S, ULS VI PSll
-=
セB@
-6 "'• l ". ---'-'-; Mセ]MMMGMᄋ@ G[」ᄋセMᄋ]ᄋセᄋNcGB[GMMGMセMMMGMGゥMMGセセBM ᄋM[ᄋNLLセᄋᄋLNNLL@ ゥセG⦅L@
.,. - BBQZMQセZZLA@
-.... ,, .
lo:qilot of Ht.. WLS, G\.$, ULS TS lX21
.-.
:•
._..,,_,.,_y ... -?'
(
tx
I I ) dan (LX2 I) semua ukuranSeminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
PROSIDJNG ISBN: 978-602-8355-39-1
contoh dan sebaran (nomrnl ganda kolom kiri dan tak nonnal ganda kolom kanan).
Dugaan Parameter Model Pengukuran
Gambar 4 secara umum menyajikan dugaan dan sebaran parameter model
pengukuran untuk parameter
A,'
1 danA;,.
Hasil dugaan parameter X pada sebarannomial ganda w1tuk semua metode adalah keragamannya besar, kecuali pada nセUPPL@
artinya semua metode relatif konsisten pada N = 500. Pada sebaran tak normal ganda
semua metode relatif konsisten pada N = 400. Untuk parameter
,.i;-
1, pada semua bentuksebaran dan metode hasilnya relatifkonsisten padaN= 500.
Gambar 5 menyajikan sebaran nilai bias dan keragaman dugaan parameter untuk
peubah endogenous (y). Terlihat penduga parameter
Ai'
1 (L YI I) pada semua sebaran danmetode refatif lebih konsisten pada N = 500. Penduga parameter
A.;;
(L Y2l ), aNLセ@ (L Y32),dan
ilJ;
(L Y42) pada sebaran normal ganda dan semua metode hasilnya relatif lebihkonsisten pada N = 300 dan N = 400, sedangkan pada sebaran tak normal ganda semua
metode relatifkonsisten pada N = 500.
Dugaan parameter 61': dan V[セ@ disajikan pada Gambar 6. Pada sebaran normal
ganda, penduga
8,';
semua metode relatif lebih konsisten padaN
= 400, sedangkan padasebaran tak normal ganda semua metode pada N = 500 relatif lebih konsisten. Dalam
menduga parameter
e;,,
pada semua bentu sebaran semua metode relatif lebih konsistenpada N = 400 dan N = 500,
Pada Gambar 7, pendugaan parameter Vセ@ pada sebaran normal ganda, semua
metode relatif konsisten pada N = 500, sedangkan pada sebaran tak normal ganda
konsistensi terjadi pada N = 400. Sementara itu, pendugaan parameter 8,'. untuk semua
kondisi sebaran, hasilnya relatif konsisten pada N = 300 dan N = 400. Penduga parameter
6_;:,
pada sebaran normal ganda semua metode relatif konsisten padaN
= 300 dan 400,sedangkan pada sebaran tak normal ganda semua metode relatifkonsisten pada N ._, 400.
Pada Gambar 8, pendugaan parameter
e;;
pada sebaran normal ganda, semua metoderelatif lebih konsisten hanya pada N = 500, sedangkan pada sebaran tak normal ganda
semua metode relatif konsisten hanya pada N = 400. Sementara untuk dugaan parameter
6:;
konsisten padaN
= 400 untuk semua metode pada sebaran normal ganda, sedangkanpada sebaran tak nor111al ganda konsiste111 pada N -- 300.
Berdasarkan basil di atas. nilai parameter dugaan masing-masing metode mengalami tluktuasi seiring dengan bertambahnya ukuran contoh. Persentase bias terbesar terjadi
pada dugaan parameter
e_;_,
(TE44) baik untuk semua metode dan ukuran contoh,sedangkan persenta<;e bia<; terkecil terjadi pada dalam penduga parameter qJ11 (PHI I) pada
semua kond isi sebaran dan u kuran contoh.
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
r
PROSIDING
セZ」[|MッセMLヲ@ t\L. WLS.GLS. IJLS 'f$ L'1'1!.
Cl9S
'-"
0.71:
"'
060 ---·-·--·-··-· --- ·--MMMセMMMMMMMᄋMMᄋMMᄋMMMMMMMM
LVll LNヲGセ@ . ..,..J> セゥ^@ ,.j' .._::;> セjMᄋMNLZZ[B@ .,_::;)wf)) Lゥᄋセ[ヲLMLLLゥL@ セZZヲ^L⦅LZ[G@ L・ヲGNQセMェG@ ,ft',_;"•
*
セ@ セ@ ¥lloJQJlot of ML, WLS, GLS, ULS vs LY21
"'
'-"
0.9S
: セYP@ 1·; :·; - . ' セ@ ;,·,." ' - .: .. :
• : . . . . ' . : i . ' :
、ッウウセGセゥセセᄋセセセᄋセ」MセMM]GBセᄋセᄋセMセMセ]ᄋセMセᄋMMMセZMᄋセᄋMセセᄋセMセ[セ]BセMセᄋ⦅[⦅ᄋZセセ]ᄋセZlイ]MNイャN[L⦅ᄋ[@
... Mセ@
'-"'
_:.!!..,;0.75
'"
.;5'-,-f\-,-J',,..-f>.:jl MセMセセ@ ... 、^ZM、GセNウ^@ LWNLゥGNLLGヲ^N[[セ・ヲ@.:;.:; <.•"" セカ@
lloXplot of Hl, WLS, GLS, ULS V$ LY32
' '
"
-
-j
,_,
-
. : ::'. .. ..;
---"
L:: MセGᄋNMGQMNLセQLZZ[GNヲ@ .f·.,;•f-:-'i'./ Nセ@ .. ZヲML[N[GセゥGNヲ@ MセGMMセセᄋセGBGN[L[Q@
セゥア^ャッエ@ of Ml. WLS GLS. UlS VJ l Y42
"'
'"
ISBN: 978-602-8355-39-1
h:otpl'llt'llf tll, WLS, GLS. IJLS '1''5 1.Y11
,_,,
'"
0 &l . : '
:1 :-i: i...;, ;--;
_ャセィゥLlZ@
[_'.;,,,..:
r1fr-::-;du
u;...
'-"'
0.65
"'
lYll -.:fJ'"> ᄋセBMNL@ .,.f> セェI@ "i
0.95
,.,
'-"
,_
Joxplot of ML, WLS, GLS, ULS TS LY21
r
Ll :-i • :...! :--: ,....
l
O.S5 ; :.; :j:
ZZセ[セZfゥ@; : ,...,
;
セ@ セ@ ,.., .. Z[Zᄋ]ZNNNZᄋセ@ ⦅LLL[NZセ@ ... [セ@•
0 ;: ;. ; 0"0.7S .
tY=..! セ_I⦅ZケᄋNNLセMNLN、ゥNLUゥᄋ@ NN⦅MᄃGセjGMNヲ[NjャNZ⦅セI@ .._J\S>-.,-5'.,.f'.f NZLNGj^セs^MNLセB^エヲ@ •• 'J>
,,
Joxplot of Ml, WlS, GlS, UlS YI lYJ2
"'
0"'-"
,: セ[@ : ,., セN@ -· ' ; ; : ... . 0" セ@ iセ@ ,., ,.; : . ·' セ@:
. . : '·.
Gセ@ 0"llo•plot of Ml. WlS. GLS, UlS vs l'f42 '00
',,
ェッ・ウセGMMセᄋセMMMMセセセMMMGMLN⦅⦅セNN」[セMMセMGMM]MGMGGMMGMBMGMGセZMG@
[image:27.595.65.504.84.689.2]0.,
Gambar セN@ Dugaan parameter ;;, tLYI I).
i.:,
tLY21 )_ ).;', tL Y32) dan A:-·' tLYUJsemua ukuran eontoh dan sebaran (normal ganda kolom kiri dan
kolom kanan).
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
tak normal ganda
PROSIDING ISBN: 978-602-8355-39-1
セBAGiョエセ@ セエL@ Wl<;, l;t <;, l_ll t;. ""' T('ll 1
ッセ@ - · MMMMセMMMᄋMMMMMMMMMMMMMMMMM ッセN@
"
-"'.
"'
IOU ,.,,,. ... ,f>·-;r.:;;l),p>
<'-,<Y .._:i> -iT J' -!'
セG_@
セZZp{Y@
r-! _, I ;
-.f' .)5 ·.f' .J> .. ;r ,:;; ..;s>:,; .r .;r
<§' ,p
8o:q1lol ol Ml.., WLS, GLS, ULS vs T022
u6 -- .... - - - · · · · ᄋMMMMMセMMMMMMMMMMᄋMM · ·
-"
,
...
: ;--, .-:'
"
-" -- .::; ,.., ,...,
i)J. •' : . . , '-::'
l 0 i -
-'
セ@ '' 0
"'
-"'
,-? .._i' -.j' o:P •t ,Y f' -i' ,i' .f J.' ..,.,,
8<>,;plolol ML, WLS, GLS, ULS vs T022
C.B .. ----···--··-- - - ·-·-··· · · · · - -
---Gmnbar 6 Dugaan parameter
Bi':
(TOI I) danB,·;
(TD22) pada berbagai ukuran contohdan sebaran (normal ganda kolom kiri dan tak normal ganda kolom kanan).
"'
' i
0
"'
i
0!1;ioxplo1 ol r .. 1., wt::., i..1.:., ulZNNLセ@ Ill l
... : !··
·-· :...:
MZセMLZAZGMOLZ⦅セNNL@
Mセセ@
.. ,
· i : ···1
·:_;:;
MZセG@ -;-f' _.,,-';' •;' .. }'
•'
・ッセーャッエッ@ ML,WLS. GL!>, ULS vs ltll.
'
- -,-·
'
..i
0
i
ャャッセーャッ@ t ol Ml, Vil:., Utl>, Ul::O"" Ill I ",
"'
'"
1! ti MZZQGᄋNセBGMNLLヲG@ ,.'f> .• /
,•
セ@
., _ 1.·
!:
·- .. セM . ' ·--: ;'" セNNZ@
. ' :_: ... l . . ..,
.:f'.f' ,_:' セヲG@ .. J'
"'
ッッセーャッャ@ of Mt, Wt!>, c.u., UL!. Y9 Tt.ll
"'
.. _,
r.1
"
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
•
PROSIDING ISBN: 978-602-8355-39-1
BoxplotQf ML, WL'>, GLS, UL'> カセ@ TEl) Soxplotof ML, WLS, GLS, ULS vs TEll
セ@
= c • MZZZM]MMセMM]MZ[NN[セ⦅LLLNNLセLZ⦅[@ BGMMMGMセG]BBGMZZNNN[⦅L⦅NNZK[@
l;;'·'-j
UJ=:
·.::_;
セjᄋMGMNG⦅Z@ セセ}⦅⦅[@ Mセセッ⦅[セMMu. . ; ,--, ' ,--:
i ..
GMAセGMGB@ :; . -セ@ '-
. ' ·-'"
: .. }
u ,, . --- - --
"'
ruJ ..,J>._i>-i .i.i' .. 'f LAセMヲ@ .. ';1.;i'.f -.v•,p,.p,,i'..f -f1".:f'.,?4' It JJ セ[N@ MNセMZ[N@ ··,;.):;- -.. Mセ^Mヲ^セNL_@ ,;;j-セM[NM MセセZエMセ[[NᄋセMG^セ][MᄋZ⦅Zウ[ZIZ[ᄋ[[@
$-"JS-<'
Gambar 7. Dugaan parameter
6:;
(TEI l),6;,
(TE22) dan V⦅セL@ (TE33) semua ukurancontoh dan sebaran (normal ganda kolom kiri dan tak normal ganda kolom kanan).
Boirplot of NL, WlS, GLS, UlS u TEJl
:;
.. ,,. 1 -,
... ; ;
-::
'·"
""'
ッセ@
'"
"'
lo"plcitof Ml, WLS, GLS, UlS vs TE31
c ii lS セG@ ""' i' . . '' ·- : ; ., LJ
• iZセGMLGZセ[@ ZセNセ@ .. Zᄋセ[ᄋNイMLセZᄋMN@
•'
go 1.10 -'i' '-"-',,..O..._-"-...;_ .... ..;., NᄋMMNセGB@ .. -'-; "--'-' .•
-= __ '"'· ,·"" .. ·· '-': ,-'"'-'-'-'-''-'-' ;..;· '-'-'
セMᄋM c - : .. i_: r' セ@0"
0 00
[ZNセI@
tセZQ@ .,._J' スBMMLセャLMェG@ ... ft' G|GMNャM[BゥGBN\ゥ^セ\ZAGM_@ ,...,, .... セBG[BゥャNjゥGᆱヲ@ L\ゥ^N[ェGGBGZBゥGセBゥGNLZOG@
llo•p.l<>I QI Ml' wi.:.. UL:., UL:. .... I t4l
" 1'
'-:
'''" ""'
Gambar 8. Dugaan parameter ヲAセL@ (TE31) dan
f<
(TE42) pada berbagai ukuran contohdan sebaran (normal ganda kolom kiri dan tak normal ganda kolom kanan).
Rataan Bias Relatif dugaan Parameter
Suatu metode dikatakan konsisten jika nilai !\1ARB dugaannya relatif kecil
dibandingkan nilai lainnya. Gambar 9 menyajikan hoxplot MARB dugaan parameter dari
bcrbagai mctodc dan ukuran contoh pada scbaran normal ganda. Scmakin bcsar ukuran
contoh maka bias semakin kecil, hal ini ditunjukkan dengan nilai MARB yang semakin
kecil. Semakin besar ukuran contoh maka sebaran parameter dugaan mendekati normal. >d1i11gga pararnete1 ha:;il dugaa11 me11dekati 11ilai paramete1 mudel. :\amun demikian semua metode mengalami fluktuasi seiring dengan bertambahnya ukuran contoh.
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
[image:29.599.68.513.179.570.2]PROSIDING ISBN: 978-602-83SS-39-1
Boxplot Metode pachl Seba-an Normal Ganda Box plot Ukw-an Caotoh pada Seb;ir;in Normal Ganda
O>
oNセMMMMMMMMMMMMMセ@
0.0 lMMMMMMMMMMMMMMセ@
lo\ETOOE FBJᆬN⦅セ@ cJ'*.s-"'_..;> &"-'f".s-"'.._,P NZZ[ゥNNヲ^GセセNNA[^@ (f'f>'-:fJ.;,t>
セ@ # # セ@ #
Gambar 9. Boxplot MARB pada sebaran nonnal ganda.
Untuk mengetahui adanya perbedaan kekonsistenan masing-masing metode pada setiap ukuran contoh, dilakukan Analisis ragam dan dilanjutkan dengan uji pembandingan berganda Tukey terhadap MARB. Hasil uji kehomogenan ragam dengana=5% memmjukkan keragaman nilai MARB senma metode 1111t11k semua ukuran contoh tidak menunjukkan perbedaan yang signifikan. Dari analisis ragam menunjukkan adanya perbedaan yang signifikan nilai MARB pada setiap metode
pada N = I 00, 200, 300 dan 400. Has ii uji Tu key terhadap MARB yang
menunjukkan perbedaan kekonsistenari masing-masing metode pada setiap ukuran contoh (Tabel I sampai Tabel 5).
Tabcl I. Jl"sil \Jji Mi\RB untuk sdxmm
normal g,anda pad.a ukuran O..lntoh 100
Tal:icl 2. IIasil Uji MARB untuk scbaran normal
g:mda padn ukurjn cuntoh 200
METODE N Subset
METODE N Subset 1 2
1 2 ULS 25 .18978248
ULS 25 .23660284 ML 25 .19016836
ML 25 .23733504
WLS 25 .27954384
GLS 25 .19126920
I
I
.23409864·
WLS 25
GLS 25 .28079144
label J I lasil llji MJ\RH untuk schan1n Tahc\ 4 llasil llji MARB un1uk scbarnn nl1rmal
I d d k
nonna szan ;;i na a u ·uran conto 1 ganda pada ukuran cnntnh 400
METODE .10(1 N Subset METODE N Subset
1 2 1 2
ML 25 .15400812 ULS 25 .15232060
WLS 25 .15772182 GLS 25 .15524612
...
!
ULS .191362121GLS 25 19739376
I
ML20 . 10600400
I
I
.19934328 25
I I11sil llji M/\Rll
nnnna ).!.an a 1x.1 I J J. 't u ·uran ..:onto
untuk sch.iran
k h
MET8JS'E N Subset
1
ULS 25 .12398404
ML 25 .12690400
WLS 25 .13017812
GLS 25 .14866312
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
[image:30.600.93.533.71.250.2]PROSIDING ISBN: 978-602-8355-39-1
Pada N= 100 untuk data menyebar norma ganda, metode ULS dan l\fL relatif lebih
konsisten (Tab el l )m sedangkan pada N=200 metodel ULS, ML dan GLS relatif sama konsistensinya.
Pada N=300 (Tabel 3) metode lvIL dan \VLS memiliki MARB dengan rata-rara
terkecil. Artinya pada N = 300 metode ML dan GLS lebih konsisten_ Pada N=400 metode
ML, GLS dan ULS lebih konsisten_ Pada N=500 keempat metode berada pada satu
kelompok yang homogen. lni berarti pada N
=
50U semua metode memilikikekonsistenan yang sama_
Berdasarkan hasil uji Tukey, pada data yang menyebar normal ganda, metode ML dan ULS relatif konsisten pada semua ukuran contoh_ Sesuai dengan temuan Garson (2000) bahwa metode ML sesuai untuk data yang menyebar normal ganda Hal ini disamping terpenuhinya asumsi kenormalan ganda juga adanya sifat definit positif pada
matriks koragam sampel S_ Metode GLS konsisten pada N = 200, 400 dan 500. Hal ini
menunjukkan bahwa kinerja metode ML lebih baik dari GLS, karena karakteristik matriks koragam S sebagai matriks pembobot W, sangat terkait erat dengan ukuran
contoh. Sementara metode WLS lebih konsisten pada N = 300 dan 500. WLS baik
digunakan pada data yang menyebar ganda Menurut Bollen ( 1989), hal ini disebabkan karena sifat matriks pembobotnya yang merupakan matriks koragam asimtotis_
Box plot Metode pada SebaranTak Normal Ganda
--- -·- -- ---1
··c-
セセセセ@ セX@
I
QQセオ@ ·' , . 'I
I
'T' -! ' セ@!
"!
GBセセセセセセセセセMLMMMMMMMLMMセセ@
METOOE \N[GM\LヲNセZZLGWNL⦅\MZMB^@ GNN[NNN⦅B^NLッ\ᄋLセOセNZNNセG^@ L⦅L[[^セᄋ|セBBGLLLNセG@ \sG^セセセB^ゥNNᄋGBG^@ gGMG^ヲNᄋLL[Z[[LNLZセ@
I ' セ@ セ@ セ@ '
! _________
-·-Boxplot UkuranCOl'Rh padaSebaranT- Normal Ganda
Gambar l 0 menyajikan nilai MARB dugaan parameter pada sebaran tak normal ganda dengan berbagai metode dan ukuran contoh_ Tampak bahwa nilai MARB semua metode semakin kecil dengan hertambahnya ukuran contoh. Ini memmjukkan hahwa kekonsistenan semua metode semakin meningkat dengan bertambahnya ukuran contoh.
Dasi hasil uji Tukey menunjukkan bahwa keragaman nilai MARB semua metode pada sctiap ukur:m contoh homo gen. Lcbih lanjut has ii uji nilai tcngah :'.1 ARB
menunjukkan adanya perbedaan yang signifikan pada setiap ukuran contoh.
Kekonsistenan masing-masing metode pada setiap ukuran contoh ter\ihat pada Tabel 6 sampai Tabel 10.
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
[image:31.605.49.492.348.496.2]PROSIDING
T abel 6. Hasil Uji MARB untuk sebaran tak nonnal ganda pada ukuran contoh 100
--METODE--N·--- Subset ____
1 2
ULS 25 .16117647
-25 .211251121
25 .28153721
25 .28637420
label 8 Hasil Uji MARB untuk scbaran tak nonnal ganda pada ukuran contoh 300
I
M ETODE NI
Subset1 2
GLS 25 .14927563
ULS 25 .15399203
WLS 25 .19113350
ML 25 .19935009
ISBN: 978-602-8355-39-1
Tabel 7. Basil Uji MARB unn1k sebaran tak nom1al
grulda pada uJ...'llrnn contoh 200
セMMᄋMMMMMMM --·---- ---·
METODE N Subset
1 2
WLS 25 .18001499
25
, .183308541.230981161 25
25 .23832935
Tabel -I llasil Uji MARB untuk sebaran normal ganda pada ukurun contoh 400
METODE N Subset
1 2
ULS 25 .15798614
WLS 25 .16014318
GLS 25 .16237082
ML 25 .20847099
label 10 Hasil Uji MARR untuk scharan tak normal
ganda oada ukuran contoh 500
METDDE N Subset
1 2
ULS 25 . .12584138
GLS 25 . . 12744794
WLS 25 .12949074
ML 25 .17008787
Pada N=IOO (Tabel 6) metode GLS, WLS dan ML berada pada satu kelompok yang homogen dan memiliki nilai MARB dengan rata-rata relatif besar. Artinya metode ULS
lebih konsisten untuk data tak menyebar normal. Pada N=200 (Tabel 7) metode WLS
dan ULS berada pada satu kelompok yang homogen dan memiliki nilai MARB dengan rata-rata terkecil artiny relatif konsisten. Pada N=JOO (Tabel 8) metode GLS dan ULS relatif konsisten, karena memiliki nilai MARB dengan rata-rata terkecil. Pada N=400
(Tabel 9) metode WLS, GLS dan ULS berada pada satu kelompok yang relatif konsisten,
dengan nilai rataan MARB terkecil. Pada N=500 (Tabel I 0) metode ULS, GLS dan WLS ketiga metode tersebut lebih konsisten.
Dari uraian ML satu-satunya mctodc yang tidak scsuai untuk data yang tidak menyebar nom1al ganda. Hasil analisis menunjukkan bahwa pada data yang tidak
menyebar normal ganda metode WLS tidak konsisten pada N = I 00 dan N = 300.
Scmcntara itu metodc GLS konsistcn pada data yang tidak mcnyebar normal ganda
khususnya pada N = 300, N = 400 dan N = 500. Metode ULS konsisten pada hampir
semua ukuran contoh dan semua sebaran data.
Dari hasil uraian di atas jelas bahwa masing-masing metode konsisten tidak hanya pada suatu gugus data dengan sebaran dan ukuran contoh tertentu. lnformasi ini sangat menarik dan memungkinkan digunakannya suatu metode pada data pengamatan dengan karakteristik yang berbeda. Di san1ping itu. secara realistis sulit untuk mendapatkan data pengamatan yang menyebar normal ganda. Hasil di alas dapat digunakan sebagai petunjuk untuk menggunakan altematif sebaran yang lain yang menghasilkan dugaan
garnmersr
deggag
kogsjstegsjv@P"
55latjfsema
Seminar Nasional Matematika dan Statistika FMIPA UNTAN Pontianak, 27 Februari 2014
[image:32.600.102.557.94.421.2]PROSIDING ISBN: 978-602-8355-39-1
Ketepatan Metode Penduga Parameter
Hasil uji kesesuaian model dengan semua metode penduga parameter dapat dilihat pada Tabel 11 sampai Tabel 14. Dari Tabel 11 terlihat bahwa metode GLS relatif lebih baik untuk pengepasan data. Hal ini terlihat dari nilai khi-kuadrat yang relatif kecil
(p-mlue
lebih dari 0.05). Perubahan nilai khi-kuadrat terjadi seiring bertambahnya ukuran contoh.Tabel 11 Hasil Uji Kelayakan Model dengan metode GLS
Krltis Ukuran Contoh
I
Sebaran KrlteriaI セセセセセQセPセPN⦅⦅セRセPセPGMMMMセSセPセPセセTセPセPセセセUセPPセセ@
!NORMAL
I
TAK NORMAL
Tabel 12 ' Seba ran
I
!NORMAL
!
TAK NORMAL
Khi-KuadratRelatif kecil 4.7424 4.8096 6.1700 6.7404
p-va/ue 2' 0.05 0.4905 0.4348 0.3553
RMSEA
s 0.08
0.0355 0.0404 0.0336RMSR Relatif kecil 0.2020 0.1354 0.1238
GFI 2' 0.90 0.9884 0.9924 0.9944
AGFI 2' 0.80 0.9344 0.9628 0.9676
Khi-Kuadrat Relatif kecil
p-value 2' 0.05
RMSEA s 0.08
3.9788 5.5172
0.5093 0.3932
0.0453 0.0349
RMSR Relatif kecil 0.0153 0.0211
4.8680 0.4437 0.0233 0.0091 GFI AGFI "0.90
" 0.80
0.9896 0.9940 0.9964
0.9428 0.9600 . 0.9744
Hasil Uji Kelayakan Model dengan metode ML
0.3276 0.0338 0.1111 0.9956 0.9724 5.9992 0.3267 0.0313 0.0087 0.9952 0.9756
Krlteria Krltis Ukuran Contoti
100 200 300 400
Khi-Kuadrat Relatif kecil 3.9452 4.3176 5.6220 6.2432
p-vafue " 0.05 0.5283 0.4601 0.3727 0.3396
RMS EA s 0.08 0.0248 0.0256 0.0303 0.0312
RMSR Relatif kecil 0.1788 0.1254 0.1160 0.1052
GFI " 0.90 0.9872 0.9924 0.9944 0.9956
AGFI " 0.80 0.9288 0.9624 0.9672 0.9724
Khi-Kuadrat Relatif kecil 3.3532 4.8828 4.5628 5.6332
p-vafue " 0.05 0.5547 0.4192 0.4526 0.3417
RMSEA s 0.08 0.0180 0.0299 0.0244 0.0291
RMSR Relatif kecil 0.0170 0.0141 0.0538 0.0082
GFI " 0.90 0.9900 0.9936 0.9960 0.9948
AGFI "0.80 0.9420 0.9584 0.9740 0.9752
5.8996 0.3238 0.0232 0.0935 0.9988 0.9808 5.9440 0.3545 0.0274 0.0077 0.9980 0.9808 500 5.5952 0.3357 0.0217 0.0898 0.9988 0.9447 5.6428 0.3647 0.0259 0.0074 0.9980 0.9804
Pada Tabel 12 terlihat bahwa nilai khi-kuadrat metode ML mengalami fluktuasi seiring dengan bertambahnya ukuran contoh. Hal ini disebabkan karena nilai khi-kuadrat ini Jipengaruhi oleh nilai fungsi pengepasan.