PEMODELAN SEM DENGAN
GENERALIZED STRUCTURED
COMPONENT ANALYSIS (GSCA)
(Studi Kasus Penentuan Struktur Model Kemiskinan
Kabupaten/Kota di Provinsi Jawa Tengah)
Oleh:
Dewi Fenty Ekasari
NRP. 1310 201 708
Pembimbing:
Dr. Sony Sunaryo, M.Si
Mahasiswa Pasca Sarjana Jurusan Statistika FMIPA Institut Teknologi Sepuluh November Surabaya
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 2
OUTLINE
Kemiskinan
multidimensional
simultan
kebijakan pengentasan kemiskinan
Beberapa pencapaian tujuan pembangunan millenium
Indonesia 2010:
1.
Menanggulangi Kemiskinan dan Kelaparan
2.
Mencapai Pendidikan Dasar
3.
Menurunkan separuh proporsi penduduk tanpa akses
sumber air mnum dan fasilitas sanitasi
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 4
Proporsi ruta dengan akses kepemilikan terhadap sumber air minum
layak 58,30%
(peringkat ke-2 tertinggi untuk wilayah pulau Jawa dan Bali)Proporsi ruta yang memiliki akses sanitasi layak 54,06%
Proporsi banyaknya ruta kumuh 5,6%
(peringkat ke-2 terendah untuk wilayah pulau Jawa dan Bali)AKAN TETAPI
Persentase penduduk miskin 16,60%
(diatas persentase penduduk miskin Indonesia 13,3%)(peringkat ke-2 terbanyak penduduk miskinnya di pulau Jawa dan Bali)
Sumber: Laporan Pencapaian Tujuan Pembangunan Milenium di Indonesia 2010,
Kondisi data:
Jumlah sampel data kecil yaitu 35 unit observasi.
Tidak semua variabel yang diobservasi berdistribusi normal
Karena keterbatasan dua hal
tersebut maka :
Penelitian ini tidak dapat mengunakan SEM berbasis kovarian
Sebagai alternatif, digunakan SEM berbasis komponen yaitu:
SEM dengan
Generalized Structured Component Analysis
(SEM-GSCA)
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 6
Rumusan Masalah:
1. Bagaimana
membuat
program
SEM–GSCA
untuk
studi
kasus
penentuan
struktur
model kemiskinan di
Provinsi Jateng dengan
dengan
software open
source
?
2. Bagaimana penerapan
SEM-GSCA
terhadap
studi kasus penentuan
struktur
model
kemiskinan di Provinsi
Jawa Tengah?
Tujuan Penelitian:
1. Membuat
program
SEM–GSCA untuk studi
kasus
penentuan
struktur
model
kemiskinan di Provinsi
Jateng dengan dengan
software open source.
2. Menerapkan SEM-GSCA
terhadap studi kasus
penentuan
struktur
model kemiskinan di
Provinsi Jawa Tengah.
Manfaat Penelitian:
1. Kontribusi dalam bidang keilmuan dengan
menerapkan dan mengembangkan Generalized
Structured Component Analysis (GSCA).
2. Menambah pengetahuan peneliti tentang
penerapan ilmu statistika dalam masalah sosial
masyarakat.
3. Informasi
untuk
strategi
pembangunan
berkelanjutan
didaerah
khususnya
oleh
Pemerintah Daerah untuk membuat kebijakan
selanjutnya.
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 8
Batasan Permasalahan
Dalam penelitian ini ruang lingkup permasalahan
dibatasi dengan membuat model SEM-GSCA yang
rekursif (satu arah) dan variabel laten dengan
indikator refleksif.
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 10
GSCA adalah SEM berbasis komponen dimana variabel
laten didefinisikan sebagai komponen atau komposit
tertimbang dari indikatornya dengan persamaan:
(1)
Persamaan Model Pengukuran
(2)
Persamaan Model Struktural
(3)
Persamaan Model GSCA adalah
(4)
atau
=
+
ZV ZWA E
=
+
i i iV'z A'W'z e
γ =
iW'z
i= γ +ε
i i iz C'
γ = γ +ξ
iB'
i iKAJIAN PUSTAKA
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 12
Surabaya, 10 Januari 2012
Seminar HasilThesis 14
P
arameter GSCA yang tidak diketahui (V, W dan A)
diestimasi sehingga nilai
sum squares
dari semua
residual sekecil mungkin untuk semua observasi.
Hal ini berarti meminimumkan dengan
least square
optimization criterion
(5)
Persamaan (5) diminimumkan dengan algoritma
alternating least squares
(ALS) sampai konvergen
(
) (
)
(
')
f
=
trace
ZV
−
ZWA
ZV
−
ZWA
'
f = trace((
ψ τ
−
A
) (
ψ τ
−
A
))
GSCA memberikan ukuran overall model fit dengan
rumus sebagai berikut:
FIT=1-[trace((ZV–ZWA)’(ZV–ZWA))/trace((ZV)’(ZV))] (6)
A
FIT = 1 – (1 - FIT)(d
o)/(d
1)
(7)
Dimana: d
o= derajat bebas ketika W=0 dan A=0
d
1= derajat bebas model yang diuji
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 16
Skema 1. Keterkaitan antara Pembangunan Ekonomi dan Kesehatan
(Sumber: Suryawati, Chriswardani (2005), “ Memahami kemiskinan secara multidimensional “, JMPK Vol.
Data yang digunakan adalah data sekunder yang
berasal dari Susenas Provinsi Jawa Tengah tahun
2009 yang telah dipublikasikan. Informasi yang
didapatkan antara lain adalah persentase
penduduk miskin, indeks kedalaman kemiskinan,
indeks
keparahan
kemiskinan,
keterangan
kesehatan, keterangan pengeluaran, keterangan
ketenagakerjaan, keterangan pendidikan dan dan
keterangan fasilitas perumahan.
Software yang digunakan adalah Octave-3.2.4
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 18
Variabel yang akan digunakan terdiri atas tiga variabel
laten endogen satu variabel laten eksogen , 9 variabel
indikator (Y) dan 5 variabel indikator (X) dengan unit
observasi adalah 35 Kabupaten/Kota di Provinsi Jawa
Tengah.
Variabel Laten
Variabel Indikator
Kode
Nama Variabel
Kode
Nama Variabel
Kualitas Kesehatan X1 Persentase balita yang proses kelahirannya
ditolong oleh tenaga kesehatan X2 Angka harapan hidup
X3 Persentase ruta yang menggunakan jamban
sendiri/bersama
X4 Persentase ruta yang menggunakan air bersih
Kualitas Ekonomi Y1 Persentase pengeluaran perkapita untuk non
makanan
Y2 Persentase penduduk usia 15 + yang bekerja disektor non pertanian
Y3 Persentase penduduk usia 15 + yang bekerja
disektor formal
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 20
ξ
iη
1Variabel Leten
Variabel Indikator
Kode
Nama Variabel
Kode
Nama Variabel
Kualitas SDM Y4 Angka Melek Huruf (15-55 tahun)
Y5 Rata-rata lama sekolah
Y6 Persentase penduduk yang tamat
SD/SLTP/SLTA/SLTA+
Kemiskinan Y7 Persentase Penduduk Miskin Y8 Indeks Kedalaman Kemiskinan Y9 Indeks Keparahan Kemiskinan
η
3η
2Surabaya, 10 Januari 2012
Seminar Hasil Thesis 22
X
1X
2X
3X
4ξ
1η
1Y
1Y
2Y
3Y
6Y
5Y
4Y
9Y
8Y
7η
2η
3METODOLOGI PENELITIAN
Mulai Input Data Merancang Model Struktural Merancang Model Pengukuran Merancang Diagram Jalur Estimasi Bootsrtap Estimasi parameter Uji signifikansi Model Pengukuran Evaluasi Overall Model Fit Interpretasi dan Selesai Tidak Ya signifikansi Uji Model Struktural Ya Tidak
METODOLOGI PENELITIAN
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 24
Input yang digunakan dalam penelitian ini adalah matrik
X yang merupakan matrik data.
Selain input data, diperlukan pula inputan lain untuk
menjalankan program SEM dengan GSCA yaitu matrik
yang menunjukkan hubungan diantara variabel, yaitu
matrik: V, W, B, C dan n. Dimana n adalah banyaknya
resampling yang dilakukan untuk proses bootstrap.
Inisialisasi awal untuk V, W dan B diberi nilai 0.3
sedangkan untuk C diberikan nilai 0.8
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 26
1. A diperbaharui dengan V dan W
fixed
.
Step 1: Inisialisasi V dan W
Step 2: Bentuk matrik
Step 3: Bentuk matrik
Step 4: Perbaharui matrik A dengan menggunakan estimasi
least squares
sebagai berikut:
Step 5: Bentuk matrik A baru dengan memasukkan nilai
yang telah diperbaharui.
(
)
-1( )
= ' 'vec aΩ Ω Ω ψ ⊗ Iτ Ω aSurabaya, 10 Januari 2012
Seminar Hasil Thesis 28
2.V dan W diperbaharui dengan A
fixed.
Step 6 : Inisialisasi A dengan menggunakan A yang telah
diperbaharui.
Step 7 : Bentuk matrik S yang berisi parameter bobot yang
akan diestimasi.
Step 8 : Definisikan tiap kolom pada matrik S (sebanyak k
kolom) tersebut berasal dari kolom mana saja pada
matrik W (sebanyak q kolom) dan V (sebanyak p kolom).
Step 9 : Definisikan dan didefinisikan sebagaimana
sesuai ketentuan
β'
Δ
Step 10: Bentuk matrik
Step 11: Bentuk matrik
Step 12: Estimasi s
1dengan
Step 13: Perbaharui s
1yang lama dengan s
1yang baru, masukkan
kedalam kolom pada matrik W dan/atau V yang sesuai
dimana matrik W dan V yang telah diperbaharui ini
digunakan untuk perbaharui s
2.
Step 14: Ulangi step 12 dan step 13 sebanyak K kali (K kolom).
Step 15: Didapatkan matrik W dan V baru
Step 16: Cek konvergen bila belum konvergen maka ulangi step 1.
⊗Z β Π
( )
' 1 '( )
1 vec − = Z η Π Π Π ∆Surabaya, 10 Januari 2012
Seminar Hasil Thesis 30
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 32
Beberapa kesimpulan yang didapatkan dari hasil penelitian ini adalah sebagai berikut:
Program SEM-GSCA untuk model rekursif dan variabel laten dengan indikator
reflektif dapat dibuat dengan software open source yaitu Octave, dengan inputan adalah matriks V, W, C dan B serta n. Output yang dihasilkan adalah estimasi bobot, estimasi koefisien loading, estimasi koefisien jalur, estimasi standard error,factor score dari variabel laten serta overall goodness-fitmodel.
Kualitas kesehatan berpengaruh terhadap kualitas ekonomi, kualitas ekonomi
berpengaruh terhadap kualitas SDM, kualitas kesehatan berpengaruh terhadap kemiskinan, kualitas ekonomi berpengaruh terhadap kemiskinan, dan kualitas SDM tidak berpengaruh terhadap kemiskinan.
Model konseptual yang dihasilkan dalam penelitian ini menunjukkan bahwa
secara keseluruhan merupakan model yang baik berdasarkan nilai FIT dan AFIT yang diatas 0.50. Model baru ini didapat dengan menghilangkan koefisien jalur antara kualitas SDM dengan kemiskinan.
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 34
Semakin tinggi kualitas kesehatan penduduk di suatu Kabupaten/Kota
pada Provinsi Jawa Tengah berpengaruh terhadap tinggi nya kualitas
ekonomi penduduknya, dan rendahnya kemiskinan pada Kabupaten/Kota
tersebut. Semakin tinggi kualitas ekonomi penduduknya, maka semakin
tinggi kualitas SDM penduduk pada Kabupaten/Kota tertentu.
Berdasarkan
factor score
yang didapatkan untuk variabel laten, terlihat
bahwa lima Kabupaten yang terendah kualitas kesehatannya yaitu: Brebes,
Purbolinggo, Batang, Pemalang dan Banjarnegara. Lima Kabupaten yang
terendah kualitas ekonominya yaitu: Wonosobo, Temanggung, Grobogan,
Wonogiri dan Banjarnegara. Lima Kabupaten yang terendah kualitas SDM
nya adalah Tegal, Batang, Cilacap, Banjarnegara dan Brebes. Lima
Kabupeten tertinggi kemiskinannya adalah Brebes, Purbolinggo, Rembang,
Kebumen dan Wonosobo. Kabupaten Cilacap, Purbolinggo, Banjarnegara,
Kebumen, Wonosobo, Pemalang dan Brebes memiliki kualitas kesehatan,
ekonomi serta SDM yang rendah dan kemiskinan yang tinggi.
Hasil penelitian ini dapat digunakan sebagai langkah
awal untuk pemodelan kemiskinan sebagai model yang
non rekursif (dua arah) antar variabel latennya.
Hasil penelitian ini dapat dikembangkan untuk
membuat program SEM-GSCA menggunakan variabel
laten dengan indikator refleksif.
Berdasarkan hasil yang didapatkan, diharapkan agar
ada peningkatan pembangunan dalam kualitas
kesehatan dan kualitas ekonomi dan kualitas
sumberdaya manusia guna keberhasilan pengentasan
kemiskinan.
Badan Pusat Statistik (2010), “Data dan Informasi Kemiskinan 2009”, Badan Pusat Statistik. --- (2010), “Survei Sosial Ekonomi Juli 2010, Buku 3, Pedoman Pencacahan Kor
(Untuk Pencacah dan Kortim”),Badan Pusat Statistik.
Bappenas (2010), “Laporan Pencapaian Tujuan Pembangunan Millenium Indonesia 2010”, Kementrian Perencanaan Pembangunan Nasional/Badan Perencanaan Pembangunan Nasional (Bappenas), 2010.
Bollen K.A. (1989). “Structural Equation with Laten Variabels”, Departement of Sociology, John Wiley & Sons, New York.
Bentler, P.M., (1980), “Multivariate Analysis with Latent Variables: Causal Modeling”, Annual Review of Psychology, 31, hal 419-456.
de Leeuw, J., Young, F.W., & Takane, Y. (1976). Regression With Qualitative and Quantitative Variables : An Alternating Least Squares Method With Optimal Scaling Features.
Psychometrica.Vol. 41 No.4.pp.505-529.
Efron, B. (1982). The Jackknife, The Bootstrap and Other Resampling Plans. Philadelphia: SIAM.
Fornell, C. and Bookstein, F. (1982), “Two Structural Equation Models: LISREL and PLS Applied to Consumer Exit-Voice Theory”. Journal of Marketing Research.19. 440-452.
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 36
Fornell,C, and Larcker, D.(1981).”Evaluating Structural Equation Model with Unobservable Variable and Measurement Error”. Journal of Marketing Research.18.pp.39-50.
Ghozali, Imam (2008), “ Generalized Structured Component Analysis (GSCA)“, Universitas Diponegoro, Semarang.
--- (2008), “ Structural Equation Modelling Metode Alternatif dengan Partial Least Square “, Universitas Diponegoro, Semarang.
Hwang, H. and Takane, Y. (2004), “Generalized Structured Component Analysis”. Psychometrica.Vol.69 No.1pp.81-99
Hwang, H. (2009), “ Regularized Generalized Structured Component Analysis”. Psychometrica.Vol.74 No.3pp.517-530
Soebagio, Tulus (2011), “Pengembangan Structural Equation Modeling (SEM) dengan Partial Least Square (PLS)”, Program Magister Jurusan Statistika FMIPA, Institut Teknologi Surabaya, 2011.
Sudiman, Herman (2008), “Tantangan Litbang Lintas Disiplin Dalam Penanggulangan
Masalah Kemiskinan, Kelaparan dan Kurang Gizi di Indonesia “, Badan Litbang Kesehatan Depkes RI, 2008.
Suryawati, Chriswardani (2005), “ Memahami kemiskinan secara multidimensional “, JMPK
DAFTAR PUSTAKA
Umami, Dewi Rosiyana (2010), “ Analisis Indikator Pembangunan Berkelanjutan di Jawa Timur MenggunakanMetode Struktural Equation Modeling –Partial Least Square”
Program Magister Jurusan Statistika FMIPA, Institut Teknologi Surabaya, 2010
Wardono, Ari, (2009), “ Analisis Kebutuhan dan Potensi Fiskal Dengan Structural Equation Modelling”, Program Magister Jurusan Statistika FMIPA, Institut Teknologi Surabaya, 2009.
Wijayanto, Setyo Hari, (2008). “ Konsep dan Tutorial Structural Equation Modelling dengan LISREL 8.8“, Graha Ilmu, Yogyakarta.
Wold, H. (1985), “Partial Least Square”. In S Kotz & N.L.Johnson (Eds). Encyclopedia of Statistical Sciences. Vol 8 (pp. 587-599). New York. Wiley.
Word Development Report (2008), “ Attacking Poverty ”, Word Development Report, September 2008.
Wrihatnolo, Randy R (2009), “Membumikan demokrasi, mewujudkan negara kesejahteraan”, Sedikit Tentang Karakteristik Kemiskinan, Maret 2009.
Surabaya, 10 Januari 2012
Seminar Hasil Thesis 38