Articles
<![CDATA[ANALISIS STRUCTURAL EQUATIONMODELING(SEM) UNTUK SAMPEL KECIL DENGAN PENDEKATAN PARTIAL LEAST SQUARE (PLS) ]]>
<![CDATA[Ulum, Miftahul]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Anggraeni, Dian]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Analisis Structural Equation Modeling (SEM) sering diaplikasikan pada permasalahan sosial yang membutuhkan model yang relatif kompleks. Pendugaan parameter pada analisis SEM membutuhkan beberapa asumsi penting seperti ukuran sampel minimal 10 kali banyaknya indikator dan data harus berdistribusi normal. Pada prakteknya tidak mudah untuk memenuhi asumsi tersebut. Dalam perkembangannya terdapat sebuah metode SEM yang tidak membutuhkan asumsi tersebut yang dikenal dengan metode analisis Partial Least Square (PLS).Metode ini merupakan analisis SEM berbasis varian atau dikenal dengan SEM-PLS. Pendugaan parameter pada metode ini tidak membutuhkan ukuran sampel yang besar dan data tidak harus berdistribusi normal. Pada penelitian ini akan ditunjukkan perbandingan analisis data menggunakan metode SEM-PLS dengan metode CB-SEM. Perbandingan analisis data menggunakan data serdos yang berupa 4 variabel laten dan 24 variabel indikator yang sebelumnya sudah dianalisis menggunakan metode analisis CB-SEM dengan data ditransformasi ke z-score untuk memenuhi asumsi. Pada penelitian ini digunakan tiga macam ukuran sampel yaitu 35,55, dan 75yang diambil dari parent sample sebanyak160kemudian dilakukan tahap Bootstrapping sebanyak 50 kali. Tahap tersebut dilakukan padasetiap ukuran sampel untuk mengetahui seberapa minim ukuran sampel pada metode SEM-PLS yang representatif terhadap sample parent. Hasil penelitian menunjukkan bahwa ukuran sampel yang digunakan pada metode analisis SEM-PLS adalah sebanyak 55. Nilai R2 pada ukuran sampel 55 sama baik dengan nilai R2 pada parent sample dengan data tidak ditransformasi ke z-score sebagaimana metode CB-SEM.]]>
<![CDATA[Approach Generalized Structured Component Analysis (GSCA) Method for Structural Equation Modeling Unidimensional ]]>
<![CDATA[Susanti, Nawal Ika]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Dewi, Yuliani Setia]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[There are two types of Structural Equation Modeling is covarience or CB-SEM and variance or Partial Least Square SEM. The two types have advantages and disadvantages of each so Hwang & Takane propose a new method, namely the Generalized Structured Component Analysis (GSCA) which is a method that has been developed to complement the existing deficiencies in the Partial Least Square. Researchers using the GSCA for structural model factors affecting the nutritional status of children under five who are unidimensional structural equation. GSCA method in estimating the parameters using the method of Alternating Least Squares (ALS) and to estimate the standard error of the parameter estimates using the bootstrap method. The results of this study are all variables that indicator is a measure of valid and reliable to measure latent variables and also research model is a model that can be acceptable and in accordance with the existing conditions in the field.]]>
<![CDATA[PerbandinganAnalisisDiskriminan Linier, Diskriminan Linier RobustdanRegresiLogistikBiner ]]>
<![CDATA[Marino, Marino]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Dewi, Yuliani Setia]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini membandingkan analisis diskriminan linier, diskriminan linier robust dan regresi logistik biner untuk mengelompokan siswa SMA Negeri 1 Bangorejo ke dalam kelompok IPA/IPS. Data yang digunakanadalah data nilai raport dan psikotes siswa kelas X semester 2 tahun pelajaran 2012-2013 SMAN 1 Bangorejo Banyuwangi. Data yang digunakan merupakan data terkontaminasi outlier sebesar 6,70%. Untuk mengetahui performa terhadap keberadaan outlier, maka dilakukan simulasi secara berulang-ulang mengaplikasikan analisis diskriminan linier, diskriminan linier robust dan regresi logistik biner dengan besar sampel bervariasi yaitu n1=40, n2=80, n3=120 dan n4=120 responden dan besar outlier yang bervariasi yaitu 5%, 10%, 15% dan 20%. Dari hasil simulasi ditunjukkan bahwa regresi logisltik biner mempunyai ketepatan klasifikasi yang paling baik. Pengelompokan IPA atau IPS di SMA N. 1 Bangorejo dengan jumlah sampel keseluruhan (224 responden), dengan menggunakan analisis logistik biner mempunyai ketepatan klasifikasi sebesar 85,714%.]]>
<![CDATA[ROBUST STANDARD ERRORS DENGAN SATORRA-BENTLER SCALED TEST STATISTIC UNTUK MENGATASI NONNORMALITAS DALAM ANALISIS STRUCTURAL EQUATION MODELING (SEM) ]]>
<![CDATA[Almira, Andina Ishmah]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Anggraeni, Dian]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Nonnormalitas dalam analisis Structural Equation Modeling (SEM) berpotensi menyebabkan hasil yangmenyesatkan. Salah satu metode uji statistik yang dapat digunakan untuk mengatasi hal tersebut adalah robust standard errors (SErobust) dengan Satorra-Bentler scaled test statistic (TSB). Metode tersebut akan diuji pada beberapaukuran sampel dan distribusi data yang bervariasi. SErobust dan TSB yang dihasilkan akan dibandingkan dengan standard error dan uji statistik Maximum Likelihood (SEML dan TML). Selain itu ukuran Goodness of Fit (GOF) darikedua metode juga akan ditampilkan. Kedua metode bekerja dengan baik pada data normal. Sementara pada datanonnormal, ML menghasilkan SEML yang jauh lebih kecil daripada SErobust. SE yang kecil berarti underestimate dancenderung menolak model yang benar pada data nonnormal. Hal tersebut menyebabkan muncul nilai scaling corrections factor (SCF) yang berdampak pada uji statistik model. SCF untuk data normal bernilai mendekati 1, halini menunjukkan bahwa data berdistribusi normal dan tidak membutuhkan banyak koreksi. Sedangkan SCF untukdata nonnormal bernilai cukup besar, yang membuat TSB lebih kecil dan lebih mendekati nilai χ2 yang diharapkandaripada TML. Hal tersebut baik, karena menunjukkan bahwa robust standard errors dengan Satorra-Bentler scaled test statistic dapat menghasilkan p-value yang lebih besar, yang berarti metode tersebut cenderung menerima model yang benar dan dapat menghindari kesalahan tipe 1. Ukuran sampel data sangat berpengaruh pada hasil penelitian. Hasil penelitian yang baik terjadi pada ukuran sampel yang tidak terlalu kecil.]]>
<![CDATA[Pengembangan E-Modul Statistika Terintegrasi dan Dinamik dengan R-shiny dan mathJax ]]>
<![CDATA[Tirta, I Made]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 2 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pemanfaatan teknologi berbasis web dalam mendukung pembelajaran saat ini semakin dirasakan. Salah satu yang sangat populer adalah pemanfaatan e-learning baik sebagai suplemen bagi program reguler, maupun sebagai komplemen untuk program pembelajaran jarak jauh. Program e-learning seperti Moodle sudah dilengkapi banyak fasilitas untuk mendukung pembelajaran terutama terkait dengan penguasaan teori. Untuk mendukung aktivitas e-learning, diperlukan modul pembelajaran yang bersifat elektronik (e-modul). Dalam bidang statistika contoh-contoh ilustrasi bisa dibangkitkan melalui simulasi kompuer. Tentu akan sangat bermanfaat apabila contoh-contoh simulasi ini bersifat dinamik yang bisa diubah pembaca secara fleksibel. Dalam paper ini dibahas pengembangane-modul terintegrasi dengan simulasi komputer, sehingga e-modul ini memuat notasi matematika dengan baik, dengan contoh-contoh merupakan simulasi yang sebagian bisa dikendalikan oleh pengguna modul, tanpa bergantung pada penguasaan program yang mengendalikan simulasi.]]>
<![CDATA[ANALISIS DISKRIMINAN UNTUK VALIDASI CLUSTER PADA STUDI KASUS PENGELOMPOKAN KECAMATAN DI KABUPATEN JEMBER BERDASARKAN STATUS KEMISKINAN ]]>
<![CDATA[Istiqomah, Fikriana Nur]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Anggraeni, Dian]]>
<![CDATA[ Majalah Ilmiah Matematika dan Statistika Vol 18 No 1 (2018): Majalah Ilmiah Matematika dan Statistika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA Universitas Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.19184/mims.v18i1.17239
<![CDATA[. Cluster validation is a procedure to evaluate the results of cluster analysis quantitatively and objectively on a data. The validation process is very important to get the results of a good and appropriate grouping. In the validation process, the author uses internal validation, stability, and discriminant analysis test. This study aims to obtain validation results from the hierarchy and kmeans method. This data grouping uses “iris” simulation data, which results from the grouping method used can be applied to the original data to see which validation method is used for all data and produce an optimal grouping. The result of the study show that in the “iris” data, a single linkage link is an appropriate grouping method because the result of the grouping are optimal for all validations and classification of group members whose groups are significant. In Sub-district poverty data in Jember district with a single linkage link optimal grouping was obtained and complete linkage links were also used as a method that resulted in optimal grouping for all validation. Cluster validation using discriminant analysis test is appropriate for various types of data in general and shows that single linkage methods are better than other methods for grouping and validation methods for “iris” data and Sub-district data in Jember district based on variables of poverty status. Keywords: Cluster Analysis, Diskriminant Analysis, Multivariate Analysis, Validation Cluster]]>
<![CDATA[ANALISIS STRUCTURAL EQUATION MODELING (SEM) DENGAN MULTIPLE GROUP MENGGUNAKAN R ]]>
<![CDATA[Holipah, Holipah]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Anggraeni, Dian]]>
<![CDATA[ Majalah Ilmiah Matematika dan Statistika Vol 19 No 2 (2019): Majalah Ilmiah Matematika dan Statistika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA Universitas Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.19184/mims.v19i2.17272
<![CDATA[Structural Equation Model (SEM) is a statistical technique with simultaneous processing involves measurement errors, indicator variables, and latent variables. SEM is used to test hypotheses that state the relationships between latent variables when latent variables have been assessed through each of the indicator variables. Multiple Group SEM is a basic model analysis that uses more than one sample. This analysis aims to determine whether the components or models of measurement and structural models are invariant for the two sample groups. In this study, the data generated by some requirements. First, the data generated with sample size n = 250. The first generated data is homogeneous data where the measurement model is the same as the structural model in group 1 and group 2, while the second data is non-homogeneous data where the measurement model and the structural model in group 1 and group 2 is not the same. The data was analyzed using the help of the lavaan package available in R to obtain SEM estimation results and Goodness of Fit Model from some data that was formed. From the results of the merger of the two groups, it shows that the invariant of the two models with the largest df (63) which is Fit Mean model states the simplest model. However, the smallest df (48) with Fit.configural model states the most complex model. Keywords: SEM, Multiple Group, R Program]]>
<![CDATA[Analisis SEM (Structural Equation Model) Dalam Manajemen Industri Layanan Kesehatan Menggunakan LISREL dan OSS Statistika-R ]]>
<![CDATA[Habibi, Azwar]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Lestari, Budi]]>
<![CDATA[ JURNAL BIOSHELL Vol 3 No 1 (2014): BIOSHELL ]]>
Publisher : <![CDATA[Pendidikan Biologi,Universitas Islam Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[The objective of this research is to know the application of SEM (Structural Equation Model) analysis in seeing reliability and validity of causal relationship among latent variables in the area of marketing management of health service industry influenced by patient perception about health service quality on patient loyality with satisfaction of patient as the medium variable. SEM Analysis is a group of statistical techniques which is conducive to be done examination a relation network which is complicated relative simultaneously. In SEM, we can do three activities simultaneously, that are inspection and validity of reliability equivalent instrument with confirmatory factor analysis, examination of relationship model among latent variables equivalent with path analysis, and get worthwhile model for predicting equivalent with structural model or regression analysis. The conclusion of got from this research is there are influence which significant among the perception of patient to the patient loyality, the perception of patient to the satisfaction of patient, the satisfaction of patient to the patient loyality.Keywords: Structural Equation Model, reliability, validity, confirmatory factor analysis, path analysis.]]>
<![CDATA[Optimization of Inventory Level to Uncertain Demand Using Bayesian Approach ]]>
<![CDATA[Isnaini, M.]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Pradjaningsih, Agustina]]>
<![CDATA[ Majalah Ilmiah Matematika dan Statistika Vol 16 No 1 (2016): Majalah Ilmiah Matematika dan Statistika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA Universitas Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.19184/mims.v16i1.23734
<![CDATA[The decision to determine grade of optimum supply on uncertainty demand or mainly unknowing could accomplish with Buyer-approach method.The demand with mainly unknowing can assumed as Poisson distribute.Completion with Buyer-approach method could be starting with count of posterior Gamma have distributed from prior Gamma with α and ß parameter. At the end the result of counting above can compared with proportion between supply and demand until we get a stable-grade of supply.]]>
<![CDATA[Analysis of Service Time in The Bank with Exponential Distribution ]]>
<![CDATA[Mutiarasari, Yusna]]>;
<![CDATA[Tirta, I Made]]>;
<![CDATA[Pradjaningsih, Agustina]]>
<![CDATA[ Majalah Ilmiah Matematika dan Statistika Vol 17 No 1 (2017): Majalah Ilmiah Matematika dan Statistika ]]>
Publisher : <![CDATA[Jurusan Matematika FMIPA Universitas Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.19184/mims.v17i1.23748
<![CDATA[Exponential distribution is general assumption to describe the distribution of service time for customer. To examine such assumption, the Goodness of Fit Test-Kolmogorov Smirnov is used. To know the condition queue system in BCA will be use some analyze the steady state characteristic measurement of work queue system on different day and hour.]]>
