Perbandingan Struktur Peragam pada General Linear Mixed Model

General Linear Mixed Model (GLMM) merupakan metode yang dapat mengatasi korelasi antar pengamatan pada data longitudinal untuk peubah respon berupa data kontinyu. Dalam setiap pembentukan model GLMM, selalu diawali dengan penentuan model tentatif melalui eksplorasi data. Eksplorasi data meliputi beberapa aspek yaitu struktur rata-rata, struktur ragam dan struktur korelasi. Spesifikasi struktur peragam yang digunakan berdasarkan pada karakteristik struktur ragam dan struktur korelasi. Terdapat dua bentuk struktur peragam dalam pembentukan model pada data longitudinal yaitu general form dan specific form. General form berupa unstructured covariance, beberapa jenis specific form antara lain compound symmetry, toeplitz, dan firstorder autoregressive (AR(1)). Pada penelitian ini dipelajari tentang ketepatan struktur korelasi sebagai diagnosa awal struktur peragam yang digunakan dan seberapa besar intensitas penggunaan kedua bentuk struktur peragam tersebut dalam pembentukan model. Pada penelitian ini digunakan 10 data sekunder dan hasil penelitian menunjukkan bahwa antara eksplorasi data berupa struktur korelasi memiliki keterkaitan dalam membentuk model yang sesuai. Berdasarkan perbandingan nilai AIC (Akaikes information criterion) dan BIC (Bayesian Information Criterion), struktur peragam yang paling sering membentuk model terbaik adalah struktur peragam yang berbentuk umum dibandingkan dengan struktur peragam dalam bentuk spesifik dengan prosentase penggunaan unstructured covariance dalam membentuk model yang terbaik adalah sebesar 60%, diikuti dengan penggunaan struktur peragam toeplitz sebesar 20%, struktur peragam first-order autoregressive (AR(1)) sebesar 13,3% dan compound symmetry sebesar 6,67%