Perbandingan Pada Generalized Structured Component Analysis (Gsca) Teknik First Order Dengan Rata-Rata Butir Dan Second Order

Variabel yang tidak dapat diukur langsung, diukur menggunakan indikator disebut variabel laten. Salah satu analisis yang melibatkan variabel laten adalah Generalized Structured Component Analysis (GSCA). GSCA menghindari kekurangan dari PLS, yaitu GSCA memiliki optimisasi global dan tetap mempertahankan kelebihan PLS yaitu asumsi keterikatan dengan distribusi/sebaran dan tidak ada solusi yang tidak tepat. GSCA juga mampu menyelesaikan hubungan antar variabel yang lebih kompleks (rekursif dan tidak rekursif), melibatkan high order ( second order, third order , dst) komponen faktor dan multi-group . Jika terdapat second order maka sekitar 51% informasi terbuang dalam proses analisis, artinya pada saat dianalisis hanya ada sekitar 49% informasi yang digunakan untuk menjelaskan variabel laten. Oleh karena itu, peneliti menggunakan rata-rata dari butir untuk menggambarkan secara langsung indikator, sehingga informasi dapat dipertahankan hingga 70%. Tujuan pertama penelitian ini yaitu untuk mengetahui GSCA teknik first order dengan rata-rata butir atau second order yang lebih banyak signifikan pada uji hipotesis. Tujuan kedua yaitu mengetahui GSCA teknik first order dengan rata-rata butir atau second order yang lebih baik digunakan pada data mengandung second order . Data yang digunakan berasal dari 10 penelitian tesis maupun disertasi yang mengandung second order . Berdasarkan 10 data yang dianalisis dengan kedua teknik, tiga diantaranya memiliki perbedaan signfikansi pada uji hipotesis. Ketiga data menunjukkan signifikan pada GSCA teknik first order . Hal ini menunjukkan bahwa GSCA dengan teknik first order dengan rata-rata butir lebih sensitif dalam hal signifikansi variabel. Hal ini menunjukkan bahwa karena keragaman yang tersisa sekitar 49%, teknik second order kurang dapat menggambarkan keragaman data sehingga menyebabkan pada uji hipotesis tidak signifikan. Berdasarkan nilai AFit, GSCA teknik second order menunjukkan secara keseluruhan model lebih baik diterapkan untuk data yang mengandung second order