Segmentasi Dalam Partial Least Square Structural Equation Model Menggunakan Modified Fuzzy Clustering

Mukid, Moch. Abdul (2023) Segmentasi Dalam Partial Least Square Structural Equation Model Menggunakan Modified Fuzzy Clustering. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 06211960010002-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (38MB) | Request a copy

Abstract

Heterogenitas tak teramati dalam data populasi maupun sampel adalah fenomena yang lazim terjadi pada penelitian sosial yang menggunakan structural equation model (SEM). Heterogenitas jenis ini muncul ketika perbedaan antara dua atau lebih kelompok data tidak bergantung pada karakteristik yang dapat diamati melainkan bergantung pada perbedaan dalam bentuk model SEM. Namun demikian, SEM mengasumsikan seluruh data hanya mengikuti sebuah model yang sama. Oleh sebab itu diperlukan pendekatan lain untuk mengatasi kondisi ini. Penelitian sebelumnya telah mengusulkan banyak metode spesifik untuk menangani adanya heterogenitas yang tidak teramati ini. Teknik ini telah terbukti berguna untuk menentukan segmen dari unit amatan dan sekaligus menduga model pengukuran dan struktural di setiap segmennya. Namun demikian metode yang telah diusulkan sebelumnya masih memiliki kelemahan. Penelitian ini mengusulkan sebuah metode baru dalam menduga parameter-parameter SEM yang memuat heterogenitas tak teramati di dalam populasi (sampel). Metode ini mengkombinasikan antara metode Partial Least Square (PLS) dan modified fuzzy clustering yang memungkinkan sebuah objek berada pada banyak segmen meskipun dengan bobot keanggotaan yang berbeda-beda. Selanjutnya metode ini disebut dengan partial least square and modified fuzzy clustering (PLSMFC).Tidak seperti pada fuzzy clustering klasik yang menggunakan jarak Euclid sebagai bagian untuk penentuan bobot objek, metode baru yang diusulkan ini menggunakan total kuadrat jarak residual terboboti yang dihasilkan oleh outer model maupun inner model. Kajian teori dilakukan untuk memperoleh penduga bagi parameter outer model maupun inner model SEM. Diketahui bahwa penduga koefisien path dan koefisien loading bersifat bias. Studi simulasi dilakukan untuk mengetahui seberapa baik metode yang diusulkan ini dalam mengalokasikan kembali masing-masing objek ke dalam kelompok asalnya. Selain itu studi simulasi ini juga dilakukan untuk melihat seberapa akurat metode yang diusulkan ini dalam menduga kembali parameter-parameter model. Hasil dari kajian simulasi menunjukkan bahwa metode PLSMFC mampu merealokasi dengan baik. Selain itu metode PLSMFC mampu menduga kembali parameter SEM khususnya untuk varian residual variabel laten endogen dan varian residual indikator 5% dan 10%. Kajian aplikasi dilakukan dengan menerapkan metode PLSMFC pada kasus derajat kesehatan di 5 provinsi di Pulau Jawa. Hasil penelitian menunjukkan bahwa pada kasus derajat kesehatan di 5 provinsi di Pulau Jawa, jumlah segmen 4 adalah yang terbaik berdasarkan kriteria Fuzziness Performance Index (FPI) dan Normalized Classification Entropy (NCE). Selain itu penelitin ini menunjukkan bahwa proses segmentasi dengan menggunakan metode PLSMFC telah mampu meningkatkan nilai koefisien determinasi di masing-masing segmen.
=================================================================================================================================
Unobserved heterogeneity in population and sample data is a common phenomenon in social studies that use structural equation modeling (SEM). This type of heterogeneity arises when the differences between two or more data groups do not depend on observable characteristics but depend on differences in the form of the SEM model. However, SEM assumes that all data only follow the same model. Therefore, another approach is needed to overcome this condition. Previous studies have proposed many specific methods to deal with this unobserved heterogeneity. These techniques have proven to be very useful for determining the segments of the unit of interest and concurrently estimating the measurement and structural models in each segment. However, the previously proposed methods still have their respective weaknesses. This study proposes a new method for estimating SEM parameters that contain unobserved heterogeneity in the population (sample). This method combines the Partial Least Square (PLS) method and modified fuzzy clustering which allows an object to be in many segments even with different membership weights. Furthermore, this method is called partial least square and modified fuzzy clustering (PLSMFC). Unlike classical fuzzy clustering which uses the Euclidean distance as a part for determining object weights, the proposed new method uses the total squared of the weighted residual distances generated by the outer model as well as inner model. Theoretical studies were carried out to obtain estimators for the parameters of the outer model and inner model of SEM. It is known that the path coefficient and loading coefficient estimators are biased. A simulation study was carried out to find out how well the proposed method is in reallocating each object into its original group. Additionally, this simulation study was also carried out to see how accurate the proposed method is in estimating the model parameters. The results of the simulation study show that the PLSMFC method is able to reallocate well. In addition, the PLSMFC method is able to re-estimate SEM parameters, especially for the residual variance of endogenous latent variables and the residual variance of 5% and 10% indicators. The application study was carried out by applying the PLSMFC method to cases of health degrees in 5 provinces on Java Island. The results showed that in cases of health status in 5 provinces in Java Island, the number of segments 4 was the best based on Fuzzyness Perdormance Idex and Normalized Classification Entrophy criteria. In addition, this study shows that the segmentation process using the PLSMFC method has been able to increase the coefficient of determination in each segment.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Partial Least Square, Fuzzy Clustering, Heterogenitas takteramati, Unoberved Heterogenity
Subjects:	H Social Sciences > HA Statistics > HA29 Theory and method of social science statistics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49001-(S3) PhD Thesis
Depositing User:	Moch Abdul Mukid
Date Deposited:	28 Aug 2023 07:47
Last Modified:	28 Aug 2023 07:47
URI:	http://repository.its.ac.id/id/eprint/104888

Actions (login required)

View Item