Segmentasi Dalam Partial Least Square Structural Equation Modeling Menggunakan Kernel K-Means Clustering (PLS-SEM KKC)

Astuti, Cindy Cahyaning (2026) Segmentasi Dalam Partial Least Square Structural Equation Modeling Menggunakan Kernel K-Means Clustering (PLS-SEM KKC). Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 7003221003-Doctoral.pdf - Accepted Version Restricted to Repository staff only Download (15MB) | Request a copy

Abstract

Partial Least Squares Structural Equation Modelling (PLS-SEM) adalah teknik analisis statistika yang digunakan untuk memodelkan hubungan antara variabel laten dalam sebuah model struktural. Namun pada analisis PLS-SEM terdapat keterbatasan yaitu terjadi heterogenitas yang tidak teramati (unobserved heterogenity) yang disebabkan oleh variasi dalam unit observasi yang tidak dapat diukur atau diamati secara langsung karena penggunaan variabel laten pada model. Unobserved heteregenity pada PLS-SEM dapat diatasi menggunakan proses segmentasi, dimana segmentasi dilakukan menggunakan analisis clustering. Dengan melakukan analisis clustering, unit observasi yang memiliki karakteristik serupa dapat dikelompokkan ke dalam kelompok yang sama, sehingga dapat dianggap sebagai suatu unit observasi yang homogen. Analisis clustering yang digunakan adalah Kernel K-Means clustering, yaitu metode clustering yang merupakan pengembangan dari algoritma K-Means clustering dengan memanfaatkan fungsi Kernel. Kernel K-means clustering memiliki keunggulan dalam mengidentifikasi struktur data yang bersifat non linear separable sehingga lebih fleksibel dalam melakukan pemisahan data yang bersifat non linear serta dapat mengubah pemetaan data pada ruang fitur yang berdimensi tinggi. Jenis Kernel K-means clustering yang digunakan pada penelitian ini adalah Kernel Gaussian atau disebut dengan Kernel Radial Basis Function (RBF). Pada penelitian ini sebuah metode alternatif baru diusulkan yaitu segmentasi pada PLS-SEM menggunakan metode Kernel K-means Clustering (PLS-SEM KKC). Hasil studi simulasi menunjukkan bahwa nilai R2 meningkat seiring dengan meningkatnya jumlah data (n) nilai varian kovarian, dengan hasil terbaik yaitu pada kovarian 0,8 dan n = 1000. Hasil kajian penerapan menunjukkan bahwa nilai CH terbesar didapatkan pada segmentasi PLS-SEM KKC dengan jumlah cluster 2 dengan nilai R² pada segmen1 mengalami peningkatan tinggi yaitu 93,9%. Hal ini menunjukkan keberhasilan segmentasi PLS-SEM KKC dalam mengidentifikasi kelompok dengan kualitas prediksi yang baik dan mampu mengelompokkan data dalam kelompok dengan struktur hubungan yang lebih kuat.
=============================================================================================================================
Partial Least Squares Structural Equation Modeling (PLS-SEM) is a statistical analysis technique used to model relationships between latent variables in a structural model. However, PLS-SEM analysis has limitations, namely unobserved heterogeneity caused by variations in observation units that cannot be measured or observed directly due to the use of latent variables in the model. Unobserved heterogeneity in PLS-SEM can be overcome using a segmentation process, where segmentation is performed using cluster analysis. By performing cluster analysis, observation units with similar characteristics can be grouped into the same cluster, so that they can be considered as a homogeneous observation unit. The cluster analysis used is Kernel K-Means clustering, which is a clustering method developed from the K-Means clustering algorithm by utilizing the Kernel function. Kernel K-means clustering has the advantage of identifying non-linearly separable data structures, making it more flexible in separating non-linear data and changing data mapping in high-dimensional feature spaces. The type of Kernel K-means clustering used in this study is Kernel Gaussian, also known as Kernel Radial Basis Function (RBF). In this study, a new alternative method is proposed, namely segmentation in PLS-SEM using the Kernel K-means Clustering (PLS-SEM KKC) method. The simulation study results show that the R2 value increases along with the increase in the amount of data (n) and the covariance value, with the best results being at a covariance of 0.8 and n = 1000. The results of the application study show that the highest CH value is obtained in PLS-SEM KKC segmentation with 2 clusters, with the R² value in segment 1 increasing significantly to 93.9%. This indicates the success of PLS-SEM KKC segmentation in identifying groups with good prediction quality and being able to group data into groups with stronger relationship structures.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Segmentasi, PLS-SEM, Kernel K-Means, UTAUT Segmentation, PLS-SEM, Kernel K-Means, UTAUT
Subjects:	Q Science > QA Mathematics > QA278.3 Structural equation modeling.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49001-(S3) PhD Thesis
Depositing User:	Cindy Cahyaning Astuti
Date Deposited:	29 Jan 2026 04:22
Last Modified:	29 Jan 2026 04:22
URI:	http://repository.its.ac.id/id/eprint/130987

Actions (login required)

View Item