Teknik Analisis Data dengan Metode GeSCA

Biar otak berimbang tidak ngomong gadget saja, kali ini penulis sedikit berbagi ilmu tentang teknik analisis data dengan metode GeSCA Generalized Structured Component Analysis. Makanan apa sih ini? Hehehe … bukan makanan tapi ini snack buat penelitian biar enak dinikmati. Yups, metode GeSCA sebenarnya adalah metode yang relatif baru dalam analisis data.

GeSCA merupakan metode analisis component base dalam Structural Equation Modelling (SEM). Jika sebelumnya kita mengenal tools seperti LISREL, AMOS, PLS, dan SPSS untuk menyelesaikan model persamaan struktural, GeSCA merupakan penyempurnaan dari metode-metode sebelumnya. SEM dideskripsikan sebagai analisis yang menggabungkan pendekatan analisis faktor (factor analysis), model struktural (structural model), dan analisis jalur (path analysis) yang serentak dapat melakukan tiga macam kegiatan sekaligus, yaitu pengecekan validitas reliabilitas, pengujian antar variabel, dan  mendapatkan model yang cocok untuk prediksi. SEM memiliki fleksibiltas yang tinggi bagi peneliti untuk menghubungkan teori dan data.

Jika melihat dari kelebihan SEM di atas, lantas apa dan kenapa harus menggunakan metode GeSCA? Pertanyaan super. Kelebihan metode GeSCA seperti dijelaskan sebelumnya merupakan penyempurnaan dari metode yang ada sebelumnya. GeSCA dapat dipakai untuk perhitungan skor dan dapat diterapkan pada sampel yang sangat kecil. GeSCA dapat diterapkan pada model struktural baik yang dasar teorinya sudah mapan sebagai metode analisis konfirmatori atau pada model yang dasar teorinya belum mapan. Selain itu GeSCA dapat juga digunakan pada model struktural yang mencakup indikator refleksif dan atau formatif.

GeSCA hadir sebagai solusi terhadap keterbatasan metode-metode yang ada sebelumnya, yaitu sampel harus besar, data harus terdistribusi normal multivariat, indikator harus refleksif, model harus berdasarkan pada teori, dan adanya indeterminacy. SEM model component base (PLS dan GeSCA) dipilih jika tidak dapat diselesaikan dengan cara covariant base.

Nah jika PLS dan GeSCA sama-sama SEM berbasis komponen, lalu apa kelebihan GeSCA dibanding PLS. Nanti ya akan dibahas lebih detail.

 

References
Aprilia, K & Ghozali, I. 2013. Generalized Structured Component Analysis (GeSCA) Model Persamaan Berbasis Komponen. Semarang: Badan Magister Manajemen, Universitas Diponegoro.

Fianto, A. Y. A. 2014. Pengaruh Nilai Islami dan Citra Merek pada Perilaku Pembelian melalui Kepercayaan Merek (Studi pada Mahasiswa Universitas Swasta Islam di Jawa Timur. Desertasi. Malang: Fakultas Ekonomi dan Bisnis, Universitas Brawijaya.