Kamis, 29 Agustus 2019

Jasa Analisis Taguchi

Metode Taguchi merupakan suatu metodologi baru dalam bidang teknik betujuan untuk memperbaiki kualitas produk dan proses dalam waktu yang bersamaan menekan biaya dan sumber daya seminimal mungkin. Metode Taguchi berupaya mencapai sasaran itu dengan menjadikan produk atau proses “tidak sensitif” terhadap berbagai faktor seperti misalnya, kondisi-kondisi operasional Metode Taguchi menjadikan produk atau proses bersifat kokoh (robust)terhadap faktor gangguan (noise), karenanya metode ini disebut juga sebagai perancanan kokoh (robust design).

Filosofi Taguchi terdiri dari tiga konsep, yaitu:
1. Kualitas harus didesain ke dalam produk dan bukan sekedar memeriksanya
2. Kualitas terbaik dicapai dengan meminimumkan deviasi  dari target.           Produk haris    didesain sehingga kokoh (robust) terhadap faktor           lingkungan yang tidak dapat dikontrol.
3. Kualitas harus diukur sebagai fungsi deviasi dari standar tertentu dan kerugian harus diukur pada seluruh sistem.

Metode Taguchi memperkenalkan pendekatan dengan menggunakan pendekatan desain eksperimen yang berguna untuk:
1. Merancang suatu produk/merancang proses sehingga kualitasnya kokoh terhadap kondisi lingkungan.
2.  Merancang/mengembangkan produk sehingga kualitasnya kokoh terhadap variasi komponen
3.  Meminimalkan variasi disekitar target.

Metode Taguchi mempunyai beberapa keunggulan seperti:
1.               Desain eksperimen Taguchi lebih efisien karena memungkinkan untuk melaksanakan penelitian yang melibatkan banyak faktor dan jumlah Desain eksperimen Taguchi memungkinkan diperolehnya suatu proses yang menghasilkan produk yang konsisten dan kokoh terhadap kokoh yang tidak dapat dikontrol (faktor gangguan).
3.                Metode Taguchi menghasilkan kesimpulan mengenai respon faktor-faktor dan level dari faktor-faktor kontrol yang menghasilkan respon optimum.
Metode Taguchi juga memiliki kekurangan – kekurangan dibandingkan dengan metode lain diantaranya adalah rancangan metode Taguchi mempunyai struktur yang sangat kompleks, dimana terdapat rancangan yang mengorbankan pengaruh utama dan pengaruh interaksi yang cukup signifikan. Untuk mengatasinya perlu dilakukan pemilihan rancangan percobaan secara hati-hati dan sesuai dengan tujuan penelitian.


Kamis, 08 Agustus 2019

Jasa Pengolahan SEM dengan SmartPLS


Jasa pengolahan SEM (Structural Equation Modelling) sangat sering digunakan peneliti terutama yang menggunakan instrumen kuisioner dalam untuk memperoleh tujuan penelitiannya. SEM merupakan suatu metode analisis statistik multivariat. dimana pengolah dilakukan dengan data regresi atau analisis jalur. Olah data SEM lebih rumit, karena sem dibangun oleh model pengukuran dan model struktural. Berbeda dengan pengolahan data hasil kuisioner yang menguji tujuan penelitiannya dengan validitas, reliabilitas dan kekuatan hubungan. Pada analisis SEM dengan SmartPLS setiap variabel akan dihubungkan (analisis jalur) dan akan di uji validitas, reliabilitas dan kekuatan hubungannya secara analisis jalur sehingga akan lebih rumit dan parameternya lebih tinggi. Ada dua jenis analisis SEM dengan SmartPLS akan diuraikan pada penjelasan berikut ini.



1.    Analisa outer model (Model Pengukuran)
a.    Convergent validity
Convergent validity dari model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item score/component score dengan construct score yang dihitung dengan PLS. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur. Namun demikian untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,5 sampai 0,60 dianggap cukup (Ghozali, 2012). Menggambarkan besarnya korelasi antar setiap item pengukuran (indikator) dengan konstraknya.

b.    Discriminant validity
Discriminant validity dari model pengukuran dengan reflektif indikator dinilai berdasarkan cross loading pengukuran dengan konstruk dengan cara membandingkan nilai loading pada konstruk yang dituju harus lebih besar dibandingkan dengan nilai loading dengan konstruk yang lain. Semua variabel laten menunjukkan konstruk yang paling besar dari setiap indikatornya dibandingkan konstruk indikator yang lainnya.

c.    Average Variance Extracted (AVE)
Nilai AVE yang diharapkan >0.5. Ukuran AVE juga dapat digunakan untuk mengukur reliabilitas component score variable latent dan hasilnya lebih konservatif dibandingkan dengan composite reliability (CR). Jika semua indicator distandarkan, maka nilai AVE akan sama dengan rata-rata nilai block communalities. Bertujuan untuk mengukur tingkat variansi suatu komponen konstruk yang dihimpun dari indikatornya dengan menyesuaikan pada tingkat kesalahan

d.    Unidimensionality
Composite Reliability
Data yang memiliki composite reliability >0.8 mempunyai reliabilitas tinggi atau sebut sebagai Uji keandalan data
Cronbach Alpha
Uji Reliabilitas diperkuat dengan Cronbach Alpha. Nilai diharapkan >0.6 untuk semua konstruk. Uji tingkat konsistensi jawaban responden dalam satu variabel laten.

Output Koefisien Jalur (Outer Model)

Merancang Model Pengukuran

2. Analisa inner model (Model Struktural)
a.  R-Square pada konstruk endogen. Nilai R-Square adalah koefesien determinasi pada konstruk endogen. Dalam menilai model dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Nilai R-Square sebesar 0.75 (kuat), 0.50 (moderat), dan 0.25 (lemah).

b.  Estimate for Path Coefficients, merupakan nilai koefesien jalur atau besarnya hubungan/pengaruh konstruk laten. Dilakukan dengan prosedur Bootrapping.
Output T Statistik (Inner Model)
Merancang model Struktural (Inner Model)

c. Effect size (f-square). Dilakukan untuk mengetahui kebaikan model. Apakah prediktor variabel laten mempunyai pengaruh yang lemah, medium atau besar pada tingkat struktural, 0,02 (kecil); 0,15 (moderat); 0,35 (besar). variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural. Menurut Cohen (1988) dalam Yamin dan Kurniawan (2011:21) Effect Size f2 yang disarankan adalah 0.02, 0.15 dan 0.35 dengan variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural.

d.  Prediction Relevance (Q-Square) atau dikenal dengan Stone Geisser’s. Uji ini dilakukan untuk kostruks endogen dengan indikator reflektif. Nilai Q-Square memiliki arti yang sama dengan coefficient determination (R-Square) pada analisis regresi, dimana semakin tinggi Q-Square, maka model dapat dikatakan semakin baik atau semakin fit dengan data.

e.    Pengujian Hipotesis.
Berdasarkan olah data yang telah dilakukan, hasilnya dapat digunakan untuk menjawab hipotesis pada penelitian ini. Uji hipotesis pada penelitian ini dilakukan dengan melihat nilai T-Statistics dan nilai P-Values. Hipotesis penelitian dapat dinyatakan diterima apabila nilai P-Values < 0,05.



Jasa Lainnya

Jasa Pengerjaan Statistik

Jasa Pengerjaan Statistik. Statistik atau pengolahan data merupakan satu dari banyaknya bagian terpenting dalam metode ilmiah yang sangat b...