BAB 5 KESIMPULAN DAN SARAN
1.1 Kesimpulan a. Prosedur yang tepat untuk digunakan pada estimasi SEM non-standar yang disebabkan oleh efek bukan interaksi, kuadratik atau kubik adalah SEM dengan penekatan BMARS b. Estimasi
SEM
dengan
pendekatan
Bayesian
dilakukan
dengan
menggunakan konsep data augmentation dan konsep full conditional dengan algoritma Gibbs Sampler pada MCMC. Sedangkan estimasi SEM dengan pendekatan BMARS dilakukan dengan estimasi regresi linier Bayesian pada masing-masing basis fungsi dan algoritma yang digunakan pada estimasi parameter adalah MCMC dengan algoritma Reversible Jump dan Gibbs Sampler. c. Pemodelan SEM dengan pendekatan Bayesian secara struktur tidak berbeda dengan pemodelan SEM standar. Model SEM Bayesian tetap terdiri dari model pengukuran dan model struktural (perbedaan hanya pada metode estimasi). Sedangkan pemodelan SEM dengan BMARS adalah pemodelan SEM rekursif pada model struktural. Model pengukuran pada BMARS dilakukan secara terpisah sebelumnya dengan menggunakan pendekatan SEM Bayesian. d. Hasil pemodelan TAM BPS dengan pendekatan SEM Bayesian MARS dapat dilakukan dengan baik, hal ini ditunjukkan dengan nilai MSE pada masing-masing model adalah kecil. e. Pemilihan model terbaik untuk SEM non-standar adalah dengan menggunakan BIC berdasarkan konsep posterior model optimal. f. Penentuan model optimal pada pendekatan SEM Bayesian MARS dapat dibuktikan dengan nilai likelihood tertinggi dan jumlah knot minimal. g. Tes Lagrange Multiplier dapat digunakan dalam uji linieritas SEM untuk mendeteksi efek interaksi, kuadratik dan kubik. Tes Lagrange Multiplier
147
juga dapat digunakan untuk menduga suku non-linier didalam model. Penentuan suku non-linier dipengaruhi oleh tingkat multikolinieritas antar variabel laten. h. TAM yang sesuai pada adopsi teknologi di BPS adalah TAM dengan struktur intervensi organisasi. Model SEM BMARS untuk TAM BPS adalah =
+ , +
+
=
+
+
=
+ +
+ +
+ +
+ , +
+
.
i. Berdasarkan pemodelan dengan SEM pendekatan BMARS maka dukungan organisasi yang sudah dilakukan oleh BPS Pusat dan BPS provinsi belum efektif. Pengalaman dalam menggunakan sistem tidak mempengaruhi persepsi kemudahan pengguna. Hal ini disebabkan karena jarak rentang penggunaan sistem yang sama cukup jauh yaitu 10 tahun. Persepsi kemudahan tidak mempengaruhi persepsi kegunaan pengguna. Hal ini dapat dijelaskan bahwa dukungan organisasi lebih mengambil peran terhadap peningkatan persepsi kegunaan. Sifat mandatory pada implementasi sistem pengolahan data dimana adalah suatu penugasan bagi pengguna untuk menggunakan sistem tersebut, membentuk persepsi pada pengguna bahwa kegunaan sistem akan optimal jika dukungan organisasi dilakukan secara optimal pula. 1.2 Saran dan Penelitian Lanjutan (future research) Berdasarkan penelitian yang sudah dilakukan, maka terdapat beberapa saran yang menjadi perhatian untuk penelitian SEM dengan pendekatan bayesian Mars selanjutnya. Saran-saran tersebut adalah: a. Pada analisis SEM dengan pendekatan Bayesian MARS, penentuan jumlah knot maksimum menjadi salah satu langkah penting. Hal ini dikarenakan penentuan knot maksimum akan membatasi algoritma Reversible Jump dalam menentukan dimensi variabel yang akan dipilih dalam model.
148
b. Model optimal yang dihasilkan sangat dipengaruhi oleh prior varians dari koefisien, dengan demikian penentuan prior varians dari koefisien dan prior varians regresi yang tepat merupakan hal terpenting dalam analisis dengan pendekatan BMARS. Diperlukan informasi yang cukup mengenai data agar prior dapat ditentukan setepat mungkin. c. Pada SEM dengan pendekatan BMARS, jumlah knot maksimum akan mempengaruhi kompleksitas model. Jumlah knot yang sederhana (tidak banyak) akan memudahkan intrepertasi model SEM. Perlu penelitian lebih lanjut untuk kemungkinan menentukan jumlah knot maksimum setengah dari data observasi ( <
).
d. Pada model fungsi basis dengan data skor faktor, interpretasi tidak dapat dilakukan secara langsung. Perlu dilakukan penelitian lebih lanjut agar interpretasi model fungsi basis pada data skor faktor menjadi lebih mudah. e. Penggunaan psudo random number yang digunakan dalam membangun variabel random mempengaruhi efisiensi dan ketepatan algoritma Reversible Jump. Diperlukan penelitian lebih lanjut untuk kemungkinan digunakannya algoritma psudo random number lain, selain algoritma bets rejection
(Devroy, 1986) dan algoritma
(Ahrens dan Dieter, 1974).
f. Pemilihan prediktor tambahan pada model non-linier mempengaruhi ketepatan uji linieritas. Perlu dilakukan penelitian lebih lanjut untuk pengembangan uji linieritas untuk pada data dengan sampel kecil. Uji linieritas ini dapat dilakukan pada pengembangan uji White dengan pendekatan Bayesian. g. Perlu dilakukan inovasi pada bentuk dukungan organisasi terhadap implemementasi sistem, agar penerimaan pengguna terhadap teknologi pengolahan data meningkat.
149
Halaman ini sengaja dikosongkan
150
151
