Skip to content
M

myLCA

Project ID: 81

Judul Skripsi: Pengembangan Modul Latent Class Analysis pada Aplikasi Forum Analsisi Statistik (FAST), oleh Sandy Pradana, Abdul Ghofar, M.T.I.

title 	: "Panduan LCA"
author	: "Sandy Pradana"
date	: "August 20, 2017"

DESKRIPSI
Latent class analysis a statistical technique for the analysis of multivariate categorical data. Some Goals of this analysis are :
(1) identifies unobservable subgroups within a population,
(2) investigate sources of confounding between the observed variables,
(3) identify and characterize clusters of similar cases,
(4) approximate the distribution of observations across the many variables of interest.

Latent classs regression adalah metode pengembangan dari LCA. Metode ini melibatkan variabel kovariat dalam pembentukkan kelas dan menghasilkan koefisien regresi untuk peramalan keanggotaan kelas. Pengaruh kovariat terhadap keanggotaan kelas dapat dilihat melalui gini rasio.

INPUT
Beberapa input yang dibutuhkan antara lain :
Input Utama :
(1) Variabel Manifes(observed variable), yaitu variabel yang digunakan untuk mengamati suatu variabel laten. Pada analisis ini variabel manifest merupakan variabel dengan data kategorik. Setidaknya dibutuhkan dua atau lebih variabel manifest untuk melakukan analisis LCA.
(2) Variabel kovariat. input variabel kovariate, opsional digunakan pada LCA. input ini dibutuhkan pada Latent Class Regression.
(3) Missing Values (narm), terdiri atas dua pilihan (remove dan don't remove). default dari input ini adalah remove, artinya setiap data respon yang mengandung missing value akan dikeluarkan dari analisis.
(4) nclass, yaitu jumlah kelas terbaik untuk mengelompokkan individu berdasarkan karakteristik respon terhadap pertanyaan kategorik. jumlah kelas terbaik didapatkan pada proses "model fit selection".
(5) nrep, yaitu banyaknya pengulangan untuk melakukan estimasi model.

Input Tambahan :
(1) maxiter, adalah input yang digunakan untuk maksimum iterasi.
(2) tolerance of error, input untuk membatasi iterasi dengan batas nilai error yang ditoleransi
(3) preferred R file, file R yang ditentukan untuk menghandle proses penghitungan. Terdapat dua jenis file yang bisa digunakan,yakni myLCA atau poLCA


PROSES
Modul ini terdiri atas dua metode, yakni metode LCA dan LCR. Proses yang terjadi pada LCA adalah sebagai berikut.
1.Pre-analysis, proses awal untuk mememeriksa input.
2.Model fit, proses untuk mendapatkan model yang sesuai dan mendapatkan jumlah kelas (nclass) terbaik.
3.Estimasi keanggotaan kelas (profil kelas), proses untuk mendapatkan karakteristik setiap kelas yang terbentuk.
4.Klasifikasi individu, pengelompokkan setiap individu berdasarkan peluang pola respon yang dimilikinya.
5.Interpretasi
,

Pada metode LCR, proses yang terjadi hampir sama dengan LCA. Akan tetapi terdapat proses tambahan yang terjadi, yakni proses Regression kelas yang dibentuk. proses tambahan ini memberikan hasil estimasi pengaruh variabel kovariat terhadap model kelas laten berupa koefisien regresi. Secara lengkap diuraikan sebagai berikut.

LANGKAH-LANGKAH
Langkah-Langkah melakukan analisis menggunakan metode LCA (studi kasus analisis variabel pengukur toleransi pada data susanas 2014 modul ketahanan sosial di Provinsi DKI Jakarta).

  1. Memilih Data set
  2. Memilih variabel manifes
Variabel yang akan digunakan antara lain.
Respon variable (manifest)
Y1	: Sikap terhadap bersahabat dengan beda agama (r1009a)
Y2	: Sikap terhadap pernikahan dengan beda agama (r1009b)
Y3	: Membolehkan kegiatan agama lain di lingkungan sekitar. (r1011a)
Y4	: Sikap terhadap pembangunan tempat ibadah agama lain di lingkungan sekitar (r1011b)
Y5	: Sikap terhadap bersahabat dengan beda suku (r1010a)
Y6	: Sikap terhadap pernikahan dengan beda suku (r1010b)
Y7	: Membolehkan kegiatan suku lain di lingkungan sekitar. (r1012)
Setiap variabel memiliki nilai respon: 1 = tidak setuju, 2=setuju
Predictor variable (covariate) ---> untuk analisis LCR
X1	: lama tinggal di lingkungan tempat tinggal sekarang (r1001)
  1. Model fit, memperoleh informasi untuk penentuan jumlah kelas (nclass) yang akan dibentuk.
  2. Klik tab Latent class, pada tab ini akan didapatkan hasil estimasi karakteristik kelompok yang dibentuk.
  3. Klik tab Interpretasi, pada tab ini dapat dilakukan interpretasi hasil.
  4. Generate report, kita dapat mendownload hasil estimasi dan interpretasi dalam bentuk file document (.doc) dengan klik "generate report" pada side panel.
  5. Share analisis.