Latent Profile Analysis (LPA) dalam Penelitian

Latent Profile Analysis (LPA) adalah metode statistik yang digunakan untuk mengidentifikasi subkelompok yang tidak diamati dalam suatu populasi berdasarkan indikator berkelanjutan. Subkelompok ini, atau profil, disimpulkan dari variabel terukur dan mewakili dimensi atau karakteristik yang berbeda dalam data (Gana et al., 2022; Spurk et al., 2020; Wang et al., 2022)

Penggunaan LPA dengan pertimbangan sbb:

• Person-Centered Approach: LPA berfokus pada identifikasi subpopulasi homogen dalam populasi heterogen, menjadikannya metode yang berpusat pada orang (Hee & Ling, 2011; Mkikangas et al., 2018)
• Latent Subpopulations: Ini mengasumsikan bahwa individu dapat dikategorikan ke dalam profil laten berdasarkan respons mereka terhadap serangkaian variabel yang diamati (Spurk et al., 2020). (Gana et al., 2022)

Continuous Indicators: Berbeda dengan Latent Class Analysis (LCA), yang berhubungan dengan data kategoris, LPA menggunakan indikator berkelanjutan untuk menentukan profil (Wang et al., 2022)

Penerapan pada (Applications):

• Organizational Research: LPA digunakan untuk mengidentifikasi profil karakteristik pekerjaan di antara karyawan, membantu memahami bagaimana tuntutan dan dukungan pekerjaan yang berbeda berkumpul bersama (Mkikangas et al., 2018).
• Vocational Behavior: Ini telah diterapkan untuk mempelajari berbagai aspek perilaku kerja, seperti keterlibatan kerja dan sikap kerja, dengan mengidentifikasi profil laten yang berbeda dari investasi kerja(Spurk et al., 2020).
• Personality Research: LPA model tipologi kepribadian, mencerminkan sifat hierarkis konstruksi kepribadian dan mengatasi masalah kecocokan model dalam penelitian kepribadian (Ferguson & Hull, 2018)
• Educational Research: Ini membantu dalam memahami bagaimana risiko dan kebutuhan agregat pada tingkat individu, membantu dalam pengembangan intervensi yang ditargetkan untuk siswa (Vo et al., 2023).

Keunggulan:

• Modeling Heterogeneity: LPA secara efektif memodelkan heterogenitas populasi yang tidak diamati, sehingga berguna untuk mengidentifikasi subkelompok yang berbeda dalam suatu populasi (Peugh & Fan, 2013).
• Flexibility: It can be applied ke berbagai bidang, termasuk psikologi, pendidikan, dan penelitian organisasi, untuk mengungkap pola yang bermakna dalam data(Mammadov et al., 2016).
• Multilevel Analysis: Multilevel LPA (MLPA) memperluas metode ke struktur data hierarkis, memungkinkan penyelidikan variabilitas di berbagai tingkatan, seperti karyawan dalam departemen(Mkikangas et al., 2018).

Tantangan:

• Model Selection: Menentukan jumlah profil laten yang optimal dapat menjadi tantangan, dan kriteria statistik yang berbeda (e.g. Akaike Information Criterion, Bayesian Information Criterion) digunakan untuk memandu proses ini(Schmidt et al., 2021).
• Noninvariance: LPA mungkin menghadapi masalah dengan noninvarian di seluruh profil, yang dapat memengaruhi keakuratan pencacahan kelas dan pemulihan parameter
• Replication: Konsistensi dalam mengidentifikasi profil laten di berbagai studi dan sampel bisa jadi sulit, menyoroti perlunya replikasi dan validasi

Praktik Terbaik (Best Practices):

• Statistical Indicators: Gunakan kriteria pemilihan model untuk memilih jumlah profil yang optimal dan memastikan wawasan teoritis yang bermakna(Schmidt et al., 2021)
• Replication: Validate findings across different samples to ensure the robustness of the identified profiles 6.
• Software Tools: Manfaatkan paket perangkat lunak yang sesuai (e.g. R, Mplus) untuk mengimplementasikan LPA dan menangani struktur data yang kompleks(Gana et al., 2022)

Singkatnya, LPA adalah alat yang ampuh untuk mengidentifikasi subpopulasi laten dalam populasi heterogen, menawarkan wawasan berharga di berbagai bidang penelitian. Namun, pertimbangan yang cermat terhadap kriteria pemilihan model dan replikasi temuan sangat penting untuk hasil yang kuat dan bermakna.

References

Ferguson, S. L., & Hull, D. M. (2018). Personality profiles: Using latent profile analysis to model personality typologies. Personality and Individual Differences, 122, 177--183. https://doi.org/10.1016/j.paid.2017.10.029

Gana, K., Caumeil, B., & Broc, G. (2022). Latent class and latent profile analyses in psychology: Basic principles and applications. Annee Psychologique, 122(1), 185--222. https://doi.org/10.3917/anpsy1.221.0185

Hee, C. H. S., & Ling, F. Y. Y. (2011). Strategies for reducing employee turnover and increasing retention rates of quantity surveyors. Construction Management and Economics, 29(10), 1059--1072. https://doi.org/10.1080/01446193.2011.637569

Mkikangas, A., Tolvanen, A., Aunola, K., Feldt, T., Mauno, S., & Kinnunen, U. (2018). Multilevel Latent Profile Analysis With Covariates. Organizational Research Methods, 21(4), 931--954. https://doi.org/10.1177/1094428118760690

Mammadov, S., Ward, T. J., Cross, J. R., & Cross, T. L. (2016). Use of Latent Profile Analysis in Studies of Gifted Students. Roeper Review, 38(3), 175--184. https://doi.org/10.1080/02783193.2016.1183739

Peugh, J., & Fan, X. (2013). Modeling Unobserved Heterogeneity Using Latent Profile Analysis: A Monte Carlo Simulation. Structural Equation Modeling, 20(4), 616--639. https://doi.org/10.1080/10705511.2013.824780

Schmidt, M. N., Seddig, D., Davidov, E., Mrup, M., Albers, K. J., Bauer, J. M., & Glckstad, F. K. (2021). Latent profile analysis of human values: What is the optimal number of clusters? Methodology, 17(2), 127--148. https://doi.org/10.5964/METH.5479

Spurk, D., Hirschi, A., Wang, M., Valero, D., & Kauffeld, S. (2020). Latent profile analysis: A review and "how to" guide of its application within vocational behavior research. Journal of Vocational Behavior, 120, 103445. https://doi.org/10.1016/j.jvb.2020.103445

Vo, T. T., Demir, C., French, B. F., Austin, B. W., & Strand, P. S. (2023). Latent profile similarity of middle and high school youth risk and needs. Journal of School Psychology, 99. https://doi.org/10.1016/j.jsp.2023.04.006

Wang, Y., Kim, E., & Yi, Z. (2022). Robustness of Latent Profile Analysis to Measurement Noninvariance Between Profiles. Educational and Psychological Measurement, 82(1), 5--28. https://doi.org/10.1177/0013164421997896