<!DOCTYPE html>

SEM Modeling of the Influence of Lecturer-Student Relationships on Students’ Academic Performance Using CFA Analysis

SEM Modeling of the Influence of Lecturer-Student Relationships on Students’ Academic Performance Using CFA Analysis

Gatiari Dwi Panefi, Metha Nailis Sa’adah, Anisa Khaynun Najwa

2025-05-31

Daftar Isi

Latar Belakang

Prestasi akademik merupakan salah satu faktor keberhasilan dalam proses pembelajaran khususnya di perdosenan tinggi. Nilai akademik yang baik tidak hanya menunjukkan pemahaman materi yang mendalam, tetapi mencerminkan keterampilan dan kemampuan mahasiswa dalam mengelola strategi belajar yang optimal. Beberapa faktor internal dan eksternal mempengaruhi keberhasilan pada pencapaian akademik mahasiswa di perdosenan tinggi. Faktor internal meliputi faktor psikologis dan persepsi akademik masing-masing individu, sedangkan faktor eksternal yang selaras dengan keuangan, latar belakang keluarga, dan pengaruh lingkungan sosial. Penelitian ini menggunakan pendekatan kuantitatif dengan paradigma multivariat untuk menganalisis faktor-faktor yang mempengaruhi nilai akademik mahasiswa. Dataset sampel penelitian diambil dari Fakultas Teknik dan Fakultas Pendidikan Sains pada tahun 2019 dari website UCI Machine Learning Repository. Faktor internal dan eksternal dianalisis menggunakan Confirmatory Factor Analysis (CFA) dan diimplementasikan pemodelan analisis multivariat Structural Equation Modelling (SEM). Uji Kaiser-Meyer-Olkin (KMO) dan uji Bartlett’s digunakan untuk menilai kelayakan data dalam analisis faktor sebagai rujukan keberhasilan model untuk kemudian divisualisasikan hubungan antar indikator dengan korelasi matriks. SEM digunakan untuk melihat aspek yang berpengaruh terhadap performa terhadap nilai akademik mahasiswa. Penelitian ini memperluas studi-studi terdahulu yang lebih difokuskan pada faktor internal psikologis mahasiswa dengan menyajikan pendekatan integratif terhadap variabel personal dan lingkungan secara simultan. Diharapkan penelitian ini dapat memberikan pemahaman yang lebih komprehensif dan relevan karena keberagaman latar belakang mahasiswa dan lingkungan belajarnya.

Tujuan

  1. Menganalisis pengaruh faktor internal berupa kinerja belajar terhadap nilai akademik mahasiswa.
  2. Mengkaji pengaruh faktor eksternal seperti lingkungan, kondisi keuangan, dan latar belakang sosial terhadap nilai akademik mahasiswa.
  3. Membangun dan menguji model Structural Equation Modelling (SEM) berbasis Confirmatory Factor Analysis (CFA) untuk menjelaskan hubungan simultan antara faktor internal dan eksternal terhadap nilai akademik mahasiswa.

SEM

Structural Equation Modeling (SEM) merupakan suatu pendekatan statistik yang digunakan untuk menguji dan emprediksi hubungan antar variabel laten dan variabel terukur. Metode ini dapat mengkaji secara lebih mendalam hubungan sebab-akibat antara konstruk teoritis yang tidak dapat diukur secara langsung, seperti motivasi, kepuasan, atau prestasi akademik, dengan bantuan indikator-indikator yang dapat diamati. SEM menggabungkan teknik analisis faktor konfirmatori (CFA) untuk memastikan validitas konstruk untuk menguji hubungan struktural antar konstruk. Dengan demikian, SEM menjadi alat yang sangat kuat dalam penelitian sosial, psikologi, pendidikan, dan ilmu perilaku lainnya karena mampu memodelkan hubungan kompleks antar variabel dalam satu kerangka statistik yang utuh dan sistematis.

Metodologi

Dataset Teacher-Student Relationship and Academic Performance Survey Dataset from Bangladeshi Universities: A Student-Conducted Study memiliki 29 variabel dan 399 data. Pembagian variabel prediktor meliputi (INTRTC, ASSIS, AGOALS, POSTV, APER, ONLIMP), variabel demografis (AGE, GDR, UL, Department/Program), dan variabel laten ( Total Sum, OVRL). Dari data yang akan digunakan terdapat 4 kolom duplikat yang perlu dihapus terlebih dahulu sehingga menyisakan data sempurna tanpa nilai duplikat dan nilai kosong.

Syntax

1)Load Dataset

{r} df <- read.csv("/cloud/project/UAS ANALISIS MULTIVARIAT/dataset_uas_bersih.csv") head(df, 3)

  1. Data Understanding

```{r} # Load library library(tidyverse) library(psych) # Lihat struktur data str(df)

Statistik deskriptif

summary(df)

Cek missing value

colSums(is.na(df)) 

 ## 3) Cek Deskriptif dan Korelasi antar Indikator


```{r} library(psych)




Daftar semua indikator


indikator <- c("INTRCT", "ASSIS", "SUPPO", # TeacherSupport
"AGOALS", "POSTV", "APER", # GoalOrientation "ONLN", "ONLIMP", #
OnlineLearningExp "TotalSum", "OVRL") # AcademicPerformance






Deskriptif


describe(df[indikator])






Korelasi antar indikator

cor(df[indikator], use = "complete.obs")

  1. Exploratory Factor Analysis

```{r} # 1. Install & load paket yang diperlukan install.packages(“psych”) library(psych)

  1. Buat dataframe hanya dengan indikator yang digunakan

data_efa <- df[, c(“INTRCT”, “ASSIS”, “SUPPO”, “AGOALS”, “POSTV”, “ONLN”, “TotalSum”)]

  1. Cek KMO dan Bartlett’s Test

KMO(data_efa) cortest.bartlett(cor(data_efa), n = nrow(data_efa))

  1. Scree Plot untuk jumlah faktor optimal

fa.parallel(data_efa, fa = “fa”)

  1. Jalankan EFA (misal 3 faktor berdasarkan scree)

fa_result <- fa(data_efa, nfactors = 3, rotate = “varimax”) print(fa_result$loadings)

  1. Lihat hasil dan interpretasi

fa.diagram(fa_result) 

 ## 5) Measure Model CFA







```{r} library(lavaan)

model_cfa <- ' AcademicPerformance =~ ASSIS + SUPPO + AGOALS + POSTV
TeacherInteraction =~ INTRCT OnlineLearningExperience =~ ONLN '

{r} fit_cfa &lt;- cfa(model_cfa, data = df)</p> <p>summary(fit_cfa, fit.measures=TRUE, standardized=TRUE)</p> <pre><code>{r} install.packages("OpenMx", repos = "https://cloud.r-project.org";)

  1. Uji Kecocokan Model CFA

  1. Lihat Chi-square, CFI, TLI, RMSEA, confident interval, SRMR ## 6) Visualisasi Model CFA

{r} # Load library library(lavaan) install.packages(“lavaanPlot”) # jalankan ini hanya sekali library(lavaanPlot)</p> </div> </div> <div id="definisikan-model-cfa-kamu" class="section level1"> <h1>Definisikan model CFA kamu</h1> <p>model &lt;- ’ AcademicPerformance =~ ASSIS + SUPPO + AGOALS + POSTV TeacherInteraction =~ INTRCT OnlineLearningExperience =~ ONLN ’</p> <p>fit &lt;- cfa(model, data = df)</p> </div> <div id="visualisasi-path-diagram-dengan-lavaanplot" class="section level1"> <h1>Visualisasi path diagram dengan lavaanPlot</h1> <p>lavaanPlot(model = fit, stand = TRUE, coefs = TRUE)</p> <pre><code>{r} semPaths(fit, whatLabels = "std",
residuals = TRUE,
nCharNodes = 7,
edge.label.cex = 1.2,
layout = "spring",
color = list(lat = "lightblue", man = "pink"), sizeMan = 6, sizeLat = 10, edge.color = "black")

```{r} library(lavaanPlot)

lavaanPlot(model = fit, stand = TRUE,
coefs = TRUE,
covs = TRUE,
stars = “regress”,
node_options = list( shape = “rectangle”, color = “lightblue”, fontcolor = “black”, fontsize = 14 ), edge_options = list( color = “black”, fontsize = 12 ), graph_options = list( rankdir = “TB” # layout top-bottom (seperti layout = “tree” atau “spring”) )) 

 ## 7) Evaluasi Validitas dan Reliabilitas Konstruk


    

  1. Validitas Konvergen
    2. 

  2. Validitas Diskriminan
    3. 

  3. Composite Reliablity
    4. 

  4. Cronbach's Alpha
    5. 



```{r} library(semTools)

Hitung reliabilitas (alpha, omega, dll)

compRel <- compRelSEM(fit)

Hitung AVE untuk tiap konstruk

ave <- AVE(fit)

```{r} # Tampilkan hasil reliabilitas print(compRel) # Tampilkan hasil AVE print(ave) 


## 8) SEM

```{r}
library(lavaan)

model_sem <- '
  # Measurement model
  AcademicPerformance =~ ASSIS + SUPPO + AGOALS + POSTV
  TeacherInteraction =~ INTRCT
  OnlineLearningExperience =~ ONLN

  # Structural model
  TeacherInteraction ~ OnlineLearningExperience
  AcademicPerformance ~ TeacherInteraction
'

# Estimasi model SEM
fit_sem <- sem(model_sem, data = df, estimator = "ML")

# Ringkasan hasil
summary(fit_sem, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

  1. Uji Kecocokan Model SEM

Chi-Square, CFI, TLI, RMSEA ## 10) Visualisasi Plot SEM

{r} library(lavaanPlot)</p> <p>lavaanPlot(model = fit_sem, stand = TRUE, coefs = TRUE, covs = TRUE, stars = “regress”, node_options = list( shape = “rectangle”, color = “lightblue”, fontcolor = “black”, fontsize = 14 ), edge_options = list( color = “black”, fontsize = 12 ), graph_options = list( rankdir = “TB” # TB = Top to Bottom layout, mirip “tree” ))</p> <p>

Kesimpulan

Hasil analisis menunjukkan Confirmatory Factor Analysis (CFA) dan Structural Equation Modeling (SEM), model pengukuran yang dikembangkan menunjukkan kecocokan yang sangat baik terhadap data. Konstruk Teacher Support yang direperesentasikan secara valid oleh empat indikator (POSTV, ASSIS, SUPPO, AGOALS). Meskipun nilai AVE sedikit di bawah ambang batas (0.479), secara keseluruhan kontribusi indikator terhadap konstruk sudah cukup baik. Konstruk lainnya seperti Teacher Interaction dan Online Learning Experience diukur masing-masing oleh satu indikator, indikator INTRCT untuk Teacher Interaction dan indikator ONLN untuk Online Learning Experience, dengan sepenuhnya mewakili konstruk tersebut. 

Dalam analisis SEM, ketiga hipotesis yang diuji (H1, H2, dan H3) menunjukkan hubungan yang signifikan dan Positif antar konstruk laten, dengan nilai z > 1.96 dan nilai estimasi yang menggambarkan kekuatan hubungan. Hasil pengukuran kelayakan untuk model (fit indices) seperti CFI (0,998), TLI (0.997), RMSEA(0.019), SRMR(0.020), hal ini mendukung model yang memiliki kompatibilitas yang sangat baik. Diagram SEM menunjukkan hubungan positif yang kuat antara Teaching Support dan Group Interaction Opportunity(1.01) serta Online Learning Environment dan Academic Performance (0.90), hal ini memperkuat kesimpulan bahwa elemen-elemen pembelajaran daring, dukungan pengajaran dan interaksi kelompok berperan penting dalam meningkatkan performa akademik mahasiswa. Secara keseluruhan, model ini menunjukkan relevansi analisis teoritis dan empiris yang kuat untuk memahami dinamika pembelajaran daring.

Referensi

  • [1] J. R. Hanaysha, F. B. Shrideh, and M. In’airat, “Impact of classroom environment, teacher competency, information and communication technology resources, and university facilities on student engagement and academic performance,” Int. J. Inf. Manag. Data Insights, vol. 3, no. 2, p. 100188, Nov. 2023.
  • [2] D. Priharasari, “Pengolahan SEM Covariance-Based dengan R Modul Lavaan pada penelitian sistem informasi,” J. Sist. Inf., Teknol. Inf., dan Edukasi Sist. Inf. (JSI-TI), vol. 1, no. 1, pp. 23–30, Jul. 2023.
  • [3] J. F. Hair Jr., G. T. M. Hult, C. M. Ringle, M. Sarstedt, N. P. Danks, and S. Malhotra, “An introduction to structural equation modeling,” in Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R, Springer, 2021, pp. 1–29.
  • [4] Rafiuddin, Irham, Nurjihadin, Syarifuddin, R. G. A. Farah, “CFA in SEM by LISREL-Assisted to Test The Construct Validity of The Performance of The Sanrobone Elementary School.
  • [5] R. Rafiuddin, I. Irham, N. Nurjihadin, F. A. G. Rahmat, and others, “CFA in SEM by LISREL-assisted to test the construct validity of the performance of the Sanrobone elementary school principal in South Sulawesi Province,” Manuscript Science Journal, Jan. 2025.
  • [6] N. Afifah and Y. Yulhendri, “Confirmatory Factor Analysis (CFA) Kemampuan Literasi ICT Guru di SMA Tebo Jambi,” Jurnal Pendidikan Tambusai, vol. 8, no. 1, Apr. 2024.
  • [7] Z. Xu and C. Qi, “The Relationship between Teacher-student Relationship and Academic Achievement: The Mediating Role of Self-efficacy,” Eurasia Journal of Mathematics, Science and Technology Education, vol. 15, no. 10, May 2019.
  • [8] V. González-Romá, A. Hernández, A. Ferreres, R. Zurriaga, J. Yeves, dan P. González-Navarro, “Linking teacher-student relationship quality and student group performance: A mediation model,” Current Psychology, vol. 42, pp. 21048–21057, 2023.
  • [9] S. Yadav, N. Kohli, A. K. Yadav, Naveen, T. Tiwari, dan T. Mishra, “Development and validation of measure on student–teacher relationship in the Indian context,” Frontiers in Education, vol. 7, Art. no. 739704, Mar. 2022.
  • [10] J. B. Ullman and P. M. Bentler, “Structural Equation Modeling,” in Handbook of Psychology, Second Edition, vol. 2, Research Methods in Psychology, IV. Data Analysis Issues, 2nd ed., Hoboken, NJ, USA: Wiley, Sep. 2012.