Gatiari Dwi Panefi, Metha Nailis Sa’adah, Anisa Khaynun Najwa
2025-05-31
Daftar Isi
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.
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.
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.
{r} df <- read.csv("/cloud/project/UAS ANALISIS MULTIVARIAT/dataset_uas_bersih.csv") head(df, 3)
```{r} # Load library library(tidyverse) library(psych) # Lihat struktur data str(df)
summary(df)
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")
```{r} # 1. Install & load paket yang diperlukan install.packages(“psych”) library(psych)
data_efa <- df[, c(“INTRCT”, “ASSIS”, “SUPPO”, “AGOALS”, “POSTV”, “ONLN”, “TotalSum”)]
KMO(data_efa) cortest.bartlett(cor(data_efa), n = nrow(data_efa))
fa.parallel(data_efa, fa = “fa”)
fa_result <- fa(data_efa, nfactors = 3, rotate = “varimax”) print(fa_result$loadings)
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 <- cfa(model_cfa, data = df)
summary(fit_cfa, fit.measures=TRUE, standardized=TRUE)
```{r}
install.packages("OpenMx", repos = "https://cloud.r-project.org")```{r} # Hanya jalankan ini sekali (install package) install.packages(“lavaan”) install.packages(“lavaanPlot”)
library(lavaan) library(lavaanPlot)
model <- ’ AcademicPerformance =~ ASSIS + SUPPO + AGOALS + POSTV
# Variabel dengan 1 indikator perlu penanganan khusus (lihat catatan di bawah) TeacherInteraction =~ 1INTRCT OnlineLearningExperience =~ 1ONLN ’
fit <- cfa(model, data = df)
summary(fit, fit.measures = TRUE, standardized = TRUE)
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” # Top to Bottom layout )) summary(fit, fit.measures = TRUE, standardized = TRUE)
```{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
a) Validitas Konvergen
b) Validitas Diskriminan
c) Composite Reliablity
d) Cronbach's Alpha
```{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)
```{r} library(lavaanPlot)
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” ))
```
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.