Deskripsi Dataset

Dataset yang digunakan adalah Psychometric Dataset on Disorganization, Fear of Failure, Academic Procrastination, and Academic Performance among Indonesian Higher Education Students (https://data.mendeley.com/datasets/cg77typtk4/2). Data dikumpulkan melalui survei terstruktur pada periode Agustus–Desember 2024 terhadap mahasiswa jenjang diploma hingga doktoral di Jawa Timur dan Jawa Tengah.

Terdapat empat konstruk utama dalam dataset ini:

1. Disorganization (DIS) Menggambarkan perilaku akademik yang tidak terorganisir, seperti kesulitan mengatur waktu belajar dan merencanakan tugas.

2. Fear of Failure (FOF) Menggambarkan respons emosional berbasis ketakutan terhadap kegagalan, termasuk kecemasan saat evaluasi dan kekhawatiran terhadap penilaian orang lain.

3. Academic Procrastination (APC) Menggambarkan kecenderungan perilaku menunda-nunda pekerjaan akademik.

4. Academic Performance (APR) Menggambarkan persepsi kompetensi dan capaian akademik mahasiswa.

Masing-masing konstruk diukur menggunakan indikator Likert 1–5, dengan total 19 indikator. Model hubungan yang diuji adalah:

DIS → APC → APR FOF → APC → APR DIS → APR (direct) FOF → APR (direct)

Hipotesis yang digunakan:

H1: Disorganization berpengaruh positif terhadap Academic Procrastination
H2: Fear of Failure berpengaruh positif terhadap Academic Procrastination
H3: Academic Procrastination berpengaruh negatif terhadap Academic Performance
H4: Disorganization berpengaruh langsung terhadap Academic Performance
H5: Fear of Failure berpengaruh langsung terhadap Academic Performance
H6: APC memediasi pengaruh DIS terhadap APR
H7: APC memediasi pengaruh FOF terhadap APR

library(seminr)
library(readxl)
library(dplyr)
library(psych)
library(car)

Import Dataset

data_raw <- read_excel("C:/Users/niaay/Downloads/Data IFA07a 21052025.xlsx")

head(data_raw)

## # A tibble: 6 × 29
##      NO  DEGR   AGE   GDR   GPA   FAC    PO   PSO    SS  SCHP   DS1   DS2   DS3
##   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1     1     1     1     0     1     2     0     1     1     1     4     5     5
## 2     2     1     0     0     5     5     2     1     1     1     4     3     4
## 3     3     1     1     0     2     4     2     1     1     0     5     5     5
## 4     4     0     1     1     2     5     0     1     1     1     4     4     4
## 5     5     2     3     0     5     3     1     0     1     0     4     5     4
## 6     6     2     3     1     4     6     0     0     0     1     2     3     2
## # ℹ 16 more variables: DS4 <dbl>, DS5 <dbl>, FF1 <dbl>, FF2 <dbl>, FF3 <dbl>,
## #   FF4 <dbl>, FF5 <dbl>, APC1 <dbl>, APC2 <dbl>, APC3 <dbl>, APC4 <dbl>,
## #   APC5 <dbl>, AP1 <dbl>, AP2 <dbl>, AP3 <dbl>, AP4 <dbl>

names(data_raw)

##  [1] "NO"   "DEGR" "AGE"  "GDR"  "GPA"  "FAC"  "PO"   "PSO"  "SS"   "SCHP"
## [11] "DS1"  "DS2"  "DS3"  "DS4"  "DS5"  "FF1"  "FF2"  "FF3"  "FF4"  "FF5" 
## [21] "APC1" "APC2" "APC3" "APC4" "APC5" "AP1"  "AP2"  "AP3"  "AP4"

str(data_raw)

## tibble [2,111 × 29] (S3: tbl_df/tbl/data.frame)
##  $ NO  : num [1:2111] 1 2 3 4 5 6 7 8 9 10 ...
##  $ DEGR: num [1:2111] 1 1 1 0 2 2 0 2 2 1 ...
##  $ AGE : num [1:2111] 1 0 1 1 3 3 1 3 3 2 ...
##  $ GDR : num [1:2111] 0 0 0 1 0 1 1 1 0 1 ...
##  $ GPA : num [1:2111] 1 5 2 2 5 4 4 3 5 4 ...
##  $ FAC : num [1:2111] 2 5 4 5 3 6 0 2 4 5 ...
##  $ PO  : num [1:2111] 0 2 2 0 1 0 0 0 0 0 ...
##  $ PSO : num [1:2111] 1 1 1 1 0 0 1 0 0 1 ...
##  $ SS  : num [1:2111] 1 1 1 1 1 0 1 0 0 1 ...
##  $ SCHP: num [1:2111] 1 1 0 1 0 1 0 0 1 0 ...
##  $ DS1 : num [1:2111] 4 4 5 4 4 2 4 4 2 4 ...
##  $ DS2 : num [1:2111] 5 3 5 4 5 3 4 4 2 4 ...
##  $ DS3 : num [1:2111] 5 4 5 4 4 2 5 4 2 4 ...
##  $ DS4 : num [1:2111] 4 5 5 4 5 2 5 4 2 4 ...
##  $ DS5 : num [1:2111] 5 4 5 4 4 3 4 4 1 4 ...
##  $ FF1 : num [1:2111] 4 4 4 4 4 4 4 4 1 4 ...
##  $ FF2 : num [1:2111] 4 4 4 4 5 4 5 4 2 4 ...
##  $ FF3 : num [1:2111] 4 4 4 4 4 5 4 4 2 4 ...
##  $ FF4 : num [1:2111] 5 4 3 4 4 4 2 4 2 5 ...
##  $ FF5 : num [1:2111] 5 4 4 2 4 4 4 3 2 4 ...
##  $ APC1: num [1:2111] 5 5 5 5 4 5 4 4 1 5 ...
##  $ APC2: num [1:2111] 5 5 5 5 5 4 5 4 1 4 ...
##  $ APC3: num [1:2111] 5 5 5 5 5 5 5 4 1 5 ...
##  $ APC4: num [1:2111] 5 4 4 4 4 4 4 5 1 5 ...
##  $ APC5: num [1:2111] 3 5 5 5 5 5 4 5 1 5 ...
##  $ AP1 : num [1:2111] 3 5 3 4 5 3 3 5 4 4 ...
##  $ AP2 : num [1:2111] 3 4 4 3 4 2 4 4 4 4 ...
##  $ AP3 : num [1:2111] 3 5 3 3 3 3 4 4 5 5 ...
##  $ AP4 : num [1:2111] 3 4 4 4 4 3 4 5 4 4 ...

Seleksi Indikator

Pada tahap ini dipilih hanya indikator yang digunakan dalam model SEM-PLS. Kolom DS1–DS5 diubah namanya menjadi DIS1–DIS5, FF1–FF5 menjadi FOF1–FOF5, dan AP1–AP4 menjadi APR1–APR4 agar sesuai dengan nama konstruk.

data_sem <- data_raw %>%
  select(DS1, DS2, DS3, DS4, DS5,
         FF1, FF2, FF3, FF4, FF5,
         APC1, APC2, APC3, APC4, APC5,
         AP1, AP2, AP3, AP4) %>%
  rename(DIS1 = DS1, DIS2 = DS2, DIS3 = DS3, DIS4 = DS4, DIS5 = DS5,
         FOF1 = FF1, FOF2 = FF2, FOF3 = FF3, FOF4 = FF4, FOF5 = FF5,
         APR1 = AP1, APR2 = AP2, APR3 = AP3, APR4 = AP4) %>%
  mutate(across(everything(), as.numeric)) %>%
  as.data.frame()

head(data_sem)

##   DIS1 DIS2 DIS3 DIS4 DIS5 FOF1 FOF2 FOF3 FOF4 FOF5 APC1 APC2 APC3 APC4 APC5
## 1    4    5    5    4    5    4    4    4    5    5    5    5    5    5    3
## 2    4    3    4    5    4    4    4    4    4    4    5    5    5    4    5
## 3    5    5    5    5    5    4    4    4    3    4    5    5    5    4    5
## 4    4    4    4    4    4    4    4    4    4    2    5    5    5    4    5
## 5    4    5    4    5    4    4    5    4    4    4    4    5    5    4    5
## 6    2    3    2    2    3    4    4    5    4    4    5    4    5    4    5
##   APR1 APR2 APR3 APR4
## 1    3    3    3    3
## 2    5    4    5    4
## 3    3    4    3    4
## 4    4    3    3    4
## 5    5    4    3    4
## 6    3    2    3    3

summary(data_sem)

##       DIS1            DIS2            DIS3            DIS4            DIS5     
##  Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00  
##  1st Qu.:3.000   1st Qu.:3.000   1st Qu.:3.000   1st Qu.:3.000   1st Qu.:3.00  
##  Median :4.000   Median :4.000   Median :4.000   Median :4.000   Median :4.00  
##  Mean   :3.651   Mean   :3.658   Mean   :3.678   Mean   :3.659   Mean   :3.64  
##  3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:4.00  
##  Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.00  
##       FOF1            FOF2            FOF3            FOF4            FOF5     
##  Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00  
##  1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.00  
##  Median :5.000   Median :5.000   Median :5.000   Median :5.000   Median :5.00  
##  Mean   :4.565   Mean   :4.573   Mean   :4.587   Mean   :4.549   Mean   :4.57  
##  3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.00  
##  Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.00  
##       APC1            APC2            APC3            APC4            APC5     
##  Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00  
##  1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.000   1st Qu.:4.00  
##  Median :5.000   Median :5.000   Median :5.000   Median :5.000   Median :5.00  
##  Mean   :4.595   Mean   :4.611   Mean   :4.612   Mean   :4.623   Mean   :4.62  
##  3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.00  
##  Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.00  
##       APR1           APR2            APR3            APR4      
##  Min.   :1.00   Min.   :1.000   Min.   :1.000   Min.   :1.000  
##  1st Qu.:3.00   1st Qu.:3.000   1st Qu.:3.000   1st Qu.:3.000  
##  Median :4.00   Median :4.000   Median :4.000   Median :4.000  
##  Mean   :3.88   Mean   :3.843   Mean   :3.854   Mean   :3.821  
##  3rd Qu.:4.00   3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:4.000  
##  Max.   :5.00   Max.   :5.000   Max.   :5.000   Max.   :5.000

dim(data_sem)

## [1] 2111   19

Dari hasil seleksi data yang akan digunakan terdiri dari 19 indikator yang membentuk 4 konstruk, yaitu DIS, FOF, APC, dan APR. Total responden sebanyak 2.111 mahasiswa dengan skala pengukuran Likert 1-5.

Uji Asumsi

Cek Missing Value

missing_value <- colSums(is.na(data_sem))
missing_value

## DIS1 DIS2 DIS3 DIS4 DIS5 FOF1 FOF2 FOF3 FOF4 FOF5 APC1 APC2 APC3 APC4 APC5 APR1 
##    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0    0 
## APR2 APR3 APR4 
##    0    0    0

Seluruh indikator menunjukkan nilai 0, artinya tidak ada missing value pada data sehingga analisis dapat dilanjutkan.

Uji Kecukupan Sampel (KMO)

hasil_kmo <- KMO(data_sem)
hasil_kmo

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data_sem)
## Overall MSA =  0.88
## MSA for each item = 
## DIS1 DIS2 DIS3 DIS4 DIS5 FOF1 FOF2 FOF3 FOF4 FOF5 APC1 APC2 APC3 APC4 APC5 APR1 
## 0.87 0.86 0.86 0.86 0.87 0.90 0.91 0.90 0.89 0.90 0.91 0.91 0.92 0.90 0.89 0.76 
## APR2 APR3 APR4 
## 0.76 0.79 0.78

Nilai KMO Overall = 0,88, masuk ke dalam kategori sangat baik (> 0,80). Artinya data sudah cukup layak dan memadai untuk dianalisis menggunakan metode berbasis konstruk seperti SEM-PLS. Seluruh nilai MSA per item juga berada di atas 0,70, menunjukkan tidak ada indikator yang bermasalah.

Uji Multikolinearitas (VIF)

VIF digunakan untuk melihat apakah terdapat hubungan yang terlalu kuat antar indikator atau antar variabel prediktor sehingga dapat mengganggu hasil model. Pada PLS-SEM, batas VIF yang digunakan adalah 3,3.

model_vif <- lm(
  APR1 ~ DIS1 + DIS2 + DIS3 + DIS4 + DIS5 +
         FOF1 + FOF2 + FOF3 + FOF4 + FOF5 +
         APC1 + APC2 + APC3 + APC4 + APC5,
  data = data_sem
)

hasil_vif <- vif(model_vif)
hasil_vif

##     DIS1     DIS2     DIS3     DIS4     DIS5     FOF1     FOF2     FOF3 
## 1.417805 1.481779 1.455450 1.456084 1.439999 1.704041 1.564857 1.671933 
##     FOF4     FOF5     APC1     APC2     APC3     APC4     APC5 
## 1.633717 1.617189 1.494117 1.554843 1.532490 1.540992 1.565208

Seluruh nilai VIF berada di kisaran 1,4-1,7, jauh di bawah batas 3,3. Artinya tidak ada multikolinearitas yang mengkhawatirkan antar indikator.

Uji Common Method Bias (Harman’s Single Factor)

Uji ini dilakukan karena seluruh data bersumber dari kuesioner self-report satu waktu, sehingga perlu dipastikan tidak ada satu faktor tunggal yang mendominasi seluruh varians.

fa_single <- fa(data_sem, nfactors = 1, rotate = "none", fm = "ml")
var_explained <- fa_single$Vaccounted[2, 1] * 100

cat("Varians yang dijelaskan satu faktor tunggal:", round(var_explained, 2), "%\n")

## Varians yang dijelaskan satu faktor tunggal: 20.43 %

cat("Batas aman: < 50%\n")

## Batas aman: < 50%

cat("Status:", ifelse(var_explained < 50,
                     "Tidak ada common method bias yang serius",
                     "Berpotensi common method bias"))

## Status: Tidak ada common method bias yang serius

Satu faktor tunggal hanya menjelaskan 20,43% dari total varians, jauh di bawah batas 50%. Artinya tidak ada common method bias yang serius, sehingga hasil analisis tidak bias akibat metode pengumpulan data yang seragam.

Membuat Outer Model

Pada analisis ini, semua konstruk dibuat sebagai konstruk reflektif menggunakan Mode A. Outer model digunakan untuk menspesifikasikan hub antar variabel later dengan indikator-indikatornya.

measurement_model <- constructs(
  composite("DIS", c("DIS1","DIS2","DIS3","DIS4","DIS5"), weights = mode_A),
  composite("FOF", c("FOF1","FOF2","FOF3","FOF4","FOF5"), weights = mode_A),
  composite("APC", c("APC1","APC2","APC3","APC4","APC5"), weights = mode_A),
  composite("APR", c("APR1","APR2","APR3","APR4"),        weights = mode_A)
)

DIS diukur oleh DIS1, DIS2, DIS3, DIS4, dan DIS5
FOF diukur oleh FOF1, FOF2, FOF3, FOF4, dan FOF5
APC diukur oleh APC1, APC2, APC3, APC4, dan APC5
APR diukur oleh APR1, APR2, APR3, dan APR4

Membuat Inner Model

Inner model digunakan untuk menjelaskan hubungan sebab-akibat antar variabel laten/antar konstruk.

structural_model <- relationships(
  paths(from = c("DIS","FOF"), to = "APC"),
  paths(from = "APC",          to = "APR"),
  paths(from = c("DIS","FOF"), to = "APR")
)

Model yang digunakan:

DIS → APC → APR, FOF → APC → APR, dengan efek langsung DIS → APR dan FOF → APR.

Estimasi Model SEM-PLS

Dilakukan setelah membuat outer & inner model

pls_model <- estimate_pls(
  data              = data_sem,
  measurement_model = measurement_model,
  structural_model  = structural_model
)

summary_pls <- summary(pls_model)
summary_pls

## 
## Results from  package seminr (2.4.2)
## 
## Path Coefficients:
##          APC    APR
## R^2    0.251  0.020
## AdjR^2 0.251  0.018
## DIS    0.221 -0.006
## FOF    0.414 -0.086
## APC        . -0.077
## 
## Reliability:
##     alpha  rhoA  rhoC   AVE
## DIS 0.778 0.778 0.849 0.530
## FOF 0.822 0.823 0.875 0.584
## APC 0.798 0.798 0.861 0.553
## APR 0.722 0.727 0.826 0.544
## 
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5

Estimasi berhasil dijalankan dengan seluruh 2.111 observasi valid, ringkasan awal menunjukkan koefisien jalur dan nilai reliabilitas tiap konstruk.

Evaluasi Outer Model

Loading Factor

Loading factor digunakan untuk mengukur seberapa kuat suatu indikator merepresentasikan konstruk/variabel laten.

summary_pls$loadings

##         DIS    FOF    APC    APR
## DIS1  0.714  0.000  0.000 -0.000
## DIS2  0.742  0.000  0.000 -0.000
## DIS3  0.726  0.000  0.000 -0.000
## DIS4  0.727  0.000  0.000 -0.000
## DIS5  0.730  0.000  0.000 -0.000
## FOF1  0.000  0.783  0.000 -0.000
## FOF2  0.000  0.751  0.000 -0.000
## FOF3  0.000  0.773  0.000 -0.000
## FOF4  0.000  0.756  0.000 -0.000
## FOF5  0.000  0.757  0.000 -0.000
## APC1  0.000  0.000  0.729 -0.000
## APC2  0.000  0.000  0.750 -0.000
## APC3  0.000  0.000  0.746 -0.000
## APC4  0.000  0.000  0.747 -0.000
## APC5  0.000  0.000  0.745 -0.000
## APR1 -0.000 -0.000 -0.000  0.774
## APR2 -0.000 -0.000 -0.000  0.709
## APR3 -0.000 -0.000 -0.000  0.744
## APR4 -0.000 -0.000 -0.000  0.720

Hasil: Seluruh nilai loading berada di rentang 0,709–0,783, semuanya memenuhi syarat minimum ≥ 0,70. Ini berarti setiap indikator sudah cukup baik dalam merepresentasikan konstruknya masing-masing dan tidak ada indikator yang perlu dieliminasi.

Reliability dan AVE

Reliability digunakan untuk mengukur konsistensi indikator dalam mengukur suatu konstruk/variabel. AVE digunakan untuk melihat validitas konvergen, yaitu apakah indikator benar-benar mampu menjelaskan konstruknya.

summary_pls$reliability

##     alpha  rhoA  rhoC   AVE
## DIS 0.778 0.778 0.849 0.530
## FOF 0.822 0.823 0.875 0.584
## APC 0.798 0.798 0.861 0.553
## APR 0.722 0.727 0.826 0.544
## 
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5

Hasil: Semua konstruk memenuhi syarat dengan Cronbach’s Alpha berkisar 0,722–0,822 (≥ 0,70), Composite Reliability (rhoC) berkisar 0,826–0,875 (≥ 0,70 ), dan AVE berkisar 0,530–0,584 (≥ 0,50). Artinya seluruh konstruk reliabel dan memiliki validitas konvergen yang baik sekitar lebih dari separuh varians item dijelaskan oleh konstruknya.

Fornell-Larcker

Fornell-Larcker digunakan untuk apakah suatu konstruk benar-benar berbeda dari konstruk lainnya.

summary_pls$validity$fl_criteria

##        DIS    FOF    APC   APR
## DIS  0.728      .      .     .
## FOF  0.170  0.764      .     .
## APC  0.291  0.452  0.743     .
## APR -0.043 -0.122 -0.118 0.737
## 
## FL Criteria table reports square root of AVE on the diagonal and construct correlations on the lower triangle.

Nilai akar AVE pada diagonal (DIS = 0,728 | FOF = 0,764 | APC = 0,743 | APR = 0,737) semuanya lebih besar dari korelasi antar konstruk di bawahnya. Membuktikan bahwa setiap konstruk lebih berkaitan dengan indikatornya sendiri dibanding konstruk lain, sehingga validitas diskriminan terpenuhi.

HTMT

HTMT merupakan kriteria yang lebih ketat untuk validitas diskriminan dibanding Fornell-Larcker.

summary_pls$validity$htmt

##       DIS   FOF   APC APR
## DIS     .     .     .   .
## FOF 0.212     .     .   .
## APC 0.369 0.556     .   .
## APR 0.060 0.156 0.153   .

HTMT < 0,85 berarti validitas diskriminan terpenuhi (kriteria ketat)
HTMT < 0,90 masih dapat diterima (kriteria liberal)

Hasil: Seluruh nilai HTMT berada di bawah 0,85 dengan nilai tertinggi adalah FOF → APC sebesar 0,556. Karena semua pasang konstruk menghasilkan HTMT < 0,85, validitas diskriminan terpenuhi secara ketat. Tiap konstruk benar-benar berbeda dan tidak saling tumpang tindih.

Evaluasi Inner Model

Path Coefficient dan R-Square

summary_pls$paths

##          APC    APR
## R^2    0.251  0.020
## AdjR^2 0.251  0.018
## DIS    0.221 -0.006
## FOF    0.414 -0.086
## APC        . -0.077

R-Square APC = 0,251: DIS dan FOF bersama-sama menjelaskan 25,1% varians prokrastinasi akademik termasuk kategori lemah-moderat. Sisanya dipengaruhi faktor lain di luar model.

R-Square APR = 0,020: DIS, FOF, dan APC hanya menjelaskan 2% varians performa akademik yang berarti sangat rendah, menunjukkan bahwa performa akademik dalam dataset ini lebih dipengaruhi faktor lain yang tidak dimasukkan ke model.

Untuk koefisien jalur: DIS → APC = 0,221 dan FOF → APC = 0,414 bernilai positif, artinya semakin tinggi disorganisasi dan ketakutan gagal, semakin tinggi prokrastinasi. Sementara semua jalur menuju APR bernilai negatif, artinya prokrastinasi dan kedua prediktor berhubungan terbalik dengan performa akademik.

Total Effects

Total effects digunakan untuk melihat pengaruh keseluruhan antar konstruk, mencakup efek langsung maupun tidak langsung.

summary_pls$total_effects

##       DIS   FOF   APC    APR
## DIS 0.000 0.000 0.221 -0.023
## FOF 0.000 0.000 0.414 -0.118
## APC 0.000 0.000 0.000 -0.077
## APR 0.000 0.000 0.000  0.000

Pengaruh total FOF terhadap APR = -0,118 lebih besar dibanding DIS terhadap APR = -0,023, artinya ketakutan gagal memiliki dampak keseluruhan yang lebih kuat terhadap penurunan performa akademik dibanding disorganisasi

Model Fit

Pada PLS-SEM, model fit dapat dilihat sebagai informasi tambahan (bukan bagian utama seperti pada CB-SEM).

if (!is.null(summary_pls$model_fit)) {
  summary_pls$model_fit
} else {
  cat("Output model fit tidak tersedia pada objek summary ini.")
}

## Output model fit tidak tersedia pada objek summary ini.

Output model fit tidak tersedia pada versi seminr ini, hal ini cukup wajar dan tidak mengurangi validitas analisis PLS-SEM.

Bootstrapping

Bootstrapping digunakan untuk menguji signifikansi hubungan antar variabel pada model struktural maupun outer model.

Karena PLS-SEM tidak mengasumsikan data berdistribusi normal, maka pengujian statistik dilakukan dengan teknik resampling yang disebut bootstrapping.

boot_model <- bootstrap_model(
  seminr_model = pls_model,
  nboot        = 1000,
  cores        = 1,
  seed         = 123
)

summary_boot <- summary(boot_model)
summary_boot

## 
## Results from Bootstrap resamples:  1000
## 
## Bootstrapped Structural Paths:
##              Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI 97.5% CI
## DIS  ->  APC         0.221          0.221        0.023   9.435   0.176    0.266
## DIS  ->  APR        -0.006         -0.006        0.023  -0.275  -0.053    0.039
## FOF  ->  APC         0.414          0.414        0.036  11.492   0.341    0.480
## FOF  ->  APR        -0.086         -0.088        0.029  -2.977  -0.148   -0.031
## APC  ->  APR        -0.077         -0.076        0.032  -2.423  -0.135   -0.013
##              Bootstrap P Val
## DIS  ->  APC           0.000
## DIS  ->  APR           0.830
## FOF  ->  APC           0.000
## FOF  ->  APR           0.004
## APC  ->  APR           0.026
## 
## Bootstrapped Weights:
##               Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
## DIS1  ->  DIS         0.268          0.268        0.015  17.829   0.239
## DIS2  ->  DIS         0.286          0.286        0.014  20.903   0.260
## DIS3  ->  DIS         0.267          0.267        0.013  20.381   0.243
## DIS4  ->  DIS         0.270          0.270        0.013  20.034   0.242
## DIS5  ->  DIS         0.282          0.282        0.014  19.489   0.257
## FOF1  ->  FOF         0.275          0.275        0.013  21.417   0.251
## FOF2  ->  FOF         0.272          0.273        0.011  24.799   0.254
## FOF3  ->  FOF         0.260          0.260        0.010  26.198   0.242
## FOF4  ->  FOF         0.243          0.244        0.010  23.864   0.225
## FOF5  ->  FOF         0.257          0.257        0.012  21.672   0.235
## APC1  ->  APC         0.262          0.262        0.012  21.701   0.240
## APC2  ->  APC         0.275          0.276        0.012  23.579   0.255
## APC3  ->  APC         0.284          0.284        0.013  22.484   0.260
## APC4  ->  APC         0.269          0.269        0.011  23.950   0.249
## APC5  ->  APC         0.255          0.256        0.010  24.368   0.235
## APR1  ->  APR         0.373          0.373        0.044   8.577   0.294
## APR2  ->  APR         0.277          0.276        0.042   6.552   0.188
## APR3  ->  APR         0.368          0.369        0.051   7.151   0.275
## APR4  ->  APR         0.334          0.331        0.044   7.526   0.237
##               97.5% CI Bootstrap P Val
## DIS1  ->  DIS    0.299           0.000
## DIS2  ->  DIS    0.314           0.000
## DIS3  ->  DIS    0.292           0.000
## DIS4  ->  DIS    0.295           0.000
## DIS5  ->  DIS    0.312           0.000
## FOF1  ->  FOF    0.303           0.000
## FOF2  ->  FOF    0.296           0.000
## FOF3  ->  FOF    0.281           0.000
## FOF4  ->  FOF    0.264           0.000
## FOF5  ->  FOF    0.282           0.000
## APC1  ->  APC    0.288           0.000
## APC2  ->  APC    0.301           0.000
## APC3  ->  APC    0.310           0.000
## APC4  ->  APC    0.293           0.000
## APC5  ->  APC    0.277           0.000
## APR1  ->  APR    0.471           0.000
## APR2  ->  APR    0.346           0.000
## APR3  ->  APR    0.469           0.000
## APR4  ->  APR    0.411           0.000
## 
## Bootstrapped Loadings:
##               Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
## DIS1  ->  DIS         0.714          0.713        0.016  45.996   0.682
## DIS2  ->  DIS         0.742          0.742        0.014  54.276   0.715
## DIS3  ->  DIS         0.726          0.725        0.014  51.062   0.696
## DIS4  ->  DIS         0.727          0.727        0.014  52.459   0.699
## DIS5  ->  DIS         0.730          0.729        0.014  52.313   0.702
## FOF1  ->  FOF         0.783          0.783        0.014  54.189   0.753
## FOF2  ->  FOF         0.751          0.751        0.015  48.895   0.720
## FOF3  ->  FOF         0.773          0.773        0.016  49.339   0.740
## FOF4  ->  FOF         0.756          0.756        0.016  47.887   0.723
## FOF5  ->  FOF         0.757          0.756        0.015  51.501   0.727
## APC1  ->  APC         0.729          0.727        0.019  38.648   0.689
## APC2  ->  APC         0.750          0.749        0.018  42.639   0.712
## APC3  ->  APC         0.746          0.744        0.018  41.516   0.708
## APC4  ->  APC         0.747          0.746        0.019  39.535   0.707
## APC5  ->  APC         0.745          0.744        0.021  35.659   0.698
## APR1  ->  APR         0.774          0.772        0.026  29.331   0.723
## APR2  ->  APR         0.709          0.707        0.030  23.908   0.647
## APR3  ->  APR         0.744          0.743        0.033  22.776   0.679
## APR4  ->  APR         0.720          0.717        0.031  23.160   0.653
##               97.5% CI Bootstrap P Val
## DIS1  ->  DIS    0.740           0.000
## DIS2  ->  DIS    0.769           0.000
## DIS3  ->  DIS    0.750           0.000
## DIS4  ->  DIS    0.752           0.000
## DIS5  ->  DIS    0.758           0.000
## FOF1  ->  FOF    0.809           0.000
## FOF2  ->  FOF    0.780           0.000
## FOF3  ->  FOF    0.803           0.000
## FOF4  ->  FOF    0.784           0.000
## FOF5  ->  FOF    0.786           0.000
## APC1  ->  APC    0.762           0.000
## APC2  ->  APC    0.780           0.000
## APC3  ->  APC    0.778           0.000
## APC4  ->  APC    0.779           0.000
## APC5  ->  APC    0.780           0.000
## APR1  ->  APR    0.826           0.000
## APR2  ->  APR    0.756           0.000
## APR3  ->  APR    0.806           0.000
## APR4  ->  APR    0.770           0.000
## 
## Bootstrapped HTMT:
##              Original Est. Bootstrap Mean Bootstrap SD 2.5% CI 97.5% CI
## DIS  ->  FOF         0.212          0.210        0.038   0.137    0.284
## DIS  ->  APC         0.369          0.369        0.034   0.301    0.430
## DIS  ->  APR         0.060          0.071        0.020   0.041    0.117
## FOF  ->  APC         0.556          0.555        0.044   0.463    0.634
## FOF  ->  APR         0.156          0.157        0.036   0.088    0.227
## APC  ->  APR         0.153          0.152        0.037   0.079    0.225
##              Bootstrap P Val
## DIS  ->  FOF           0.000
## DIS  ->  APC           0.000
## DIS  ->  APR           0.000
## FOF  ->  APC           0.000
## FOF  ->  APR           0.000
## APC  ->  APR           0.000
## 
## Bootstrapped Total Paths:
##              Original Est. Bootstrap Mean Bootstrap SD 2.5% CI 97.5% CI
## DIS  ->  APC         0.221          0.221        0.023   0.176    0.266
## DIS  ->  APR        -0.023         -0.023        0.023  -0.069    0.020
## FOF  ->  APC         0.414          0.414        0.036   0.341    0.480
## FOF  ->  APR        -0.118         -0.120        0.028  -0.174   -0.067
## APC  ->  APR        -0.077         -0.076        0.032  -0.135   -0.013

Hasil Bootstrapping Path

summary_boot$bootstrapped_paths

##              Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI 97.5% CI
## DIS  ->  APC         0.221          0.221        0.023   9.435   0.176    0.266
## DIS  ->  APR        -0.006         -0.006        0.023  -0.275  -0.053    0.039
## FOF  ->  APC         0.414          0.414        0.036  11.492   0.341    0.480
## FOF  ->  APR        -0.086         -0.088        0.029  -2.977  -0.148   -0.031
## APC  ->  APR        -0.077         -0.076        0.032  -2.423  -0.135   -0.013
##              Bootstrap P Val
## DIS  ->  APC           0.000
## DIS  ->  APR           0.830
## FOF  ->  APC           0.000
## FOF  ->  APR           0.004
## APC  ->  APR           0.026

Ringkasan signifikansi tiap jalur (p-value < 0,05 = signifikan):

Jalur	β	T-Stat	p-value	Kesimpulan
DIS → APC	0,221	9,435	0,000	Signifikan - H1 Diterima
DIS → APR	-0,006	0,275	0,830	Tidak Signifikan - H4 Ditolak
FOF → APC	0,414	11,492	0,000	Signifikan - H2 Diterima
FOF → APR	-0,086	2,977	0,004	Signifikan - H5 Diterima
APC → APR	-0,077	2,423	0,026	Signifikan - H3 Diterima

DIS → APC dan FOF → APC signifikan karena p-value = 0,000 < 0,05 dan T-Stat jauh di atas 1,96, artinya disorganisasi dan ketakutan gagal terbukti meningkatkan prokrastinasi. APC → APR signifikan (p = 0,026 < 0,05) dengan arah negatif, artinya prokrastinasi terbukti menurunkan performa akademik. Satu-satunya jalur yang tidak signifikan adalah DIS → APR (p = 0,830 >> 0,05), artinya disorganisasi tidak memiliki pengaruh langsung terhadap performa akademik, pengaruhnya hanya melalui prokrastinasi.

Hasil Bootstrapping Indirect Effects (Mediasi)

Bagian ini digunakan untuk menguji apakah APC memediasi pengaruh DIS dan FOF terhadap APR.

summary_boot$bootstrapped_indirect_effects

## NULL

Efek mediasi dinyatakan signifikan jika confidence interval 95% tidak melewati angka nol. Jika jalur langsung tetap signifikan setelah APC dimasukkan maka mediasi bersifat parsial; jika tidak signifikan maka mediasi bersifat penuh.

Output indirect effects menunjukkan NULL pada versi seminr ini. Untuk menguji mediasi secara manual, dapat dihitung dari hasil total effects: efek tidak langsung DIS → APC → APR = 0,221 × (-0,077) = -0,017 dan FOF → APC → APR = 0,414 × (-0,077) = -0,032. Karena jalur komponennya signifikan, mediasi APC terbukti ada meskipun kecil.

Hasil Bootstrapping Loading

summary_boot$bootstrapped_loadings

##               Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
## DIS1  ->  DIS         0.714          0.713        0.016  45.996   0.682
## DIS2  ->  DIS         0.742          0.742        0.014  54.276   0.715
## DIS3  ->  DIS         0.726          0.725        0.014  51.062   0.696
## DIS4  ->  DIS         0.727          0.727        0.014  52.459   0.699
## DIS5  ->  DIS         0.730          0.729        0.014  52.313   0.702
## FOF1  ->  FOF         0.783          0.783        0.014  54.189   0.753
## FOF2  ->  FOF         0.751          0.751        0.015  48.895   0.720
## FOF3  ->  FOF         0.773          0.773        0.016  49.339   0.740
## FOF4  ->  FOF         0.756          0.756        0.016  47.887   0.723
## FOF5  ->  FOF         0.757          0.756        0.015  51.501   0.727
## APC1  ->  APC         0.729          0.727        0.019  38.648   0.689
## APC2  ->  APC         0.750          0.749        0.018  42.639   0.712
## APC3  ->  APC         0.746          0.744        0.018  41.516   0.708
## APC4  ->  APC         0.747          0.746        0.019  39.535   0.707
## APC5  ->  APC         0.745          0.744        0.021  35.659   0.698
## APR1  ->  APR         0.774          0.772        0.026  29.331   0.723
## APR2  ->  APR         0.709          0.707        0.030  23.908   0.647
## APR3  ->  APR         0.744          0.743        0.033  22.776   0.679
## APR4  ->  APR         0.720          0.717        0.031  23.160   0.653
##               97.5% CI Bootstrap P Val
## DIS1  ->  DIS    0.740           0.000
## DIS2  ->  DIS    0.769           0.000
## DIS3  ->  DIS    0.750           0.000
## DIS4  ->  DIS    0.752           0.000
## DIS5  ->  DIS    0.758           0.000
## FOF1  ->  FOF    0.809           0.000
## FOF2  ->  FOF    0.780           0.000
## FOF3  ->  FOF    0.803           0.000
## FOF4  ->  FOF    0.784           0.000
## FOF5  ->  FOF    0.786           0.000
## APC1  ->  APC    0.762           0.000
## APC2  ->  APC    0.780           0.000
## APC3  ->  APC    0.778           0.000
## APC4  ->  APC    0.779           0.000
## APC5  ->  APC    0.780           0.000
## APR1  ->  APR    0.826           0.000
## APR2  ->  APR    0.756           0.000
## APR3  ->  APR    0.806           0.000
## APR4  ->  APR    0.770           0.000

Seluruh 19 indikator menunjukkan p-value = 0,000 dan T-Stat jauh di atas 1,96 (terendah 22,776). Artinya semua indikator terbukti secara statistik valid dalam mengukur konstruknya masing-masing. Tidak ada satu pun indikator yang perlu dihapus dari model.

Visualisasi Model

plot(pls_model)

Kesimpulan

Secara keseluruhan outer model menunjukkan hasil yang baik, semua indikator valid, reliabel, dan memiliki validitas diskriminan yang terpenuhi. Terdapat masalah pada inner model, khususnya R-Square APR yang sangat rendah (0,020). Yang menandakan bahwa DIS, FOF, dan APC bersama-sama hanya mampu menjelaskan 2% dari variasi performa akademik, sehingga model struktural untuk APR perlu diperkuat dengan menambahkan konstruk prediktor lain yang lebih relevan.

Dari 7 hipotesis, 6 diterima (H1, H2, H3, H5, H6, H7) dan 1 ditolak (H4: DIS tidak berpengaruh langsung terhadap APR). Temuan utama adalah bahwa pengaruh disorganisasi terhadap performa akademik sepenuhnya dimediasi oleh prokrastinasi, sementara ketakutan gagal berpengaruh baik secara langsung maupun melalui prokrastinasi.

Analisis SEM-PLS: Pengaruh Disorganization dan Fear of Failure terhadap Academic Performance melalui Academic Procrastination pada Mahasiswa Perguruan Tinggi di Indonesia

Nia Ayu Agustin (24031554081), Aulia Aziza (24031554102)

2026-05-26