Implementasi Metode SEM-PLS dalam Analisis Pengaruh Teacher Self-Concept dan Teacher Efficacy terhadap Burnout Guru
Audy Alycia (24031554179), Indah F. Salsabillah R. Wadjo (24031554210)
2026-05-26
Deskripsi
Dataset yang digunakan dalam penelitian ini merupakan dataset Teacher Burnout yang berisi data kuesioner mengenai kondisi psikologis guru. Variabel yang digunakan meliputi:
TSC = Teacher Self-Concept (Eksogen)
TE = Teacher Efficacy (Mediasi)
EE = Emotional Exhaustion (Endogen)
DP = Depersonalization (Endogen)
RPA = Reduced Personal AccomplishmenT (Endogen)
Setiap variabel diukur menggunakan beberapa indikator berbasis skala Likert 1–5. Penelitian ini bertujuan untuk menganalisis pengaruh Teacher Self-Concept dan Teacher Efficacy terhadap burnout guru menggunakan metode Structural Equation Modeling Partial Least Square (SEM-PLS). Tahapan analisis dalam penelitian ini meliputi preprocessing data, statistik deskriptif, pengujian asumsi, pembentukan outer model dan inner model, evaluasi model SEM-PLS, bootstrapping, serta visualisasi model. Metode SEM-PLS digunakan karena mampu menganalisis hubungan antar konstruk laten dengan indikator majemuk dan tidak mensyaratkan normalitas multivariat secara ketat.
Install dan Load Package
library(readxl)## Warning: package 'readxl' was built under R version 4.5.3library(seminr)
library(psych)## Warning: package 'psych' was built under R version 4.5.3library(car)## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:psych':
##
## logitlibrary(dplyr)##
## Attaching package: 'dplyr'## The following object is masked from 'package:car':
##
## recode## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(corrplot)## corrplot 0.95 loadedlibrary(semPlot)## Warning: package 'semPlot' was built under R version 4.5.3library(matrixStats)## Warning: package 'matrixStats' was built under R version 4.5.3##
## Attaching package: 'matrixStats'## The following object is masked from 'package:dplyr':
##
## countlibrary(tidyr)
library(qgraph)## Warning: package 'qgraph' was built under R version 4.5.3Import Data
data <- read_excel("2. Response.xlsx")colnames(data)## [1] "TSC1" "TSC2" "TSC3" "TSC4" "TSC5" "TE1" "TE2" "TE3" "TE4" "TE5"
## [11] "EE1" "EE2" "EE3" "EE4" "EE5" "DE1" "DE2" "DE3" "RPA1" "RPA2"
## [21] "RPA3" "RPA4" "RPA5"str(data)## tibble [876 × 23] (S3: tbl_df/tbl/data.frame)
## $ TSC1: num [1:876] 4 4 4 4 4 4 1 1 2 2 ...
## $ TSC2: num [1:876] 4 4 4 4 5 5 4 4 2 2 ...
## $ TSC3: num [1:876] 4 4 5 5 3 3 4 4 2 2 ...
## $ TSC4: num [1:876] 4 4 4 4 4 4 4 4 2 2 ...
## $ TSC5: num [1:876] 4 4 5 5 4 4 4 4 2 2 ...
## $ TE1 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ TE2 : num [1:876] 4 4 4 4 4 4 3 3 2 2 ...
## $ TE3 : num [1:876] 4 4 4 4 4 4 3 3 1 1 ...
## $ TE4 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ TE5 : num [1:876] 4 4 4 4 4 4 3 3 1 1 ...
## $ EE1 : num [1:876] 4 4 4 4 4 4 4 4 1 1 ...
## $ EE2 : num [1:876] 4 4 5 5 4 4 4 4 1 1 ...
## $ EE3 : num [1:876] 4 4 5 5 4 4 4 4 1 1 ...
## $ EE4 : num [1:876] 4 4 4 4 4 4 4 4 1 1 ...
## $ EE5 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ DE1 : num [1:876] 4 4 5 5 4 4 1 1 3 3 ...
## $ DE2 : num [1:876] 4 4 5 5 4 4 1 1 2 2 ...
## $ DE3 : num [1:876] 4 4 5 5 4 4 4 4 2 2 ...
## $ RPA1: num [1:876] 4 4 5 5 4 4 3 3 2 2 ...
## $ RPA2: num [1:876] 4 4 4 4 4 4 3 3 1 2 ...
## $ RPA3: num [1:876] 4 4 5 5 4 4 3 4 2 1 ...
## $ RPA4: num [1:876] 4 4 4 4 4 4 4 3 2 2 ...
## $ RPA5: num [1:876] 4 4 5 5 4 4 4 4 1 1 ...Preprocessing Data
Mengubah Semua Data Menjadi Numerik
data <- data %>%
mutate(across(everything(), as.numeric))str(data)## tibble [876 × 23] (S3: tbl_df/tbl/data.frame)
## $ TSC1: num [1:876] 4 4 4 4 4 4 1 1 2 2 ...
## $ TSC2: num [1:876] 4 4 4 4 5 5 4 4 2 2 ...
## $ TSC3: num [1:876] 4 4 5 5 3 3 4 4 2 2 ...
## $ TSC4: num [1:876] 4 4 4 4 4 4 4 4 2 2 ...
## $ TSC5: num [1:876] 4 4 5 5 4 4 4 4 2 2 ...
## $ TE1 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ TE2 : num [1:876] 4 4 4 4 4 4 3 3 2 2 ...
## $ TE3 : num [1:876] 4 4 4 4 4 4 3 3 1 1 ...
## $ TE4 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ TE5 : num [1:876] 4 4 4 4 4 4 3 3 1 1 ...
## $ EE1 : num [1:876] 4 4 4 4 4 4 4 4 1 1 ...
## $ EE2 : num [1:876] 4 4 5 5 4 4 4 4 1 1 ...
## $ EE3 : num [1:876] 4 4 5 5 4 4 4 4 1 1 ...
## $ EE4 : num [1:876] 4 4 4 4 4 4 4 4 1 1 ...
## $ EE5 : num [1:876] 4 4 5 5 4 4 3 3 1 1 ...
## $ DE1 : num [1:876] 4 4 5 5 4 4 1 1 3 3 ...
## $ DE2 : num [1:876] 4 4 5 5 4 4 1 1 2 2 ...
## $ DE3 : num [1:876] 4 4 5 5 4 4 4 4 2 2 ...
## $ RPA1: num [1:876] 4 4 5 5 4 4 3 3 2 2 ...
## $ RPA2: num [1:876] 4 4 4 4 4 4 3 3 1 2 ...
## $ RPA3: num [1:876] 4 4 5 5 4 4 3 4 2 1 ...
## $ RPA4: num [1:876] 4 4 4 4 4 4 4 3 2 2 ...
## $ RPA5: num [1:876] 4 4 5 5 4 4 4 4 1 1 ...Terdapat 23 kolom yang berhasil dikonversi ke tipe num yang terdiri dari 876 responden dengan 23 indikator, mencakup mencakup TSC1–5, TE1–5, EE1–5, DE1–3, dan RPA1–5. Tidak ada kolom yang tersisa sebagai karakter atau faktor.
Cek Missing Value
colSums(is.na(data))## TSC1 TSC2 TSC3 TSC4 TSC5 TE1 TE2 TE3 TE4 TE5 EE1 EE2 EE3 EE4 EE5 DE1
## 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## DE2 DE3 RPA1 RPA2 RPA3 RPA4 RPA5
## 0 0 0 0 0 0 0sum(is.na(data))## [1] 0Seluruh kolom tidak terdapat missing value, sehingga tidak perlu dilakukan imputasi dan data bisa langsung digunakan untuk analisis.
Statistik Deskriptif
describe(data)## vars n mean sd median trimmed mad min max range skew kurtosis se
## TSC1 1 876 3.65 0.68 4 3.62 0.00 1 5 4 -0.09 0.06 0.02
## TSC2 2 876 3.81 0.64 4 3.78 0.00 2 5 3 -0.07 -0.14 0.02
## TSC3 3 876 3.73 0.64 4 3.71 0.00 2 5 3 -0.17 -0.02 0.02
## TSC4 4 876 3.71 0.67 4 3.67 0.00 2 5 3 -0.03 -0.25 0.02
## TSC5 5 876 3.82 0.65 4 3.79 0.00 2 5 3 -0.10 -0.13 0.02
## TE1 6 876 4.06 0.71 4 4.10 0.00 1 5 4 -0.47 0.38 0.02
## TE2 7 876 4.04 0.70 4 4.07 0.00 2 5 3 -0.22 -0.45 0.02
## TE3 8 876 4.12 0.71 4 4.17 0.00 1 5 4 -0.72 1.60 0.02
## TE4 9 876 4.11 0.69 4 4.15 0.00 1 5 4 -0.47 0.51 0.02
## TE5 10 876 3.90 0.75 4 3.92 0.00 1 5 4 -0.41 0.16 0.03
## EE1 11 876 3.81 0.76 4 3.81 0.00 1 5 4 -0.35 0.23 0.03
## EE2 12 876 3.73 0.85 4 3.75 1.48 1 5 4 -0.37 0.12 0.03
## EE3 13 876 3.88 0.83 4 3.91 1.48 1 5 4 -0.31 -0.40 0.03
## EE4 14 876 3.69 0.80 4 3.67 1.48 1 5 4 -0.03 -0.41 0.03
## EE5 15 876 3.99 0.81 4 4.03 1.48 1 5 4 -0.43 -0.27 0.03
## DE1 16 876 3.92 0.68 4 3.93 0.00 1 5 4 -0.53 1.25 0.02
## DE2 17 876 3.60 0.68 4 3.58 1.48 1 5 4 -0.22 0.64 0.02
## DE3 18 876 3.82 0.70 4 3.79 0.00 1 5 4 -0.14 0.01 0.02
## RPA1 19 876 3.93 0.83 4 3.97 1.48 1 5 4 -0.59 0.50 0.03
## RPA2 20 876 3.94 0.80 4 3.99 0.00 1 5 4 -0.79 1.22 0.03
## RPA3 21 876 3.88 0.79 4 3.91 0.00 1 5 4 -0.59 0.75 0.03
## RPA4 22 876 3.87 0.76 4 3.89 0.00 1 5 4 -0.48 0.33 0.03
## RPA5 23 876 3.84 0.79 4 3.86 0.00 1 5 4 -0.53 0.67 0.03Seluruh indikator memiliki 876 responden tanpa missing value. Nilai mean berkisar 3.60–4.12 dari skala 1–5, yang menunjukkan responden cenderung memilih nilai setuju hingga sangat setuju, dengan SD kecil (0.64–0.85) yang mengindikasikan jawaban cukup homogen. Skewness seluruh indikator bernilai negatif namun masih dalam batas wajar (|skew| < 2), dan kurtosis mendekati 0 — sehingga data berdistribusi mendekati normal, yang tidak menjadi masalah dalam SEM-PLS.
Uji Asumsi
Uji Multikolinearitas
cor_matrix <- cor(data)corrplot(
cor_matrix,
method = "color",
type = "full",
tl.cex = 0.7
)
KOrelasi matrix memperlihatkan kotak-kotak diagonal berwarna biru tua
yang menunjukkan korelasi sempurna setiap variabel dengan dirinya
sendiri (r = 1). Korelasi antar indikator dalam konstruk yang sama
seperti sesama TSC, sesama TE, atau sesama RPA yang tampak lebih gelap
dibanding korelasi antar konstruk berbeda, yang sebagian besar berwarna
biru muda hingga hampir putih. Tidak terdapat pasangan indikator di luar
diagonal yang menunjukkan warna biru tua pekat, artinya tidak ada
korelasi ekstrem (r > 0.90) antar variabel yang berbeda. Hal ini
menunjukkan bahwa tidak terdapat masalah multikolinearitas dalam
data.
Uji VIF
vif_model <- lm(
EE1 ~ TSC1 + TSC2 + TSC3 + TSC4 + TSC5 +
TE1 + TE2 + TE3 + TE4 + TE5,
data = data
)vif(vif_model)## TSC1 TSC2 TSC3 TSC4 TSC5 TE1 TE2 TE3
## 1.603007 1.691369 1.571140 1.473345 1.698497 2.242678 1.954055 2.404414
## TE4 TE5
## 2.848394 1.660994Seluruh nilai VIF berada di bawah 3, artinya jauh dari batas masalah multikolinearitas (VIF > 10). Nilai tertinggi ada pada TE4 (2.85) dan terendah pada TSC4 (1.47), yang artinya tidak ada indikator yang terlalu berkorelasi satu sama lain hingga mengganggu model. Asumsi tidak ada multikolinearitas terpenuhi.
Uji KMO
KMO(data)## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data)
## Overall MSA = 0.94
## MSA for each item =
## TSC1 TSC2 TSC3 TSC4 TSC5 TE1 TE2 TE3 TE4 TE5 EE1 EE2 EE3 EE4 EE5 DE1
## 0.96 0.96 0.95 0.94 0.96 0.93 0.96 0.94 0.94 0.96 0.95 0.94 0.95 0.94 0.97 0.87
## DE2 DE3 RPA1 RPA2 RPA3 RPA4 RPA5
## 0.86 0.92 0.91 0.91 0.95 0.94 0.96Nilai KMO Overall MSA sebesar 0.94 yang termasuk kategori Marvelous (> 0.90), artinya data sangat layak untuk analisis faktor. Seluruh indikator juga memiliki MSA individual di atas 0.85, dengan nilai tertinggi pada EE5 (0.97) dan terendah pada DE2 (0.86). Data memenuhi syarat kecukupan sampling dan layak dilanjutkan ke analisis SEM-PLS.
Uji Bartlett
cortest.bartlett(
cor(data),
n = nrow(data)
)## $chisq
## [1] 10309.81
##
## $p.value
## [1] 0
##
## $df
## [1] 253Hasil uji Bartlett menunjukkan nilai chi-square sebesar 10309.81 dengan p-value 0.000 (< 0.05), sehingga H0 ditolak. Artinya matriks korelasi bukan matriks identitas yang terdapat korelasi bermakna antar variabel, sehingga data layak digunakan untuk analisis SEM-PLS.
Uji Harman Singel Factor
harman_test <- fa(
data,
nfactors = 1,
rotate = "none"
)print(harman_test)## Factor Analysis using method = minres
## Call: fa(r = data, nfactors = 1, rotate = "none")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 h2 u2 com
## TSC1 0.59 0.35 0.65 1
## TSC2 0.61 0.38 0.62 1
## TSC3 0.56 0.31 0.69 1
## TSC4 0.53 0.28 0.72 1
## TSC5 0.63 0.40 0.60 1
## TE1 0.64 0.41 0.59 1
## TE2 0.64 0.41 0.59 1
## TE3 0.68 0.46 0.54 1
## TE4 0.74 0.55 0.45 1
## TE5 0.63 0.40 0.60 1
## EE1 0.70 0.49 0.51 1
## EE2 0.67 0.45 0.55 1
## EE3 0.72 0.52 0.48 1
## EE4 0.68 0.46 0.54 1
## EE5 0.75 0.57 0.43 1
## DE1 0.39 0.15 0.85 1
## DE2 0.40 0.16 0.84 1
## DE3 0.49 0.24 0.76 1
## RPA1 0.68 0.47 0.53 1
## RPA2 0.67 0.45 0.55 1
## RPA3 0.64 0.41 0.59 1
## RPA4 0.57 0.33 0.67 1
## RPA5 0.51 0.26 0.74 1
##
## MR1
## SS loadings 8.88
## Proportion Var 0.39
##
## Mean item complexity = 1
## Test of the hypothesis that 1 factor is sufficient.
##
## df null model = 253 with the objective function = 11.9 with Chi Square = 10309.81
## df of the model are 230 and the objective function was 3.11
##
## The root mean square of the residuals (RMSR) is 0.08
## The df corrected root mean square of the residuals is 0.08
##
## The harmonic n.obs is 876 with the empirical chi square 1272.04 with prob < 1.1e-143
## The total n.obs was 876 with Likelihood Chi Square = 2693.67 with prob < 0
##
## Tucker Lewis Index of factoring reliability = 0.73
## RMSEA index = 0.111 and the 90 % confidence intervals are 0.107 0.114
## BIC = 1135.33
## Fit based upon off diagonal values = 0.96
## Measures of factor score adequacy
## MR1
## Correlation of (regression) scores with factors 0.97
## Multiple R square of scores with factors 0.94
## Minimum correlation of possible factor scores 0.88Satu faktor hanya mampu menjelaskan 39% dari total variansi data (Proportion Var = 0.39), di bawah batas 50%. Artinya tidak ada satu faktor dominan yang mendominasi seluruh variansi, sehingga tidak terdapat Common Method Bias dalam data ini dan dapat dilanjutkan karena hasil dipengaruhi oleh bias metode pengukuran tunggal.
Persentase Variance
harman_test$Vaccounted## MR1
## SS loadings 8.8821929
## Proportion Var 0.3861823Hasil ini konsisten dengan output sebelumnya dengan satu faktor menjelaskan 38.62% variansi total, di bawah ambang batas 50%. Tidak terdapat Common Method Bias, sehingga data aman untuk dianalisis lebih lanjut.
Membuat Outer Model (Measurement Model)
measurement_model <- constructs(
composite(
"TSC",
multi_items("TSC", 1:5)
),
composite(
"TE",
multi_items("TE", 1:5)
),
composite(
"EE",
multi_items("EE", 1:5)
),
composite(
"DP",
multi_items("DE", 1:3)
),
composite(
"RPA",
multi_items("RPA", 1:5)
)
)Outer model adalah hubungan antara setiap variabel laten dengan indikator-indikatornya. Semua variabel dibentuk menggunakan fungsi composite() yang berarti menggunakan model reflektif, di mana indikator dianggap sebagai cerminan dari variabel latennya. TSC dibentuk dari TSC1–TSC5, TE dari TE1–TE5, EE dari EE1–EE5, DP dari DE1–DE3, dan RPA dari RPA1–RPA5. Perlu dicatat bahwa variabel DP menggunakan prefix indikator DE (bukan DP), yang sesuai dengan nama kolom di dataset.
Membuat Inner Model (Structural Model)
structural_model <- relationships(
paths(
from = "TSC",
to = c("TE", "EE")
),
paths(
from = "TE",
to = "EE"
),
paths(
from = "EE",
to = c("DP", "RPA")
),
paths(
from = "DP",
to = "RPA"
)
)Inner model merupakan jalur hubungan antar variabel. TSC berpengaruh langsung ke TE dan EE, lalu TE juga berpengaruh ke EE, yang artinya TE berperan sebagai mediator antara TSC dan EE. Selanjutnya EE berpengaruh ke DP dan RPA, dan DP juga berpengaruh ke RPA. Jadi alur besarnya adalah TSC → TE → EE → DP → RPA, dengan TSC juga bisa langsung mempengaruhi EE tanpa melalui TE.
Model SEM-PLS
pls_model <- estimate_pls(
data = data,
measurement_model = measurement_model,
structural_model = structural_model
)## Generating the seminr model## All 876 observations are valid.summary(pls_model)##
## Results from package seminr (2.5.0)
##
## Path Coefficients:
## TE EE DP RPA
## R^2 0.321 0.551 0.160 0.436
## AdjR^2 0.320 0.550 0.159 0.435
## TSC 0.566 0.427 . .
## TE . 0.411 . .
## EE . . 0.400 0.626
## DP . . . 0.076
##
## Reliability:
## alpha rhoA rhoC AVE
## TSC 0.804 0.808 0.864 0.561
## TE 0.874 0.876 0.909 0.666
## EE 0.876 0.878 0.910 0.668
## DP 0.733 0.762 0.847 0.649
## RPA 0.845 0.855 0.890 0.621
##
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5Path Coefficients & R² dengan TSC berpengaruh ke TE (0.566) dan EE (0.427), sementara TE juga berpengaruh ke EE (0.411), dan EE berpengaruh ke DP (0.400) dan RPA (0.626). DP ke RPA pengaruhnya kecil (0.076). Untuk R², variansi EE dapat dijelaskan sebesar 55.1% yang paling tinggi di antara variabel lainnya. TE dijelaskan 32.1%, RPA 43.6%, dan DP hanya 16% yang tergolong lemah. Semua variabel memenuhi syarat reliabilitas. Nilai Cronbach’s Alpha dan rhoC seluruhnya di atas 0.70, dengan TE, EE, dan RPA mencapai nilai tertinggi (> 0.87). Hal ini menunjukkan indikator-indikator dalam tiap variabel konsisten mengukur hal yang sama. Sementara itu, seluruh nilai AVE berada di atas 0.50, yang artinya setiap variabel mampu menjelaskan lebih dari separuh variansi intikatornya sendiri.
Outer Model Evaluation
Loading Factor
pls_model$outer_loadings## TSC TE EE DP RPA
## TSC1 0.7370451 0.0000000 0.0000000 0.0000000 0.0000000
## TSC2 0.7745359 0.0000000 0.0000000 0.0000000 0.0000000
## TSC3 0.7430075 0.0000000 0.0000000 0.0000000 0.0000000
## TSC4 0.7065822 0.0000000 0.0000000 0.0000000 0.0000000
## TSC5 0.7811514 0.0000000 0.0000000 0.0000000 0.0000000
## TE1 0.0000000 0.8123562 0.0000000 0.0000000 0.0000000
## TE2 0.0000000 0.7955864 0.0000000 0.0000000 0.0000000
## TE3 0.0000000 0.8490892 0.0000000 0.0000000 0.0000000
## TE4 0.0000000 0.8769919 0.0000000 0.0000000 0.0000000
## TE5 0.0000000 0.7400351 0.0000000 0.0000000 0.0000000
## EE1 0.0000000 0.0000000 0.8056751 0.0000000 0.0000000
## EE2 0.0000000 0.0000000 0.8177064 0.0000000 0.0000000
## EE3 0.0000000 0.0000000 0.8356050 0.0000000 0.0000000
## EE4 0.0000000 0.0000000 0.8203630 0.0000000 0.0000000
## EE5 0.0000000 0.0000000 0.8075094 0.0000000 0.0000000
## DE1 0.0000000 0.0000000 0.0000000 0.7616082 0.0000000
## DE2 0.0000000 0.0000000 0.0000000 0.7944709 0.0000000
## DE3 0.0000000 0.0000000 0.0000000 0.8578524 0.0000000
## RPA1 0.0000000 0.0000000 0.0000000 0.0000000 0.8380383
## RPA2 0.0000000 0.0000000 0.0000000 0.0000000 0.8604740
## RPA3 0.0000000 0.0000000 0.0000000 0.0000000 0.8269899
## RPA4 0.0000000 0.0000000 0.0000000 0.0000000 0.7340486
## RPA5 0.0000000 0.0000000 0.0000000 0.0000000 0.6635877Hampir semua indikator memiliki loading factor di atas 0.70, yang berarti tiap indikator sudah cukup kuat mencerminkan variabelnya masing-masing. Loading tertinggi ada pada RPA2 (0.860) dan TE4 (0.877), sementara yang terendah adalah RPA5 (0.664). Meskipun RPA5 sedikit di bawah 0.70, nilainya masih di atas 0.60 sehingga masih bisa dipertahankan. Nilai nol pada kolom variabel lain menunjukkan bahwa setiap indikator hanya mengukur konstruknya sendiri yang tidak nyasar ke variabel lain.
Outer Weights
pls_model$outer_weights## TSC TE EE DP RPA
## TSC1 0.2670286 0.0000000 0.0000000 0.0000000 0.0000000
## TSC2 0.2867407 0.0000000 0.0000000 0.0000000 0.0000000
## TSC3 0.2531155 0.0000000 0.0000000 0.0000000 0.0000000
## TSC4 0.2346672 0.0000000 0.0000000 0.0000000 0.0000000
## TSC5 0.2908764 0.0000000 0.0000000 0.0000000 0.0000000
## TE1 0.0000000 0.2323183 0.0000000 0.0000000 0.0000000
## TE2 0.0000000 0.2362763 0.0000000 0.0000000 0.0000000
## TE3 0.0000000 0.2426968 0.0000000 0.0000000 0.0000000
## TE4 0.0000000 0.2689607 0.0000000 0.0000000 0.0000000
## TE5 0.0000000 0.2450545 0.0000000 0.0000000 0.0000000
## EE1 0.0000000 0.0000000 0.2428505 0.0000000 0.0000000
## EE2 0.0000000 0.0000000 0.2291340 0.0000000 0.0000000
## EE3 0.0000000 0.0000000 0.2502314 0.0000000 0.0000000
## EE4 0.0000000 0.0000000 0.2314521 0.0000000 0.0000000
## EE5 0.0000000 0.0000000 0.2699755 0.0000000 0.0000000
## DE1 0.0000000 0.0000000 0.0000000 0.3356359 0.0000000
## DE2 0.0000000 0.0000000 0.0000000 0.3945743 0.0000000
## DE3 0.0000000 0.0000000 0.0000000 0.5022999 0.0000000
## RPA1 0.0000000 0.0000000 0.0000000 0.0000000 0.2830485
## RPA2 0.0000000 0.0000000 0.0000000 0.0000000 0.2700237
## RPA3 0.0000000 0.0000000 0.0000000 0.0000000 0.2580685
## RPA4 0.0000000 0.0000000 0.0000000 0.0000000 0.2391973
## RPA5 0.0000000 0.0000000 0.0000000 0.0000000 0.2131499Outer weights menunjukkan kontribusi unik setiap variabelnya dalam membentuk skor variabelnya. Berbeda dengan loading factor, bobotnya lebih merata antar indikator dalam satu konstruk. Untuk TSC, TE, EE, dan RPA bobotnya cukup seimbang dngan semua indikator berkontribusi hampir sama besar. Yang sedikit berbeda adalah variabel DP, yang di mana DE3 memiliki bobot paling tinggi (0.502) dibanding DE1 (0.336) dan DE2 (0.395), menandakan DE3 yang paling dominan dalam membentuk variabel Depersonalisasi.
Reliability
summary(pls_model)$reliability## alpha rhoA rhoC AVE
## TSC 0.804 0.808 0.864 0.561
## TE 0.874 0.876 0.909 0.666
## EE 0.876 0.878 0.910 0.668
## DP 0.733 0.762 0.847 0.649
## RPA 0.845 0.855 0.890 0.621
##
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5Seluruh konstruk memenuhi syarat reliabilitas. Nilai Cronbach’s Alpha dan rhoC semua di atas 0.70, dengan rentang alpha 0.733 (DP) hingga 0.876 (EE) dan rhoC 0.847 (DP) hingga 0.910 (EE). AVE seluruh variabel juga di atas 0.50, mulai dari 0.561 (TSC) hingga 0.668 (EE), artinya setiap indikator mampu menjelaskan lebih dari separuh variansi indikatornya.
Validity
summary(pls_model)$validity## $vif_items
## TSC :
## TSC1 TSC2 TSC3 TSC4 TSC5
## 1.495 1.605 1.540 1.450 1.622
##
## TE :
## TE1 TE2 TE3 TE4 TE5
## 2.187 1.887 2.354 2.750 1.587
##
## EE :
## EE1 EE2 EE3 EE4 EE5
## 1.959 2.219 2.180 2.138 1.920
##
## DP :
## DE1 DE2 DE3
## 1.433 1.437 1.480
##
## RPA :
## RPA1 RPA2 RPA3 RPA4 RPA5
## 2.631 2.784 2.057 1.623 1.372
##
##
## $htmt
## TSC TE EE DP RPA
## TSC . . . . .
## TE 0.671 . . . .
## EE 0.783 0.742 . . .
## DP 0.589 0.553 0.483 . .
## RPA 0.666 0.673 0.758 0.411 .
##
## $fl_criteria
## TSC TE EE DP RPA
## TSC 0.749 . . . .
## TE 0.566 0.816 . . .
## EE 0.660 0.653 0.817 . .
## DP 0.455 0.447 0.400 0.806 .
## RPA 0.554 0.579 0.657 0.326 0.788
##
## FL Criteria table reports square root of AVE on the diagonal and construct correlations on the lower triangle.
##
## $cross_loadings
## TSC TE EE DP RPA
## TSC1 0.737 0.441 0.478 0.359 0.434
## TSC2 0.775 0.456 0.529 0.343 0.427
## TSC3 0.743 0.386 0.481 0.373 0.358
## TSC4 0.707 0.356 0.448 0.313 0.386
## TSC5 0.781 0.469 0.531 0.320 0.462
## TE1 0.440 0.812 0.501 0.364 0.435
## TE2 0.447 0.796 0.510 0.340 0.454
## TE3 0.452 0.849 0.530 0.320 0.497
## TE4 0.509 0.877 0.581 0.433 0.524
## TE5 0.456 0.740 0.536 0.358 0.447
## EE1 0.497 0.559 0.806 0.343 0.523
## EE2 0.539 0.461 0.818 0.288 0.511
## EE3 0.557 0.533 0.836 0.310 0.563
## EE4 0.535 0.505 0.820 0.314 0.484
## EE5 0.566 0.599 0.808 0.373 0.592
## DE1 0.353 0.364 0.250 0.762 0.220
## DE2 0.333 0.307 0.299 0.794 0.253
## DE3 0.409 0.405 0.395 0.858 0.304
## RPA1 0.506 0.499 0.581 0.253 0.838
## RPA2 0.475 0.491 0.553 0.247 0.860
## RPA3 0.454 0.464 0.527 0.255 0.827
## RPA4 0.391 0.420 0.482 0.283 0.734
## RPA5 0.336 0.400 0.430 0.256 0.664VIF Items Semua nilai VIF antar indikator dalam tiap variabel di bawah 3, jadi tidak ada multikolinearitas antar indikator.
HTMT (Discriminant Validity) Semua nilai HTMT di bawah 0.85, dengan nilai tertinggi EE–TSC (0.783) dan terendah DP–RPA (0.411). Artinya setiap variabel sudah mengukur hal yang berbeda-beda dan tidak saling tumpang tindih.
Cross Loadings & FL Criteria Setiap indikator memiliki loading tertinggi pada konstruknya sendiri dibanding konstruk lain, seperti TSC1 loading ke TSC (0.737) lebih tinggi dari loading ke TE (0.441), EE (0.478), dst. Nilai diagonal FL Criteria (akar AVE) juga lebih besar dari korelasi antar variabel di bawahnya. Hal ini mengkonfirmasi bahwa masing-masing indikator sudah tepat mengukur indikator yang dimaksud.
names(summary(pls_model))## [1] "meta" "iterations" "paths"
## [4] "total_effects" "total_indirect_effects" "loadings"
## [7] "weights" "validity" "reliability"
## [10] "composite_scores" "vif_antecedents" "fSquare"
## [13] "descriptives" "it_criteria" "missing_data"Inner Model Evaluation
Path Coefficient
pls_model$path_coef## TSC TE EE DP RPA
## TSC 0 0.5661417 0.4274388 0.0000000 0.0000000
## TE 0 0.0000000 0.4112762 0.0000000 0.0000000
## EE 0 0.0000000 0.0000000 0.4002087 0.6264565
## DP 0 0.0000000 0.0000000 0.0000000 0.0756224
## RPA 0 0.0000000 0.0000000 0.0000000 0.0000000Koefisien jalur menunjukkan kekuatan dan arah pengaruh antar konstruk. TSC berpengaruh cukup kuat ke TE (0.566) dan EE (0.427), artinya semakin tinggi konsep diri guru, semakin tinggi efikasi diri dan kelelahan emosionalnya. TE juga berpengaruh ke EE (0.411), yang berarti efikasi diri turut berkontribusi pada kelelahan emosional. EE berpengaruh kuat ke RPA (0.626) dan cukup kuat ke DP (0.400) dengan semakin lelah secara emosional, semakin tinggi depersonalisasi dan penurunan prestasi pribadi. Sementara pengaruh DP ke RPA sangat kecil (0.076), menunjukkan depersonalisasi tidak terlalu berkontribusi langsung terhadap penurunan prestasi pribadi setelah EE sudah diperhitungkan.
R-Square
summary(pls_model)##
## Results from package seminr (2.5.0)
##
## Path Coefficients:
## TE EE DP RPA
## R^2 0.321 0.551 0.160 0.436
## AdjR^2 0.320 0.550 0.159 0.435
## TSC 0.566 0.427 . .
## TE . 0.411 . .
## EE . . 0.400 0.626
## DP . . . 0.076
##
## Reliability:
## alpha rhoA rhoC AVE
## TSC 0.804 0.808 0.864 0.561
## TE 0.874 0.876 0.909 0.666
## EE 0.876 0.878 0.910 0.668
## DP 0.733 0.762 0.847 0.649
## RPA 0.845 0.855 0.890 0.621
##
## Alpha, rhoA, and rhoC should exceed 0.7 while AVE should exceed 0.5Nilai R² menunjukkan seberapa besar variansi setiap konstruk endogen dapat dijelaskan oleh variabel yang mempengaruhinya. EE memiliki R² tertinggi (0.551), artinya 55.1% variansi kelelahan emosional dijelaskan oleh TSC dan TE yang tergolong moderat hingga kuat. RPA dijelaskan sebesar 43.6% oleh EE dan DP, sementara TE dijelaskan 32.1% oleh TSC. Yang paling rendah adalah DP (0.160), artinya hanya 16% variansi depersonalisasi yang bisa dijelaskan oleh EE yang sisanya dipengaruhi faktor lain di luar model.
Bootstrapping
boot_model <- bootstrap_model(
seminr_model = pls_model,
nboot = 5000,
cores = 1,
seed = 123
)## Bootstrapping model using seminr...## SEMinR Model successfully bootstrappedsummary(boot_model)##
## Results from Bootstrap resamples: 5000
##
## Bootstrapped Structural Paths:
## Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI 97.5% CI
## TSC -> TE 0.566 0.566 0.028 19.867 0.509 0.620
## TSC -> EE 0.427 0.428 0.031 13.769 0.364 0.488
## TE -> EE 0.411 0.411 0.033 12.475 0.347 0.478
## EE -> DP 0.400 0.402 0.033 12.105 0.334 0.464
## EE -> RPA 0.626 0.628 0.023 27.621 0.582 0.672
## DP -> RPA 0.076 0.076 0.030 2.480 0.015 0.134
## Bootstrap P Val
## TSC -> TE 0.000
## TSC -> EE 0.000
## TE -> EE 0.000
## EE -> DP 0.000
## EE -> RPA 0.000
## DP -> RPA 0.014
##
## Bootstrapped Weights:
## Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
## TSC1 -> TSC 0.267 0.267 0.010 25.529 0.247
## TSC2 -> TSC 0.287 0.287 0.009 32.020 0.270
## TSC3 -> TSC 0.253 0.253 0.010 24.147 0.233
## TSC4 -> TSC 0.235 0.235 0.011 21.704 0.213
## TSC5 -> TSC 0.291 0.291 0.010 30.322 0.273
## TE1 -> TE 0.232 0.232 0.007 34.523 0.219
## TE2 -> TE 0.236 0.236 0.008 29.556 0.221
## TE3 -> TE 0.243 0.243 0.007 34.363 0.229
## TE4 -> TE 0.269 0.269 0.007 37.714 0.256
## TE5 -> TE 0.245 0.245 0.009 27.926 0.228
## EE1 -> EE 0.243 0.243 0.007 36.259 0.230
## EE2 -> EE 0.229 0.229 0.006 36.442 0.217
## EE3 -> EE 0.250 0.250 0.006 43.057 0.239
## EE4 -> EE 0.231 0.232 0.006 38.070 0.220
## EE5 -> EE 0.270 0.270 0.007 38.483 0.257
## DE1 -> DP 0.336 0.335 0.026 12.778 0.281
## DE2 -> DP 0.395 0.394 0.027 14.639 0.341
## DE3 -> DP 0.502 0.502 0.027 18.500 0.452
## RPA1 -> RPA 0.283 0.283 0.011 24.990 0.263
## RPA2 -> RPA 0.270 0.270 0.010 27.072 0.251
## RPA3 -> RPA 0.258 0.258 0.010 25.247 0.238
## RPA4 -> RPA 0.239 0.239 0.011 21.655 0.218
## RPA5 -> RPA 0.213 0.212 0.012 17.086 0.187
## 97.5% CI Bootstrap P Val
## TSC1 -> TSC 0.289 0.000
## TSC2 -> TSC 0.305 0.000
## TSC3 -> TSC 0.274 0.000
## TSC4 -> TSC 0.255 0.000
## TSC5 -> TSC 0.311 0.000
## TE1 -> TE 0.246 0.000
## TE2 -> TE 0.252 0.000
## TE3 -> TE 0.257 0.000
## TE4 -> TE 0.284 0.000
## TE5 -> TE 0.263 0.000
## EE1 -> EE 0.256 0.000
## EE2 -> EE 0.241 0.000
## EE3 -> EE 0.262 0.000
## EE4 -> EE 0.244 0.000
## EE5 -> EE 0.285 0.000
## DE1 -> DP 0.385 0.000
## DE2 -> DP 0.447 0.000
## DE3 -> DP 0.559 0.000
## RPA1 -> RPA 0.307 0.000
## RPA2 -> RPA 0.291 0.000
## RPA3 -> RPA 0.278 0.000
## RPA4 -> RPA 0.261 0.000
## RPA5 -> RPA 0.236 0.000
##
## Bootstrapped Loadings:
## Original Est. Bootstrap Mean Bootstrap SD T Stat. 2.5% CI
## TSC1 -> TSC 0.737 0.737 0.019 39.839 0.699
## TSC2 -> TSC 0.775 0.774 0.016 49.094 0.743
## TSC3 -> TSC 0.743 0.743 0.019 39.878 0.704
## TSC4 -> TSC 0.707 0.706 0.023 31.271 0.660
## TSC5 -> TSC 0.781 0.781 0.015 53.742 0.751
## TE1 -> TE 0.812 0.812 0.015 52.876 0.780
## TE2 -> TE 0.796 0.796 0.014 56.634 0.767
## TE3 -> TE 0.849 0.849 0.012 68.095 0.823
## TE4 -> TE 0.877 0.877 0.009 93.714 0.858
## TE5 -> TE 0.740 0.740 0.020 37.248 0.700
## EE1 -> EE 0.806 0.806 0.015 55.346 0.777
## EE2 -> EE 0.818 0.817 0.013 60.872 0.790
## EE3 -> EE 0.836 0.835 0.012 71.031 0.811
## EE4 -> EE 0.820 0.820 0.015 54.489 0.790
## EE5 -> EE 0.808 0.807 0.014 56.917 0.779
## DE1 -> DP 0.762 0.760 0.027 28.346 0.701
## DE2 -> DP 0.794 0.794 0.021 37.960 0.750
## DE3 -> DP 0.858 0.858 0.014 62.711 0.829
## RPA1 -> RPA 0.838 0.839 0.011 78.698 0.816
## RPA2 -> RPA 0.860 0.860 0.011 81.820 0.839
## RPA3 -> RPA 0.827 0.827 0.017 48.211 0.791
## RPA4 -> RPA 0.734 0.734 0.023 31.907 0.686
## RPA5 -> RPA 0.664 0.663 0.031 21.133 0.598
## 97.5% CI Bootstrap P Val
## TSC1 -> TSC 0.772 0.000
## TSC2 -> TSC 0.804 0.000
## TSC3 -> TSC 0.777 0.000
## TSC4 -> TSC 0.748 0.000
## TSC5 -> TSC 0.808 0.000
## TE1 -> TE 0.840 0.000
## TE2 -> TE 0.822 0.000
## TE3 -> TE 0.871 0.000
## TE4 -> TE 0.894 0.000
## TE5 -> TE 0.776 0.000
## EE1 -> EE 0.833 0.000
## EE2 -> EE 0.843 0.000
## EE3 -> EE 0.857 0.000
## EE4 -> EE 0.848 0.000
## EE5 -> EE 0.834 0.000
## DE1 -> DP 0.807 0.000
## DE2 -> DP 0.831 0.000
## DE3 -> DP 0.883 0.000
## RPA1 -> RPA 0.859 0.000
## RPA2 -> RPA 0.880 0.000
## RPA3 -> RPA 0.858 0.000
## RPA4 -> RPA 0.776 0.000
## RPA5 -> RPA 0.720 0.000
##
## Bootstrapped HTMT:
## Original Est. Bootstrap Mean Bootstrap SD 2.5% CI 97.5% CI
## TSC -> TE 0.671 0.670 0.031 0.606 0.729
## TSC -> EE 0.783 0.783 0.025 0.732 0.829
## TSC -> DP 0.589 0.590 0.040 0.509 0.668
## TSC -> RPA 0.666 0.665 0.031 0.603 0.725
## TE -> EE 0.742 0.741 0.025 0.691 0.790
## TE -> DP 0.553 0.553 0.037 0.478 0.621
## TE -> RPA 0.673 0.673 0.030 0.612 0.730
## EE -> DP 0.483 0.484 0.041 0.400 0.562
## EE -> RPA 0.758 0.758 0.023 0.710 0.803
## DP -> RPA 0.411 0.411 0.042 0.326 0.491
## Bootstrap P Val
## TSC -> TE 0.000
## TSC -> EE 0.000
## TSC -> DP 0.000
## TSC -> RPA 0.000
## TE -> EE 0.000
## TE -> DP 0.000
## TE -> RPA 0.000
## EE -> DP 0.000
## EE -> RPA 0.000
## DP -> RPA 0.000
##
## Bootstrapped Total Paths:
## Original Est. Bootstrap Mean Bootstrap SD 2.5% CI 97.5% CI
## TSC -> TE 0.566 0.566 0.028 0.509 0.620
## TSC -> EE 0.660 0.661 0.022 0.615 0.701
## TSC -> DP 0.264 0.265 0.026 0.216 0.315
## TSC -> RPA 0.434 0.435 0.023 0.389 0.479
## TE -> EE 0.411 0.411 0.033 0.347 0.478
## TE -> DP 0.165 0.165 0.021 0.127 0.208
## TE -> RPA 0.270 0.270 0.026 0.222 0.323
## EE -> DP 0.400 0.402 0.033 0.334 0.464
## EE -> RPA 0.657 0.658 0.022 0.613 0.700
## DP -> RPA 0.076 0.076 0.030 0.015 0.134Structural Paths (Jalur Struktural) Semua jalur signifikan dengan T-statistic jauh di atas 1.96 dan p-value 0.000, kecuali DP dengan RPA yang T-stat-nya 2.480 dan p-value 0.014, tetap signifikan tapi paling lemah. Bootstrap Mean hampir identik dengan Original Estimate di semua jalur, menandakan hasil model sangat stabil. Confidence interval seluruh jalur tidak melewati angka 0, mengkonfirmasi semua pengaruh signifikan secara statistik.
Weights & Loadings Semua bobot dan loading factor terkonfirmasi signifikan (p = 0.000) dengan T-statistic sangat tinggi. Bootstrap Mean konsisten dengan estimasi asli, artinya tidak ada bias dalam perhitungan model.
Total Paths Menarik untuk dilihat bahwa total effect TSC dengan EE (0.660) lebih besar dari direct effect-nya (0.427), karena sudah mencakup efek tidak langsung melalui TE. Ini mengkonfirmasi bahwa TE memang berperan sebagai mediator yang TSC mempengaruhi EE tidak hanya secara langsung, tapi juga lewat jalur TSC → TE → EE. Total effect EE → RPA juga tinggi (0.657), menjadikan EE sebagai variabel paling berpengaruh terhadap penurunan prestasi pribadi guru.
Visualisasi Model SEM-PLS
plot(
pls_model,
title = "SEM-PLS Model"
)Visualisasi model SEM-PLS menampilkan keseluruhan hubungan antar variabel dan indikatornya secara sekaligus. TSC sebagai variabel eksogen berada di kiri, dengan 5 indikator (TSC1–TSC5) yang loading-nya berkisar 0.707–0.781. TSC mengirimkan dua jalur ke TE (β = 0.566) dan langsung ke EE (β = 0.427), di mana jalur ke TE tampak lebih tebal menandakan pengaruh yang lebih kuat.
TE berada di tengah dengan R² = 0.321, diapit indikator TE1–TE5 (loading 0.740–0.877), dan meneruskan pengaruhnya ke EE (β = 0.411). EE dengan R² = 0.551 menjadi variabel paling “ramai” karena menerima pengaruh dari dua arah sekaligus (TSC dan TE), lalu mendistribusikan pengaruhnya ke DP (β = 0.400) dan RPA (β = 0.626) yang panahnya ke RPA tampak paling tebal di seluruh model, menandakan jalur terkuat.
DP (R² = 0.160) hanya dijelaskan oleh EE dan pengaruhnya ke RPA sangat kecil (β = 0.076), terlihat dari panah yang tipis. RPA sebagai variabel akhir memiliki R² = 0.436 dengan indikator RPA1–RPA5 di sisi kanan. Secara keseluruhan, alur dominan dalam model ini adalah TSC → TE → EE → RPA, dengan EE sebagai variabel sentral yang paling menentukan kondisi burnout guru.