{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE)
Modul 5 Implementasi Structural Equation Modeling Partial Least Squares (SEM-PLS) pada Analisis Faktor yang Mempengaruhi Performa Akademik Siswa Amelia Salsabila Ar rofik (24031554128), Diva Izza M. (24031554217), Savitri Rahmaning Lukito (24031554219) Kelas 2024D Dosen Pengampu Mata Kuliah: Ulfa Siti Nuraini, S.Stat., M.Stat. Dinda Galuh Guminta, M.Stat Abstrak: Prestasi akademik siswa dipengaruhi oleh berbagai faktor, baik dari lingkungan keluarga, kebiasaan belajar, maupun gaya hidup sehari-hari. Pemahaman mengenai hubungan antar faktor tersebut menjadi penting untuk mendukung peningkatan kualitas pendidikan melalui pengambilan keputusan berbasis data. Penelitian ini bertujuan menganalisis faktor-faktor yang mempengaruhi performa akademik siswa menggunakan metode Structural Equation Modeling Partial Least Squares (SEM-PLS). Dataset yang digunakan adalah Student Performance Dataset yang terdiri atas 395 observasi dan 33 variabel yang menggambarkan karakteristik sosial, keluarga, aktivitas belajar, serta capaian akademik siswa sekolah menengah. Konstruk laten yang dibangun dalam penelitian meliputi dukungan keluarga, kebiasaan belajar, gaya hidup, dan performa akademik. Analisis dilakukan melalui tahapan data preprocessing, evaluasi outer model, serta pengujian inner model menggunakan nilai loading factor, Average Variance Extracted (AVE), Composite Reliability, Cronbach’s Alpha, R-square, dan path coefficient. Hasil penelitian diharapkan mampu mengidentifikasi faktor-faktor yang memiliki pengaruh signifikan terhadap performa akademik siswa serta menunjukkan hubungan antar konstruk yang dibangun dalam model SEM-PLS. Temuan penelitian ini diharapkan dapat menjadi dasar dalam pengembangan strategi peningkatan kualitas pembelajaran dan pencapaian akademik siswa melalui pendekatan analisis multivariat berbasis data. Kata kunci: SEM-PLS, performa akademik, student performance, analisis multivariat, pendidikan. BAB 1 PENDAHULUAN Prestasi akademik siswa merupakan salah satu indikator penting dalam menilai keberhasilan proses pendidikan. Performa akademik tidak hanya dipengaruhi oleh kemampuan individu, tetapi juga faktor lain seperti dukungan keluarga, kebiasaan belajar, serta gaya hidup siswa. Kurangnya dukungan lingkungan dan rendahnya intensitas belajar dapat berdampak pada penurunan hasil akademik, sehingga diperlukan analisis yang mampu mengidentifikasi hubungan antar faktor tersebut secara komprehensif. Permasalahan performa akademik menjadi penting karena berkaitan dengan kualitas sumber daya manusia dan keberhasilan pendidikan di masa depan. Pemahaman terhadap faktor-faktor yang memengaruhi prestasi siswa dapat membantu institusi pendidikan dalam menyusun strategi pembelajaran yang lebih efektif dan berbasis data. Penelitian ini menggunakan Student Performance Dataset yang memuat informasi karakteristik keluarga, aktivitas belajar, gaya hidup, dan capaian akademik siswa sekolah menengah. Untuk menganalisis hubungan antar faktor digunakan metode Structural Equation Modeling Partial Least Squares (SEM-PLS). SEM-PLS merupakan metode analisis multivariat yang digunakan untuk menganalisis hubungan antar konstruk laten secara simultan serta mampu mengakomodasi data dengan karakteristik kompleks. Pemilihan SEM-PLS didasarkan pada keunggulannya dalam menangani data dengan distribusi yang tidak harus normal, ukuran sampel moderat, serta model penelitian yang bersifat prediktif. Menurut Hair dkk. (2022), SEM-PLS efektif digunakan untuk penelitian eksploratif dan prediktif yang melibatkan hubungan antar variabel laten. Selain itu, Chin (1998) menjelaskan bahwa SEM-PLS memiliki kemampuan yang baik dalam pengembangan model hubungan kompleks antar konstruk. Berdasarkan uraian tersebut, penelitian ini dilakukan untuk menganalisis pengaruh dukungan keluarga, kebiasaan belajar, dan gaya hidup terhadap performa akademik siswa menggunakan pendekatan SEM-PLS. BAB 2 METODOLOGI PENELITIAN Penjelasan Dataset Dataset yang digunakan dalam penelitian ini adalah Student Performance Dataset yang tersedia secara publik melalui UCI Machine Learning Repository dan dapat diakses melalui tautan berikut: https://archive.ics.uci.edu/dataset/320/student+performance?utm_source Dataset student Performance merupakan dataset yang berisi informasi karakteristik akademik, keluarga, sosial, dan gaya hidup siswa sekolah menengah. Data dikumpulkan dari dua sekolah menengah di Portugal dan digunakan untuk menganalisis faktor-faktor yang mempengaruhi performa akademik siswa. Pada penelitian ini digunakan dataset student-mat.csv yang berfokus pada mata pelajaran matematika. Dataset terdiri atas 395 sampel (observasi) dengan 33 variabel yang meliputi karakteristik keluarga, aktivitas belajar, kondisi sosial, dan capaian akademik siswa. Studi kasus pada penelitian ini berfokus pada analisis hubungan faktor dukungan keluarga, kebiasaan belajar, dan gaya hidup terhadap performa akademik siswa menggunakan metode Structural Equation Modeling Partial Least Squares (SEM-PLS). Variabel Penelitian Variabel yang digunakan dalam penelitian ini disajikan pada Tabel 1 berikut. Tabel 1. Variabel Penelitian
Simbol Nama Variabel Tipe X1 Pendidikan Ibu (Medu) Ordinal X2 Pendidikan Ayah (Fedu) Ordinal X3 Dukungan Keluarga (famsup) Nominal X4 Waktu Belajar (study time) Ordinal X5 Dukungan Sekolah (schoolsup) Nominal X6 Les Tambahan (paid) Nominal X7 Waktu Luang (freetime) Ordinal X8 Aktivitas Bersama Teman (goout) Ordinal X9 Konsumsi Alkohol Hari Kerja (Dalc) Ordinal X10 Konsumsi Alkohol Akhir Pekan (Walc) Ordinal Y1 Nilai Periode Pertama (G1) Interval Y2 Nilai Periode Kedua (G2) Interval Y3 Nilai Akhir (G3) Interval
Structural Equation Modeling Partial Least Squares (SEM-PLS) Structural Equation Modeling Partial Least Squares (SEM-PLS) merupakan metode analisis multivariat berbasis varians yang digunakan untuk menganalisis hubungan antar konstruk laten dan indikator terukur secara simultan. SEM-PLS dipilih karena mampu mengakomodasi data dengan distribusi non-normal, ukuran sampel moderat, serta model penelitian yang kompleks. Model SEM - PLS terdiri dari dua bagian utama, yaitu: Outer Model (Measurement Model), yang digunakan untuk mengukur hubungan antara konstruk laten dengan indikator pembentuknya. Inner Model (Structural Model), yang digunakan untuk mengevaluasi hubungan antar konstruk laten.
BAB 3 Hasil dan Pembahasan Karakteristik Data Penelitian ini menggunakan dataset Student Performance dengan jumlah observasi sebanyak 395 data. Variabel yang digunakan terdiri atas indikator dukungan keluarga (Medu, Fedu, famsup), kebiasaan belajar (studytime, schoolsup, paid), gaya hidup (goout, freetime, Dalc, Walc), serta performa akademik (G1, G2, G3). Tabel 1 Variabel Mean SD Min Max Skewness Medu 2.75 1.09 0 4 -0.32 Fedu 2.52 1.09 0 4 -0.03 studytime 2.04 0.84 1 4 0.63 goout 3.11 1.11 1 5 0.12 freetime 3.24 1.00 1 5 -0.16 Dalc 1.48 0.89 1 5 2.17 Walc 2.29 1.29 1 5 0.61 G1 10.91 3.32 3 19 0.24 G2 10.71 3.76 0 19 -0.43 G3 10.42 4.58 0 20 -0.73
Berdasarkan Tabel 1 rata-rata pendidikan ibu (Medu) sebesar 2,75, sedangkan pendidikan ayah (Fedu) sebesar 2,52. Variabel durasi belajar (studytime) memiliki rata-rata 2,04, menunjukkan mayoritas siswa memiliki waktu belajar sedang. Variabel gaya hidup menunjukkan rata-rata aktivitas keluar rumah (goout) sebesar 3,11, sementara konsumsi alkohol pada hari biasa (Dalc) memiliki rata-rata terendah yaitu 1,48. Nilai rata-rata performa akademik siswa pada tiga periode penilaian yaitu G1 sebesar 10,91, G2 sebesar 10,71, dan G3 sebesar 10,42. Hal ini menunjukkan adanya kecenderungan penurunan nilai akademik pada periode akhir.
Gambar 1 Gambar 1 menunjukkan hubungan antar konstruk laten pada model Partial Least Squares Path Modeling (PLS-PM). Konstruk Dukungan Keluarga memiliki pengaruh positif terhadap Kebiasaan Belajar sebesar 0,195 serta berpengaruh positif terhadap Performa Akademik sebesar 0,157. Variabel Kebiasaan Belajar juga menunjukkan pengaruh positif terhadap Performa Akademik sebesar 0,140. Sementara itu, variabel Gaya Hidup memiliki pengaruh negatif terhadap Performa Akademik sebesar −0,147, yang menunjukkan bahwa peningkatan gaya hidup tertentu dapat berkaitan dengan penurunan performa akademik siswa. C. Pengujian Model Pengukuran (Outer Model) Evaluasi outer model dilakukan melalui nilai loading factor, communality, dan Average Variance Extracted (AVE) Tabel 2 Indikator Konstruk Loading Medu Dukungan_Keluarga 0.901 Fedu Dukungan_Keluarga 0.806 famsup Dukungan_Keluarga 0.489 studytime Kebiasaan_Belajar 0.631 schoolslup Kebiasaan_Belajar -0.287 paid Kebiasaan_Belajar 0.814 goout Gaya_Hidup 0.835 freetime Gaya_Hidup 0.276 Dalc Gaya_Hidup 0.689 Walc Gaya_Hidup 0.808 G1 Performa_Akademik 0.935 G2 Performa_Akademik 0.968 G3 Performa_Akademik 0.945
Indikator dengan nilai loading di atas 0,70 menunjukkan validitas konvergen yang baik. Variabel G1, G2, G3, serta Medu dan Fedu memiliki kontribusi kuat terhadap konstruknya. Namun indikator schoolsup (-0,287) dan freetime (0,276) menunjukkan kontribusi yang rendah.
Tabel 3
Konstruk AVE Dukungan_Keluarga 0.567 Kebiasaan_Belajar 0.381 Gaya_Hidup 0.475 Performa_Akademik 0.902
Konstruk Performa_Akademik memenuhi validitas konvergen dengan nilai AVE tertinggi sebesar 0,902. Konstruk Kebiasaan Belajar dan Gaya Hidup memiliki nilai AVE di bawah 0,50 sehingga masih memerlukan evaluasi indikator. D. Pengujian Model Struktural (Inner Model) Tabel 4
Hubungan Koefisien p-value Dukungan_Keluarga → Kebiasaan_Belajar 0.195 0.00009 Dukungan_Keluarga → Performa_Akademik 0.157 0.0016 Kebiasaan_Belajar → Performa_Akademik 0.140 0.0049 Gaya_Hidup → Performa_Akademik -0.147 0.0028
Dukungan keluarga memiliki pengaruh positif terhadap kebiasaan belajar dan performa akademik. Kebiasaan belajar juga memberikan pengaruh positif terhadap performa akademik. Sebaliknya, gaya hidup memiliki pengaruh negatif terhadap performa akademik. E. Evaluasi Nilai R2 Nilai R² performa akademik sebesar 0,0759, artinya model mampu menjelaskan sekitar 7,59% variasi performa akademik siswa, sedangkan sisanya dipengaruhi faktor lain di luar model. D. Evaluasi Goodness of Fit Nilai Goodness of Fit (GoF) model sebesar 0,1806. Nilai tersebut menunjukkan bahwa model memiliki tingkat kecocokan pada kategori rendah hingga sedang. Meskipun demikian, model masih dapat digunakan untuk menggambarkan hubungan antar konstruk dalam penelitian. F. Hasil Bootstrapping Pengujian bootstrapping dilakukan untuk mengevaluasi kestabilan parameter model. Hasil menunjukkan bahwa hubungan dukungan keluarga terhadap kebiasaan belajar dan performa akademik bersifat signifikan. Gaya hidup juga menunjukkan pengaruh signifikan terhadap performa akademik dengan arah hubungan negatif. Secara keseluruhan, hasil penelitian menunjukkan bahwa dukungan keluarga dan kebiasaan belajar memiliki peran penting dalam meningkatkan performa akademik siswa, sedangkan gaya hidup tertentu dapat memberikan dampak yang kurang baik terhadap pencapaian akademik.
BAB 4 KESIMPULAN DAN SARAN
A. Kesimpulan Penelitian ini bertujuan untuk menganalisis pengaruh dukungan keluarga, kebiasaan belajar, dan gaya hidup terhadap performa akademik siswa menggunakan metode Partial Least Squares Path Modeling (PLS-PM). Berdasarkan hasil analisis yang telah dilakukan terhadap 395 data siswa, diperoleh beberapa kesimpulan.Dukungan keluarga memiliki pengaruh positif terhadap kebiasaan belajar dengan koefisien jalur sebesar 0,195. Selain itu, dukungan keluarga juga berpengaruh positif terhadap performa akademik sebesar 0,157. Hasil ini menunjukkan bahwa lingkungan keluarga yang baik dapat membantu meningkatkan kebiasaan belajar serta pencapaian akademik siswa.Kebiasaan belajar memberikan pengaruh positif terhadap performa akademik dengan koefisien sebesar 0,140. Hal ini menunjukkan bahwa siswa dengan pola belajar yang lebih baik cenderung memiliki hasil akademik yang lebih tinggi. Variabel gaya hidup memiliki pengaruh negatif terhadap performa akademik dengan koefisien sebesar −0,147. Hasil ini mengindikasikan bahwa pola gaya hidup tertentu dapat memberikan dampak kurang baik terhadap pencapaian akademik siswa.Nilai Goodness of Fit (GoF) sebesar 0,1806 menunjukkan bahwa model mampu menggambarkan hubungan antar variabel dalam penelitian meskipun masih terdapat faktor lain diluar model yang mempengaruhi performa akademik siswa.Secara keseluruhan, dukungan keluarga dan kebiasaan belajar berkontribusi positif terhadap peningkatan performa akademik, sedangkan gaya hidup tertentu berpotensi menurunkan performa akademik siswa. B. Saran Berdasarkan hasil penelitian, terdapat beberapa saran yang diberikan. Penelitian selanjutnya dapat menambahkan variabel lain yang berpotensi mempengaruhi performa akademik, seperti motivasi belajar, kondisi psikologis, penggunaan media sosial, maupun tingkat kehadiran siswa. Penelitian berikutnya dapat menggunakan metode analisis lain seperti SEM-Covariance Based (CB-SEM) atau metode Machine Learning untuk memperoleh hasil pemodelan yang lebih beragam. Objek penelitian dapat diperluas pada dataset atau wilayah yang berbeda sehingga hasil penelitian memiliki kemampuan generalisasi yang lebih baik. Pihak keluarga dan sekolah dapat meningkatkan dukungan terhadap proses belajar siswa karena hasil penelitian menunjukkan bahwa dukungan keluarga memiliki kontribusi positif terhadap performa akademik.
DAFTAR PUSTAKA [1] P. R. Henseler, J. Hubona, and P. A. Ray, “Using PLS path modeling in new technology research: updated guidelines,” Industrial Management & Data Systems, vol. 116, no. 1, pp. 2–20, 2020. [2] J. F. Hair Jr., G. T. M. Hult, C. M. Ringle, and M. Sarstedt, A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd ed. Thousand Oaks, CA, USA: Sage Publications, 2022. [3] M. Sarstedt, C. M. Ringle, and J. F. Hair, “Partial Least Squares Structural Equation Modeling,” Handbook of Market Research, pp. 1–47, 2021. [4] V. E. Vinzi, W. W. Chin, J. Henseler, and H. Wang, Handbook of Partial Least Squares: Concepts, Methods and Applications. Berlin, Germany: Springer, 2020. [5] P. Cortez and A. Silva, “Using Data Mining to Predict Secondary School Student Performance,” Proceedings of the 5th Annual Future Business Technology Conference, Porto, Portugal, 2008. Dataset tersedia: https://archive.ics.uci.edu/dataset/320/student+performance.
When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
{r cars} summary(cars)
You can also embed plots, for example:
{r pressure, echo=FALSE} plot(pressure)
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.