KOLOKIUM

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR

Nama : Iswan Achlan Setiawan

NRP : G152160321
Judul : Penerapan Generalized Structured Component Analysis
untuk Melihat Hubungan Antara Hasil Akreditasi
dengan Hasil Ujian Nasional
Program Studi : Statistika Terapan / S2
Komisi Pembimbing : 1. Dr. Ir. Budi Susetyo, M.S.
2. Dr. Anwar Fitrianto, M.Sc.
Bidang Ilmu : Keteknikan dan Teknologi Informasi
Hari/Tanggal : Rabu, 18 April 2018
Waktu : 15.00 – 16.00
Tempat : Kampus IPB Darmaga
 1

PENDAHULUAN
Latar Belakang

Standar Nasional Pendidikan (SNP) adalah standar minimal yang ditetapkan

pemerintah dalam bidang pendidikan yang harus dipenuhi oleh satuan pendidikan.
SNP terdiri dari delapan standar yaitu standar isi (SI), standar proses (SPR), standar
kompetensi lulusan (SKL), standar pendidik dan tenaga kependidikan (SPT),
standar sarana dan prasarana (SSP), standar pengelolaan (SPL), standar pembiayaan
(SB), dan standar penilaian pendidikan (SPN). SNP disusun dan dikembangkan
oleh Badan Standar Nasional Pendidikan (BSNP).
Salah satu cara mengukur keterpenuhan SNP adalah melalui penilaian yang
dilakukan oleh Badan Akreditasi Nasional (BAN) dalam bentuk akreditasi. Untuk
menilai delapan SNP, BAN mengembangkan instrumen akreditasi yang berisi
butir-butir pertanyaan penilaian yang selanjutnya akan digunakan untuk pemberian
penilaian terhadap delapan SNP. Salah satu bentuk instrumen untuk menilai
akreditasi yaitu Peraturan Menteri Pendidikan dan Kebudayaan Nomor
003/H/AK/2017 tentang Kriteria dan Perangkat Akreditasi SMP/MTs.
SNP berfungsi sebagai dasar penyusunan strategi pengembangan mutu
pendidikan berdasarkan hasil evaluasi belajar nasional seperti ujian nasional (UN).
Raharjo (2014) menyebutkan bahwa delapan SNP sangat berpengaruh terhadap
pencapaian nilai UN. Sekolah dengan pencapaian SNP yang tinggi diharapkan
memiliki nilai UN yang baik. Beberapa tahun terakhir, pelaksanaan UN di
Indonesia dilaksanakan dalam 2 bentuk yaitu Ujian Nasional Kertas dan Pensil
(UNKP) dan Ujian Nasional Berbasis Komputer (UNBK). Pelaksanaan UNBK
dimaksudkan untuk meningkatkan efisiensi, mutu, reliabilitas, kredibilitas, dan
integritas ujian.
SNP merupakan peubah laten yang tidak dapat diukur secara langsung. SNP
diukur dari butir-butir instrumen yang disebut sebagai peubah indikator. SNP
memiliki hubungan kausalitas antar standar. Saat ini, hubungan kausalitas SNP
masih menjadi perdebatan. Beberapa teori pendidikan yang menjelaskan hubungan
kausalitas delapan SNP dipublikasikan pada Kemendiknas dan Kemenag tahun
2010, Kemdikbud tahun 2012, dan Kemdikbud tahun 2017.
Penelitian tentang hubungan kausalitas SNP telah banyak dilakukan. Rahma
(2016) melihat hubungan kausalitas SNP berdasarkan teori Kemendiknas dan
Kemenag tahun 2010 menggunakan structural equation modelling (SEM) berbasis
kovarian. Sedangkan Ferezagia (2015) melihat hubungan kausalitas SNP
berdasarkan teori Kemendiknas dan Kemenag tahun 2010 menggunakan
generalized structured component analysis (GSCA).
Salah satu analisis yang dapat digunakan untuk mengukur hubungan antara
peubah laten atau hubungan antara peubah laten dan indikatornya adalah SEM. Hox
dan Bechger (1999) menjelaskan bahwa SEM merupakan suatu teknik multivariat
yang dikembangkan guna menutupi keterbatasan model regresi, analisis jalur dan
analisis faktor konfirmatori. Secara umum, terdapat dua jenis SEM yaitu SEM
berbasis kovarian dan SEM berbasis varian/komponen. SEM berbasis kovarian
sangat dipengaruhi oleh asumsi parametrik seperti asumsi sebaran normal ganda
dan observasi harus independen satu sama lain.
2

Sebagai alternatif SEM berbasis kovarian, pendekatan SEM berbasis

komponen seperti partial least square (PLS) dan GSCA mampu menghidari
masalah asumsi parametrik. SEM-PLS memiliki keterbatasan dalam mengestimasi
parameter karena tidak memiliki overall goodness of fit sehingga sulit menentukan
seberapa baik model dan sulit membandingkan dengan model alternatif. Hwang dan
Takane (2004) menawarkan SEM-GSCA sebagai solusi dari kelemahan SEM-PLS.
SEM-GSCA tetap mempertahankan kelebihan SEM-PLS serta dilengkapi dengan
overall goodness of fit.

Tujuan Penelitian

Penelitian ini bertujuan untuk membandingkan 3 model hubungan 8 SNP dan

nilai UNBK menggunakan generalized structured component analysis (GSCA).

TINJAUAN PUSTAKA
Standar Nasional Pendidikan (SNP)

SNP adalah standar minimal yang ditetapkan pemerintah dalam bidang

pendidikan yang harus dipenuhi oleh satuan pendidikan dan semua pemangku
kepentingan dalam mengelola dan menyelenggarakan pendidikan. SNP bertujuan
untuk menjamin mutu pendidikan nasional dalam rangka mencerdaskan kehidupan
bangsa dan membentuk watak serta peradaban bangsa yang bermartabat.
Berdasarkan Peraturan Pemerintah Republik Indonesia Nomor 19 tahun 2005, SNP
terdiri:
1. Standar isi adalah ruang lingkup materi dan tingkat kompetensi yang
dituangkan dalam kriteria tentang kompetensi tamatan, kompetensi bahan
kajian, kompetensi mata pelajaran, dan silabus pembelajaran yang harus
dipenuhi oleh peserta didik pada jenjang dan jenis pendidikan tertentu.
2. Standar proses adalah standar nasional pendidikan yang berkaitan dengan
pelaksanaan pembelajaran pada satu satuan pendidikan untuk mencapai standar
kompetensi lulusan.
3. Standar kompetensi lulusan adalah kualifikasi kemampuan lulusan yang
mencakup sikap, pengetahuan, dan keterampilan.
4. Standar pendidik dan tenaga kependidikan adalah kriteria pendidikan
prajabatan dan kelayakan fisik maupun mental, serta pendidikan dalam jabatan.
5. Standar sarana dan prasarana adalah standar nasional pendidikan yang
berkaitan dengan kriteria minimal tentang ruang belajar, tempat berolahraga,
tempat beribadah, perpustakaan, laboratorium, bengkel kerja, tempat bermain,
tempat berkreasi dan berekreasi, serta sumber belajar lain, yang diperlukan
untuk menunjang proses pembelajaran, termasuk penggunaan teknologi
informasi dan komunikasi.
6. Standar pengelolaan adalah standar nasional pendidikan yang berkaitan dengan
perencanaan, pelaksanaan, dan pengawasan kegiatan pendidikan pada tingkat
satuan pendidikan, kabupaten/kota, provinsi, atau nasional agar tercapai
efisiensi dan efektivitas penyelenggaraan pendidikan.
 3

7. Standar pembiayaan adalah standar yang mengatur komponen dan besarnya

biaya operasi satuan pendidikan yang berlaku selama satu tahun.
8. Standar penilaian pendidikan adalah standar nasional pendidikan yang
berkaitan dengan mekanisme, prosedur, dan instrumen penilaian hasil belajar
peserta didik.

Prestasi Akademik

Prestasi akademik (PA) merupakan hasil penilaian yang dilakukan sekolah

sebagai umpan balik dari proses belajar mengajar. Prestasi akademik yang
dihasilkan suatu sekolah melibatkan beberapa komponen yaitu guru, kepala sekolah,
dan sarana-prasarana sekolah yang menunjang kegiatan belajar mengajar. Penilaian
hasil belajar oleh pemerintah bertujuan untuk pencapaian kompetensi lulusan secara
nasional pada mata pelajaran tertentu dan dilakukan dalam bentuk ujian nasional.
Hasil UN dijadikan sebagai salah satu pertimbangan untuk pemetaan mutu
program dan satuan pendidikan, dasar seleksi masuk jenjang pendidikan berikutnya,
penentuan kelulusan peserta didik, serta pembinaan dan pemberian bantuan kepada
satuan pendidikan dalam upaya meningkatkan mutu pendidikan.
Dalam beberapa tahun terakhir, pelaksanaan UN di Indonesia dilaksanakan
dalam 2 bentuk yaitu ujian nasional kertas pensil (UNKP) dan ujian nasional
berbasis komputer (UNBK). UNKP dinilai memiliki beberapa kekurangan
diantaranya kertas jawaban peserta ujian yang tidak diperbolehkan basah, terlipat,
robek hingga jawaban soal ujian yang diisukan tersebar. Untuk mengatasi
permasalahan ini, pemerintah mulai menerapkan UNBK. UNBK dimaksudkan
untuk meningkatkan efisiensi, mutu, reliabilitas, kredibilitas, dan integritas ujian.
UNBK diharapkan mampu mengurangi banyaknya kecurangan UN sehingga dapat
mengembalikan fungsi UN sebagai evaluasi pendidikan.

Hubugan Kausal 8 SNP dan PA

Delapan SNP dikelompokkan kedalam tiga unsur pokok pendidikan yaitu:

input, proses dan output. Berdasarkan beberapa teori pendidikan, standar
kompetensi lulusan (SKL) merupakan output dalam SNP. SKL akan mencapai skor
yang tinggi apabila input terpenuhi dan proses berjalan dengan baik. SNP sangat
berpengaruh terhadap capaian nilai UN (Raharjo 2014). Sekolah dengan
pencapaian SNP yang tinggi diharapkan memiliki nilai UN yang baik.
4

Beberapa pola hubungan kausal antara delapan standar nasional pendidikan

dan ujian nasional sebagai berikut:

SPT

SI
SB SPL SPN SKL PA

SPR

SSP

Gambar 1 Hubungan Kausal 8 SNP dan Prestasi Akademik (PA) Berdasarkan

Kemendiknas dan Kemenag (Ferezagia 2015, Rahma 2016)

SSP SPN

SB SPL SPR SKL PA

SPT SI

Gambar 2 Hubungan Kausal 8 SNP dan Prestasi Akademik (PA) Berdasarkan

PPMP tahun 2012

SPT SPN

SPL SSP SI SKL PA

SB SPR

Gambar 3 Hubungan Kausal 8 SNP dan Prestasi Akademik (PA) Berdasarkan

Kemdikbud tahun 2017
 5

Structural Equation Modelling

Structural Equation Modelling adalah suatu teknik multivariat yang

dikembangkan guna menutupi keterbatasan yang dimiiki oleh model-model analisis
sebelumnya yaitu model regresi, analisis jalur dan analisis faktor konfirmatori (Hox
dan Bechger 1999).
SEM memiliki dua jenis peubah, yaitu peubah laten dan peubah indikator.
Peubah laten adalah peubah yang tidak dapat diamati dan diukur secara langsung,
sehingga memerlukan indikator untuk mengukurnya. Terdapat dua bentuk peubah
laten yaitu peubah laten eksogen (ξ) dan peubah laten endogen (γ). Peubah laten
eksogen merupakan peubah laten yang tidak dipengaruhi oleh peubah laten lainya,
sedangkan peubah laten endogen merupakan peubah laten yang dipengaruhi peubah
laten lainnya dalam suatu model SEM. Peubah indikator adalah peubah yang
berperan sebagai indikator dalam suatu model SEM. Peubah indikator juga dikenal
sebagai peubah manifest, peubah teramati atau peubah terukur.
SEM mempunyai dua komponen model, yaitu model stuktural dan model
pengukuran. Model stuktural merupakan model yang menggambarkan hubungan
yang terjadi antar pebah laten. Sedangkan model pengukuran merupakan model
yang menggambarkan hubungan yang terjadi diantara peubah laten dan indikator-
indikatornya (Sarjono 2015).
Umumnya terdapat dua jenis tipe SEM yaitu SEM berbasis kovarian dan
SEM berbasis varian/komponen. SEM berbasis kovarian pertama kali
dikembangkan oleh Joreskog (1970), Keesling (1972), dan Wiley (1973).
Pendugaan SEM berbasis kovarian menggunakan metode maximum likelihood.
Penggunaan SEM berbasis kovarian sangat dipengaruhi oleh asumsi parametrik
yang harus dipenuhi seperti variabel yang di observasi memiliki sebaran normal
ganda dan observasi harus independen satu sama lain. Sampel yang kecil juga dapat
memberikan hasil estimasi parameter dan model statistik yang tidak baik bahkan
dapat menghasilkan varian negatif (Chou dan Bentler dalam Ghozali dan
Kusumadewi 2016).
Terdapat dua jenis SEM berbasis varian/komponen yaitu PLS yang
dikembangkan oleh Wold (1982) dan GSCA yang dikembangkan oleh Hwang dan
Takane (2004). PLS dan GSCA merupakan metode yang cukup powerfull oleh
karena tidak didasarkan pada banyak asumsi. Data tidak harus berdistribusi normal
ganda, indikator dengan skala kategori, ordinal, interval sampai ratio dapat
digunakan pada model yang sama, dan sampel tidak harus besar (Wold 1985).
Pendugaan parameter pada PLS menggunakan algoritma fixed-point (FP)
sedangkan GSCA menggunakan alternating least square (ALS). PLS memiliki
keterbatasan dalam mengestimasi parameter karena tidak memiliki overall
goodness of fit sehingga sulit menentukan seberapa baik model dan sulit
membandingkan dengan model alternatif. GSCA dikembangkan untuk melengkapi
kekurangan pada PLS yaitu dalam hal overall goodness of fit.

Generelized Structured Component Analysis

GSCA dipandang sebagai SEM berbasis komponen dengan peubah laten

didefinisikan sebagai komponen atau komposit tertimbang dari peubah indikator.
GSCA telah banyak digunakan pada berbagai studi psikologis dan biokimia
6

(misalnya, Hwang et al., 2012, 2013; Jung et al., 2012; Romdhani et al., 2015).
GSCA terdiri dari 3 sub model yaitu model pengukuran, model struktural dan model
pembobotan. Model pengukuran mengambarkan hubungan antara peubah indikator
dan peubah laten serta model struktural yang menghubungkan antar peubah laten.
Secara sistematis model-model tersebut dapat dinyatakan sebagai berikut (Ryoo
dan Hwang 2017):
Model pengukuran:
𝒛 = 𝜸𝑪 + 𝜺 (1)
keterangan:
𝑪 : matriks loading
𝜺 : vektor sisaan untuk 𝒛.

Model struktural:
𝜸 = 𝑩𝜸 + 𝝃 (2)
keterangan:
𝑩 : matriks koefisien jalur
𝝃 : vektor sisaan untuk 𝜸

Model pembobotan:
𝜸 = 𝑾𝒛 (3)
keterangan:
𝒛 : matriks peubah indikator
𝜸 : matriks peubah laten
𝑾 : matriks bobot komponen

Dari ketiga persamaan tersebut, diperoleh persamaan tunggal seperti

berikut:
𝒛 𝑪 𝜺
[𝜸] = [ ] 𝜸 + [𝝃]
𝑩
𝑰 𝑪 𝜺
[ ] 𝒛 = [ ] 𝑾𝒛 + [𝝃]
𝑾 𝑩
𝑰 𝑪 𝜺
Jika I adalah matriks identitas, 𝑽 = [ ] , 𝑨 = [ ] , 𝒆 = [𝝃] maka:
𝑾 𝑩
𝑽𝒛 = 𝑨𝑾𝒛 + 𝒆 (4)
Jika 𝚿 = 𝑽𝒛 dan 𝝉 = 𝑾𝒛 , maka diperoleh persamaan model GSCA sebagai
berikut (Hwang dan Takane 2004):
𝚿 = 𝝉𝑨 + 𝒆 (5)

Pendugaan Parameter

Pendugaan parameter dilakukan menggunakan menggunakan metode

alternating least square (ALS). Parameter GSCA yang tidak diketahui (V,W dan
A) diestimasi sehingga nilai kuadrat terkecil dari semua sisaan (𝒆𝒊 ) sekecil mungkin
untuk semua observasi. Hal ini setara dengan meminimalkan kriteria least square
berikut ini:
𝜙 = ∑𝑁 𝑖=1(𝑽𝒛𝒊 − 𝑨𝑾𝒛𝒊 )′(𝑽𝒛𝒊 − 𝑨𝑾𝒛𝒊 ) (6)
ALS adalah pendekatan umum untuk estimasi parameter yang melibatkan
pengelompokan parameter ke beberapa bagian dan kemudian mendapatkan kuadrat
terkecil untuk salah satu bagian parameter dengan asumsi bahwa semua parameter
 7

yang tersisa adalah konstan. Di dalam metode GSCA ini terdiri dari dua subset yaitu
A dan V, W.
Secara umum, algoritma ALS yang digunakan dalam GSCA terdiri dari 2
tahap yaitu:
1. A diduga dengan V dan W tetap
2. V dan W di duga dengan A tetap
Dalam proses mendapatkan sisaan yang minimum dilakukan dengan cara
iterasi. Iterasi akan berhenti hingga konvergen. Resampling boostrap digunakan
untuk memperhatikan kesalahan standar estimasi parameter tanpa bantuan asumsi.
Oleh karena itu resampling bootstrap dalam GSCA dilakukan setelah ALS
konvergen (Susanti 2014).

Evaluasi Model

Evaluasi model GSCA dilakukan dalam tiga tahap. Pertama evaluasi terhadap
model pengukuran dengan melihat convergent validity, discriminant validity,
composite reliability dan average variance extracted (AVE).
Convergent validity berhubungan dengan prinsip bahwa indikator dari suatu
peubah laten seharusnya berkorelasi tinggi. Convergent validity dinilai berdasarkan
nilai loading factor masing-masing indikator pembentuk peubah laten. Suatu
peubah laten dinilai mempunyai convergent validity yang baik jika nilai loading
factor lebih dari 0,70 dan signifikan.
Discriminant validity yaitu sejauh mana suatu laten benar-benar berbeda dari
laten lain. Discriminant validity yang baik jika nilai akar kuadrat AVE setiap laten
lebih besar dari pada nilai korelasi antara laten lainnya dalam model (Fornell dan
Lacker 1981). AVE adalah koefisien yang menjelaskan keragaman di dalam
indikator yang dapat dijelaskan oleh faktor umum. AVE dapat dihitung dengan
menggunakan rumus:
∑ 𝜆𝑖 2
AVE = ∑ 𝜆𝑖 2 +∑(1−𝜆𝑖 2 ) (7)
keterangan:
𝜆𝑖 : komponen loading factor
1 − 𝜆𝑖 2 = 𝑣𝑎𝑟(𝜀𝑖 ).
Composite reliability dapat digunakan untuk memeriksa seberapa baik suatu
peubah laten diukur oleh indikatornya. Composite reliability direkomendasikan
nilainya lebih besar atau sama dengan 0,70 (Hair et al. 2010). Dengan
menggunakan GSCA, composite reliability dapat dihitung dengan rumus:
(∑ 𝜆𝑖)2
𝜌𝑐 = (∑ 𝜆𝑖)2 +(∑ 1−𝜆𝑖 2 ) (8)
Kedua evaluasi model strukturalnya dengan melihat koefisien jalur dari
variabel eksogen ke endogen dan melihat nilai signifikansi.
Ketiga melihat overall goodness of fit model dengan uji FIT, AFIT, GFI dan
SRMR. FIT model didefinisikan sebagai berikut (Ryoo 2017):
∑𝑁 ′
𝑖=1(𝑽𝒛𝒊 −𝑨𝑾𝒛𝒊 ) (𝑽𝒛𝒊 −𝑨𝑾𝒛𝒊 )
𝐹𝐼𝑇 = 1 − [ ∑𝑁 ′ ′ ] (9)
𝑖=1(𝒛𝒊 𝑽 𝑽𝒛𝒊 )
Nilai FIT berada pada selang 0 hingga 1 dan dapat diinterpretasikan sebagai besar
keragaman data yang dapat dijelaskan oleh model. Semakin besar nilainya, semakin
besar keragaman data yang dapat dijelaskan model. Namun demikian, nilai FIT
dipengaruhi oleh kompleksitas model yaitu semakin banyak parameter maka
8

semakin tinggi pula nilai FITnya. Adjusted FIT (AFIT) dikembangkan dengan tidak
terpengaruh oleh kompleksitas model. Model dengan nilai AFIT terbesar dianggap
sebagai model terbaik. AFIT didefinisikan sebagai berikut (Ryoo 2017):
𝑑
𝐴𝐹𝐼𝑇 = 1 − (1 − 𝐹𝐼𝑇) 𝑑0 (10)
1
keterangan:
𝑑0 = N*J : derajat bebas dari model 0 (W=0 dan A=0)
𝑑1 = 𝑁 ∗ 𝐽 − 𝑘 : derajat bebas dari model yang diuji
𝑘 : banyaknya parameter.
GSCA juga memberikan 2 tambahan ukuran model fit yaitu goodness of fit
indices (GFI) dan standardized root mean square (SRMR). Misalkan 𝑆 dan Σ̂
menunjukkan matriks kovarian sampel dan matriks kovarian model pada estimasi
parameter least square. Misalkan juga 𝑠𝑗𝑞 dan 𝜎̂𝑗𝑞 menunjukkan masing-masing
elemen ke-𝑗𝑞 pada 𝑆 dan Σ̂. Maka GFI dan SRMR dapat dihitung dengan (Ryoo
2017):
2
̂)
𝑡𝑟𝑎𝑐𝑒(𝑆−Σ
𝐺𝐹𝐼 = 1 − (11)
𝑡𝑟𝑎𝑐𝑒(𝑆 2 )
𝑗 ̂𝑗𝑞 )/(𝑠𝑗𝑗 𝑠𝑞𝑞 ))2
((𝑠𝑗𝑞 −𝜎
𝑆𝑅𝑀𝑅 = √2 ∑𝐽𝑗=1 ∑𝑞=1 (12)
𝐽(𝐽+1)
Nilai GFI mendekati 1 dan SRMR mendekati 0 merupakan indikasi model yang
baik. Nilai GFI > 0.90 (McDonald dan Ho 2002) dan nilai SRMR < 0.08 (Hu dan
Bentler 1999) dianggap sebagai model yang sangat baik (good fit).

METODE PENELITIAN
Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang
merupakan data hasil akreditasi dan data hasil ujian nasional berbasis komputer
(UNBK) jenjang SMP/MTs tahun 2017 di Indonesia. Data diperoleh dari Badan
Penelitian dan Pengembangan Kementrian Pendidikan dan Kebudayaan serta dari
Pusat Penilaian Pendidikan. Data yang digunakan sebanyak 2069 sekolah, terdiri
dari 124 peubah indikator menggunakan skala likert 0 hingga 4.

Metode Analisis

Tahapan analisis data yang digunakan adalah sebagai berikut:

1. Mengeksplorasi data dengan statistika deskriptif dan korelasi antar peubah.
2. Analisis model persamaan struktural dengan SEM-GSCA, dengan tahapan
a. Mendapatkan model diagram jalur berdasarkan konsep dan teori sesuai
gambar 1, gambar 2 dan gambar 3
b. Menduga parameter, yang terdiri dari penduga bobot, penduga loading
faktor, penduga koefisien jalur dan estimasi bootstrap galat baku
c. Menguji signifikansi parameter pada model pengukuran dengan melihat
validitas dan reliabilitas dari instrument penelitian. Evaluasi terhadap
model pengukuran dengan melihat nilai convergent validity, discriminant
validity, dan AVE.
 9

d. Menguji signifikansi parameter pada model struktural.dengan melihat nilai

statistik T pada parameter model struktural serta keragaman yang mampu
dijelaskan (R2).
e. Menentukan overall goodness of fit model menggunakan ukuran FIT,
AFIT, GFI dan SRMR
f. Membuat kesimpulan.

DAFTAR PUSTAKA

Ferezagia DV. 2015. Model Persamaan Struktural Delapan Standar Nasional

Pendidikan dengan Generalized Structured Component Analysis [tesis].
Institut Pertanian Bogor.
Fornell C, Lacker DF. 1981. Evaluating structural equation models with
unobservable variable and measurement error. Journal of MarketingResearch.
18(1):39-50.
Ghozali I, Kusumadewi KA. 2016. Model Persamaan Struktural PLS-PM GSCA
RGCCA. Semarang: Yoga Pratama.
Hair JFJ, Black WC, Babin BJ, Anderson RE. 2010. Multivariate Data Analysis (7
ed.). New York: Pearson Prentice Hall.
Hox JJ, Bechger TM. 1999. An introduction to structural equation modeling.
Family Science Review. 11:354-373.
Hu LT, Bentler PM. 1999. Cutoff criteria for fit indexes in covariance structure
analysis: Conventional criteria versus new alternatives. Structural Equation
Modeling: A Multidisciplinary Journal. 6(1):1-55.
Hwang H, Takane Y. 2004. Generalized Structured Component Analysis.
Psychometrica. 69(1):81-99.
Hwang H, Jung K, Takane Y, Woodward TS. 2012. Functional multi-set canonical
correlation analysis. Psychometrika. 77:48–64.
Hwang H, Jung K, Takane Y, Woodward TS. 2013. A unified approach to multi-
set canonical correlation analysis and principal component analysis: an
application to functional neuroimaging data. Br. J. Math. Stat. Psychol.
66:308-321.
Joreskog KG. 1970. A general Method for Estimating a Linear Structural Equation
System. Educational Testing Service. Princeton: New Jersey.
Jung K, Takane Y, Hwang H, Woodward TS. 2012. Dynamics generalized
structured component analysis with applications to the analysis of effective
connectivity in functional neuroimaging data. Psychometrika. 77:827–848.
Keesling JW. 1972. Maximum Likelihood Approaches to Causal Analysis.
Unpublished Doctoral Dissertation. University of Chicago.
Kementerian Pendidikan Nasional dan Kementrian Agama. 2010. Sistem
Penjaminan Mutu Pendidikan : Panduan Teknis Evaluasi Diri Sekolah (EDS).
Jakarta (ID)
Kementerian Pendidikan dan Kebudayaan. 2012. Pedoman Pemenuhan Standar
Nasional Pendidikan Pada Sekolah Menengah Pertama (SMP)/Madrasah
Tsanawiyah (MTS). Jakarta: Badan Pengembangan Sumberdaya Manusia
Pendidikan dan Kebudayaan dan Penjaminan Mutu Pendidikan.
10

Kementerian Pendidikan dan Kebudayaan. 2017. Pedoman Umum Sistem

Penjaminan Mutu Pendidikan Dasar dan Menengah. Jakarta: Direktorat
Jenderal Pendidikan Dasar dan Menengah.
McDonald RP, Ho MHR. 2002. Principles and Practice in Reporting Structural
Equation Analyses. Psychological Methods. 7(1):64-82.
Pemerintah Republik Indonesia. 2005. Peraturan Pemerintah Republik Indonesia
Nomor 19 Tahun 2005 tentang Standar Nasional Pendidikan. Jakarta (ID):
Sekretariat Negara.
Raharjo SB. 2014. Kontribusi Delapan Standar Nasional Pendidikan terhadap
Pencapaian Prestasi Belajar. Pusat Penelitian Kebijakan, Balitbang
Kemdikbud. 470-482.
Rahma D. 2016. Pemodelan Persamaan Struktural Standar Nasional Pendidikan
Jenjang Sekolah Dasar [skripsi]. Institut Pertanian Bogor.
Romdhani H, Hwang H, Paradis G, Roy-Gagnon MH, Labbe A. 2015. Pathway-
based association study of multiple candidate genes and multiple traits using
structural equation models. Genet. Epidemiol. 39:101–113.
Ryoo JH, Hwang H. 2017. Model Evaluation in Generalized Structured Component
Analysis Using Confirmatory Tetrad Analysis. Frontiers in Psychology. 8:1-
10.
Sarjono. 2015. Structural Equation Modeling (SEM). Jakarta: Salemba Empat.
Susanti NI. 2014. Approach generalized structured component analysis (GSCA)
method for structural equation modeling unidimensional. Prosiding Seminar
Nasional Matematika, Universitas Jember.
Wold H. 1982. Soft Modeling: The Basic Design and Some Extensions. In K. G.
Jöreskog & H. Wold (Eds.). Systems Under Indirect Observations: Part II (pp.
1-54).
Wold H. 1985. Partial Least Squares. In S. Kotz & N. L. Johnson (Eds.).
Encyclopedia of Statistical Sciences. 6:581-591.
Wiley DE. 1973. The identification problem for structural equation models with
unmeasured variable. Structural Equation Models in the Social Sciences. 69-
83.