SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
TINJAUAN PUSTAKA
Standar Nasional Pendidikan (SNP)
Prestasi Akademik
SPT
SI
SB SPL SPN SKL PA
SPR
SSP
SSP SPN
SPT SI
SPT SPN
SB SPR
(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
Pendugaan Parameter
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
DAFTAR PUSTAKA