Pemodelan persamaan struktural faktor-faktor yang mempengaruhi prestasi belajar mahasiswa IPB

(1)

ABSTRAK

MUCHAMAD SAPTO ADI WIBOWO. Pemodelan Persamaan Struktural Faktor-Faktor yang Mempengaruhi Prestasi Belajar Mahasiswa IPB. Dibimbing oleh BUDI SUHARJO dan HADI SUMARNO.

Penelitian ini bertujuan untuk menentukan faktor-faktor internal dan eksternal yang berpengaruh terhadap prestasi belajar mahasiswa IPB, dan sekaligus membangun model kausalitas yang mampu menjelaskan faktor-faktor yang mempengaruhi prestasi belajar mahasiswa IPB dengan kaidah Persamaan Model Struktural (Structural Equation Model).

Penelitian ini melibatkan 230 responden, yang merupakan mahasiswa S1 (Strata Satu) seluruh fakultas di Institut Pertanian Bogor, khususnya angkatan 42 hingga 44. Mahasiswa ini dipilah menjadi 3 strata, yaitu mahasiswa dengan prestasi akademik menurun, mahasiswa dengan prestasi akademik konstan, dan mahasiswa dengan prestasi akademik meningkat.

Penelitian ini menggunakan Analisis Persamaan Model Struktural, dengan prestasi belajar (PRES) sebagai peubah laten endogennya. Untuk peubah eksogennya meliputi Kondisi Kesehatan (KON_SHT), Latar Belakang Pendidikan (LTR_PDDK), Kemampuan Verbal (KEM_VRBL), Latar Belakang Orang tua (LTR_ORTU), Faktor Ekonomi (FAK_EKO), Cita-Cita Akademik (CITA_AKD), Kegiatan Ekstrakurikuler (KEG_EKSL), Kondisi Lingkungan Tempat Tinggal (KON_TGL), Kondisi Lingkungan Kampus (KON_KMPS), serta Cara dan Motivasi Belajar (CARA_BLJ).

Dari hasil analisis Pemodelan Persamaan Struktural, dapat disimpulkan bahwa faktor-faktor yang berpengaruh terhadap prestasi belajar mahasiswa adalah Latar Belakang Pendidikan dan Kemampuan Verbal.

(2)

ABSTRACT

MUCHAMAD SAPTO ADI WIBOWO. Structural Equation Modeling of Factors Affecting IPB Students’ Achievement. Supervised by BUDI SUHARJOand HADI SUMARNO.

The aims of this study are to determine the internal and external factors that affect the achievement of IPB students, and to build a causal model explaining these factors. This study is carried out using structural equation models (SEM).

The study involve 230 respondents, which are the S1 IPB students of the entire faculties registered between 2005 until 2007. These students are stratified into 3 strata, namely students with declining, constant, and increasing academic achievements.

In the analysis using structural equation models, academic achievement is considered as endogenous latent variables. On the other hand, exogenous variables include health conditions, educational background, verbal ability, parents background, economic factors, academic goals extracurricular activities, housing condition, campus conditions, and motivation of study.

From the results of the analysis, it can be concluded that the most affecting factors of students’ achievement are educational background and verbal ability.

(3)

I PENDAHULUAN

Latar Belakang

Sebagian besar mahasiswa yang diterima IPB merupakan siswa pilihan hasil penyeleksian melalui jalur USMI (Undangan Seleksi Masuk IPB). USMI adalah suatu jalur penerimaan mahasiswa baru dengan cara menjaring lulusan terbaik SLTA dengan mempertimbangkan nilai matematika, fisika, kimia, dan biologi selama lima semester di SMU. Akan tetapi, tiap tahunnya sebagian mahasiswa IPB mengalami penurunan IPK ketika masuk dalam peralihan jenjang dari SLTA, Tingkat Persiapan Bersama (TPB) ke Program Studi. Sebagai gambaran, di bawah ini diberikan grafik yang memperlihatkan penurunan prestasi belajar pada mahasiswa departemen Manajemen Sumberdaya Lahan (MSL) angkatan 42 dan 43.

Fenomena di atas cukup menarik, karena penurunan prestasi (IPK) yang dialami oleh sebagian mahasiswa IPB begitu banyak dan bervariasi faktor yang melatarbelakanginya.

Menurut Ahmadi (1998), prestasi yang dicapai oleh setiap mahasiswa ditentukan oleh kemampuan yang dimiliki mahasiswa dan lingkungan mahasiswa itu sendiri, dengan kata lain prestasi ditentukan oleh faktor internal, faktor yang berasal dari dalam diri mahasiswa dan faktor eksternal, faktor yang berasal dari luar diri mahasiswa.

Oleh sebab itu dari begitu banyak dan bervariasinya faktor yang melatarbelakangi penurunan prestasi (IPK) mahasiswa IPB, sehingga perlu dilakukan identifikasi pengaruh dan polanya terhadap prestasi belajar (IPK).

Perumusan Masalah

Masalah yang diteliti dalam penelitian ini adalah faktor-faktor apa saja yang mempengaruhi prestasi belajar mahasiswa IPB yang dikaitkan dengan prestasi di tingkat SMU.

Tujuan

Penulisan karya ilmiah ini bertujuan : 1. Menentukan faktor-faktor internal dan

eksternal yang berpengaruh terhadap prestasi belajar mahasiswa IPB.

2. Membangun model kausalitas yang mampu menghubungkan faktor-faktor yang mempengaruhi prestasi belajar mahasiswa IPB dengan kaidah struktural. Gambar 1.

Prestasi akademik

mahasiswa MSL’42 dan MSL’43 IPB dari jenjang SMU hingga Perguruan Tinggi

(4)

II LANDASAN TEORI

Definisi 1 (Prestasi Belajar)

Prestasi belajar adalah suatu bukti keberhasilan belajar atau kemampuan seseorang siswa dalam melakukan kegiatan belajarnya sesuai dengan bobot yang dicapainya.

[Winkel, 1996]

Definisi 2 (Faktor-Faktor yang mempengaruhi prestasi)

Untuk mencapai prestasi belajar sesuai dengan yang diharapkan, maka perlu diperhatikan beberapa faktor yang mempengaruhi prestasi belajar, antara lain; faktor yang terdapat dalam diri mahasiswa (faktor internal), dan faktor yang terdiri dari luar mahasiswa (faktor eksternal). Menurut Ahmadi (1998) faktor yang mempengaruhi prestasi belajar mahasiswa itu adalah sebagai berikut :

a. Faktor internal

Faktor internal ada1ah faktor yang berasal dari dalam diri mahasiswa yang mempengaruhi prestasi belajar. Faktor ini dapat dibagi ke dalam beberapa bagian, yaitu : 1. Faktor lntelegensi

Intelegensi dalam arti sempit adalah kemampuan untuk mencapai prestasi

2. Faktor Motivasi

Motivasi belajar merupakan suatu dorongan dari dalam diri seorang untuk belajar.

3. Faktor Minat

Minat adalah kecenderungan seorang mahasiswa merasa tertarik pada suatu bidang tertentu.

4. Faktor Bakat

Bakat adalah kemampuan tertentu yang telah dimiliki seseorang sebagai kecakapan pembawaan.

5. Faktor Keadaan Fisik dan Psikis

Keadaan fisik rnenunjukkan pada tahap pertumbuhan, kesehatan jasmani, keadaan alat - alat indera dan lain sebagainya. Keadaan psikis menunjuk pada keadaan stabilitas atau labilitas mental mahasiswa, karena fisik dan psikis yang sehat sangat berpengaruh positif terhadap kegiatan belajar mengajar dan berlaku sebaliknya.

b. Faktor Eksternal

Faktor eksternal adalah faktor dari luar diri mahasiswa yang mempengaruhi prestasi belajar. Faktor eksternal dapat dibagi rnenjadi beberapa bagian, yaitu :

1. Faktor Dosen

Faktor dosen meliputi cara penyajian pelajaran, hubungan dosen dengan mahasiswa, dan kurikulum.

2. Faktor Lingkungan Keluarga

Lingkungan keluarga turut mempengaruhi kemajuan hasil kerja, bahkan mungkin dapat dikatakan menjadi faktor yang sangat penting, karena sebagian besar waktu belajar dilaksanakan di rumah.

3. Faktor Lingkungan Kampus

Faktor lingkungan kampus meliputi tersedianya fasilitas dan sarana pelajaran yang rnenunjang keberhasilan dalam proses belajar. 4. Faktor Lingkungan Masyarakat

Lingkungan alam sekitar sangat besar pengaruhnya terhadap perkembangan pribadi anak, sebab dalam kehidupan sehari-hari anak akan lebih banyak bergaul dengan lingkungan di mana anak itu berada.

Definisi 3 (Peubah Laten)

Peubah laten adalah suatu peubah yang tidak dapat diukur secara langsung tetapi dapat diukur melalui satu atau lebih peubah indikator, misalnya : motivasi belajar seseorang tidak akan pernah dapat diukur secara tepat, tetapi dengan menanyakan beberapa pertanyaan dapat diperoleh beberapa aspek dari motivasi belajar seseorang. Jawaban dari setiap pertanyaan memberikan kelayakan yang akurat untuk mengukur peubah laten untuk setiap individu.

[Hair et al, 1998]

Definisi 4 (Peubah Eksogen dan Peubah Endogen)

Peubah eksogen adalah sutau peubah yang hanya berperan sebagai penduga atau “sebab” untuk peubah lainnya di dalam suatu model dan di dalam diagram path, peubah eksogen ditandai dengan tidak ada tanda panah yang menuju ke arahnya. Sedangkan peubah endogen adalah peubah tidak bebas atau paling sedikitnya memiliki satu hubungan sebab akibat dan di dalam diagram path, peubah endogen ditandai dengan satu atau

(5)

3 = + +

 



 

y x y x        

lebih tanda panah yang menuju padanya. [Hair et al, 1998]

Definisi 5 (Peubah Indikator)

Peubah indikator adalah peubah penyusun dari suatu peubah laten atau merupakan peubah yang digunakan untuk mengukur peubah laten. Dari peubah-peubah indikator penyusun inilah dapat diperoleh informasi mengenai suatu peubah laten.

[Prasetyo, 2006]

Definisi 6 (Faktor Loading)

Faktor Loading adalah nilai yang menyatakan hubungan-hubungan antara peubah laten dengan peubah indikatornya. Faktor Loadingmemiliki rentangan nilai dari -1 sampai dengan -1, seperti koefisien korelasi.

[Hardjodipuro, 1984]

Definisi 7 (Model Persamaan Struktural) Model persamaan struktural adalah suatu model berupa gabungan dari analisis faktor dan regresi berganda yang dapat digunakan untuk menguji serangkaian hubungan dependen yang terdiri dari beberapa struktur secara serentak.

[Hair et al, 1998]

Model persamaan struktural mempunyai bentuk yang kompleks, sehingga dalam perhitungannya tidak dapat dilakukan dengan manual. Salah satu program statistik yang digunakan dalam perhitungan pemodelan persamaan struktural adalah Lisrel. Program Lisrel pertama kali diperkenalkan oleh Karl Joreskog pada tahun 1970.

Lisrel digunakan karena penilaiannya dengan kemungkinan maksimum yang didasarkan dari data yang multinormal, dan mampu mengolah data yang memiliki hubungan yang rumit dan kompleks.

[Owik, 2005]

Asumsi yang mendasari analisis pemodelan persamaan struktural antara lain:

a. tidak berkorelasi dengan b. tidak berkorelasi denganξ c. tidak berkorelasi denganξ d. , ,dan saling bebas

Menurut Garson (2006) terdapat dua model yang membangun pemodelan persamaan struktural, yaitu model struktural dan model pengukuran.

Model Struktural

Model struktural menggambarkan hubungan antara peubah laten eksogen dengan endogen. Model persamaan struktural dapat dituliskan sebagai berikut:

(1)

dengan :

= Vektor peubah laten tak bebas (latent endogenous) berukuran mxl

ξ= Vektor peubah laten bebas (latent eksogenous) berukuran nxl

β= Matriks koefisien dari berukuran mxm Γ= Matriks koefisien dari ξberukuran mxn = Vektor sisaan hubungan antara dan ξ

berukuran mxl

Model Pengukuran

Menurut Dillon (1984) model pengukuran dapat digambarkan oleh dua persamaan, yang menentukan hubungan antara peubah laten endogen dengan peubah indikator dan antara peubah laten eksogen dengan peubah indikator secara berturut-turut.

Model persamaan pengukuran untuk peubah eksogen dituliskan sebagai berikut :

(2)

(3) dengan :

y = Vektor-vektor peubah indikator yang dapat diamati secara langsung (peubah indikator) bagi berukuran pxl

x = Vektor-vektor peubah indikator yang dapat diamati secara langsung (peubah indikator) bagi ξ berukuran qxl

= Vektor-vektor galat pengukuran dari y dan x dengan ukuran masing masing pxl = Vektor-vektor galat pengukuran dari y

dan x dengan ukuran masing masing qxl Λ_y= Matriks berukuran pxm

Λ_{x = Matriks berukuran}qxn

Definisi 8 (Validitas dan Reliabilitas) Validitas dapat diartikan sebagai kemampuan suatu alat ukur dalam menggali informasi yang ingin didapatkan dari responden secara tepat mengenai hal yang ingin diukur sesuai dengan tujuan penelitian.

(6)

 



-1

 







log -log

-F_ML   



tr S



S p q Reliabilitas adalah kekonsistenan suatu

hasil pengukuran dalam mengukur nilai pada suatu obyek. [Key, 1997]

Untuk menduga nilai reliabilitas untuk masing masing peubah laten digunakan nilai construct reliability, yaitu, dihitung dengan menggunakan rumus sebagai berikut:

Dengan std.λi adalah nilai factor loading yang telah distandarkan dan ei adalah error pengukuran untuk peubah indikator ke-i dalam satu peubah laten. Nilai reliabilitas yang disarankan adalah 0,7. [Wijanto, 2008]

Definisi 9 (Jenis Data Pengukuran)

Data pengukuran dapat dibagi menjadi empat jenis, yaitu : rasio, interval, ordinal, dan nominal. [Sharma, 1996]

Data Rasio

Data rasio merupakan data yang dapat diperbandingkan secara eksak.

Data Interval

Data interval dicirikan dengan kisaran, dan merupakan data yang dapat diperbandingkan, namun tidak secara eksak.

Data Ordinal

Data ordinal menunjukkan sebuah tingkatan, dari sebuah objek secara kuantitaif. Data Nominal

Data nominal merupakan data yang bersifat mengelompokan, yaitu biasanya ditunjukkan dengan angka 1 dan 2. [Furqon, 2008]

Metode Penarikan Contoh

Secara umum, ada dua jenis teknik pengambilan sampel yaitu, probability samplingdannonprobability sampling.

Probability sampling adalah teknik pengambilan contoh yang memberikan peluang atau kesempatan yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel. Teknik ini meliputi Simple Random Sampling, Stratified Random Sampling, Systematic Random Sampling, Cluster Sampling.

Stratified Random Sampling

Pengambilan sampel yang dilakukan secara acak di setiap strata yang ada di dalam populasi.

Non Probability sampling adalah teknik pengambilan contoh yang tidak memberikan peluang atau kesempatan yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel. Teknik ini terdiri Accidental Sampling, Purposive Sampling, Quote Sampling, Snowball Sampling. [Trochim, 2006]

[List, 2007]

Analisis Lintas

Analisis lintas adalah suatu metode yang berupaya untuk menganalisa sistem pada persamaan struktural. Tujuan dari analisis lintas adalah untuk menerangkan akibat langsung dan tidak langsung dari beberapa peubah sebagai peubah sebab terhadap beberapa peubah lainnya sebagai peubah akibat. Pengaruh tak langsung dari peubah bebas terhadap suatu peubah tak bebas adalah melalui peubah lain yang disebut intervening variable atau peubah antara. Pengaruh total peubah bebas terhadap peubah tak bebas merupakan penjumlahan dari pengaruh langsung dan seluruh pengaruh tak langsung

[Garson, 2006].

Metode Pendugaan Koefisien Model

Metode yang dapat digunakan untuk menduga koefisien pada model persamaan struktural diantaranya adalah metode kemungkinan maksimum (maximum likelihood: ML), metode kuadrat terkecil tanpa pembobot (unweighted least square: ULS), metode kuadrat terkecil terboboti (weighted least square: WLS), dan metode kuadrat terkecil umum (Generalized Least Square: GLS).

Metode Kemungkinan Maksimun (ML) Menurut Garson (2006) sejauh ini model yang paling sering digunakan untuk menduga koefisien model persamaan struktural adalah metode kemungkinan maksimum.

Tujuan dari metode ini adalah meminimumkan fungsi:

dengan asumsi S dan ∑ adalah matriks-matriks definit positif, sedangkan p+qadalah banyaknya peubah teramati dalam model.









2 .

std i

Constructreliability

std

_i

e

_i











(7)

5 2 ( 1) db RMSEA n db    

0: ( ) 1: ( )

H    H   

[ 2

(

1)

1 ]

k k

AGFI

_ _

GFI

 



 



Pada metode ML diasumsikan bahwa peubah indikator adalah peubah yang datanya menyebar normal ganda sehingga akan menghasilkan penduga kemungkinan maksimum yang efisien untuk ukuran contoh yang cukup besar.

Menurut Bollen (1989), penduga ML mempunyai sifat-sifat penting yaitu tak bias secara asimtotis (ada kemungkinan berbias pada ukuran contoh yang kecil), konsisten, efisien secara asimtotis, invarian terhadap skala pengukuran (suatu pengukuran tidak mempengaruhi nilai dugaan parameter model).

Evaluasi Model

Untuk mengetahui kesesuaian atau kecocokan suatu model, diperlukan beberapa uji. Uji yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Uji Khi-kuadrat (Chi-Square test)

Ukuran kebaikan ini pada dasarnya merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal. Uji Statistik khi-kudrat dinotasikan digunakan untuk melakukan hipotesis berikut.

Dengan Σ adalah matriks input, sedangkan Σ( ) adalah matriks hasil dugaan. Hipotesis H0 menyatakan bahwa matriks dugaan dari model persamaan struktural mampu mengepas data dengan baik, sedangkan H1 berlaku sebaliknya.

χ2

bersifat sensitif terhadap besarnya contoh yang digunakan, oleh karena itu bila ukuran contoh lebih dari 200 maka harus didampingi alat uji lainnya.

[Hair et al.,1995; Tabachinck&Ridell, 1996 dalam Ferdinand, 2000]

2. Goodness of Fit Index (GFI)

Ukuran Goodnes of Fit Index (GFI) mirip dengan R2 pada analisis regresi biasa, yang pada dasarnya merupakan ukuran seberapa besar model mampu menerangkan keragaman data.

Formula GFI adalah :

Model dengan GFI ≥ 0.90 dapat dikatakan model sudah didukung oleh data.

[Sharma,1996]

3. Root Mean Square Residual(RMSR) RMSR didefinisikan sebagai berikut:

= ₊ − ₊ ₊

牣

RMSR merupakan akar dari rata-rata sisaan kuadrat, dimana sisaannya adalah selisih antara matriks input dengan matriks hasil dugaan (Hair et al., 1998).

RMSR digunakan untuk membandingkan dua model dari data yang sama (Dillon dan Goldstein, 1984). Model yang mempunyai RMSR lebih kecil dibandingkan dengan model lainnya dikatakan model tersebut lebih baik dalam mengepas data.

4. Root Mean Square Error Approximation (RMSEA)

Nilai RMSEA merupakan ukuran ketidakcocokan suatu model, sehingga diharapkan nilainya kecil.

dengan adalah nilai khi-kuadrat model, db adalah derajat bebas dan n adalah ukuran sampel. Suatu model dapat dikatakan cocok dengan data apabila nilai RMSEA ≤0.08

[Hair et al., 1995]

5. Adjusted Goodness of Fit Index(AGFI) Ukuran Adjusted Goodness of Fit Index (AGFI) merupakan modifikasi dari GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan.

Formula AGFI adalah :

Model yang sesuai dengan data empiris adalah model dengan nilai AGFI ≥0.90.

[Sharma, 1996]

6. Non-normed Fit Index(NNFI)

NNFI awalnya dikembangkan sebagai rata-rata dalam mengevaluasi analisis faktor, kemudian dipakai dalam model persamaan struktural. NNFI mengkombinasi sebuah ukuran parsimonius ke dalam indeks





 

2 1 ˆ ₁ 1 2 1 ˆ tr S GFI tr S       

























(1)(1) 21

r rd bGFI AGF I 

(8)

2 2

proposed null

df_null df_proposed NNFI

null df_null

 

  



 

 

   

 _{ } _

 

 

 

2 2

null proposed NFI

null

 

  

perbandingan antara model yang diusulkan dengan model awal (null model).

Nilai yang dianjurkan untuk NNFI adalah 0.90 atau lebih.

[Hair et al, 1998]

7. Normed Fit index(NFI)

NFI mengukur kesesuaian relatif antara model yang diusulkan dengan model awal.

Formula

Kriteria: NFI ≥0.90

[Hair et al, 1998]

Interpretasi Koefisien Lintas

Hubungan antara peubah laten dengan peubah indikator dapat diinterpretasikan seperti interpretasi nilai standardized factor loading. Interpretasi nilai standardized factor loading adalah seberapa besar kontribusi factor loading yang sudah distandardisasikan terhadap peubah tak bebas.

(9)

Bahan

Data yang digunakan dalam adalah data yang dipero pengisian kuesioner oleh mahasiswa strata satu seluruh Institut Pertanian Bogor hingga 44.

Pengumpulan data denga stratified random sampling penelitian yang dilakukan, jumlah populasi besar, oleh yang digunakan adalah

Keterangan:

n : jumlah contoh yang akan diteliti : nilai yang ditentuka

dugaan interval keyakinan

σ : simpangan baku

е : galat atau kesalahan co diinginkan peneliti

dalam hal ini peneliti menentukan contoh yang diinginkan adala mahasiswa, dengan diketa pendahuluan dari n=30 diperoleh simpangan baku 0.48, dan diinginkan interval 95%, sehingga berdasarkan besarnya galat (e) adalah diartikan bahwa perbedaan IPK mahasiswa contoh dengan IPK yang sesungguhnya tida

Berdasarkan daya tampung pada Lampiran 1 dan contoh yang ingin diamati

Pengujian

Model Prestasi Belajar

III BAHAN DAN METODE

digunakan dalam penelitian ini yang diperoleh dari hasil sioner oleh responden yaitu satu seluruh fakultas di Bogor dari angkatan 42

data dengan menggunakan sampling. Berdasarkan dilakukan, diketahui bahwa besar, oleh karena itu rumus

[Walpole dkk, 1995]

: jumlah contoh yang akan diteliti yang ditentukan oleh dugaan interval keyakinan

at atau kesalahan contoh yang neliti

peneliti menentukan jumlah ginkan adalah sebesar 230 dengan diketahui contoh uji n=30 mahasiswa MSL simpangan baku IPK (σ) adalah diinginkan interval keyakinannya berdasarkan hasil perhitungan adalah 0.06, jadi dapat perbedaan antara nilai tengah contoh dengan nilai tengah gguhnya tidak lebih dari 0.06.

= 0.06 daya tampung program studi

dan banyaknya jumlah diamati tersebut, dapat

dilakukan perhitungan untuk seberapa banyak contoh untuk fakultas, yang dapat dilihat pada La

Dalam penelitian ini peubah yang diamati adalah prestasi oleh peubah indikator, yaitu peubah laten eksogen yang memiliki p terhadap prestasi adalah sebag 1. Kondisi Kesehatan 2. Latar Belakang Pendidikan 3. Kemampuan Verbal 4. Latar Belakang Orang tua 5. Faktor Ekonomi

6. Cita-Cita Akademik 7. Kegiatan Ekstrakurikuler

8. Kondisi Lingkungan Tempat Tinggal 9. Kondisi Lingkungan Kampus 10. Cara dan Motivasi Belajar

Metode

Tahapan yang dilakukan ini adalah sebagai berikut: 1. Pembuatan kuesioner, yang

pada Lampiran 3.

2. Pengambilan data melalui kuesioner oleh respo mahasiswa IPB angkatan yang sudah ditentukan sebelu 3. Analisis data:

Secara garis besar,

penelitian ini dapat dijelaskan Gambar 2, yaitu sebagai berik a. Spesifikasi model,

merupakan pembent persamaan struktural. Konsep model persa dapat dilihat pada Gambar 3

Gambar 2. Diagram Tahapan Pengolahan Data Spesifikasi Model Indetifikasi M

Pendugaan Para Pengujian Kesesuaian Model

Sesuai?

Ya Tidak Respesifi

Model lajar

perhitungan untuk menentukan contoh untuk masing masing apat dilihat pada Lampiran 2.

ini peubah laten endogen prestasi yang dibangun indikator, yaitu IPK. Peubah yang memiliki pengaruh restasi adalah sebagai berikut:

ndidikan

Latar Belakang Orang tua

urikuler

ungan Tempat Tinggal ungan Kampus

i Belajar

dilakukan dalam penelitian

kuesioner, yang dapat dilihat

data melalui pengisian oleh responden, yaitu angkatan 42 hingga 44 ntukan sebelumnya.

besar, tahapan pada dapat dijelaskan melalui yaitu sebagai berikut:

model, pada tahapan ini pembentukan model awal struktural.

model persamaan struktural ilihat pada Gambar 3

Indetifikasi Model

arameter

Respesifikasi Model

(10)

(11)

Tabel 1. Peubah laten dan indikator

Peubah Laten Indikator

Deskripsi Lambang

Kondisi Kesehatan (KON_SHT)

Mengidap penyakit X11

Banyak penyakit X12

Jenis penyakit X13

Kebiasaan sarapan X14

Kebiasaan merokok X15

Rutinitas berolahraga X16

Latar Belakang Pendidikan (LTR_PDDK)

Asal SLTA X21

Status SLTA X22

Nilai UN X23

Kemampuan Verbal (KEM_VRBL)

Kemampuan berbahasa Inggris X31

Tingkat kemampuan berbahasa Inggris X32

Latar Belakang Orang tua (LTR_ORTU)

Kelengkapan orang tua X41

Orang tua yang masih ada Banyak saudara tanggungan

X42 X43

Pendidikan terakhir ayah X44

Pendidikan terakhir ibu X45

Pekerjaan ayah X46

Pekerjaan ibu X47

Faktor Ekonomi (FAK_EKO)

Sumber pemasukan bulanan X51

Banyak sumber pemasukan bulanan X52

Kelancaran kiriman X53

Rata rata pemasukan per bulan di luar biaya kos X54 Rata rata pengeluaran per bulan di luar biaya kos X55 Cita cita Akademik

(CITA_AKD)

Kesesuaian jurusan X61

Cita-cita pendidikan terkhir yang ingin dicapai X62

Kegiatan Ektrakurikuler (KEG_EKSL)

Keikutsertaan kegiatan ekstrakurikuler X71 Jenis kegiatan ekstrakurikuler yang diikuti X72 Banyak kegiatan ekstrakurikuler yang diikuti X73 Keaktifan dalam kegiatan ekstrakurikuler X74

Kondisi Lingkungan Tempat Tinggal (KON_TGL)

Tempat tinggal X81

Jumlah teman sekamar X82

Fasilitas tempat tinggal X83

Keramaian tempat tinggal X84

Jarak tempat tinggal dengan kampus X85

Kondisi Lingkungan Kampus

(KON_KMPS)

Kenyamanan ruang kuliah X91

Kenyamanan ruang praktikum X92

Kelengkapan Fasilitas kuliah X93

Kelengkapan Fasilitas praktikum X94

Kesesuaian materi kuliah dengan ujian X95

Penyampaian materi X96

Cara dan Motivasi Belajar (CARA_BLJ)

Cara belajar X101

Preferensi lingkungan belajar X102

Kebiasaan jadwal belajar X103

Alokasi waktu belajar X104

Keaktifan mencari bahan penunjang kuliah X105 Prestasi

(12)

b. Identifikasi model, dimaksudkan untuk yang akan diuji model under-identified, yang memiliki df tersebut tidak memiliki yang diharapkan adalah memiliki solusi, yaitu identified dan model Model just-identified model yang memiliki model tersebut memiliki solu dan model yang lebih model over-identified, memiliki df> 0, artinya memiliki solusi banyak model dilakukan dengan banyaknya peubah dalam model (p+q) parameter model yang (t).

dengan:

p : Banyaknya peuba peubah laten ekso q : Banyaknya peuba

peubah laten endo

model, pada tahapan ini untuk memastikan model diuji bukan merupakan identified, yaitu model df < 0, artinya model tidak memiliki solusi. Model diharapkan adalah model yang

solusi, yaitu model just-dan model over-identified.

identified merupakan memiliki df = 0, artinya model tersebut memiliki solusi tunggal, yang lebih disukai adalah identified, model yang > 0, artinya model tersebut solusi banyak. Identifikasi ukan dengan memeriksa peubah indikator yang ada model (p+q), dan banyaknya model yang akan diestimasi

ya peubah indikator dari peubah laten eksogen dalam model

ya peubah indikator dari peubah laten endogen dalam model

t : Banyaknya parameter akan diestimasi c. Pendugaan Parameter,

untuk memperoleh sta diusulkan dengan tahapan: matriks kovarian dari mengestimasi parameter metode MLE (Maximum d. Analisis model pengukuran,

ini dilakukan uji reliabilita menggunakan construct uji kecocokan denga Khi-kuadrat, GFI, RMSR, AGFI, NNFI, NFI.

e. Pengujian koefisien menggunakan uji-T. f. Respesifikasi model

menghilangkan koefisien tidak berarti atau menambah model yang didasarkan empirik. Tujuan respesifi modifikasi model

model yang sesederhana untuk mendapatkan model dengan data dan mampu fenomena yang diteliti. g. Interpretasi hasil

Banyaknya parameter model yang

Parameter, dimaksudkan memperoleh statistik model yang dengan tahapan: membentuk kovarian dari data input, parameter model dengan (Maximum Likelihood). model pengukuran, pada tahap

uji reliabilitas dengan construct reliability dan kecocokan dengan menggunakan

GFI, RMSR, RMSEA,

koefisien model dengan T.

model dengan menghilangkan koefisien jalur yang atau menambah jalur pada didasarkan kepada hasil Tujuan respesifikasi atau model adalah mencari sesederhana mungkin an model yang sesuai dan mampu menjelaskan yang diteliti.

(13)

Gambar 4.

Persentase jenis kelamin responden Profil Responden

Pengambilan data dilakukan mahasiswa IPB angkatan Berdasarkan jenis kelamin penelitian ini dapat dikatakan proporsional dalam pengambilan karena dapat dilihat Gamb sebanyak 50.40% responden laki laki dan sebanyak perempuan.

Sementara itu, berdasar sebagian besar responden menikah, yaitu sebesar sedangkan sebanyak 0.9% Kategori status responden untuk dijadikan sebagai salah mempengaruhi prestasi belaja perbandingan persentase yang belum menikah denga menikah sangat besar, status responden belum sebagai salah satu faktor yang prestasi belajar.

Tabel 2. Persentase jenis responden Peubah Frekuensi Status : Belum menikah Menikah 169

Institut Pertanian Bogor penerimaan mahasiswa baru USMI lebih besar dibandi yang lain. Hal ini terlihat bahwa mahasiswa yang dalam penelitian ini sebagian jalur USMI, yaitu sebear 27.39% responden melalui

5 49.60%

Gambar 5. Persentase jalur masuk respond

Gambar 4.

jenis kelamin responden

IV HASIL DAN PEMBAHASAN

data dilakukan terhadap 230 angkatan 42, 43, dan 44. jenis kelamin responden, dapat dikatakan sudah cukup pengambilan contohnya, dilihat Gambar 4, bahwa responden berjenis kelamin sebanyak 49.60% responden

berdasarkan statusnya, responden berstatus belum sebesar 99.1% responden, sebanyak 0.9% telah menikah. responden ini cukup menarik sebagai salah satu faktor yang prestasi belajar, namun karena persentase antara responden menikah dengan yang telah besar, sehingga kategori belum dapat digunakan faktor yang mempengaruhi

jenis kelamin dan status

Frekuensi Persentase

169 2

99.1% 0.9%

n Bogor mengalokasikan mahasiswa baru melalui jalur dibanding dari jalur-jalur hat dalam Gambar 6, yang menjadi responden ini sebagian besar melalui sebear 64.78%, sedangkan melalui jalur SPMB,

7.39% responden melalui 0.43% responden melalui jalur

Pada Tabel 3 dapat dilihat SLTA dan status SLTA respo besar responden berasal dengan 77.4%, dan sebanyak dari pulau Sumatera, 1.3% pulau Sulawesi, 0.9% responden Kalimantan, 0.4% responden Maluku, 0.4% responden dari Hal ini memperlihatkan bahwa IPB masih didominasi oleh berasal dari Pulau Jawa, dan sedikit mahasiswa dari Indonesia yang menimba ilmu di IPB. Tabel 3. Persentase asal SLTA

SLTA responden Peubah

Asal SLTA : Pulau Jawa Pulau Sumatera Pulau Sulawesi Pulau Kalimantan Pulau Maluku Pulau Papua Status SLTA : Negeri unggulan Negeri non-unggulan Swasta unggulan Swasta non- unggulan

Sebesar 63.04% responden persentase terbesar respond SLTA negeri unggulan, 18.26

50.40%

Laki laki Perempuan

Gambar 5.

responden ke IPB melalui jalur BUD, dan responden melalui jalur PIN.

dapat dilihat daerah asal SLTA responden. Sebagian berasal dari pulau Jawa sebanyak 19.6% reponden Sumatera, 1.3% responden dari 0.9% responden dari pulau responden dari pulau responden dari pulau Papua. memperlihatkan bahwa mahasiswa didominasi oleh mahasiswa yang Jawa, dan masih sangat dari Indonesia bagian timur mu di IPB.

asal SLTA dan status SLTA responden Presentase 77.4% 19.6% 1.3% 0.9% 0.4% 0.4% 63.04% 18.26% 15.65% 3.04%

responden dan merupakan responden berasal dari unggulan, 18.26% responden

(14)

Gambar 6.

Persentase rata rata pengeluaran responden/bulan

Gambar 7.

Persentase kesesuaian minat jurusan responden

berasal dari SLTA negeri non-unggulan, 15.65% responden berasal dari SLTA swasta unggulan, 3.04% responden berasal dari SLTA swasta non-unggulan.

Mahasisawa IPB sebagian besar berasal dari keluarga ekonomi menengah. Berdasarkan rata rata pengeluaran responden (Gambar 6), terdapat 48.26% responden memiliki rata rata pengeluaran antara Rp 400.000 hinggaRp 600.000, 25.22% responden memiliki rata rata pengeluaran antara Rp 600.000 hingga Rp 800.000, 16.09% responden memiliki rata rata pengeluaran < Rp 400.000, 10.43% responden memiliki rata rata pengeluaran ≥ Rp 800.000.

Kesesuaian antara minat mahasiswa dengan jurusan yang diambil merupakan salah satu faktor yang menarik untuk dilihat pengaruhnya terhadap prestasi belajar. Dari pengambilan contoh, diperoleh responden berdasarkan kesesuaian minat jurusannya, yaitu sebanyak 60.87% responden yang merasa sesuai dengan jurusan yang sudah diambil, sebanyak 25.65% responden yang merasa sangat sesuai dengan jurusan yang sudah diambil, sebanyak 13.04% responden yang merasa tidak sesuai dengan jurusan yang sudah diambil, dan sebanyak 0.43% responden yang merasa sangat tidak sesuai dengan jurusan yang sudah diambil. Adanya mahasiswa yang merasa tidak sesuai atau sangat tidak sesuai dengan jurusan yang diambil kemungkinan karena sistem pemilihan jurusan pada mahasiswa angkatan 42 dan 43 tidak dari sekolahan melainkan

harus berjuang untuk mendapatkan IPK yang tinggi dan harus bersaing dengan mahasiswa yang lain pula untuk dapat masuk ke jurusan yang diinginkan, sebab setiap jurusan sudah memiliki kriteria IPK dan nilai mata kuliah minimal yang harus dipenuhi dan dengan batas daya tampung yang sudah ditetapkan. Oleh karena itu mahasiswa yang tidak dapat memenuhi kriteria IPK dan nilai mata kuliah minimal jurusan yang diinginkan harus terlempar ke jurusan yang lain.

Berdasarkan nilai UN yang diraih, sebagian besar responden mendapatkan nilai UN pada interval 2.75 < UN ≤ 3.η, yaitu sebanyak 50.43%, responden dengan nilai UN > 3.5 sebanyak 44.78%, dan reponden dengan nilai UN ≤ 2.7η sebanyak ζ.78%.

Tabel 4. Persentase nilai UN dan IPK responden

Peubah Frekuensi Persentase

Nilai UN : > 3.5

2.75 < UN ≤ 3.η ≤ 2.7η

103 116 11

44.78% 50.43% 4.78% IPK:

> 3.5

2.75 < UN ≤ 3.η ≤ 2.7η

50 45 135

21.74% 19.57% 58.70% Berdasarkan IPK yang diraih, sebagian besar responden mendapatkan IPK ≤ 2.7η sebanyak 58.70%, responden dengan IPK > 3.5 sebanyak 21.74%, dan reponden dengan

(15)

Gambar 8.

Konsep model menghitung Construct reliabilitypada masing-masing setiap

peubah laten

IPK yang berada pada interval 2.75 < IPK ≤ 3.5 sebanyak 19.57%.

Data di atas menunjukkan sebagian besar responden berasal dari SLTA negeri unggulan dan responden memiliki nilai UN yang cukup tinggi yaitu > 3, namun berbanding terbalik dengan IPK yang dimiliki, yaitu ≤ 2.7η. Hal ini semakin memperkuat asumsi bahwa sebagian besar mahasiswa IPB yang merupakan siswa siswa yang berprestasi dan unggulan di SLTA namun prestasinya menurun ketika di perguruan tinggi.

Construct Reliability

Keterhandalan masing masing peubah laten eksogen dapat diketahui dengan mengitung construct reliability-nya, yaitu dari standardized factor loading peubah indikator indikatornya. Dengan konsep model pada Gambar 8 di bawah ini.

Hasil perhitungan disajikan sebagai berikut:

Tabel 5. Nilai Construct Reliability masing masing Peubah Laten Eksogen Peubah

Laten Eksogen

Reliabilitas

KON_SHT 0.71

LTR_PDDK 0.30

KEM_VRBL 1.00

LTR_ORTU 0.76

FAK_EKO 0.50

CITA_AKD 0.64

KEG_EKSL 0.75

KON_TGL 0.50

KON_KMPS 0.91

CARA_BLJ 0.60

Suatu peubah laten dapat dinyatakan reliabel jika nilai Construct Reliability-nya ≥ 0.7, sehingga jika melihat nilai Construct Reliability pada tiap peubah laten di atas, peubah laten KON_SHT, KEM_VRBL, LTR_ORTU, KEG_EKSL, dan KON_KMPS yang mampu menjelaskan peubah laten Prestasi belajar.

Peubah laten yang lain, seperti LTR_PDDK, FAK_EKO, CITA_AKD, KON_TGL, dan CARA_BLJ tidak mampu menjelaskan peubah laten Prestasi belajar.

Oleh karena itu diberikan penghitungan Construct Reliability untuk tiap peubah laten yang lebih lengkap sebagai berikut :

Kondisi Kesehatan

Peubah laten kondisi kesehatan terdiri dari 7 buah indikator yaitu: Mengidap penyakit (X11), Banyak penyakit (X12), Jenis penyakit (X13), Kebiasaan sarapan (X14), Kebiasaan merokok (X15), Rutinitas berolahraga (X16).

Peubah indikator Mengidap penyakit (X11), Banyak penyakit (X12), Jenis penyakit (X13) memiliki koefisien yang relatif besar, masing masing 1.00; 0.91; 0.91. Sebaliknya peubah Kebiasaan merokok (X15) memiliki koefisien yang bernilai negative, yaitu -0.18.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten KON_SHT dengan menggunakan pendekatan Construct Reliability.

Tabel 6. Nilai Construct Reliability Peubah Laten Kondisi kesehatan

Indikator Standardized Loading

Nilai T

X11 1.00 21.21

X12 0.91 17.85

X13 0.91 17.83

X14 0.15 2.21

X15 - 0.18 -2.72

X16 0.05 0.80

Construct Reliability 0.71 Nilai Construct Reliability Peubah Laten Kondisi kesehatan memenuhi nilai yang direkomendasikan yaitu 0.71 ≥ 0.7, dan dari keseluruhan peubah indikator memiliki nilai t > 1.96, kecuali peubah Rutinitas berolahraga (X16).

Latar Belakang Pendidikan

Peubah laten latar belakang pendidikan terdiri dari 3 buah indikator yaitu: Asal SLTA (X21), Status SLTA (X22), Nilai UN (X23).

(16)

Peubah Asal SLTA (X21), Status SLTA (X22), dan Nilai UN (X23) dalam membangun peubah LTR_PDDK memiliki koefisien yang relatif kecil dengan nilai masing masing sebesar 0.26; 0.51; 0.28.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten LTR_PDDK dengan menggunakan pendekatan Construct Reliability.

Tabel 7. Nilai Construct Reliability Peubah Laten Latar Belakang Pendidikan Indikator Standardized

Loading

Nilai T

X21 0.26 1.75

X22 0.51 1.90

X23 0.28 1.78

Construct Reliability 0.30 Nilai Construct Reliability Peubah Laten latar belakang pendidikan tidak memenuhi nilai yang direkomendasikan yaitu 0.30 < 0.7, dan dari keseluruhan peubah indikator memiliki nilai t < 1.96. Oleh karena itu ketiga peubah indikator tersebut tidak mampu menjelaskan peubah laten latar belakang pendidikan.

Kemampuan Verbal

Peubah laten Kemampuan Verbal terdiri dari 2 buah indikator yaitu: Kemampuan berbahasa inggris (X31), Tingkat kemampuan berbahasa inggris (X32).

Peubah indikator Kemampuan berbahasa inggris (X31), Tingkat kemampuan berbahasa inggris (X32) memiliki koefisien yang relatif besar, masing masing 0.99; 1.00.

Dari hasil penghitungan dengan menggunakan pendekatan Construct Reliability diperoleh sebagai berikut:

Tabel 8. Nilai Construct Reliability Peubah Laten Kemampuan Verbal

Indikator Standardized Loading

Nilai T

X31 0.99 21.19

X32 1.00 21.58

Construct Reliability 1.00 Nilai Construct Reliability Peubah Laten Kemampuan Verbal memenuhi nilai yang direkomendasikan yaitu 1.00 ≥ 0.7, dan dari keseluruhan peubah indikator memiliki nilai t > 1.96. Oleh karena itu kedua peubah indikator tersebut mampu menjelaskan peubah laten Kemampuan Verbal.

Latar Belakang Orang tua

Peubah laten latar belakang orang tua terdiri dari 7 buah indikator yaitu: Kelengkapan orang tua (X41), Orang tua yang masih ada (X42), Jumlah suadara tanggungan (X43), Pendidikan terakhir ayah (X44), Pendidikan terakhir ibu (X45), Pekerjaan ayah (X46), Pekerjaan ibu (X47).

Peubah indikator Kelengkapan orang tua (X41), Orang tua yang masih ada (X42), Pendidikan terakhir ayah (X44), Pendidikan terakhir ibu (X45), Pekerjaan ayah (X46), Pekerjaan ibu (X47). memiliki koefisien, masing masing 1.00; 0.99; 0.29; 0.29; 0.51; 0.12. Sebaliknya peubah Jumlah suadara tanggungan (X43) memiliki koefisien yang bernilai negatif, yaitu -0.17.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten LTR_ORTU dengan menggunakan pendekatan Construct Reliability.

Tabel 9. Nilai Construct Reliability Peubah Laten Latar Belakang Orang tua Indikator Standardized

Loading

Nilai T

X41 1.00 21.19

X42 0.99 21.18

X43 - 0.20 - 3.52

X44 0.26 4.15

X45 0.25 4.14

X46 0.99 6.08

X47 0.16 2.51

Construct Reliability 0.76 Nilai Construct Reliability Peubah Laten latar belakang orang tua memenuhi nilai yang direkomendasikan yaitu 0.76 ≥ 0.7.

Faktor Ekonomi

Peubah laten faktor ekonomi terdiri dari 6 buah indikator yaitu: Sumber pemasukan bulanan (X51), Banyak sumber pemasukan bulanan (X52), Kelancaran kiriman (X53), Rata rata pemasukan bulanan (X54), Rata rata pengeluaran bulanan (X55).

Peubah Rata rata pengeluaran bulanan (X55) memiliki koefisien yang bernilai negative, yaitu -0.29.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten FAK_EKO dengan menggunakan pendekatan Construct Reliability.

(17)

Tabel 10. Nilai Construct Reliability Peubah Laten Faktor Ekonomi

Indikator Standardized Loading

Nilai T

X51 1.00 21.40

X52 0.80 14.55

X53 0.02 0.34

X54 0.05 0.80

X55 -0.02 -0.29

Construct Reliability 0.50

Nilai Construct Reliability Peubah Laten faktor ekonomi memenuhi nilai yang direkomendasikan yaitu 0.50 ≤ 0.7.

Cita Cita Akademik

Peubah laten cita cita akademik terdiri dari 2 buah indikator yaitu: Kesesuaian jurusan (X61), Cita cita pendidikan terakhir (X62).

Peubah Kesesuaian jurusan (X61) dalam membangun peubah CITA_AKD memiliki koefisien yang relatif kecil dengan nilai sebesar 0.29. Sedangkan peubah Cita cita pendidikan terakhir (X62) memiliki koefisien yang bernilai negatif, -1.00.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten CITA_AKD dengan menggunakan pendekatan Construct Reliability.

Tabel 11. Nilai Construct Reliability Peubah Laten Cita Cita Akademik

Indikator Standardized Loading

Nilai T

X61 0.99 20.91

X62 0.29 4.51

Construct Reliability 0.64 Nilai Construct Reliability Peubah Laten cita cita akademik memenuhi nilai yang direkomendasikan yaitu 0.64 ≤ 0.7.

Kegiatan Ekstrakurikuler

Peubah laten kegiatan ekstra kurikuler terdiri dari 4 buah indikator yaitu: Keikusertaan kegiatan ekstrakurikuler (X71), Jenis kegiatan ekstrakurikuler (X72), Banyak kegiatan ekstrakurikuler (X73), Keaktifan dalam kegiatan ekstrakurikuler (X74).

Peubah indikator Keikusertaan kegiatan ekstrakurikuler (X71), Jenis kegiatan ekstrakurikuler (X72), Banyak kegiatan ekstrakurikuler (X73), Keaktifan dalam kegiatan ekstrakurikuler (X74). memiliki koefisien yang relatif besar, masing masing 0.84; 0.58; 0.59; 0.61.

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten KEG_EKSL dengan menggunakan pendekatan Construct Reliability.

Tabel 12. Nilai Construct Reliability Peubah Laten Kegiatan Ekstra Kurikuler Indikator Standardized

Loading

Nilai T

X71 0.84 12.55

X72 0.58 8.49

X73 0.59 8.70

X74 0.61 9.00

Construct Reliability 0.75 Nilai Construct Reliability Peubah Laten Kondisi kesehatan memenuhi nilai yang direkomendasikan yaitu 0.75 ≥ 0.7, dan dari keseluruhan peubah indikator memiliki nilai t > 1.96. Oleh karena itu keempat peubah indikator tersebut mampu menjelaskan peubah laten kegiatan ekstra kurikuler.

Kondisi Lingkungan Tempat Tinggal Peubah laten kondisi lingkungan tempat tinggal terdiri dari 5 buah indikator yaitu: Tempat tinggal (X81), Jumlah teman sekamar (X82), Fasilitas tempat tinggal (X83),Keramaian tempat tinggal (X84), Jarak tempat tinggal dengan kampus (X85).

Di bawah ini diberikan hasil penghitungan reliabilitas peubah laten KON_TGL dengan menggunakan pendekatan Construct Reliability.

Tabel 13. Nilai Construct Reliability Peubah Laten Kondisi Lingukan Tempat Tinggal

Indikator Standardized Loading

Nilai T

X81 1.00 21.40

X82 0.23 3.60

X83 0.01 0.16

X84 0.01 0.22

X85 0.62 10.52

Construct Reliability 0.50

Nilai Construct Reliability Peubah Laten cita cita akademik tidak memenuhi nilai yang direkomendasikan yaitu 0.50 ≤ 0.7.

Kondisi Lingkungan Kampus

Peubah laten kondisi lingkungan kampus terdiri dari 6 buah indikator yaitu: Kenyamanan ruang kuliah (X91), Kenyamanan ruang praktikum (X92), Kelengkapan fasilitas kuliah (X93),

(18)

Kelengkapan fasilitas praktikum Kesesuaian materi kuliah de Penyampaian materi (X96)

Peubah indikator Kenya kuliah (X91), Kenyamanan (X92), Kelengkapan fasilitas Kelengkapan fasilitas praktikum Kesesuaian materi kuliah dengan Penyampaian materi (X96) yang relatif besar, masing 0.92; 0.88; 0.65; 0.72.

Di bawah ini diberikan reliabilitas peubah laten KON_K menggunakan pendekatan Reliability.

Tabel 14. Nilai Construct Laten Kondisi Li Indikator Standardized Loading X91 0.72 X92 0.79 X93 0.92 X94 0.88 X95 0.65 X96 0.72 Construct Reliability

Nilai Construct Reliability Kondisi kesehatan memenuhi direkomendasikan yaitu 0.91 keseluruhan peubah indikator > 1.96. Oleh karena itu indikator tersebut mampu me laten kondisi lingkungan ka Cara dan Motivasi Belajar

Peubah laten Cara dan terdiri dari 5 buah indikator (X101), Preferensi lingkunga Kebiasaan jadwal belajar waktu belajar (X104), bahan penunjang kuliah (X105)

Di bawah ini diberikan

reliabilitas peubah laten CARA_BLJ menggunakan pendekatan Reliability.

Tabel 15. Nilai Construct Laten Cara dan Mo Indikator Standardized

Loading

X101 0.30

X102 1.00

X103 1.00

fasilitas praktikum (X94), kuliah dengan ujian (X95), materi (X96).

indikator Kenyamanan ruang Kenyamanan ruang praktikum Kelengkapan fasilitas kuliah (X93), fasilitas praktikum (X94), kuliah dengan ujian (X95), materi (X96) memiliki koefisien masing masing 0.72; 0.79;

diberikan hasil penghitungan laten KON_KMPS dengan pendekatan Construct

ruct Reliability Peubah Laten Kondisi Lingkungan Kampus

Standardized Loading Nilai T 0.72 12.25 0.79 14.14 0.92 17.88 0.88 16.58 0.65 10.82 0.72 12.34 0.91 Reliability Peubah Laten

memenuhi nilai yang yaitu 0.91 ≥ 0.7, dan dari indikator memiliki nilai t karena itu keenam peubah mampu menjelaskan peubah gkungan kampus.

elajar

Cara dan Motivasi Belajar uah indikator yaitu: Cara belajar lingkungan belajar (X102), belajar (X103), Alokasi (X104), Keaktifan mencari

h (X105).

diberikan hasil penghitungan laten CARA_BLJ dengan pendekatan Construct

Construct Reliability Peubah Laten Cara dan Motivasi Belajar

Standardized Loading Nilai T 0.30 5.73 1.00 21.53 1.00 21.44

X104 - 0.02

X105 - 0.18

Construct Reliability

Nilai Construct Reliability Cara dan motivasi belajar nilai yang direkomendasikan yait Pendugaan Parameter M

Dari hasil estimasi menggunakan Maximum Likelihood, yang SIMPLIS Project-nya pada diperoleh hasil uji kelayakan 16 dan Gambar 9 di bawah ini. Tabel 16. Hasil uji kelayakan

Tabel di atas menunjukkan sebagian besar uji kelayakan memenuhi nilai ideal dari kriteria yang baik, dan untuk hasil model secara keseluruhan dapat Lampiran 5. Namun, masih yang belum memenuhi nilai AGFI dan NFI. Hal tersebut terdapat peubah indikator signifikan terhadap masing latennya, sehingga harus model agar dihasilkan model Berdasarkan nilai construct beberapa peubah indikator dikeluarkan di antaranya berikut: Kebiasaan sarapan

merokok (X15), Rutinitas berolahraga Asal SLTA (X21), Nilai UN

saudara tanggungan (X4 terakhir ayah (X44), Pendidi (X45), Pekerjaan ibu (X47) kiriman(X53), Rata rata pemasukan (X54), Rata rata pengeluaran Cita cita akademmik (X62)

sekamar (X82), Fasilitas tempat tinggal (X8 Keramaian tempat tinggal

waktu belajar (X104), Keaktifan bahan penunjang kuliah

Kriteria Nilai kritis Relatif kecil Nilai p≥ 0.0η

GFI ≥ 0.90

RMSR ≤ 0.0η

RMSEA ≤ 0.08

AGFI ≥ 0.90

NNFI ≥ 0.90

NFI ≥ 0.90

0.02 - 0.30 0.18 - 3.61 0.60 Reliability Peubah Laten

belajar tidak memenuhi mendasikan yaitu 0.60 < 0.7.

eter Model

estimasi menggunakan metode Likelihood, yang dapat dilihat nya pada Lampiran 4, kelayakan model pada tabel

wah ini. el 16. Hasil uji kelayakan model

menunjukkan bahwa kelayakan model sudah dari kriteria suatu model untuk hasil uji kelayakan keseluruhan dapat dilihat pada masih ada uji kelayakan memenuhi nilai ideal, yaitu, Hal tersebut dikarenakan

indikator yang tidak masing-masing peubah harus dikeluarkan dari n model yang lebih baik. construct reliabilitydi atas, indikator yang harus antaranya adalah sebagai sarapan (X14), Kebiasaan Rutinitas berolahraga (X16), Nilai UN (X23), Banyak tanggungan (X43), Pendidikan Pendidikan terakhir ibu ibu (X47), Kelancaran rata pemasukan bulanan pengeluaran bulanan (X55), mmik (X62), Jumlah teman ), Fasilitas tempat tinggal (X83), tinggal (X84), Alokasi (X104), Keaktifan mencari ang kuliah (X105). Nilai kritis Nilai yang

didapat Relatif kecil ≥ 0.0η 609.73 1.00 0.90 0.05 0.00 0.88 1.41 0.73

(19)

Gambar 9.

Model Struktural Faktor-Faktor Yang Mempengaruhi Prestasi Belajar Mahasiswa IPB (standardized solution)

(20)

Modifikasi model

Berdasarkan hasil analisis d diperlukan modifikasi model, model modifikasi yang terda 6.

Di bawah ini diberikan kelayakan model pada Tab SIMPLIS Project-nya Lampiran 7.

Tabel 17. Hasil uji modifikasi

Pada tabel di atas menunjukkan untuk kriteria AGFI dan NFI

sebelumnya belum memenu untuk model modifikasi memenui nilai kritis dari NFI, dan untuk nilai uji kelayakan modifikasi selengkapnya terda 8.

Secara keseluruhan sudah memenuhi kriteri model. Dengan demikian Mod 9 merupakan model yang sebagai model

merepresentasikan faktor mempengaruhi prestasi belaj IPB.

Analisis Persamaan Struktura Hasil analisis persa

disajikan pada Tabel 18 sebagai berikut : Tabel 18. Hasil Analisis Persa

Peubah Laten KON_SHT LTR_PDDK KEM_VRBL LTR_ORTU FAK_EKO CITA_AKD

Kriteria Nilai kritis Relatif kecil Nilai p≥ 0.0η

GFI ≥ 0.90

RMSR ≤ 0.0η

RMSEA ≤ 0.08

AGFI ≥ 0.90

NNFI ≥ 90

NFI ≥ 90

sarkan hasil analisis di atas, sehingga modifikasi model, dengan konsep yang terdapat di Lampiran

iberikan hasil modifikasi uji pada Tabel 17, sedangkan dapat dilihat pada

uji kelayakan model

atas menunjukkan bahwa AGFI dan NFI yang pada model memenuhi nilai kritisnya, modifikasi ini sudah dapat kritis dari kriteria AGFI dan i uji kelayakan model hasil selengkapnya terdapat di Lampiran

keseluruhan model modifikasi kriteria baik dari suatu demikian Model pada Gambar model yang dapat diterima model yang mampu faktor-faktor yang prestasi belajar mahasiswa

Struktural

persamaan struktural Tabel 18 sebagai berikut : el 18. Hasil Analisis Persamaan Struktural

Koefisien lintas Nilai T 0.01 0.11 0.13 1.96* 0.26 2.70* -0.10 -0.94 0.16 1.29 0.05 0.65 KEG_EKSL KON_TGL KON_KMPS CARA_BLJ

Tabel di atas menunjukkan sepuluh peubah laten terdapat

laten yang berpengaruh nyata pada α=0.0η, yaitu peubah laten LTR_PDDK KEM_VRBL, sedangkan peuba lain seperti KON_SHT FAK_EKO, CITA_AKD, KON_TGL, KON_KMPS, berpengaruh nyata. Hasil modifikasi untuk nilai T dapat Lampiran 9.

Peubah laten LTR_PDDK pengaruh sebesar 0.13 terhadap belajar. Hal di atas menunjukkan seseorang yang mengenyam bangku sekolah unggulan lebih besar dalam meraih prestasi baik di perguruan tinggi. sekolah unggulan memiliki yang komprehensif, sekaligus fasilitas penunjang belaj memadai, sehingga kualitas meningkat.

Peubah laten KEM_VRBL pengaruh sebesar 0.26 terhadap belajar. Hal di atas menunjukkan paling dominan dalam menentukan belajar adalah memang

kemampuan diri (tingka individunya masing masing.

Peubah laten KON_SHT pengaruh sebesar 0.01 terhadap belajar. Walaupun koefisien

KON_SHT relatif kecil, menunjukkan bahwa dengan yang prima, mahasiswa memiliki untuk mendapatkan prestasi

baik.

Peubah laten FAK_EKO koefisien jalur yang bernilai koefisien jalur peubah laten

kecil, hal di atas menunjukkan mahasiswa yang mendapatkan bulanan relatif besar memiliki mendapatkan prestasi belaja ini dikarenakan, mahasiswa mendapatkan pemasukan bulanan lebih mudah dalam memenuhi mereka untuk kegiatan belaja dengan mahasiswa yang pemasukan bulanan yang relat Nilai kritis Nilai yang

didapat Relatif kecil ≥ 0.0η 66.62 1.00 0.98 0.03 0.00 0.97 1.52 0.95 18 -0.02 -0.20 0.01 0.06 0.12 1.40 0.06 0.34

menunjukkan bahwa dari laten terdapat dua peubah laten yang berpengaruh nyata pada α=0.0η, laten LTR_PDDK dan sedangkan peubah laten yang KON_SHT, LTR_ORTU, CITA_AKD, KEG_EKSL, KON_KMPS, CARA_BLJ tidak Hasil diagram model nilai T dapat dilihat pada

LTR_PDDK memberikan 0.13 terhadap prestasi atas menunjukkan bahwa enyam pendidikan di unggulan memiliki peluang meraih prestasi yang lebih tinggi. Pasalnya, setiap memiliki sistem pendidikan f, sekaligus memiliki belajar siswa yang kualitas siswa pun

KEM_VRBL memberikan 0.26 terhadap prestasi menunjukkan bahwa yang dalam menentukan prestasi memang kembali ke (tingkat kecerdasan) ng masing.

KON_SHT memberikan 0.01 terhadap prestasi koefisien jalur peubah laten kecil, hal di atas dengan kondisi badan mahasiswa memiliki peluang prestasi belajar yang lebih

FAK_EKO memiliki bernilai 0.16. Walaupun h laten FAK_EKO relatif menunjukkan bahwa mendapatkan pemasukan besar memiliki peluang prestasi belajar yang baik. Hal mahasiswa yang pemasukan bulanan relatif besar dalam memenuhi kebutuhan kegiatan belajar dibanding yang mendapatkan nan yang relatif kecil.

(21)

Peubah laten CITA_AKD memiliki koefisien jalur yang bernilai 0.05. Hal tersebut dapat dijelaskan melalui indikator Kesesuaian jurusan di bawah ini:

 Indikator Kesesuaian Jurusan

Mahasiswa yang merasa sesuai dengan kuliah di jurusan yang sudah diambilnya, cenderung memiliki semangat dalam menjalankan kegiatan kuliahnya. Hal ini mendorong mahasiswa tersebut lebih rajin dan giat belajar, sehingga tidak menutup kemungkinan mahasiswa tersebut dapat memperoleh presatis belajar yang baik.

Peubah laten KEG_EKSL memiliki koefisien jalur yang bernilai -0.02. Hal tersebut menjelaskan bahwa dengan mengikuti kegiatan kampus (ekstrakurikuler) dapat menurunkan prestasi belajar. Pasalnya, dengan mengikuti kegiatan kampus (ekstrakurikuler), waktu yang dimiliki oleh mahasiswa untuk belajar semakin berkurang, sehingga menyebabkan mahasiswa tersebut mengalami penurunan prestasi. Namun ada yang menarik dari peubah laten KEG_EKSL ini, karena nilai koefisien jalur KEG_EKSL mengalami ganti tanda, dari model awal yang memiliki nilai positif (+0.03) dan menjadi negatif (-0.02) pada model modifikasi, Terjadinya ganti tanda ini dikarenakan dari beberapa peubah indikator yang dihapus pada saat memodifikasi model ternyata terdapat peubah indikator yang memiliki pengaruh tak langsung terhadap peubah laten KEG_EKSL dengan korelasi yang cukup tinggi terhadap peubah laten KEG_EKSL, sehingga mengakibatkan nilai koefisien jalur menjadi negatif (-) pada model modifikasi.

Peubah laten KON_TGL memiliki koefisien jalur yang bernilai 0.01. Hal tersebut dapat dijelaskan sebagai berikut:

 Indikator Jarak tempat tinggal dengan kampus

Dengan jarak tempat tinggal yang relatif dekat dari kampus, memudahkan mahasiswa untuk selalu hadir di setiap kuliah dengan tidak merasa kelelahan. Sehingga materi kuliah dapat diterima dengan maksimal.

Peubah laten KON_KMPS memiliki koefisien jalur yang bernilai 0.12. Hal tersebut menunjukkan bahwa dengan penyampaian materi kuliah dan praktikum yang sesuai, sehingga mudah untuk diterima oleh mahasisawa dapat mengakibatkan mahasiswa lebih mudah untuk belajar dan tidak menutup kemungkinan dapat memperoleh prestasi belajar yang baik. Di samping itu juga disediakannya fasilitas penunjang yang memadai dalam kegiatan kuliah dan praktium dapat meningkatkan prestasi belajar mahasiswa.

Peubah laten CARA_BLJ memiliki koefisien jalur yang bernilai 0.06. Hal tersebut menunjukkan bahwa mahasiswa yang rajin belajar dengan mengalokasikan setiap waktu luangnya untuk belajar memiliki peluang lebih besar untuk mendapatkan prestasi belajar yang baik dibandingkan dengan yang hanya belajar ketika ujian saja.

Secara keseluruhan, bahwa peubah laten eksogen Latar Belakang Pendidikan dan Kemampuan Verbal berpengaruh nyata terhadap prestasi. Namun demikian, mengingat keterbatasan peubah penelitian yang diamati, tidak menutup kemungkinan faktor lain yang tidak diteliti memengaruhi prestasi belajar.

(22)

Gambar 10.

Hasil modifikasi Model Struktural Faktor-Faktor Yang Mempengaruhi Prestasi Belajar Mahasiswa IPB

(23)

V

KESIMPULAN

1. Berdasarkan analisis, faktor-faktor yang mempengaruhi prestasi adalah:

a. Faktor Internal

Mengidap penyakit, Banyak penyakit yang pernah diderita, Jenis penyakit

Kemampuan berbahasa inggris, Tingkat kemampuan berbahasa inggris

Cara belajar, Kebiasaan jadwal belajar

b. Faktor Eksternal

Status SLTA

Kelengkapan orang tua, Orang tua yang meninggal, Pekerjaan Ayah

Kesesuaian jurusan

Keikutsertaan kegiatan ekstrakurikuler, Jenis kegiatan

ekstrakurikuler, Banyak kegiatan ekstrakurikuler yang diikuti, Keaktifan dalam kegiatan ekstrakurikuler

Tempat tinggal, Jarak tempat tinggal dengan kampus

Kenyamanan ruang kuliah, Kenyamanan ruang praktikum, Kelengkapan fasilitas kuliah, Kelengkapan fasilitas praktikum, Kesesuaian materi kuliah dengan ujian, Penyampaian materi oleh dosen

2. Berdasarkan analisis, diperoleh bahwa terdapat dua peubah laten yang signifikan terhadap Prestasi belajar, yaitu Latar belakang pendidikan dan Kemampuan Verbal.

(24)

PEMODELAN PERS

FAKTOR

PRESTASI BELAJA

MUCHAMAD SAPT

FAKULTAS MATE

INSTITUT PERTAN

PEMODELAN PERSAMAAN STRUKTURAL

FAKTOR-FAKTOR YANG MEMPENGARUHI

PRESTASI BELAJAR MAHASISWA IPB

MUCHAMAD SAPTO ADI WIBOWO

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

INSTITUT PERTANIAN BOGOR

BOGOR

2010

RAL

EMPENGARUHI

R MAHASISWA IPB

(25)

DAFTAR PUSTAKA

Ahmadi. 1998. Pengertian Prestasi.

(http://www.scribd.com/doc/36156671/pen gertian-prestasi.htm).[4 Juni 2009]

Bolen, K. A.1989. Structural Equations with Latent Variables. Canada: John Willey and Sons.

Dillon, W. R. and Goldstein, M. 1984. Multivariate Analysis Method and Applications. Canada: John Wiley & Sons. Ferdinand, A. 2000. Structural Equation

Modeling Dalam Penelitian Manajemen. Badan penerbit Universitas Diponegoro, Semarang

Furqon. 2008. Statistika Terapan. Alfabeta. Jakarta.

Garson, G. D. 2006. Path Analysis. (http://www.statisticsolutions.com/index.h tm/path_analysis.htm). [27 September 2009 ]

Gasperz, V. 1986. Classical and Modern Regression with applications. Ed. 2. PWS-Kent. Boston.

Hair, J. F, et al. 1995. Multivariate Data Analysis with Reading 4th Edition. New Jersey: Prentice-Hall, inc.

Hair, J. F, Anderson R.E, Tatham R.L and Black W.C. 1998. Multivariate Data Analysis with Reading 5th Edition. New Jersey: Prentice-Hall, Inc.

Hardjodipuro, S. 1984. Aplikasi Komputer dan Analisis Multivariat: Analisis Faktor.

Institut Keguruan dan Ilmu Pendididkan Jakarta. Jakarta

Joreskog, K. G and Sorbom, D. 1999. Lisrel 8 New Statistical Features. SSf, Chicago. Key, J. P. 1997. Reliability and Validity.

(http://www.okstate.edu/ag/agedcm4h/aca demic/aged5980a/5980/newpage18.htm). [27 Juni 2009]

List, D. 2007. Sampling For Surveys. (http://www.statpac.com/surveys/sampling .htm). [6 September 2009]

Owik. 2005. Lisrel untuk Analisis Multivariat. (http://www.pintynet.com). [12 Februari 2010]

Prasetyo, D. 2006. Model Persamaan Struktural Untuk Indikator Indonesia Sehat 2007. Skripsi. Jurusan Matematika FMIPA UI, Depok.

Sharma, S. 1996. Applied Multivariate Techniques. Canada: John Willey and Sons.

Trochim, W. M. K. 2006. Nonprobability Sampling.

(http://www.socialresearchmetods.net/kb/s ampnon.htm). [6 September 2009]

Wijanto, S. H. 2008. Structural Equation Modeling dengan Lisrel 8.8. Graha Ilmu. Yogyakarta.

Winkel

.

1997. Teori belajar winkle.

(

http://episentrum.com/search/teori%20bel ajar%20winkel.htm). [4 Juni 2009]

(26)

PEMODELAN PERS

FAKTOR

PRESTASI BELAJA

MUCHAMAD SAPT

FAKULTAS MATE

INSTITUT PERTAN

PEMODELAN PERSAMAAN STRUKTURAL

FAKTOR-FAKTOR YANG MEMPENGARUHI

PRESTASI BELAJAR MAHASISWA IPB

MUCHAMAD SAPTO ADI WIBOWO

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

INSTITUT PERTANIAN BOGOR

BOGOR

2010

RAL

EMPENGARUHI

R MAHASISWA IPB

(27)

ABSTRAK

MUCHAMAD SAPTO ADI WIBOWO. Pemodelan Persamaan Struktural Faktor-Faktor yang Mempengaruhi Prestasi Belajar Mahasiswa IPB. Dibimbing oleh BUDI SUHARJO dan HADI SUMARNO.

Dari hasil analisis Pemodelan Persamaan Struktural, dapat disimpulkan bahwa faktor-faktor yang berpengaruh terhadap prestasi belajar mahasiswa adalah Latar Belakang Pendidikan dan Kemampuan Verbal.

(28)

ABSTRACT

MUCHAMAD SAPTO ADI WIBOWO. Structural Equation Modeling of Factors Affecting IPB Students’ Achievement. Supervised by BUDI SUHARJOand HADI SUMARNO.

From the results of the analysis, it can be concluded that the most affecting factors of students’ achievement are educational background and verbal ability.

(29)

PEMODELAN PERSAMAAN STRUKTURAL

FAKTOR-FAKTOR YANG MEMPENGARUHI

PRESTASI BELAJAR MAHASISWA IPB

MUCHAMAD SAPTO ADI WIBOWO

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Sains pada

Departemen Matematika

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2010

(30)

PRAKATA

Puji syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Pemodelan Persamaan Struktural Faktor-Faktor yang Mempengaruhi Prestasi Belajar Mahasiswa IPB. Sholawat serta salam semoga selalu tercurah kepada Rasulullah Muhammad SAW beserta keluarga, sahabat, dan pengikutnya hingga akhir zaman.

Keterbatasan dan ketidaksempurnaan membuat penulis membutuhkan bantuan, dukungan, dan semangat dari orang orang secara langsung maupun tidak langsung. Sehingga pada kesempatan ini, penulis menyampaikan rasa terima kasih kepada:

1. Dr. Ir. Budi Suharjo, M.S dan Dr. Ir. Hadi Sumarno, M.S. selaku dosen pembimbing skripsi yang telah sabar dalam membimbing, memberikan ilmu dan perhatian penuh kepada penulis selama penelitian dan proses penulisan skripsi ini.

2. Bapak dan Ibu tercinta atas setiap dukungan baik moral maupun materiil, doa, semangat, senyuman, dan kasih sayang yang tiada henti. Kakak-kakakku (mas Agus, mas Dwi, mbak Tri, mbak Eva, mbak Yuni) dan adikku (Huri) atas doa dan semangatnya

3. Seluruh dosen Departemen Matematika atas ilmu yang telah diberikan kepada penulis.

4. Staf pegawai di lingkungan Departemen Matematika atas layanan terbaik yang telah diberikan kepada penulis.

5. Handanu, Awi, Dendy atas kesediaannya menjadi pembahas pada saat seminar.

6. Saudara saudara seperjuangan Matematika’42 atas tahun-tahun yang menyenangkan dan tak terlupakan.

7. Seluruh mahasiswa Matematika, kakak kelas dan adik kelas yang telah membantu dan memberikan semangat.

8. Semua pihak yang telah banyak membantu selama proses penyelesaian tugas akhir ini.

Penulis menyadari masih ada kekurangan dalam tugas akhir ini. Oleh karena itu, kritik dan saran dari berbagai pihak akan sangat membantu menyempurnakan tulisan ini. Akhir kata, besar harapan penulis atas tugas akhir ini agar dapat memberikan manfaat bagi kehidupan ke depan.

Bogor, Desember 2010

(31)

RIWAYAT HIDUP

Penulis merupakan generasi penerus dari pasangan Bapak Sunardi dan Ibu Siti Djuariyah, yang dilahirkan di Semarang pada tanggal 16 September 1987.

Penulis bersyukur karena dapat megenyam pendidikan sejak taman kanak kanak hingga perguruan tinggi. TK Nurul Islam Semarang, tempat penulis mengenal indah dan nikmatnya belajar berhitung dan menggambar. Susah, senang, sedih, gembira penulis mulai rasakan ketika menimba ilmu di tingkat yang lebih tinggi yaitu di SDN Purwoyoso 10 Semarang, SLTPN 30 Semarang, SMU Walisongo Semarang. Dan sampailah penulis pada tingkat pendidikan dengan membawa amanah sebagai mahasiswa agent of change di Departemen Matematika Institut Pertanian Bogor.

Selama di IPB, penulis sangat tertarik terhadap pengembangan soft skill, ini terlihat dari kegiatan yang pernah diikuti oleh penulis, yaitu di mulai ketika Tingkat Persiapan Bersama (TPB), pada periode (2005/2006) penulis aktif di UKM CENTURY IPB sebagai Staf Divisi Archipelago dan kemudian pada periode (2006/2007) sebagai Staf Divisi Informasi dan Teknologi UKM CENTURY IPB, dan sekaligus sebagai Staf Departemen Kajian Strategi dan Advokasi Badan Eksekutif Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (BEM-G IPB) serta sebagai Staf Divisi Relasi Serambi Ruhiyah Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (SERUM-G IPB). Pada tahun 2008, penulis mendapat pengalaman untuk mengaplikasikan ilmunya ketika mengajar matematika di KLINIK PENDIDIKAN MIPA dan BINTANG PELAJAR pada tahun 2010. Alhamdulillah, dari sekian pengalaman yang didapatkan penulis, telah membentuk pribadi penulis semakin lebih baik.

(32)

DAFTAR ISI

Halaman DAFTAR ISI

DAFTAR TABEL ... ix DAFTAR GAMBAR ... ix DAFTAR LAMPIRAN ... ix I PENDAHULUAN

Latar Belakang ... 1 Permasalahan ... 1 Tujuan Penelitian... 1 II LANDASAN TEORI

Prestasi Belajar ... 2 Faktor Faktor Prestasi Belajar ... 2 Peubah Laten ... 2 Peubah Eksogen dan Endogen ... 2 Peubah Indikator ... 3 Faktor Loading ... 3 Model Persamaan Struktural ... 3 Validitas dan Reliabilitas ... 3 Jenis Data Pengukuran ... 4 Metode Penarikan Contoh ... 4 Analisis Lintas ... 4 Metode Pendugaan Koefisien Model ... 4 Evaluasi Model ... 5 Interpretasi Koefisien Lintas ... 6 III BAHAN DAN METODE

Bahan ... 7 Metode ... 7 IV HASIL DAN PEMBAHASAN

Profil Responden ... 11 Construct Reliability... 13 Pendugaan Parameter Model ... 16 Modifikasi Model ... 18 Analisis Persamaan Struktural ... 18 V KESIMPULAN

Kesimpulan ... 21 DAFTAR PUSTAKA ... 22 LAMPIRAN ... 23

(33)

DAFTAR TABEL

Halaman 1. Peubah laten dan indikator ... 9 2. Persentase status responden ... 11 3. Persentase asal SLTA dan status SLTA responden... 11 4. Persentase nilai UN dan IPK responden... 12 5. Nilai Construct Reliabilitymasing masing Peubah Laten Eksogen ... 13 6. Nilai Construct ReliabilityPeubah Laten Kondisi kesehatan... 13 7. Nilai Construct ReliabilityPeubah Laten Latar Belakang Pendidikan... 14 8. Nilai Construct ReliabilityPeubah Laten Kemampuan Verbal... 14 9. Nilai Construct ReliabilityPeubah Laten Latar Belakang Orang tua... 14 10. Nilai Construct ReliabilityPeubah Laten Faktor ekonomi... 15 11. NilaiConstruct ReliabilityPeubah Laten Cita cita akademik ... 15 12. NilaiConstruct ReliabilityPeubah Laten Kegiatan Ekstrakurikuler... 15 13. Nilai Construct ReliabilityPeubah Laten Kondisi Lingkungan Tempat Tinggal... 15 14. Nilai Construct ReliabilityPeubah Laten Kondisi Lingkungan Kampus... 16 15. Nilai Construct ReliabilityPeubah Laten Cara dan Motivasi belajar... 16 16. Hasil Uji Kelayakan Model ... 16 17. Hasil Uji Kelayakan Model Modifikasi ... 18 18. Hasil Analisis Persamaan Struktural ... 18

DAFTAR GAMBAR

Halaman 1. Prestasi Akademik Mahasiswa MSL angkatan 42 dan 43 IPB dari jenjang SMU hingga

Perguruan Tinggi ... 1 2. Diagram Tahapan Pengolahan Data ... 7 3. Konsep Model Struktural ... 8 4. Persentase jenis kelamin responden ... 11 5. Persentase jalur masuk responden ke IPB ... 11 6. Persentase pengeluaran responden/bulan ... 12 7. Persentase kesesuaian minat jurusan responden... 12 8. Konsep model menghitung Construct Reliability

pada masing masing setiap peubah laten eksogen ... 13 9. Model struktural faktor-faktor yang mempengaruhi prestasi belajar

mahasiswa IPB (standardized solution) ... 17 10. Hasil modifikasi model struktural faktor-faktor yang mempengaruhi

prestasi belajar mahasiswa IPB (standardized solution) ... 20

DAFTAR LAMPIRAN

Halaman 1. Daya Tampung Departemen di IPB ... 23 2. Penyebaran Mahasiswa Teramati ... 24 3. Rancangan Kuesioner ... 25 4. SIMPLIS Project(Uji Kelayakan Model) ... 33 5. Hasil Uji Kelayakan Model... 34 6. Konsep Model Modifikasi... 35 7. SIMPLIS Project(Uji Kelayakan Model) ... 36 8. Hasil Uji Kelayakan Model Modifikasi ... 37 9. Model Hasil Modifikasi (Nilai T) ... 38

(34)

I PENDAHULUAN

Latar Belakang

Fenomena di atas cukup menarik, karena penurunan prestasi (IPK) yang dialami oleh sebagian mahasiswa IPB begitu banyak dan bervariasi faktor yang melatarbelakanginya.

Perumusan Masalah

Masalah yang diteliti dalam penelitian ini adalah faktor-faktor apa saja yang mempengaruhi prestasi belajar mahasiswa IPB yang dikaitkan dengan prestasi di tingkat SMU.

Tujuan

Penulisan karya ilmiah ini bertujuan : 1. Menentukan faktor-faktor internal dan

eksternal yang berpengaruh terhadap prestasi belajar mahasiswa IPB.

2. Membangun model kausalitas yang mampu menghubungkan faktor-faktor yang mempengaruhi prestasi belajar mahasiswa IPB dengan kaidah struktural. Gambar 1.

Prestasi akademik

mahasiswa MSL’42 dan MSL’43 IPB dari jenjang SMU hingga Perguruan Tinggi

(35)

II LANDASAN TEORI

Definisi 1 (Prestasi Belajar)

Prestasi belajar adalah suatu bukti keberhasilan belajar atau kemampuan seseorang siswa dalam melakukan kegiatan belajarnya sesuai dengan bobot yang dicapainya.

[Winkel, 1996]

Definisi 2 (Faktor-Faktor yang mempengaruhi prestasi)

a. Faktor internal

Faktor internal ada1ah faktor yang berasal dari dalam diri mahasiswa yang mempengaruhi prestasi belajar. Faktor ini dapat dibagi ke dalam beberapa bagian, yaitu : 1. Faktor lntelegensi

Intelegensi dalam arti sempit adalah kemampuan untuk mencapai prestasi

2. Faktor Motivasi

Motivasi belajar merupakan suatu dorongan dari dalam diri seorang untuk belajar.

3. Faktor Minat

Minat adalah kecenderungan seorang mahasiswa merasa tertarik pada suatu bidang tertentu.

4. Faktor Bakat

Bakat adalah kemampuan tertentu yang telah dimiliki seseorang sebagai kecakapan pembawaan.

5. Faktor Keadaan Fisik dan Psikis

b. Faktor Eksternal

Faktor eksternal adalah faktor dari luar diri mahasiswa yang mempengaruhi prestasi belajar. Faktor eksternal dapat dibagi rnenjadi beberapa bagian, yaitu :

1. Faktor Dosen

Faktor dosen meliputi cara penyajian pelajaran, hubungan dosen dengan mahasiswa, dan kurikulum.

2. Faktor Lingkungan Keluarga

Lingkungan keluarga turut mempengaruhi kemajuan hasil kerja, bahkan mungkin dapat dikatakan menjadi faktor yang sangat penting, karena sebagian besar waktu belajar dilaksanakan di rumah.

3. Faktor Lingkungan Kampus

Faktor lingkungan kampus meliputi tersedianya fasilitas dan sarana pelajaran yang rnenunjang keberhasilan dalam proses belajar. 4. Faktor Lingkungan Masyarakat

Lingkungan alam sekitar sangat besar pengaruhnya terhadap perkembangan pribadi anak, sebab dalam kehidupan sehari-hari anak akan lebih banyak bergaul dengan lingkungan di mana anak itu berada.

Definisi 3 (Peubah Laten)

[Hair et al, 1998]

Definisi 4 (Peubah Eksogen dan Peubah Endogen)

(1)

LAMPIRAN 4. SIMPLIS Project (Uji kelayakan model) MODEL SEM_SAPTO

OBSERVED VARIABLES

X11 X12 X13 X14 X15 X16 X21 X22 X23 X31 X32 X41 X42 X43 X44 X45 X46 X47 X51 X52 X53 X54 X55 X61 X62 X71 X72 X73 X74 X81 X82 X83 X84 X85 X91 X92 X93 X94 X95 X96 X101 X102 X103 X104 X105 Y11

COVARIANCE MATRIX FROM FILE D:\SEM1\SEM.COV SAMPLE SIZE 230

LATENT VARIABLES

KON_SHT LTR_PDDK KEM_VRBL LTR_ORTU FAK_EKO CITA_AKD KEG_EKSL KON_TGL KON_KMPS CARA_BLJ PRES

RELATIONSHIPS

X11 X12 X13 X14 X15 X16 = KON_SHT X21 X22 X23 = LTR_PDDK

X31 X32 = KEM_VRBL

X41 X42 X43 X44 X45 X46 X47 = LTR_ORTU X51 X52 X53 X54 X55 = FAK_EKO

X61 X62 = CITA_AKD

X71 X72 X73 X74 = KEG_EKSL X81 X82 X83 X84 X85 = KON_TGL X91 X92 X93 X94 X95 X96 = KON_KMPS X101 X102 X103 X104 X105 = CARA_BLJ Y11 = PRES

PRES = KON_SHT LTR_PDDK KEM_VRBL LTR_ORTU FAK_EKO CITA_AKD KEG_EKSL KON_TGL KON_KMPS CARA_BLJ

Iterations = 150

OPTIONS ME = ML AD=OFF

SET THE ERROR VARIANCE OF Y11 EQUAL TO 0.01 SET THE ERROR VARIANCE OF X81 EQUAL TO 0.01 PATH DIAGRAM

(2)

LAMPIRAN 5. Hasil Uji Kelayakan Model

Goodness of Fit Statistics Degrees of Freedom = 936

Minimum Fit Function Chi-Square = 560.42 (P = 1.00)

Normal Theory Weighted Least Squares Chi-Square = 609.73 (P = 1.00) Estimated Non-centrality Parameter (NCP) = 0.0

90 Percent Confidence Interval for NCP = (0.0 ; 0.0) Minimum Fit Function Value = 2.45 Population Discrepancy Function Value (F0) = 0.0 90 Percent Confidence Interval for F0 = (0.0 ; 0.0) Root Mean Square Error of Approximation (RMSEA) = 0.0

90 Percent Confidence Interval for RMSEA = (0.0 ; 0.0) P-Value for Test of Close Fit (RMSEA < 0.05) = 1.00

Expected Cross-Validation Index (ECVI) = 5.35 90 Percent Confidence Interval for ECVI = (5.35 ; 5.35)

ECVI for Saturated Model = 9.44 ECVI for Independence Model = 9.34

Chi-Square for Independence Model with 1035 Degrees of Freedom = 2046.71 Independence AIC = 2138.71

Model AIC = 899.73 Saturated AIC = 2162.00 Independence CAIC = 2342.86

Model CAIC = 1543.25 Saturated CAIC = 6959.56 Normed Fit Index (NFI) = 0.73 Non-Normed Fit Index (NNFI) = 1.41 Parsimony Normed Fit Index (PNFI) = 0.66

Comparative Fit Index (CFI) = 1.00 Incremental Fit Index (IFI) = 1.34

Relative Fit Index (RFI) = 0.70 Critical N (CN) = 425.81

Root Mean Square Residual (RMR) = 4.65 Standardized RMR = 0.053 Goodness of Fit Index (GFI) = 0.90 Adjusted Goodness of Fit Index (AGFI) = 0.88 Parsimony Goodness of Fit Index (PGFI) = 0.78

(3)

(4)

LAMPIRAN 7.SIMPLIS Project (Uji kelayakan model modifikasi)

MODEL SEM_SAPTO OBSERVED VARIABLES

X11 X12 X13 X22 X31 X32 X41 X42 X46 X51 X52 X61 X71 X72 X73 X74 X81 X85 X91 X92 X93 X94 X95 X96 X102 X103 Y11

COVARIANCE MATRIX FROM FILE D:\SEM2\SEM2.COV SAMPLE SIZE 230

LATENT VARIABLES

KON_SHT LTR_PDDK KEM_VRBL LTR_ORTU FAK_EKO CITA_AKD KEG_EKSL KON_TGL KON_KMPS

CARA_BLJ PRES RELATIONSHIPS

X11 X12 X13 = KON_SHT X22 = LTR_PDDK

X31 X32 = KEM_VRBL X41 X42 X46 = LTR_ORTU X51 X52 = FAK_EKO X61 = CITA_AKD

X71 X72 X73 X74 = KEG_EKSL X81 X85 = KON_TGL

X91 X92 X93 X94 X95 X96 = KON_KMPS X102 X103 = CARA_BLJ

Y11 = PRES

PRES = KON_SHT LTR_PDDK KEM_VRBL LTR_ORTU FAK_EKO CITA_AKD KEG_EKSL KON_TGL KON_KMPS CARA_BLJ

Iterations = 300

OPTIONS ME = ML AD=OFF

SET THE ERROR VARIANCE OF Y11 EQUAL TO 0.01 SET THE ERROR VARIANCE OF X22 EQUAL TO 0.01 SET THE ERROR VARIANCE OF X61 EQUAL TO 0.01 LET THE ERROR COVARIANCE OF X92 AND X91 FREE LET THE ERROR COVARIANCE OF X96 AND X95 FREE PATH DIAGRAM

(5)

LAMPIRAN 8.Uji Kelayakan Model Hasil Modifikasi

Goodness of Fit Statistics Degrees of Freedom = 270

Minimum Fit Function Chi-Square = 65.79 (P = 1.00)

Normal Theory Weighted Least Squares Chi-Square = 66.62 (P = 1.00) Estimated Non-centrality Parameter (NCP) = 0.0

90 Percent Confidence Interval for NCP = (0.0 ; 0.0) Minimum Fit Function Value = 0.29 Population Discrepancy Function Value (F0) = 0.0 90 Percent Confidence Interval for F0 = (0.0 ; 0.0) Root Mean Square Error of Approximation (RMSEA) = 0.0

90 Percent Confidence Interval for RMSEA = (0.0 ; 0.0) P-Value for Test of Close Fit (RMSEA < 0.05) = 1.00

Expected Cross-Validation Index (ECVI) = 2.12 90 Percent Confidence Interval for ECVI = (2.12 ; 2.12)

ECVI for Saturated Model = 3.30 ECVI for Independence Model = 5.98

Chi-Square for Independence Model with 351 Degrees of Freedom = 1315.47 Independence AIC = 1369.47

Model AIC = 282.62 Saturated AIC = 756.00 Independence CAIC = 1489.30

Model CAIC = 761.94 Saturated CAIC = 2433.59 Normed Fit Index (NFI) = 0.95 Non-Normed Fit Index (NNFI) = 1.28 Parsimony Normed Fit Index (PNFI) = 0.73

Comparative Fit Index (CFI) = 1.00 Incremental Fit Index (IFI) = 1.20

Relative Fit Index (RFI) = 0.93 Critical N (CN) = 1139.16 Root Mean Square Residual (RMR) = 7.08

Standardized RMR = 0.027 Goodness of Fit Index (GFI) = 0.98 Adjusted Goodness of Fit Index (AGFI) = 0.97 Parsimony Goodness of Fit Index (PGFI) = 0.70

(6)