IDENTIFIKASI FAKTOR FAKTOR INTERNAL YANG

1
IDENTIFIKASI FAKTOR-FAKTOR INTERNAL YANG MEMPENGARUHI
KEMAMPUAN KOGNISI STATISTIKA DAN PRESTASI AKADEMIK
Identification of Internal Factors that Affect Statistic Ability and Academic
Achievement
Oleh: Ari Wibowo
(Dosen Fakultas Ilmu Tarbiyah dan Keguruan)
ABSTRACT
During forty years recently the metacognition is being the main research about
developing cognition. The focus of metacognitive ability is located on two components
namely knowledge and believe in dealing cognition phenomena and also leading and
controling toward cognition action. In this research is studied by the effect of statistical
metacognitive ability toward statistical cognitive ability especially and the effect toward
academic achievement commonly. Other factor that is followed in analysis is academic
aptitude and prior knowledge that is predicted to determine the success on someone’s
study in college. Research design is used for explanatory research design which analysis
tools used confirmatory factor analysis (CFA) and structural equation modeling (SEM).
The result of this research shows that effect prior knowledge toward statistical cognitive
ability is bigger than academic aptitude effect. Continuously, that has effect from the
bigest to the smallest one toward academic achievement are academic aptitude,
statistical cognitive ability, prior knowledge, and statistical metacognitive ability.

Keywords: statistical metacognitive ability, academic aptitude, prior knowledge,
statistical cognitive ability, academic achievement
A. PENDAHULUAN
Sumber daya manusia yang berkualitas menjadi tumpuan agar suatu bangsa
dapat berkompetisi dengan bangsa-bangsa lain. Sehubungan dengan hal tersebut,
menurut Depdiknas (2003) pendidikan formal merupakan salah satu wahana untuk
mengembangkan potensi peserta didik agar memiliki kekuatan spiritual keagamaan,
pengendalian diri, kepribadian, kecerdasan, akhlak mulia serta keterampilan. Salah
satu upaya untuk mencapai tujuan tersebut adalah melalui penyusunan kurikulum yang
sesuai pada pendidikan tinggi. Mata kuliah Statistika sebagai bagian dari kurikulum di
perguruan tinggi diharapkan mampu memberikan kontribusi dalam membangun sumber
daya manusia yang berkualitas dan mempunyai daya saing tinggi.
Pada umumnya orang berpendapat bahwa salah satu faktor yang ikut berperan
dalam menentukan keberhasilan seorang mahasiswa untuk menempuh pendidikan tinggi
adalah potensi akademik. Pendapat ini diperkuat dengan hasil kajian Widodo (2004)
yang menyebutkan bahwa secara umum pada berbagai program studi eksakta ditemukan

2
adanya hubungan yang positif dan nyata antara skor total tes potensi akademik (TPA)
dengan indeks prestasi kumulatif (IPK). Potensi akademik memiliki banyak kesamaan

dengan kecerdasan apabila dilihat dari komponen-komponen penyusunnya. Komponenkomponen penyusun kecerdasan adalah enam kemampuan mental dasar yang terdiri
dari: kemampuan verbal, number, spatial, word fluency, memory, dan reasoning
(Thurstone 1938, diacu dalam Azwar 2002). Adapun komponen-komponen penyusun
potensi akademik adalah empat kemampuan dasar mahasiswa yang terdiri dari:
kemampuan verbal, numerik, logika, dan spasial (Iskandar 2007).
Banyak penelitian yang telah dilakukan untuk mengetahui hubungan antara
kecerdasan dengan prestasi belajar. Hasil kajian Suparmi (1991) menunjukkan adanya
korelasi positif yang nyata antara kecerdasan dengan prestasi belajar. Selanjutnya kajian
Rivai (2000) juga menunjukkan adanya korelasi positif antara kecerdasan dengan hasil
belajar matematika sebesar 0.869.
Kemampuan kognisi seorang mahasiswa mempunyai keterkaitan dengan
kemampuan metakognisi yang mereka miliki. Shadiq (2005) menyatakan bahwa siswa
yang memiliki kemampuan metakognisi akan jauh lebih berhasil dalam mempelajari
matematika daripada siswa yang tidak memiliki kemampuan tersebut. Kemampuan
metakognisi merupakan kesadaran berpikir sehingga seseorang dapat melakukan tugastugas khusus, dan kemudian menggunakan kesadaran tersebut untuk mengontrol apa
yang dikerjakannya (Jacob 2000).
Faktor lain yang mempunyai kedekatan hubungan dengan prestasi belajar adalah
pengetahuan awal. Jonassen & Gabrowski (1993) mendefinisikan pengetahuan awal
sebagai pengetahuan, keterampilan, atau kemampuan yang di bawa siswa ke dalam
proses belajar. Salah satu hasil kajian Muisman (2003) menunjukkan adanya hubungan

langsung positif antara pengetahuan awal dengan hasil belajar mata pelajaran ekonomi.
Hal ini sejalan dengan hasil kajian Addison & Hutcheson (2001) yang menyebutkan
adanya perbedaan skor kepahaman yang nyata antara kelompok yang telah mempelajari
pengetahuan awal dengan kelompok yang tidak mempelajari pengetahuan awal.
Berdasarkan uraian di atas, terdapat beberapa faktor internal yang mempunyai
kedekatan hubungan dengan kemampuan kognisi statistika dan prestasi akademik
seorang mahasiswa. Faktor-faktor internal yang diduga mempunyai kedekatan

3
hubungan adalah potensi akademik, kemampuan metakognisi statistika, dan
pengetahuan awal.

B. METODOLOGI PENELITIAN
1. Metode Pengumpulan Data
Jenis data yang digunakan pada penelitian ini adalah data cross section yang
terdiri dari data primer dan sekunder pada bidang pendidikan. Data primer terdiri dari
tiga peubah laten, yaitu potensi akademik, kemampuan metakognisi statistika, dan
kemampuan kognisi statistika, sedangkan data sekunder terdiri dari dua peubah laten,
yaitu pengetahuan awal dan prestasi akademik.
Pada penelitian ini pengetahuan awal mempunyai sebuah indikator yaitu nilai

mata kuliah prasyarat (Statistika I). Hal ini dikarenakan penelitian ini dilakukan ketika
mahasiswa menempuh mata kuliah Statistika II, sedangkan secara hirarki mata kuliah
Statistika II merupakan kelanjutan dari mata kuliah Statistika I. Prestasi akademik juga
merupakan peubah laten yang mempunyai sebuah indikator yaitu IP semester.
Secara berturut-turut, pengambilan data dilakukan sebanyak tiga kali.
Pengambilan pertama adalah dokumentasi nilai statistika I dan pelaksanaan try out tes
potensi akademik (TPA). Pengambilan kedua adalah pelaksanaan tes kemampuan
kognisi statistika dan penyebaran angket kemampuan metakognisi statistika.
Pengambilan ketiga adalah dokumentasi IP semester. Dengan demikian, waktu
pengambilan data adalah selama satu semester penuh mulai dari awal semester sampai
dengan akhir semester. Populasi pada penelitian ini adalah mahasiswa program studi
Pendidikan Agama Islam (PAI) Jurusan Tarbiyah Sekolah Tinggi Agama Islam Negeri
(STAIN) Surakarta yang baru pertama kalinya mengambil mata kuliah Statistika II pada
tahun akademik 2007/ 2008.
Teknik penarikan contoh yang digunakan pada penelitian ini adalah penarikan
contoh acak dua tahap (two-stage probability sampling). Teknik penarikan contoh
dengan cara ini dipilih karena populasi dipandang berstrata berdasarkan program reguler
dan transfer. Tahap pertama adalah penarikan contoh acak stratifikasi (stratified
probability sampling) yaitu mengelompokkan kelas-kelas berdasarkan program reguler
dan transfer. Tahap kedua adalah penarikan contoh acak sederhana (simple probability

4
sampling) yaitu mengambil secara acak dua kelas untuk masing-masing program.
Contoh yang digunakan pada penelitian ini berukuran 119 mahasiswa.
2. Instrumen Penelitian
Instrumen yang digunakan pada penelitian ini digunakan untuk mengukur tiga
peubah laten, yaitu potensi akademik, kemampuan metakognisi statistika, dan
kemampuan kognisi statistika. TPA yang digunakan untuk mengukur potensi akademik
mahasiswa merupakan tes yang diadaptasi dari graduate management admission test
(GMAT) (Iskandar 2007). Angket kemampuan metakognisi statistika yang digunakan
diadaptasi dari angket Panaoura et al. (2003). Tes kemampuan kognisi statistika yang
digunakan merujuk pada Wibowo (2008). Pada penelitian ini, sebelum digunakan
angket tersebut telah dikonsultasikan kepada dua orang pakar untuk mendapatkan
penilaian profesional (professional judgement) terkait dengan penggunaan bahasa dan
relevansi (Wibowo 2008). Dengan langkah ini diharapkan validitas isi (content validity)
angket menjadi tinggi. Tes kemampuan kognisi yang digunakan pada penelitian ini telah
melalui tahap uji coba tes, untuk mengetahui tingkat kesukaran, daya beda, dan
efektifitas pengecoh (distractors).
3. Metode Penelitian
Dalam penelitian ini digunakan confirmatory factor analysis (CFA) untuk

mengetahui apakah masing-masing indikator benar-benar dapat menjelaskan peubah
laten potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi
statistika. Selanjutnya untuk mengetahui hubungan kausal langsung, tidak langsung,
maupun total antar peubah-peubah yang telah teridentifikasi serta model persamaan
struktural yang sesuai digunakan pendekatan model persamaan struktural (MPS).
Secara garis besar, tahap-tahap analisis data pada penelitian ini meliputi tahap
deskripsi data dan tahap pemodelan. Tahap pemodelan pada penelitian ini mengikuti
tahap-tahap prosedur MPS yang meliputi (a) spesifikasi model, (b) identifikasi,
(c) dugaan, (d) uji kecocokan, dan (e) respesifikasi (Bollen & Long, 1993). Matriks input
yang dipilih dalam penelitian ini adalah matriks koragam karena matriks koragam
lebih sesuai untuk memvalidasi hubungan kausal. Teknik dugaan yang digunakan untuk
analisis data adalah dengan menggunakan teknik dugaan maximum likelihood (ML).

5
Analisis faktor konfirmatori model pengukuran untuk masing-masing faktor
laten diuraikan sebagaimana tampak pada Gambar 1.

Gambar 1 Analisis faktor konfirmatori masing-masing model pengukuran
Faktor laten POTAKDMK (potensi akademik) dibentuk oleh empat indikator,
yaitu VERBAL (kemampuan verbal), NUMERIK (kemampuan numerik), LOGIKA

(kemampuan logika), dan SPASIAL (kemampuan spasial). Faktor laten KOGSTAT
(kemampuan kognisi statistika) dibentuk oleh empat indikator, yaitu KUANTI
(penelitian

kuantitatif),

HIPOTESIS

(hipotesis

dalam

penelitian

kuantitatif),

PROSEDUJI (prosedur uji hipotesis), dan UJIHIPO (inferensi yang didasarkan pada
contoh tunggal (Uji hipotesis)). Faktor laten pengetahuan awal dan prestasi akademik
masing-masing dibentuk oleh satu indikator, yaitu NILMAPRA (nilai mata kuliah
prasyarat) dan IPSMSTR (IP semester).

Faktor laten METASTAT (kemampuan metakognisi statistika) dibentuk oleh
delapan indikator, yaitu (1) THTRAMPIL (pengetahuan tentang ketrampilan dan
kemampuan intelektual yang dimiliki), (2) THCRBLJR (pengetahuan tentang cara-cara
belajar yang efektif), (3) YKNHSL (keyakinan terhadap faktor-faktor yang
mempengaruhi hasil belajar), (4) CATUDIA (perencanaan, penentuan tujuan, dan
penyediaan faktor pendukung dalam belajar), (5) STRAINFO (strategi yang digunakan
untuk memproses informasi secara lebih efisien), (6) NILCRBLJR (penilaian terhadap
cara belajar seseorang

atau strategi yang digunakan), (7) STRASULIT (strategi

6
menanggulangi berbagai kesulitan ketika sedang memecahkan suatu masalah), dan
(8) CAPAIAN (evaluasi ketercapaian tujuan belajar dan efektivitas strategi yang
digunakan).
4. Pengembangan Diagram Jalur
Berdasarkan

model

teoritis

selanjutnya

dikembangkan

diagram

jalur

sebagaimana tampak pada Gambar 2.
METASTAT

POTAKDMK

PRESAKDMK

KOGSTAT

TAHUAWAL

Gambar 2 MPS kemampuan statistika dan prestasi akademik
Model persamaan strukturalnya adalah:

 B     
dengan B 4x 4 = matriks koefisien regresi dari efek peubah laten endogen METASTAT,
TAHUAWAL, KOGSTAT, dan PRESAKDMK berukuran 4x4; 4x1

= matriks

koefisien regresi dari efek peubah laten eksogen POTAKDMK berukuran 4x1;  4 x1 =
vektor

peubah

laten

endogen

METASTAT,

TAHUAWAL, KOGSTAT, dan

PRESAKDMK berukuran 4x1;  1x1 = vektor peubah laten eksogen POTAKDMK
berukuran 1x1; dan  4x1 = vektor sisaan acak hubungan antara  4 x1 dan  1x1
berukuran 4x1; dengan asumsi E (  ) = 0;  tidak berkorelasi dengan  dan (I – B)
tidak singular atau dengan kata lain (I – B)-1 ada.
Peubah-peubah laten  dan  tidak dapat diukur secara langsung, namun
diukur melalui peubah indikator dengan model pengukuran sebagai berikut:

Y   y  

Xx 

7
dengan Y14x1 = vektor peubah indikator peubah laten  berukuran 14x1; X 4x1 = vektor
peubah indikator peubah laten  berukuran 4x1;  y (14x 4) : matriks koefisien regresi
antara Y dengan  berukuran 14x4;  x ( 4 x1) = matriks koefisien regresi antara X dengan

 berukuran 4x1; 14x1 = vektor sisaan pada model pengukuran Y berukuran 14x1; dan
 4x1 = vektor sisaan pada model pengukuran X berukuran 4x1. Sisaan pengukuran 
dan  diasumsikan tidak berkorelasi satu sama lainnya, demikian juga dengan sisaan
persamaan struktural (  ) serta dengan peubah-peubah laten.
C. HASIL DAN PEMBAHASAN
1. Deskripsi Data
Deskripsi indikator penyusun peubah laten potensi akademik, kemampuan
metakognisi statistika, dan kemampuan kognisi statistika dipaparkan dalam uraian
berikut. Komponen potensi akademik (POTAKDMK) dan kemampuan kognisi
statistika (KOGSTAT) terdiri atas empat indikator dengan masing-masing indikator
memiliki rentang skor antara 0 sampai 100.
80

100

70
80
60

97

60

Skor

Skor

50
40

40
30
20

20

10
0
0
VERBAL

NUMERIK

LOGIKA

SPASIAL

Indikator Potensi Akademik (POTAKDMK)

a

KUANTI

HIPOTESIS PROSEDUJI

44

38

50

54

UJIHIPO

Indikator Kemampuan Kognisi (KOGSTAT)

b

Gambar 3 Diagram kotak garis indikator peubah laten potensi akademik (a) dan
kemampuan kognisi statistika (b)
Gambar 3a menunjukkan bahwa secara umum, kemampuan logika yang dimiliki
oleh mahasiswa relatif lebih rendah bila dibandingkan dengan tiga kemampuan dasar
yang lain. Hal tersebut tampak jelas dari diagram kotak garis pada Gambar 3a. Apabila

8
dilihat dari median tampak median kemampuan logika hanya sebesar 26.00, sedangkan
median tiga kemampuan yang lain di atas 43. Apabila dilihat dari nilai kuartil ketiga,
nilai kuartil ketiga untuk kemampuan logika hanya 30.88. Hal tersebut menunjukkan
bahwa 75% data kemampuan logika mempunyai skor di bawah 30.88. Sebaliknya, lebih
dari 75% data tiga kemampuan yang lain mempunyai nilai di atas 34.
Berdasarkan Gambar 3b tampak bahwa tingkat kepahaman mahasiswa terhadap
indikator kemampuan kognisi statistika yang paling tinggi adalah pada indikator
penelitian kuantitatif (KUANTI). Hal tersebut dikarenakan separuh mahasiswa
mempunyai skor di atas median sebesar 78.48. Selanjutnya, secara berturut-turut disusul
oleh kepahaman terhadap indikator hipotesis dalam penelitian kuantitatif (HIPOTESIS)
dengan median 62.24, prosedur uji hipotesis (PROSEDUJI) dengan median 48.09 dan
inferensi yang didasarkan pada contoh tunggal (UJIHIPO) dengan median 34.21.
Tampak pada Gambar 3b, terdapat empat orang yang tidak mampu menjawab dengan
benar satu soal pun pada indikator inferensi yang didasarkan pada contoh tunggal
(UJIHIPO).
Komponen kemampuan metakognisi statistika (METASTAT) terdiri atas
delapan indikator dengan masing-masing indikator memiliki rentang skor antara 0
sampai 5. Skor 0 mengindikasikan penilaian yang sangat buruk sedangkan skor 5
mengindikasikan penilaian yang sangat baik terhadap suatu indikator.
5
102

Skor

4

3

2
67
74

1
THTRAMPIL THCRBLJR

YKNHSL

CATUDIA

STRAINFO

NILCRBLJR STRASULIT

CAPAIAN

Indikator Kemampuan Metakognisi (METASTAT)

Gambar 4 Diagram kotak garis indikator peubah laten kemampuan metakognisi
statistika

9
Berdasarkan Gambar 4 tampak indikator YKNHSL dan STRASULIT
mempunyai kuartil pertama sekitar 3.25, artinya 75% data mempunyai nilai lebih besar
dari 3.25. Hal ini mengindikasikan bahwa sebagian besar mahasiswa sudah mempunyai
keyakinan terhadap faktor-faktor yang mempengaruhi hasil belajar (YKNHSL) yang
tinggi. Hal yang sama berlaku juga untuk indikator strategi menanggulangi berbagai
kesulitan ketika sedang memecahkan suatu masalah (STRASULIT). Indikator yang
paling rendah pada mahasiswa adalah pada indikator penilaian terhadap cara belajar
seseorang atau strategi yang digunakan (NILCRBLJR) yang memiliki nilai kuartil
pertama sebesar 2.69. Hal ini berarti 75% mahasiswa mempunyai skor lebih besar dari
2.69 pada indikator tersebut. Dengan kata lain mayoritas mahasiswa kurang memahami
penilaian terhadap cara belajar seseorang atau strategi yang digunakan untuk mata
kuliah Statistika.
Pada penelitian ini peubah laten pengetahuan awal (TAHUAWAL) diukur
dengan indikator nilai mata kuliah prasyarat. Nilai mata kuliah prasyarat mempunyai
rentang antara 0 sampai 100. Berikut diagram lingkaran nilai mata kuliah prasyarat.

Gambar 5 Diagram lingkaran nilai mata kuliah prasyarat
Dapat diamati dari Gambar 5 bahwa data nilai mata kuliah prasyarat mahasiswa
mengumpul pada 60  nilai < 70, 70  nilai < 80, dan 80  nilai < 90. Secara berturutturut, nilai mata kuliah prasyarat yang paling banyak didominasi mahasiswa adalah
yang berada pada rentang 60  nilai < 70 sebanyak 29%, 70  nilai < 80 sebanyak
24%, dan 80  nilai < 90 sebanyak 19%. Hal ini menunjukkan bahwa sebagian besar
nilai mata kuliah prasyarat mahasiswa sudah cukup baik, karena mahasiswa yang
mempunyai nilai di bawah 60 hanya 30%.

10
Indikator IP semester bernilai antara 0.00 sampai 4.00. Walaupun kasus
mahasiswa yang memperoleh IP semester sama dengan nilai minimum dan maksimum
tersebut sangat jarang dijumpai. Namun masih lebih mungkin untuk menjumpai seorang
mahasiswa yang memperoleh IP semester sebesar 4.00 daripada 0.00. Berikut adalah
diagram lingkaran IP semester yang diperoleh mahasiswa pada saat dilakukan
penelitian.

Gambar 6 Diagram lingkaran IP semester
Dapat diamati dari Gambar 6 bahwa tidak ada satu pun mahasiswa yang
memperoleh IP semester < 2.50 atau IP semester  3.50. Berdasarkan kedua gambar
tersebut juga tampak bahwa data IP semester mengumpul pada IP yang berada pada
rentang 3.00  IP semester < 3.25 sebanyak 61%. Berdasarkan Gambar 6 tampak
bahwa banyaknya mahasiswa yang mempunyai IP semester kurang dari 3.00 adalah
sebanyak 27%, dengan kecenderungan lebih didominasi pada 2.75  IP semester < 3.00
sebanyak 24%. Hal ini berarti perolehan IP semester sebagian besar mahasiswa sudah
baik.
2. Asumsi Normalitas Data
Dalam melakukan dugaan model, asumsi normalitas memegang peranan yang
cukup penting. Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah
data mengikuti distribusi normal, sehingga dapat diuji dengan menggunakan metode
statistik. Uji normalitas perlu dilakukan untuk data univariate maupun multivariate
karena beberapa peubah akan digunakan sekaligus dalam analisis akhir. Sebuah
distribusi dikatakan normal jika kurva data tidak menjulur ke kiri atau ke kanan. Dengan
kata lain, kurva data simetris dengan nilai skewness sama dengan nol. Selain itu kurva

11
data mempunyai keruncingan yang ideal atau nilai kurtosis sama dengan nol. Namun
nilai-nilai tersebut sulit didapatkan dalam praktek. Pada kebanyakan kasus, sebaran data
akan bervariasi pada skewness dan kurtosis yang negatif atau positif. Oleh karena itu,
yang akan diuji adalah seberapa miring atau seberapa runcing sebuah distribusi,
sehingga masih dapat dianggap normal walaupun tidak benar-benar berdistribusi
normal.
Nilai yang digunakan sebagai pembanding seberapa miring atau seberapa
runcing sebuah distribusi adalah nilai Z. Untuk tingkat kepercayaan 99% atau taraf
nyata  = 1% dari tabel Z diperoleh nilai Z / 2 = ± 2.58. Dengan demikian, sebuah
distribusi dikatakan normal jika nilai critical ratio (c.r.) skewness atau nilai c.r. kurtosis
berada di antara -2.58 dan +2.58. Sebaliknya, jika nilai-nilai tersebut lebih kecil dari 2.58 atau lebih besar dari +2.58 maka dapat dikatakan bahwa data mempunyai distribusi
yang tidak normal.
Pada salah satu bagian output AMOS versi 18 yang memuat uji normalitas
tampak bahwa distribusi data secara multivariate adalah normal, karena nilai cr
multivariate adalah 1.675 yang berada di antara -2.58 dan +2.58. Dengan cara yang
sama dapat disimpulkan bahwa secara univariate, data masing-masing peubah yang
digunakan pada penelitian ini berdistribusi normal. Data peubah kemampuan logika
mempunyai nilai cr kurtosis sebesar 3.093 namun nilai cr skewness sebesar 2.555
(masih dibawah 2.58). Dengan demikian, distribusi data peubah tersebut secara umum
masih dianggap berdistribusi normal.

3. Hasil Analisis Model Pengukuran
Validitas menunjukkan ketepatan suatu indikator mengukur dengan benar
peubah laten yang diukur, sedangkan reliabilitas menunjukkan kemantapan atau
kekonsistenan setiap indikator dalam mengukur peubah laten yang diukur (Kerlinger
1990). Suatu indikator dikatakan valid dan reliabel mengukur peubah laten jika nilai
factor loadings setiap indikatornya signifikan, yaitu probabilitas signifikansi (p) lebih
kecil dari taraf signifikansi (α) yang ditentukan sebesar 0.05. Selain itu, menurut
Ferdinand (2002) suatu indikator dikatakan valid dan reliabel jika nilai factor loadings
tidak kurang dari 0.40. Di sisi lain instrumen dikatakan reliabel jika nilai construct
reliability (CR) sama dengan atau lebih besar dari 0.70 (Hair et al. 2006).

12
Hasil analisis model pengukuran pada intinya identik dengan uji validitas dan
reliabilitas Instrumen. Untuk mengetahui apakah POTAKDMK, METASTAT, dan
KOGSTAT merupakan peubah laten yang masing-masing tersusun oleh indikatorindikatornya, digunakan analisis faktor konfirmatori yang hasilnya dapat dilihat pada
Gambar 7.

a

b

c
Gambar 7 Uji validitas peubah laten potensi akademik (a), kemampuan kognisi
statistika (b), dan kemampuan metakognisi statistika (c)

Pada Gambar 7 nilai factor loadings untuk masing-masing indikator ditunjukkan
oleh angka pada tanda panah yang menghubungkan masing-masing peubah laten ke
indikatornya. Misalnya angka pada tanda panah yang menghubungkan POTAKDMK ke
VERBAL adalah 0.68. Hal ini berarti secara statistik tes verbal nyata dalam mengukur
potensi akademik sebesar 0.68. Nyata atau tidaknya suatu indikator dalam mengukur

13
peubah laten dapat dilihat dari nilai-p pada regression weight. Jika nilai-p lebih kecil
dari  = 0.05 maka nilai factor loadings nyata secara statistik. Dengan cara yang sama
dapat diketahui besarnya nilai factor loadings untuk masing-masing indikator serta
nyata atau tidaknya nilai factor loadings tersebut. Karena besarnya nilai factor loadings
untuk masing-masing indikator pada ketiga peubah laten tidak ada yang kurang dari
0.40 dan keseluruhan nilai-p lebih kecil dari  = 0.05, maka masing-masing indikator
ketiga peubah laten tersebut valid dan reliabel.
Uji instrumen yang berupa tes dan angket adalah reliabilitas secara keseluruhan
indikator-indikator dalam mengukur peubah laten yang diteliti. Secara berurutan, nilai
CR untuk peubah laten tes potensi akademik, angket kemampuan metakognisi statistika,
dan tes kemampuan kognisi statistika adalah 0.756, 0.904, dan 0.610. Dengan demikian,
model pengukuran yang diindikasikan mempunyai reliabilitas memadai adalah tes
potensi akademik dan angket kemampuan metakognisi statistika. Walaupun model
pengukuran tes kemampuan kognisi statistika mempunyai nilai CR yang kurang dari
0.70, namun pada penelitian ini model pengukuran tersebut tetap digunakan, karena
reliabilitas yang kurang dari 0.70 dapat diterima untuk penelitian yang masih bersifat
eksploratori (Ghozali 2005).

4. Uji Kecocokan Model
Pada bagian ini dilakukan pengukuran hubungan kausal antar peubah dengan
MPS. Model dikatakan baik bilamana pengembangan model secara teoritis didukung
oleh data empiris. Selanjutnya delapan uji kecocokan model sebelum modifikasi dan
setelah modifikasi dapat dilihat pada Tabel 1. Tabel tersebut menunjukkan bahwa model
sebelum modifikasi belum layak digunakan untuk pembuktian hipotesis (probabilitas
signifikansi (P) = 0.002 < 0.05). Dengan demikian, perlu dilakukan modifikasi terhadap
model. Modifikasi model dilakukan dengan cara merujuk pada modification indices,
dengan memodifikasi model hubungan antar error dan tidak memodifikasi jalur
pengaruh.
Tabel 1 Hasil uji kecocokan model sebelum dan setelah modifikasi
Kriteria

Nilai cut-off

Chi–square
nilai-p

Diharapkan kecil
 0.05

Hasil komputasi
Sebelum modifikasi Setelah modifikasi
179.858
88.036
0.002
0.982

14
Kriteria

Nilai cut-off








GFI
RMSEA
TLI
IFI
CFI
CMIN/DF

0.90
0.08
0.90
0.90
0.90
2.00

Hasil komputasi
Sebelum modifikasi Setelah modifikasi
0.851
0.922
0.060
0.000
0.915
1.055
0.931
1.040
0.928
1.000
1.394
0.746

Pada Tabel 1 tampak kedelapan kriteria yang digunakan untuk menilai layak
tidaknya suatu model telah terpenuhi untuk model setelah modifikasi. Oleh karena itu
model setelah modifikasi dapat diterima karena adanya kecocokan antara model dengan
data.
5. Hasil Analisis Model Struktural
Karena adanya kecocokan antara model dengan data, maka koefisien jalur dari
masing-masing hubungan antar peubah yang digunakan dalam penelitian ini akan
disajikan untuk menguji hipotesis. Hubungan

kausalitas antar peubah dan nilai

koefisien jalur untuk pengujian hipotesis dapat dijelaskan pada Tabel 2 sebagai berikut.

Tabel 2 Hasil pendugaan dan pengujian pengaruh antar peubah penelitian
METASTAT
TAHUAWAL
KOGSTAT
KOGSTAT
KOGSTAT
PRESAKDMK
PRESAKDMK
PRESAKDMK