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
3
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 Loading memiliki 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: ε tidak berkorelasi dengan η a. b.
δ tidak berkorelasi dengan ξ
c. d.
ζ tidak berkorelasi dengan ξ ε , δ ,dan ζ 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 : η = Vektor peubah laten tak bebas (latent endogenous) berukuran mxl ξ = Vektor peubah laten bebas (latent eksogenous) berukuran nxl β = Matriks koefisien dari η berukuran mxm
Γ = Matriks koefisien dari ξ berukuran mxn ζ = Vektor sisaan hubungan antara η 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 : y y
(2)
x x
(3) dengan : y = Vektor-vektor peubah indikator yang dapat diamati secara langsung (peubah indikator) bagi η berukuran pxl x = Vektor-vektor peubah indikator yang dapat diamati secara langsung (peubah indikator) bagi ξ berukuran qxl ε = Vektor-vektor galat pengukuran dari y dan x dengan ukuran masing masing pxl δ = 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.
4
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:
2
std.i Constructreliability 2 std.i ei 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 sampling dan nonprobability 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: -1 FML log tr S -log S - p q
dengan asumsi S dan ∑( ) adalah matriksmatriks definit positif, sedangkan p+q adalah banyaknya peubah teramati dalam model.
5
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.
H 0 : ( )
H1 : ( )
Dengan Σ adalah matriks input, sedangkan Σ(θ) 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 :
1 tr ˆ S 1
GFI 1
r( r 1) (1 GFI) 2d b
AGF I 1
1 tr ˆ S
2
2
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
=
2
(
( − ) + )( + + 1)
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.
RMSEA
2 db ( n 1) db
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 : k ( k 1) [1 GFI ] 2 db
AGFI 1
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
6
perbandingan antara model yang diusulkan dengan model awal (null model).
2 2 proposed null df df null proposed NNFI 2 null 1 df null
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 2 2 null proposed NFI 2 null
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. [Dillon dan Goldstein, 1984]
