ANALISIS PENGARUH MATA KULIAH PENGANTAR TECHNOPRENEURSHIP/ KEWIRAUSAHAAN TERHADAP PERILAKU ENTREPRENEURSHIP MAHASISWA ITS 1
Tety Dewi Novita Sari (1306 100 041) dan 2 Dwi Endah Kusrini, S.Si, M.Si 1 Mahasiswa Jurusan Statistika ITS, 2Dosen Jurusan Statistika ITS 1
[email protected] ,
[email protected]
Abstrak Pendidikan entrepreneurship semakin berkembang beberapa tahun terakhir. Hal ini terlihat dari banyaknya perguruan tinggi yang telah menjadikan mata kuliah kewirausahaan sebagai mata kuliah wajib yang harus ditempuh oleh setiap mahasiswa. Institut Teknologi Sepuluh Nopember Surabaya (ITS) merupakan salah satu perguruan tinggi negeri yang turut berperan dalam menyiapkan lulusan yang mampu menciptakan lapangan kerja sendiri. Ingin dikaji lebih dalam mengenai pengaruh perkembangan pendidikan kewirausahaan yang dulu hanya di jadikan mata kuliah pilihan dan sekarang menjadi mata kuliah wajib, terhadap perilaku entrepreneurship mahasiswa ITS yang telah mengambil dan lulus mata kuliah tersebut. Dengan menggunakan Model Persamaan Struktural, maka diperoleh hasil bahwa yang berpengaruh signifikan terhadap perilaku entrepreneurship mahasiswa ITS (kognitif, afektif, dan psikomotor) adalah pemberian materi kuliah. Sedangkan sistem pembelajaran yang diterapkan meliputi dosen pengajar,evaluasi belajar dan fasilitas belajar berpengaruh signifikan namun bernilai negatif. Kata Kunci : Model Persamaan Struktural, Kognitif, Afektif, Psikomotor, Materi dan Sistem Pembelajaran. 1. PENDAHULUAN Pendidikan entrepreneurship semakin berkembang beberapa tahun terakhir. Mulai dari jenjang pendidikan sekolah dasar hingga jenjang pendidikan yang paling tinggi. Hal ini terlihat dari banyaknya perguruan tinggi yang telah menjadikan mata kuliah kewirausahaan sebagai mata kuliah wajib yang harus ditempuh oleh setiap mahasiswa. Adanya dukungan dari Departemen Pendidikan Nasional dengan mengembangkan berbagai kebijakan dan program untuk mendukung terciptanya lulusan perguruan tinggi yang lebih siap bekerja dan menciptakan pekerjaan. Dukungan ini terutama berupa hal yang terkait dengan pendanaan. Institut Teknologi Sepuluh Nopember Surabaya (ITS) merupakan salah satu perguruan tinggi negeri yang turut berperan dalam menyiapkan lulusan yang mampu menciptakan lapangan kerja sendiri. Pendidikan yang berkaitan dengan entrepreneurship ini sudah diterapkan pada kurikulum lama dan dijadikan salah satu mata kuliah pilihan yaitu mata kuliah Kewirausahaan, namun sekarang dengan adanya perubahan kurikulum yang baru mata kuliah ini menjadi mata kuliah wajib yaitu Pengantar Technopreneurship. Tujuan dari kebijakan ini adalah agar setiap mahasiswa ITS mempunyai pengetahuan yang lebih luas tentang entrepreneur dan mampu menjadi entrepreneur yang berbasis teknologi. Penelitian ini bertujuan untuk mengetahui pengaruh dari matakuliah yang telah diajarkan dengan perubahan perilaku entrepreneurship mahasiswa yang meliputi Kognitif, Afektif dan Psikomotor. Metode yang digunakan dalam penelitian ini adalah Model Persamaan Struktural karena variabel yang digunakan adalah variabel konstruk dimana variabelnya tidak dapat diukur secara langsung tapi melalui beberapa indikator. 2. TINJAUAN PUSTAKA Structural Equation Modeling (SEM) Model Persamaan Struktural adalah salah satu bagian dari analisis multivariate yang berupa persamaan linier dari variabel yang memiliki hubungan sebab akibat (Johnson and Wichern, 1998). Dalam Model Persamaan Struktural memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model (Bagozi dan Fornell dalam Ghozali dan Fuad, 2005). Variabel Laten dan Variabel Observasi Variabel laten atau sering disebut variabel konstruk adalah variabel yang tidak bisa diukur secara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya (Ghozali dan
1
Fuad, 2005). Variabel observasi atau juga disebut manifest variable adalah variabel yang pengukurannya dilakukan secara langsung berupa item-item pertanyaan dalam kuisioner. Variabel observasi digunakan sebagai indikator dari variabel laten. Model Struktural Model umum persamaan struktural dapat dituliskan dalam persamaan matrik berikut (Johnson and Wichern, 1998). (2.1) ( mx1) B( mxm) ( mx1) ( mxn ) ( nx1) ( mx1) dimana : = Variabel laten endogen B = Koefisien pengaruh variabel laten endogen = Koefisien pengaruh variabel laten eksogen = Vaiabel laten eksogen
= Error model struktural m = Banyaknya variabel laten endogen n = Banyaknya variabel laten eksogen Model Pengukuran Model pengukuran adalah hubungan antara variabel indikator (observasi) dengan variabel konstruk (variabel laten). Hubungan ini dinyatakan dengan faktor loading (𝜆) yang menunjukkan besar korelasi antara indikator dengan variabel laten yang dijelaskannya. Hasil pengujian dengan uji t, bila signifikan berarti indikator tersebut valid. Bentuk persamaan model satu faktor tersebut adalah sebagai berikut : x1 = 1 + 1 x2 = 2 + 2 ⋮
xp = p + p Dalam bentuk matriks dapat dituliskan X = ΛXξ + δ Dimana : x1, x2, …, xp adalah variabel indikator dari variabel laten eksogen ( ) 1 , 2 ,..., p adalah loading factor dari model 1 , 2 ,..., p adalah error untuk tiap persamaan. Asumsi dalam SEM 1. Data berdistribusi Normal Multivariat Asumsi ini dihitung menggunakan jarak yang diperoleh dari perhitungan sebagai berikut :
d Dimana :
2 j
1
( x j x)' S ( x j x), j 1,2,...n
d 2j xj
= jarak kuadrat pada setiap pengamatan = vektor data pengamatan = vektor nilai rata-rata x S 1 = matriks varian kovarian data Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai d 2j > 2 (Johnson and Wichern, 1998). Untuk mempermudah dalam perhitungannya, pemeriksaan asumsi ini dilakukan menggunakan macro minitab. 2. Asumsi Multikoliniearitas Sama seperti halnya pada analisis multivariat lainnya, salah satu asumsi yang harus dipenuhi adalah multikoliniearitas. Asumsi ini mengharuskan tidak adanya korelasi yang sempurna atau besar diantara variabel-variabel independen. Nilai korelasi yang tidak diperbolehkan adalah sebesar 0.9 atau lebih (Ghozali dan Fuad, 2005). Untuk mendeteksi adanya multikolinearitas antar variabel independen, digunakan matriks X’X. Bila nilai dari determinan matriks ini bernilai nol, maka dapat dikatan terjadi kasus multikolinearitas.
2
Confirmatory Factor Analysis (CFA) Analisis Faktor dibedakan menjadi dua macam, yakni analisis faktor eksploratori dan analisis faktor konfirmatori (CFA). Dalam analisis faktor konfirmatori dilakukan konfirmasi lebih lanjut menguji sebuah teori atau konsep mengenai sebuah proses atau sebuah fenomena. Pada prinsipnya analisis ini hanya melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada terhadap keakuratan (valid dan reliabel) kuisioner yang dibuat. Variabel dikatakan valid jika dapat mengukur secara tepat dan cermat suatu alat ukur dalam melaksanakan fungsi ukurnya. Untuk mengetahui apakah variabel indikator benar-benar valid dalam mengukur faktor atau construct sehingga menjelaskan dimensi faktornya (unidimensionalitas) dilakukan dengan statistik uji t. Penggunaan uji t ini dikarenakan loading facto (λi) dalam analisis faktor konfirmatori dengan menggunakan estimate kedudukanya sama seperti besaran regresi. Hipotesis yang digunakan adalah sebagai berikut : H0 : λi = 0 (loading factor tidak signifikan dalam mengukur variabel laten) H1 : λi ≠ 0 (loading factor signifikan dalam mengukur variabel laten) dimana i = 1,2,......p adalah variabel indikator. Dan t-value dapat dihitung dari rumus berikut :
t
ˆ S (ˆi )
(2.2)
𝜆𝑖 = taksiran parameter hubungan kausal
dengan :
S (ˆi )
ˆ 2
ˆ 2 n
(X i 1
X )2
i
dari variabel observasi X : varians Xi : nilai observasi X X : rata-rata dari nilai observasi X Bila t-value < t (α,df) maka terima H0 dan estimasi parameter hubungan kausal (koefisien regresi) tidak signifikan dalam mengukur hubungan kausalitas. sehingga dikatakan tidak terbentuk unidimensionalitas. Reliabilitas variabel laten dapat diketahui dari nilai construct reliability ( c ) dengan rumus p sebagai berikut : ( i ) 2 (2.3)
c
i 1
p
p
i 1
i 1
[( i ) 2 ( i )]
dimana :
c
= construct reliability = loading factor variabel indikator = error variabel indikator p = banyaknya indikator variabel laten Variabel laten reliabel jika nilai construct reliability ( c ) lebih dari 0,6 (Ghozali dan Fuad, 2005). Estimasi Parameter Estimasi paramater pada CFA ini, dilakukan dengan membandingkan matriks varians kovarians measurement model model dengan matriks varian kovarians data observasi.
E(x 2j ) E[(λ j ξ δ j ) 2 ] λ 2j E(ξ 2 ) E(δ 2j ) 2E(λ j ξδ j ) [E(x j )]2 [E(λ j ξ δ j )]2 λ 2j [ E ( )]2 2 j E( )E(δ j ) [E(δ j )]2 2
diasumsikan varians faktor laten () adalah satu dengan error () dan antar kontruk tidak berkorelasi, dan error tidak berkorelasi dengan error yang lain.
3
Var (x1) = E (1 + 1)2 – [E(1 + 1)]2 = 12 + Var (1) Var (x2) = E (2 + 2)2 – [E(2 + 2)]2 = 22 + Var (2) Cov (x1, x2) = E (x1x2) - E(x1) E (x2) = E [ (1 + 1) (2 + 2) ] - E(1 + 1) E(2 + 2) = E (122 + 12 + 21 + 12) – 0 = 12 Sehingga matriks varian kovarians measurement model model didapatkan :
λ 2 Vδ1 Σθ 1 λ 2 λ1
λ1λ 2 λ 2 Vδ 2
(2.4)
2
dan matriks varian kovarians data observasi sebagai berikut :
Var x 1 Σ θ Covx 2 , x 1
Covx 1 , x 2 Var x 2
(2.5)
Matriks varians kovarians pada persamaan (2.4) dan persamaan (2.5), ditulis sebagai berikut :
Σθ Σ θ λ1 2 Vδ1 λ λ 2 1
(2.6)
Var x 1 λ1λ 2 λ 2 Vδ 2 Covx 2 , x 1 2
Covx 1 , x 2 Var x 2
Didapatkan persamaan sebagai berikut : 12 + Var (1) = Var (x1) 22 + Var (2) = Var (x2) 12 = Cov (x1, x2) Sehingga diperoleh nilai estimasi parameter 1, 2, Var (1) dan Var (2) adalah 2 Var ( x) ˆ var( ) .
Uji Kesesuaian Model Beberapa kriteria dalam uji kesesuaian model yang muncul pada output LISREL akan disajikan dalam Tabel 2.1 sebagai berikut: Tabel 2.1 Goodness of Fit Statistics Index
Goodness of Fit Index χ2 – Chi Square P-value RMSEA GFI AGFI CFI
Nilai yang diharapkan χ2 ≤ χ2(𝛼)
≥ 0,05 ≤ 0,08 0,9 0,9 0,9
Definisi Entrepreneur Dalam Young Entrepreneur (2007), Pieter Sarosa mendefinisikan seorang entrepreneur adalah seseorang yang memiliki visi, semangat, dan melakukan tindakan-tindakan nyata dalam usaha menciptakan dan mengembangkan sendiri sumber-sumber pendapatannya tanpa bergantung pada orang lain. Hal yang sama juga diungkapkan Meredith (2000), bahwa seorang wirausaha adalah seorang yang mampu melihat dan menilai peluang bisnis, mengumpulkan sumber daya yang dibutuhkan untuk mengambil keuntungan dan mengambil tindakan yang tepat guna memastikan sukses. Perilaku entrepreneurship mahasiswa Untuk mengetahui perilaku entrepreneurship dari proses hasil belajar dapat diketahui dengan menerapkan teori yang dikembangkan oleh Bloom, 1956. Taksonomi Bloom merujuk pada taksonomi
4
yang dibuat untuk tujuan pendidikan. Dalam hal ini, tujuan pendidikan dibagi menjadi beberapa domain dan setiap domain tersebut dibagi kembali ke dalam pembagian yang lebih rinci yaitu : 1. Cognitive Domain (Ranah Kognitif), yang berisi perilaku-perilaku yang menekankan aspek intelektual, seperti pengetahuan, pemahaman, penerapan, analisis, evaluasi, berpikir kreatif. Berdasarkan teori Bloom dan revisi dari Anderson and Krathwohl (2001) dalam Bloom’s Taxonomy (2010). 2. Affective Domain (Ranah Afektif) berisi perilaku-perilaku yang menekankan aspek perasaan dan emosi, seperti menangkap respon, respon aktif, penghargaan terhadap nilai, pengorganisasian, menjadi karakter/life style menurut Kratwohl, Bloom and Masia (1964) dalam Bloom’s Taxonomy (2010). 3. Psychomotor Domain (Ranah Psikomotor) berisi perilaku-perilaku yang menekankan aspek keterampilan motorik seperti persepsi, kesiapan, coba-coba, mempraktekkan teori, penyesuaian, penciptaan menurut Simpson (1972) dalam Bloom’s Taxonomy of Learning Domains (2010). Evaluasi dari mata Kuliah Menurut Putro (2010), salah satu faktor penting untuk mencapai tujuan pendidikan adalah proses pembelajaran yang dilakukan sedangkan salah satu faktor penting untuk efektivitas pembelajaran adalah faktor evaluasi baik terhadap proses maupun hasil belajar. Berdasarkan tujuan dari mata kuliah Pengantar Technopreneur/Kewirausahaan yaitu merubah mindset mahasiswa dari job seeker menjadi job creator dan diharapkan mahasiswa mampu membuat rencana bisinis secara mandiri (berdasarkan silabus mata kuliah tersebut). Variabel yang berkaitan dengan Evaluasi mata kulaih ini yaitu dari segi materi yang diajarkan (komposisi materi) dan sistem pembelajaran yang diterapkan (dosen pengajar, evaluasi belajar, tugas dan fasilitas belajar). 3. METODE PENELITIAN Sumber Data Data yang digunakan pada penelitian ini merupakan data primer. Data tersebut didapatkan dengan menggunakan metode survei melalui kuisioner yang dilaksanakan pada minggu ke-3 bulan Mei 2010. Kerangka sampling yang digunakan yaitu data mahasiswa ITS yang telah lulus mata kuliah KWU/Pengantar technopreneurship dari angkatan 2005-2008. Metode pengambilan Sampel Metode pengambilan sampel yang digunakan dalam penelitian ini adalah probability sampling. Untuk mengetahui jumlah sampel dari masing-masing jurusan maka nilainya diproporsikan dari besarnya mahasiswa pada tiap jurusan. Pada masing-masing jurusan akan dilakukan pengamatan dengan ukuran sampel proporsional terhadap jumlah mahasiswa dengan rumus: Keterangan: 𝑁 𝑛= n : ukuran sampel 1 + 𝑁𝑒 2 e : batas kesalahan N: jumlah populasi Secara umum ukuran sampel pada masing-masing jurusan yang akan diambil adalah : Keterangan: Ni Ni = ukuran populasi untuk tiap jurusan ni n n = ukuran sampel tiap jurusan N Dengan menggunakan batas kesalahan sebesar 10% maka diperoleh jumlah sampel minimun dengan perhitungan sebagai berikut: 1200 𝑛= = 92 𝑜𝑟𝑎𝑛𝑔 1 + 1200 0.1 2 Tetapi yang digunakan dalam analisis jumlah sampel adalah sebesar 102 yang diperoleh dari pembulatan masing-masing jurusan. Pemeriksaan kecukupan data Pemeriksaan kecukupan data perlu dilakukan karena variabel yang digunakan dalam penelitian ini diukur oleh beberapa indikator. Pemeriksaan dilakukan dengan melihat nilai KMO dengan menggunakan program SPSS.
5
Variabel Penelitian Variabel demografi dan internal mahasiswa meliputi : Jenis Kelamin, Angkatan, Tempat tinggal, Transportasi, Pekerjaan orang tua, Pendidikan Orang tua, Keaktifan dalam kegiatan Entrepreneur, Keikutsertaan dalam Lomba Bisnis Plan, Kepemilikan Usaha Mandiri. Variabel Laten terdiri dari variabel Kognitif, Afektif, Psikomotor, Materi, dan Sistem Pembelajaran. Metode Analisis Metode analisis yang digunakan dalam penelitian ini melalui tahap-tahap sebagai berikut: 1. Untuk menjawab tujuan yang pertama yaitu analisis karakteristik variabel demografi dan internal mahasiswa maka digunakan analisis statistika deskrptif dengan tabel dan diagram lingkaran. 2. Untuk menjawab tujuan yang kedua yaitu analisis perubahan perilaku entrepreneurship mahasiswa maka digunakan Structural equation Modelling (SEM) dengan langkah analisis sebagai berikut: a. Pemeriksaan asumsi data berdistribusi normal multivariat dan tidak adanya multikolinearitas pada data. Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai 𝑑𝑗2 > 2 . Sedangkan untuk pemeriksaan asumsi multikolinearitas, digunakan determinan matrik korelasi. Jika determinan matrik korelasi bernilai nol, maka dapat dikatakan terjadi kasus multikolinearitas. b. Pengujian Unidimensionalitas setiap variabel laten dengan menggunakan Confirmatory Factor Analysis (CFA). CFA dilakukan untuk mencari solusi yang unik untuk koefisien model. Sebuah model dikatakan unidimensional jika telah memenuhi kriteria kelayakan model. Jika belum memenuhi kriteria tersebut, dilakukan modifikasi model dengan mengkorelasikan error indikator yang dapat menurunkan nilai chi-square. Hal ini terus dilakukan hingga mendapatkan model terbaik sesuai kriteria kebaikan model. c. Analisis Model Persamaan Struktural - Pengembangan model berbasis konsep dan teori - Mengkonstruksi path diagram - Evaluasi Goodness of fit Goodness of fit yang dihasilkan dari perhitungan Model Persamaan Struktural harus memenuhi kriteria goodness of fit. - Interpretasi dan modifikasi model. Intrepretasi model yang dihasilkan berdasarkan output dari program LISREL. Model akhir yang dihasilkan dapat berupa modifikasi dari variabel yang ada. Modifikasi dilakukan agar diperoleh mdel yang lebih sesuai dengan kasus yang penelitian. 4. ANALISIS DAN PEMBAHASAN Pemeriksaan Kecukupan data Pemeriksaan ini dilakukan untuk mengetahui apakah data yang digunakan dalam analisis sudah memenuhi kecukupan data. Dengan melihat nilai KMO (Kaiser Meyer Olkin) apabila bernilai > 0,8 maka telah memenuhi kecukupan data untuk analisis. Berikut ini adalah data hasil pemeriksaan dari SPSS. Berdasarkan hasil nilai KMO pada Tabel 4.1 maka dapat disimpulkan bahwa semua variabel telah memenuhi kecukupan data untuk analisis. Tabel 4.1 Pemeriksaan Kecukupan Data
Variabel laten Kognitif Afektif Psikomotor Materi Sistem Pembelajaran
Nilai KMO 0,853 0,782 0,836 0,808 0,917
Kesimpulan Data tetah cukup Data tetah cukup Data tetah cukup Data tetah cukup Data tetah cukup
Asumsi Data Berdistribusi Normal Multivariat Dalam analisa multivariate, asumsi yang mutlak untuk dipenuhi adalah asumsi normalitas. Asumsi normal diperlukan dalam analisis karena seluruh uji statistik dihitung dengan asumsi data
6
normal. Pemeriksaan asumsi ini dilakukan dengan menggunakan macro Minitab dan hasil running terdapat di Lampiran. Hasil yang diperoleh akan disajikan pada Tabel4.2. Tabel 4.2 Pemeriksaan Normal Multivariat Variabel Laten
Variabel
Nilai daerah di bawah kurva
Kognitif
2
Kesimpulan
0,558824
Data berdistribusi Normal Multivariat
Afektif 0,647059 Data berdistribusi Normal Multivariat Psikomotor 0,617647 Data berdistribusi Normal Multivariat Materi 0,598039 Data berdistribusi Normal Multivariat Sistem Pembelajaran 0,676471 Data berdistribusi Normal Multivariat Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai 𝑑𝑗2 > 2 . Berdasarkan nilai pada Tabel 4.3 dapat dilihat bahwa nilai dari daerah dibawah kurva 2 adalah > 50% sehingga dapat dikatan bahwa semua variabel laten telah memenuhi asumsi data berdistribusi normal multivariat. Asumsi Tidak Adanya Multikolinearitas Pemeriksaan asumsi ini perhitungannya didasarkan pada nilai determinan dari matriks X ' X untuk variabel Laten eksogen yaitu antara variabel materi dan Sistem pembelajaran yang disajikan dalam Tabel 4.3. Tabel 4.3 Pemeriksaan Multikolinearitas Variabel Eksogen
Variabel eksogen
X'X
Materi dengan Sistem Pembelajaran
2420881718
Kesimpulan Tidak terjadi kasus multikolinearitas
Berdasarkan nilai matriks X ' X yang tidak bernilai nol, maka dapat dikatakan bahwa tidak ada multikolinearitas antar variabel eksogen. Unidimensionalitas Variabel Kognitif Variabel laten Kognitif terdiri dari enam variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) jika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Berdasarkan Tabel 4.4 terdapat dua indikator yang memenuhi cut off value sehingga memungkinkan untuk menyatakan bahwa model cukup baik dan berada pada kondisi unidimensional. Tabel 4.4 Goodness of fit Variabel Laten Kognitif
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 ≤ 16,919 χ2 – Chi Square 22,91 Kurang baik P-value ≥ 0,05 0,0064 Kurang baik RMSEA ≤ 0,08 0,11 Kurang baik 0,9 GFI 0,94 Baik AGFI 0,85 Kurang baik 0,9 CFI 0,96 Baik 0,9 Tahap selanjutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana juga dapat dijadikan ukuran validitas. Tabel 4.5 Loading Factor Indikator Variabel Laten Kognitif
Hubungan KO1 ← KOGNITIF KO2 ← KOGNITIF KO3 ← KOGNITIF KO4 ← KOGNITIF KO5 ← KOGNITIF KO6 ← KOGNITIF Jumlah
Nilai Loading 0,54 0,55 0,48 0,65 0,72 0,60 3,54
7
Error 0,17 0,31 0,21 0,20 0,25 0,48 1,62
t 9,34 7,83 8,08 9,81 9,73 7,06
Keterangan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan
Nilai loading factor dari model dapat dilihat pada Tabel 4.5. Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.4 dapat dilihat bahwa nilai │t-value│ untuk masing-masing indikator lebih besar dari 1,96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Kognitif (KO) dengan menggunakan estimate adalah : KO1 = 0,54 KOGNITIF + ɛ1 KO2 = 0,55 KOGNITIF + ɛ2 KO3 = 0,48 KOGNITIF + ɛ3 KO4 = 0,65 KOGNITIF + ɛ4 KO5= 0,72 KOGNITIF + ɛ5 KO6= 0,60 KOGNITIF + ɛ6 Berdasarkan measurenment model, dapat diketahui bahwa indikator KO5 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator KO5 yaitu Evaluasi memiliki kontribusi paling besar dalam membentuk variabel laten Kognitif. Unidimensionalitas Variabel Afektif Variabel laten Afektif terdiri dari lima variabel indikator. unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA).
Untuk
mengetahui
Tabel 4.6 Goodness of fit Variabel Laten Afektif
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 ≤ 11,070 χ2 – Chi Square 11,17 Mendekati Baik P-value ≥ 0,05 0,048 Mendekati Baik RMSEA ≤ 0,08 0,11 Kurang baik GFI 0,96 Baik 0,9 AGFI 0,88 Mendekati baik 0,9 CFI 0,96 Baik 0,9 Model dikatakan baik (fit) jika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Pada tabel 4.6 semua kriteria telah memenuhi cut off value kecuali RMSEA, namun model ini masih dapat dikatakan baik. Sehingga dapat disimpulkan bahwa variabel laten Afektif dengan lima indikator telah berada pada kondisi yang unidimensional. Tabel 4.6 Loading Factor Indikator Variabel Laten Afektif
Hubungan Nilai Loading Error t Keterangan A1 ← AFEKTIF 0,60 0,77 5,64 Signifikan A2 ← AFEKTIF 0,67 0,73 6,33 Signifikan A3 ← AFEKTIF 0,65 0,28 8,45 Signifikan A4 ← AFEKTIF 0,69 0,84 6,14 Signifikan A5 ← AFEKTIF 0,71 0,25 9,10 Signifikan Jumlah 3,32 2,87 Tahap selanjutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana juga dapat dijadikan ukuran validitas. Nilai loading factor dari model dapat dilihat pada Tabel 4.6. Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.6 dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1,96 (nilai ttabel pada tingkat signifikansi 𝛼 = 5%). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Afektif (A) dengan menggunakan estimate adalah : A1 = 0,60 AFEKTIF + ɛ1 A2 = 0,67 AFEKTIF + ɛ2 A3 = 0,65 AFEKTIF + ɛ3 A4 = 0,69 AFEKTIF + ɛ4 A5 = 0,71 AFEKTIF + ɛ5 Berdasarkan measurenment model, dapat diketahui bahwa yang memiliki kontribusi paling besar dalam membentuk variabel laten Afektif adalah indikator A5 yaitu Karakteristik nilai/life style. Unidimensionalitas Variabel Psikomotor Variabel laten Psikomotor terdiri dari enam variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) jika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria.
8
Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Tabel 4.7 Goodness of fit Variabel Laten Psikomotor
Goodness of fit Index Cut off value Hasil Model Keterangan 2 2 χ ≤ 16,919 χ – Chi Square 18,53 Kurang baik P-value ≥ 0,05 0,03 Kurang baik RMSEA ≤ 0,08 0,1 Kurang baik GFI 0,94 Baik 0,9 AGFI 0,87 Mendekati baik 0,9 CFI 0,96 Baik 0,9 Berdasarkan Tabel 4.8 dapat dilihat bahwa hasil modifikasi model semua kriteria telah memenuhi cut off value sehingga dapat dikatakan bahwa model yang dihasilkan sudah baik. Dengan demikian, dapat disimpulkan model pengukuran variabel Psikomotor dengan enam indikator sudah berada pada kondisi unidimensional. Tabel 4.8 Goodness of fit Variabel Laten Psikomotor - Modifikasi
Goodness of fit Cut off value Hasil Model Keterangan Index χ2 ≤ 15,507 χ2 – Chi Square 6,05 Baik P-value ≥ 0,05 0,64 Baik RMSEA ≤ 0,08 0.00 Baik GFI 0.98 Baik 0,9 AGFI 0,95 Baik 0,9 CFI 1,00 Baik 0,9 Tahap selanjutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana juga dapat dijadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.9 berikut : Tabel 4.9 Loading Factor Indikator Variabel Laten Psikomotor
Hubungan Nilai Loading Error t Keterangan PS1 ← PSIKOMOTOR 0,60 0,67 6,10 Signifikan PS2 ← PSIKOMOTOR 0,99 0,65 8,70 Signifikan PS3 ← PSIKOMOTOR 0,99 1,69 6,32 Signifikan PS4 ← PSIKOMOTOR 0,86 0,23 10,26 Signifikan PS5 ← PSIKOMOTOR 0,74 0,78 6,75 Signifikan PS6 ← PSIKOMOTOR 0,54 0,70 5,47 Signifikan Jumlah 4,72 4,72 Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.9 dapat dilihat bahwa nilai │t-value│ untuk masing-masing indikator lebih besar dari 1,96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Variabel laten Kognitif dapat dikatakan reliabel karena nilai construct reliability sebesar 0,825 yang lebih besar dari 0,6 (Ghozali dan Fuad, 2005). Measurement model dari variabel laten Psikomotor (PS) dengan menggunakan estimate adalah : PS1 = 0,60 PSIKOMOTOR + ɛ1 PS2 = 0,99 PSIKOMOTOR + ɛ2 PS3 = 0,99 PSIKOMOTOR + ɛ3 PS4 = 0,86 PSIKOMOTOR + ɛ4 PS5= 0,74 PSIKOMOTOR + ɛ5 PS6 = 0,54 PSIKOMOTOR + ɛ6 Berdasarkan measurenment model, dapat diketahui bahwa indikator PS2 dan PS3 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator PS2 dan PS3 yaitu Memulai dan Coba-coba memiliki kontribusi paling besar dalam membentuk variabel laten Psikomotor.
9
Unidimensionalitas Variabel Materi Variabel laten Materi terdiri dari 10 variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) jika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Pada output Lisrel, diperoleh nilai goodness of fit untuk variabel Materi pada Tabel 4.10. Tabel 4.10 Goodness of fit Variabel Laten Materi
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 ≤ 49,80 χ2 – Chi Square 207,05 Kurang baik P-value ≥ 0,05 0,00 Kurang baik RMSEA ≤ 0,08 0,22 Kurang baik GFI 0,71 Kurang baik 0,9 AGFI 0,54 Kurang baik 0,9 CFI 0,71 Kurang baik 0,9 Dari Tabel 4.10 diketahui bahwa semua indikator penilaian goodness of fit belum memenuhi cut off value, sehingga diperlukan modifikasi model guna memperoleh model yang sesuai. Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Berdasarkan Tabel 4.11 dapat dilihat bahwa hanya kriteria CFI dan GFI yang memenuhi cut off value, namun dua kriteria telah terpenuhi maka masih memungkinkan model untuk dikatakan baik. Dengan demikian, dapat disimpulkan model pengukuran variabel laten materi dengan 10 indikator sudah berada pada kondisi unidimensional. Tabel 4.11 Goodness of fit Variabel Laten Materi - Modifikasi
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 ≤ 42,557 χ2 – Chi Square 50,74 Kurang baik P-value ≥ 0,05 0,0026 Kurang baik RMSEA ≤ 0,08 0,097 Kurang baik GFI 0,91 Baik 0,9 AGFI 0,81 Mendekati baik 0,9 CFI 0,95 Baik 0,9 Tahap selanjutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana juga dapat dijadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.12. Tabel 4.12 Loading Factor Indikator Variabel Laten Materi
Hubungan Nilai Loading Error t Keterangan M1 ← MATERI 0,74 2,40 4,39 Signifikan M2 ← MATERI 0,95 2,26 5,53 Signifikan M3 ← MATERI 1,31 0,72 10,20 Signifikan M4 ← MATERI 1,27 0,37 11,46 Signifikan M5 ← MATERI 1,24 0,62 10,31 Signifikan M6 ← MATERI 1,20 1,06 8,80 Signifikan M7 ← MATERI 0,80 1,3 6,09 Signifikan M8 ← MATERI 0,54 1,98 3,56 Signifikan M9 ← MATERI 0,95 1,48 6,67 Signifikan M10 ← MATERI 1,00 2,5 5,61 Signifikan Jumlah 10,00 14,69 Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.12 dapat dilihat bahwa nilai │t-value│ untuk masing-masing indikator lebih besar dari 1,96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Materi (M) dengan menggunakan estimate adalah : M1 = 0,74 MATERI + δ1 M2 = 0,95 MATERI + δ2 M3 = 1,31 MATERI + δ3 M4 = 1,27 MATERI + δ4 M5 = 1,24 MATERI + δ5 M6 = 1,20 MATERI + δ6 M7 = 0,80 MATERI + δ7 M8 = 0,54 MATERI + δ8 M9 = 0,95 MATERI + δ9 M10 = 1,00 MATERI + δ10
10
Berdasarkan measurenment model di atas, dapat diketahui bahwa indikator M3 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator M3 yaitu materi yang disampaikan pada kuliah tamu dapat menambah wawasan memiliki kontribusi paling besar dalam variabel laten Materi. Unidimensionalitas Variabel Sistem Variabel laten Sistem terdiri dari 11 variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) jika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Dari Tabel 4.13 diketahui bahwa semua indikator penilaian goodness of fit belum memenuhi cut off value, sehingga diperlukan modifikasi model guna memperoleh model yang sesuai. Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Tabel 4.13 Goodness of fit Variabel Laten Sistem
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 ≤ 60,48 χ2 – Chi Square 239,91 Kurang Baik P-value ≥ 0,05 0,00 Kurang baik RMSEA ≤ 0,08 0,21 Kurang baik GFI 0,70 Kurang Baik 0,9 AGFI 0,55 Kurang baik 0,9 CFI 0,83 Kurang baik 0,9 Berdasarkan hasil modifikasi model, didapatkan nilai-nilai kriteria Goodness of Fit hasil modifikasi untuk variabel laten Sistem. Berdasarkan Tabel 4.14 dapat dilihat bahwa hanya kriteria CFI yang memenuhi cut off value, sedangkan untuk kriteria AGFI dan GFI nilainya mendekati cut off value untuk nilai p-value juga mengalami penurunan sehingga model masih dapat dikatakan baik. Dengan demikian, dapat disimpulkan model pengukuran variabel laten Sistem dengan 11 indikator sudah berada pada kondisi unidimensional Tabel 4.14 Goodness of fit Variabel Laten Sistem - Modifikasi
Goodness of fit Index Cut off value Hasil Model Keterangan 2 2 χ ≤ 53,38 χ – Chi Square 68,94 Kurang baik P-value ≥ 0,05 0,0016 Kurang baik RMSEA ≤ 0,08 0,09 Kurang baik GFI 0,89 Mendekati baik 0,9 AGFI 0,81 Mendekati baik 0,9 CFI 0,96 Baik 0,9 Tahap selanjutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana juga dapat dijadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.15 berikut : Tabel 4.15 Loading Factor Indikator Variabel Laten Sistem
Hubungan S1 ← SISTEM S2 ← SISTEM S3 ← SISTEM S4 ← SISTEM S5 ← SISTEM S6 ← SISTEM S7 ← SISTEM S8 ← SISTEM S9 ← SISTEM S10 ← SISTEM S11 ← SISTEM Jumlah
Nilai Loading 1,3 1,18 1,34 1,36 1,33 1,46 1,18 1,52 1,12 1,07 1,55 14,41
11
Error 1,29 1,30 1,20 1,11 0,98 1,29 1,11 0,97 2,68 1,99 1,05 14,97
t 8.68 8,14 9,03 9,33 9,54 9,32 8,57 10,23 6,01 6,48 10,15
Keterangan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan
Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.15dapat dilihat bahwa nilai │t-value│ untuk masing-masing indikator lebih besar dari 1,96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Sistem (S) dengan menggunakan estimate adalah : S1 = 1,30 SISTEM + δ1 S2 = 1,18 SISTEM + δ2 S3 = 1,34 SISTEM + δ3 S4 = 1,36 SISTEM + δ4 S5 = 1,33 SISTEM + δ5 S6 = 1,46 SISTEM + δ6 S7 = 1,18 SISTEM + δ7 S8 = 1,52 SISTEM + δ8 S9 = 1,12 SISTEM + δ9 S10= 1,07 SISTEM + δ10 S11= 1,55 SISTEM + δ11 Berdasarkan measurenment model di atas, dapat diketahui bahwa indikator S11 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator S11 yaitu media penyampaian materi bervariasi memiliki kontribusi paling besar dalam variabel laten Sistem. Construct Reliability Reliabilitas variabel laten dapat diketahui dari nilai construct reliability ( c ) yang perhitungannya berdasarkan nilai loading factor untuk masing-masing variabel. Pada Tabel 4.16 dapat dilihat hasilnya sebagai berikut : Tabel 4.16 Construct Reliability dari variabel Laten c Variabel Laten Kesimpulan Kognitif 0,885 Reliabel Afektif 0,793 Reliabel Psikomotor 0,825 Reliabel Materi 0,871 Reliabel Sistem Pembelajaran 0,932 Reliabel Berdasarkan hasil perhitungan dari masing-masing variabel laten nilai Construct Reliability > 0,6, hal ini berarti semua variabel reliabel (Ghozali dan Fuad,2005). Model Struktural Model Struktural merupakan analisis lebih lanjut setelah masing-masing variabel laten dilakukan pengujian unidimensional dengan menggunakan Confirmatory Factor Analysis (CFA). Pembuatan model struktural ini didasarkan pada diagram path yang telah disusun pada bab sebelumnya. Pengujian Model Struktural Berdasarkan pengujian dari hasil CFA menyatakan bahwa semua indikator telah valid sehingga dalam pengujian secara serentak semua variabel dimasukkan dalam model. Analisis model struktural dengan menggunakan semua variabel indikator yang signifikan, diketahui nilai estimasi path coefficient dan t-value antar variabel laten secara serempak seperti dalam Tabel 4.17 berikut : Tabel 4.17 Estimasi Parameter dan Nilai t Variabel Laten pada Model Struktural Awal
Hubungan Path Coeff t Keterangan KOGNITIF ← MATERI 0,54 2,76 Signifikan AFEKTIF ← MATERI 0,50 2,37 Signifikan PSIKOMOTOR ← MATERI 0,60 2,85 Signifikan KOGNITIF ← SISTEM -0,25 -1,35 Tidak Signifikan (negatif) AFEKTIF ← SISTEM -0,19 -0,99 Tidak Signifikan (negatif) PSIKOMOTOR ← SISTEM -0,24 -1,26 Tidak Signifikan (negatif) Setelah mengetahui nilai estimasi dan t-value pada masing-masing variabel, langkah selanjutnya adalah melihat tingkat kelayakan model. Berdasarkan beberapa kriteria goodness of fit yang belum memenuhi cut off value dan melihat beberapa estimasi parameter ada yang tidak signifikan maka perlu dilakukan modifikasi guna memperoleh model yang sesuai dengan studi kasus peneliti. Hasil uji kesesuaian model disajikan pada Tabel 4.18.
12
Tabel 4.18 Goodness of fit Model Struktural Awal
Goodness of fit Index 2 χ – Chi Square P-value RMSEA GFI AGFI CFI
Cut off value χ2 ≤ 721,92 ≥ 0,05 ≤ 0,08 0,9 0,9 0,9
Hasil Model 1551,93 0,00 0,12 0,55 0,50 0,67
Keterangan Kurang baik Kurang baik Kurang baik Kurang baik Kurang baik Kurang baik
Modifikasi Model Struktural Hasil model struktural yang telah dimodifikasi berdasarkan saran pada output LISREL dapat dilihat pada Tabel 4.19. Modifikasi ini dilakukan dengan mengkorelasikan error varian dari indikator yang berada pada satu laten. Tabel 4.19 Goodness of fit Model Struktural Hasil Modifikasi
Goodness of fit Index Cut off value Hasil Model Keterangan χ2 – Chi Square χ2 ≤ 703,1 1202,49 Kurang baik P-value ≥ 0,05 0,00 Kurang baik RMSEA ≤ 0,08 0,077 Baik 0,9 GFI 0,65 Kurang baik 0,9 AGFI 0,60 Kurang baik 0,9 CFI 0,8 Kurang baik Berdasarkan nilai kriteria goodness of fit model setelah dimodifikasi menurut saran dari output LISREL dapat dilihat bahwa nilai RMSEA telah memenuhi cut off value karena nilai RMSEA adalah ktriteria paling informatif dalam kesesuaian model, sehingga masih dapat disimpulkan untuk menyatakan bahwa model adalah baik. Nilai hasil estimasi dan t-value dapat dilihat pada Tabel 4.20. Tabel 4.20 Estimasi Parameter dan t-values Variabel Laten pada Model Struktural Hasil Modifikasi
Hubungan Path Coeff t Keterangan KOGNITIF ← MATERI 5,49 2,31 Signifikan AFEKTIF ← MATERI 6,19 2,23 Signifikan PSIKOMOTOR ← MATERI 5,16 2,22 Signifikan KOGNITIF ← SISTEM -5,17 -2,17 Signifikan (negatif) AFEKTIF ← SISTEM -5,89 -2,13 Signifikan (negatif) PSIKOMOTOR ← SISTEM -4,83 -2,08 Signifikan (negatif) Berdasarkan hasil estimasi semua hubungan kausal didapatkan bahwa semua variabel signifikan yaitu berdasarkan nilai dari t-tabel 1,96 . Hubungan kausal antara variabel laten Sistem pembelajaran bernilai negatif terhadap variabel laten Kognitif, Afektif dan Psikomotor. Dapat diartikan bahwa adanya hubungan yang terbalik antara variabel Sistem dengan variabel Kognitf, Afektif dan Psikomotor. Perlu dikaji lebih lanjut yaitu dengan melihat indikator dari variabel sistem yang mungkin menyebabkan nilainya negatif. Sedangkan hubungan antara variabel Laten Materi terhadap variabel laten Kognitif, Afektif dan Psikomotor ketiganya menunjukkan nilai yang signifikan positif. Artinya Materi berpengaruh secara signifikan pada ketiga variabel Laten tersebut. T-value untuk semua nilai estimasi parameter hubungan kausal lebih besar dari t-tabel │1,96│, sehingga dapat disimpulkan bahwa semua loading factor pada model hasil modifikasi sudah signifikan. Dengan dipenuhinya kriteria uji kebaikan model (goodness of fit) dan uji signifikansi, maka model struktural hasil modifikasi telah sesuai dengan studi kasus peneliti. Namun hasil dari loading factor tidak dicantumkan dalam makalah ini. 5. KESIMPULAN Hasil analisis pengaruh mata kuliah Pengantar Technopreneur /Kewirausahaan terhadap perilaku entrepreneurship dengan menggunakan Structural Equation Modelling (SEM) diperoleh kesimpulan bahwa, yang berpengaruh dalam perilaku entrepreneurship yaitu dari materi yang diberikan pada perkuliahan, sedangkan untuk variabel sistem pembelajaran berpengaruh signifikan
13
namun bernilai negatif. Hal ini dimungkinkan untuk ranah sikap, selain cara pembelajaran diperlukan uswah/keteladanan (contoh) dan sikap atau perilaku staf pengajar (Winarso,2010). Hal ini dapat dijadikan sebagai bahan koreksi untuk evaluasi dari mata kuliah ini kedepannya. 6. DAFTAR PUSTAKA Anonim.(2010). Bloom’s Taxonomy. http://www.http://www.learningandteaching.info/learning/referenc.html. (diakses 05 April 2010). Anonim.(2010).Bloom’s Taxonomy of Learning Domains.http://www.sos.net/~donclark/hrd/bloom.html (diakses 05 April 2010). Bollen, K.A.(1989). Structural equation with latent variables. New York: Wiley. Ghozali dan Fuad.(2005). Structural Equation Modeling ; Teori, Konsep, dan Aplikasi dengan Program Lisrel 8.54. Semarang : BP UNDIP. Hendarman.(2010).Dikti Meluncurkan Program 100 Hari Pendidikan Kewirausahaan. http://www.google.com (diakses 15 Maret 2010) Johnson, R.A and Witchren, D.W.(1998). Applied Multivariate Statistical Analysis. Universityof Winconsin, New Jersey:Prentice Hall Inc. Meredith.(2000). Kewirausahaan Teori dan Praktek. Edisi Kedua. Jakarta: Erlangga. Putro, Eko W.(2010).Evaluasi Program Pembelajaran. http://www.google.com (diakses 10 Juni 2010). Sarosa, Pieter.(2007).Young Entrepreneur. http://www.referensinasional.com/young entrepreneur.pdf (diakses 15 Maret 2010). Winarso, Widyo.(2010).Perkembangan Pembelajaran Berwawasan Entreptreneurship. http://pustaka.unpad.ac.id/wpcontent/uploads/2010/06/hubungan_antara_pelaksanaan_mata_k uliah_kewirausahaan.pdf (diakses 05 Juli 2010)
14
