ANALISIS HUBUNGAN MULTI CHANNEL LEARNING DENGAN INDEKS PRESTASI MAHASISWA MENGGUNAKAN VARIABEL UTAUT DAN ANALISIS LINTASAN

ANALISIS HUBUNGAN MULTI CHANNEL LEARNING

DENGAN INDEKS PRESTASI MAHASISWA

MENGGUNAKAN VARIABEL UTAUT DAN ANALISIS LINTASAN

Sutanto Halim Pranata; Ngarap Im Manik

Mathematics & Statistics Department, School of Computer Science, Binus University Jl. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480

manik@binus.edu

ABSTRACT

We have conducted a research to determine the effect of multi-channel learning through learning to grade students. We uses methods taken from the existing pattern of the UTAUT model (unified theory of acceptance and use of technology) and path analysis. The result achieved from this study is that the performance of multi channel learning provides a significant influence on student’s achievement index.

Keywords: multi-channel learning, achievement index, UTAUT variables, path analysis

ABSTRAK

Telah dilakukan penelitian untuk mengetahui pengaruh pembelajaran melalui multi channel learning terhadap Indeks Prestasi mahasiswa. Metode penelitian yang digunakan diambil dari pola yang sudah ada yaitu model UTAUT (unified theory of acceptance and use of technology) dan analisis lintasan. Hasil yang dicapai dari penelitian ini adalah kinerja dari Multi Channel Learning memberikan pengaruh yang cukup signifikan terhadap indeks prestasi mahasiswa.

PENDAHULUAN

Penerapan dan pengembangan teknologi informasi bukanlah tanpa resiko, karena tidak semua yang ada pada teknologi informasi dapat meningkatkan produktivitas perusahaan. Belum lagi jika investasi teknologi informasi yang telah dilakukan ternyata hanya memberikan manfaat yang kecil terhadap perusahaan. Sementara itu biaya yang dikeluarkan untuk menerapkannya termasuk dalam jumlah yang cukup besar (Anderson, 2006).

Universitas Bina Nusantara (UBINUS) merupakan sebuah lembaga pendidikan yang berbasis teknologi informasi dan menjadikannya sebagai dasar dari semua pengetahuan yang diajarkan, karena itu dukungan teknologi informasi terhadap proses belajar-mengajar dan administratif dirasakan sangat perlu. Selain karena alasan efesiensi proses pendidikan, UBINUS juga bertanggung jawab untuk meningkatkan kualitas pendidikan yang diberikan, sehingga dapat menjadi panutan bagi lembaga pendidikan lainnya dalam penerapan teknologi informasi.

Untuk menunjang dan meningkatkan kualitas pendidikan, UBINUS berusaha membangun suatu sistem teknologi informasi yang dapat memberikan kualitas dan pelayanan terbaik bagi para mahasiswa. Salah satunya adalah dengan penerapan sistem pembelajaran melalui berbagai kanal yang disebut multi channel learning (MCL).MCL adalah sistem pembelajaran dengan berbagai kanal yang

mengkombinasikan pertemuan tatap muka di dalam kelas dengan sesi tatap muka tidak langsung (

e-learning) atau yang biasanya dikenal dengan nama Binusmaya. Dengan demikian melalui sistem

MCL, proses pembelajaran tatap muka tidak langsung dapat lebih banyak dilakukan, sehingga proses pembelajaran dapat dilakukan dimana saja dan kapan saja. Dengan implementasi sistem MCL ini, khususnya Binusmaya, akan terjadi perubahan terhadap hasil belajar pada mahasiswa yang terlibat di dalamnya.

Indeks Prestasi mahasiswa merupakan indikator untuk menentukan tingkat keberhasilan dari mahasiswa. Melalui indeks prestasi, setiap mahasiswa dapat mengetahui sampai tingkat manakah, mereka sudah menguasai semua materi yang mereka peroleh. Banyak aspek yang mempengaruhi nilai indeks prestasi ini. Dalam pokok pembahasan ini, salah satu yang ingin diuji, apakah multi channel

learning (MCL)dapat membantu mahasiswa untuk meningkatkan indeks prestasi.

Untuk memaksimalkan dan memfokuskan perhatian terhadap penanggulangan masalah keragaman yang mempengaruhi kualitas, maka ruang lingkup masalah akan dibatasi terhadap hal-hal berikut ini: (1) variabel yang digunakan diambil dari UTAUT model; (2) keseluruhan data diambil melalui kuesioner; (3) data yang dianalisis diambil langsung dari sampel mahasiswa aktif Universitas Bina Nusantara yang menggunakan Binusmaya dan telah memiliki IP (semester satu tidak termasuk)

Tujuan penelitian ini adalah mengetahui pengaruh langsung pembelajaran melalui Multi

Channel Learning dengan variabel prediktornya terhadap indeks prestasi mahasiswa. Manfaat

penelitian ini bagi penulis ialah sebagai alat antara lain untuk menerapkan ilmu-ilmu statistik dalam kehidupan nyata terutama ilmu analisis lintasan yang telah dipelajari dan sebagai salah satu syarat untuk memperoleh gelar sarjana tingkat strata 1 Jurusan Teknik Informatika dan Statistika. Sedangkan manfaat yang dapat diperoleh dari penelitian ini adalah memberi gambaran pada pihak manajemen UBINUS, tentang hasil yang diperoleh dari penerapan sistem MCL yang berjalan.

METODE

Metode yang digunakan dalam penelitian ini adalah metode survey, yaitu suatu metode untuk memperoleh fakta-fakta dari gejala-gejala yang ada dan mencari keterangan-keterangan secara aktual dari suatu kelompok atau daerah (Walpole, 2006).Populasi yang hendak diteliti adalah mahasiswa

Bina Nusantara dan sampel diambil secara random dengan menggunakan kuesioner yang akan diisi oleh mahasiswa Bina Nusantara. Langkah-langkah yang digunakan dapat dilihat pada Gambar 1.

Menentukan Variabel dan Instrumen Penelitian

Design Penelitian

Penentuan jumlah dan Pengambilan Sampel

Pengumpulan Data

Analisis Data

Pengujian Hipotesis

Kesimpulan dan Saran

Gambar 1 Tahapan penelitian

Variabel dan Instrumen Penelitian

Variabel-variabel yang hendak diteliti meliputi ekspektasi kinerja, ekspektasi usaha, persepsi, pengaruh sosial, kondisi pendukung, keinginan menggunakan, ketakutan, dan kecenderungan menggunakan. Data yang digunakan akan diambil dari kuesioner yang disebarkan penulis.

Design Penelitian

Variabel-variabel yang akan diuji dalam penelitian ini dikembangkan dalam model/diagram jalur berikut (Gambar 2) (Connoly, 2005).

Keterangan:

y = indeks prestasi mahasiswa (IP) ; x1 = ekspektasi kinerja

x2 = ekspektasi usaha ; x3 = persepsi ; x4 = pengaruh sosial

x5 = kondisi pendukung ; x6 = keinginan menggunakan

x7 = ketakutan ; x8 = kecenderungan menggunakan

Demikian pula dari Gambar 2 di atas dapat dibaca sebagai berikut: (1) hubungan antara x1, x2 ,

… , x8 ke y merupakan hubungan kausalitas karena panah berkepala satu (hubungan regresi); (2)

hubungan antar xi (i = 1,2,….,8) dengan xi lainnya merupakan hubungan korelasi karena panahnya

berkepala dua; (3) pengaruh yang sifatnya langsung artinya y ke xi (i = 1,2,….,8) kembali ke y; (4)

pengaruh yang sifatnya tidak langsung artinya dari y ke xi (i = 1,2,….,8) melalui xi lainnya kembali ke

y

Model ini belum tentu menjadi model yang terbaik pada penyelesaian kasus ini. Dengan menggunakan model lain, dapat menghasilkan nilai dan kesimpulan yang berbeda.

Penentuan Jumlah dan Pengambilan Sampel

Populasi yang datanya diambil untuk dijadikan sampel adalah mahasiswa Bina Nusantara yang telah menggunakan Binusmaya dan memiliki IP (untuk mahasiswa semester 1 tidak diperbolehkan). Penarikan sampel atau sampling merupakan pengambilan sampel dari suatu populasi.

Target population merupakan populasi yang ditarik sampelnya pada waktu merencanakan suatu

penelitian, sedangkan populasi yang sedang diteliti pada saat melakukan penelitian disebut sampling population.

Teknik pengambilan sampel pada topic yang sedang diteliti, menggunakan rumus Slovin (Johnson, 2002), yaitu: 2

1

Ne

N

n

+

=

……. (1)

dimana: n = jumlah sample ; N = jumlah populasi

e = persentase kelonggaran penelitian atau kesalahan dalam penelitian

Dengan menggunakan rumus diatas, dan dengan mengasumsikan jumlah mahasiswa Bina Nusantara adalah 20.000 orang, maka akan didapatkan jumlah sampel sebanyak:

100 502 , 99 1 , 0 000 . 20 1 000 . 20 1 2 2 ≈ = × + = + = n n Ne N n

Jumlah sampel yang didapat dari perhitungan yaitu sebanyak 100 orang, dimana sampling error sebesar 10% dari seluruh mahasiswa Bina Nusantara. Angka 100 ini merupakan angka minimum yang diperoleh, sehingga penulis diperbolehkan untuk mengambil data lebih banyak untuk mencapai data yang lebih akurat (Walpole, 2006).

Pengumpulan Data

Pengumpulan data dilakukan dengan cara menyebarkan kuesioner dengan target mahasiswa aktif Bina Nusantara yang berada di food court. Pengambilan data kuesioner berarti teknik

pengumpulan data dengan cara memberikan pertanyaan tertulis yang ditujukan kepada responden. Skala pengukuran yang digunakan yaitu skala Likert. Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau kelompok tentang fenomena sosial. Jawaban seperti item yang menggunakan skala Likert mempunyai gradasi dari positif sampai negatif, yang berupa kata-kata antara lain: (1) jawaban sangat setuju mempunyai bobot nilai = 5; (2) jawaban setuju mempunyai

bobot nilai = 4; (3) jawaban netral mempunyai bobot nilai = 3; (4) jawaban tidak setuju mempunyai

bobot nilai = 2; (5) jawaban sangat tidak setuju mempunyai bobot nilai = 1

Analisis Data

Untuk menguji hipotesis yang diajukan dalam penelitian ini, akan digunakan penerapan analisis jalur (path analysis) dalam menelaah model hubungan beberapa variabel diatas baik pengaruh

langsung dan juga tidak langsung. Untuk itu dilakukan analisis dengan menggunakan beberapa model. Indeks Prestasi Mahasiswa sebagai variabel y, yang merupakan variabel tergantung yang

dipengaruhi oleh variabel prediktornya (ekspektasi kinerja, ekspektasi usaha, persepsi, pengaruh sosial, kondisi pendukung, keinginan menggunakan, ketakutan, dan kecenderungan menggunakan)

Lalu digunakan persamaan sebagai berikut:

r1y = C1r11 + C2r12 + C3r13 + C4r14 + C5r15 + C6r16 + C7r17 + C8r18 r2y = C1r21 + C2r22 + C3r23 + C4r24 + C5r25 + C6r26 + C7r27 + C8r28 r3y = C1r31 + C2r32 + C3r33 + C4r34 + C5r35 + C6r36 + C7r37 + C8r38 r4y = C1r41 + C2r42 + C3r43 + C4r44 + C5r45 + C6r46 + C7r47 + C8r48 r5y = C1r51 + C2r52 + C3r53 + C4r54 + C5r55 + C6r56 + C7r57 + C8r58 r6y = C1r61 + C2r62 + C3r63 + C4r64 + C5r65 + C6r66 + C7r67 + C8r68 r7y = C1r71 + C2r72 + C3r73 + C4r74 + C5r75 + C6r76 + C7r77 + C8r78 r8y = C1r81 + C2r82 + C3r83 + C4r84 + C5r85 + C6r86 + C7r87 + C8r88 atau dapat ditulis dengan matriks berikut ini:

RX x C = RY ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ y y y y y y y y r r r r r r r r C C C C C C C C r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r r 8 7 6 5 4 3 2 1 8 7 6 5 4 3 2 1 88 87 86 85 84 83 82 81 78 77 76 75 74 73 72 71 68 67 66 65 64 63 62 61 58 57 56 55 54 53 52 51 48 47 46 45 44 43 42 41 38 37 36 35 34 33 32 31 28 27 26 25 24 23 22 21 18 17 16 15 14 13 12 11

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

⎟

⎠

⎞

⎜

⎝

⎛

−

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

⎟

⎠

⎞

⎜

⎝

⎛

−

⎟

⎠

⎞

⎜

⎝

⎛

⎟

⎠

⎞

⎜

⎝

⎛

−

=

∑

∑

∑

∑

∑

∑

∑

= = = = = = = 2 1 1 2 2 1 1 2 1 1 1 n i i n i i n i i n i i n i i n i i n i i i

y

y

n

x

x

n

y

x

y

x

n

r

……. (2) Sehingga

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

⎟

⎠

⎞

⎜

⎝

⎛

−

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

⎟

⎠

⎞

⎜

⎝

⎛

−

⎟

⎠

⎞

⎜

⎝

⎛

⎟

⎠

⎞

⎜

⎝

⎛

−

=

∑

∑

∑

∑

∑

∑

∑

= = = = = = = 2 1 2 1 2 2 2 1 1 1 2 1 1 2 1 1 1 2 1 12 n i i n i i n i i n i i n i i n i i n i i i

x

x

n

x

x

n

x

x

x

x

n

r

…….. (3)

begitu juga untuk r13 ,r14 , r15 , ..., rmn

Setelah itu, nilai Rx yang telah diperoleh, diinvers untuk menjadi Rx-1, setelah itu dikali

dengan Ry untuk mendapatkan nilai C (korelasi).

Y x

R

R

C

=

−1

Apabila koefisien lintasan C telah diperoleh, maka beberapa informasi penting juga akan

diperoleh berdasarkan metode analisis lintasan, antara lain: (1) pengaruh langsung variabel bebas yang dibakukan Xi , terhadap variabel tak bebas Y, diukur oleh koefisien lintasan (Ci); (2) pengaruh

tidak langsung variabel bebas Xi terhadap variabel tak bebas Y, melalui variabel bebas Xi (melalui

kehadiran variabel bebas dalam model) diukur oleh besaran (Cjrij)

Dari nilai-nilai yang didapat, dapat dianalisis apakah variabel bebas Xi berhubungan

langsung atau tidak langsung terhadap variabel tak bebas Y. Hal ini dilakukan dengan cara mencari

nilai selisih terkecil diantara Ci dan Cjrij dengan nilai Ry –nya (Gefen, et al., 2000).

Lalu, dari analisis lintasan tersebut, diperoleh koefesien residual yang dihitung melalui

∑

= = − = p i S S iy i S C r C C C 1 2 2 _{1 ; . Besaran} 2 S

C dalam analisis lintasan adalah serupa dengan besaran 1-R2 dalam analisi regresi berganda dimana keduanya memiliki nilai yang sama besar.

Setelah angka didapat, data dibagi-bagi menjadi bagian-bagian kecil menurut kelompok yang telah ditentukan, seperti fakultas (Program Ganda, Fasilkom, Fakutas Teknik, dll), semester (3, 5, dan 7), jenis kelamin (laki-laki dan perempuan), kepemilikan komputer di rumah (ya/ tidak), penggunaan internet di rumah (ya/ tidak), penggunaan internet di warnet (ya/tidak), dan penggunaan internet di kampus (ya/ tidak). Semua itu akan diproses kembali dari awal sehingga mendapatkan kesimpulan pada masing-masing pembagiannya.

HASIL DAN PEMBAHASAN

Dari semua kuisioner yang didapat, penulis mendapatkan 200 data. Setelah dianalisis, didapatkan 146 (73%) data yang valid. Sehingga total data yang terbuang adalah 54 data (27%). Adapun data tidak valid disebabkan oleh responden yang masih semester satu (32 data / 16%), responden yang didapat diluar dari cakupan yang disediakan, misal data dari responden semester

sembilan atau lebih (10 data/ 5%), dan terdapat nilai kosong pada pengisian (12 data / 6%). Berikut ini adalah data valid proporsi yang didapat dari responden yang diambil melalui kuesioner. Dari keseluruhan data yang diperoleh, didapat data statistik deskriptif sebagai berikut (Tabel 1):

Tabel 1 Statistik Deskriptif Data Berdasarkan Fakultas

Fakultas n Ekonomi 27(18,49%) Ilmu Komputer 38(26,03%) Komunikasi dan Multimedia 26(17,81%) Prog-Ganda 23(15,75%) Sastra 12(8,22%) Teknik 20(13,7%) ∑ 146(100%)

Dari tabel diatas, dapat disimpulkan bahwa responden paling banyak didapat dari fakultas ilmu komputer dan responden paling sedikit didapat dari fakultas sastra. Diharapkan proporsi ini dapat mewakili proporsi populasi yang diambil dari objek (Bina Nusantara).

Pengolahan Data

Data yang diproses pertama kali adalah data umum. Belum ada pengklasifikasian dalam jenis kelamin, semester, fakultas, dan sebagainya. Sebelumnya penulis memisalkan variabel-variabel yang diteliti sehingga ekspektasi kinerja selanjutnya menjadi x1, ekspektasi usaha menjadi x2, persepsi

menjadi x3, pengaruh sosial menjadi x4, kondisi pendukung menjadi x5, keinginan menggunakan

menjadi x6, ketakutan menjadi x7, dan kecenderungan menggunakan menjadi x8. Data yang digunakan

akan diambil dari kuesioner yang disebarkan penulis. Dari data-data yang diperoleh, didapat proporsi jawaban sebagai berikut menurut variabel yang diteliti.

Pencarian Korelasi

Dari data-data yang diperoleh, data diklasifikasikan dulu menurut sub variabel x11, x12, x13, dan

x14 yang digabungkan menjadi x1. Sedangkan untuk sub variabel x21, x22, x23, dan x24 akan digabungkan

menjadi x2. Hal ini dilakukan sampai x8. Sehingga data selanjutnya diolah menjadi tabel Rx seperti

berikut ini (Tabel 2).

Tabel ini dapat dibaca sebagai berikut:

(1) Hubungan antara x1 dengan x1 sendiri (kolom pertama baris pertama), berhubungan penuh ( =

1/nilai hubungan penuh).

(2) Hubungan antara dengan x1 dengan x2 atau x2 dengan x1 senilai 0,587 (kolom pertama baris kedua

atau kolom kedua baris pertama). Artinya nilai hubungan kedua variabel ini cukup besar. Sebab jika diuji, didapat nilai zhitung = 8,0488. Nilai ini jauh lebih besar daripada nilai ztabel(0,05;2) =

1,96.

(3) Hubungan antara x1 dengan x7 atau sebaliknya bernilai 0,0951 (kolom pertama baris ketujuh atau sebaliknya). Dari angka itu, didapatlah nilai zhitung = 1,1407. karena angka ini lebih kecil daripada

nilai ztabel(0,05;2) = 1,96, maka kedua variabel ini dapat dikatakan tidak saling berhubungan.

(4) Dan seterusnya.

Dengan melakukan langkah yang sama, diperoleh nilai koefesien korelasi antara indeks prestasi (y), dengan variabel UTAUT.

Ry adalah koefesien korelasi yang dapat digunakan untuk mengetahui apakah variabel bebas memiliki

hubungan dengan variabel tak bebas.

Pencarian Koefesien Lintasan Langsung

Rumus yang digunakan untuk mencari koefesien korelasi langsung adalah

C

=

R

_x−1

R

_Y. Setelah didapat nilai Rx-1 dan Ry, kalikan nilai mereka berdua, sehingga didapatlah nilai korelasi

langsung sebagai berikut:

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎣

⎡

0,0259

-0,1478

-0,1041

-0,0794

0,0562

0,2297

-0,3135

0,1953

Nilai ini dapat diartikan bahwa hubungan langsung antara variabel bebas pertama dengan variabel tak bebas memiliki hubungan sebesar 0,1953, variabel bebas kedua dengan variabel tak bebas sebesar -0,3135, begitu seterusnya sampai variabel terakhir, yaitu variabel bebas ke delapan dengan variabel tak bebas sebesar -0,0259. Nilai-nilai ini akan dianalisis lebih lanjut pada bagian selanjutnya.

Pencarian Koefesien Lintasan Tak Langsung melalui Variabel Lain

Setelah didapat nilai koefesien lintasan langsung, carilah nilai koefesien tidak langsungnya dengan mengalikan antara Cj dengan nilai rij, dimana itu akan menghasilkan nilai hubungan tidak

langsung antara variabel bebas j dengan variabel tak bebas melalui variabel bebas i. Nilai yang didapat

adalah (Tabel 3):

Tabel 3 Koefesien Lintasan Pengaruh Langsung dan Tidak Langsung

Dengan keterangan: nilai pada diagonal sebagai pengaruh langsung; nilai pada di atas/bawah diagonal sebagai pengaruh tidak langsung

Dari nilai-nilai diatas, dapat diketahui koefesien tidak langsung antara variabel bebas xi

dengan variabel tak bebas y melalui variabel bebas xj. Sebagai contoh, koefesien tidak langsung antara

variabel x1 terhadap y melalui x2 adalah 0,1953. Lalu, koefesien tidak langsung antara variabel x1

terhadap y melalui x3 adalah -0,0888. Begitu juga seterusnya.

Pengujian Hipotesis

Dari nilai adanya hubungan atau tidak (Ry), telah diketahui apakah variabel bebas memiliki

hubungan langsung dengan variabel tak bebas dengan menggunakan rumus ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − + − − + − = ) 1 ( ) 1 ( ln ) 1 ( ) 1 ( ln 2 3 0 0

ρ

ρ

r r n z

Dari rumus ini didapatlah nilai z untuk masing-masing variabel yaitu:

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎢

⎣

⎡

=

0,0780

-1,6660

-1,4602

-1,0225

4,0407

1,3953

-6,0859

4,3890

hitung

z

Nilai-nilai zhitung ini dibandingkan dengan ztabel pada tabel. Dengan menggunakan α = 0,05 , maka didapat nilai ztabel antara -1,96 dan 1,96. Jika nilai zhitung berada dalam cakupan ztabel, maka variabel tak bebas tersebut menerima H0, yang artinya variabel tak bebas itu tidak memiliki hubungan

signifikan terhadap variabel bebas y. Diantara kedelapan variabel yang diteliti, ada 5 variabel yang

masuk dalam kategori “terima H0” yaitu x3 (persepsi), x5 (kondisi pendukung), x6 (keinginan

menggunakan), x7 (ketakutan), dan x8 (kecenderungan menggunakan).

Selanjutnya, variabel lainnya diproses lebih lanjut, apakah variabel bebas itu termasuk yang memiliki hubungan langsung dengan variabel tak bebas (terima H1) ataukah termasuk yang memiliki

hubungan langsung dengan variabel tak bebas tetapi melalui variabel lain (terima H2). Ambil contoh x1

dengan Ry = 0,03514. Lalu, dicari nilai selisih antara nilai koefesien korelasi langsung dengan Ry dan

koefesien korelasi langsung melalui variabel lain dengan Ry. Setelah diperoleh selisihnya, dicari nilai

selisih terkecil. Untuk kasus x1, nilai selisih terkecil didapat pada nilai selisih koefesien korelasi

langsung dengan Ry, yaitu 0,1953, dengan nilai selisih 0,1561. Nilai ini lebih kecil jika dibandingkan

nilai selisih dari nilai Ry dengan koefesien korelasi langsung melalui variabel x2, x3, x4, x5, x6, x7, dan x8

yang berturut-turut adalah 0,1674, 0,4402, 0,3191, 0,3216, 0,3369, 0,3654, 0,3530. Sehingga untuk kasus x1, menghasilkan keputusan “terima H1“ yang artinya x1 (ekspektasi kinerja) memiliki hubungan

langsung signifikan dengan y (IPK). Kasus x2 juga memiliki jawaban yang sama dengan x1, yaitu

“terima H1“ yang artinya x2 (ekspektasi usaha) memiliki hubungan langsung signifikan dengan y

(Indeks Prestasi Mahasiswa).

Sedangkan untuk x4, nilai selisih terkecil didapat pada selisih antara koefesien langsung x4

dengan y melalui variabel x2. Kondisi ini diartikan “terima H2” yang artinya x4 (pengaruh sosial)

memiliki hubungan langsung signifikan dengan y (Indeks Prestasi Mahasiswa) melalui x2 (ekspektasi

usaha).

Sehingga dari analisis awal dapat disimpulkan, x1 memiliki hubungan langsung signifikan

dengan y, x2 memiliki hubungan langsung signifikan dengan y, x3 tidak memiliki hubungan signifikan

dengan y, x4 memiliki hubungan langsung dengan y melalui x2, x5 tidak memiliki hubungan signifikan

dengan y, x6 tidak memiliki hubungan signifikan dengan y, x7 tidak memiliki hubungan signifikan

dengan y, dan x8 tidak memiliki hubungan signifikan dengan y.

Artinya, x1 (ekspektasi kinerja) ,x2 (ekspektasi usaha) dan x4 (pengaruh sosial) sangat

berpengaruh terhadap y (IPK). Karena ketiga variabel ini bernilai positif, artinya semakin tinggi

variabel itu, maka semakin tinggi pula, yang diraih. Jadi, semakin tinggi ekspektasi kinerja, maka semakin tinggi pula y (IPK) yang diraih.

Pencarian Persentase Kepercayaan

Dari kesimpulan-kesimpulan yang telah diperoleh pada tahap sebelumnya, untuk mengetahui berapa persen dari total data yang dapat direpresentasikan/ dijelaskan oleh kesimpulan yang telah diperoleh, maka dibuatlah perhitungan sebagai berikut:

∑

= = − = p i S S iy i S Cr C C C 1 2 2 _{1 ;}

Dengan menggunakan rumus ini didapatlah nilai CS sebesar 16,37%. Artinya hanya 16,37% dari

keseluruhan sampel saja yang dapat diwakilkan oleh variabel UTAUT. Sisanya (83,63%), adalah variabel yang tidak diketahui (Anderson, 2006).

Pembahasan

Dari hasil penelitian yang dilakukan, dapat diketahui bahwa terdapat variabel-variabel menonjol pada penelitian ini, seperti x2 (ekspektasi usaha), x4 (pengaruh sosial), x1 (ekspektasi

kinerja) dan x7 (ketakutan). Hal ini berturut-turut dapat diartikan sebagai berikut:

Pertama, semakin multi channel learning mudah dipelajari, mahasiswa semakin baik

prestasinya. Hal ini dapat dimengerti karena semakin mahasiswa mudah mempelajari sesuatu, maka semakin tertarik pula mahasiswa untuk mahir menggunakannya. Dengan mahir menggunakannya, maka minat belajar mahasiswa tentulah menjadi semakin tinggi.

Kedua, pengaruh ekstern dari mahasiswa itu sendiri sangat memberi peranan kepada ketertarikan mahasiswa terhadap multi channel learning yang diharapkan meningkatkan prestasi

dari mahasiswa itu sendiri. Ketika temannya, atau lingkungannya memberikan dorongan untuk menggunakan multi channel learning, semangat belajar mahasiswa terpacu untuk semakin baik lagi.

Ketiga, kinerja dari multi channel learning sendiri memberikan pengaruh yang cukup

signifikan terhadap prestasi mahasiswa. Hal ini tidaklah mengagetkan karena semakin baik multi channel learning itu sendiri, maka semakin efektif pula mahasiswa untuk belajar. Tentu saja hal ini

berakibat dengan naiknya prestasi pada mahasiswa.

Keempat, ketakutan pada variabel ini bernilai dominan negatif. Artinya semakin tinggi ketakutan, maka prestasi akan semakin anjlok. Begitu juga sebaliknya, semakin berani untuk menggunakan sistem ini, semakin baik pula prestasi yang diraih.

PENUTUP

Dari hasil penelitian variabel UTAUT dalam multi channel learning dengan indeks prestasi,

disimpulkan beberapa hal bahwa: penelitian ini dapat diketahui, terdapat beberapa variabel menonjol yang berpengaruh terhadap indeks prestasi, seperti ekspektasi usaha, pengaruh sosial dan ekspektasi kinerja. Dengan kemudahan dalam mempelajari multi channel learning, indeks prestasi mahasiswa

juga akan semakin baik. Kemudahan mahasiswa dalam mempelajari multi channel learning akan

menimbulkan ketertarikan yang berdampak pada peningkatan minat belajar mahasiswa. Kemudian pengaruh ekstern seperti dorongan dari teman akan memberi peran dalam meningkatkan ketertarikan mahasiswa terhadap multi channel learning. Maka kinerja multi channel learning yang semakin baik

akan memberikan pengaruh yang cukup signifikan terhadap indeks prestasi mahasiswa.

DAFTAR PUSTAKA

Anderson, J. E., dan Schwager, P. H. (2006). Applying the UTAUT Model Paper presented at the

American Conference on Information Systems. Acapulco, Mexico.

Connoly, Thomas and Begg, Carolyn. (2005). Database System: A Practitioner Approach to Design, Implementation, and Management (4th ed.). London: Addison-Wesley.

Gefen, D., D.W.Straub,dan M.C.Boudreau. (2000). Structural equation modeling and regression: guidelines for research practice. Communications of the Association for System Information, 4.

Johnson, Richard A. (2002). Applied Multivariate Statistical Analysis. New Jersey: Prentice Hall.