BAB 2
LANDASAN TEORI
2.1 Lingkungan
Lingkungan adalah meliputi semua kondisi-kondisi dalam dunia ini yang dalam cara-cara tertentu mempengaruhi tingkah laku, pertumbuhan, perkembangan atau life processes manusia kecuali gen-gen. Lima sistem lingkungan teori ekologi, dari hubungan interpersonal yang kuat sampai pengaruh budaya internasional. Mikrosistem adalah lingkungan tempat individu tersebut menghabiskan banyak waktu, seperti keluarga, teman sebaya, sekolah dan lingkungan di sekitar siswa. Mesosistem melibatkan hubungan antara mikrosistem. Contohnya, hubungan antara pengalaman keluarga dan pengalaman sekolah, serta antara keluarga dan teman sebaya. Eksosistem berfungsi ketika pengalaman di keadaan lain (dimana siswa tersebut tidak memiliki peran aktif) mempengaruhi apa yang dialami siswa dan guru dalam kontes terdekat. Makrosistem melibatkan budaya yang lebih luas. Budaya merupakan istilah yang sangat luas, mencakup peran faktor etnis dan faktor sosioekonomi dalam perkembangan siswa. Kronosistem mencakup kondisi sosiohistoris dari perkembangan para siswa (John w. Santrock, 2009).
2.2 Kesehatan
6
sehat diharapkan perkuliahan tidak akan terganggu dalam pencapaian target yang di inginkan (belajar psikologi.com).
2.3 Motivasi
Motivasi adalah perubahan energi dalam diri seseorang yang ditandai dengan munculnya “feeling” dan didahului dengan tanggapan terhadap adanya tujuan. Berdasarkan pengertian yang dikemukakan terdapat dua elemen penting yaitu: 1. Motivasi mengawali terjadinya perubahan energi pada diri setiap individu
manusia. Perkembangan motivasi membawa beberapa perubahan energi di dalam sistem “neurophysiological” yang ada pada organisme manusia. Karena menyangkut perubahan energi manusia (walaupun motivasi muncul dari dalam diri manusia), nampaknya akan menyangkut kegiatan fisik manusia.
2. Motivasi dirangsang karena adanya tujuan, jadi motivasi dalam hal ini sebenarnya merupakan respons dari suatu aksi yakni tujuan. Motivasi muncul dari dalam diri manusia, tetapi kemunculannya karena terangsang/terdorong oleh adanya unsur lain yakni tujuan.
Motivasi dapat juga dikatakan serangkaian usaha untuk menyediakan kondisi-kondisi tertentu, sehingga mau dan ingin melakukan sesuatu dan bila ia tidak suka, maka akan berusaha untuk meniadakan atau mengelakkan perasaan tidak suka itu (Sardiman, 2003).
2.4 Prestasi
Prestasi adalah uji standart test untuk mengukur kecakapan atau pengetahuan seseorang didalam satu atau lebih garis-garis pekerjaan atau belajar. Prestasi merupakan pencapaian seorang individu yang berinteraksi antara berbagai faktor yang mempengaruhinya baik dari dalam maupun dari luar diri sendiri.
7
1. Faktor jasmani (fisiologi) termasuk dalam faktor jasmani antara lain adalah penglihatan, pendengaran, kesehatan pisik dan olahraga teratur.
2. Faktor psikologis yang termasuk faktor psikologis antara lain:
1. Intelektul: taraf intelegensi, kemampuan belajar dan cara memanfaatkan waktu belajar.
2. Non intelektual: motivasi belajar, sikap, perasaan, minat, kondisi psikis dan kondisi akibat keadaan sosiokultur.
Faktor eksternal termasuk faktor eksternal antara lain:
1. Faktor pengaturan belajar melibatkan kurikulum, disiplin, dosen, fasilitas belajar dan kerja kelompok siswa.
2. Faktor sosial disekolah meliputi sistem sosial, status sosial dan interaksi dosen dengan mahasiswa.
3. Faktor situasional yaitu keadaan politik ekonomi, keadaan waktu tempuh ke kampus, keadaan tempat tinggal, dan iklim.
Pengenalan terhadap faktor-faktor yang mempengaruhi prestasi belajarpenting sekali artinya dalam rangka membantu mahasiswa dalam mencapaiprestasi belajar yang sebaik-baiknya (Belajar psikologi.com). Prestasi menjadi alat ukur dalam kesuksesan mahasiswa dalam menempuh pendidikan dalam jenjang universitas, bukan hanya menentukan kesuksesan prestasi juga dapat mempermudah dalam melanjutkan pendidikan lebih tinggi dan dalam pencarian pekerjaan. Prestasi mahasiswa dapat dilihat dari indek prestasi kumulatif dalam perkuliahan setiap tahun, dan indeks prestasi dilihat dari perkulihan tiap semester.
2.5 Teknik Sampling
1. Probability Sampling (Metode Acak)
8
untuk terpilih sebagai sampel. Dengan metode acak ini, diharapkan sample yang dipilh didapat digunakan untuk menduga karakteristik populasi secara objektif. Di samping itu, teori-teori peluang yang dipakai dalam metode acak memungkinkan peneliti untuk mengetahui bias yang muncul dan sejauh mana bias yang muncul tersebut menyimpang dari perkiraan. Hasil perhitungan yang diperoleh dapat digunakan untuk menyimpulkan variasi-variasi yang mungkin ditimbulkan tiap-tiap teknik sampling. Peneliti menggunakan simple random sampling karena pengambilan anggota sample dari populasi dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi.
2. Nonprobability Sampling (Metode Tak Acak)
Melakukan penelitian dengan metode tak acak, peneliti tidak perlu membuat kerangka sampel dalam pengambilan sampelnya. Hal ini menjadi salah satu keuntungan terkait dengan pengurangan biaya dan permasalahan yang timbul karena pembuatan kerangka sample. Hal lain yang menjadi keburukan pengambilan sample dengan metode tak acak adalah ketepatan dari informasi yang diperoleh akan terpengaruh, karena hasil penarikan sample dengan metode tak acak ini mengandung bias dan ketidak tentuan. Metode tak acak sering digunakan dengan perkembangan yang terkait dengan penghematan biaya, waktu, dan tenaga. Di samping itu pertimbangan lainnya adalah walaupun metode acak mungkin saja lebih unggul dalam teori, tetapi dalam pelaksanaannya sering kali dijumpai adanya beberapa kesalahan oleh peneliti, dalam penggunaan metode tak acak, pengetahuan, kepercayaan dan pengalaman seseorang sering dijadikan pertimbangan untuk menentukan anggota populasi yang akan dipilih sebagai sample. Sample diambil berdasarkan pada kriteria-kriteria yang telah dirumuskan terlebih dahulu oleh peneliti, sample yang diambil dari anggota populasi dipilih sekehendak hati oleh peneliti menurut pertimbangan dan intuisi (Sugiarto, dkk, 2001).
2.6 Skala Likert
9
fenomena. Skala Likert terdapat dua bentuk pernyataan yaitu pernyataan positif yang berfungsi untuk mengukur sikap positif, dan pernyataan negatif yang berfungsi untuk mengukur sikap negatif. Skor pernyataan positif dimulai dari 1 untuk sangat tidak setuju (STS), 2 untuk tidak setuju (TS), 3 netral (N), 4 untuk setuju (S), dan 5 untuk sangat setuju (SS).
2.7 Analisis Regresi dan Koefisien Korelasi 2.7.1 Analisis Regresi
Analisis regresi adalah sebuah metode statistik yang berguna untuk memodelkan fungsi hubungan diantara variabel dependen dan variabel independen. Hubungan antara satu variabel dependen dengan satu variabel independen dinyatakan dalam model regresi linier. Jika parameter pada model regresi berhubungan secara linear dengan variabel dependen maka disebut model regresi linier. Selanjutnya model ini dapat digunakan untuk memprediksi nilai variabel dependen apabila diberikan nilai dari variabel independen. Oleh karena itu taksiran model yang didapatkan sebaiknya memenuhi kriteria model yang baik sehingga mampu digunakan sebagai prediksi dengan error yang terkecil.
1. Analisis Regresi Linear Sederhana
Analisis regresi linier untuk memodelkan hubungan antara variabel dependen dan variabel dependen, dimana jumlah variabel independen hanya satu. Secara umum hubungan tersebut dapat dinyatakan sebagai berikut:
= + +
di mana:
: variabel dependen : koefisien regresi :variabel independen
: nilai error regresi
10
2. Var ( ) = , varians error konstan atau varians error bersifat homoskedastisitas (tidak ada masalah dengan heteroskedastisitas).
3. Cov ( , ) = 0, variabel diantara pengamatan error bersifat independen atau tidak ada masalah otokorelasi.
4. Tidak ada masalah mutikolinearitas (terdapat korelasi tinggi diantara variabel independen).
2. Regresi Linier Berganda
Regresi Linier Berganda untuk memodelkan hubungan antara variabel dependen dan independen, dengan jumlah variabel independen lebih dari satu. Model regresi linier berganda adalah
2. Tingkat signifikansi ( )
3. Uji statistik:
11
Pengujian Hipotesis
Hipotesis adalah suatu pernyataan tentang besarnya nilai parameter populasi yang akan di uji. Parameter merupakan suatu besaran yang menyatakan kondisi dari populasi.
a. Hipotesis Nol (H0)
Hipotesis Nol adalah kesimpulan sementara (anggapan) atau jawaban dari si peneliti terhadap suatu kondisi atau teori yang ada (biasanya merupakan kebalikan dari opini atau teori). Pernyataan hipotesis nol selalu ditandai dengan notasi “sama dengan(=)”, baik untuk pengujian dua pihak, maupun pada pengujian satu pihak kiri atau kanan saja.
b. Hipotesis Alternatif (H1)
Hipotesis Alternatif adalah kesimpulan sementara (anggapan) atau jawaban sementara dari sipeneliti yang merupakan kebalikan dari hipotesis nolnya terhadap suatu kondisi atau teori yang ada (biasanya merupakan pernyataan kesesuaian dari opini atau teori). Pernyataan hipotesis alternative selalu ditandai dengan notasi “ (tidak sama dengan)” pada pengujian dua pihak, “< (lebih kecil dari)”, atau “> (lebih besar dari)” utuk pengujian satu pihak kiri atau satu pihak kanan saja.
Pengujian nyata regresi adalah sebuah pengujian untuk menentukan apakah ada hubungan linier antara varaiabel tak bebas Y dan variabel bebas
, , , .
Dalam uji hipotesis, digunakan daerah kritis: ditolak jika >
H0diterima jika < dengan:
= ,( ),
12
koefisien tersebut layak dipakai dalam persamaan atau tidak. Rumusan hipotesis untuk menguji parameter regresi secara parsial adalah sebagai berikut:
= 0 artinya koefisien regresi tidak signifikan atau variabel bebas ke-tidak berpengaruh nyata terhadap .
0 artinya koefisien regresi signifikan atau variabel bebas ke-berpengaruh nyata terhadap .
Statistik uji yang digunakan untuk menguji parameter regresi secara parsial adalah:
=
Jika > ( ) ; / , maka ditolak yang artinya variabel bebas
ke- berpengaruh nyata terhadap .
2.7.2 Koefisien Korelasi
Analisis korelasi bertujuan untuk mengetahui seberapa kuat hubungan antar variabel dan sebagai variabel bebas dan tak bebas. Kejadian-kejadian tersebut bisa dinyatakan sebagai perubahahan nilai variabel dan . Kalau dan berkorelasi sangat kuat, analisis dilanjutkan dengan analisis regresi yang bertujuan untuk :
a. Mengetahui besarnya pengaruh dari perubahan terhadap kalau naik 1 unit (satu satuan), berapa kali kenaikan .
Catatan :
Bisa mengatakan besarnya pengaruh terhadap kalau naik 1 unit, kalau variabel, selain dikontrol (konstan), tak mempengaruhi , misalnya dalam eksperimen, sebab yang mempengaruhi banyak faktor bukan hanya . b. Memperkirakan/ meramalkan nilai kalau variabel yang berkorelasi
13
Hubungan dan positif kalau kenaikan/penurunan diikuti dengan kenaikan/penurunan , sedangkan hubungan negatif kalau kenaikan/penurunan diikuti penurunan/kenaikan . Koefisien korelasi (r) merupakan suatu nilai untuk mengukur kuatnya hubungan antara dan .
= ∑ − ∑ ∑
( ∑ ) − ( ∑ ) [ ∑ − ( ∑ ) ]
dan perkiraanμ danμ berada diantara− 1 ≤ ≤ 1. Tabel 2.1 Kriteria Uji Kolerasi
Interpretasi
0 Tidak berkolerasi
< 0,5 lemah positif atau negatif 0,5 < < 0,75 cukup kuat positif atau negatif 0,75 < < 0,9 kuat positif atau negatif
0,9 < < 1 sangat kuat positif atau negatif 1 sempurna positif atau negatif. (J.Supranto 2010)
2.8 Matriks
Matriks adalah susunan bilangan atau elemen-elemen berbentuk segiempat. Bilangan-bilangan atau elemen-elemen dalam susunan itu dinamakan anggota matriks tersebut. Suatu matriks dinotasikan dengan symbol huruf besar seperti A, X, atau Z dan sebagainya. Sebuah matriks A yang berukuran m baris dan n kolom dapat ditulis sebagai berikut:
14
2. Matriks minor
Diberikan matrik Am x n. Minor dari aijditulis |Aij | didefenisikan sebagai determinan submatriks A yang didapatkan dengan cara menghilangkan baris ke-i dan kolom ke-j.
3. Determinan matriks m x n
Determinan dari Am x ndapat diperoleh dengan cara mengalikan unsur-unsur pada sembarang baris atau kolom dengan kofaktornya lalu menjumlahkan hasil kali yang didapatkan, determinan A atau | A| dapat ditulis dalam bentuk persamaan:
| | = ∑ untuk tiap baris i= 1,2,... ,n di mana = elemen matriks baris ke- i kolom ke–j,
= kofaktor dari 4. Transpose matriks
Transpose matriks berarti mengubah matriks tersebut menjadi sebuah matriks baru dengan cara saling menukarkan posisi unsur-unsur kolomnya. Transpose matriks A dilambangkan At.
5. Adjoint matriks
Adjoint dari suatu matriks adalah transpose dari matriks kofaktor-kofaktornya.
6. Invers matriks
Diberikan matriks Am x n dan Bm x n sehingga AB= BA= I maka B adalah invers dari A, dapat dicari dengan:
=
| |
2.9 Matrik kovarian
15
penekanan variansi kedua variabel yang terjadi secara bersama-sama. Kovarian adalah ukuran keterikatan antara peubah acak dan .
( , ) = [( − ) ( − ) ]
Jika dan variabel random, maka:
( , ) = ( ) − ( ) ( )
Struktural matriks kovarian dilambangkan dengan ∑( ) = dan dinyatakan sebagai
∑ ( ) = ∑ ( ) ∑ ( )
∑ ( ) ∑ ( )
di mana:
∑ ( )adalah matriks kovarian bagi peubah pengamatan
∑ ( ) adalah matriks kovarian bagi peubah pengamatan dengan ∑ ( ) adalah matiks kovarian bagi peubah pengamatan dengan ∑ ( ) adalah matriks kovarian bagi peubah pengamatan
2.10 Metode Maximum Likelihood
Fungsi likelihood didefinisikan sebagai fungsi densitas peluang bersama dari n variabel acak X1, ... , Xnyang dipandang sebagai fungsiθ .
Jika X1, ... , Xnsampel acak dengan fungsi densitas peluang f (x;θ ) maka fungsi likelihoodL(θ )didefinisikan sebagai :
L(θ ) = f (x1;θ ) ... f (xn;θ )
Untuk mengilustrasikan metode maximum likelihood, kita mengasumsikan bahwa populasi tersebut memiliki suatu fungsi kepadatan yang mengandung suatu parameter populasi, misalnya θ , yang harus ditentukan dengan menggunakan suatu statistik tertentu, kemudian fungsi kepadatan dapat dilambangkan sebagai f (x;θ ).Dengan mengasumsikan bahwa terdapat n pengamatan yang independen x1, ... , xn.Fungsi Likelihood untuk pengamatan-pengamatan ini adalah:
L(θ ) = f (x1;θ ). f (x2;θ )... f (xn;θ )
16
sebagai
( ) L (θ ) = 0. Dalam hal ini akan lebih mudah untuk terlebih dahulu
menghitung logaritma dan kemudian menentukan turunannya:
( ) ln L (θ ) = 0.
(Larsen: 2006; 347)
2.11 Structural Equation Modelling(SEM)
Model persamaan struktural memberikan kemampuan untuk mengakomodasi hubungan variabel tak bebas berganda (multiple interrelated dependence relationships) dalam satu model saja, maksudnya hubungan banyak variabel dalam suatu set persamaan dimana variabel tak bebas dalam suatu persamaan, menjadi terikat dalam persamaan lainnya. Kalau dalam model regresi berganda hanya ada satu variabel tak bebas yang tergantung pada banyak variabel bebas ( , ,… ) yang terikat dalam satu persamaan, hanya bisa mengestimasi suatu hubungan tunggal, maka dalam model persamaan stuktural bisa mengestimasi banyak hubungan, lebih dari satu persamaan sekaligus secara simultan.
Variabel laten terbagi 2 (dua) yaitu variabel laten eksogenus diberi simbol ξ (ksi) dan variabel laten endogenus dengan simbolnya η (eta). Sedangkan variabel indikator diberi simbol =ξ atau =η .
= + +
− = +
( 1 − ) = +
= ( 1 − ) + ( 1 − )
di mana :
β : matriks koefisien jalur dari variabel endogen ke variabel endogen τ : matriks koefisien jalur dari variabel eksogen ke variabel endogen η : vektor variabel laten tak bebas (endogenus)
17
Terdapat dua persamaan matriks yang digunakan untuk menjelaskan model pengukuran. Persamaan pertama untuk variabel penjelas tidak bebas, yaitu:
= Λ +
di mana :
: indikator-indikator untuk variabel endogen
Λ : matriks koefisien yang mengindikasikan pengaruh variabel laten tidak bebas terhadap variabel penjelas tak bebas
: vektor variabel laten tak bebas (endogenus)
: vektor kesalahan pengukuran variabel penjelas tak bebas Persamaan kedua untuk variabel penjelas bebas, yaitu :
= +
di mana:
: vektor variabel penjelas bebas
: matriks koefisien yang mengindikasikan pengaruh variabel laten bebas terhadap variabel penjelas bebas
: vektor variabel laten bebas
: vektor kesalahan pengukuran variabel penjelas bebas (Supranto: 2004)
Y
22
Gambar 2.7 Model Kombinasi Pertama dan Kedua
2.12.4 Model Kompleks
Model keempat ini merupakan model yang lebih kompleks, yaitu variabel secara langsung mempengaruhi dan melalui variabel secara tidak langsung mempengaruhi , sementara variabel juga dipengaruhi oleh variabel model digambarkan pada Bentuk model kompleks:
Gambar 2.8 Bentuk Model Kompleks
2.13 Persamaan Model Jalur SEM 2.13.1 Persamaan Satu Jalur
Bentuk model yang mengandung unsur persamaan satu jalur adalah pada model regresi berganda. Dimana hanya terdapat satu variabel endogen yang disebabkan oleh beberapa variabel eksogen. Bentuk modelnya dapat dilihat pada bentuk model persamaan satu jalur dalam SEM:
Z
25
2.14 Evaluasi Kelayakan Model
Kelayakan model dapat dilihat dari berbagai ukuran kelayakan model, dalam penelitian ini ukuran kelayak model yang digunakan adalah :
1. Chi-kuadrat
Nilai chi-kuadrat yang diperoleh relatif besar terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model tidak sesuai dengan matriks data. Sebaliknya chi-kuadrat yang relatif kecil terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model sesuai dengan matriks data. Ada beberapa kelemahan dalam uji chi-kuadrat yaitu tergantung pada asumsi kenormalan ganda, untuk memperoleh kecocokan yang lebih baik diperlukan model yang lebih kompleks, sensitif terhadap ukuran contoh (Haryono :2012)
2. Goodness-of-Fit Index (GFI)
Nilai GFI mempresentasikan persen keragaman data yang dapat diterangkan oleh model. Formula GFI untuk metode maximum likelihood adalah :
= 1 −
di mana:
: nilai minimum dari untuk model yang dihipotesiskan
: nilai minimum dari ketika tidak ada model yang dihipotesiskan Model nilai GFI lebih besar daripada 0,90 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Haryono :2012)
3. Degree of Freedom(df)
Degree of freedom(df) dapat dihitung dengan: = [ . ( + 1) − ]
di mana:
26
Uji kelayakan model dinyatakan layak jika salah satu metode uji kelayakan terpenuhi. Bila uji kelayakan model bisa memenuhi lebih dari satu kriteria kelayakan model, model analisis konfirmatori akan jauh lebih baik daripada hanya satu yang terpenuhi.
2.15 Memilih Input Matriks dan Mendapatkan Model Estimate
Model persamaan struktural mengakomodasi input matriks dalam bentuk covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input matriks ini dapat digunakan. Namun demikian karena tujuannya adalah mengeksplorasi pola saling hubungan (interrelationship), maka input matriks dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan dari data mentah ke bentuk kovarian atau korelasi lebih dahulu sebagai input analisis. Kemudian untuk estimasi dipilih estimasi Maximum Likelihood (ML) untuk mengestimasi data yang sudah diinput. Estimasi Maximum Likelihood (ML) dipilih karena dengan model estimasi Maximum Likelihood (ML) minimum diperlukan 100 buah sampel. Ketika sampel dinaikkan di atas nilai 100, metode Maximum Likelihood (ML) meningkat sensitivitasnya untuk mendetekasi perbedaan antar data. Begitu sampel menjadi besar, maka metode Maximum Likelihood (ML) menjadi angat sensitive dan selalu menghasilkan perbedaan secara signifikan sehingga ukuran Goodness of Fit menjadi jelek. Jadi dapat direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan unutk metode estimasi Maximum Likelihood (ML). Model yang dihipotesiskan telah didasarkan oleh teori prestasi yang ada.didukung nilai validitas pada output standardized regression weight.
2.16 Menilai Kriteria Goodness of Fit
27
Tabel 2.2Goodness of Fit
No Goodness of Fit Indeks Cut of Value
(Nilai Batas)
Kriteria 1.
2. 3. 4.
DF
Chi-Square Probability GFI
CFI
> 0 < a.df > 0,05 ≥ 0,80 ≥ 0,90
Over Indentified Good Fit Good Fit Good Fit
No Peubah laten Eksogen
Peubah Penjelas Simbol
1 Lingkungan Kondisi kampus
Teman di tempat tinggal Tempat tinggal
Memanfaatkan waktu di rumah untuk belajar
Konsentrasi belajar di rumah Efektif dan efisienkah lokasi dan waktu tempuh ke kampus
No Peubah laten Eksogen
Peubah Penjelas Simbol
2 Kesehatan Pola makan dan tidur yang baik untuk menunjang pendidikan Olahraga rutin dapat menunjang prestasi
Menyimbangi pola belajar dengan kesehatan
3 Motivasi Sarana dan prasarana di kampus Keaktifan ke perpustakaan dalam mencari buku
Kondisi mahasiswa saat Dosen menerangkan mata kuliah Suasana belajar di kampus
4 Prestasi Indeks prestasi
30
3.1.3 Konversi Diagram Jalur ke Persamaan Struktural
Persamaan struktural dari model diagram jalur dinyatakan sebagai berikut :
= + + +
Sedangkan spesifikasi terhadap model pengukuran adalah sebagai berikut : Konstruk Eksogen Lingkungan
= +
= +
= +
= +
= +
= +
= +
Konstruk Eksogen Kesehatan
= +
= +
= +
Konstruk Eksogen Motivasi
= +
= +
= +
= +
Konstruk Endogen Prestasi
= +
32
Tabel 3.2 Regression Weights: Konstruk Eksogen
Estimate S.E. C.R. P Label
X14 <--- Motivasi 1,000
X13 <--- Motivasi 1,424 ,634 2,247 ,025 par_1 X12 <--- Motivasi 3,410 1,316 2,592 ,010 par_2 X11 <--- Motivasi 4,122 1,581 2,606 ,009 par_3 X10 <--- Kesehatan 1,000
X9 <--- Kesehatan ,515 ,071 7,273 *** par_4 X8 <--- Kesehatan 1,041 ,076 13,605 *** par_5 X1 <--- Lingkungan 1,000
X2 <--- Lingkungan ,097 ,340 ,286 ,775 par_6 X3 <--- Lingkungan 3,910 ,958 4,083 *** par_7 X4 <--- Lingkungan 4,209 1,030 4,087 *** par_8 X5 <--- Lingkungan 1,569 ,437 3,588 *** par_9 X6 <--- Lingkungan 3,873 ,952 4,067 *** par_10 X7 <--- Lingkungan 4,392 1,072 4,098 *** par_11
Tabel 3. 3 Standardized Regression Weights: Konstruk Eksogen
33
Tabel 3.4 Variances: Konstruk Eksogen
Estimate S.E. C.R. P Label
Motivasi ,034 ,026 1,298 ,194 par_15
Kesehatan ,620 ,109 5,698 *** par_16
Lingkungan ,042 ,021 1,997 ,046 par_17
e14 ,448 ,064 6,994 *** par_18
Tabel 3. 5 Squared Multiple Correlations: Konstruk Eksogen
35
Tabel 3. 6 Squared Multiple Correlations Full Model
Estimate
Prestasi ,557
Y2 ,832
Y1 ,019
X7 ,861
X6 ,788
X5 ,342
X4 ,817
X3 ,802
X2 ,001
X1 ,154
X8 ,793
X9 ,390
X10 ,806
X11 ,764
X12 ,666
X13 ,142
X14 ,063
3.4 Evaluasi Model Struktural
Sebelum dilakukan pengujian secara ststistik terhadap pengaruh masing-masing variabel independen terhadap variabel dependen dalam fit model, terlebih dahulu akan dilakukan evaluasi terhadap model struktural yang dihasilkan oleh fit model.
3.4.1 Skala Pengukuran Variabel (Skala Data)
36
3.4.2 Normalitas Data
Estimasi dengan Maximum Likelihood menghendaki variabel observed harus memenuhi asumsi normalitas multivariate. Evaluasi normalitas multivariate dilakukan dengan menggunakan kriteria critical ratio (c.r) dari multivariate pada kurtosis, apabila berada pada rentang antara ± 2,58 berarti data berdistribusi normal secara multivariat. Hasil pengujian normalitas data adalah sebagai berikut:
Tabel 3. 7 Assessment of normality Full Model
Variable Min Max Skew c.r. kurtosis c.r.
Y2 2,000 5,000 ,439 1,794 ,176 ,359
Y1 2,000 5,000 ,358 1,462 -,498 -1,017
X7 2,000 5,000 ,275 1,122 -,950 -1,939
X6 2,000 5,000 ,249 1,015 -,672 -1,371
X5 2,000 4,000 ,047 ,191 ,209 ,426
X4 2,000 5,000 ,280 1,144 -,850 -1,735
X3 2,000 5,000 ,247 1,008 -,683 -1,395
X2 2,000 5,000 ,375 1,529 -,409 -,835
X1 2,000 5,000 ,607 2,478 1,042 2,127
X8 2,000 5,000 ,331 1,350 -,758 -1,548
X9 2,000 5,000 ,372 1,518 ,322 ,657
X10 2,000 5,000 ,239 ,975 -,681 -1,390
X11 2,000 5,000 ,242 ,988 -,651 -1,329
X12 2,000 5,000 ,585 2,389 ,079 ,162
X13 2,000 5,000 ,664 2,710 ,693 1,414
X14 2,000 4,000 -,362 -1,476 -,910 -1,858
Multivariate ,359 ,075
Normalitas menunjukkan bahwa nilai c.r. untuk multivariate adalah 0,75 lebih kecil dari ± 2,58,sehingga dapat disimpulkan bahwa data berditribusi normal secara multivariate.
3.4.3 Estimasi Nilai Parameter
37
Tabel 3. 8 Regression Weights
Estimate S.E. C.R. P Label prestasi <--- Lingkungan ,029 1,690 ,017 ,986 par_13 prestasi <--- Kesehatan ,104 ,831 ,126 ,900 par_14 prestasi <--- Motivasi ,255 1,810 ,141 ,888 par_15 X14 <--- Motivasi 1,000
X13 <--- Motivasi 1,456 ,546 2,668 ,008 par_1 X12 <--- Motivasi 3,607 1,485 2,428 ,015 par_2 X11 <--- Motivasi 4,392 1,798 2,443 ,015 par_3 X10 <--- Kesehatan 1,000
X9 <--- Kesehatan ,515 ,071 7,287 *** par_4 X8 <--- Kesehatan 1,040 ,076 13,596 *** par_5 X1 <--- Lingkungan 1,000
X2 <--- Lingkungan ,121 ,344 ,351 ,725 par_6 X3 <--- Lingkungan 3,913 ,958 4,086 *** par_7 X4 <--- Lingkungan 4,210 1,029 4,090 *** par_8 X5 <--- Lingkungan 1,564 ,437 3,577 *** par_9 X6 <--- Lingkungan 3,857 ,949 4,066 *** par_10 X7 <--- Lingkungan 4,391 1,071 4,100 *** par_11 Y1 <--- Prestasi 1,000
Y2 <--- Prestasi 7,478 13,682 ,547 ,585 par_18
Tabel 3.9 Standardized Regression Weights
38
Estimate Y2 <--- Prestasi ,912
Tabel 3.10 Varians: Full Model
Estimate S.E. C.R. P Label
Motivasi ,030 ,025 1,219 ,223 par_35
Kesehatan ,621 ,109 5,700 *** par_36
Lingkungan ,042 ,021 1,998 ,046 par_37
Z1 ,006 ,012 ,488 ,626 par_38
e4 ,168 ,029 5,814 *** par_49
e5 ,199 ,029 6,848 *** par_50
e6 ,169 ,028 5,960 *** par_51
e7 ,132 ,025 5,225 *** par_52
e15 ,351 ,052 6,738 *** par_53
e16 ,078 ,659 ,118 ,906 par_54
3.4.4 Measurement Model Fit 1. Uji Reliability
39
Composite reliability didapat dengan rumus :
= ( )
( ) +
1. Standardized loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator
2. adalah measurement erroe = 1–(standardized loading) 2
Sum standardized loading untuk :
= 0,251 + 0,377 + 0,816 + 0,874 = 2,318 = 0,538 + 0,912 =1,201
= 0,898 + 0,625 + 0,891 =2,414
= 0,393 + 0,037 + 0,895 + 0,904 + 0,585 + 0,888 + 0,928 =4,63
Sum Measurement Error untuk :
= 0,749 + 0,623 + 0,184 + 0,126 = 1,682 = 0,462 + 0,088 = 0,55
= 0,102 + 0,375 + 0,109 = 0,586
= 0,607 + 0,963 + 0,105 + 0,096 + 0,415 + 0,112 + 0,072
= 2,37
Perhitungan Reliabilitas
= (2,318) + 1,682 = 0,762(2,318)
=(2,414) + 0,586 = 0,909(2,414)
=(1,201) + 0,55 = 0,724(1,201)
40
Reliabilitas untuk masing-masing konstruk terlihat memiliki nilai cut-off value 0,70 semua konstruk memenuhi syarat.
2.Variance Extracted
Variance Extract memperlihatkan jumlah varians dari indikator-indikator yang diekstraksi oleh variabel yang bentuk dikembangkan. Nilai variance extract yang tinggi menunjukkan bahwa indikator-indikator itu telah mewakili secara baik variabel bentukan yang dikembangkan. Besarnya nilai variance extract dihitung dengan rumus sebagai berikut:
= +
Sum of Squared Standardized loading:
= 0,251 + 0,377 + 0,816 + 0, 874 = 1,870 = 0,538 + 0,912 = 1,121
= 0,898 + 0,625 + 0,891 =1,990
= 0,393 + 0,037 + 0,895 + 0,904 + 0,585 + 0,888 + 0,928
=3,766 Perhitungan Variance Extraced
= 1,870 + 1,682 = 0,5261,870
=1,990 + 0,586 = 0,7731,990
=1,121 + 0,55 = 0,6711,121
= 3,766 + 2,37 = 0,6143,766
41
3.4.5 Interpretasi Model
Hubungan antar variabel model dapat dilihat pada tabel berikut : Tabel 3.11 Hubungan Antar Variabel
Hubungan Antar Variabel Nilai Hubungan
Keterangan
Lingkungan dengan x1 0,393 Lingkungan dengan x1lemah
Lingkungan dengan x2 0,037 Lingkungan dengan x2lemah
Lingkungan dengan x3 0,895 Lingkungan dengan x3 kuat
Lingkungan dengan x4 0,904 Lingkungan dengan x4sangat kuat
Lingkungan dengan x5 0,585 Lingkungan dengan x5 cukup kuat
Lingkungan dengan x6 0,888 Lingkungan dengan x6kuat
Lingkungan dengan x7 0,928 Lingkungan dengan x7sangat kuat
Kesehatan dengan x8 0,891 Kesehatan dengan x8 kuat
Kesehatan dengan x9 0,625 Kesehatan dengan x9cukup kuat
Kesehatan dengan x10 0,898 Kesehatan dengan x10 kuat
Motivasi dengan x11 0,874 Motivasi dengan x11 kuat
Motivasi dengan x12 0,816 Motivasi dengan x12 kuat
Motivasi dengan x13 0,337 Motivasi dengan x13lemah
Motivasi dengan x14 0,251 Motivasi dengan x14lemah
Prestasi dengan Y1 0,538 Prestasi dengan ip cukup kuat
Prestasi dengan Y2 0,912 Prestasi dengan ipk sangat kuat
Prestasi dengan Lingkungan 0,073 Prestasi dengan lingkungan lemah
Prestasi dengan Kesehatan 0,992 Prestasi dengan Kesehatan sangatkuat
Prestasi dengan Lingkungan 0,537 Prestasi dengan Lingkungan cukup kuat
42
Dari hasil pengolahan data dapat dilihat seberapa jauh masing-masing independen variabel menjelaskan dependen variabelnya. Berikut penjelasan masing-masing hubungan tersebut :
1. Indikator kondisi kampus dapat menjelaskan variabel lingkungan sebesar 15%. Selain itu hubungan antar variabel dapat dilihat bahwa indikator kondisi kampus mempengaruhi cukup dan searah dengan nilai korelasi sebesar 0,393. Artinya jika terjadi kenaikan pada indikator kondisi kampus, maka akan diikuti variabel lingkungan.
2. Indikator teman di tempat tinggal dapat menjelaskan variabel lingkungan sebesar 0,13%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator teman di tempat tinggal mempengaruhi lemah dan searah dengan nilai korelasi sebesar 0,037. Artinya jika terjadi kenaikan pada indikator teman di tempat tinggal, maka akan diikuti kenaikan variabel lingkungan. 3. Indikator tempat tinggal dapat menjelaskan variabel lingkungan sebesar
80%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator tempat tinggal mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,895. Artinya jika terjadi kenaikan pada indikator tempat tinggal , maka akan diikuti kenaikan variabel lingkungan.
4. Indikator memanfaatkan waktu belajar di rumah dapat menjelaskan variabel lingkungan sebesar 81%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator memanfaatkan waktu belajar di rumah mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,904. Artinya jika terjadi kenaikan pada indikator memanfaatkan waktu belajar di rumah , maka akan diikuti kenaikan variabel lingkungan.
5. Indikator konsentrasi belajar di tempat tinggal dapat menjelaskan variabel lingkungan sebesar 34%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator konsentrasi belajar di tempat tinggal cukup dan searah dengan nilai korelasi sebesar 0,585. Artinya jika terjadi kenaikan pada indikator konsentrasi belajar di tempat tinggal, maka akan diikuti kenaikan variabel lingkungan.
43
variabel dapat dilihat bahwa indikator Efektif dan efisienkah lokasi dan waktu tempuh ke kampus mempengaruhi sangat kuat dan searah dengan nilai korelasi sebesar 0,888. Artinya jika terjadi kenaikan pada indikator jarak tempat tinggal, maka akan diikuti kenaikan variabel lingkungan.
7. Indikator pengaruh tinggal bersama orang tua atau tinggal indekost dapat menjelaskan variabel lingkungan sebesar 86%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator Tinggal bersama orang tua atau tinggal indekost mempengaruhi minat belajar di tempat tinggal sangat kuat dan searah dengan nilai korelasi sebesar 0,928. Artinya jika terjadi kenaikan pada indikator tinggal bersama orang tua atau tinggal indekost mempengaruhi minat belajar variabel lingkungan.
8. Indikator Pola makan dan tidur yang baik untuk menunjang pendidikan dapat menjelaskan variabel kesehatan sebesar 79%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator pola makan dan tidur yang baik untuk menunjang pendidikan sangat kuat dan searah dengan nilai korelasi sebesar 0,891. Artinya jika terjadi kenaikan pada indikator pola makan dan tidur yang baik untuk menunjang pendidikan, maka akan diikuti kenaikan variabel kesehatan.
9. Indikator olahraga rutin dapat menunjang prestasi dapat menjelaskan variabel kesehatan sebesar 39%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator olahraga rutin dapat menunjang prestasi kuat dan searah dengan nilai korelasi sebesar 0,625. Artinya jika terjadi kenaikan pada indikator olahraga rutin dapat menunjang prestasi maka akan diikuti kenaikan variabel kesehatan.
44
11. Indikator sarana dan prasarana dapat menunjang prestasi dapat menjelaskan variabel motivasi sebesar 76%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator sarana dan prasarana dapat menunjang prestasi sangat kuat dan searah dengan nilai korelasi sebesar 0,874. Artinya jika terjadi kenaikan pada indikator sarana dan prasarana , maka akan diikuti kenaikan variabel motivasi.
12. Indikator keaktifan ke perpustakan dalam meminjam buku dapat menunjang prestasi dapat menjelaskan variabel motivasi sebesar 66%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator keaktifan ke perpustakan dalam meminjam buku dapat menunjang prestasi kuat dan searah dengan nilai korelasi sebesar 0,816. Artinya jika terjadi kenaikan pada indikator keaktifan ke perpustakan dalam meminjam buku , maka akan diikuti kenaikan variabel motivasi.
13. Indikator ketertipan mahasiswa saat dosen menerangkan mata kuliah dapat menunjang prestasi dapat menjelaskan variabel motivasi sebesar 11%. Selain itu, hubungan antar variabel dapat dilihat bahwa indikator ketertipan mahasiswa saat dosen menerangkan mata kuliah dapat menunjang prestasi kuat dan searah dengan nilai korelasi sebesar 0,337. Artinya jika terjadi kenaikan pada indikator ketertipan mahasiswa saat dosen menerangkan mata kuliah , maka akan diikuti kenaikan variabel motivasi.
