IDENTIFIKASI FAKTOR-FAKTOR INTERNAL YANG MEMPENGARUHI KEMAMPUAN KOGNISI STATISTIKA DAN PRESTASI AKADEMIK ARI WIBOWO

STATISTIKA DAN PRESTASI AKADEMIK

ARI WIBOWO

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2010

Dengan ini saya menyatakan bahwa tesis dengan judul Identifikasi Faktor-faktor Internal yang Mempengaruhi Kemampuan Kognisi Statistika dan Prestasi Akademik adalah karya saya sendiri dengan arahan dan bimbingan dari komisi pembimbing serta belum pernah diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan oleh pihak lain telah penulis sebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Oktober 2010

Ari Wibowo

ARI WIBOWO. Identification of Internal Factors that Affect Statistic Ability and Academic Achievement. Advisored by I MADE SUMERTAJAYA, ANANG KURNIA, and YENNI ANGRAINI.

During forty years recently the metacognition is being the main research about developing cognition. The focus of metacognitive ability is located on two components namely knowledge and believe in dealing cognition phenomena and also leading and controling toward cognition action. In this research is studied by the effect of statistical metacognitive ability toward statistical cognitive ability especially and the effect toward academic achievement commonly. Other factor that is followed in analysis is academic aptitude and prior knowledge that is predicted to determine the success on someone’s study in college. Research design is used for explanatory research design which analysis tools used confirmatory factor analysis (CFA) and structural equation modeling (SEM). The result of this research shows that effect prior knowledge toward statistical cognitive ability is bigger than academic aptitude effect. Continuously, that has effect from the bigest to the smallest one toward academic achievement are academic aptitude, statistical cognitive ability, prior knowledge, and statistical metacognitive ability.

Keywords: statistical metacognitive ability, academic aptitude, prior knowledge, statistical cognitive ability, academic achievement

ARI WIBOWO. Identifikasi Faktor-faktor Internal yang Mempengaruhi Kemampuan Kognisi Statistika dan Prestasi Akademik. Dibimbing oleh I MADE SUMERTAJAYA, ANANG KURNIA, dan YENNI ANGRAINI.

Selama 40 tahun terakhir metakognisi menjadi salah satu bidang utama penelitian-penelitian tentang pengembangan kognisi. Walaupun konsep “kemampuan metakognisi” mempunyai banyak definisi, namun fokus kemampuan metakognisi terletak pada dua komponen penyusunnya, yaitu pengetahuan dan keyakinan mengenai fenomena kognisi serta pengaturan dan kontrol terhadap tindakan kognisi. Pada penelitian ini dikaji pengaruh langsung maupun tidak langsung kemampuan metakognisi terhadap kemampuan kognisi statistika pada khususnya dan pengaruh terhadap prestasi akademik pada umumnya. Faktor lain yang diikutsertakan dalam analisis adalah faktor potensi akademik dan pengetahuan awal yang diduga turut menentukan keberhasilan belajar seseorang pada jenjang perguruan tinggi.

Jenis data yang digunakan pada penelitian ini adalah data cross section

yang terdiri dari data primer dan sekunder pada bidang pendidikan. Data primer terdiri dari tiga peubah laten, yaitu potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi statistika, sedangkan data sekunder terdiri dari dua peubah laten pengetahuan awal dan prestasi akademik. Pengetahuan awal mempunyai sebuah indikator yaitu nilai mata kuliah prasyarat (Statistika I). Hal ini dikarenakan penelitian ini dilakukan ketika mahasiswa menempuh mata kuliah Statistika II, sedangkan secara hirarki mata kuliah Statistika II merupakan kelanjutan dari mata kuliah Statistika I. Prestasi akademik juga mempunyai sebuah indikator yaitu IP semester yang dicapai oleh mahasiswa pada semester saat diadakan penelitian. Populasi pada penelitian ini adalah mahasiswa program studi pendidikan agama Islam (PAI) jurusan tarbiyah Sekolah Tinggi Agama Islam Negeri (STAIN) Surakarta yang mengambil mata kuliah Statistika II pada tahun akademik 2007/ 2008. Contoh yang digunakan pada penelitian ini berukuran 119 mahasiswa.

Dalam penelitian ini digunakan analisis faktor konfirmatori untuk mengetahui apakah masing-masing indikator benar-benar dapat menjelaskan peubah laten bentukannya. Selanjutnya untuk mengetahui hubungan kausal langsung maupun tidak langsung antar peubah-peubah yang telah teridentifikasi serta model persamaan struktural yang sesuai digunakan pendekatan model persamaan struktural (MPS).

Secara garis besar, tahap-tahap analisis data pada penelitian ini meliputi tahap deskripsi data dan tahap pemodelan. Tahap pemodelan pada penelitian ini

mengikuti tahap-tahap prosedur MPS yang meliputi (a) spesifikasi model, (b) identifikasi, (c) dugaan, (d) uji kecocokan, dan (e) respesifikasi. Matriks input

yang dipilih dalam penelitian ini adalah matriks koragam karena matriks koragam memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau contoh yang berbeda. Selain itu matriks koragam lebih sesuai untuk memvalidasi hubungan kausal. Teknik dugaan yang digunakan untuk analisis data adalah dengan menggunakan teknik dugaan maximum

komputasi adalah program analysis of moment structure (AMOS) versi 18.

Hasil penelitian ini menunjukkan bahwa faktor yang mempunyai pengaruh langsung terhadap kemampuan kognisi statistika adalah pengetahuan awal dengan kontribusi sebesar 78.2%. Faktor yang mempunyai pengaruh langsung terhadap prestasi akademik adalah potensi akademik, kemampuan kognisi statistika, dan kemampuan metakognisi statistika, dengan kontribusi masing-masing sebesar 39%, 36.5% dan 19.4%. Potensi akademik memberikan kontribusi terhadap kemampuan kognisi statistika melalui mediasi pengetahuan awal sebesar 34.3%. Potensi akademik memberikan kontribusi terhadap prestasi akademik melalui mediasi pengetahuan awal, kemampuan metakognisi statistika dan kemampuan kognisi statistika sebesar 17.2%. Pengetahuan awal memberikan kontribusi terhadap prestasi akademik melalui mediasi kemampuan kognisi statistika sebesar 28.5%.

Pengaruh total pengetahuan awal terhadap kemampuan kognisi statistika lebih besar daripada pengaruh total potensi akademik. Pengaruh total pengetahuan awal terhadap kemampuan kognisi statistika sebesar 78.2% sedangkan pengaruh total potensi akademik sebesar 22.8%. Secara berturut-turut, yang mempunyai pengaruh total terbesar hingga terkecil terhadap prestasi akademik adalah potensi akademik, kemampuan kognisi statistika, pengetahuan awal, dan kemampuan metakognisi statistika. Besarnya pengaruh total tersebut secara berturut-turut adalah 56.2%, 36.5%, 28.5%, dan 18%.

Kata kunci: analisis faktor konfirmatori, model persamaan struktural, kemampuan metakognisi statistika, potensi akademik, pengetahuan awal, kemampuan kognisi statistika, prestasi akademik

© Hak Cipta milik IPB, tahun 2010

Hak Cipta dilindungi Undang-undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apa pun tanpa izin IPB

IDENTIFIKASI FAKTOR-FAKTOR INTERNAL

YANG MEMPENGARUHI KEMAMPUAN KOGNISI

STATISTIKA DAN PRESTASI AKADEMIK

ARI WIBOWO

Tesis

sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Statistika Terapan

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2010

NIM

: G152080034

Disetujui Komisi Pembimbing

Dr. Ir. I Made Sumertajaya, M.S Ketua

Dr. Anang Kurnia Anggota

Yenni Angraini, S.Si, M.Si Anggota

Diketahui Ketua Program Studi

Statistika Terapan

Dekan Sekolah Pascasarjana

Dr. Ir. Anik Djuraidah, M.S Prof. Dr. Ir. Khairil A. Notodiputro, M.S

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala limpahan rahmat dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian yang berjudul Identifikasi Faktor-faktor Internal yang Mempengaruhi Kemampuan Kognisi Statistika dan Prestasi Akademik ini merupakan penelitian lanjutan yang penulis lakukan pada tahun 2008.

Terima kasih penulis ucapkan kepada Kemenag (Kementerian Agama) Republik Indonesia yang telah memberikan fasilitas berupa beasiswa studi S2. Disamping itu, terima kasih juga penulis ucapkan kepada Bapak Dr. Ir. I Made Sumertajaya, M.S, Bapak Dr. Anang Kurnia, dan Ibu Yenni Angraini, S.Si, M.Si selaku pembimbing yang telah memberikan pengarahan, bimbingan dan sumbangan pemikiran yang sangat berarti selama penyusunan dan penyelesaian keseluruhan karya ilmiah ini. Penghargaan tak lupa penulis sampaikan kepada Bapak Dr. Ir. Hari Wijayanto, M.S selaku penguji tesis atas masukan dan saran yang sangat bermanfaat. Ungkapan terima kasih juga disampaikan terutama kepada orang tua, kakak dan adik, untuk segala doa, motivasi dan kasih sayangnya. Terakhir untuk teman-teman mahasiswa statistika terapan yang telah banyak membantu penulis secara fisik, ilmu maupun dukungan moral dalam penyusunan tesis ini.

Semoga karya ilmiah ini dapat memberikan manfaat bagi pembacanya sekalipun hanya dalam bagian yang sangat kecil.

Bogor, Oktober 2010

Penulis dilahirkan di Wonogiri Jawa Tengah pada tanggal 12 Desember 1980 dari ayah Sukir Siswomartono dan Ibu Sudiati. Penulis adalah putera ketiga dari lima bersaudara.

Pendidikan dasar dan menengah penulis selesaikan di Wonogiri masing-masing pada tahun 1992, 1995, dan 1998. Pendidikan sarjana di tempuh di Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA) Universitas Sebelas Maret Surakarta, lulus pada tahun 2004. Pada tahun 2006 penulis melanjutkan ke jenjang pascasarjana pada Program Studi Pendidikan Matematika universitas yang sama. Penulis menyelesaikan pendidikan tersebut pada tahun 2008. Pada tahun 2008 penulis mengikuti seleksi beasiswa Kemenag (Kementerian Agama) Republik Indonesia untuk masuk pada Program Studi Statistika Terapan (STK) pada Sekolah Pascasarjana (SPS) Institut Pertanian Bogor.

Sejak tahun 2005 penulis bekerja sebagai dosen Sekolah Tinggi Agama Islam Negeri (STAIN) Surakarta.

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xii

DAFTAR LAMPIRAN ... xiii

PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan Penelitian ... 2 Manfaat Penelitian ... 2 TINJAUAN PUSTAKA ... 3 Kemampuan Dasar ... 3 Kemampuan Kognisi ... 5

Model Persamaan Struktural (MPS) ... 7

METODOLOGI ... 17

Metode Pengumpulan Data ... 17

Instrumen Penelitian ... 18

Metode Penelitian ... 18

Definisi Operasional dan Pengukuran Peubah Penelitian ... 18

Pengembangan Diagram Jalur ... 23

Hipotesis ... 24

HASIL DAN PEMBAHASAN ... 25

Deskripsi Data ... 25

Asumsi Normalitas Data ... 28

Hasil Analisis Model Pengukuran ... 28

Uji Kecocokan Model ... ... 32

Hasil Analisis Model Struktural ... 33

Pengaruh Potensi Akademik terhadap Kemampuan Metakognisi Statistika ... 35

Pengaruh Potensi Akademik terhadap Pengetahuan Awal ... 35

Pengaruh Potensi Akademik terhadap Kemampuan Kognisi Statistika ... 35

Pengaruh Potensi Akademik terhadap Prestasi Akademik ... 36

Pengaruh Kemampuan Metakognisi Statistika terhadap Kemampuan Kognisi Statistika ... 36

Pengaruh Kemampuan Metakognisi Statistika terhadap Prestasi Akademik ... 36

Pengaruh Pengetahuan Awal terhadap Kemampuan Kognisi Statistika ... 37

Pengaruh Kemampuan Kognisi Statistika terhadap Prestasi Akademik ... 37

Halaman

Pengaruh antar Peubah Penelitian ... 37

Pengaruh Langsung ... 37

Pengaruh Tidak Langsung ... 38

Pengaruh Total ... 39

SIMPULAN ... 41

SARAN ... 41

DAFTAR PUSTAKA ... 43

1 Kisi-kisi tes potensi akademik ... 19

2 Kisi–kisi penyusunan angket kemampuan metakognisi statistika ... 20

3 Kisi-kisi penyusunan tes kemampuan kognisi statistika ... 21

4 Uji reliabilitas tes potensi akademik ... 31

5 Uji reliabilitas angket kemampuan metakognisi statistika ... 31

6 Uji reliabilitas tes kemampuan kognisi statistika ... 32

7 Indeks kecocokan MPS sebelum dan setelah modifikasi ... 33

8 Hasil pengujian pengaruh antar peubah penelitian ... 33

9 Pengaruh langsung antar peubah penelitian ... 38

10 Pengaruh tidak langsung antar peubah penelitian ... 39

11 Pengaruh total antar peubah penelitian ... 39

DAFTAR GAMBAR

Halaman 1 Analisis faktor konfirmatori masing-masing model pengukuran ... 22

2 MPS kemampuan kognisi statistika dan prestasi akademik ... 23

3 Diagram kotak garis indikator peubah laten potensi akademik (a) dan kemampuan kognisi statistika (b) ... 25

4 Diagram kotak garis indikator peubah laten kemampuan metakognisi statistika ... 26

5 Diagram lingkaran nilai mata kuliah prasyarat ... 27

6 Diagram lingkaran IP semester ... 28

7 Uji validitas peubah laten potensi akademik (a), kemampuan metakognisi statistika (b), dan kemampuan kognisi statistika (c) ... 29

8 Hasil analisis MPS setelah modifikasi ... 34

Halaman

1 Angket kemampuan metakognisi statistika ... 48 2 Tes kemampuan kognisi statistika ... 52 3 Kode, nama, dan keterangan peubah yang digunakan pada penelitian ... 55 4 Deskripsi indikator-indikator potensi akademik, kemampuan

metakognisi statistika, kemampuan kognisi statistika, pengetahuan awal dan prestasi akademik ...

56 5 Uji normalitas data indikator-indikator potensi akademik, kemampuan

metakognisi statistika, kemampuan kognisi statistika, pengetahuan awal dan prestasi akademik ...

57 6a Uji validitas peubah laten potensi akademik ... 58 6b Uji validitas peubah kemampuan laten kognisi statistika ... 58 6c Uji validitas peubah laten kemampuan metakognisi statistika ... 59 7a Hasil pendugaan dan pengujian koefisien jalur (Regression Weights)

MPS sebelum modifikasi ... 60 7b Nilai factor loadings masing-masing indikator (Standardized Regression

Weights) MPS sebelum modifikasi ... 61 8 Hasil analisis MPS dalam bentuk diagram jalur sebelum modifikasi ... 62 9 Jalur modifikasi yang mungkin ditambahkan pada model ... 63 10a Hasil pendugaan dan pengujian koefisien jalur (Regression Weights)

MPS setelah modifikasi ... 65 10b Nilai factor loadings masing-masing indikator (Standardized Regression

Weights) MPS setelah modifikasi... 66 11 Hasil analisis MPS dalam bentuk diagram jalur sebelum modifikasi ... 67

Latar Belakang

Sumber daya manusia yang berkualitas menjadi tumpuan agar suatu bangsa dapat berkompetisi dengan bangsa-bangsa lain. Sehubungan dengan hal tersebut, menurut Depdiknas (2003) pendidikan formal merupakan salah satu wahana untuk mengembangkan potensi peserta didik agar memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia serta keterampilan. Salah satu upaya untuk mencapai tujuan tersebut adalah melalui penyusunan kurikulum yang sesuai pada pendidikan tinggi. Mata kuliah Statistika sebagai bagian dari kurikulum di perguruan tinggi diharapkan mampu memberikan kontribusi dalam membangun sumber daya manusia yang berkualitas dan mempunyai daya saing tinggi.

Pada umumnya orang berpendapat bahwa salah satu faktor yang ikut berperan dalam menentukan keberhasilan seorang mahasiswa untuk menempuh pendidikan tinggi adalah potensi akademik. Pendapat ini diperkuat dengan hasil kajian Widodo (2004) yang menyebutkan bahwa secara umum pada berbagai program studi eksakta ditemukan adanya hubungan yang positif dan nyata antara skor total tes potensi akademik (TPA) dengan indeks prestasi kumulatif (IPK). Potensi akademik memiliki banyak kesamaan dengan kecerdasan apabila dilihat dari komponen-komponen penyusunnya. Komponen-komponen penyusun kecerdasan adalah enam kemampuan mental dasar yang terdiri dari: kemampuan

verbal, number, spatial, word fluency, memory, dan reasoning (Thurstone 1938, diacu dalam Azwar 2002). Adapun komponen-komponen penyusun potensi akademik adalah empat kemampuan dasar mahasiswa yang terdiri dari: kemampuan verbal, numerik, logika, dan spasial (Iskandar 2007).

Banyak penelitian yang telah dilakukan untuk mengetahui hubungan antara kecerdasan dengan prestasi belajar. Hasil kajian Suparmi (1991) menunjukkan adanya korelasi positif yang nyata antara kecerdasan dengan prestasi belajar. Selanjutnya kajian Rivai (2000) juga menunjukkan adanya korelasi positif antara kecerdasan dengan hasil belajar matematika sebesar 0.869.

Kemampuan kognisi seorang mahasiswa mempunyai keterkaitan dengan kemampuan metakognisi yang mereka miliki. Shadiq (2005) menyatakan bahwa

siswa yang memiliki kemampuan metakognisi akan jauh lebih berhasil dalam mempelajari matematika daripada siswa yang tidak memiliki kemampuan tersebut. Kemampuan metakognisi merupakan kesadaran berpikir sehingga seseorang dapat melakukan tugas-tugas khusus, dan kemudian menggunakan kesadaran tersebut untuk mengontrol apa yang dikerjakannya (Jacob 2000).

Faktor lain yang mempunyai kedekatan hubungan dengan prestasi belajar adalah pengetahuan awal. Jonassen & Gabrowski (1993) mendefinisikan pengetahuan awal sebagai pengetahuan, keterampilan, atau kemampuan yang di bawa siswa ke dalam proses belajar. Salah satu hasil kajian Muisman (2003) menunjukkan adanya hubungan langsung positif antara pengetahuan awal dengan hasil belajar mata pelajaran ekonomi. Hal ini sejalan dengan hasil kajian Addison & Hutcheson (2001) yang menyebutkan adanya perbedaan skor kepahaman yang nyata antara kelompok yang telah mempelajari pengetahuan awal dengan kelompok yang tidak mempelajari pengetahuan awal.

Berdasarkan uraian di atas, terdapat beberapa faktor internal yang mempunyai kedekatan hubungan dengan kemampuan kognisi statistika dan prestasi akademik seorang mahasiswa. Faktor-faktor internal yang diduga mempunyai kedekatan hubungan adalah potensi akademik, kemampuan metakognisi statistika, dan pengetahuan awal.

Tujuan Penelitian

Penelitian ini bertujuan untuk menguji dan menganalisis hubungan kausal simultan antar peubah-peubah yang telah teridentifikasi terhadap kemampuan kognisi statistika dan prestasi akademik.

Manfaat Penelitian

Manfaat teoritis, hasil kajian penelitian ini diharapkan dapat melengkapi khasanah teori kemampuan metakognisi statistika serta pengaruhnya terhadap kemampuan kognisi statistika dan prestasi akademik. Manfaat praktis, hasil kajian penelitian ini dapat digunakan sebagai pedoman untuk melakukan penelitian lanjut yang melibatkan faktor eksternal dan interaksinya dengan faktor-faktor internal yang teridentifikasi pada penelitian ini. Dengan demikian, penelitian lanjut tersebut lebih komprehensif dalam menjelaskan faktor-faktor yang mempengaruhi kemampuan kognisi statistika dan prestasi akademik.

TINJAUAN PUSTAKA Kemampuan Dasar

Ketika mengikuti proses pembelajaran di kelas, masing-masing mahasiswa sudah memiliki kemampuan dasar yang berbeda-beda. Kemampuan dasar tersebut mereka peroleh dari pengalaman hidup mereka sebelumnya. Paham konstruktivisme yang mula-mula diusulkan oleh Bodner (1986) menyatakan bahwa pengetahuan akan terbentuk atau terbangun di dalam pikiran mahasiswa sendiri, ketika mereka berupaya untuk mengorganisasikan pengalaman barunya berdasar pada kerangka kognisi yang sudah berada dalam otak mereka. Dengan kata lain, belajar merupakan proses memperoleh pengetahuan yang diciptakan atau dilakukan oleh mahasiswa sendiri melalui transformasi pengalaman hidupnya. Dengan demikian, pengetahuan awal dapat dijadikan sebagai pedoman untuk mempelajari pengetahuan baru. Makin banyak pengetahuan awal yang dimiliki oleh seorang mahasiswa akan semakin mempermudah mereka untuk belajar. Makin banyak pemanggilan kembali pengetahuan awal, makin banyak pengetahuan baru yang akan dipelajari dan diingat.

Pengetahuan awal merupakan pengetahuan prasyarat ketika seseorang akan mempelajari pengetahuan baru. Jonassen & Gabrowski (1993) mendefinisikan pengetahuan awal sebagai pengetahuan, keterampilan, atau kemampuan yang di bawa siswa ke dalam proses belajar. Gagne (1992) membagi prasyarat menjadi dua macam. Pertama, prasyarat esensial (essensial prerequisites) yaitu prasyarat yang merupakan bagian dari keseluruhan keterampilan yang ingin diperoleh. Kedua, prasyarat suportif (supportive prerequisites) yaitu prasyarat yang dapat membantu pembelajaran baru agar lebih mudah atau lebih cepat.

Selain pengetahuan awal, kemampuan metakognisi yang dimiliki oleh seorang mahasiswa akan menentukan kecakapannya dalam mengkonstruksi pengetahuan baru. Selama 40 tahun terakhir kemampuan metakognisi menjadi salah satu bidang utama penelitian-penelitian tentang pengembangan kognisi. Penelitian tentang metakognisi pertama kali dimulai oleh Flavell (1976) yang merupakan “bapak metakognisi”. Psikologi pada umumnya dan psikologi perkembangan pada khususnya mengulasnya pada ranah “meta” (metakognisi,

metamemori, metapersepsi, metalanguage). Penggunaan kata “meta” merujuk pada kesadaran reflektif (reflective awareness) proses-proses kognisi. Proses-proses ini sebenarnya telah menjadi bagian di dalam definisi metakognisi itu sendiri (Flavell 1976).

Pentingnya kemampuan metakognisi sebagai bagian yang tak terpisahkan dari keterampilan belajar seseorang telah dibuktikan (Alexander et al. 2003). Walaupun konsep “kemampuan metakognisi” mempunyai banyak definisi, Sperling et al. (2004) menyimpulkan bahwa fokus kemampuan metakognisi terletak pada komponen-komponen penyusunnya, yang meliputi pengetahuan dan keyakinan mengenai fenomena kognisi serta pengaturan dan kontrol terhadap tindakan kognisi.

Salah satu cara untuk mengukur kemampuan metakognisi adalah dengan menggunakan angket kemampuan metakognisi (Schraw & Dennison 1994, Panaoura et al. 2003). Angket tersebut memuat pernyataan-pernyataan positif yang dikembangkan berdasarkan asumsi bahwa kemampuan metakognisi terdiri dari dua aspek. Aspek pertama terdiri dari tiga indikator sedangkan aspek kedua terdiri dari lima indikator. Indikator aspek pertama adalah: (1) pengetahuan tentang ketrampilan dan kemampuan intelektual yang dimiliki (declarative knowledge), (2) pengetahuan tentang cara-cara belajar yang efektif (procedural knowledge), dan (3) keyakinan terhadap faktor-faktor yang mempengaruhi hasil belajar (conditional knowledge). Selanjutnya indikator aspek kedua adalah: (1) perencanaan, penentuan tujuan, dan penyediaan faktor pendukung dalam belajar (planning), (2) strategi yang digunakan untuk memproses informasi secara lebih efisien (information management strategies), (3) penilaian terhadap cara belajar seseorang atau strategi yang digunakan (comprehension monitoring), (4) strategi menanggulangi berbagai kesulitan ketika sedang memecahkan suatu masalah (debugging strategies), dan (5) evaluasi ketercapaian tujuan belajar dan efektivitas strategi yang digunakan (evaluation).

Kemampuan dasar lain yang turut serta menentukan kualitas pembelajaran seseorang di kelas adalah potensi akademik yang mereka miliki. Untuk mengukur potensi akademik, saat ini telah banyak dikembangkan alat ukur berupa tes potensi akademik (TPA). Sejak tahun 1985 TPA telah digunakan oleh

OTO-Bappenas sebagai alat seleksi untuk memilih calon penerima beasiswa S2 dan S3 luar negeri (Pusbindiklatren 2004). Setelah itu penggunaan TPA pun semakin meluas, tidak hanya untuk seleksi calon penerima beasiswa luar negeri, melainkan juga untuk seleksi program pascasarjana perguruan tinggi ternama di dalam negeri. Bahkan, instansi pemerintah dan swasta yang bergerak di bidang non-pendidikan juga menggunakan TPA sebagai alat seleksi calon pegawai yang akan diterimanya dan untuk keperluan promosi pegawainya yang setingkat sarjana.

Iskandar (2007) mengadaptasi TPA dari Graduate Management Admission Test (GMAT). Rancangan TPA hasil adaptasi tersebut digunakan untuk mengukur empat kemampuan dasar, yang diasumsikan menjadi penentu keberhasilan belajar seseorang pada jenjang perguruan tinggi, yaitu kemampuan verbal, numerik, penalaran, dan spasial.

Kemampuan Kognisi

Dengan diterbitkannya Undang-undang Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional dan Peraturan Pemerintah Nomor 19 Tahun 2005 tentang Standar Nasional Pendidikan akan memberikan peluang untuk menyempurnakan kurikulum yang komprehensif dalam rangka mencapai tujuan pendidikan nasional. Komponen silabus yang merupakan bagian dari kurikulum pendidikan tinggi seharusnya mencakup keseluruhan ranah kompetensi yang meliputi kemampuan kognitif, afektif, dan psikomotor. Ketiga ranah tersebut merupakan klasifikasi hasil belajar Bloom (1956). Tujuan kognitif terkait dengan kemampuan individu mengenali dunia di sekitarnya yang meliputi perkembangan intelektual dan mental. Tujuan afektif terkait dengan perkembangan emosional dan moral. Sedangkan tujuan psikomotor terkait dengan perkembangan keterampilan yang terkait dengan unsur motorik manusia. Namun ketiga ranah kompetensi tersebut memang tidak dapat dipaksakan memiliki porsi yang sama untuk semua mata kuliah. Untuk mata kuliah Statistika misalnya lebih menekankan pada aspek kognitif dan afektif dibandingkan dengan aspek psikomotor.

Menurut Bloom (1956), ranah kognitif berhubungan dengan hasil belajar intelektual yang terdiri dari enam aspek bertingkat yang berurutan mulai dari tingkat terendah sampai dengan tingkat tertinggi, yaitu pengetahuan (knowledge),

pemahaman (comprehension), aplikasi (aplication), analisis (analysis), sintesis (synthesis), dan evaluasi (evaluation). Secara terperinci keenam aspek tersebut dijelaskan sebagai berikut (a) pengetahuan (pengetahuan faktual, pengetahuan hafalan), (b) pemahaman (pemahaman terjemahan, pemahaman penafsiran, dan pemahaman ekstrapolasi), (c) aplikasi (penggunaan abstraksi (dapat berupa ide, teori, atau petunjuk teknis) pada situasi kongkret atau situasi khusus), (d) analisis (usaha memilah suatu integritas menjadi unsur-unsur atau bagian-bagian sehingga jelas hirarkinya dan atau susunannya), (e) sintesis (penyatuan unsur-unsur atau bagian-bagian ke dalam bentuk menyeluruh), dan (f) evaluasi (pemberian keputusan tentang nilai sesuatu yang mungkin dilihat dari segi tujuan, gagasan, cara bekerja, pemecahan, dan metode).

Krathwohl (2002) membuat terminologi baru untuk ranah kognitif sebagai revisi terhadap ranah kognitif Bloom (1956). Terminologi baru tersebut membagi aspek kognitif menjadi enam aspek dari yang terendah sampai dengan yang tertinggi yaitu mengingat (remembering), memahami (understanding), menerapkan (applying), menganalisis (analysing), mengevaluasi (evaluating), dan menciptakan (creating). Secara terperinci keenam aspek tersebut dijelaskan sebagai berikut (a) mengingat (mendapatkan kembali, mengenali, dan memanggil kembali pengetahuan yang relevan dari memori jangka panjang), (b) memahami (mengkonstruksi makna secara lisan, tulisan, dan grafik dengan cara menginterpretasikan, menerangkan dengan contoh, menggolongkan, meringkaskan, mengambil kesimpulan, membandingkan, dan menjelaskan), (c) menerapkan (menggunakan suatu prosedur dengan cara melaksanaan atau menerapkan), (d) menganalisis (memecah bahan menjadi bagian dari unsur-unsur pokok, menentukan bagaimana bagian-bagian tersebut saling berhubungan antara satu bagian dengan bagian yang lain atau antara satu bagian dengan struktur secara keseluruhan dengan cara membedakan, mengorganisir, dan menghubungkan), (e) mengevaluasi (membuat keputusan berdasarkan pada kriteria dan standar tertentu dengan cara mengecek dan mengkritisi), dan (f) menciptakan (meletakkan unsur-unsur secara bersama-sama pada suatu bentuk yang koheren (bertalian secara logis), menyusun kembali unsur-unsur menjadi

suatu pola atau struktur baru dengan cara membangkitan, merencanaan, atau memproduksi).

Faktor-faktor yang menentukan kemampuan kognisi mahasiswa dapat dikelompokkan ke dalam dua faktor, yaitu faktor internal dan faktor eksternal. Faktor internal adalah faktor-faktor yang berasal dari dalam diri mahasiswa seperti potensi akademik (Widodo 2004), pengetahuan awal (Addison & Hutcheson 2001, Muisman 2003), dan kemampuan metakognisi (Shadiq 2005), sedangkan faktor eksternal adalah faktor-faktor yang berasal dari luar diri mahasiswa seperti model pembelajaran yang digunakan oleh dosen (Wibowo 2008).

Untuk mengukur kemampuan kognisi mahasiswa dapat dilakukan dengan tes tertulis maupun tes lisan. Karena alasan efektifitas, tes lisan saat ini semakin jarang digunakan. Alasan lain mengapa tes lisan khususnya kurang mendapat perhatian adalah karena pelaksanaannya yang memposisikan pendidik dengan peserta didik untuk berhadapan langsung. Cara ini dapat mendorong pendidik untuk bersikap kurang adil terhadap peserta didik tertentu. Dampak negatif yang terkadang muncul dalam tes lisan adalah sikap dan perlakuan pendidik yang subjektif dan kurang adil, sehingga soal yang diajukan pun tingkat kesukarannya berbeda antara satu mahasiswa dengan mahasiswa yang lainnya.

Model Persamaan Struktural (MPS)

MPS terdiri dari dua bagian yaitu persamaan struktural dan model pengukuran. Persamaan struktural menjelaskan hubungan antar peubah laten, sedangkan model pengukuran menjelaskan keterkaitan antara peubah indikator dengan peubah laten.

Model persamaan struktural adalah:

ζ + ξ Γ + η = η B dengan mxm

B = matriks koefisien peubah laten endogen berukuran mxm;

mxn

Γ = matriks koefisien peubah laten eksogen berukuran mxn; 1

mx

η = vektor peubah laten endogen berukuran mx1; 1

nx

1

mx

ζ = vektor sisaan acak hubungan antara η_mx1 dan ξ_nx1 berukuran mxn.

dengan asumsi E(ζ) = 0; ζ tidak berkorelasi dengan ξ dan (I – B) tidak singular atau dengan kata lain (I – B)-1 ada.

Peubah – peubah laten η dan ξ tidak dapat diukur secara langsung, namun diukur melalui peubah indikator dengan model pengukuran sebagai berikut. ε + η Λ = y Y δ ξ Λ + = x X dengan 1 x

Y_p = vektor peubah indikator peubah laten η berukuran px1, 1

x

X_q = vektor peubah indikator peubah laten ξ berukuran qx1, )

(pxm y

Λ = matriks koefisien regresi antara Y dengan η berukuran pxm, )

(qxn x

Λ = matriks koefisien regresi antara X dengan ξ berukuran qxn, 1

px

ε = vektor sisaan pada model pengukuran Y berukuran px1, dan 1

qx

δ = vektor sisaan pada model pengukuran X berukuran qx1.

Sisaan pengukuran ε dan δ diasumsikan tidak berkorelasi satu sama lainnya, demikian juga dengan sisaan persamaan struktural ζ, serta dengan peubah-peubah laten (Bollen 1989).

Jika Φ_nxn, Ψ_mxm, Θ_ε, dan Θ_δ masing-masing adalah matriks koragam dari peubah laten ξ, sisaan persamaan struktural ζ, sisaan pengukuran Y, dan sisaan pengukuran X, maka matriks koragam peubah terobservasi (Y, X) pada MPS adalah:       θ θ θ θ = θ Σ ) ( ) ( ) ( ) ( ) ( xx xy yx yy Σ Σ Σ Σ _      + + + = δ ε Θ ΦΛ Λ Λ ΦΓ Λ ΓΦΛ Λ Θ Λ Ψ ΓΦΓ Λ ' ' ' ' ' ' ' ) ' ( x x y x x y y y A A A A ... (1)

dengan A = (I – B)-1. Persamaan (1) menunjukkan bahwa setiap unsur matriks koragam Σ(θ) adalah fungsi dari satu atau lebih parameter model yaitu

, , , , , A , B , , x y Λ Γ Φ Ψ Θε Λ dan Θ_δ.

Hipotesis nol dan hipotesis alternatif pada MPS adalah: H0 : Σ(θ)=Σ lawan H1 : Σ(θ) ≠ Σ

dengan Σ adalah matriks koragam populasi dan Σ(θ) adalah matriks koragam MPS. Σ(θ) terdiri dari parameter MPS yang dihipotesiskan. Untuk menguji hipotesis di atas digunakan matriks koragam contoh (S) sebagai dugaan bagi Σ dan Σ(θˆ)=Σˆ sebagai dugaan bagi Σ(θ) (Bollen 1989). Pengujian hipotesis di atas dilakukan dengan statistik uji sebagai berikut.

(N – 1) F0 ~

2

χ dengan db = (p+q)(p+q+1)−t

2 1

dengan N adalah ukuran contoh, F0 adalah fungsi pengepasan minimum (fungsi

untuk mengetahui seberapa dekat kecocokan antara matriks koragam contoh S dengan matriks koragam model Σ(θ)), p adalah banyaknya peubah indikator dari

η , q adalah banyaknya peubah indikator dari ξ, dan t adalah banyaknya parameter yang diduga.

Banyak teknik-teknik dugaan yang dapat dipilih untuk melakukan analisis MPS, yaitu (a) Maximum Likelihood Estimation (ML), (b) Generalized Least Square Estimation (GLS), (c) Unweighted Least Square Estimation (ULS), (d) Scale Free Least Square Estimation (SLS), dan (e) Asymtotically Distribution-Free Estimation (ADF).

Dalam melakukan dugaan model, asumsi normalitas memegang peranan yang cukup penting. Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti distribusi normal, sehingga dapat diuji dengan menggunakan metode statistik. Uji normalitas perlu dilakukan untuk data

univariate maupun multivariate karena beberapa peubah akan digunakan sekaligus dalam analisis akhir. Sebuah distribusi dikatakan normal jika kurva data tidak menjulur ke kiri atau ke kanan. Dengan kata lain, kurva data simetris dengan nilai skewness sama dengan nol. Selain itu kurva data mempunyai keruncingan yang ideal atau nilai kurtosis sama dengan nol. Namun nilai-nilai tersebut sulit

didapatkan dalam praktek. Pada kebanyakan kasus, sebaran data akan bervariasi pada skewness dan kurtosis yang negatif atau positif. Oleh karena itu, yang akan diuji adalah seberapa miring atau seberapa runcing sebuah distribusi, sehingga masih dapat dianggap normal walaupun tidak benar-benar berdistribusi normal.

Nilai yang digunakan sebagai pembanding seberapa miring atau seberapa runcing sebuah distribusi adalah nilai Z. Untuk tingkat kepercayaan 99% atau taraf nyata α = 1% dari tabel Z diperoleh nilai Z_α/2 = ± 2.58. Dengan demikian, sebuah distribusi dikatakan normal jika nilai critical ratio (c.r.) skewness atau nilai c.r. kurtosis berada di antara -2.58 dan +2.58. Sebaliknya, jika nilai-nilai tersebut lebih kecil dari -2.58 atau lebih besar dari +2.58 maka dapat dikatakan bahwa data mempunyai distribusi yang tidak normal.

Studi simulasi yang dilakukan oleh Lei & Lomax (2005) menyelidiki kekokohan (robustness) MPS berdasarkan derajat ketidaknormalan yang berbeda dengan 2 jenis teknik dugaan (GLS dan ML), dan 4 jenis ukuran contoh (n = 100, 250, 500, dan 1000). Selain kekokohan model, peneliti juga mengidentifikasi bias dan sisaan baku pada dugaan parameter yang dianalisis. Analisis ragam dilakukan untuk menyelidiki efek dari 3 faktor di beberapa uji kecocokan model. Studi tersebut menemukan bahwa dugaan sisaan baku tidak terpengaruh oleh metode dan dugaan ketidaknormalam. Sisaan baku semakin menurun pada ukuran contoh yang lebih besar. Dugaan parameter lebih peka terhadap ketidaknormalan daripada ukuran contoh dan metode dugaan. Temuan lain pada penelitian tersebut adalah bahwa χ2 merupakan uji kecocokan model yang paling kuat apabila dibandingkan dengan uji kecocokan model lainnya, yaitu Normed Fit Index (NFI),

Nonnormed Fit Index (NNFI), dan Comparative Fit Index (CFI). Penelitian ini menganjurkan untuk menggunakan ukuran contoh minimal 100 atau lebih untuk dugaan parameter secara stabil dan akurat.

Salah satu metode pendugaan parameter dalam MPS adalah metode kemungkinan maksimum (Maximum Likelihood, ML). Fungsi pengepasan metode ML adalah:

( )

(

p q

)

tr − − + + = θ_{) ln S} − _lnS ( Σ) Σ) 1 F

Pada metode ML diasumsikan bahwa peubah indikator adalah peubah yang menyebar multinormal (Bollen 1989).

Model pengukuran adalah bagian dari model MPS yang terdiri dari sebuah peubah laten dan beberapa peubah manifes atau indikator yang menjelaskan peubah laten tersebut. Tujuan pengujian adalah untuk mengetahui seberapa tepat peubah-peubah manifes dapat menjelaskan peubah laten yang ada. Tiga dasar pengujiannya adalah (a) Jika secara teori sebuah indikator menjelaskan keberadaan peubah laten, maka akan ada hubungan antara keduanya. Oleh karena peubah laten tidak mempunyai nilai tertentu, maka proses pengujian dilakukan di antara indikator-indikator yang membentuknya, (b) Dilakukan penghitungan koragam dari data contoh untuk mengetahui hubungan indikator-indikator dengan peubah laten. Dari perhitungan tersebut, karena melibatkan banyak peubah maka akan muncul matriks koragam contoh, dan (c) Penghitungan menggunakan prosedur dugaan Maximum Likelihood menghasilkan matriks koragam dugaan. Selanjutnya dilakukan perbandingan matriks koragam contoh dengan matriks koragam dugaan. Uji perbandingan ini dinamakan dengan uji kecocokan model (goodness of fit).

Validitas menunjukkan ketepatan suatu indikator mengukur dengan benar peubah laten yang diukur, sedangkan reliabilitas menunjukkan kemantapan atau kekonsistenan setiap indikator dalam mengukur peubah laten yang diukur (Kerlinger 1990). Suatu indikator dikatakan valid dan reliabel mengukur peubah laten jika nilai factor loadings setiap indikatornya nyata, yaitu nilai-p lebih kecil dari taraf nyata (α) yang ditentukan sebesar 0.05. Selain itu, menurut Ferdinand (2002) suatu indikator dikatakan valid dan reliabel jika nilai factor loadings tidak kurang dari 0.40.

Di sisi lain instrumen dikatakan reliabel jika nilai construct reliability

(CR) sama dengan atau lebih besar dari 0.70 (Hair et al. 2006), namun reliabilitas yang kurang dari 0.70 dapat diterima untuk penelitian yang masih bersifat eksploratif (Ghozali 2005). Reliabilitas merupakan indeks yang menunjukkan sejauh mana alat ukur dapat diandalkan atau dapat dipercaya. Dengan kata lain, reliabilitas adalah ukuran konsistensi internal dari indikator-indikator sebuah peubah bentukan yang menunjukkan derajat sampai dimana masing-masing

indikator itu mengindikasikan sebuah peubah bentukan yang umum. Pada penelitian ini untuk menghitung CR digunakan formula sebagai berikut.

( )

( )

_∑

λ

∑

+

_∑

λ = j e 2 2 CR

dengan λ = standardized factor loadings dan ej = sisaan pada model pengukuran untuk setiap indikator = 1 – λ2 (Hair et al. 2006).

Setelah sebuah model pengukuran terbukti valid, proses dilanjutkan dengan melakukan analisis hubungan indikator dengan peubah latennya. Untuk dapat memilih model yang lebih baik, diperlukan suatu ukuran yang dapat membedakan baik buruknya suatu model ketika dibandingkan dengan model lainnya. MPS tidak mempunyai satu uji statistik terbaik yang dapat menjelaskan “kekuatan” prediksi model. Sebagai gantinya, para peneliti telah mengembangkan beberapa uji kecocokan model yang dapat digunakan secara bersama-sama atau kombinasi. Uji kecocokan model tersebut dikelompokkan menjadi tiga bagian yaitu absolute fit measures, incremental fit measures, dan parsimonious fit measures. Absolute fit measures diantaranya χ2, GFI, dan RMSEA. Incremental fit measures diantaranya TLI, IFI, dan CFI. Parsimonious fit measures

diantaranya Normed Chi-Square (Arbuckle 2009).

χ2

merupakan alat utama pengujian model pengukuran. χ2 digunakan untuk menguji seberapa dekat kecocokan antara matrik koragam contoh S dengan matrik koragam model Σ(θ). Uji statistik χ2 didefinisikan sebagai berikut.

χ2 )) ( , ( ) 1 ( − θ = n F S Σ

Nilai χ2 yang berkaitan dengan nilai-p digunakan untuk menguji hipotesis apakah H0 diterima atau ditolak. Kriteria uji hipotesis adalah menolak H0 jika

2

χ > χ2_α. Dalam pengujian kecocokan MPS diharapkan H0 tidak ditolak

(χ ≤2 2

α

χ ). Dengan kata lain χ2

diharapkan lebih kecil dari χ2

tabel atau nilai-p

besar (Dillon & Goldstein 1984).

Goodness-of-fit Index (GFI) didefinisikan sebagai berikut.

b F F ˆ ˆ 1 GFI= −

dengan Fˆ adalah nilai minimum F untuk model yang dihipotesiskan, Fˆ adalah _b

nilai minimum F ketika tidak ada model yang dihipotesiskan. Alat uji GFI memungkinkan pengaruh jumlah contoh menjadi kurang sensitif dalam proses pengambilan keputusan. Nilai GFI berkisar antara 0 (poor fit) sampai 1 (perfect fit), dan nilai GFI ≥ 0.90 merupakan good fit, sedangkan 0.80 ≤ GFI ≤ 0.90 sering disebut sebagai marginal fit.

Root Mean Square Error of Approximation (RMSEA) didefinisikan sebagai berikut.       − = = dengan ˆ max ˆ ,0 ˆ RMSEA n d d F F F 0 0

dengan d adalah derajat bebas dari model yang dihipotesiskan, Fˆ adalah nilai terkecil dari fungsi pengepasan, dan n = N – 1. Indeks ini pertama kali diusulkan oleh Steiger & Lind (1980). Dewasa ini RMSEA merupakan salah satu indeks yang informatif dalam MPS. Kriteria model yang ditunjukkan oleh nilai RMSEA adalah (a) jika lebih kecil atau sama dengan 0.05 maka model sangat baik (close fit) dan (b) jika lebih besar dari 0.05 dan lebih kecil atau sama dengan 0.08 maka model relatif baik (good fit) (Arbuckle 2009). MacCallum (1996) dalam Hooper et al. (2008) mengelaborasi lebih jauh berkaitan dengan cut point ini dengan menambahkan bahwa nilai RMSEA yang lebih besar dari 0.08 dan kurang dari atau sama dengan 0.10 menunjukkan model pertengahan (mediocre fit atau

marginal fit) dan nilai RMSEA lebih besar dari 10 menunjukkan model jelek (poor fit).

Tuker-Lewis Index (TLI) pertama kali diusulkan sebagai sarana untuk mengevaluasi analisis faktor yang kemudian diperluas untuk MPS. TLI yang juga dikenal sebagai NonNormed Fit Index (NNFI) diperoleh dengan rumus sebagai berikut (Bentler & Bonnet 1980).

1 df df df TLI i 2 i h 2 h i 2 i − χ χ − χ =

dengan χi2adalah chi-square dari null/ independence model, 2 h

χ adalah chi-square

h

df adalah derajat kebebasan dari model yang dihipotesiskan. Dengan demikian, TLI adalah sebuah alternatif incremental fit measures yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. TLI merupakan

index fit yang kurang dipengaruhi oleh ukuran contoh. Nilai TLI berkisar antara 0

sampai 1.0, dengan nilai TLI ≥ 0.90. menunjukkan good fit dan 0.80 ≤ TLI ≤ 0.90 adalah marginal fit.

Bollen (1989) mengusulkan Incremental Fit Index (IFI) sebagai

incremental fit measures yang nilainya dapat dihitung sebagai berikut.

h i h i df F F F IFI − − = n n n

dengan Fh adalah nilai minimum F dari model yang dihipotesiskan, Fi adalah nilai

minimum F dari model null/ independence, dfh adalah derajat kebebasan dari

model yang dihipotesiskan, dan n adalah jumlah amatan. Nilai IFI ≥ 0.90 menunjukkan good fit, sedangkan 0.80 ≤ IFI ≤ 0.90 sering disebut sebagai

marginal fit.

Bentler (1980) menambah perbendaharaan incremental fit measures

melalui Comparative Fit Index (CFI) yang nilainya dapat dihitung sebagai berikut. 2 1 1 CFI l l − =

dengan l1 = max (lh, 0), l2 = max (lh, li, 0), lh = [(n - 1) Fh - dfh],

li = [(n - 1) Fi - dfi], dan n adalah jumlah amatan. Nilai CFI akan berkisar dari 0 sampai 1. CFI juga dikenal sebagai Bentler Comparative Index. CFI merupakan

incremental fit measures yang juga membandingkan model yang diuji dengan null model. Indeks ini dikatakan baik untuk mengukur kecocokan sebuah model karena tidak dipengaruhi oleh ukuran contoh (Hair et al. 2006). Nilai CFI ≥ 0.90 menunjukkan good fit, sedangkan 0.80 ≤ CFI ≤ 0.90 sering disebut sebagai

marginal fit.

CMIN/DF (Normed Chi-Square) adalah ukuran yang diperoleh dari nilai

chi-square dibagi dengan derajat kebebasan. Menurut Hair et al. (2006) nilai yang direkomendasikan untuk menerima kecocokan sebuah model adalah nilai CMIN/DF yang lebih kecil atau sama dengan 2.0 atau 3.0.

Setelah secara keseluruhan sebuah model struktural dapat dianggap fit, proses selanjutnya adalah pemeriksaan terhadap koefisien-koefisien yang diestimasi. Metode MPS tidak saja menyediakan nilai koefisien-koefisien yang diestimasi tetapi juga menyediakan nilai Critical Ratio (C.R.) untuk setiap koefisien. . E . S Koef . R . C =

dengan Koef = koefisien-koefisien yang diestimasi dan S.E. = Standar Error. Statistik C.R. dapat dievaluasi dengan menggunakan tabel distribusi normal baku. Dengan menspesifikasikan taraf nyata α, maka setiap koefisien yang mewakili hubungan kausal yang dihipotesiskan dapat diuji secara statistik apakah berbeda dengan nol. Hipotesis hubungan peubah laten A dengan B dapat dituliskan (a) H0: tidak ada hubungan antara peubah laten A dengan B dan (b) H1: ada

hubungan antara peubah laten A dengan B. H0 diterima jika nilai C.R. berada di

antara –Z_α/2 dan +Z_α/2. Untuk alasan kepraktisan, dasar pengambilan keputusan dapat langsung dilihat pada kolom P (nilai-p) yaitu (a) jika nilai-p > α maka H0

diterima dan (b) jika nilai-p < α maka H0 ditolak (Arbuckle 2009).

Pada sebuah MPS yang telah dibuat dan diuji dapat dilakukan berbagai modifikasi. Tujuan modifikasi adalah untuk mengetahuai apakah modifikasi yang dilakukan dapat menurunkan nilai χ2. Hal ini dikarenakan semakin kecil nilai χ2 menunjukkan semakin dekat pengepasan model tersebut dengan data yang ada. Salah satu alat untuk menilai ketepatan pengepasan model dengan data adalah melalui indeks modifikasi. Indeks modifikasi berhubungan dengan besarnya nilai

2

χ . Semakin besar nilai indeks modifikasi berarti semakin besar nilai χ2 yang dihasilkan model. Dengan mengestimasi parameter yang memiliki indeks modifikasi yang besar akan menurunkan nilai χ2 secara nyata. Arbuckle (2009) merekomendasikan batasan indeks modifikasi sebesar 4 atau lebih.

Pada persamaan struktural yang melibatkan banyak peubah dan jalur antar peubah, terdapat pengaruh antar peubah yang meliputi pengaruh langsung (direct effects), pengaruh tidak langsung (indirect effects) dan pengaruh total (total effects). Pengaruh langsung merupakan pengaruh antar peubah pada hasil analisis model struktural. Pengaruh tidak langsung merupakan hasil perkalian antara

pengaruh langsung jalur-jalur yang dilalui. Pengujian pengaruh tidak langsung dilakukan dengan melihat hasil pengujian jalur-jalur yang dilalui. Jika semua jalur yang dilalui nyata maka pengaruh tidak langsungnya juga nyata.Pengaruh total merupakan hasil penjumlahan antara pengaruh langsung dengan pengaruh tidak langsung (Arbuckle 2009).

METODOLOGI Metode Pengumpulan Data

Jenis data yang digunakan pada penelitian ini adalah data cross section

yang terdiri dari data primer dan sekunder pada bidang pendidikan. Data primer terdiri dari tiga peubah laten, yaitu potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi statistika, sedangkan data sekunder terdiri dari dua peubah laten, yaitu pengetahuan awal dan prestasi akademik.

Pada penelitian ini pengetahuan awal mempunyai sebuah indikator yaitu nilai mata kuliah prasyarat (Statistika I). Hal ini dikarenakan penelitian ini dilakukan ketika mahasiswa menempuh mata kuliah Statistika II, sedangkan secara hirarki mata kuliah Statistika II merupakan kelanjutan dari mata kuliah Statistika I. Prestasi akademik juga merupakan peubah laten yang mempunyai sebuah indikator yaitu IP semester.

Secara berturut-turut, pengambilan data dilakukan sebanyak tiga kali. Pengambilan pertama adalah dokumentasi nilai statistika I dan pelaksanaan try out

tes potensi akademik (TPA). Pengambilan kedua adalah pelaksanaan tes kemampuan kognisi statistika dan penyebaran angket kemampuan metakognisi statistika. Pengambilan ketiga adalah dokumentasi IP semester. Dengan demikian, waktu pengambilan data adalah selama satu semester penuh mulai dari awal semester sampai dengan akhir semester. Populasi pada penelitian ini adalah mahasiswa program studi Pendidikan Agama Islam (PAI) Jurusan Tarbiyah Sekolah Tinggi Agama Islam Negeri (STAIN) Surakarta yang baru pertama kalinya mengambil mata kuliah Statistika II pada tahun akademik 2007/ 2008.

Teknik penarikan contoh yang digunakan pada penelitian ini adalah penarikan contoh acak dua tahap (two-stage probability sampling). Teknik penarikan contoh dengan cara ini dipilih karena populasi dipandang berstrata berdasarkan program reguler dan transfer. Tahap pertama adalah penarikan contoh acak stratifikasi (stratified probability sampling) yaitu mengelompokkan kelas-kelas berdasarkan program reguler dan transfer. Tahap kedua adalah penarikan contoh acak sederhana (simple probability sampling)yaitu mengambil secara acak dua kelas untuk masing-masing program. Contoh yang digunakan pada penelitian ini berukuran 119 mahasiswa.

Instrumen Penelitian

Instrumen yang digunakan pada penelitian ini digunakan untuk mengukur tiga peubah laten, yaitu potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi statistika. TPA yang digunakan untuk mengukur potensi akademik mahasiswa merupakan tes yang diadaptasi dari graduate management admission test (GMAT) (Iskandar 2007). Angket kemampuan metakognisi statistika yang digunakan diadaptasi dari angket Panaoura et al. (2003) sebagaimana disajikan pada Lampiran 1. Tes kemampuan kognisi statistika yang digunakan merujuk pada Wibowo (2008) sebagaiman disajikan pada Lampiran 2. Pada penelitian ini, sebelum digunakan angket tersebut telah dikonsultasikan kepada dua orang pakar untuk mendapatkan penilaian profesional (professional judgement) terkait dengan penggunaan bahasa dan relevansi (Wibowo 2008). Dengan langkah ini diharapkan validitas isi (content validity) angket menjadi tinggi. Tes kemampuan kognisi yang digunakan pada penelitian ini telah melalui tahap uji coba tes, untuk mengetahui tingkat kesukaran, daya beda, dan efektifitas pengecoh (distractors).

Metode Penelitian

Dalam penelitian ini digunakan confirmatory factor analysis (CFA) untuk mengetahui apakah masing-masing indikator benar-benar dapat menjelaskan peubah laten potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi statistika. Selanjutnya untuk mengetahui hubungan kausal langsung, tidak langsung, maupun total antar peubah-peubah yang telah teridentifikasi serta model persamaan struktural yang sesuai digunakan pendekatan model persamaan struktural (MPS).

Secara garis besar, tahap-tahap analisis data pada penelitian ini meliputi tahap deskripsi data dan tahap pemodelan. Tahap pemodelan pada penelitian ini

mengikuti tahap-tahap prosedur MPS yang meliputi (a) spesifikasi model, (b) identifikasi, (c) dugaan, (d) uji kecocokan, dan (e) respesifikasi (Bollen & Long,

1993). Matriks input yang dipilih dalam penelitian ini adalah matriks koragam karena matriks koragam lebih sesuai untuk memvalidasi hubungan kausal. Teknik dugaan yang digunakan untuk analisis data adalah dengan menggunakan teknik dugaan maximum likelihood (ML).

Definisi Operasional dan Pengukuran Peubah Penelitian

Definisi operasional peubah penelitian dapat dijelaskan sebagai berikut. Peubah laten potensi akademik (POTAKDMK) diukur dengan menggunakan tes yang diadaptasi dari GMAT (Iskandar 2007). Rancangan TPA hasil adaptasi tersebut digunakan untuk mengukur empat kemampuan dasar yang diasumsikan menjadi penentu keberhasilan belajar seseorang pada jenjang perguruan tinggi, yaitu kemampuan verbal, numerik, logika, dan spasial. Jumlah keseluruhan soal sebanyak 278 dengan durasi waktu pengerjaan 210 menit, serta cara penskoran untuk masing-masing subtes adalah +1 untuk jawaban benar, 0 untuk tidak ada jawaban, dan -0.25 untuk jawaban yang salah. Secara detil, perincian untuk masing-masing subtes tampak pada Tabel 1.

Tabel 1 Kisi-kisi tes potensi akademik

Subtes Bagian Jumlah Soal Waktu

Tes verbal 1. Tes memahami makalah 2. Tes persamaan kata 3. Tes lawan kata

4. Tes padanan hubungan

15 35 15 25 15 menit 30 menit 15 menit 25 menit Tes numerik (kuantitatif) 1. Tes arismetik 2. Tes seri

3. Tes logika number 4. Tes logika arismetik

25 25 25 15 15 menit 25 menit 15 menit 15 menit Tes logika (penalaran) Tes logika formil 20 25 menit

Tes spasial Tes spasial 78 30 menit

T o t a l 278 210 menit Peubah laten kemampuan metakognisi statistika (METASTAT) dibentuk oleh delapan indikator yang terdiri dari pernyataan positif dan negatif. Masing-masing pernyataan tersebut diukur dengan penskoran berpedoman pada skala Likert. Untuk pernyataan positif (selalu = 5, sering = 4, kadang-kadang = 3, jarang = 2, dan tidak pernah = 1) dan untuk pernyataan negatif (selalu = 1, sering = 2, kadang-kadang = 3, jarang = 4, dan tidak pernah = 5).

Skor masing-masing indikator merupakan nilai rataan dari skor pernyataan-pernyataan yang digunakan untuk mengukurnya. Semakin tinggi nilai rataan skor masing-masing indikator mengindikasikan semakin tinggi kemampuan metakognisi statistika yang dimiliki oleh seorang mahasiswa. Kisi–kisi penyusunan angket kemampuan metakognisi statistika disajikan pada Tabel 2, sedangkan angket kemampuan metakognisi statistika disajikan pada Lampiran 1.

Nomor Pernyataan Angket

No Aspek yang Diukur Indikator

Positif Negatif Cacah Butir 1 Pengetahuan dan keyakinan mengenai fenomena kognitif

a. Pengetahuan tentang ketrampilan dan kemampuan intelektual yang dimiliki (declarative knowledge) b. Pengetahuan tentang cara-cara belajar yang efektif

(procedural knowledge)

c. Keyakinan terhadap faktor-faktor yang mempengaruhi hasil belajar (conditional knowledge)

3, 6, 11, 36 2, 8, 35 34, 37 12, 20, 22, 27 4, 39 5, 31 8 4 4 2 Pengaturan dan pembanding terhadap tindakan kognitif

a. Perencanaan, penentuan tujuan, dan penyediaan faktor pendukung dalam belajar (planning)

b. Strategi yang digunakan untuk memproses informasi secara lebih efisien (information management strategies) c. Penilaian terhadap cara belajar seseorang atau strategi

yang digunakan (comprehension monitoring)

d. Strategi menanggulangi berbagai kesulitan ketika sedang memecahkan suatu masalah (debugging strategies) e. Evaluasi ketercapaian tujuan belajar dan efektivitas

strategi yang digunakan (evaluation)

9, 19, 25, 38 16, 26, 28 33 1, 17, 23 21, 29 7, 15, 24 14, 30 10 18, 32 13 7 5 2 5 3

Peubah laten kemampuan kognisi statistika (KOGSTAT) pada penelitian ini merupakan skor tes kemampuan intelektual mahasiswa terkait mata kuliah Statistika II yang terdiri dari enam aspek ranah kognisi. Enam aspek ranah kognisi tersebut disusun secara hirarki dari yang paling sederhana sampai kepada yang paling kompleks, yaitu pengetahuan atau ingatan, pemahaman, aplikasi, analisis, sintesis, dan evaluasi (Bloom 1956).

Untuk mengukur kemampuan kognisi statistika dibuat seperangkat tes yang terdiri dari 20 butir tes, dengan perincian sebanyak 9 butir tes bertipe tertutup dikotomi yaitu benar-salah dan sebanyak 11 butir tes bertipe pilihan ganda dengan enam pilihan jawaban yang tersedia. Kisi–kisi penyusunan tes kemampuan kognisi statistika disajikan pada Tabel 3, sedangkan seperangkat tes yang digunakan untuk mengukur kemampuan kognisi statistika disajikan pada Lampiran 2. Tujuan instruksional umum (TIU) keseluruhan pokok bahasan/ sub pokok bahasan adalah agar mahasiswa mampu memahami konsep-konsep dasar statistika inferensia.

Tabel 3 Kisi-kisi penyusunan tes kemampuan kognisi statistika No Pokok Bahasan/ Sub Pokok

Bahasan

No. Soal Cacah

Butir 1 Penelitian kuantitatif A-1, A-2, B-1, A-3 4 2 Hipotesis dalam penelitian

kuantitatif

A-4, A-5, B-2, A-9 4 3 Prosedur uji hipotesis A-6, A-7, A-8, B-3, B-5, B-8 6 4 Inferensi yang didasarkan pada

contoh tunggal (Uji hipotesis)

B-4, B-6, B-7, B-9, B-10, B-11 6

Selain tiga peubah laten yang telah diuraikan di atas, penelitian ini juga melibatkan dua peubah laten pengetahuan awal dan prestasi akademik yang masing-masing mempunyai sebuah indikator. Indikator pengetahuan awal adalah nilai mata kuliah prasyarat (Statistika I), sedangkan indikator prestasi akademik adalah IP semester. Berdasarkan definisi operasional peubah, keseluruhan peubah yang digunakan dalam penelitian ini secara ringkas dapat dilihat pada Lampiran 3.

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

Gambar 1 Analisis faktor konfirmatori masing-masing model pengukuran

Faktor laten POTAKDMK (potensi akademik) dibentuk oleh empat indikator, yaitu VERBAL (kemampuan verbal), NUMERIK (kemampuan numerik), LOGIKA (kemampuan logika), dan SPASIAL (kemampuan spasial). Faktor laten KOGSTAT (kemampuan kognisi statistika) dibentuk oleh empat indikator, yaitu KUANTI (penelitian kuantitatif), HIPOTESIS (hipotesis dalam penelitian kuantitatif), PROSEDUJI (prosedur uji hipotesis), dan UJIHIPO (inferensi yang didasarkan pada contoh tunggal (Uji hipotesis)). Faktor laten pengetahuan awal dan prestasi akademik masing-masing dibentuk oleh satu indikator, yaitu NILMAPRA (nilai mata kuliah prasyarat) dan IPSMSTR (IP semester).

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

(penilaian terhadap cara belajar seseorang atau strategi yang digunakan), (7) STRASULIT (strategi menanggulangi berbagai kesulitan ketika sedang memecahkan suatu masalah), dan (8) CAPAIAN (evaluasi ketercapaian tujuan belajar dan efektivitas strategi yang digunakan).

Pengembangan Diagram Jalur

Berdasarkan model teoritis selanjutnya dikembangkan diagram jalur sebagaimana tampak pada Gambar 2.

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

ζ + ξ Γ + η = η B dengan 4 4x

B = matriks koefisien regresi dari efek peubah laten endogen METASTAT, TAHUAWAL, KOGSTAT, dan PRESAKDMK berukuran 4x4; 1

4x

Γ = matriks koefisien regresi dari efek peubah laten eksogen POTAKDMK berukuran 4x1;

1 x 4

η = vektor peubah laten endogen METASTAT, TAHUAWAL, KOGSTAT, dan PRESAKDMK berukuran 4x1;

1 1x

ξ = vektor peubah laten eksogen POTAKDMK berukuran 1x1; dan 1

4x

ζ = vektor sisaan acak hubungan antara η4x1 dan ξ1x1 berukuran 4x1; dengan asumsi E(ζ) = 0; ζ tidak berkorelasi dengan ξ dan (I – B) tidak singular atau dengan kata lain (I – B)-1 ada.

POTAKDMK

METASTAT

KOGSTAT TAHUAWAL

Peubah-peubah laten η dan ξ tidak dapat diukur secara langsung, namun diukur melalui peubah indikator dengan model pengukuran sebagai berikut:

ε + η Λ = y Y δ ξ Λ + = x X dengan 1 14x

Y = vektor peubah indikator peubah laten η berukuran 14x1; 1

4x

X = vektor peubah indikator peubah laten ξ berukuran 4x1; )

4 14 ( x y

Λ : matriks koefisien regresi antara Y dengan η berukuran 14x4; )

1 4 ( x x

Λ = matriks koefisien regresi antara X dengan ξ berukuran 4x1; 1

14x

ε = vektor sisaan pada model pengukuran Y berukuran 14x1; dan 1

4x

δ = vektor sisaan pada model pengukuran X berukuran 4x1.

Sisaan pengukuran ε dan δ diasumsikan tidak berkorelasi satu sama lainnya, demikian juga dengan sisaan persamaan struktural (ξ) serta dengan peubah-peubah laten.

Hipotesis

Berdasarkan latar belakang masalah dan tinjauan pustaka, diajukan hipotesis penelitian sebagai berikut.

1. Potensi akademik berpengaruh nyata dan positif terhadap kemampuan metakognisi statistika.

2. Potensi akademik berpengaruh nyata dan positif terhadap pengetahuan awal. 3. Potensi akademik berpengaruh nyata dan positif terhadap kemampuan kognisi

statistika.

4. Potensi akademik berpengaruh nyata dan positif terhadap prestasi akademik. 5. Kemampuan metakognisi statistika berpengaruh nyata dan positif terhadap

kemampuan kognisi statistika.

6. Kemampuan metakognisi statistika berpengaruh nyata dan positif terhadap prestasi akademik.

7. Pengetahuan awal berpengaruh nyata dan positif terhadap kemampuan kognisi statistika.

8. Kemampuan kognisi statistika berpengaruh nyata dan positif terhadap prestasi akademik.

HASIL DAN PEMBAHASAN Deskripsi Data

Deskripsi indikator penyusun peubah laten potensi akademik, kemampuan metakognisi statistika, dan kemampuan kognisi statistika dipaparkan dalam uraian berikut. Komponen potensi akademik (POTAKDMK) dan kemampuan kognisi statistika (KOGSTAT) terdiri atas empat indikator dengan masing-masing indikator memiliki rentang skor antara 0 sampai 100.

Indikator Potensi Akademik (POTAKDMK)

S k o r SPASIAL LOGIKA NUMERIK VERBAL 80 70 60 50 40 30 20 10 0 97

Indikator Kemampuan Kognisi (KOGSTAT)

S k o r UJIHIPO PROSEDUJI HIPOTESIS KUANTI 100 80 60 40 20 0 ₅₀44 ₅₄38 a b

Gambar 3 Diagram kotak garis indikator peubah laten potensi akademik (a) dan kemampuan kognisi statistika (b)

Gambar 3a dan Lampiran 4 menunjukkan bahwa secara umum, kemampuan logika yang dimiliki oleh mahasiswa relatif lebih rendah bila dibandingkan dengan tiga kemampuan dasar yang lain. Hal tersebut tampak jelas dari diagram kotak garis pada Gambar 3a. Apabila dilihat dari median tampak median kemampuan logika hanya sebesar 26.00, sedangkan median tiga kemampuan yang lain di atas 43. Apabila dilihat dari nilai kuartil ketiga, nilai kuartil ketiga untuk kemampuan logika hanya 30.88. Hal tersebut menunjukkan bahwa 75% data kemampuan logika mempunyai skor di bawah 30.88. Sebaliknya, lebih dari 75% data tiga kemampuan yang lain mempunyai nilai di atas 34.

Dari Gambar 3b dan Lampiran 4 tampak bahwa tingkat kepahaman mahasiswa terhadap indikator kemampuan kognisi statistika yang paling tinggi adalah pada indikator penelitian kuantitatif (KUANTI). Hal tersebut dikarenakan

separuh mahasiswa mempunyai skor di atas median sebesar 78.48. Selanjutnya, secara berturut-turut disusul oleh kepahaman terhadap indikator hipotesis dalam penelitian kuantitatif (HIPOTESIS) dengan median 62.24, prosedur uji hipotesis (PROSEDUJI) dengan median 48.09 dan inferensi yang didasarkan pada contoh tunggal (UJIHIPO) dengan median 34.21. Tampak pada Gambar 3b, terdapat empat orang yang tidak mampu menjawab dengan benar satu soal pun pada indikator inferensi yang didasarkan pada contoh tunggal (UJIHIPO).

Komponen kemampuan metakognisi statistika (METASTAT) terdiri atas delapan indikator dengan masing-masing indikator memiliki rentang skor antara 0 sampai 5. Skor 0 mengindikasikan penilaian yang sangat buruk sedangkan skor 5 mengindikasikan penilaian yang sangat baik terhadap suatu indikator.

Indikator Kemampuan Metakognisi (METASTAT)

S k o r CAPAIAN STRASULIT NILCRBLJR STRAINFO CATUDIA YKNHSL THCRBLJR THTRAMPIL 5 4 3 2 1 102 74 67

Gambar 4 Diagram kotak garis indikator peubah laten kemampuan metakognisi statistika

Dari Gambar 4 dan Lampiran 4 tampak indikator YKNHSL dan STRASULIT mempunyai kuartil pertama sekitar 3.25, artinya 75% data mempunyai nilai lebih besar dari 3.25. Hal ini mengindikasikan bahwa sebagian besar mahasiswa sudah mempunyai keyakinan terhadap faktor-faktor yang mempengaruhi hasil belajar (YKNHSL) yang tinggi. Hal yang sama berlaku juga untuk indikator strategi menanggulangi berbagai kesulitan ketika sedang memecahkan suatu masalah (STRASULIT). Indikator yang paling rendah pada mahasiswa adalah pada indikator penilaian terhadap cara belajar seseorang atau strategi yang digunakan (NILCRBLJR) yang memiliki nilai kuartil pertama