43
HASIL PENELITIAN
4.1. Statistik Deskriptif
Tabel statistik deskriptif merupakan kegiatan mengelompokkan, memisahkan seluruh data yang tidak terstruktur menjadi data yang mudah dimengerti dan diolah, dengan mengetahui karakteristik data secara ringkas.
Berikut adalah tabel statistik deskriptif yang menggambarkan mean, median, modus, nilai maksimum, dan nilai minimum dari setiap variabel yang akan diolah.
Tabel 4.1. Statistik Deskriptif Statistics
MW IPK
N Valid 224 224
Missing 0 0
Mean 48.0536 2.9879
Median 48.0000 3.0000
Mode 48.00 3.00a
Minimum 26.00 1.00
Maximum 67.00 4.00
a. Multiple modes exist. The smallest value is shown Sumber: SPSS 20
Seluruh sampel yang diperoleh berjumlah 224, yaitu sesuai dengan jumlah minimum yang disyaratkan dalam penghitungan rumus Slovin di bab sebelumnya.
Nilai mean adalah nilai rata-rata dari keseluruhan data, yang dapat diperoleh dengan menjumlah seluruh data, kemudian membagi dengan jumlah data yang diolah. Dalam Manajemen Waktu (MW) diperoleh hasil 48.05 dan Indeks Prestasi Kumulatif (IPK) sebesar 2.99.
Nilai tengah dari MW adalah 48.00, yaitu nilai yang berada di tengah ketika data MW diurutkan, sedangkan nilai tengah dari IPK adalah 3.00, yaitu nilai yang berada di tengah ketika data IPK diurutkan.
Nilai modus MW sebesar 48.00 menunjukkan bahwa angka 48.00 paling sering muncul dalam data atau memiliki frekuensi paling banyak, sedangkan pada
IPK diperoleh nilai modus sebesar 3.00, artinya nilai 3.00 paling sering muncul dari 224 sampel. Tabel 4.1 menunjukkan bahwa data IPK memiliki nilai modus lebih dari satu atau biasa disebut dengan multi modus. Dalam kasus ini, SPSS menampilkan angka yang terkecil yang paling sering muncul, yaitu 3.00.
Tabel 4.2. Tabel Distribusi Frekuensi Dummy Variable Variabel Pengukuran Frekuensi Persentase
PER 0 87 38.8%
1 137 61.2%
SWAS 0 94 42.0%
1 130 58.0%
Sumber: Olah Data Primer
Variabel Gender (PER) memperoleh responden laki-laki sebanyak 87 orang dari 224 orang, yaitu sebesar 38.8%. Responden perempuan diperoleh sebanyak 137 orang dari 224 orang, yaitu sebesar 61.2%. Variabel Asal Sekolah (SWAS) memperoleh responden yang berasal dari sekolah negeri sebanyak 94 orang dari total 224 orang atau sebanyak 42.0% dan yang berasal dari sekolah swasta sebanyak 130 orang dari total 224 orang atau sebanyak 58.0%.
4.2. Uji Validitas dan Reliabilitas
Uji validitas dapat dilakukan dengan cara membandingkan r tabel dengan r hitung. Uji validitas dan reabilitas ini hanya dilakukan terhadap variabel MW karena pertanyaan dalam variabel MW lebih dari satu, sehingga perlu diukur apakah seluruh pertanyaan mampu mengukur variabel independen yang dimaksud. Pertanyaan lainnya hanya terdiri dari satu pertanyaan, sehingga langsung dapat mengungkapkan jawaban atas variabel tersebut.
Derajat kebebasan (Degree of freedom / df) adalah jumlah kebebasan seseorang dalam mengambil sampel. Dengan menggunakan rumus , maka
hasil df adalah .
Dalam penelitian ini tingkat kepercayaan yang digunakan 95% atau sama dengan tingkat kesalahan 5% ( =5%). Hal ini berarti tingkat kesalahan dalam menolak hipotesis yang seharusnya kita terima atau sebaliknya adalah sebanyak 1 kali kesalahan dalam 20 kali percobaan, yaitu 100% ÷ 5% = 20.
Hasil t tabel yang diperoleh melalui SPSS, yaitu sebesar 1.65, kemudian angka tersebut digunakan untuk menghitung r tabel dengan rumus melalui SPSS, sehingga diperoleh hasil r tabel sebesar 0.11.
Hasil tersebut dibandingkan dengan r hitung, dengan hipotesis atau dasar pengambilan keputusan sebagai berikut:
Ho : r hitung ≥ 0.11, maka pertanyaan valid, Ha : r hitung < 0.11, maka pertanyaan tidak valid.
Tabel 4.3. Hasil Uji Validitas 1 Item-Total Statistics
Q r hitung r tabel Kesimpulan
Q1 .402 .11 Valid
Q2 .394 .11 Valid
Q3 .480 .11 Valid
Q4 .538 .11 Valid
Q5 .420 .11 Valid
Q6 .392 .11 Valid
Q7 .367 .11 Valid
Q8 .263 .11 Valid
Q9 -.373 .11 Tidak Valid
Q10 .046 .11 Tidak Valid
Q11 .193 .11 Valid
Q12 .150 .11 Valid
Q13 .415 .11 Valid
Q14 .190 .11 Valid
Q15 .317 .11 Valid
Q16 .190 .11 Valid
Q17 .324 .11 Valid
Q18 .458 .11 Valid
Sumber: SPSS 20
Dari uji validitas yang dilakukan, terdapat 2 pertanyaan yang disimpulkan tidak memenuhi uji validitas, sehingga kedua pertanyaan tersebut dikeluarkan atau tidak dimasukkan sebagai indikator dalam menentukan variabel manajemen waktu, dan lalu dilakukan pengujian validitas kembali terhadap 16 pertanyaan yang tersisa.
Apabila terdapat pertanyaan yang tidak valid, maka dapat disimpulkan bahwa seluruh pertanyaan belum dapat mengungkapkan variabel MW.
Tabel 4.4. Hasil Uji Validitas 2 Item-Total Statistics
Q r hitung r tabel Kesimpulan
Q1 .420 .11 Valid
Q2 .435 .11 Valid
Q3 .521 .11 Valid
Q4 .559 .11 Valid
Q5 .435 .11 Valid
Q6 .430 .11 Valid
Q7 .398 .11 Valid
Q8 .224 .11 Valid
Q11 .204 .11 Valid
Q12 .127 .11 Valid
Q13 .442 .11 Valid
Q14 .166 .11 Valid
Q15 .316 .11 Valid
Q16 .195 .11 Valid
Q17 .361 .11 Valid
Q18 .484 .11 Valid
Sumber: SPSS 20
Hasil uji Validitas 2 menunjukkan bahwa variabel MW terdiri dari 16 pertanyaan yang sudah valid, kemudian jawaban semua pertanyaan pada saat digabung, dijumlahkan skor-nya, dan hasilnya mencerminkan satu kesatuan variabel MW. Ketika ada 1 dari 16 pertanyaan tidak terjawab, maka tidak dapat mencerminkan nilai MW. Oleh karena itu, jika ada pertanyaan tidak terjawab, jawaban responden tersebut dikeluarkan dari data penelitian atau tidak dapat digunakan untuk pengolahan data.
Berdasarkan pertanyaan yang sudah valid, dilakukan uji reliabilitas terhadap 16 pertanyaan yang menjadi indikator yang mengungkapkan variabel MW secara utuh.
Tabel 4.5. Hasil Uji Reliabilitas Reliability Statistics
Cronbach's Alpha
N of Items
.759 16
Sumber: SPSS 20
Hasil 0.759 (75.9%) menunjukkan bahwa data yang akan diolah telah reliable, yaitu jawaban seseorang terhadap pertanyaan adalah konsisten terhadap item-item pertanyaan dalam kuesioner. Ketika seseorang menjawab pertanyaan tidak konsisten, misalnya pertanyaan 1: Apakah suka membaca dan jawabannya “ya”, kemudian di pertanyaan ke 2: Berapa jam seminggu membaca dan jawabannya
“tidak pernah”, ini menunjukkan responden tidak menjawab dengan konsisten dari satu pertanyaan ke pertanyaan berikutnya. Kesimpulan dari kedua pengujian, yaitu data MW memenuhi uji validitas dan reliabilitas. Data yang valid dan reliable tersebut berguna untuk mendukung agar analisis regresi dapat dilakukan tanpa kesalahan.
4.3. Uji Normalitas
Uji Normalitas dilakukan dengan menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Tingkat kesalahan yang digunakan adalah 5% (α = 0.05). Uji K-S dilakukan dengan hipotesis:
Ho : Asymp. Sig. (2-tailed) ≥ 0.05, maka data berdistribusi normal Ha : Asymp. Sig. (2-tailed) < 0.05, maka data tidak berdistribusi normal
Tabel 4.6. Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
MW IPK
N 224 224
Normal Parametersa,b
Mean 48.0536 2.9879
Std.
Deviation 7.29929 0.59285 Most Extreme Differences
Absolute .056 .091
Positive .056 .063
Negative -.052 -.091
Kolmogorov-Smirnov Z .832 1.356
Asymp. Sig. (2-tailed) .494 .051
a. Test distribution is Normal.
b. Calculated from data.
Sumber: SPSS 20
Berdasarkan tampilan tabel 4.6, angka yang diambil untuk dibandingkan adalah angka dalam baris Asymp. Sig (2-tailed) atau disebut sebagai nilai probabilitas. Variabel MW menunjukkan nilai MW sebesar 0.494 yaitu berada di atas 0.05, maka data terdistribusi normal. Hal yang serupa pada data IPK, yaitu 0.051 berada di atas 0.05, sehingga data dapat disimpulkan terdistribusi normal.
Data terdistribusi normal berarti bahwa data yang diolah memiliki nilai yang mendekati rata-rata berjumlah paling banyak, sedangkan nilai ekstrim, seperti nilai terendah dan tertinggi berjumlah lebih sedikit. Sebagai contoh, di dalam kelas, mahasiswa yang dapat nilai sedang (tidak terlalu tinggi atau tidak terlalu rendah) biasanya banyak, sedangkan nilai tertinggi hanya beberapa orang, dan nilai terendah juga hanya beberapa orang.
Jika data terdistribusi normal digambarkan dalam grafik, maka bentuknya akan seperti lonceng yang seimbang, yaitu tinggi di tengah dan semakin ke kiri dan kanan nilainya akan semakin rendah.
4.4. Uji Asumsi Klasik 4.4.1. Multikolinearitas
Analisis Multikolinearitas yang digunakan adalah analisis matrik korelasi antar variabel independen dan perhitungan nilai tolerance dan VIF. Analisis multikolinearitas ini dilakukan untuk variabel independen yang lebih dari 1, karena apabila regresi linier sederhana tidak ada yang dapat diukur hubungan antar variabel independen.
Nilai tolerance merupakan tingkat kesalahan yang dapat ditoleransi secara statistik dan VIF merupakan faktor inflasi perubahan varians. Apabila varians semakin besar, maka semakin tinggi fluktuasi data antara satu dengan yang lain.
Nilai tolerance ≤ 0.10 dan VIF ≥ 10 memiliki arti bahwa hubungan antar variabel lebih besar dari 95% (sangat berkorelasi antara satu dengan lain), sehingga mengindikasikan terdapat multikolinearitias. Oleh karena itu, data tidak dapat digunakan untuk melakukan regresi yang andal. Hal yang dapat dilakukan adalah mengeluarkan salah satu variabel yang berkorelasi tinggi tersebut.
Apabila dalam suatu model regresi terdapat hubungan korelasi yang tinggi antar variabel independen, maka hal ini akan berdampak pada koefisien regresi yang dihasilkan tidak mencerminkan nilai sebenarnya, contohnya jika salah satu
variabel independen naik/turun 1%, maka IPK akan naik/turun beberapa persen tetapi angkanya tidak mencerminkan hasil yang sebenarnya, yaitu hasilnya dapat menyesatkan pembaca.
Persamaan regresi untuk menguji multikolinearitas adalah:
Tabel 4.7. Hasil Uji Multikolinearitas Variabel
Collinearitas Statistics
Kesimpulan Tolerance VIF
PER .993 1.007 Tidak Terjadi Multikolinearitas
SWAS .931 1.074 Tidak Terjadi Multikolinearitas
MW .926 1.080 Tidak Terjadi Multikolinearitas
Sumber: SPSS 20
Hasil perhitungan nilai Tolerance menunjukkan variabel independen tidak adanya yang memiliki nilai ≤ 0.10 dan tidak ada variabel dengan nilai ≥ 10, artinya antar variabel independen tidak ada yang memiliki hubungan yang tinggi atau lebih besar dari 95%.
Dalam tampilan tabel 4.7, PER memiliki nilai Tolerance 0.993 dan VIF 1.007, SWAS memiliki nilai Tolerance 0.931 dan VIF 1.074, dan MW memiliki nilai Tolerance 0.926 dan VIF 1.080.
Berdasarkan hasil uji statistik tersebut, dapat disimpulkan bahwa tidak terjadi multikolinearitas antar variabel independen dalam model regresi. Oleh Karena itu, ketiga variabel independen dapat digunakan untuk melakukan analisis regresi.
4.4.2. Uji Autokorelasi
4.4.2.1. Uji Lagrange Multiplier (LM test atau Breusch-Godfrey test) Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya), jadi lebih sering ditemukan apabila data yang diolah menggunakan data runtun waktu (time series), yaitu melibatkan beberapa periode.
Kesalahan pengganggu adalah variabel acak yang mewakili semua variabel lain yang dapat mempengaruhi perubahan terhadap variabel dependen, namun tidak dimasukkan ke dalam model regresi. Dengan kata lain, variabel kesalahan pengganggu sebenarnya memiliki peluang untuk terpilih sebagai variabel yang mempengaruhi IPK, tapi dalam model regresi karena penelitian hanya menggunakan 3 variabel independen, yaitu gender, asal sekolah, dan kemampuan manajemen waktu.
Uji LM test menggunakan Unstandardized Residual (RES_1) dan RES_2, yaitu hasil dari dari LAG dari RES_1. Nilai unstandardized residual adalah selisih antara nilai duga (predicted value) dan nilai pengamatan sebenarnya. Nilai duga merupakan nilai yang diperoleh ketika memasukkan nilai dalam model regresi. Contohnya, model regresi y=2x+1.
Ketika memasukkan nilai x=2, maka diperoleh hasil y=5. Nilai 5 tersebut adalah nilai duga dan dapat berbeda dari nilai kenyataan.
Dasar pengujian autokorelasi adalah:
Ho : Sig. (probabilitas) ≥ α = 0.05, artinya tidak terdapat autokorelasi Ha : Sig. (probabilitas) < α = 0.05, artinya terdapat autokorelasi
Persamaan regresi LM test untuk menguji autokorelasi adalah:
Tabel 4.8. Hasil Uji Autokorelasi_LM test Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) .017 .272 .064 .949
PER .005 .076 .004 .059 .953
SWAS -.009 .078 -.008 -.115 .908
MW .000 .005 -.004 -.059 .953
RES_2 .103 .068 .103 1.522 .129
a. Dependent Variable: Unstandardized residual Sumber: SPSS 20
Nilai yang diuji adalah Hasil RES_2, yang menunjukkan probabilitas nilai 0.129 lebih besar dari 0.05. Oleh karena itu, dapat disimpulkan bahwa
hasil Uji LM test menunjukkan data tidak terdapat autokorelasi, yaitu tidak ada kesalahan pengganggu pada periode sekarang dengan periode sebelumnya.
4.4.2.2. Run Test
Uji autokorelasi yang dapat digunakan selain menggunakan uji Lagrange Multiplier adalah uji Run test.
Dasar pengujian autokorelasi dalam Run test adalah:
Ho : Sig. (probabilitas) ≥ α = 0.05, artinya tidak terdapat autokorelasi Ha : Sig. (probabilitas) < α = 0.05, artinya terdapat autokorelasi.
Tabel 4.9. Hasil Uji Autokorelasi_Run test Runs Test
Unstandardized residual
Test Valuea .05869
Cases < Test Value 112
Cases >= Test Value 112
Total Cases 224
Number of Runs 103
Z -1.339
Asymp. Sig. (2-tailed) .180
a. Median Sumber: SPSS 20
Nilai yang menjadi acuan dalam menentukan apakah suatu model regresi memiliki autokorelasi atau tidak adalah nilai sig. (signifikan), yaitu sebesar 0.180. Nilai tersebut jika dibandingkan dengan 0.05, maka 0.180 lebih besar 0.05, sehingga dapat disimpulkan bahwa data tidak terdapat autokorelasi. Data yang digunakan dapat mendukung hasil regresi yang andal.
4.4.3. Uji Heterokedastisitas
Kebanyakan data cross-section mengandung situasi heterokedastisitas karena data dihimpun dari berbagai ukuran (kecil, sedang, besar), sehingga wajib dalam penelitian ini dilakukan pengujian heterokedastisitas. Pengujian dilakukan dengan menggunakan dua alat uji statistik.
4.4.3.1. Uji Park
Uji Park dalam penelitian ini menggunakan persamaan sebagi berikut.
Dasar pengujian heterokedastisitas adalah:
Ho : Sig. (probabilitas) ≥ α=0.05, artinya tidak terdapat heterokedastisitas
Ha : Sig. (probabilitas) < α = 0.05, artinya terdapat heterokedastisitas
Tabel 4.10. Hasil Uji Heterokedastisitas_Uji Park Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) -2.689 1.059 -2.539 .012
PER .026 .297 .006 .089 .929
SWAS .088 .303 .020 .291 .772
MW .005 .021 .018 .251 .802
a. Dependent Variable: LNU2i Sumber: SPSS 20
Hasil menunjukkan variabel PER menunjukkan nilai probabilitas 0.929, variabel SWAS menunjukkan nilai probabilitas 0.772, variabel MW menunjukkan nilai probabilitas 0.802. Ketiganya memiliki nilai probabilitas di atas 0.05 dan jika dibandingkan dengan 0.05, maka dapat disimpulkan bahwa seluruh variabel tidak terdapat heterokedastisitas atau dengan kata lain, semua variabel memiliki varians yang sama (homokedastisitas).
4.4.3.2. Grafik Plot
Alat uji kedua yang dapat digunakan untuk menguji heterokedastisitas dalam model regresi adalah grafik plot.
Hasil dari grafik plot menunjukkan bahwa titik-titik menyebar secara acak dan tersebar, baik di atas maupun di bawah angka 0 pada sumbu Y.
Oleh karena itu, dapat disimpulkan bahwa data tidak terjadi heterokedastisitas atau data memiliki varians yang sama, yaitu homokedastisitas.
Sumber: SPSS 20
Gambar 4.1. Hasil Uji Grafik Plot
Kesimpulan Pengujian:
Kesimpulan atas uji asumsi klasik yang telah dilakukan, yaitu uji multikolinearitas, uji autokorelasi, dan uji heterokedastisitas menunjukkan bahwa seluruh variabel independen dan variabel dependen telah memenuhi uji validitas dan reliabilitas, uji normalitas, dan uji asumsi klasik. Oleh karena itu, data yang akan diolah dapat digunakan untuk melakukan analisis regresi karena persyaratan dalam masing-masing pengujian telah terpenuhi dengan baik.
4.5. Analisis Korelasi
Analisis korelasi bertujuan untuk mengetahui hubungan (korelasi) antara masing-masing variabel independen dan variabel dependen.
Tabel 4.11. Tabel Hasil Analisis Korelasi Correlations
IPK PER SWAS MW
IPK
Pearson Correlation 1 .315** .159** .123*
Sig. (1-tailed) .000 .009 .033
N 224 224 224 224
PER
Pearson Correlation .315** 1 .009 .078
Sig. (1-tailed) .000 .446 .124
N 224 224 224 224
SWAS
Pearson Correlation .159** .009 1 -.261**
Sig. (1-tailed) .009 .446 .000
N 224 224 224 224
MW
Pearson Correlation .123* .078 -.261** 1
Sig. (1-tailed) .033 .124 .000
N 224 224 224 224
**. Correlation is significant at the 0.01 level (1-tailed).
*. Correlation is significant at the 0.05 level (1-tailed).
Sumber: SPSS 20
Dari tabel 4.11, diperoleh hasil hubungan antara gender, asal sekolah, dan kemampuan manajemen waktu terhadap IPK. Dasar untuk menentukan hubungan yang signifikan atau tidak signifikan antara gender, asal sekolah, dan kemampuan manajemen waktu terhadap IPK adalah sebagai berikut:
Ho : Sig. (probabilitas) ≥ α = 0.05, artinya variabel independen tidak berhubungan dengan variabel dependen
Ha : Sig. (probabilitas) < α = 0.05, artinya variabel independen berhubungan dengan variabel dependen
Nilai PER, SWAS, dan MW masing-masing adalah sebesar 0.000, 0.009, dan 0.033 memiliki nilai lebih kecil dari 0.05, sehingga kesimpulan yang dapat ditarik adalah, PER , SWAS, dan MW berhubungan signifikan terhadap IPK.
Untuk mengetahui tingkat hubungan dalam korelasi, digunakan tabel interpretasi nilai r dari Ridwan (2005:136 dalam Sarjono & Julianita 2011:90).
Tabel 4.12. Tabel Interpretasi Nilai r
Interval Koefisien Tingkat Hubungan
0.80-1.000 Sangat kuat
0.60-0.799 Kuat
0.40-0.599 Cukup kuat
0.20-0.399 Rendah
0.00-0.199 Sangat rendah
Nilai yang diambil dari SPSS untuk mengetahui kategori tingkat hubungan variabel adalah baris Pearson Correlation dalam tabel 4.11.
Tabel 4.13. Hasil Interpretasi Nilai r
Variabel Tingkat Hubungan Kesimpulan
PER 0.315 (31.5%) Signifikan rendah
SWAS 0.159 (15.9%) Signifikan sangat rendah
MW 0.123 (12.3%) Signifikan sangat rendah
Sumber: Olah Data SPSS
Kesimpulan yang dapat diperoleh dari hasil analisis korelasi bahwa gender memiliki hubungan signifikan yang rendah terhadap IPK, asal sekolah memiliki hubungan signifikan yang sangat rendah terhadap IPK, dan manajemen waktu memiliki hubungan signifikan yang sangat rendah terhadap IPK
4.6. Analisis Regresi Linier Berganda
Analisis regresi dilakukan untuk mengetahui hubungan antara variabel independen (gender, asal sekolah, dan kemampuan manajemen waktu) terhadap variabel dependen, yaitu IPK. Analisis regresi juga menguji arah dari hubungan (pengaruh) dari variabel independen terhadap IPK. Persamaan regresi yang digunakan dalam melakukan analisis regresi adalah sebagai berikut:
4.6.1. Koefisien Determinasi (R2)
Nilai koefisien determinasi adalah di antara 0 dan 1. Berdasarkan tampilan output SPSS model summary, nilai adjusted R2 adalah 0.133 (13.3%), yang berarti variasi IPK dapat dijelaskan oleh tiga variabel independen PER, SWAS,
dan MW sebanyak 13.3%. Sedangkan sisanya (100%-13.3%=86.7%) dijelaskan oleh variabel lain di luar dari model. Nilai R2 yang kecil memiliki arti bahwa kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas.
Tabel 4.14. Hasil Koefisien Determinasi Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .380a .145 .133 0.552064 1.795
a. Predictors: (Constant), MW, PER, SWAS b. Dependent Variable: IPK
Sumber: SPSS 20
Menurut Ghozali (2012:97), umumnya koefisien determinasi untuk data silang waktu (cross-section) relatif rendah karena adanya variasi yang besar antara masing-masing pengamatan, sedangkan untuk data runtun waktu (time series) biasanya mempunya nilai koefisien determinasi yang tinggi.
Koefisien determinasi hanya salah satu dan bukan satu-satunya kriteria memilih model yang baik. Hal ini dikarenakan jika suatu estimasi regresi linier menghasilkan koefisien determinasi yang tinggi, tetapi tidak konsisten dengan teori ekonomika yang dipilih, atau tidak lolos dari uji asumsi klasik, maka model tersebut bukanlah model penaksir yang baik dan sebaiknya tidak dipilih menjadi model regresi. (Insukindro, 1998 dalam Kuncoro, 2009:241).
Std. Error of the Estimate (SEE) pada tabel 4.11 sebesar 0.552064 menunjukkan model regresi cukup baik dalam memprediksi IPK. Nilai SEE yang kecil akan menghasilkan model regresi yang tepat dalam memprediksi variabel dependen.
4.6.2. Uji Signifikansi Simultan (Uji Statistik F)
Berdasarkan uji ANOVA atau uji F, diperolah nilai F hitung sebesar 12.388, dengan probabilitas signifikan 0.000. Secara kasat mata, nilai F hitung apabila > 4, maka Ho ditolak. Nilai F hitung dalam tabel 4.15 adalah 12.388, yaitu lebih besar dari 4, maka Ho ditolak, kesimpulannya adalah seluruh variabel independen bersama-sama secara signifikan mempengaruhi variabel dependen.
Tabel 4.15. Hasil Uji Statistif F ANOVAa
Model Sum of
Squares
Df Mean
Square
F Sig.
1
Regression 11.327 3 3.776 12.388 .000b
Residual 67.050 220 .305
Total 78.377 223
a. Dependent Variable: IPK
b. Predictors: (Constant), MW, PER, SWAS Sumber: SPSS 20
Hipotesis yang digunakan untuk mengetahui pengaruh simultan dari variabel adalah:
Ho : Sig. (probabilitas) ≥ α = 0.05, artinya tidak ada pengaruh signifikan Ha : Sig. (probabilitas) < α = 0.05, artinya terdapat pengaruh signifikan
Nilai probabilitas (signifikan) adalah sebesar 0.000, yaitu lebih kecil dari 0.05, maka dapat disimpulkan bahwa PER, SWAS, dan MW secara bersama- sama berpengaruh secara signifikan terhadap IPK.
4.6.3. Uji Signifikan Parameter Individual (Uji Statistik t)
Uji statistik t bertujuan untuk melihat seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variasi variabel dependen.
Tabel 4.16. Hasil Uji Statistik t
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1
(Constant) 2.041 .271 7.532 .000
PER .366 .076 .302 4.821 .000
SWAS .234 .077 .195 3.018 .003
MW .012 .005 .151 2.322 .021
Sumber: SPSS 20
Hipotesis yang digunakan untuk mengetahui pengaruh individual dari variabel adalah:
Ho : Sig. (probabilitas) ≥ α = 0.05, artinya tidak ada pengaruh signifikan Ha : Sig. (probabilitas) < α = 0.05, artinya terdapat pengaruh signifikan.
Variabel dummy gender menunjukkan bahwa IPK perempuan lebih tinggi (included group) dibandingkan dengan IPK laki-laki (excluded group). Dengan kata lain, IPK mahasiswa perempuan 36.6% lebih tinggi dari mahasiswa laki-laki. Hal yang serupa ditemukan pada mahasiswa yang berasal dari sekolah swasta memiliki IPK 23.4% lebih tinggi jika dibandingkan dengan mahasiswa yang berasal dari sekolah negeri.
Koefisien regresi MW sebesar 0.012 menunjukkan bahwa setiap kenaikan nilai dalam manajemen waktu sebesar 1 poin, akan menambah IPK mahasiswa sebesar 0.012.
Nilai signifikan variabel PER, SWAS, dan MW dalam tabel 4.16 adalah lebih kecil dari 0.05. Sehingga, kesimpulan dari model regresi linier berganda tersebut adalah semua variabel independen masing-masing secara signifikan mempengaruhi IPK mahasiswa.
Maka persamaan regresi yang diperoleh dari hasil analisis regresi berganda adalah:
4.7. Pembahasan Hasil Pengujian Hipotesis 4.7.1. Pengaruh Gender terhadap IPK
Berdasarkan hipotesis yang diajukan pada bab sebelumnya dan analisis yang dilakukan pada bab ini, maka diperoleh kesimpulan bahwa Hipotesis alternatif (Ha) diterima, yaitu gender berpengaruh secara signifikan terhadap prestasi akademik mahasiswa akuntansi.
Gender berpengaruh terhadap prestasi akademik mahasiswa akuntansi, dengan prestasi akademik yang dicapai oleh perempuan lebih tinggi daripada laki-laki sebanyak 36.6%.
Hal ini dapat terjadi, ada kemungkinan dikarenakan seperti ungkapan DeZolt & Hull (2001 dalam Santrock, 2009) bahwa perempuan kemungkinan besar lebih terlibat dalam materi akademis, penuh perhatian di kelas, mengerahkan lebih banyak upaya akademis, dan lebih banyak berpartisipasi di
dalam kelas daripada laki-laki, sehingga dapat memperoleh prestasi akademik yang lebih baik dibandingkan laki-laki.
Pendapat yang sama disampaikan oleh Jelas dan Dahan (2010:724) bahwa perempuan lebih siap untuk kerja dan lebih fokus, dapat konsentrasi dengan lebih baik. Perempuan memiliki kemampuan membaca lebih baik dan siap untuk ujian, bekerja sesuai jadwal, memperhatikan penuh terhadap teori, hipotesis, analisis, dan masalah akademik lainnya.
Dengan metode pembelajaran SCL yang berlaku di UBN, maka perempuan pasti dapat mengikutinya, karena mereka mengerahkan upaya yang lebih banyak di akademis. Mereka dapat belajar, mencari pengetahuan pendukung selain di dalam kelas. Mahasiswa dituntut untuk lebih aktif dan berpartisipasi lebih banyak di kelas, hal ini membuktikan bahwa perempuan lebih unggul dibandingkan laki-laki.
Seperti dalam teori Lynn & Hyde (1989) juga disebutkan bahwa perbedaan gender dalam keterampilan matematika cenderung kecil. Anak laki- laki lebih unggul dalam pelajaran matematika yang berkaitan dengan ukuran, ilmu pengetahuan, dan olahraga, sedangkan anak perempuan lebih unggul dalam tugas wanita pada umumnya, seperti memasak dan menjahit. Akuntansi merupakan mata kuliah terapan, karena tidak semua mata kuliah di Akuntansi adalah hitungan murni. Anak laki-laki ada kemungkinan lebih unggul dalam mata kuliah hitungan, seperti Introduction to Money & Capital Market, Cost Accounting, Economics Mathematics, Economics Statistics, sedangkan perempuan dalam mata kuliah Introduction to Accounting, Financial Accounting, Managerial Accounting.
Penelitian ini menggunakan data dari mahasiswa tahun pertama, tetapi hasil penelitian menurut Gracia dan Jenkins (2003, dalam Watson et al. 2007:4), mahasiswa perempuan akuntansi tahun kedua juga lebih unggul dibandingkan dengan laki-laki.
Hasil penelitian menunjukkan bahwa prestasi akademik mahasiswa akuntansi dipengaruhi oleh gender. Pendapat ini didukung oleh Gracia and Jenkins (2003), Jelas and Dahan (2010), dan Garkaz, et al. (2011).
4.7.2. Pengaruh Asal Sekolah terhadap IPK
Berdasarkan hipotesis yang diajukan pada bab sebelumnya dan analisis yang dilakukan pada bab ini, maka diperoleh kesimpulan bahwa Hipotesis alternatif (Ha) diterima, yaitu asal sekolah berpengaruh secara signifikan terhadap prestasi akademik mahasiswa akuntansi.
Hasil menunjukkan bahwa mahasiswa yang berasal dari sekolah swasta memiliki IPK 23.4% lebih tinggi jika dibandingkan dengan mahasiswa yang berasal dari sekolah negeri.
Hal yang mendorong terjadinya perbedaan ini adalah seperti dikatakan oleh Crosne dan Elder (2004 dalam Ali et.al., 2013:284-285) sebelumnya, bahwa sekolah swasta karena pendanaan yang lebih baik, ukuran kecil, kepemilikan yang serius, memotivasi fakultas dan akses pada sumber daya, seperti komputer yang bekerja lebih baik dibandingkan sekolah negeri. Dengan pendanaan tambahan terhadap sumber daya dan fasilitas di sekolah swasta, hal ini akan meningkatkan prestasi akademik dan pencapaian pendidikan siswa.
Di sisi lain, jumlah fasilitas yang ditawarkan sekolah biasanya menentukan kualitas sekolah, yang kemudian mempengaruhi prestasi dan pencapaian siswanya.
Adanya penelitian yang dilakukan di Pakistan oleh Amjad and MacLeod (2014) menunjukkan bahwa prestasi sekolah swasta lebih baik dibandingkan dengan sekolah negeri dan “keunggulan” sekolah swasta tetap ada, bahkan ketika memasukkan variabel lain ke dalam penelitian, seperti anak dan rumah tangga, termasuk biaya sekolah.
Ketidakpuasan simultan dan berkembang dengan sistem sekolah negeri telah membawa banyak peneliti dan pendukung kebijakan untuk berpendapat bahwa peningkatan privatisasi dan ketergantungan lebih besar pada sekolah swasta mungkin penting untuk meningkatkan prestasi sekolah di India. Tidak heran bila anak-anak dari keluarga status sosial ekonomi yang lebih tinggi cenderung mendaftar di sekolah swasta, akan tetapi beberapa studi telah berusaha untuk memperbaiki isu seleksi non-acak dalam kasus India (Chudgar &
Quin (2012:389)).
Menurut Calvacanti et al. (2010:406), siswa dari sekolah negeri memiliki nilai lebih rendah daripada sekolah swasta ketika ujian masuk universitas negeri, tidak hanya karena memiliki latar belakang yang lebih rendah, tetapi juga karena
kualitas yang rendah dari sekolah negeri. Namun, ketika mahasiswa masuk ke universitas, mahasiswa dari sekolah negeri memiliki prestasi yang sama baiknya dengan mahasiswa dari sekolah swasta.
Newble and Enwistle (1986 dalam Kilic & Saglam, 2010:3379) juga mengungkapkan bahwa orientasi mahasiswa belajar sangat dipengaruhi oleh karakteristik pengajaran dan sekolah. Karakteristik sekolah memiliki dampak terhadap pembelajaran mahasiswa termasuk isi kurikulum, prosedur penilaian, bahan ajar, dan alat bantu ajar.
Hasil penelitian menunjukkan bahwa prestasi akademik mahasiswa akuntansi dipengaruhi oleh sekolah sebelumnya tempat mereka belajar. Pendapat ini didukung oleh Amjad & MacLeod (2014).
4.7.3. Pengaruh Manajemen Waktu terhadap IPK
Berdasarkan hipotesis yang diajukan pada bab sebelumnya dan analisis yang dilakukan pada bab ini, maka diperoleh kesimpulan bahwa Hipotesis alternatif (Ha) diterima, yaitu kemampuan manajemen waktu berpengaruh secara signifikan terhadap prestasi akademik mahasiswa akuntansi.
Hal yang dapat menjadi pengaruh antara manajemen waktu terhadap IPK adalah pengelolaan waktu yang baik ketika kuliah, seperti mengumpulkan tugas tepat waktu, membagi waktu untuk belajar dan bermain, serta menetapkan prioritas ketika kuliah akan menghasilkan prestasi akademik yang memuaskan bagi mahasiswa. Ketika kuliah, mahasiswa tidak disarankan setiap hari pulang kuliah, kemudian belajar tanpa ada bermain, tanpa bersosialisasi dengan lingkungan sekitar. Akan tetapi, esensi dari manajemen waktu adalah bagaimana kita dapat membagi waktu agar dapat hidup seimbang antara waktu untuk belajar, keluarga, dan teman, dan prioritas lainnya.
Hasil penelitian menunjukkan bahwa prestasi akademik mahasiswa akuntansi dipengaruhi oleh kemampuan manajemen waktu. Pendapat ini didukung oleh Indreica et.al. (2011), Kaushar (2013), Pehlivan (2013).
