MAKALAH KAJIAN MATEMATIKA LANJUT
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PRESTASI KUMULATIF (IPK) MAHASISWA ANGKATAN 2021 PENDIDIKAN MATEMATIKA UNS DENGAN METODE STRUCTURAL EQUATIONAL MODELING (SEM) BERBASIS PARTIAL LEAST SQUARES
(PLS)
Disusun untuk Memenuhi Tugas Mata Kuliah Kajian Matematika Lanjut Dosen Pembimbing : Henny Ekana Chrisnawati, S.Si., M.pd.
Disusun Oleh:
NESTHI WAHYUNINGSIH K1321060
PROGRAM STUDI PENDIDIKAN MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SEBELAS MARET
2024
i
HALAMAN PERSETUJUAN
Makalah Seminar Matematika dengan judul “Analisis Faktor-Faktor yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa Angkatan 2021 Pendidikan Matematika UNS dengan Metode Structural Equational Modeling (SEM) Berbasis Partial Least Squares (PLS) ” ini telah disetujui untuk dipertahankan di hadapan penguji Seminar Matematika Program Studi Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Sebelas Maret pada:
Hari : Tanggal :
Surakarta, 21 Februari 2024 Persetujuan
Dosen Pembimbing
Henny Ekana Chrisnawati, S.Si., M.pd.
NIP 197306021998022001
ii
HALAMAN PENGESAHAN
Makalah Seminar Matematika dengan Judul “Analisis Faktor-Faktor yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa Angkatan 2021 Pendidikan Matematika UNS dengan Metode Structural Equational Modeling (SEM) Berbasis Partial Least Squares (PLS)” ini telah disetujui untuk dipertahankan di hadapan penguji Seminar Matematika Program Studi Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Sebelas Maret pada:
Hari : Tanggal :
Mengetahui,
Kepala Program Studi Dosen Pembimbing
Pendidikan Matematika
Dr. Triyanto, S.Si., M.Si. Henny Ekana Chrisnawati, S.Si., M.Pd.
NIP 197205081998021001 NIP 197306021998022001
iii
PERNYATAAN KEASLIAN TULISAN
Saya yang bertanda tangan di bawah ini
Nama : Nesthi Wahyuningsih
NIM : K1321060
Program Studi : Pendidikan Matematika
Menyatakan bahwa makalah saya berjudul “Analisis Faktor-Faktor yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa Angkatan 2021 Pendidikan Matematika UNS dengan Metode Structural Equational Modeling (SEM) Berbasis Partial Least Squares (PLS)”. Ini benar-benar merupakan karya saya sendiri.
Selain itu, sumber informasi yang dikutip dari penulis lain telah disebutkan dalam teks ini, sudah disebutkan dalam daftar pustaka.
Apabila pada kemudian hari terbukti atau dapat dibuktikan makalah ini hasil jiplakan, saya bersedia menerima sanksi atas perbuatan saya
Surakarta, 21 Februari 2024 Yang Membuat Pernyataan
Nesthi Wahyuningsih K1321060
iv DAFTAR ISI
HALAMAN PERSETUJUAN ... 2
HALAMAN PENGESAHAN ... 3
PERNYATAAN KEASLIAN TULISAN ... 4
BAB I PENDAHULUAN ... 8
1.1 Latar Belakang ... 8
BAB II METODOLOGI ... 13
2.1Structural Equation Modeling (SEM) ... 13
2.1.1Pengertian Structural Equation Modeling (SEM) ... 13
2.1.2 Metode dalam Structural Equation Modeling (SEM)... 13
2.1.3 Analisis dalam Structural Equation Modeling (SEM) ... 14
2.2Metode Structural Equational Modeling Berbabis Partial Least Square (PLS) ... 14
2.2.1 Pengertian PLS (Partial Least Square) ... 14
2.2.2 Langkah-Langkah Analisis Partial Least Square (PLS) ... 16
2.2.3 Spesifikasi Model Analisis Partial Least Square (PLS) ... 16
2.2.4Evaluasi Model PLS ... 17
2.3Bahan dan Metode ... 19
2.4 Penentuan Variabel dan Indikator Penelitian ... 19
2.5 Pengumpulan Data ... 20
BAB III PEMBAHASAN ... 21
3.1Variabel dan Indikator Penelitian ... 21
3.2 Hasil dan Pembahasan ... 21
3.2.1 Indikator Validitas (Outer Loadings) dan Convergent Validity (AVE) ... 21
3.2.2Outer Model (Reflektif) – Convergent Validity ... 23
3.2.3 Discriminant Validity ... 23
3.2.4 Composite Reliability ... 24
3.2.5Inner Model... 24
3.2.6Effect Size atau f-square ... 25
3.2.7 Goodness of Fit (GOF) ... 25
3.2.8 Hasil Pengujian Hipotesis ... 26
Kriteria pengujian ... 26
SIMPULAN ... 29
DAFTAR PUSTAKA ... 30
v
DAFTAR GAMBAR
Gambar 1. Diagram Konseptual Hubungan Faktor yang Memengaruhi IPK ...12 Gambar 2. Hasil perhitungan outer model analisis jalur penelitian setelah modifikasi ...22
vi
DAFTAR TABEL
Tabel 1. Variabel Penelitian ... 19
Tabel 2. Variabel Penelitian ... 21
Tabel 3. Hasil Convergent Validity ... 22
Tabel 4. Hasil Convergent Validity Setelah Modifikasi ... 23
Tabel 5. Hasil Discriminant Validity ... 24
Tabel 6. Hasil Composite Reliability ... 24
Tabel 7. Inner Model ... 24
Tabel 8. Nilai f-square ... 25
Tabel 9. Goodness of Fit (GOF) ... 25
Tabel 10. Hasil Uji Hipotesis ... 27
1 1.1 Latar Belakang
BAB I PENDAHULUAN
Negara Indonesia merupakan salah satu negara yang bergerak maju dan bersaing secara global. Sumber daya manusia sangat berpengaruh dan menjadi kekuatan utama dalam kemajuan bangsa, dimana sumber daya manusia yang cerdas dan berkarakter menjadi pemicu terbentuknya peradaban yang baik. Sebagai kunci utama yang paling strategis dalam mewujudkan kesejahteraan nasional adalah Pendidikan. Hal ini dapat diartikan bahwa semakin tinggi tingkat pendidikan maka semakin tinggi pula kualitas manusia yang bermoral, salah satunya ialah sarjana. Dalam Undang-Undang Nomor 20 Tahun 2013 menyebutkan bahwa Pendidikan adalah usaha sengaja dan terencana untuk menjadikan belajar sebagai pengalaman yang menyenangkan dan menarik bagi peserta didik dalam mengembangkan potensi dirinya untuk memiliki kekuatan spiritual keagamaan, kecerdasan, akhlak mulia, dan keterampilan yang diperlukan dirinya, masyarakat, bangsa dan negara.
Dengan itu, dapat dikatakan bahwa upaya dalam menciptakan sumber daya manusia yang berkualitas dan dapat bersaing secara nasional maupun global ialah dengan peningkatan kualitas pendidikan. Peningkatan kualitas pendidikan dapat dilakukan dengan melakukan perubahan, perbaikan, serta pembaharuan terhadap faktor- faktor yang mempengaruhi keberhasilan prestasi belajar mahasiswa. Sebagai upaya perwujudannya, negara memberikan fasilitas berupa pendidikan tinggi (universitas) dengan harapan bangsa Indonesia dapat memeroleh pendidikan setinggi mungkin. Hal ini merupakan tugas salah satu lembaga atau instansi untuk menghasilkan bibit-bibit unggul di dunia pendidikan dengan calon tenaga terdidik yang berpotensi dan profesional serta memiliki pengetahuan, sikap yang baik dan keahlian yang mempuni yaitu Perguruan Tinggi (PT). Peran penting yang dimiliki Perguruan Tinggi adalah menggali, menumbuhkan dan mengembangkan potensi mahasiswa.
Universitas Sebelas Maret menyediakan berbagai macam program studi salah satunya, yaitu Pendidikan Matematika. Dalam studi tersebut, diharapkan dapat menciptakan generasi penerus bangsa yang cerdas, berkualitas, dan berkarakter. Salah satu tolak ukur bagi mahasiswa untuk melihat ketercapaian pembelajaran dalam bidang akademik dapat dilihat dari Indeks Prestasi Kumulatif (IPK). Kuh, Kinzie, dan Buckley dalam Maya Metriyana (2014) mengatakan, bahwa prestasi akademik ditunjukkan oleh
2
nilai IPK. Dengan demikian, prestasi akademik sering diukur dengan Indeks Prestasi Kumulatif (IPK). Nilai IPK akan diperoleh mahasiswa setiap perkuliahan jika satu semester sudah berakhir. Penilaian tersebut didapatkan melalui hasil tes ataupun tugas- tugas yang telah dikerjakan oleh mahasiswa tersebut pada setiap mata kuliah. Indeks Prestasi Kumulatif atau yang biasa disebut dengan IPK merupakan nilai keseluruhan mata kuliah yang ditempuh mahasiswa (hasil perkalian tingkat nilai) dibagi dengan total sks yang telah diselesaikan. IPK bersifat kuantitatif dengan skala maksimum 4. IPK merupakan faktor utama dalam menentukan prestasi akademik seseorang. Hal ini dapat dilihat dari pernyataan Hammond (Metriyana, 2014) bahwa “a major factor in determining the positive or negative effects of employment on the academic performance of students is their GPA”. Pada perguruan tinggi untuk mendapatkan hasil belajar yang memuaskan mahasiswa dituntut untuk lebih aktif dalam proses pembelajaran, semua tugas yang diberikan menuntut mahasiswa untuk mencari literatur dan mengembangkan pola pikirnya sendiri guna menyelesaikan tugas yang diberikan. Mahasiswa bisa mencari referensi pembelajaran dari perpustakaan, jurnal, dan internet (Daruyani dkk, 2013).
Pencapaian prestasi akademik mahasiswa diduga dipengaruhi oleh faktor- faktor belajar mahasiswa itu sendiri. Berhasil atau tidaknya seorang mahasiswa dalam belajar dipengaruhi oleh cara belajar mahasiswa itu sendiri.
Peneliti dalam hal ini lebih memfokuskan penelitian yang akan dilakukan pada faktor-faktor yang mempengaruhi Indeks Prestasi Kumulatif (IPK) mahasiswa. Menurut Anni (2004:11) faktor-faktor yang mempengaruhi hasil belajar terbagi menjadi 2, yaitu faktor internal dan faktor eksternal. Faktor internal mencakup aspek fisik, misalnya kesehatan organ tubuh, aspek psikis, misalnya intelektual, emosional, cara belajar, motivasi, dan aspek sosial, misalnya kemampuan bersosialisasi dengan lingkungan.
Faktor eksternal, misalnya dukungan keluarga, peran teman perkuliahan, lingkungan sekitar (sarana dan pra- sarana), variasi dan derajat kesulitan materi yang dipelajari, tempat belajar, iklim, suasana lingkungan, budaya belajar masyarakat dan lain sebagainya. Dalam hal ini, peneliti memilih beberapa faktor untuk dijadikan indikator dalam variabel penelitian. Indeks Prestasi Kumulatif (IPK) dipengaruhi oleh faktor internal berupa Kesehatan diri, motivasi belajar, dan cara belajar. Selain itu, juga dipengaruhi oleh faktor eksternal berupa peran keluarga, peran teman perkuliahan, dan kondisi lingkungan sekitar (sarana dan pra-sarana). Berdasarkan penelitian sebelumnya oleh (Lestari, Ma’wiyah, & Ihsan, 2020), salah satu faktor yang mempengaruhi prestasi
3
belajar mahasiswa adalah intensitas belajar mahasiswa itu sendiri. Intensitas belajar meliputi banyak aspek antara lain durasi, frekuensi, aktivitas, dan presentasi atau target (Sumadji, 2017). Intensitas belajar adalah realitas motivasi dalam rangka mencapai tujuan yang diharapkan, yaitu peningkatan prestasi, sebab seseorang melakukan usaha dengan penuh semangat karena adanya motivasi sebagai pendorong pencapaian (Lestari, Ma’wiyah, & Ihsan 2020). Dari pengertian tersebut, indicator motivasi belajar dan cara belajar termasuk ke dalam aspek intensitas belajar.
Selain itu, faktor-faktor yang berasal dari luar mahasiswa berkaitan dengan kondisi lingkungan di sekitar. Faktor lingkungan berpengaruh terhadap proses pembelajaran mahasiswa. Lingkungan yang mempengaruhi proses belajar mahasiswa, yaitu peran keluarga, peran teman, dan lingkungan sekitar. Dukungan keluarga adalah interaksi yang dikembangkan oleh orang tua yang dicirikan oleh perawatan, kehangatan, persetujuan, dan berbagai perasaan positif orang tua terhadap anak (Ellis & Blau, 1998).
Bentuk-bentuk dukungan sosial orang tua yaitu berupa dukungan emosional berupa penghargaan, perhatian, cinta, kepercayaan, dan kesediaan untuk mendengarkan.
Dukungan instrumental berupa bantuan uang, kesempatan, dan modifikasi lingkungan.
Dukungan informatif berupa nasihat, arahan langsung, dan informasi. Dukungan penilaian berupa penilaian positif terhadap anak (Maknunah, 2015). Dalam perkembangannya, anak membutuhkan dukungan orang tua untuk memberikan dukungan berupa bimbingan, menyediakan fasilitas dan motivator diri serta menciptakan suasana aman, nyaman, dan kondusif bagi perkembangan diri anak (Partini, 2010).
Peneliti ingin menggunakan metode Structural Equational Modeling Berbasis Partial Least Square (PLS) dalam menganalisis faktor-faktor yang mempengaruhi Indeks Prestasi Kumulatif (IPK) mahasiswa UNS program studi Pendidikan Matematika angkatan 2021.
Metode SEM merupakan perkembangan dari analisis jalur (path analysis) dan regresi berganda (multiple regression) yang merupakan bentuk model analisis multivariat (multivariate analysis). Dibandingkan dengan analisis jalur dan regresi berganda, metode SEM lebih unggul karena dapat menganalisis data secara lebih komprehensif. Metode SEM memiliki kemampuan analisis dan prediksi yang lebih hebat (stronger predicting power) dibandingkan analisis jalur dan regresi berganda karena SEM mampu menganalisis sampai pada level terdalam terhadap variabel yang
4
diteliti. Selain itu, SEM termasuk alat statistik yang digunakan untuk menyelesaikan model bertingkat secara bersamaan yang tidak dapat diselesaikan oleh persamaan regresi linear. SEM dapat digunakan dalam menyelesaikan model persamaan dengan variabel dependen lebih dari satu dan juga pengaruh timbal balik (recursive). SEM berbasis pada analisis kovarians sehingga memberikan matriks kovarians yang lebih akurat dari pada analisis regresi linear. Teknik analisis data menggunakan SEM dipergunakan untuk menjelaskan hubungan antar variabel secara menyeluruh yang ada dalam penelitian. Alasan yang mendasari penggunaan SEM, yaitu SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship model struktural (hubungan antara variabel dependen dan independen) dan SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara variabel laten dan variabel manifest atau variabel indikator. Metode SEM diharapkan mampu menjawab kelemahan dan kebuntuan yang dihadapi metode multivariat generasi sebelumnya, yaitu analisis jalur dan regresi berganda.
Penelitian ini menggunakan metode SEM berbasis Partial Least Square (PLS).
Partial Least Square (PLS) adalah metode yang diperkenalkan pertama kali oleh Herman O.A. World. PLS merupakan teknik alternatif pada analisis SEM dimana data yang dipergunakan tidak berdistribusi normal multivariat. Pada SEM dengan PLS nilai variabel laten diestimasi sesuai kombinasi linear dari variable-variabel indicator yang terkait dengan variabel laten serta diperlakukan untuk mengganti variabel indikator.
Kelebihan SEM berbasis PLS apabila dibandingkan dengan berbasis kovarian, SEM PLS mampu menangani dua kondisi, yaitu faktor yang tidak dapat ditentukan (factor indeterminacy) dan solusi tidak dapat diterima (inadmissible solution).
5
Gambar 1. Diagram Konseptual Hubungan Faktor yang Memengaruhi IPK
Maka dari itu, peneliti akan menggunakan metode Structural Equational Modeling Berbasis Partial Least Square (PLS) dalam menganalisis faktor-faktor yang mempengaruhi Indeks Prestasi Kumulatif (IPK) mahasiswa UNS program studi Pendidikan Matematika tahun masuk 2021. Oleh karena itu, dengan memfokuskan pengkajian untuk mengetahui faktor yang mempengaruhi Indeks Prestasi Kumulatif mahasiswa (IPK), peneliti membuat makalah penelitian ini dengan judul “Analisis Faktor- Faktor yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa Jurusan Pendidikan Matematika UNS Tahun Masuk 2021 Menggunakan Metode Structural Equational Modeling (SEM) Berbasis Partial Least Square (PLS)”
6 BAB II METODOLOGI 2.1 Structural Equation Modeling (SEM)
2.1.1 Pengertian Structural Equation Modeling (SEM)
Menurut Chin, Structural Equation Modeling (SEM) adalah salah satu kajian bidang statistika yang dapat digunakan untuk mengatasi masalah penelitian, dimana peubah bebas maupun peubah respon adalah peubah yang tak terukur. Terdapat dua model persamaan struktural yaitu SEM berdasarkan pada covariance (CBSEM) dan SEM berbasis component (PLS) (Ghozali, 2015).
Structural Equation Modeling terdiri dari dua dasar komponen sebagai model struktural dan model pengukuran. Model pengukuran berkaitan dengan hubungan antara variabel laten (variabel yang tidak diamati langsung) dan indikator yang mengukur variabel tersebut. Model struktural mencerminkan hubungan sebab- akibat antara variabel laten.Variabel laten, juga dikenal sebagai variabel tersembunyi atau variabel tak teramati, adalah variabel yang tidak dapat diamati atau diukur secara langsung, tetapi memiliki pengaruh nyata pada variabel yang diamati. Sedangkan variabel teramati adalah indikator masing-masing variabel.
2.1.2 Metode dalam Structural Equation Modeling (SEM) Metode SEM melibatkan beberapa langkah penting yaitu :
1. Pemilihan Model
Pertama, Anda harus memilih model yang sesuai dengan pertanyaan penelitian dan teori yang ada. Ini mencakup memilih variabel-variabel laten, menentukan hubungan antara mereka, dan mengidentifikasi indikator yang tepat.
2. Spesifikasi Model
Langkah ini melibatkan penulisan model matematis yang menggambarkan hubungan antara variabel laten dan indikator. Model ini diekspresikan dalam bentuk persamaan struktural dan persamaan pengukuran.
3. Pengumpulan Data
Data penelitian diperlukan untuk menguji model yang telah dispesifikasikan. Data ini harus sesuai dengan variabel-variabel dalam
7 model.
4. Estimasi Parameter
Dalam langkah ini, metode statistik digunakan untuk mengestimasi parameter dalam model, seperti koefisien hubungan antara variabel- variabel.
5. Uji Model
Setelah parameter diestimasi, model diuji terhadap data. Hal ini melibatkan penggunaan berbagai statistik untuk menilai sejauh mana model cocok dengan data.
6. Evaluasi Model
Jika model tidak cocok dengan data, Anda perlu mempertimbangkan revisi model. Ini bisa berarti menambah atau menghapus hubungan antara variabel, atau mengganti indikator yang digunakan.
2.1.3 Analisis dalam Structural Equation Modeling (SEM) Analisis hasil SEM melibatkan beberapa langkah interpretatif:
1. Pengujian Model Fit
Sebelum mengambil kesimpulan, harus diuji apakah model yang dispesifikasikan cocok dengan data. Jika model fit dinyatakan baik, dapat diperiksa parameter yang diestimasi dalam model. Koefisien regresi dalam model struktural mengindikasikan kekuatan dan arah hubungan antara variabel.
2. Uji Hipotesis
Uji hipotesis untuk menguji apakah hubungan antara variabel signifikan secara statistik. Ini membantu mengonfirmasi teori atau hipotesis yang Anda miliki.
2.2 Metode Structural Equational Modeling Berbabis Partial Least Square (PLS) 2.2.1 Pengertian PLS (Partial Least Square)
PLS (Partial Least Square) merupakan model persamaan struktural SEM yang berbasis komponen atau varian. PLS merupakan pendekatan alternatif yang bergeser dari pendekatan SEM yang berbasis kovarian menjadi berbasis varian.
SEM yang berbasis kovarian umumnya menguji kausalitas atau teori sedangkan PLS lebih mengarah kepada predictive model. Pendekatan component based dengan Partial Least Square (PLS) orientasi analisis bergeser dari menguji model
8
kausalitas/teori ke component based predictive model. PLS dapat mengalisis sekaligus variabel laten yang dibentuk dengan indikator reflektif dan indikator formatif (Hair, dan Hult, et al., 2016).
PLS merupakan teknik analisis multivariat yang digunakan untuk memproyeksikan hubungan linear antar variabel-variabel pengamatan (Handayani et al., 2012). Tujuan PLS adalah menguji teori yang lemah dan data yang lemah, seperti jumlah sampel yang kecil atau terdapat masalah normalitas data, memprediksikan pengaruh variabel eksogen terhadap variabel endogen, dan menjelaskan hubungan teoritikal di antara kedua variabel tersebut (Abdi, 2003).
Partial Least Square (PLS) adalah metode yang diperkenalkan pertama kali oleh Herman O.A. World. PLS merupakan Teknik alternatif pada analisis SEM dimana data yang dipergunakan tidak berdistribusi normal multivariat. Kelebihan SEM dengan PLS apabila dibandingkan dengan SEM berbasis kovarian, SEM dengan PLS mampu menangani dua kondisi dimana:
1. Faktor yang tidak dapat ditentukan (factor indeterminacy) Faktor yang tidak dapat ditentukan adalah suau kondisi dimana skor faktor yang dihasilkan memliki nilai berbeda apabila dihitung dari suatu model faktor tunggal.
Khusus untuk indikator yang bersifat formatif,tidak memerlukan adanya common factor sehingga akan selalu diperoleh variabel laten yang bersifat gabungan berupa suatu kesatuan. Dalam ini variabel laten merupakan suatu bentuk kombinasi linier dari indikator- indikatornya.
2. Solusi yang tidak dapat diterima (inadmissible solution)
Kondisi solusi yang tidak dapat diterima tidak akan terjadi pada SEM dengan PLS, karena SEM dengan PLS berbasis varians dan bukan kovarians sehingga mengakibatkan masalah matriks singularity tidak akan pernah terjadi. Selain itu, PLS bekerja pada model struktural yang bersifat rekursif, sehingga masalah un- identified, under-identified atau over-identified juga tidak akan pernah terjadi.
9
2.2.2 Langkah-Langkah Analisis Partial Least Square (PLS) Langkah-langkah yang harus dilakukan dalam PLS meliputi:
1. Perancangan model struktural (inner model) menjelaskan hubungan antara variabel laten yang satu dengan variabel laten lainnya;
2. Perancangan model pengukuran (outer model) yang menjelaskan hubungan antara variabel laten dengan variabel indikatornya yang bersifat reflektif dalam penelitian ini;
3. Penyusunan konstruksi diagram jalur berdasarkan dua model, yaitu model structural.
4. Konversi diagram jalur ke dalam model persamaan struktural (hubungan antar variabel laten yang diteliti) dan model pengukuran (hubungan variabel indikator dengan variabel laten);
5. Pendugaan parameter di dalam PLS (model reflektif) yang dilakukan dengan cara path estimate (estimasi jalur);
6. Evaluasi Goodness of Fit dengan cara pengujian terhadap kesesuaian model, yaitu outer model (Convergent validity, Discriminant validity dan Composite reliability). Sedangkan untuk inner model (R-square, f- square dan Q-square predictive relevance);
7. Pengujian hipotesis yang dilakukan dengan metode resampling bootstrap dan statistik uji yang digunakan adalah uji t.
2.2.3 Spesifikasi Model Analisis Partial Least Square (PLS)
PLS terdiri atas hubungan eksternal (outer model atau model pengukuran) dan hubungan internal (inner model atau model struktural).
1. Inner Model
Model ini menitikberatkan pada model struktur variabel laten, dimana antar variabel laten diasumsikan memiliki hubungan yang linier dan memiliki hubungan sebab-akibat.
2. Outer Model
Membangun hubungan antara sekumpulan indikator dengan variabel latennya. Outer model mengacu pada model pengukuran. Ada tiga cara membangun antara indikator dengan variabel laten, yaitu hubungan
10
reflektif, hubungan formatif, dan Multi Effect Indicators for Multiple Causes (MIMIC).
2.2.4 Evaluasi Model PLS
a. Evaluasi Model Pengukuran (Outer Model)
• Validitas Konvergen
Validitas Konvergen dilihat melalui nilai outer loading berdasarkan korelasi antar skor item/indikator dengan skor variabel laten. Ukuran reflektif individual dikatakan tinggi jika berkorelasi lebih dari 0.7 dengan variabel laten yang ingin diukur (Savitri et al., 2021: 34). Jika dalam pengujian terdapat nilai outer loading di bawah 0.70 indikator masih dapat digunakan dengan syarat nilai outer loading minimal lebih besar dari 0.40 (outer loading > 0.40) dan nilai AVE lebih dari 0.50 (AVE >
0.50) sehingga variabel dapat dikatakan valid. Jika kurang dari 0.40 maka harus dihilangkan (Hair et al., 2024, hal.126). Pada kasus ini, nilai outer loading > 0.40 dan AVE > 0.50 berarti memenuhi syarat untuk perbaikan indikator.
• Validitas Diskriminan
Validitas diskriminan indikator dapat dilihat pada cross- loading antara indikator dengan variabel latennya. Jika korelasi variabel laten dengan indikator lebih besar daripada ukuran variabel laten lainnya, maka hal itu menunjukan bahwa konsrtuk laten memprediksi ukuran pada blok mereka lebih baik daripada ukuran blok lainnya (Ghozali, 2015).
• Uji Reliabilitas
Nilai Composite Reliability (ρc) digunakan untuk mengukur konsistensi dari blok indikator. Direkomendasikan nilai Composite Reliability (ρc) lebih besar dari 0,7 (Savitri et al., 2021: 34).
b. Evaluasi Model Struktural (Inner Model)
• R-Square
Kualitas model struktural dievaluasi melalui pengujian indeks pengukuran yaitu R- square (Abdillah dan
11 Jogiyanto,
12
2015). Nilai R square 0.70 memiliki kategori kuat, 0.50 kategori sedang, dan 0.25 kategori lemah (Savitri et al., 2021: 35).
• Effect Size atau f-square
Untuk mengevaluasi nilai R-square dari semua variabel endogen dengan menggunakan f-square . f-square lebih spesifik pada masing-masing variabel eksogen. Secara umum, nilai 0.02 dianggap memiliki affect size lemah, 0.15 memiliki affect size sedang, dan 0.35 memiliki affect size kuat (Savitri et al., 2021: 35).
c. Goodness of Fit (GOF)
• NFI
Nilai NFI mendekati nilai 1 maka Model Fit (Santoso & Rahardjo, 2021: 88).
• SRMR
Nilai SRMR < 0.10, maka Model Fit (Garson, 2016: 68).
d. Pengujian Hipotesis
PLS tidak mengasumsikan data berdistribusi normal, sebagai gantinya PLS bergantung pada prosedur bootstrap non-parametrik untuk menguji signifikansi koefisiennya (Hair, dan Hult, et al., 2016).
Hipotesis statistik untuk outer model : H0 : λjk ≤ 0 H1 : λjk > 0
Hipotesis statistik untuk inner model : H0 : βi ≤ 0 H1 : βi > 0
Dalam pemodelan persamaan struktural berbasis PLS, langkah awal yang harus dilakukan adalah menentukan spesifikasi model yang terdiri dari dua, yaitu model struktural (inner model) dan model pengukuran (outer model). Inner model yang dirancang dalam penelitian ini ialah hubungan antara variabel laten eksogen terhadap variabel laten endogen. Inner model dalam penelitian ini adalah:
• Faktor Internal (X1 ) dan Faktor Eksternal (X2) terhadap Indeks Prestasi Kumulatif (Y)
• Faktor Internal (X1 ) terhadap Faktor Eksternal (X2).
13
Outer model ialah hubungan antara variabel indikator dengan variabel latennya. Outer model yang dirancang dalam penelitian ini berbentuk reflektif. Menurut Ghozali (2011), indikator pada model reflektif merupakan manifestasi/ wujud dari konstruk. Semua indikator mencerminkan konstruk yang sama dan indikator juga harus memiliki content yang sama atau mirip.
Setelah merancang inner model dan outer model, kedua model tersebut dikonstruksikan dalam sebuah diagram jalur.
2.3 Bahan dan Metode
Penelitian ini dilaksanakan pada bulan Februari 2024 di Universitas Sebelas Maret Surakarta. Populasi dalam penelitian ini adalah mahasiswa program studi Pendidikan Matematika tahun masuk 2021.
Tabel 1. Variabel Penelitian Variabel Laten Variabel Terukur
(Indikator)
Simbol
Faktor Internal Kesehatan Diri X11
Motivasi Belajar X12
Cara Belajar X13
Faktor Eksternal Keluarga X21
Teman Perkuliahan X22 Lingkungan sekitar X23
IPK Kestabilan IPK
Capaian SKS
Y1 Y2
Pada penelitian ini, sampel yang diambil berjumlah 30 mahasiswa untuk obyek penelitian. Pengolahan data dilakukan menggunakan metode Structural Equational Modeling Berbasis Partial Least Square (PLS) dengan bantuan software Smart PLS.
2.4 Penentuan Variabel dan Indikator Penelitian
Variabel yang digunakan pada penelitian ini terdiri dari:
1. Variabel Laten atau Variabel Konstruk
Variabel laten merupakan variabel yang tidak dapat diukur
14
langsung tetapi dapat diukur melalui suatu dimensi atau indikator dari masing-masing variabel (Prihantoro, 2007). Variabel laten adalah sebuah konsep yang dihipotesiskan atau tidak terukur dan hanya dapat didekati melalui beberapa variabel terukur.
2. Variabel Terukur atau Variabel Manifest
Variabel terukur merupakan variabel yang dapat diukur langsung.
Variabel ini juga biasa disebut variabel indikator (Prihantoro, 2007).
Variabel terukur adalah variabel yang nilainya dapat diperoleh dari responden melalui berbagai metode pengumpulan data (survey, kuisioner, observasi, dan lain-lain).
2.5 Pengumpulan Data
Pengumpulan data pada penelitian ini menggunakan kuisioner dengan bantuan Google Formulir. Pertanyaan-pertanyaan dalam kuisioner ini telah memuat semua variabel penelitian. Kuisioner dalam penelitian ini diukur dengan skala likert dengan 5 pilihan jawaban sehingga memungkinkan responden untuk mengekspresikan perasaannya sesuai skala yang diberikan.
Sampel yang diambil sebanyak 30 mahasiswa dengan jumlah populasi sebanyak 78. Penentuan jumlah sampel menggunakan teknik Sampel acak sederhana (simple random sampling).
15 BAB III PEMBAHASAN 3.1 Variabel dan Indikator Penelitian
Tabel 2. Variabel Penelitian
Variabel Laten Variabel Terukur (Indikator)
Simbol
Faktor Internal Kesehatan Diri X11
Motivasi Belajar X12
Cara Belajar X13
Faktor Eksternal Keluarga X21
Teman Perkuliahan X22 Lingkungan sekitar X23
IPK Kestabilan IPK
Capaian SKS
Y1 Y2
Pada penelitian ini, sampel yang diambil berjumlah 30 mahasiswa untuk obyek penelitian. Pengolahan data dilakukan menggunakan metode Structural Equational Modeling Berbasis Partial Least Square (PLS) dengan bantuan software Smart PLS.
3.2 Hasil dan Pembahasan
3.2.1 Indikator Validitas (Outer Loadings) dan Convergent Validity (AVE)
Indikator validitas dapat diukur dengan menggunakan skor outer loading, jika nilai outer loading lebih dari 0.70 (>0.70) maka indikator tersebut dapat digunakan. Nilai Average Variance Extracted (AVE) yang memenuhi kriteria minimal adalah lebih besar dari 0.50 (>0.50).
16
Tabel 3. Hasil Convergent Validity
Variabel Indikator Outer Loading AVE Keterangan
X1 X11 0.884 0.876 Valid
X12 0.963 Valid
X13 0.959 Valid
X2 X21 0.874 0.573 Valid
X22 0.836 Valid
X23 0.506 Tidak valid
Y Y1 0.873 0.788 Valid
Y2 0.902 Valid
Dari hasil perhitungan SmartPLS yang disajikan dalam tabel, terdapat indikator yang tidak memenuhi kriteria, yaitu indikator lingkungan sekitar (X23) pada variabel faktor eksternal. Jika dalam pengujian terdapat nilai outer loading di bawah 0.70 indikator masih dapat digunakan dengan syarat nilai outer loading minimal lebih besar dari 0.40 (outer loading > 0.40) dan nilai AVE lebih dari 0.50 (AVE> 0.50) sehingga variabel dapat dikatakan valid.
Jika kurang dari 0.40 maka harus dihilangkan (Hair et al., 2024, hal.126). Pada kasus ini, nilai outer loading > 0.40 dan AVE > 0.50 berarti memenuhi syarat untuk perbaikan indikator.
Modifikasi dilakukan dengan menghilangkan satu item pertanyaan pada indikator tersebut, tetapi dalam penelitian ini hanya terdapat satu item pertanyaan pada setiap indikator. Maka dari itu, indikator lingkungan sekitar (sarana dan pra-sarana) pada variabel faktor eksternal dihilangkan. Hasil modifikasi pemodelan PLS yang baru ditunjukkan pada gambar berikut.
Gambar 2. Hasil perhitungan outer model analisis jalur penelitian setelah modifikasi Sumber : data penelitian diolah menggunakan Software Smart PLS 3.3.3 tahun 2024
17
Indikator validitas (Outer Loadings) dan Convergent Validity (AVE) setelah mengalami modifikasi dengan menghilangkan variabel teramati X23 pada variabel laten faktor eksternal.
3.2.2 Outer Model (Reflektif) – Convergent Validity
Dari hasil yang disajikan dalam tabel, seluruh indikator pada variabel faktor internal, faktor eksternal, dan Indeks Prestasi Kumulatif (IPK) dinyatakan valid (nilai outer loading > 0.70) sehingga dapat dikatakan bahwa indikator berkorelasi kuat dengan variabel latennya dan indikator memiliki kemampuan untuk mengukur variabel laten yang seharusnya diukur.
Tabel 4. Hasil Convergent Validity Setelah Modifikasi Variabel Indikator Outer
Loading
AVE Keterangan
X1 X11 0.885 0.876 Valid
X12 0.963 Valid
X13 0.959 Valid
X2 X21 0.891 0.831 Valid
X22 0.932 Valid
Y Y1 0.887 0.789 Valid
Y2 0.889 Valid
3.2.3 Discriminant Validity
Dari hasil yang disajikan dalam tabel dibawah ini, dapat diketahui bahwa cross loading indikator pada variabel latennya lebih besar daripada nilai cross loading indikator pada variabel laten lainnya. Hal ini menunjukkan bahwa indikator dapat menjelaskan variabel latennya dengan baik dan tidak mengukur variabel laten lain yang tidak berkorelasi dengan indikator tersebut.
18
Tabel 5. Hasil Discriminant Validity
Variabel Indikator X1 X2 Y Keterangan
X1 X11 0.885 0.190 0.203 Valid X12 0.963 0.117 0.334 Valid X13 0.959 0.093 0.333 Valid
X2 X21 0.188 0.891 0.487 Valid
X22 0.068 0.932 0.609 Valid
X23 - - - -
Y Y1 0.350 0.509 0.887 Valid
Y2 0.221 0.569 0.889 Valid
3.2.4 Composite Reliability
Pada tabel tersebut, menunjukkan bahwa seluruh variabel laten (faktor internal, faktor eksternal, dan Indeks Prestasi Kumulatif (IPK)) memiliki nilai lebih besar dari 0.70. Hal ini berarti variabel laten faktor internal, faktor eksternal, dan Indeks Prestasi Kumulatif (IPK) memiliki tingkat konsistensi yang baik. Menurut Wiyono (2011), sebuah variabel laten dinyatakan reliabel apabila nilai composite reliability-nya di atas 0.70.
Tabel 6. Hasil Composite Reliability
Variabel Composite
Reliability
Keterangan
Faktor Internal (X1) 0.982 Reliabel
Faktor Eksternal (X2) 0.827 Reliabel
Indeks Prestasi Kumulatif (Y) 0.732 Reliabel
3.2.5 Inner Model
Tabel 7. Inner Model
R-square R-square adjusted
Faktor Eksternal 0.019 -0.017
Indeks Prestasi Kumulatif (IPK) 0.428 0.384
19
Variabel laten Indeks Prestasi Kumulatif (IPK) memiliki nilai R- square sebesar 0.428. Hal ini berarti Indeks Prestasi Kumulatif Mahasiswa (IPK) dipengaruhi oleh faktor internal dan faktor eksternal sebesar 42.8%, sedangkan sisanya 57.2% dipengaruhi oleh faktor lain yang tidak terdapat dalam model.
Variabel faktor eksternal memiliki nilai R-square sebesar 0.019. Hal ini berarti faktor eksternal dipengaruhi oleh faktor internal sebesar 1,9%, sedangkan sisanya 98,1% dipengaruhi oleh faktor lain yang tidak terdapat dalam model. Dapat disimpulkan bahwa model dianggap lemah.
3.2.6 Effect Size atau f-square
Untuk mengevaluasi nilai R2 dari semua variabel endogen dengan menggunakan f2 . Perbedaan f2 dengan R2 adalah f2 lebih spesifik pada masing- masing variabel eksogen. Secara umum, nilai 0.02 dianggap memiliki affect size kecil, 0.15 memiliki affect size sedang, dan 0.35 memiliki affect size besar. Berikut adalah tabel nilai f2.
Tabel 8. Nilai f-square
X1 X2 Y
X1 0.095
X2 0.558
Y
Pada tabel di atas, memiliki makna bahwa pengaruh faktor internal terhadap Indeks Prestasi Kumulatif (IPK) sebesar 0.095 dianggap lemah.
Sedangkan pengaruh faktor eksternal terhadap Indeks Prestasi Kumulatif (IPK) sebesar 0.558 dianggap kuat.
3.2.7 Goodness of Fit (GOF)
Tabel 9. Goodness of Fit (GOF) Saturated
model
Estimated model
SRMR 0.085 0.085
NFI 0.652 0.652
20
Nilai NFI mendekati 1 dan nilai SRMR < 0.10, maka model memiliki predictive relevance atau variabel laten eksogen yaitu faktor internal dan faktor eksternal sebagai variabel penjelas yang mampu memprediksi variabel endogennya, yaitu Indeks Prestasi Kumulatif (IPK).
3.2.8 Hasil Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan melihat koefisien jalur serta membandingkan t-statistik dengan t-tabel. Nilai t-tabel ialah 1.671 ( =0.05 dan derajat kebebasan=59). Pengujian hipotesis dalam penelitian ini, adalah:
H0 : γi = 0 lawan H1 : γi ≠ 0 Kriteria pengujian:
• Jika t-statistik > t-tabel, maka H0 ditolak dan H1 diterima
• Jika t-statistik < t-tabel, maka H0 diterima dan H1 ditolak Hasil pengujian hipotesis pada penelitian ini disajikan pada tabel di bawah.
1. Hipotesis variabel faktor internal terhadap Indeks Prestasi Kumulatif
(IPK)
H0 : γi = 0
Tidak terdapat pengaruh yang signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
H1 : γi ≠ 0
Terdapat pengaruh yang signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
Hasil pengujian hipotesis menunjukkan bahwa tidak terdapat pengaruh signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
2. Hipotesis variabel faktor eksternal terhadap Indeks Prestasi Mahasiswa (IPK)
H0 : γi = 0
Tidak terdapat pengaruh yang signifikan antara faktor internal
21
terhadap Indeks Prestasi Kumulatif (IPK).
H1 : γi ≠ 0
Terdapat pengaruh yang signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
Hasil pengujian hipotesis menunjukkan bahwa terdapat pengaruh signifikan antara faktor eksternal terhadap Indeks Prestasi Kumulatif (IPK). Hal ini berarti ketika faktor eksternal dengan indikator peran keluarga dan peran teman perkuliahan semakin meningkat, maka Indeks Prestasi Kumulatif (IPK) dengan indikator kestabilan IPK dan capaian SKS meningkat juga.
3. Hipotesis variabel faktor internal terhadap variabel faktor eksternal H0 : γi = 0
Tidak terdapat pengaruh yang signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
H1 : γi ≠ 0
Terdapat pengaruh yang signifikan antara faktor internal terhadap Indeks Prestasi Kumulatif (IPK).
Hasil pengujian hipotesis menunjukkan bahwa tidak terdapat pengaruh signifikan antara faktor internal terhadap faktor eksternal.
Tabel 10. Hasil Uji Hipotesis Koefisien
Jalur
t- tabel
t- statistik
Keterangan
X1 Y 0.237 1.671 1.319 Ho diterima
X2 Y 0.573 1.671 2.743 Ho ditolak
X1 X2 0.138 1.671 0.639 Ho diterima
Secara bersama-sama, faktor internal dan faktor eksternal menjadi faktor pengaruh Indeks Prestasi Kumulatif (IPK) hanya 42.8%, sedangkan sisanya 57.2% dipengaruhi oleh faktor lain yang tidak terdapat dalam model (tidak diteliti).
22 SIMPULAN
Hasil penelitian tentang pengaruh faktor internal dan faktor eksternal terhadap Indeks Prestasi Kumulatif (IPK) di program studi Pendidikan Matematika angkatan 2021 Universitas Sebelas Maret Surakarta, dengan menggunakan metode SEM PLS menunjukkan bahwa variabel faktor internal dengan koefisien regresi 0.237 tidak berpengaruh signifikan terhadap Indeks Prestasi Kumulatif (IPK). Pengaruh antara faktor eksternal dengan nilai koefisien regresi 0.573 berpengaruh signifikan terhadap Indeks Prestasi Kumulatif (IPK). Pengaruh antara faktor internal terhadap faktor eksternal adalah 0.138 yang berarti faktor internal tidak berpengaruh signifikan terhadap faktor eksternal.
Dari hasil-hasil tersebut, dapat disimpulkan bahwa secara langsung faktor internal tidak berpengrauh secara signifikan terhadap Indeks Prestasi Kumulatif (IPK). Secara tidak langsung, faktor internal tidak berpengaruh signifikan terhadap Indeks Prestasi Kumulatif (IPK) melalui faktor eksternal. Sedangkan faktor eksternal secara langsung berpengaruh signifikan terhadap Indeks Prestasi Kumulatif (IPK).
23
DAFTAR PUSTAKA
Alfa, A. A. (2017). Analisis Pengaruh Faktor Keputusan Konsumen dengan Structural Equation Modeling Partial Least Square.
Ginting, D. B. (2009). Structural Equation Model (SEM). Jurnal Media Informatika.
Hendikawati, P. (2011). Analisis Faktor yang Mempengaruhi Indeks Prestasi Mahasiswa. Jurnal Informasi.
Jr, J. F. (2014). Partial Least Squares Structural Equation Modeling (PLS-SEM) an Emerging Tool in Business Research.
Kasanah, A. (2015). Penggunaan Metode Structural Equation Modeling untuk Analisis Faktor yang Mempengaruhi Kualitas Pelayanan Perpustakaan dengan Program Lisrel 8.80.
Jurnal Matematika Sains.
Pering, I. M. (2020). Kajian Analisis Jalur dengan Structural Equation Modeling (SEM) Smart-PLS 3.0.
Jurnal Satyagraha.
Sarwono, J. (2010). Pengertian Dasar Structural Equation Modeling (SEM). Jurnal Ilmiah Manajemen Bisnis, 173-182.
Tsanim Rahmat, G. H. (2023). Hubungan Indeks Prestasi Komulatif (IPS) dan Lama Studi terhadap Nilai Ujian Komprehensif Mahasiswa Program Studi Pendidikan Matematika. Jurnal Matematika dan Pendidikan Matematika, 24-33.
Ukhisia, B. G. (2013). Analisis Pengaruh Keselamatan dan Kesehatan Kerja terhadap Produktivitas Karyawan dengan Metode Partial Least Squares. Jurnal Teknologi Pertanian, 95-104.
Wiyono, D. (2017). Pengaruh Motivasi Belajar, Keaktifan Mahasiswa dan Kinerja Dosen terhadap Prestasi Belajar Mahasiswa: Pendekatan Partial Squares-SEM Analisys.
Jurnal Ilmu Pendidikan dan Pengajaran.
