ANALISIS PENGARUH MATA KULIAH PENGANTAR TECHNOPRENEURSHIP/ KEWIRAUSAHAAN TERHADAP PERILAKU ENTREPRENEURSHIP MAHASISWA ITS

Transkripsi

1 ANALISIS PENGARUH MATA KULIAH PENGANTAR TECHNOPRENEURSHIP/ KEWIRAUSAHAAN TERHADAP PERILAKU ENTREPRENEURSHIP MAHASISWA ITS 1 Tety Dewi Novita Sari ( ) dan Dwi Endah Kusrini, S.Si, M.Si 1 Mahasiswa Jurusan Statistika ITS, Dosen Jurusan Statistika ITS 1 tetydewi@ymail.com, dwiendah@statistika.its.ac.id Abstrak Pendidikan entrepreneurship semakin berkembang beberapa tahun terakhir. Hal ini terlihat dari banyaknya perguruan tinggi yang telah menadikan mata kuliah kewirausahaan sebagai mata kuliah waib yang harus ditempuh oleh setiap mahasiswa. Institut Teknologi Sepuluh Nopember Surabaya (ITS) merupakan salah satu perguruan tinggi negeri yang turut berperan dalam menyiapkan lulusan yang mampu menciptakan lapangan kera sendiri. Ingin dikai lebih dalam mengenai pengaruh perkembangan pendidikan kewirausahaan yang dulu hanya di adikan mata kuliah pilihan dan sekarang menadi mata kuliah waib, terhadap perilaku entrepreneurship mahasiswa ITS yang telah mengambil dan lulus mata kuliah tersebut. Dengan menggunakan Model Persamaan Struktural, maka diperoleh hasil bahwa yang berpengaruh signifikan terhadap perilaku entrepreneurship mahasiswa ITS (kognitif, afektif, dan psikomotor) adalah pemberian materi kuliah. Sedangkan sistem pembelaaran yang diterapkan meliputi dosen pengaar,evaluasi belaar dan fasilitas belaar berpengaruh signifikan namun bernilai negatif. Kata Kunci : Model Persamaan Struktural, Kognitif, Afektif, Psikomotor, Materi dan Sistem Pembelaaran. 1. PENDAHULUAN Pendidikan entrepreneurship semakin berkembang beberapa tahun terakhir. Mulai dari enang pendidikan sekolah dasar hingga enang pendidikan yang paling tinggi. Hal ini terlihat dari banyaknya perguruan tinggi yang telah menadikan mata kuliah kewirausahaan sebagai mata kuliah waib yang harus ditempuh oleh setiap mahasiswa. Adanya dukungan dari Departemen Pendidikan Nasional dengan mengembangkan berbagai kebiakan dan program untuk mendukung terciptanya lulusan perguruan tinggi yang lebih siap bekera dan menciptakan pekeraan. Dukungan ini terutama berupa hal yang terkait dengan pendanaan. Institut Teknologi Sepuluh Nopember Surabaya (ITS) merupakan salah satu perguruan tinggi negeri yang turut berperan dalam menyiapkan lulusan yang mampu menciptakan lapangan kera sendiri. Pendidikan yang berkaitan dengan entrepreneurship ini sudah diterapkan pada kurikulum lama dan diadikan salah satu mata kuliah pilihan yaitu mata kuliah Kewirausahaan, namun sekarang dengan adanya perubahan kurikulum yang baru mata kuliah ini menadi mata kuliah waib yaitu Pengantar Technopreneurship. Tuuan dari kebiakan ini adalah agar setiap mahasiswa ITS mempunyai pengetahuan yang lebih luas tentang entrepreneur dan mampu menadi entrepreneur yang berbasis teknologi. Penelitian ini bertuuan untuk mengetahui pengaruh dari matakuliah yang telah diaarkan dengan perubahan perilaku entrepreneurship mahasiswa yang meliputi Kognitif, Afektif dan Psikomotor. Metode yang digunakan dalam penelitian ini adalah Model Persamaan Struktural karena variabel yang digunakan adalah variabel konstruk dimana variabelnya tidak dapat diukur secara langsung tapi melalui beberapa indikator.. TINJAUAN PUSTAKA Structural Equation Modeling (SEM) Model Persamaan Struktural adalah salah satu bagian dari analisis multivariate yang berupa persamaan linier dari variabel yang memiliki hubungan sebab akibat (Johnson and Wichern, 1998). Dalam Model Persamaan Struktural memungkinkan peneliti untuk mengui hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model (Bagozi dan Fornell dalam Ghozali dan Fuad, 005). Variabel Laten dan Variabel Observasi Variabel laten atau sering disebut variabel konstruk adalah variabel yang tidak bisa diukur secara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya (Ghozali dan 1

2 Fuad, 005). Variabel observasi atau uga disebut manifest variable adalah variabel yang pengukurannya dilakukan secara langsung berupa item-item pertanyaan dalam kuisioner. Variabel observasi digunakan sebagai indikator dari variabel laten. Model Struktural Model umum persamaan struktural dapat dituliskan dalam persamaan matrik berikut (Johnson and Wichern, 1998). ( mx1) B( mxm) ( mx1) ( mxn ) ( nx1) ( mx1) (.1) dimana : = Variabel laten endogen B = Koefisien pengaruh variabel laten endogen = Koefisien pengaruh variabel laten eksogen = Vaiabel laten eksogen = Error model struktural m = Banyaknya variabel laten endogen n = Banyaknya variabel laten eksogen Model Pengukuran Model pengukuran adalah hubungan antara variabel indikator (observasi) dengan variabel konstruk (variabel laten). Hubungan ini dinyatakan dengan faktor loading (λ) yang menunukkan besar korelasi antara indikator dengan variabel laten yang dielaskannya. Hasil penguian dengan ui t, bila signifikan berarti indikator tersebut valid. Bentuk persamaan model satu faktor tersebut adalah sebagai berikut : x 1 = x = x p = + + p p Dalam bentuk matriks dapat dituliskan X = Λ X ξ + δ Dimana : x 1, x,, x p adalah variabel indikator dari variabel laten eksogen ( ) 1,,..., p adalah loading factor dari model 1,,..., p adalah error untuk tiap persamaan. Asumsi dalam SEM 1. Data berdistribusi Normal Multivariat Asumsi ini dihitung menggunakan arak yang diperoleh dari perhitungan sebagai berikut : 1 d ( x x)' x x n S ( ), 1,,... d Dimana : = arak kuadrat pada setiap pengamatan x = vektor data pengamatan x = vektor nilai rata-rata S 1 = matriks varian kovarian data Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai d > (Johnson and Wichern, 1998). Untuk mempermudah dalam perhitungannya, pemeriksaan asumsi ini dilakukan menggunakan macro minitab.. Asumsi Multikoliniearitas Sama seperti halnya pada analisis multivariat lainnya, salah satu asumsi yang harus dipenuhi adalah multikoliniearitas. Asumsi ini mengharuskan tidak adanya korelasi yang sempurna atau besar diantara variabel-variabel independen. Nilai korelasi yang tidak diperbolehkan adalah sebesar 0.9 atau lebih (Ghozali dan Fuad, 005). Untuk mendeteksi adanya multikolinearitas antar variabel independen, digunakan matriks X X. Bila nilai dari determinan matriks ini bernilai nol, maka dapat dikatan teradi kasus multikolinearitas.

3 Confirmatory Factor Analysis (CFA) Analisis Faktor dibedakan menadi dua macam, yakni analisis faktor eksploratori dan analisis faktor konfirmatori (CFA). Dalam analisis faktor konfirmatori dilakukan konfirmasi lebih lanut mengui sebuah teori atau konsep mengenai sebuah proses atau sebuah fenomena. Pada prinsipnya analisis ini hanya melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada terhadap keakuratan (valid dan reliabel) kuisioner yang dibuat. Variabel dikatakan valid ika dapat mengukur secara tepat dan cermat suatu alat ukur dalam melaksanakan fungsi ukurnya. Untuk mengetahui apakah variabel indikator benar-benar valid dalam mengukur faktor atau construct sehingga menelaskan dimensi faktornya (unidimensionalitas) dilakukan dengan statistik ui t. Penggunaan ui t ini dikarenakan loading facto (λ i ) dalam analisis faktor konfirmatori dengan menggunakan estimate kedudukanya sama seperti besaran regresi. Hipotesis yang digunakan adalah sebagai berikut : H 0 : λ i = 0 (loading factor tidak signifikan dalam mengukur variabel laten) H 1 : λ i 0 (loading factor signifikan dalam mengukur variabel laten) dimana i = 1,,...p adalah variabel indikator. Dan t-value dapat dihitung dari rumus berikut : ˆ t (.) S( ˆ ) dengan : ˆ λ i = taksiran parameter hubungan kausal S( ˆ ) i n i1 ˆ ( X X ) i : varians dari variabel observasi X X i : nilai observasi X X : rata-rata dari nilai observasi X Bila t-value < t (α,df) maka terima H 0 dan estimasi parameter hubungan kausal (koefisien regresi) tidak signifikan dalam mengukur hubungan kausalitas. sehingga dikatakan tidak terbentuk unidimensionalitas. Reliabilitas variabel laten dapat diketahui dari nilai construct reliability ( c ) dengan rumus sebagai berikut : p ( i ) (.3) i1 c p p [( ) ( )] dimana : c = construct reliability = loading factor variabel indikator = error variabel indikator p = banyaknya indikator variabel laten Variabel laten reliabel ika nilai construct reliability ( ) lebih dari 0,6 (Ghozali dan Fuad, 005). Estimasi Parameter Estimasi paramater pada CFA ini, dilakukan dengan membandingkan matriks varians kovarians measurement model model dengan matriks varian kovarians data observasi. E(x ) E[(λ ξ δ ) ] [E(x )] λ E(ξ λ [ E( )] ) E(δ [E(λ ξ δ i )] i1 ) E(λ i ξδ E( )E(δ ) [E(δ )] i1 ) diasumsikan varians faktor laten () adalah satu dengan error () dan antar kontruk tidak berkorelasi, dan error tidak berkorelasi dengan error yang lain. i c 3

4 Var (x 1 ) = E ( ) [E( )] = 1 + Var ( 1 ) Var (x ) = E ( + ) [E( + )] = + Var ( ) Cov (x 1, x ) = E (x 1 x ) - E(x 1 ) E (x ) = E [ ( ) ( + ) ] - E( ) E( + ) = E ( ) 0 = 1 Sehingga matriks varian kovarians measurement model model didapatkan : λ 1 V δ1 λ1λ Σ θ (.4) λ λ1 λ V δ dan matriks varian kovarians data observasi sebagai berikut : Var x1 Cov x1, x Σ θ (.5) Covx, x1 Var x Matriks varians kovarians pada persamaan (.4) dan persamaan (.5), ditulis sebagai berikut : Σ θ Σθ (.6) λ 1 V δ1 λ1λ Var x1 Cov x1, x λ λ1 λ V δ Cov x, x1 Var x Didapatkan persamaan sebagai berikut : 1 + Var ( 1 ) = Var (x 1 ) + Var ( ) = Var (x ) 1 = Cov (x 1, x ) Sehingga diperoleh nilai estimasi parameter 1,, Var ( 1 ) dan Var ( ) adalah ˆ Var ( x) var( ). Ui Kesesuaian Model Beberapa kriteria dalam ui kesesuaian model yang muncul pada output LISREL akan disaikan dalam Tabel.1 sebagai berikut: Tabel.1 Goodness of Fit Statistics Index Goodness of Fit Index Nilai yang diharapkan χ Chi Square χ χ (α) P-value 0,05 RMSEA 0,08 GFI 0,9 AGFI 0,9 CFI 0,9 Definisi Entrepreneur Dalam Young Entrepreneur (007), Pieter Sarosa mendefinisikan seorang entrepreneur adalah seseorang yang memiliki visi, semangat, dan melakukan tindakan-tindakan nyata dalam usaha menciptakan dan mengembangkan sendiri sumber-sumber pendapatannya tanpa bergantung pada orang lain. Hal yang sama uga diungkapkan Meredith (000), bahwa seorang wirausaha adalah seorang yang mampu melihat dan menilai peluang bisnis, mengumpulkan sumber daya yang dibutuhkan untuk mengambil keuntungan dan mengambil tindakan yang tepat guna memastikan sukses. Perilaku entrepreneurship mahasiswa Untuk mengetahui perilaku entrepreneurship dari proses hasil belaar dapat diketahui dengan menerapkan teori yang dikembangkan oleh Bloom, Taksonomi Bloom meruuk pada taksonomi 4

5 yang dibuat untuk tuuan pendidikan. Dalam hal ini, tuuan pendidikan dibagi menadi beberapa domain dan setiap domain tersebut dibagi kembali ke dalam pembagian yang lebih rinci yaitu : 1. Cognitive Domain (Ranah Kognitif), yang berisi perilaku-perilaku yang menekankan aspek intelektual, seperti pengetahuan, pemahaman, penerapan, analisis, evaluasi, berpikir kreatif. Berdasarkan teori Bloom dan revisi dari Anderson and Krathwohl (001) dalam Bloom s Taxonomy (010).. Affective Domain (Ranah Afektif) berisi perilaku-perilaku yang menekankan aspek perasaan dan emosi, seperti menangkap respon, respon aktif, penghargaan terhadap nilai, pengorganisasian, menadi karakter/life style menurut Kratwohl, Bloom and Masia (1964) dalam Bloom s Taxonomy (010). 3. Psychomotor Domain (Ranah Psikomotor) berisi perilaku-perilaku yang menekankan aspek keterampilan motorik seperti persepsi, kesiapan, coba-coba, mempraktekkan teori, penyesuaian, penciptaan menurut Simpson (197) dalam Bloom s Taxonomy of Learning Domains (010). Evaluasi dari mata Kuliah Menurut Putro (010), salah satu faktor penting untuk mencapai tuuan pendidikan adalah proses pembelaaran yang dilakukan sedangkan salah satu faktor penting untuk efektivitas pembelaaran adalah faktor evaluasi baik terhadap proses maupun hasil belaar. Berdasarkan tuuan dari mata kuliah Pengantar Technopreneur/Kewirausahaan yaitu merubah mindset mahasiswa dari ob seeker menadi ob creator dan diharapkan mahasiswa mampu membuat rencana bisinis secara mandiri (berdasarkan silabus mata kuliah tersebut). Variabel yang berkaitan dengan Evaluasi mata kulaih ini yaitu dari segi materi yang diaarkan (komposisi materi) dan sistem pembelaaran yang diterapkan (dosen pengaar, evaluasi belaar, tugas dan fasilitas belaar). 3. METODE PENELITIAN Sumber Data Data yang digunakan pada penelitian ini merupakan data primer. Data tersebut didapatkan dengan menggunakan metode survei melalui kuisioner yang dilaksanakan pada minggu ke-3 bulan Mei 010. Kerangka sampling yang digunakan yaitu data mahasiswa ITS yang telah lulus mata kuliah KWU/Pengantar technopreneurship dari angkatan Metode pengambilan Sampel Metode pengambilan sampel yang digunakan dalam penelitian ini adalah probability sampling. Untuk mengetahui umlah sampel dari masing-masing urusan maka nilainya diproporsikan dari besarnya mahasiswa pada tiap urusan. Pada masing-masing urusan akan dilakukan pengamatan dengan ukuran sampel proporsional terhadap umlah mahasiswa dengan rumus: Keterangan: N n = n : ukuran sampel 1 + Ne e : batas kesalahan N: umlah populasi Secara umum ukuran sampel pada masing-masing urusan yang akan diambil adalah : Keterangan: Ni n Ni = ukuran populasi untuk tiap urusan i n N n = ukuran sampel tiap urusan Dengan menggunakan batas kesalahan sebesar 10% maka diperoleh umlah sampel minimun dengan perhitungan sebagai berikut: 100 n = = 9 orang Tetapi yang digunakan dalam analisis umlah sampel adalah sebesar 10 yang diperoleh dari pembulatan masing-masing urusan. Pemeriksaan kecukupan data Pemeriksaan kecukupan data perlu dilakukan karena variabel yang digunakan dalam penelitian ini diukur oleh beberapa indikator. Pemeriksaan dilakukan dengan melihat nilai KMO dengan menggunakan program SPSS. 5

6 Variabel Penelitian Variabel demografi dan internal mahasiswa meliputi : Jenis Kelamin, Angkatan, Tempat tinggal, Transportasi, Pekeraan orang tua, Pendidikan Orang tua, Keaktifan dalam kegiatan Entrepreneur, Keikutsertaan dalam Lomba Bisnis Plan, Kepemilikan Usaha Mandiri. Variabel Laten terdiri dari variabel Kognitif, Afektif, Psikomotor, Materi, dan Sistem Pembelaaran. Metode Analisis Metode analisis yang digunakan dalam penelitian ini melalui tahap-tahap sebagai berikut: 1. Untuk menawab tuuan yang pertama yaitu analisis karakteristik variabel demografi dan internal mahasiswa maka digunakan analisis statistika deskrptif dengan tabel dan diagram lingkaran.. Untuk menawab tuuan yang kedua yaitu analisis perubahan perilaku entrepreneurship mahasiswa maka digunakan Structural equation Modelling (SEM) dengan langkah analisis sebagai berikut: a. Pemeriksaan asumsi data berdistribusi normal multivariat dan tidak adanya multikolinearitas pada data. Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai d >. Sedangkan untuk pemeriksaan asumsi multikolinearitas, digunakan determinan matrik korelasi. Jika determinan matrik korelasi bernilai nol, maka dapat dikatakan teradi kasus multikolinearitas. b. Penguian Unidimensionalitas setiap variabel laten dengan menggunakan Confirmatory Factor Analysis (CFA). CFA dilakukan untuk mencari solusi yang unik untuk koefisien model. Sebuah model dikatakan unidimensional ika telah memenuhi kriteria kelayakan model. Jika belum memenuhi kriteria tersebut, dilakukan modifikasi model dengan mengkorelasikan error indikator yang dapat menurunkan nilai chi-square. Hal ini terus dilakukan hingga mendapatkan model terbaik sesuai kriteria kebaikan model. c. Analisis Model Persamaan Struktural - Pengembangan model berbasis konsep dan teori - Mengkonstruksi path diagram - Evaluasi Goodness of fit Goodness of fit yang dihasilkan dari perhitungan Model Persamaan Struktural harus memenuhi kriteria goodness of fit. - Interpretasi dan modifikasi model. Intrepretasi model yang dihasilkan berdasarkan output dari program LISREL. Model akhir yang dihasilkan dapat berupa modifikasi dari variabel yang ada. Modifikasi dilakukan agar diperoleh mdel yang lebih sesuai dengan kasus yang penelitian. 4. ANALISIS DAN PEMBAHASAN Pemeriksaan Kecukupan data Pemeriksaan ini dilakukan untuk mengetahui apakah data yang digunakan dalam analisis sudah memenuhi kecukupan data. Dengan melihat nilai KMO (Kaiser Meyer Olkin) apabila bernilai > 0,8 maka telah memenuhi kecukupan data untuk analisis. Berikut ini adalah data hasil pemeriksaan dari SPSS. Berdasarkan hasil nilai KMO pada Tabel 4.1 maka dapat disimpulkan bahwa semua variabel telah memenuhi kecukupan data untuk analisis. Tabel 4.1 Pemeriksaan Kecukupan Data Variabel laten Nilai KMO Kesimpulan Kognitif 0,853 Data tetah cukup Afektif 0,78 Data tetah cukup Psikomotor 0,836 Data tetah cukup Materi 0,808 Data tetah cukup Sistem Pembelaaran 0,917 Data tetah cukup Asumsi Data Berdistribusi Normal Multivariat Dalam analisa multivariate, asumsi yang mutlak untuk dipenuhi adalah asumsi normalitas. Asumsi normal diperlukan dalam analisis karena seluruh ui statistik dihitung dengan asumsi data 6

7 normal. Pemeriksaan asumsi ini dilakukan dengan menggunakan macro Minitab dan hasil running terdapat di Lampiran. Hasil yang diperoleh akan disaikan pada Tabel4.. Tabel 4. Pemeriksaan Normal Multivariat Variabel Laten Nilai daerah di bawah kurva Variabel Kesimpulan Kognitif 0,55884 Data berdistribusi Normal Multivariat Afektif 0, Data berdistribusi Normal Multivariat Psikomotor 0, Data berdistribusi Normal Multivariat Materi 0, Data berdistribusi Normal Multivariat Sistem Pembelaaran 0, Data berdistribusi Normal Multivariat Data dikatakan mengikuti distribusi normal multivariat bila lebih dari 50% nilai d >. Berdasarkan nilai pada Tabel 4.3 dapat dilihat bahwa nilai dari daerah dibawah kurva adalah > 50% sehingga dapat dikatan bahwa semua variabel laten telah memenuhi asumsi data berdistribusi normal multivariat. Asumsi Tidak Adanya Multikolinearitas Pemeriksaan asumsi ini perhitungannya didasarkan pada nilai determinan dari matriks X ' X untuk variabel Laten eksogen yaitu antara variabel materi dan Sistem pembelaaran yang disaikan dalam Tabel 4.3. Tabel 4.3 Pemeriksaan Multikolinearitas Variabel Eksogen Variabel eksogen X ' X Kesimpulan Materi dengan Sistem Pembelaaran Tidak teradi kasus multikolinearitas Berdasarkan nilai matriks X ' X multikolinearitas antar variabel eksogen. yang tidak bernilai nol, maka dapat dikatakan bahwa tidak ada Unidimensionalitas Variabel Kognitif Variabel laten Kognitif terdiri dari enam variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) ika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Berdasarkan Tabel 4.4 terdapat dua indikator yang memenuhi cut off value sehingga memungkinkan untuk menyatakan bahwa model cukup baik dan berada pada kondisi unidimensional. Tabel 4.4 Goodness of fit Variabel Laten Kognitif χ Chi Square χ 16,919,91 Kurang baik P-value 0,05 0,0064 Kurang baik RMSEA 0,08 0,11 Kurang baik GFI 0,9 0,94 Baik AGFI 0,9 0,85 Kurang baik CFI 0,9 0,96 Baik Tahap selanutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana uga dapat diadikan ukuran validitas. Tabel 4.5 Loading Factor Indikator Variabel Laten Kognitif Hubungan Nilai Loading Error t Keterangan KO1 KOGNITIF 0,54 0,17 9,34 Signifikan KO KOGNITIF 0,55 0,31 7,83 Signifikan KO3 KOGNITIF 0,48 0,1 8,08 Signifikan KO4 KOGNITIF 0,65 0,0 9,81 Signifikan KO5 KOGNITIF 0,7 0,5 9,73 Signifikan KO6 KOGNITIF 0,60 0,48 7,06 Signifikan Jumlah 3,54 1,6 7

8 Nilai loading factor dari model dapat dilihat pada Tabel 4.5. Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.4 dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1, 96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Kognitif (KO) dengan menggunakan estimate adalah : KO1 = 0,54 KOGNITIF + ɛ 1 KO = 0,55 KOGNITIF + ɛ KO3 = 0,48 KOGNITIF + ɛ 3 KO4 = 0,65 KOGNITIF + ɛ 4 KO5= 0,7 KOGNITIF + ɛ 5 KO6= 0,60 KOGNITIF + ɛ 6 Berdasarkan measurenment model, dapat diketahui bahwa indikator KO5 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator KO5 yaitu Evaluasi memiliki kontribusi paling besar dalam membentuk variabel laten Kognitif. Unidimensionalitas Variabel Afektif Variabel laten Afektif terdiri dari lima variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Tabel 4.6 Goodness of fit Variabel Laten Afektif χ Chi Square χ 11,070 11,17 Mendekati Baik P-value 0,05 0,048 Mendekati Baik RMSEA 0,08 0,11 Kurang baik GFI 0,9 0,96 Baik AGFI 0,9 0,88 Mendekati baik CFI 0,9 0,96 Baik Model dikatakan baik (fit) ika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Pada tabel 4.6 semua kriteria telah memenuhi cut off value kecuali RMSEA, namun model ini masih dapat dikatakan baik. Sehingga dapat disimpulkan bahwa variabel laten Afektif dengan lima indikator telah berada pada kondisi yang unidimensional. Tabel 4.6 Loading Factor Indikator Variabel Laten Afektif Hubungan Nilai Loading Error t Keterangan A1 AFEKTIF 0,60 0,77 5,64 Signifikan A AFEKTIF 0,67 0,73 6,33 Signifikan A3 AFEKTIF 0,65 0,8 8,45 Signifikan A4 AFEKTIF 0,69 0,84 6,14 Signifikan A5 AFEKTIF 0,71 0,5 9,10 Signifikan Jumlah 3,3,87 Tahap selanutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana uga dapat diadikan ukuran validitas. Nilai loading factor dari model dapat dilihat pada Tabel 4.6. Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.6 dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1, 96 (nilai t- tabel pada tingkat signifikansi α = 5%). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Afektif (A) dengan menggunakan estimate adalah : A1 = 0,60 AFEKTIF + ɛ 1 A = 0,67 AFEKTIF + ɛ A3 = 0,65 AFEKTIF + ɛ 3 A4 = 0,69 AFEKTIF + ɛ 4 A5 = 0,71 AFEKTIF + ɛ 5 Berdasarkan measurenment model, dapat diketahui bahwa yang memiliki kontribusi paling besar dalam membentuk variabel laten Afektif adalah indikator A5 yaitu Karakteristik nilai/life style. Unidimensionalitas Variabel Psikomotor Variabel laten Psikomotor terdiri dari enam variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) ika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. 8

9 Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Tabel 4.7 Goodness of fit Variabel Laten Psikomotor χ Chi Square χ 16,919 18,53 Kurang baik P-value 0,05 0,03 Kurang baik RMSEA 0,08 0,1 Kurang baik GFI 0,9 0,94 Baik AGFI 0,9 0,87 Mendekati baik CFI 0,9 0,96 Baik Berdasarkan Tabel 4.8 dapat dilihat bahwa hasil modifikasi model semua kriteria telah memenuhi cut off value sehingga dapat dikatakan bahwa model yang dihasilkan sudah baik. Dengan demikian, dapat disimpulkan model pengukuran variabel Psikomotor dengan enam indikator sudah berada pada kondisi unidimensional. Tabel 4.8 Goodness of fit Variabel Laten Psikomotor - Modifikasi Goodness of fit Index Cut off value Hasil Model Keterangan χ Chi Square χ 15,507 6,05 Baik P-value 0,05 0,64 Baik RMSEA 0, Baik GFI 0, Baik AGFI 0,9 0,95 Baik CFI 0,9 1,00 Baik Tahap selanutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana uga dapat diadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.9 berikut : Tabel 4.9 Loading Factor Indikator Variabel Laten Psikomotor Hubungan Nilai Loading Error t Keterangan PS1 PSIKOMOTOR 0,60 0,67 6,10 Signifikan PS PSIKOMOTOR 0,99 0,65 8,70 Signifikan PS3 PSIKOMOTOR 0,99 1,69 6,3 Signifikan PS4 PSIKOMOTOR 0,86 0,3 10,6 Signifikan PS5 PSIKOMOTOR 0,74 0,78 6,75 Signifikan PS6 PSIKOMOTOR 0,54 0,70 5,47 Signifikan Jumlah 4,7 4,7 Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.9 dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1, 96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Variabel laten Kognitif dapat dikatakan reliabel karena nilai construct reliability sebesar 0,85 yang lebih besar dari 0,6 (Ghozali dan Fuad, 005). Measurement model dari variabel laten Psikomotor (PS) dengan menggunakan estimate adalah : PS1 = 0,60 PSIKOMOTOR + ɛ 1 PS = 0,99 PSIKOMOTOR + ɛ PS3 = 0,99 PSIKOMOTOR + ɛ 3 PS4 = 0,86 PSIKOMOTOR + ɛ 4 PS5= 0,74 PSIKOMOTOR + ɛ 5 PS6 = 0,54 PSIKOMOTOR + ɛ 6 Berdasarkan measurenment model, dapat diketahui bahwa indikator PS dan PS3 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator PS dan PS3 yaitu Memulai dan Coba-coba memiliki kontribusi paling besar dalam membentuk variabel laten Psikomotor. 9

10 Unidimensionalitas Variabel Materi Variabel laten Materi terdiri dari 10 variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) ika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Pada output Lisrel, diperoleh nilai goodness of fit untuk variabel Materi pada Tabel Tabel 4.10 Goodness of fit Variabel Laten Materi χ Chi Square χ 49,80 07,05 Kurang baik P-value 0,05 0,00 Kurang baik RMSEA 0,08 0, Kurang baik GFI 0,9 0,71 Kurang baik AGFI 0,9 0,54 Kurang baik CFI 0,9 0,71 Kurang baik Dari Tabel 4.10 diketahui bahwa semua indikator penilaian goodness of fit belum memenuhi cut off value, sehingga diperlukan modifikasi model guna memperoleh model yang sesuai. Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Berdasarkan Tabel 4.11 dapat dilihat bahwa hanya kriteria CFI dan GFI yang memenuhi cut off value, namun dua kriteria telah terpenuhi maka masih memungkinkan model untuk dikatakan baik. Dengan demikian, dapat disimpulkan model pengukuran variabel laten materi dengan 10 indikator sudah berada pada kondisi unidimensional. Tabel 4.11 Goodness of fit Variabel Laten Materi - Modifikasi χ Chi Square χ 4,557 50,74 Kurang baik P-value 0,05 0,006 Kurang baik RMSEA 0,08 0,097 Kurang baik GFI 0,9 0,91 Baik AGFI 0,9 0,81 Mendekati baik CFI 0,9 0,95 Baik Tahap selanutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana uga dapat diadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.1. Tabel 4.1 Loading Factor Indikator Variabel Laten Materi Hubungan Nilai Loading Error t Keterangan M1 MATERI 0,74,40 4,39 Signifikan M MATERI 0,95,6 5,53 Signifikan M3 MATERI 1,31 0,7 10,0 Signifikan M4 MATERI 1,7 0,37 11,46 Signifikan M5 MATERI 1,4 0,6 10,31 Signifikan M6 MATERI 1,0 1,06 8,80 Signifikan M7 MATERI 0,80 1,3 6,09 Signifikan M8 MATERI 0,54 1,98 3,56 Signifikan M9 MATERI 0,95 1,48 6,67 Signifikan M10 MATERI 1,00,5 5,61 Signifikan Jumlah 10,00 14,69 Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.1 dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1, 96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Materi (M) dengan menggunakan estimate adalah : M1 = 0,74 MATERI + δ 1 M = 0,95 MATERI + δ M3 = 1,31 MATERI + δ 3 M4 = 1,7 MATERI + δ 4 M5 = 1,4 MATERI + δ 5 M6 = 1,0 MATERI + δ 6 M7 = 0,80 MATERI + δ 7 M8 = 0,54 MATERI + δ 8 M9 = 0,95 MATERI + δ 9 M10 = 1,00 MATERI + δ 10 10

11 Berdasarkan measurenment model di atas, dapat diketahui bahwa indikator M3 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator M3 yaitu materi yang disampaikan pada kuliah tamu dapat menambah wawasan memiliki kontribusi paling besar dalam variabel laten Materi. Unidimensionalitas Variabel Sistem Variabel laten Sistem terdiri dari 11 variabel indikator. Untuk mengetahui unidimensionalitas variabel, dilakukan Confirmatory Factor Analysis (CFA). Model dikatakan baik (fit) ika nilai kebaikan model (goodness of fit) yang dihasilkan oleh program LISREL sesuai dengan kriteria. Dari Tabel 4.13 diketahui bahwa semua indikator penilaian goodness of fit belum memenuhi cut off value, sehingga diperlukan modifikasi model guna memperoleh model yang sesuai. Modifikasi model dilakukan dengan mengkorelasikan antar residual indikator sesuai saran pada output LISREL. Tabel 4.13 Goodness of fit Variabel Laten Sistem χ Chi Square χ 60,48 39,91 Kurang Baik P-value 0,05 0,00 Kurang baik RMSEA 0,08 0,1 Kurang baik GFI 0,9 0,70 Kurang Baik AGFI 0,9 0,55 Kurang baik CFI 0,9 0,83 Kurang baik Berdasarkan hasil modifikasi model, didapatkan nilai-nilai kriteria Goodness of Fit hasil modifikasi untuk variabel laten Sistem. Berdasarkan Tabel 4.14 dapat dilihat bahwa hanya kriteria CFI yang memenuhi cut off value, sedangkan untuk kriteria AGFI dan GFI nilainya mendekati cut off value untuk nilai p-value uga mengalami penurunan sehingga model masih dapat dikatakan baik. Dengan demikian, dapat disimpulkan model pengukuran variabel laten Sistem dengan 11 indikator sudah berada pada kondisi unidimensional Tabel 4.14 Goodness of fit Variabel Laten Sistem - Modifikasi χ Chi Square χ 53,38 68,94 Kurang baik P-value 0,05 0,0016 Kurang baik RMSEA 0,08 0,09 Kurang baik GFI 0,9 0,89 Mendekati baik AGFI 0,9 0,81 Mendekati baik CFI 0,9 0,96 Baik Tahap selanutnya adalah melakukan identifikasi signifikansi loading factor indikator dalam menyusun variabel laten, yang mana uga dapat diadikan ukuran validitas. Nilai loading factor dari model yang sudah dimodifikasi dapat dilihat pada Tabel 4.15 berikut : Tabel 4.15 Loading Factor Indikator Variabel Laten Sistem Hubungan Nilai Loading Error t Keterangan S1 SISTEM 1,3 1, Signifikan S SISTEM 1,18 1,30 8,14 Signifikan S3 SISTEM 1,34 1,0 9,03 Signifikan S4 SISTEM 1,36 1,11 9,33 Signifikan S5 SISTEM 1,33 0,98 9,54 Signifikan S6 SISTEM 1,46 1,9 9,3 Signifikan S7 SISTEM 1,18 1,11 8,57 Signifikan S8 SISTEM 1,5 0,97 10,3 Signifikan S9 SISTEM 1,1,68 6,01 Signifikan S10 SISTEM 1,07 1,99 6,48 Signifikan S11 SISTEM 1,55 1,05 10,15 Signifikan Jumlah 14,41 14,97 11

12 Validitas indikator dapat diketahui dari nilai t-value. Dari Tabel 4.15dapat dilihat bahwa nilai t-value untuk masing-masing indikator lebih besar dari 1, 96 ( didekati dengan nilai z-tabel pada tingkat signifikansi 5% ). Sehingga dapat disimpulkan bahwa semua variabel indikator valid. Measurement model dari variabel laten Sistem (S) dengan menggunakan estimate adalah : S1 = 1,30 SISTEM + δ 1 S = 1,18 SISTEM + δ S3 = 1,34 SISTEM + δ 3 S4 = 1,36 SISTEM + δ 4 S5 = 1,33 SISTEM + δ 5 S6 = 1,46 SISTEM + δ 6 S7 = 1,18 SISTEM + δ 7 S8 = 1,5 SISTEM + δ 8 S9 = 1,1 SISTEM + δ 9 S10= 1,07 SISTEM + δ 10 S11= 1,55 SISTEM + δ 11 Berdasarkan measurenment model di atas, dapat diketahui bahwa indikator S11 memiliki nilai loading factor yang paling besar, hal ini mengindikasikan bahwa indikator S11 yaitu media penyampaian materi bervariasi memiliki kontribusi paling besar dalam variabel laten Sistem. Construct Reliability Reliabilitas variabel laten dapat diketahui dari nilai construct reliability ( c ) yang perhitungannya berdasarkan nilai loading factor untuk masing-masing variabel. Pada Tabel 4.16 dapat dilihat hasilnya sebagai berikut : Tabel 4.16 Construct Reliability dari variabel Laten Variabel Laten c Kesimpulan Kognitif 0,885 Reliabel Afektif 0,793 Reliabel Psikomotor 0,85 Reliabel Materi 0,871 Reliabel Sistem Pembelaaran 0,93 Reliabel Berdasarkan hasil perhitungan dari masing-masing variabel laten nilai Construct Reliability > 0,6, hal ini berarti semua variabel reliabel (Ghozali dan Fuad,005). Model Struktural Model Struktural merupakan analisis lebih lanut setelah masing-masing variabel laten dilakukan penguian unidimensional dengan menggunakan Confirmatory Factor Analysis (CFA). Pembuatan model struktural ini didasarkan pada diagram path yang telah disusun pada bab sebelumnya. Penguian Model Struktural Berdasarkan penguian dari hasil CFA menyatakan bahwa semua indikator telah valid sehingga dalam penguian secara serentak semua variabel dimasukkan dalam model. Analisis model struktural dengan menggunakan semua variabel indikator yang signifikan, diketahui nilai estimasi path coefficient dan t-value antar variabel laten secara serempak seperti dalam Tabel 4.17 berikut : Tabel 4.17 Estimasi Parameter dan Nilai t Variabel Laten pada Model Struktural Awal Hubungan Path Coeff t Keterangan KOGNITIF MATERI 0,54,76 Signifikan AFEKTIF MATERI 0,50,37 Signifikan PSIKOMOTOR MATERI 0,60,85 Signifikan KOGNITIF SISTEM -0,5-1,35 Tidak Signifikan (negatif) AFEKTIF SISTEM -0,19-0,99 Tidak Signifikan (negatif) PSIKOMOTOR SISTEM -0,4-1,6 Tidak Signifikan (negatif) Setelah mengetahui nilai estimasi dan t-value pada masing-masing variabel, langkah selanutnya adalah melihat tingkat kelayakan model. Berdasarkan beberapa kriteria goodness of fit yang belum memenuhi cut off value dan melihat beberapa estimasi parameter ada yang tidak signifikan maka perlu dilakukan modifikasi guna memperoleh model yang sesuai dengan studi kasus peneliti. Hasil ui kesesuaian model disaikan pada Tabel

13 Tabel 4.18 Goodness of fit Model Struktural Awal χ Chi Square χ 71,9 1551,93 Kurang baik P-value 0,05 0,00 Kurang baik RMSEA 0,08 0,1 Kurang baik GFI 0,9 0,55 Kurang baik AGFI 0,9 0,50 Kurang baik CFI 0,9 0,67 Kurang baik Modifikasi Model Struktural Hasil model struktural yang telah dimodifikasi berdasarkan saran pada output LISREL dapat dilihat pada Tabel Modifikasi ini dilakukan dengan mengkorelasikan error varian dari indikator yang berada pada satu laten. Tabel 4.19 Goodness of fit Model Struktural Hasil Modifikasi χ Chi Square χ 703,1 10,49 Kurang baik P-value 0,05 0,00 Kurang baik RMSEA 0,08 0,077 Baik GFI 0,9 0,65 Kurang baik AGFI 0,9 0,60 Kurang baik CFI 0,9 0,8 Kurang baik Berdasarkan nilai kriteria goodness of fit model setelah dimodifikasi menurut saran dari output LISREL dapat dilihat bahwa nilai RMSEA telah memenuhi cut off value karena nilai RMSEA adalah ktriteria paling informatif dalam kesesuaian model, sehingga masih dapat disimpulkan untuk menyatakan bahwa model adalah baik. Nilai hasil estimasi dan t-value dapat dilihat pada Tabel 4.0. Tabel 4.0 Estimasi Parameter dan t-values Variabel Laten pada Model Struktural Hasil Modifikasi Hubungan Path Coeff t Keterangan KOGNITIF MATERI 5,49,31 Signifikan AFEKTIF MATERI 6,19,3 Signifikan PSIKOMOTOR MATERI 5,16, Signifikan KOGNITIF SISTEM -5,17 -,17 Signifikan (negatif) AFEKTIF SISTEM -5,89 -,13 Signifikan (negatif) PSIKOMOTOR SISTEM -4,83 -,08 Signifikan (negatif) Berdasarkan hasil estimasi semua hubungan kausal didapatkan bahwa semua variabel signifikan yaitu berdasarkan nilai dari t-tabel 1, 96. Hubungan kausal antara variabel laten Sistem pembelaaran bernilai negatif terhadap variabel laten Kognitif, Afektif dan Psikomotor. Dapat diartikan bahwa adanya hubungan yang terbalik antara variabel Sistem dengan variabel Kognitf, Afektif dan Psikomotor. Perlu dikai lebih lanut yaitu dengan melihat indikator dari variabel sistem yang mungkin menyebabkan nilainya negatif. Sedangkan hubungan antara variabel Laten Materi terhadap variabel laten Kognitif, Afektif dan Psikomotor ketiganya menunukkan nilai yang signifikan positif. Artinya Materi berpengaruh secara signifikan pada ketiga variabel Laten tersebut. T-value untuk semua nilai estimasi parameter hubungan kausal lebih besar dari t-tabel 1,96, sehingga dapat disimpulkan bahwa semua loading factor pada model hasil modifikasi sudah signifikan. Dengan dipenuhinya kriteria ui kebaikan model (goodness of fit) dan ui signifikansi, maka model struktural hasil modifikasi telah sesuai dengan studi kasus peneliti. Namun hasil dari loading factor tidak dicantumkan dalam makalah ini. 5. KESIMPULAN Hasil analisis pengaruh mata kuliah Pengantar Technopreneur /Kewirausahaan terhadap perilaku entrepreneurship dengan menggunakan Structural Equation Modelling (SEM) diperoleh kesimpulan bahwa, yang berpengaruh dalam perilaku entrepreneurship yaitu dari materi yang diberikan pada perkuliahan, sedangkan untuk variabel sistem pembelaaran berpengaruh signifikan 13

14 namun bernilai negatif. Hal ini dimungkinkan untuk ranah sikap, selain cara pembelaaran diperlukan uswah/keteladanan (contoh) dan sikap atau perilaku staf pengaar (Winarso,010). Hal ini dapat diadikan sebagai bahan koreksi untuk evaluasi dari mata kuliah ini kedepannya. 6. DAFTAR PUSTAKA Anonim.(010). Bloom s Taxonomy. (diakses 05 April 010). Anonim.(010).Bloom s Taxonomy of Learning Domains. (diakses 05 April 010). Bollen, K.A.(1989). Structural equation with latent variables. New York: Wiley. Ghozali dan Fuad.(005). Structural Equation Modeling ; Teori, Konsep, dan Aplikasi dengan Program Lisrel Semarang : BP UNDIP. Hendarman.(010).Dikti Meluncurkan Program 100 Hari Pendidikan Kewirausahaan. (diakses 15 Maret 010) Johnson, R.A and Witchren, D.W.(1998). Applied Multivariate Statistical Analysis. Universityof Winconsin, New Jersey:Prentice Hall Inc. Meredith.(000). Kewirausahaan Teori dan Praktek. Edisi Kedua. Jakarta: Erlangga. Putro, Eko W.(010).Evaluasi Program Pembelaaran. (diakses 10 Juni 010). Sarosa, Pieter.(007).Young Entrepreneur. entrepreneur.pdf (diakses 15 Maret 010). Winarso, Widyo.(010).Perkembangan Pembelaaran Berwawasan Entreptreneurship. uliah_kewirausahaan.pdf (diakses 05 Juli 010) 14