ANALISIS
PATH
I.
Pendahuluan
a.
Pengertian
Teknik
analisis jalur dikembangkan pertama kali oleh Sewal Wright tahun 1934.Terdapat
beberapa definisi mengenai analisis jalur ini, diantaranya : “Analisis jalur
ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada
regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak
hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford
1993). Sedangkan definisi lain mengatakan: “Analisis jalur merupakan
pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan
estimasi tingkat kepentingan (magnitude) dan signifikansi (significance)
hubungan sebab akibat hipotetikal dalam seperangakat variabel.” (Paul Webley
1997). David Garson dari North Carolina State University mendefinisikan
analisis jalur sebagai “Model perluasan regresi yang digunakan untuk menguji
keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab
akibat yang dibandingkan oleh peneliti.. Regresi dikenakan pada masing-masing
variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang
yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model
yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel
dan dilakukan juga penghitungan uji keselarasan statistik. (David Garson,
2003). Dari definisi-definisi di atas dapat dsimpulkan bahwa analisis jalur merupakan kepanjangan dari
analisis regresi berganda.
b.
Tujuan
Penggunaan
Tujuannya
adalah untuk menjelaskan hubungan dan pengaruh baikakibat langsung dan tidak
langsung seperangkat variabel, sebagai variable penyebab (pemberi
respon/eksogenus/bebas), terhadap variabel lainnya yang merupakan variabel
akibat (dependent/endogenus/ terikat).
c.
Syarat-syarat
Penggunaan
1. Hubungan
sebab akibat (landasan teoris)
2. Hubungan antar variabel haruslah linier
dan aditif.
3. Semua variabel residu tak punya korelasi
satu sama lain.
4. Pola hubungan antar variabel adalah
rekursif atau hubungan yang tidak melibatkan arahpengaruh yang timbal balik.
5. Tingkat pengukuran semua variable
sekurang-kurangnya adalah interval
6. Terdapat
masukan korelasi yang sesuai.
d.
Langkah-langkah
1. Merancang
model berdasarkan konsep dan teori
2. Pemeriksaan
terhadap asumsi yang melandasi
3. Pendugaan
parameter atau perhitungan koefisien jalur
4. Pengujian
model
5. Interpretasi
model
2.
Contoh
PENGARUH EFEKTIVITAS BLENDED
LEARNING, IQ, DAN
MOTIVASI BERPRESTASI TERHADAP PENINGKATKAN HASIL BELAJAR SISWAPADA MATA
PELAJARAN EKONOMIKELAS XI SMA NEGERI I MATARAM
3.
Variable Penelitian dan Skala Pengukuran
Evektivitas BL X1
IQ Siswa X2
Motivasi
Berprestasi X3
Hasil Belajar Siswa Y
Skala Interval, dengan N=
55 responden
4.
Hipotesis
1.
Terdapat
pengaruh positif dan signifikan efektivitas blended learning terhadap
penigkatan motivasi berprestasi belajar siswa
2.
Terdapat
pengaruh positif dan signifikan efektivitas blended learning terhadap hasil
belajar siswa
3.
Terdapat
pengaruh positif dan signifikan tingkat IQ siswa terhadap penigkatan motivasi
berprestasi belajar siswa
4.
Terdapat
pengaruh positif dan signifikan tingkat IQ siswa terhadap penigkatan hasil
belajar siswa
5.
Terdapat
pengaruh positif dan signifikan motivasi
berprestasi belajar siswa terhadap penigkatan hasil belajar siswa
6.
Terdapat
pengaruh positif dan signifikan faktor
diluar model terhadap motivasi berprestasi belajar siswa
7. Terdapat pengaruh positif dan signifikan faktor diluar
model terhadap penigkatan hasil belajar siswa
Berdasarkan
hipotetik yang diajukan, dapat
diterjemahkan kedalam sebuah diagram jalur seperti dibawah ini:
Persamaan struktural untuk diagram jalur
di atas adalah:
X3 = βX3X1 + βX3X2
+ Ɛ1 …………Substruktural 1Y = βYX1 + βYX2 + βYX3 + Ɛ2 …………Substruktural 2
5.
Data
Hasil
Pengukuran efektivitas BL
(X1), IQ
(X2), Motivasi berprestasi
(X3),
Dan
Hasil belajar siswa
(Y)
Skala
Pengukuran Interval dan
Distribusi Normal
|
Pengamatan
|
X1
|
X2
|
X3
|
Y
|
|
1
|
79
|
69
|
71
|
72
|
|
2
|
64
|
78
|
78
|
78
|
|
3
|
79
|
82
|
73
|
78
|
|
4
|
69
|
63
|
63
|
66
|
|
5
|
72
|
80
|
81
|
78
|
|
6
|
75
|
78
|
70
|
79
|
|
7
|
76
|
74
|
74
|
72
|
|
8
|
76
|
65
|
77
|
76
|
|
9
|
77
|
80
|
80
|
80
|
|
10
|
77
|
76
|
73
|
72
|
|
11
|
75
|
74
|
72
|
71
|
|
12
|
74
|
80
|
76
|
80
|
|
13
|
67
|
65
|
61
|
62
|
|
14
|
72
|
63
|
74
|
70
|
|
15
|
72
|
77
|
71
|
73
|
|
16
|
70
|
68
|
70
|
72
|
|
17
|
78
|
80
|
77
|
79
|
|
18
|
72
|
73
|
73
|
74
|
|
19
|
69
|
67
|
68
|
69
|
|
20
|
66
|
69
|
65
|
64
|
|
21
|
72
|
70
|
64
|
61
|
|
22
|
78
|
80
|
79
|
78
|
|
23
|
84
|
76
|
79
|
74
|
|
24
|
75
|
70
|
68
|
70
|
|
25
|
78
|
77
|
75
|
71
|
|
26
|
80
|
79
|
80
|
82
|
|
27
|
70
|
80
|
79
|
80
|
|
28
|
66
|
82
|
70
|
83
|
|
29
|
79
|
78
|
76
|
80
|
|
30
|
71
|
73
|
63
|
75
|
|
31
|
72
|
72
|
72
|
74
|
|
32
|
72
|
70
|
71
|
70
|
|
33
|
52
|
55
|
46
|
45
|
|
34
|
78
|
73
|
80
|
82
|
|
35
|
69
|
73
|
65
|
68
|
|
36
|
70
|
82
|
71
|
73
|
|
37
|
79
|
67
|
75
|
77
|
|
38
|
69
|
72
|
67
|
68
|
|
39
|
71
|
76
|
69
|
71
|
|
40
|
82
|
74
|
81
|
79
|
|
41
|
87
|
65
|
86
|
88
|
|
42
|
63
|
68
|
67
|
64
|
|
43
|
77
|
73
|
79
|
77
|
|
44
|
83
|
69
|
82
|
80
|
|
45
|
72
|
77
|
68
|
71
|
|
46
|
77
|
70
|
66
|
76
|
|
47
|
80
|
66
|
70
|
80
|
|
48
|
72
|
72
|
71
|
76
|
|
49
|
74
|
70
|
65
|
71
|
|
50
|
80
|
78
|
78
|
80
|
|
51
|
61
|
63
|
62
|
61
|
|
52
|
69
|
65
|
64
|
65
|
|
53
|
79
|
69
|
65
|
75
|
|
54
|
64
|
63
|
67
|
65
|
|
55
|
81
|
82
|
79
|
80
|
6.
Analisis Data
Tahap 1:
Regression
|
Variables Entered/Removedb
|
|||
|
Model
|
Variables Entered
|
Variables Removed
|
Method
|
|
1
|
IQ, BLa
|
.
|
Enter
|
|
a. All requested variables entered.
|
|
||
|
b. Dependent Variable: Motivasi
|
|
||
|
Model Summary
|
||||
|
Model
|
R
|
R Square
|
Adjusted R Square
|
Std. Error of the Estimate
|
|
1
|
.791a
|
.625
|
.611
|
4.36788
|
|
a. Predictors: (Constant), IQ, BL
|
|
|||
|
ANOVAb
|
||||||
|
Model
|
Sum of Squares
|
df
|
Mean Square
|
F
|
Sig.
|
|
|
1
|
Regression
|
1654.360
|
2
|
827.180
|
43.357
|
.000a
|
|
Residual
|
992.076
|
52
|
19.078
|
|
|
|
|
Total
|
2646.436
|
54
|
|
|
|
|
|
a. Predictors: (Constant), IQ, BL
|
|
|
|
|
||
|
b. Dependent Variable: Motivasi
|
|
|
|
|
||
|
Coefficientsa
|
||||||
|
Model
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
||
|
B
|
Std. Error
|
Beta
|
||||
|
1
|
(Constant)
|
-4.579
|
8.387
|
|
-.546
|
.587
|
|
BL
|
.669
|
.101
|
.606
|
6.640
|
.000
|
|
|
IQ
|
.374
|
.103
|
.332
|
3.638
|
.001
|
|
|
a. Dependent Variable: Motivasi
|
|
|
|
|||
INTERPRETASI
1. Perhatikan
pada tabel yang berjudul Coefficientsa,
pada
kolom Standardized Coefficients, itu merupakan koefisien
jalur varibel X1dan X2atau biasa disebut koefisien
beta atau beta hitung. dari tabel
tersebut kita bisa membuat koefisien jalur sebagai berikut:
βX3X1 0.606
βX3X2 0.332
2. Dari
table Model Summery terlihat kalau R Squere (R2) atau koefisien determinasi adalah 0,625. dari
R Squere tersebut dapat dihitung koefisien jalur variable di luar model yakni βX3Ԑdengan
rumus:
βX3Ԑ
=
=
0,612
0,612
3.
Uji
Hipotesis
koefisien jalur diuji
dengan uji t dengan derajat bebas 16 pada titik kritis 2.1199.
a.
H0:βX3X1 = 0
Ha:βX3X1≠ 0
Terlihat pada P-value
(kolom sig) = 0.000
lebih kecil (<) dari 0.05 atau pada kolom
t = 6.640
lebih besar dari titik kritis (>) 2.1199 dengan demikian H0 ditolak.
b.
H0:βX3X2 = 0
Ha:βX3X2 ≠ 0
Terlihat padaP-value
(kolom sig) = 0.001
lebih kecil (<) dari 0.05 atau pada kolom
t= 3.638
lebih besar dari titik kritis (>) 2.1199 dengan demikian H0 ditolak.
Secara simultan efektivitas Blended Learning dan tingkat IQ
siswa berpengaruh signifikan terhadap motivasi berprestasi siswa.
Besaran pengaruh simultan yang
ditunjuk dalam kolom model summery (R square) adalah 0,625 atau
dibulatkan menjadi 63% merupakan kontribusi dari variabel efektivitas Blended Learning dan tingkat IQ
siswa terhadap motivasi berprestasi siswa. Sedangkan
sisanya 37 % dipengaruhi faktor lain di luar model.
Secara parsial efektivitas blended learning berpengaruh positif dan signifikan terhadap motivasi belajar siswa.
Besaran pengaruh parsial dan langsung efektivitas blesded learning terhadap motivasi berprestasi siswa
adalah sebesar 0,606 atau dibulatkan menjadi 61%. Dengan demikian, tinggi rendahnya motivasi berprestasi siswa dipengaruhi
oleh efektivitas blended
learning sebesar 61%, sedangkan sisanya 39% dijelaskan
faktor lain di luar model.
Secara parsial tingkat IQ siswa
berpengaruh positif dan signifikan terhadap motivasi berprestasi
siswa.Besaran pengaruh parsial dan
langsung IQ terhadap motivasi berprestasi adalah sebesar 0,332 atau dibulatkan
menjadi 33%. Artinya, tinggi rendahnya motivasi berprestasi siswa dipengaruhi
oleh IQ sebesar 33%, sedangkan sisanya 73% dijelaskan faktor lain di luar model.
Lebih lanjut, pengaruh kausal empiris antara
variabel (X1) profesionalisme dan (X2) efektivitas ini
dapat digambarkan melalui persamaan sub struktural 1 (satu).
X3= βX3X1
+ βX3X2
+ βX3Є1, atau X3
= 0,606X1 + 0,332X2 + 0,612 Є1.
Tahap 2
Regression
|
Variables Entered/Removedb
|
|||
|
Model
|
Variables Entered
|
Variables Removed
|
Method
|
|
1
|
Motivasi, IQ, BLa
|
.
|
Enter
|
|
a. All requested variables entered.
|
|
||
|
b. Dependent Variable: HB
|
|
||
|
Model Summary
|
||||
|
Model
|
R
|
R Square
|
Adjusted R Square
|
Std. Error of the Estimate
|
|
1
|
.884a
|
.781
|
.768
|
3.46573
|
|
a. Predictors: (Constant), Motivasi, IQ, BL
|
|
|||
|
ANOVAb
|
||||||
|
Model
|
Sum of Squares
|
df
|
Mean Square
|
F
|
Sig.
|
|
|
1
|
Regression
|
2186.152
|
3
|
728.717
|
60.669
|
.000a
|
|
Residual
|
612.575
|
51
|
12.011
|
|
|
|
|
Total
|
2798.727
|
54
|
|
|
|
|
|
a. Predictors: (Constant), Motivasi, IQ, BL
|
|
|
|
|||
|
b. Dependent Variable: HB
|
|
|
|
|
||
|
Coefficientsa
|
||||||
|
Model
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
||
|
B
|
Std. Error
|
Beta
|
||||
|
1
|
(Constant)
|
-7.481
|
6.674
|
|
-1.121
|
.268
|
|
BL
|
.327
|
.109
|
.288
|
3.009
|
.004
|
|
|
IQ
|
.273
|
.091
|
.235
|
2.984
|
.004
|
|
|
Motivasi
|
.516
|
.110
|
.502
|
4.689
|
.000
|
|
|
a. Dependent Variable: HB
|
|
|
|
|
||
INTERPRETASI
1. Perhatikan
pada tabel yang berjudul Coefficientsa
, pada
kolom Standardized Coefficients, itu merupakan koefisien
jalur varibel X1sampaiX3atau biasa disebut koefisien
beta atau beta hitung. dari
table tersebut kita bisa membuat koefisien jalur sebagai berikut:
βYX1 0.288
βYX2 0.235
βYX3 0.502
2. Dari
table Model Summeryterlihat kalau R Squere (R2) ataukoefisien determinasi adalah 0,781. dari
R Squere tersebut dapat dihitung koefisien jalur variable di luar model yakni βYԐdengan
rumus:
βYԐ
=
0,468
0,468
3.
Uji
Hipotesis
koefisien jalur diuji
dengan uji t dengan derajat bebas 16 pada titik kritis 2.1199.
a.
H0:
βYX1 = 0
Ha:βYX1≠ 0
Terlihat padaP-value
(kolom sig) = 0.004
lebih kecil (<) dari 0.05 atau pada kolom
t= 3.009
lebih besar dari titik kritis (>) 2.1199 dengan demikian H0 ditolak.
b.
H0:βYX2 = 0
Ha:βYX2 ≠ 0
Terlihat padaP-value
(kolom sig) = 0.004
lebih kecil (<) dari 0.05 atau pada kolom
t= 2.984
lebih besar dari titik kritis (>) 2.1199 dengan demikian H0 ditolak.
c.
H0:
βYX3 = 0
Ha:
βYX3 = ≠
Terlihat padaP-value
(kolom sig) = 0.000
lebih kecil (<) dari 0.05 atau pada kolom
t= 4.689
lebih besar dari titik kritis (>) 2.1199 dengan demikian H0 ditolak.
Secara simultan, pengaruh efektivitas blended learning (X1), IQ
( X2) dan Motivasi berprestasi (X3) terhadap Hasil belajar siswa (Y) adalah sebesar 0,781dibulatkan menjadi 78%. Sisanya 22% dipengaruh faktor lain di luar model. Model
simultan terjadi signifikan. Dengan memperhatikan probablitas F sebesar 60,669 pada sig 0,000
< 0,01. Setelah model simultan terbukti signifikan, maka dilakukan penelusuran jalur
pengaruh parsial. Dari tiga variabel yang ditempatkan sebagai prediktor,
seluruhnya memiliki nilai sig < 0,05 sehingga dapat dikatakan bahwa seluruh
prediktor secara parsial berpengaruh terhadap Hasil
belajar siswa (Y)
Secara langsungefektivitas Blended Learning berpengaruh positif dan signifikan terhadap hasil belajar
siswa.Besaran pengaruh langsung efektivitas Blended Learning terhadap hasil belajar
siswa adalah sebesar 0,288 atau dibulatkan menjadi 29%. Artinya, tinggi rendahnya hasil belajar siswa hanya
mampu dipengaruhi oleh efektivitas
Blended Learningsebesar 29% sedangkan sisanya 71% dipengaruhi
faktor lain di luar model.
Secara langsung IQ berpengaruh positif dan
signifikan terhadap hasil belajar siswa.Besaran pengaruh parsial dan langsung IQ terhadap hasil belajar
adalah sebesar 0,235 atau dibulatkan menjadi 24%. Artinya, tinggi rendahnya hasil belajar siswa hanya
mampu dipengaruhi oleh IQ sebesar 24%, sedangkan sisanya 76% dijelaskan faktor lain di luar model.
Secara langsung motivasi berprestasi
berpengaruh positif dan signifikan terhadap hasil belajar.Besaran pengaruh
motivasi berprestasi terhadap
hasil belajar siswa adalah sebesar 0,502 atau dibulatkan
menjadi 50%. Artinya, tinggi rendahnya hasil belajar hanya mampu dipengaruhi oleh motivasi
berprestasi sebesar 50%, sedangkan sisanya 50% dipengaruhi faktor lain di luar model. Dari
tiga variabel yang digunakan sebagai prediktor hasil belajar, variabel
motivasi berprestasi teridentifikasi sebagai variabel terkuat yang mempengaruhi hasil belajar
dibanding dua variabel lain yaitu efektivitas blended learning dan IQ.
Secara keseluruhan, pengaruh-pengaruh yang
dibentuk dari sub struktural 2 dapat digambarkan melalui persamaan struktural 2
yaitu Y =βYX1 + βYX2 + βYX3 + βYƐ2, atau Y = 0,288X1 + 0,235X2 + 0,502X3 + 0.468Ɛ2. Berdasarkan hasil pengujian hipotesis ke 3,4, dan 5 pada persamaan
struktural 2 ini diperoleh diagram jalur empiris untuk model Y sebagaimana yang
dijelaskan gambar berikut ini:
Ringkasan
Hasil Estimasi Parameter Model
|
Model
|
Koefisien Jalur
|
t
|
P (sig)
|
R2
|
|
SubStruktural 1(X1X2
ke X3)
|
||||
|
X1(βX3X1)
|
0.606
|
6.640
|
.000
|
0.625
|
|
X2(βX3X2)
|
0.332
|
3.638
|
.001
|
|
|
Sub Struktural
2 (X1X2 X3ke Y)
|
||||
|
X1(βYX1)
|
0.288
|
3.009
|
.004
|
0.781
|
|
X2(βYX2)
|
0.235
|
2.984
|
.004
|
|
|
X3(βYX3)
|
0.502
|
4.689
|
.000
|
|
Indirect Effect dan Total Effect:
1.
Pengaruh tidak langsung /
indirect effect, X1 ke Y melalui X3 = βX3X1
x βYX3
= (0.606) x (0,502) = 0,304. Dengan demikian
pengaruh totalnya = βYX1
+ IE= 0,288 + 0,304
= 0,592.
2.
Pengaruh tidak langsung /
indirect effect, X2 ke Y melalui X3 = βX3X2
x βYX3
= (0.332) x (0.502) = 0,167. Dengan demikian
pengaruh totalnya = βYX2
+ IE= 0,235 + 0,167
Tidak ada komentar:
Posting Komentar