Upload
phungthuan
View
225
Download
0
Embed Size (px)
Citation preview
62
BAB III
METODE PENELITIAN
3.1 Rancangan Penelitian
Penelitian ini merupakan penelitian ex post facto dengan pendekatan
kuantitatif. Pendekatan kuantitatif dalam penelitian ini ditandai dengan adanya
analisis statistik dengan teknik deskriptif korelasional. Teknik deskriptif yang
digunakan untuk mengungkapkan respon subyek sehingga dapat memberikan
gambaran tentang fakta-fakta secara sistematis. Teknik korelasional digunakan
untuk menunjukkan derajat hubungan variabel keterampilan algoritmik,
keterampilan metakognitif, apresiasi matematika dan prestasi belajar matematika.
Rancangan ex post facto adalah rancangan penelitian untuk meneliti gejala yang
sudah terjadi. Dimana dalam penelitian ini tidak dilakukan manipulasi terhadap
gejala yang sudah terjadi. Penelitian ex post facto adalah telaah empirik sistematis
dimana peneliti tidak dapat mengontrol secara langsung variabel bebasnya karena
manifestasinya fenomena telah terjadi atau karena fenomena sukar
dimanipulasikan (Nazir, 2003: 73).
3.2 Populasi dan Sampel Penelitian
Populasi penelitian ini adalah semua siswa SMK di Kabupaten
Karangasem dan populasi terjangkaunya adalah semua siswa kelas XII SMK
tahun pelajaran 2010/2011 di Kabupaten Karangasem dengan distribusi seperti
terlihat pada tabel 3.1
63
Tabel 3.1 Komposisi Jumlah Anggota Populasi
No. Kelompok Nama Sekolah Banyak Siswa
1. Teknologi, Kesehatandan Pertanian (A)
SMK Negeri 1 Abang 212 orang
SMK Negeri 1 Manggis 160 orang
SMK Nasional Amlapura 47 orang
SMK PGRI Amlapura 33 orang
2. Sosial, AdministrasiPerkantoran danAkuntansi (B)
SMK SaraswatiAmlapura
58 orang
3. Seni, Pariwisata, danTeknologiKerumahtanggaan (C)
SMK Negeri 1 Kubu 136 orang
SMK WWG Amlapura 33 orang
Jumlah 720 orang
Dalam penelitian ini, peneliti mengambil sampel penelitian dengan teknik
proportional cluster random sampling, yaitu teknik pengambilan sampel dari
anggota populasi secara berkelompok dan proporsional (Riduan & Engkos, 2009:
41). Teknik pengambilan sampel ini merupakan gabungan antara cluster random
sampling dan proportional random sampling.
Teknik cluster random sampling digunakan untuk memilih sampel sekolah
dengan kategori sekolah yang termasuk kelompok: (1) teknologi, kesehatan dan
pertanian, (2) sosial, administrasi perkantoran dan akuntansi, dan (3) seni,
pariwisata, dan teknologi kerumahtanggaan. Dengan teknik ini, peneliti memilih
tiga sekolah dari tujuh sekolah yang ada. Pengambilan tiga sekolah ini dilakukan
secara random melalui teknik undian, masing-masing satu sekolah untuk
kelompok teknologi, kesehatan dan pertanian, satu sekolah untuk kelompok
64
sosial, administrasi perkantoran dan akuntansi, dan satu sekolah untuk kelompok
seni, pariwisata, dan teknologi kerumahtanggaan. Sampel sekolah yang terpilih
adalah SMK Negeri 1 Abang, SMK Negeri 1 Kubu dan SMK Saraswati
Amlapura.
Teknik proportional random sampling digunakan untuk memperoleh
sampel subyek dalam penelitian secara berimbang berdasarkan proporsi jumlah
populasi pada masing-masing sekolah. Penentuan jumlah sampel yang diambil
dalam penelitian ini dipilih secara acak dari populasi yang telah ditetapkan dengan
menggunakan tabel penentuan jumlah sampel berdasarkan rumus dari Isaac dan
Michael dalam Sugiyono (2009: 69-71). Dengan menggunakan tabel penentuan
jumlah sampel yang dikembangkan dari rumus Isaac dan Michael, dari jumlah
populasi 720 orang dan taraf kesalahan 5%, diperoleh besarnya sampel adalah 235
orang. Dengan teknik proportional random sampling maka proporsi jumlah
sampel pada tiap-tiap sekolah dapat ditunjukkan seperti pada tabel 3.2.
Tabel 3.2 Proporsi Jumlah Sampel Penelitian
No. Kelompok Nama Sekolah Banyak Siswa
1. A SMK Negeri 1 Abang 147 orang
2. B SMK Negeri 1 Kubu 69 orang
3. C SMK Saraswati Amlapura 19 orang
Jumlah 235 orang
65
3.3 Variabel Penelitian dan Definisi Variabel
3.3.1 Identifikasi Variabel
Ada tiga jenis variabel yang terlibat dalam penelitian ini, yaitu variabel
bebas (independent variable) atau disebut juga variabel eksogen (exogenous),
yaitu keterampilan algoritmik dan keterampilan metakognitif, variabel penyela
(intervening), yaitu apresiasi matematika dan variabel terikat (dependent variable)
atau disebut juga variabel endogen (endogenous), yaitu prestasi belajar
matematika.
3.3.2 Definisi Variabel
3.3.2.1 Definisi Konseptual
a) Keterampilan algoritmik adalah keterampilan untuk dapat melakukan
langkah demi langkah sesuai urutan prosedur yang telah dipahami atau
diingat untuk menyelesaikan masalah matematika.
b) Apresiasi matematika adalah sikap siswa dalam memandang, menghargai
dan meyakini matematika sebagai sesuatu yang penting dan bermanfaat
untuk dipelajari sehingga dapat mengembangkan perilaku dan rasa ingin
tahunya dalam mengevaluasi dan meningkatkan pengetahuan matematika
yang dimilikinya.
c) Keterampilan metakognitif adalah keterampilan yang berkaitan dengan
perencanaan diri (self-planning), pemantauan diri (self-monitoring), dan
evaluasi diri (self-evaluation) sehingga dengan keterampilan ini siswa
66
dapat merencanakan, memantau, dan merefleksi/mengevaluasi proses
berpikir mereka sendiri.
d) Prestasi belajar matematika adalah suatu hasil yang menunjukkan tingkat
penguasaan materi pelajaran yang dicapai setelah mengikuti kegiatan
pembelajaran matematika dalam kurun waktu tertentu. Prestasi belajar
yang dimaksud berupa skor yang diperoleh siswa setelah mempelajari
suatu materi dan mengerjakan tes prestasi belajar. Tes prestasi belajar
merupakan suatu alat untuk mengukur aspek-aspek tertentu dari siswa
misalnya pengetahuan, pemahaman, atau aplikasi suatu konsep.
3.3.2.2 Definisi Operasional
a) Keterampilan algoritmik merupakan skor yang diperoleh siswa dalam
mengerjakan tes keterampilan algoritmik. Indikator yang digunakan
untuk mengukur keterampilan algoritmik diadopsi dan diadaptasi dari
indikator kelancaran berprosedur yang dikembangkan oleh Killpatrick et.
al (2001), yaitu (1) menggunakan langkah-langkah penyelesaian masalah
yang dibuat orang lain dengan benar, (2) Melakukan perhitungan dengan
benar, (3) Melakukan manipulasi aljabar dengan benar, (4) Memodifikasi
atau memperhalus langkah-langkah, (5) Menggunakan langkah-langkah
alternatif lain untuk menyelesaikan masalah.
b) Apresiasi matematika merupakan skor yang diperoleh siswa setelah
mengerjakan angket apresiasi matematika. Indikator yang digunakan
untuk mengembangkan angket apresiasi matematika diadaptasi dari
67
indikator apresiasi matematika yang dirumuskan oleh NCTM (2000) dan
Polking (1998), yaitu (1) Rasa ingin tahu dalam belajar matematika, (2)
Harapan dan metakognisi siswa dalam belajar matematika, (3)
Keuletan/kegigihan dalam belajar matematika, (4) Kepercayaan diri
dalam belajar matematika, (5) Kemampuan berbagi pendapat dengan
orang lain, dan (6) Menghargai peran dan fungsi matematika.
c) Keterampilan metakognitif merupakan skor yang diperoleh siswa setelah
mengerjakan angket keterampilan metakognitif. Angket keterampilan
metakognitif memuat pernyatan-pernyataan yang terdiri atas tiga kategori
yaitu: (1) perencanaan, (2) pemantauan dan (3) refleksi. Kegiatan
merencanakan mempunyai indikator-indikator tentang (1) tujuan belajar
yang akan dicapai, (2) waktu yang akan digunakan untuk menyelesaikan
tugas belajar, (3) pengetahuan awal yang relevan, dan (4) strategi-strategi
kognitif yang akan digunakan. Kegiatan memantau/memonitoring diri
mempunyai indikator-indikator tentang (1) pemantauan ketercapaian
tujuan belajar, (2) pemantauan waktu yang digunakan, (3) pemantauan
relevansi materi pengetahuan awal dengan materi pengetahuan baru, dan
(4) pemantauan strategi-strategi kognitif yang sedang digunakan.
Keterampilan evaluasi mempunyai indikator-indikator tentang (1)
evaluasi ketercapaian tujuan belajar, (2) evaluasi waktu yang digunakan,
(3) evaluasi relevansi pengetahuan awal dengan materi pelajaran baru,
dan (4) evaluasi strategi-strategi kognitif yang telah digunakan.
68
d) Prestasi belajar matematika adalah jumlah skor yang diperoleh siswa
setelah mengerjakan tes prestasi belajar matematika (disusun berdasarkan
standar kompetensi lulusan ujian nasional matematika SMK tahun 2011).
3.3.3 Konstelasi Variabel
Model struktur atau konstelasi hubungan kausal keterampilan algoritmik
(X1), dan keterampilan metakognitif (X2) serta apresiasi matematika (X3) terhadap
prestasi belajar matematika (Y) dapat digambarkan seperti gambar 3.1.
Gambar 3.1 Model Struktur Hubungan Kausal Keterampilan Algoritmik (X1),Keterampilan Metakognitif (X2) dan Apresiasi Matematika (X3)terhadap Prestasi Pelajar Matematika (Y)
3.4 Metode Pengumpulan Data dan Instrumen Penelitian
3.4.1 Metode Pengumpulan Data
Data yang dikumpulkan dalam penelitian ini meliputi 4 data seperti
disajikan pada tabel 3.3.
KA(X1)
DM(X2)
KM(X3)
PB(X3)
69
Tabel 3.3 Data dan Metode Pengumpulan Data
No. Data Penelitian Metode yang Digunakan
1. Data keterampilan algoritmik Tes berbentuk uraian
2. Data Keterampilan metakognitif Angket
3. Data apresiasi matematika Angket
4. Data prestasi belajar matematika Tes berbentuk pilihan ganda
3.4.2 Instrumen Penelitian
Penelitian ini menggunakan empat jenis instrumen, yaitu tes berbentuk
uraian untuk mengetahui keterampilan algoritmik siswa, angket keterampilan
metakognitif, angket apresiasi matematika dan tes prestasi belajar matematika.
3.4.2.1 Instrumen Tes Keterampilan Algoritmik
Keterampilan algoritmik diukur dengan menggunakan tes yang berbentuk
uraian yang selanjutnya disebut tes keterampilan algoritmik. Tes keterampilan
algoritmik terdiri dari 8 butir soal dengan skor maksimum tiap soal adalah 5. Skor
tersebut diberikan berdasarkan 5 indikator keterampilan algoritmik. Setiap
indikator yang tampak pada pekerjaan siswa diberikan skor 1 dan skor 0 jika tidak
ada indikator yang sesuai ditunjukkan oleh siswa. Skor keterampilan algoritmik
ditentukan dengan menjumlahkan hasil penilaian.
3.4.2.2 Instrumen Angket Keterampilan Metakognitif
Keterampilan metakognitif diukur dengan menggunakan angket
keterampilan metakognitif. Angket keterampilan metakognitif memuat
70
pernyataan-pernyataan yang terdiri atas tiga kategori yaitu: (1) perencanaan, (2)
pemantauan dan (3) refleksi, dimana setiap kategori memuat sebanyak 10 item.
Kategori perencanaan menyatakan tentang strategi yang dilakukan sebelum
pelaksanaan proses belajar atau penyelesaian masalah, dan kategori pemantauan
menyatakan tentang strategi yang dilakukan pada saat pelaksanaan proses belajar
atau penyelesaian suatu masalah, sedangkan kategori refleksi menyatakan tentang
strategi yang dilakukan setelah pelaksanaan proses belajar atau penyelesaian
masalah. Pada masing-masing kategori dibagi menjadi dua pernyataan, yakni
pernyataan positif dan pernyataan negatif. Kisi-kisi angket keterampilan
metakognitif siswa dapat dilihat dalam lampiran 2.
Angket yang dipakai untuk mengumpulkan data keterampilan metakognitif
siswa menggunakan skala Likert yang terdiri atas 4 pilihan, yaitu: sangat setuju
(SS), setuju (S), tidak setuju (TS), dan sangat tidak setuju (STS). Kriteria
penskoran angket keterampilan metakognitif seperti disajikan pada tabel 3.4
berikut ini.
Tabel 3.4 Kriteria Penskoran Keterampilan Metakognitif Siswa
No. Pernyataan Positif Skor Pernyataan Negatif Skor
1. sangat setuju (SS) 4 sangat setuju (SS) 1
2. setuju (S) 3 setuju (S) 2
3. tidak setuju (TS) 2 tidak setuju (TS) 3
4. sangat tidak setuju (STS) 1 sangat tidak setuju (STS) 4
71
3.4.2.3 Instrumen Angket Apresiasi Matematika
Apresiasi matematika diukur dengan menggunakan instrumen penelitian
berupa angket apresiasi matematika. Kisi-kisi angket apresiasi matematika
disajikan seperti pada lampiran 3.
Angket yang dipakai untuk mengumpulkan data apresiasi matematika siswa
menggunakan skala Likert yang terdiri atas 4 pilihan, yaitu: sangat setuju (SS),
setuju (S), tidak setuju (TS), dan sangat tidak setuju (STS). Kriteria penskoran
angket apresiasi matematika adalah seperti disajikan pada tabel 3.5.
Tabel 3.5 Kriteria Penskoran Apresiasi Matematika Siswa
No. Pernyataan Positif Skor Pernyataan Negatif Skor
1. sangat setuju (SS) 4 sangat setuju (SS) 1
2. setuju (S) 3 setuju (S) 2
3. tidak setuju (TS) 2 tidak setuju (TS) 3
4. sangat tidak setuju (STS) 1 sangat tidak setuju (STS) 4
3.4.2.4 Instrumen Tes Prestasi Belajar Matematika
Prestasi belajar matematika diukur dengan tes kognitif yang disusun dan
dikembangkan peneliti berdasarkan irisan dari standar kompetensi lulusan ujian
nasional (SKL UN) matematika SMK tiga kelompok untuk tahun 2011. Tes terdiri
dari 40 butir dengan bobot 1 untuk jawaban benar dan 0 untuk jawaban salah.
Kisi-kisi tes prestasi belajar matematika disajikan seperti pada lampiran 4.
72
3.4.3 Kalibrasi Instrumen
3.4.3.1 Uji Coba Instrumen
Instrumen penelitian yang telah disusun kemudian diujicobakan untuk
mendapatkan gambaran secara empirik tentang kelayakan tes tersebut
dipergunakan dalam penelitian. Hasil uji coba dianalisis lebih lanjut untuk
mengetahui tingkat validitas dan reliabilitas instrumen. Berdasarkan hasil
perhitungan tingkat validitas dan reliabilitas tersebut butir-butir instrumen yang
dikembangkan oleh peneliti dipilih atau dimungkinkan untuk direvisi sebelum
digunakan sebagai alat ukur pada penelitian.
Instrumen penelitian yang diujicobakan adalah tes keterampilan
algoritmik, angket keterampilan metakognitif, angket apresiasi matematika dan tes
prestasi belajar matematika. Pelaksanaan uji coba instrumen penelitian di
lapangan dilakukan setelah intrumen dikonsultasikan dengan dosen pembimbing
dan penilaian dua orang pakar (judges). yaitu dosen Pendidikan Matematika
Undiksha Singaraja. Uji coba dilaksanakan pada tanggal 21 – 22 Maret 2011 di
SMKN 1 Manggis. Banyaknya responden dalam pelaksanaan uji coba ini adalah
60 siswa kelas XII semester VI tahun pelajaran 2010/2011.
3.4.3.2 Validitas Butir Instrumen
Validitas butir instrumen dalam penelitian ini dilihat dari dua macam
validitas, yaitu (1) validitas isi dan (2) validitas empirik. Tingkat validitas isi butir
instrumen lebih ditekankan pada pertimbangan-pertimbangan yang masuk akal
oleh para ahli. Butir-butir instrumen tes keterampilan algoritmik dan tes prestasi
73
belajar dikembangkan berdasarkan standar kompetensi lulusan yang ditetapkan
melalui Permendiknas. Butir-butir instrumen angket keterampilan metakognitif
dan apresiasi matematika dikembangkan berdasarkan kajian terhadap teori-teori
yang ada. Hasil pengembangan tes dan angket ini dikonsultasikan dengan dosen
pembimbing dan penilaian dua orang pakar (judges). Dengan demikian, validitas
isi instrumen penelitian yang digunakan dapat dikatakan memadai.
A. Validitas Isi
Validitas isi butir-butir instrumen dilakukan dengan mekanisme
perhitungan validitas isi menurut Gregory (2000: 98) sebagai berikut.
Validitas Isi =
Keterangan:
A : sel yang menunjukkan ketidaksetujuan antara kedua penilai
B dan C : sel yang menunjukkan perbedaan pandangan dari kedua penilai
D : sel yang menunjukkan persetujuan yang valid dari kedua penilai
Hasil perhitungan validitas isi butir instrumen: (1) tes keterampilan
algoritmik = 1,000 (2) angket keterampilan metakognitif = 0,900, (3) angket
apresiasi matematika = 0,967 dan (4) tes prestasi belajar matematika = 1,000. Dari
hasil perhitungan tersebut dapat dikatakan bahwa validitas isi instrumen tes
keterampilan algoritmik, angket keterampilan metakognitif, angket apresiasi
matematika dan tes prestasi belajar matematika sudah memadai untuk tujuan
penelitian.
74
B. Validitas Empirik
Tingkat validitas empirik butir instrumen penelitian ditentukan
berdasarkan hasil uji coba di lapangan. Tingkat validitas ini ditekankan pada
validitas yang ditentukan berdasarkan besar koefesien korelasi antara skor tiap
butir tes dengan skor total. Pengujian validitas butir instrumen dilakukan dengan
menggunakan rumus korelasi product moment dan rumus korelasi point biseral.
Mengingat instrumen tes keterampilan algoritmik, angket keterampilan
metakognitif, dan angket apresiasi matematika merupakan instrumen skala,
pengujian validitas butir instrumen dilakukan dengan menggunakan rumus
korelasi product moment dengan rumus sebagai berikut.r ∑ ∑ ∑∑ ∑ ∑ ∑ (Arikunto, 2002)
dengan : X = skor butir tes, Y = skor total,
N = banyak responden, xyr = koefisien korelasi.
Koefesien korelasi product moment dari semua butir kemudian dibandingkan
dengan rtabel pada taraf signifikansi 5%. Jika rxy > rtabel maka butir bersangkutan
dinyatakan valid, sebaliknya jika rxy < rtabel maka butir bersangkutan dinyatakan
tidak valid.
Instrumen tes prestasi belajar matematika mempunyai skor tiap butir
dikotomi (1 atau 0) sehingga pengujian validitas butir instrumen tersebut
menggunakan rumus korelasi point biseral sebagai berikut.
r (Guilford, 1973)
dengan:
75
Mp = Rata-rata skor total dari subyek yang menjawab betul butir yang
dicari validitasnya
Mt = Rata-rata skor total
SDt = Standar deviasi skor total
p = Proporsi siswa yang menjawab benar butir yang dicari validitasnya
q = Proporsi siswa yang menjawab salah butir yang dicari validitasnya
(q = 1 – p)
1) Validitas Butir Instrumen Tes Keterampilan Algoritmik
Nilai kritik koefesien korelasi product moment, untuk jumlah sampel 60
dengan taraf signifikansi = 5% adalah 0,254. Hasil perhitungan validitas butir
instrumen menunjukkan bahwa semua butir tes keterampilan algoritmik
dinyatakan valid pada taraf signifikansi alpha 5%. Harga rxy dari masing-masing
butir beserta perbandingannya dengan rtabel dan keputusan validitas butir adalah
seperti tercantum pada lampiran 9b.
2) Validitas Butir Instrumen Angket Keterampilan Metakognitif
Hasil perhitungan validitas butir instrumen angket keterampilan
metakognitif menunjukkan bahwa semua butir angket dinyatakan valid pada taraf
signifikansi alpha 5%. Hasil perhitungan seluruh butir seperti terlihat pada
lampiran 2. Secara ringkas hasil validitas butir instrumen angket keterampilan
metakognitif disajikan pada lampiran 10b.
76
3) Validitas Butir Instrumen Angket Apresiasi Matematika
Hasil perhitungan validitas butir instrumen angket apresiasi matematika
menunjukkan bahwa semua butir angket dinyatakan valid pada taraf signifikansi
alpha 5%. Hasil perhitungan seluruh butir seperti terlihat pada lampiran 2. Secara
ringkas hasil validitas butir instrumen angket apresiasi matematika disajikan pada
lampiran 11b.
4) Validitas Butir Instrumen Tes Prestasi Belajar Matematika
Hasil perhitungan validitas butir instrumen tes prestasi belajar matematika
adalah 35 butir valid dan 5 butir tidak valid pada taraf signifikansi alpha 5%. Butir
yang valid yaitu butir nomor: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 17, 18,
19, 20, 22, 23, 24, 26, 27, 28, 29, 30, 32, 33, 34, 35, 36, 38, 39, dan 40. Butir yang
tidak valid adalah butir tes nomor: 16, 21, 25, 31 dan 37. Hasil perhitungan
seluruh butir seperti terlihat pada lampiran 2. Secara ringkas hasil validitas butir
instrumen tes prestasi belajar matematika disajikan pada lampiran 11b. Dari tabel
pada lampiran 11b terlihat bahwa 5 butir tes tidak valid dan selanjutnya tidak
digunakan dalam penelitian.
3.4.3.3 Reliabilitas Instrumen
Reliabilitas instrumen yang digunakan dalam penelitian ini dihitung
dengan menggunakan rumus Alpha Cronbach. Pemilihan cara ini berdasarkan
pendapat bahwa formula Alpha Cronbach merupakan formula umum, sehingga
dapat digunakan untuk menentukan reliabilitas tes non dikotomi, seperti tes
77
uraian, tes kinerja bahkan angket (Candiasa, 2010). Rumus atau formula Alpha
Cronbach yang digunakan adalah sebagai berikut.
2t
2i1
1n
n(Arikunto, 2002)
Keterangan:
= Koefesien reliabilitas Alpha Cronbach
n = Banyaknya butir instrumen
2i = Varian skor tiap item
2t = Varian total
N = jumlah responden
X = Skor tiap item
Y = Skor total item
Untuk menentukan derajat reliabilitas butir instrumen dapat digunakan
kriteria seperti tabel 3.6.
Tabel 3.6 Kriteria Penggolongan Reliabilitas Butir Instrumen
No. Interval Kriteria
1. 0,80 < r ≤ 1,00 reliabilitas sangat tinggi
2. 0,60 < r ≤ 0,80 reliabilitas tinggi
3. 0,40 < r ≤ 0,60 reliabilitas sedang
4. 0,20 < r ≤ 0,40 reliabilitas rendah
5. r ≤ 0,20 reliabilitas sangat rendah
Butir instrumen yang akan dipergunakan dalam penelitian minimal
memiliki derajat reliabilitas sedang.
78
A. Reliabilitas Instrumen Tes Keterampilan Algoritmik
Analisis reliabilitas tes keterampilan algoritmik dilakukan berdasarkan
hasil perhitungan validitas butir instrumen sebelumnya. Butir-butir tes yang
dianalisis reliabilitasnya hanyalah butir-butir yang dinyatakan valid. Berdasarkan
hasil perhitungan reliabilitas instrumen dengan bantuan program microsoft excel
diperoleh koefesien reliabilitas tes keterampilan algoritmik sebesar 0,872. Ini
menunjukkan bahwa instrumen tes keterampilan algoritmik memiliki reliabilitas
sangat tinggi sehingga memenuhi syarat untuk tujuan penelitian.
B. Reliabilitas Instrumen Angket Keterampilan Metakognitif
Analisis reliabilitas instrumen angket keterampilan metakognitif
dilakukan berdasarkan hasil perhitungan validitas butir instrumen sebelumnya.
Butir-butir tes yang dianalisis reliabilitasnya hanyalah butir-butir yang dinyatakan
valid. Hasil perhitungan reliabilitas instrumen angket sikap siswa terhadap
matematika secara manual maupun dengan bantuan program microsoft excel
diperoleh koefesien reliabilitas tes sebesar 0,907. Dengan demikian, instrumen
angket keterampilan metakognitif yang dikembangkan telah memenuhi syarat
untuk tujuan penelitian dan mempunyai reliabilitas sangat tinggi sesuai dengan
tolok ukur yang dibuat oleh Guilford (1973).
C. Reliabilitas Instrumen Angket Apresiasi Matematika
Analisis reliabilitas instrumen angket apresiasi matematika dilakukan
berdasarkan hasil perhitungan validitas butir instrumen sebelumnya. Butir-butir
79
tes yang dianalisis reliabilitasnya hanyalah butir-butir yang dinyatakan valid.
Berdasarkan hasil perhitungan reliabilitas instrumen baik secara manual maupun
dengan bantuan program microsoft excel diperoleh koefesien reliabilitas
instrumen angket apresiasi matematika sebesar 0,904. Ini menunjukkan bahwa
instrumen angket apresiasi matematika memiliki reliabilitas sangat tinggi
sehingga memenuhi syarat untuk tujuan penelitian.
D. Reliabilitas Instrumen Tes Prestasi Belajar Matematika
Analisis reliabilitas instrumen tes prestasi belajar matematika dilakukan
berdasarkan hasil perhitungan validitas butir instrumen sebelumnya. Butir-butir
tes yang dianalisis reliabilitasnya hanyalah butir-butir yang dinyatakan valid.
Berdasarkan hasil perhitungan reliabilitas instrumen baik secara manual maupun
dengan bantuan program microsoft excel diperoleh koefesien reliabilitas
instrumen tes prestasi belajar matematika sebesar 0,833. Ini menunjukkan bahwa
instrumen tes prestasi belajar matematika memiliki reliabilitas sangat tinggi
sehingga memenuhi syarat untuk tujuan penelitian.
3.4.3.4 Analisis Taraf Kesukaran Butir
Analisis taraf kesukaran butir tes dilakukan pada instrumen tes prestasi
belajar matematika yang diujicoba. analisis taraf kesukaran butir dilakukan setelah
validitas dan reliabilitas tes prestasi belajar matematika diketahui. Analisis untuk
taraf (indeks) kesukaran butir tes prestasi belajar matematika menurut Sudjana
(2002: 137) adalah dengan menggunakan rumus:
80
I BNdimana:
I : indeks kesukaran untuk setiap butir soal
B : banyaknya siswa yang menjawab benar setiap butir soal
N : banyaknya siswa yang memberi jawaban pada soal yang dimaksud
Kriteria indeks kesukaran butir soal menurut Sudjana (2002: 437) adalah sebagai
berikut.
0 – 0,30 Soal kategori sukar
0,31 – 0,70 Soal kategori sedang
0,71 – 1,00 Soal kategori mudah
Setelah dihitung secara manual dan bantuan program Excel, diperoleh indeks
kesukaran beserta kriteria kesukaran tiap-tiap butir yang diujicobakan seperti
disajikan pada lampiran 11e. Menurut Sudjana (2002: 135), salah satu dasar
pertimbangan yang bisa digunakan untuk menentukan proporsi jumlah soal
kategori mudah, sedang dan sukar adalah didasarkan atas kurva normal. Artinya
sebagian besar soal termasuk kategori sedang, sebagian lagi termasuk kategori
mudah dan sukar. Dengan demikian butir-butir tes prestasi belajar matematika
dapat dikatakan memenuhi syarat untuk tujuan penelitian jika dilihat dari tingkat
kesukaran butir soal.
81
3.4.3.5 Analisis Daya Pembeda Butir Tes Prestasi Belajar Matematika
Analisis daya pembeda (DP) butir soal adalah analisis untuk mengetahui
kemampuan suatu butir soal untuk membedakan siswa yang tergolong mampu
dengan siswa yang tergolong tidak mampu. Derajat daya pembeda suatu butir soal
dinyatakan dengan indeks diskriminasi (discriminant index) yang bernilai -1,00
sampai dengan 1,00. Cara yang digunakan untuk analisis daya pembeda adalah
dengan menggunakan rumus sebagai berikut.
DP JB JBJS /dimana:JB : jumlah siswa yang menjawab benar untuk kelompok atasJB : jumlah siswa yang menjawab benar untuk kelompok bawahJS : jumlah siswa kelompok atas atau bawah
Kelompok atas dan bawah diperoleh dengan terlebih dahulu meranking
peserta berdasarkan skor yang diperoleh. Kemudian 50% dari siswa yang
memperoleh skor tertinggi diambil sebagai kelompok atas dan 50% dari siswa
yang memperoleh skor terendah diambil sebagai kelompok bawah. Pengambilan
50% dilakukan karena peserta tes tergolong kelompok kecil yaitu sebanyak 60
orang. Dengan demikian kelompok atas dan kelompok bawah masing-masing
diambil sebanyak 50% dari 60 orang yaitu sebanyak 30 orang. Kriteria daya
pembeda yang digunakan adalah:
82
DP ≤ 0,00 Sangat tidak baik
0,00 < DP ≤ 0,200 Tidak baik
0,20 < DP ≤ 0,400 Cukup baik
0,40 < DP ≤ 0,700 Baik
0,70 < DP ≤ 1, 00 Sangat Baik
Hasil analisis daya pembeda yang dihitung dengan bantuan program
microsoft excel disajikan seperti pada lampiran 11f. Dari tabel pada lampiran 11f
diperoleh bahwa butir soal nomor 4 mempunyai daya pembeda yang tidak baik
sehingga selanjutnya perlu dilakukan revisi.
3.4.3.6 Analisis Efektivitas Pengecoh (Distractor) Tes Prestasi Belajar
Matematika
Analisis efektifitas pengecoh atau analisis pola jawaban dilakukan dengan
menghitung peserta tes yang memilih tiap alternatif jawaban pada masing-masing
butir. Kriteria pengecoh yang baik adalah apabila pengecoh tersebut dipilih oleh
paling sedikit 5% dari peserta tes. Mengingat banyak peserta tes 60 orang, maka
pengecoh dikatakan baik jika dipilih oleh minimal 5% dari 60 orang = 3 orang.
Dari hasil analisis menunjukkan bahwa butir tes nomor: 10, 11, 24 dan 40
pengecohnya kurang baik dan selanjutnya perlu dilakukan revisi.
83
3.5 Metode Analisis Data
Data hasil penelitian dianalisis secara bertahap sesuai dengan variabel
masing-masing untuk menjawab permasalahan penelitian. Secara terurut, analisis
data yang dilakukan adalah (1) deskripsi data, (2) uji persyaratan analisis, dan (3)
uji hipotesis.
3.5.1 Deskripsi Data
Data hasil penelitian, yaitu data: (1) keterampilan algoritmik, (2)
keterampilan metakognitif, (3) apresiasi matematika, dan (4) prestasi belajar
matematika dideskripsikan berdasarkan rata-rata dan simpangan baku.
Kecenderungan data hasil penelitian juga dideskripsikan melalui tingkat
klasifikasi masing-masing kelompok data. Kualifikasinya dideskripsikan atas
dasar mean ideal (Mi) dan standar deviasi ideal (SDi). Kriteria pengolongan dapat
disusun berdasarkan lima jenjang kualifikasi seperti disajikan pada tabel 3.17
berikut.
Tabel 3.7 Pedoman Konversi Data Hasil Penelitian
No. Rentangan Nilai Kriteria
1. X Mi + 1,5SDi Sangat baik
2. Mi + 0,5SDi KA < X + 1,5SDi Baik
3. Mi - 0,5SDi X < Mi + 0,5SDi Cukup baik
4. Mi - 1,5SDi X < Mi - 0,5SDi Kurang baik
5. X < Mi - 1,5SDi Sangat kurang baik
84
Keterangan: Mi =2
1(skor tertinggi ideal + skor terendah ideal)
SDi = Mi3
1=
6
1(skor tertinggi ideal - skor terendah ideal)
Deskripsi masing-masing data peneliatian dapat diuraikan sebagai berikut.
3.5.1.1 Data tentang Keterampilan Algoritmik
Tes keterampilan algoritmik yang digunakan dalam penelitian ini terdiri
atas 6 butir soal, yaitu soal nomor 1, 2, 3, 4, 5 dan 8. Setiap butir soal memiliki
skor maksimum 5 dan minimum 0. Dengan demikian skor tertinggi ideal adalah
30 dan skor terendah ideal adalah 0, sehingga diperoleh:
Mi = 0302
1 = 15
SDi = 0306
1 = 5
Dengan demikian data mengenai keterampilan algoritmik siswa dapat
ditentukan dengan kriteria penggolongan sebagai berikut.
Tabel 3.8 Kriteria Penggolongan Keterampilan Algoritmik Siswa
No. Rentangan Nilai Kriteria
1. KA 22,5 Sangat baik
2. 17,5 KA < 22,5 Baik
3. 12,5 KA < 17,5 Cukup baik
4. 7,5 KA < 12,5 Kurang baik
5. KA 7,5 Sangat kurang baik
85
Skor keterampilan algoritmik yang diperoleh dari hasil perhitungan dibandingkan
dengan kriteria penggolongan yang telah ditetapkan. Dengan demikian kualifikasi
keterampilan algoritmik siswa dalam penelitian ini dapat ditentukan.
3.5.1.3 Data tentang Keterampilan Metakognitif
Angket keterampilan metakognitif terdiri atas 30 butir pernyataan, setiap
butir pernyataan memiliki skor maksimum 4 dan minimum 1. Dengan demikian
dapat ditentukan skor tertinggi ideal adalah 120 dan skor terendah ideal adalah 30,
sehingga diperoleh Mi dan SDi sebagai berikut.
Mi = 301202
1 = 75
SDi = 301206
1 = 15
Dengan demikian data tentang keterampilan metakognitif (KM) dapat
diklasifikasikan dengan kriteria seperti tabel 3.9.
Tabel 3.9 Kriteria Penggolongan Keterampilan Metakognitif Siswa
No. Rentangan Nilai Kriteria
1. KM 97,5 Sangat baik
2. 82,5 KM < 97,5 Baik
3. 67,5 KM < 82,5 Cukup baik
4. 52,5 KM < 67,5 Kurang baik
5. KM 52,5 Sangat kurang baik
86
Skor keterampilan metakognitif yang diperoleh dari hasil perhitungan
dibandingkan dengan kriteria penggolongan yang telah ditetapkan. Dengan
demikian kualifikasi keterampilan metakognitif siswa dalam penelitian ini dapat
ditentukan.
3.5.1.2 Data tentang Apresiasi Matematika
Angket apresiasi matematika terdiri atas 30 butir pernyataan, setiap butir
pernyataan memiliki skor maksimum 4 dan minimum 1. Dengan demikian dapat
ditentukan skor tertinggi ideal adalah 120 dan skor terendah ideal adalah 30,
sehingga diperoleh Mi dan SDi sebagai berikut.
Mi = 301202
1 = 75
SDi = 301206
1 = 15
Dengan demikian data tentang apresiasi matematika siswa dapat
diklasifikasikan dengan kriteria seperti pada tabel 3.10.
Tabel 3.10 Kriteria Penggolongan Apresiasi Matematika Siswa
No. Rentangan Nilai Kriteria
1. AM 97,5 Sangat baik
2. 82,5 AM < 97,5 Baik
3. 67,5 AM < 82,5 Cukup baik
4. 52,5 AM < 67,5 Kurang baik
5. AM 52,5 Sangat kurang baik
87
Skor apresiasi matematika yang diperoleh dari hasil perhitungan dibandingkan
dengan kriteria penggolongan yang telah ditetapkan. Dengan demikian kualifikasi
apresiasi matematika siswa dalam penelitian ini dapat ditentukan.
3.5.1.4 Data tentang Prestasi Belajar Matematika Siswa
Tes prestasi belajar matematika siswa terdiri atas 30 butir soal dengan skor
dikotomi, yaitu 1 dan 0. Butir soal yang digunakan adalah soal nomor 1, 2, 3, 4, 6,
7, 8, 10, 11, 12, 14, 15, 17, 18, 19, 20, 22, 23, 24, 26, 27, 28, 29, 30, 32, 33, 34,
35, 39 dan 40. Dengan demikian dapat ditentukan skor tertinggi ideal adalah 30
dan skor terendah ideal adalah 0, sehingga diperoleh Mi dan SDi sebagai berikut.
Mi = 0302
1 = 15
SDi = 0306
1 = 5
Dengan demikian data tentang prestasi belajar matematika siswa dapat
diklasifikasikan dengan kriteria seperti pada tabel 3.11.
Tabel 3.11 Kriteria Penggolongan keterampilan metakognitif Siswa
No. Rentangan Nilai Kriteria
1. PB 22,5 Sangat baik
2. 17,5 PB < 22,5 Baik
3. 12,5 PB < 17,5 Cukup baik
4. 7,5 PB < 12,5 Kurang baik
5. PB 7,5 Sangat kurang baik
88
Skor prestasi belajar matematika (PB) yang diperoleh dari hasil perhitungan
dibandingkan dengan kriteria penggolongan yang telah ditetapkan. Dengan
demikian kualifikasi prestasi belajar matematika siswa dalam penelitian ini dapat
ditentukan.
3.5.2 Uji Persyaratan Analisis
Data dalam penelitian ini akan dianalisis dengan menggunakan metode
analisis regresi. Untuk menguji apakah data memenuhi persyaratan untuk
dianalisis dengan teknik yang telah ditetapkan, maka sebelumnya dilakukan uji
persyaratan sebagai berikut.
3.5.2.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk meyakinkan bahwa data benar-benar
berasal dari populasi yang berdistribusi normal sehingga uji hipotesis dapat
dilakukan. Pengujian normalitas data tentang keterampilan algoritmik,
keterampilan metakognitif dan apresiasi matematika menggunakan statistik
Kolmogorav Smirnov (Candiasa, 2010: 231). Nilai Kolmogorav Smirnov hitung
(KShitung) yang diperoleh dibandingkan dengan nilai KStabel yang diperoleh dari
tabel Kolmogorav Smirnov. Kriteria pengujian: data berasal dari populasi yang
berdistribusi normal jika KShitung < KStabel pada taraf signifikansi 0,05. Pengujian
ini menggunakan program SPSS 15.0 for Windows.
89
3.5.2.2 Uji Linieritas dan Keberartian Arah Regresi
Uji linieritas dan keberartian arah regresi perlu dilakukan untuk
mengetahui bentuk hubungan antara masing-masing variabel bebas, yaitu
keterampilan algoritmik, keterampilan metakognitif dan apresiasi matematika
dengan variabel terikat, yaitu prestasi belajar matematika. Analisis regresi dapat
dilakukan jika hubungan antara masing-masing variabel bebas dengan variabel
terikat adalah linier dan koefesien arah regresi juga signifikan atau berarti. Uji
linieritas dan keberartian arah regresi dilakukan secara sekaligus.
Pengujian linieritas regresi menggunakan uji F dengan bantuan program
SPSS 15.0 for Windows. Bagian yang harus diperhatikan untuk uji linieritas
regresi adalah Deviation from Linearity dan untuk keberartian arah regresi bagian
yang harus diperhatikan adalah Linearity. Pengambilan keputusan dilakukan
dengan memperhatikan nilai F Deviation from linearity, nilai F Linearity dan nilai
signifikansi (sig).
Kriteria pengujian linieritas yang digunakan adalah jika nilai sig. dari F
Deviation from linearity lebih besar dari taraf signifikansi = 0,05 (sig. > 0,05)
maka bentuk hubungan antara variabel bebas dan variabel terikat linier, dan
sebaliknya jika nilai sig dari F Deviation from linearity lebih kecil dari taraf
signifikansi = 0,05 (sig. < 0,05) maka bentuk regresinya tidak linier. Kriteria
pengujian keberartian arah regresi yang digunakan adalah jika nilai sig. dari F
Linearity lebih kecil dari taraf signifikansi = 0,05 (sig. < 0,05) maka koefesien
arah regresi berarti, sebaliknya jika nilai sig dari F Linearity lebih besar dari taraf
signifikansi = 0,05 (sig. > 0,05) maka koefesien arah regresi tidak berarti.
90
3.5.2.3 Uji Multikolinieritas
Uji multikolinieritas dilakukan dengan tujuan untuk menguji ada tidaknya
hubungan yang linier antar variabel bebas. Dalam analisis regresi akan terdapat
dua atau lebih variabel bebas yang diduga akan mempengaruhi variabel terikat.
Dugaan ini dapat dipertanggungjawabkan jika tidak ada hubungan linier
(multikolinieritas) di antara variabel-variabel bebas. Oleh karena itu, harus
dipastikan bahwa tidak terjadi adanya hubungan linier di antara variabel-variabel
bebas. Dalam penelitian ini variabel bebas yang akan diuji multikolinieritasnya
adalah keterampilan algoritmik, keterampilan metakognitif dan apresiasi
matematika. Teknik yang digunakan untuk menguji multikolinieritas adalah
dengan menggunakan modul regresi linier pada program SPSS 15.0 for Windows.
Pedoman yang digunakan adalah VIF (variance inflation factor) atau toleransi
(tolerance). Nilai VIF merupakan kebalikan dari nilai tolerance, sehingga dapat
ditulis VIF = 1/tolerance. Jika nilai VIF variabel bebas (keterampilan algoritmik,
keterampilan metakognitif dan apresiasi matematika) < 10 atau nilai tolerance >
0,1 maka antar variabel bebas tidak terdapat masalah multikolinieritas, sehingga
analisis linier dapat dilakukan.
3.5.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah antara masing-masing
variabel bebas dengan variabel terikat terdapat masalah autokorelasi atau tidak.
Yang dimaksud dengan masalah autokorelasi adalah jika data diurutkan
berdasarkan waktu maka data pengamatan dari penelitian yang dilakukan akan
91
dikonstribusi oleh data pengamatan dari penelitian sebelumnya (Candiasa, 2010).
Jika tidak terdapat masalah autokorelasi maka analisis regresi dapat dilakukan
(Ardana, 2007). Teknik yang digunakan untuk menguji autokorelasi adalah
dengan menentukan koefesien Durbin-Watson dari modul regresi linier pada
program SPSS 15.0 for Windows. Sulaiman (dalam Ardana, 2007) memberikan
ketentuan kisaran koefesien Durbin-Watson sebagai berikut.
Tabel 3.12 Kisaran Koefesien Durbin-Watson
1,65 < DW < 2,35 Berarti tidak terdapat autokorelasi
1,21 < DW < 1,65
atau
2,35 < DW < 2,79
Berarti tidak dapat disimpulkanapakah terdapat autokorelasi atau tidak
DW < 1,21 atau DW > 2,79 Berarti terjadi autokorelasi
3.5.2.5 Uji Heterokedastisitas
Uji heterokedastisitas dimaksudkan untuk mengetahui homogenitas antara
variabel terikat dengan masing-masing variabel bebas. Teknik yang digunakan
untuk menentukan heterokedastisitas adalah dengan menggambarkannya dalam
diagram pencar (scatter plot) residual pada modul regresi linier pada program
SPSS 15.0 for Windows. Kriteria keputusan yang digunakan adalah jika pada
diagram pencar residual terdapat pola tertentu yang mana titik-titik pada diagram
pencar tersebut bergelombang, melebar, atau menyempit maka telah terjadi
masalah heterokedastisitas. Akan tetapi jika pada diagram pencar residual tidak
terdapat pola tertentu yang mana titik-titik pada diagram pencar tersebut
92
menyebar secara acak di sekitar angka 0 pada sumbu Y maka tidak terjadi
masalah heterokedastisitas, sehingga analisis regresi dapat dilakukan.
3.5.3 Uji Hipotesis
3.5.3.1 Menguji dengan Analisis Korelasi
Analisis korelasi digunakan untuk menentukan hubungan antara hubungan
antara variabel bebas dan variabel terikat. Dalam penelitian ini terdapat enam
hubungan yang akan dianalisis, yaitu hubungan antara variabel KA dan KM, KA
dan AM, KM dan AM, KA dan PB, KM dan PB serta AM dan PB. Analisis
korelasi yang digunakan adalah Korelasi Product Moment dari Pearson, dengan
rumus:
R r N ∑ XY ∑ X ∑ YN ∑ X ∑ X N ∑ Y ∑ YKorelasi Product Moment dilambangkan dengan r dimana -1 ≤ r ≤ 1. Jika nilai r =
-1 artinya korelasinya negatif sempurna; r = 0 artinya tidak ada korelasi; dan r = 1
artinya korelasinya positif sempurna. Arti harga r akan dikonsultasikan dengan
tabel interpretasi nilai r seperti pada tabel 3.13.
Tabel 3.13 Interpretasi Koefesien Korelasi r
Interval Koefesien Tingkat Hubungan
0,800 – 1,00 Sangat Kuat
0,600 – 0,799 Kuat
0,400 – 0,599 Cukup Kuat
0,200 – 0,399 Rendah
0,000 – 0,199 Sangat Rendah
93
Untuk menguji signifikansi hubungan antara variabel bebas dan variabel
terikat maka perlu diuji signifikansi dengan membandingkannya dengan nilair . Kaidah keputusan adalah menggunakan taraf signifikansi = 5% jikar > r maka nilai r signifikan atau terdapat hubungan yang signifikan
(untuk uji ekor kanan) atau jika r < r maka nilai r signifikan atau
terdapat hubungan yang signifikan (untuk uji ekor kiri). Begitu juga sebaliknya
jika r < r atau r > r maka r tidak signifikan.
Selanjutnya menentukan koefesien determinasi antara variabel bebas dan variabel
terikat untuk mengetahui seberapa besar persentase variabel bebas berkonstribusi
terhadap variabel terikat, digunakan rumus koefesien diterminan (KP):
KP = R2 x 100%
3.5.3.2 Menguji dengan Analisis Regresi
Uji regresi digunakan untuk mengetahui pengaruh atau konstribusi antar
variabel. Dalam hal ini digunakan regresi linier sederhana dan ganda dengan
rumus sebagai berikut.
Persamaan regresi sederhana : Ŷ = a + bX
Persamaan regresi ganda : Ŷ = a + b1X1 + b2X2
Dimana:
X : variabel bebas
Y : variabel terikat
Ŷ : Y prediksi
a : konstanta
b : koefesien dari X
94
Uji signifikansi koefesien regresi menggunakan bantuan program SPSS
15.0 for Windows dengan memperhatikan nilai signifikansi (sig.) dari nilai F pada
tabel Anova dan Summary. Kriteria yang digunakan: jika nilai signifikansi lebih
kecil dari 0,05 (sig. < 0,05) maka koefesien regresi signifikan. Sebaliknya jika
nilai signifikansi lebih besar dari 0,05 (sig. > 0,05) maka koefesien regresi tidak
signifikan.
3.5.3.3 Menguji dengan Analisis Jalur
Analisis jalur (path analysis) digunakan untuk menguji besarnya
konstribusi yang ditunjukkan oleh koefesien jalur pada setiap diagram jalur dari
hubungan kausal antara variabel keterampilan algoritmik, ketarampilan
metakognitif dan apresiasi matematika dan variabel prestasi belajar matematika.
Langkah-langkah pengujian hipotesis dengan analisis jalur adalah sebagai berikut.
a) Menggambarkan diagram jalur dan merumuskan persamaan struktural
secara lengkap
b) Menghitung koefesien jalur berdasarkan pada koefesien regresi
c) Menguji kesesuaian antar model analisis jalur
Model konseptual hubungan antara keterampilan algoritmik (X1), keterampilan
metakognitif (X2) dan apresiasi matematika (X3) terhadap prestasi belajar
matematika (Y) yang diusulkan dalam penelitian ini adalah seperti gambar 3.2.
95
Gambar 3.2 Strukur Koefesien Jalur dan Korelasi Hubungan kausalketerampilan algoritmik (X1), keterampilan metakognitif (X2) danapresiasi matematika (X3) terhadap prestasi belajar matematika (Y)
Untuk mengetahui koefesien-koefesien jalur pada model kausal yang telah
digambarkan di atas, diperlukan dua analisis regresi, yaitu: (1) regresi AM atas
KA dan KM untuk mendapatkan ρ31 dan ρ32, dan (2) regresi PB atas KA, KM dan
AM untuk mendapatkan ρy1, ρy2 dan ρy3. Uji signifikansi hasil analisis jalur secara
simultan (keseluruhan) menggunakan uji F. Kriteria penentuan signifikansi nilai F
menggunakan nilai sig. Jika nilai sig. < 0,05 maka H0 ditolak dan Ha diterima,
artinya signifikan. Jika nilai sig. > 0,05 maka H0 diterima dan Ha ditolak, artinya
tidak signifikan. Uji signifikansi hasil analisis jalur secara individual (parsial)
menggunakan uji t. Kriteria penentuan signifikansi nilai t menggunakan nilai sig.
Jika nilai sig. < 0,05 maka H0 ditolak dan Ha diterima, artinya signifikan. Jika
nilai sig. > 0,05 maka H0 diterima dan Ha ditolak, artinya tidak signifikan.
KA(X1)
KM(X2)
AM(X3)
PB(Y)
ρy1
ρ31
r12
ε3 εy
ρ32
ρy2
ρy3
96
3.5.3.4 Menguji Kesesuaian Model
Uji kesesuaian model dilakukan untuk menguji apakah model yang
diusulkan memiliki kesesuaian dengan data (fit) atau tidak. Jika koefesien jalur
kurang dari 0,05 maka dapat dianggap tidak berarti sehingga model kausal akan
berubah atau disederhanakan atau jalur kedua variabel tersebut dihilangkan.
Konsekuensinya adalah bahwa untuk kedua variabel tersebut, koefesien
korelasinya dibentuk hanya oleh efek-efek tidak langsung saja. Pada model yang
telah disederhanakan, akan dihitung matriks korelasi. Jika matriks korelasi yang
diperoleh sama atau sangat mendekati matriks korelasi semula, maka dapat
diambil kesimpulan bahwa pola korelasi dalam data konsisten dengan model
kausal yang telah disederhanakan. Jika matriks korelasinya tidak sama, maka
model kausal perlu diganti dengan model lain.
Schumacker & Lomax (1996: 43) dan Kusnendi (2005: 19) mengatakan
bahwa dalam analisis jalur untuk suatu model yang diusulkan dikatakan sesuai
(fit) dengan data apabila matriks korelasi sampel tidak jauh berbeda dengan
matriks korelasi estimasi atau korelasi yang diharapkan (dalam Riduwan, 2011:
146).
Uji kesesuaian model analisis jalur menggunakan uji statistik kesesuaian
model koefesien Q dengan rumus: 11dimana:
Q = koefesien Q
= 1 1 . 1 … . 1
97
M = koefesien diterminan multipel setelah koefesien jalur yang tidak
signifikan dihilangkan
= koefesien diterminan untuk model yang diusulkan
Apabila Q = 1 menunjukkan model fit sempurna. Jika Q < 1 untuk menentukan fit
tidaknya model maka statistik koefesien Q perlu diuji dengan statistik W yang
dihitung dengan rumus:
Whitung = - (N – d) ln Q
dimana:
N = ukuran sampel
d = banyaknya koefesien jalur yang tidak signifikan (derajat kebebasan)
M = setelah dilakukan perbaikan (trimming)
Nilai Whitung yang diperoleh kemudian dibandingkan dengan nilai 2 dari tabel
distribusi chi-square pada dk = n - 1 dengan = 0,05. Kriteria yang digunakan
adalah jika Whitung > 2 maka matriks korelasi sampel tidak berbeda dengan
matriks korelasi estimasi artinya model yang diusulkan signifikan. Sedangkan jika
Whitung < 2 maka matriks korelasi sampel berbeda dengan matriks korelasi
estimasi artinya model yang diusulkan tidak signifikan.