51
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
mendalam yang mencangkup
penguasaan substansi isi materi,
sebagai guru mata pelajaran,
pembelajaran, struktur, konsep dan pola pikir
keilmuan yang mendukung mata pelajaran
2. Memahami tujuan
pembelajaran 3.
Mengolah materi pelajaran secara kreatif
Variabel Konsep Teoritis
Konsep Empiris Konsep Analitis
Skala
Memahami kurikulum serta
menambah wawasan keilmuan
Undang-undang No. 14 Tahun 2005
tentang Guru dan Dosen
4. Mengikuti kemajuan zaman
dengan belajar dari berbagai sumber
5. Memanfaatkan teknologi
informasi dan komunikasi dalam proses belajar
mengajar
Hasil belajar
Y
Hasil belajar adalah kemampuan yang
dimiliki siswa setelah ia menerima
pengalaman belajarnya
Nana Sudjana 2001:22
Nilai UN yang diperoleh siswa
dalam mata pelajaran ekonomi
Data diperoleh dari sekolah tempat diadakan penelitian
tentang nilai UN SMAN Cluster 1 se-kota Bandung tahun ajaran
20122013 pada mata pelajaran ekonomi
Interval
3.4 Teknik Pengumpulan Data
Teknik pengumpulan data merupakan cara atau langkah yang digunakan untuk memperoleh data yang diperlukan dalam penelitian
Berdasarkan jenisnya, data yang digunakan dalam penelitian ini adalah data primer, yaitu data yang diperoleh langsung dari responden melalui kuesioner.
Alat pengumpul data dalam penelitian ini adalah: 1.
Kuesionerangket, yaitu berupa daftar pertanyaan untuk menggali informasi mengenai masalah yang dibahas. Adapun kuesioner yang
digunakan dalam penelitian ini adalah bentuk kuesioner tertutup.
52
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
2. Studi dokumentasi, yaitu studi untuk mencari data mengenai hal-hal atau
variabel yang diteliti berupa dokumen-dokumen yang ada pada objek penelitian, dalam hal ini data diperoleh dari dinas pendidikan kota
Bandung dan sekolah diadakannya penelitian tentang nilai UN mata pelajaran ekonomi SMA tahun ajaran 20122013.
3. Studi literatur, yaitu teknik pengumpulan data dengan cara memperoleh
atau mengumpulkan data dari jurnal, artikel, dan media cetak lainnya yang berhubungan dengan konsep dan pembahasan yang diteliti.
3.5 Pengujian Instrumen Penelitian
Analisis instrumen penelitian digunakan untuk menguji apakah instrumen penelitian ini memenuhi syarat-syarat alat ukur yang baik atau
tidak sesuai dengan standar metode penelitian. Oleh karena pengumpulan data dilakukan dengan menggunakan instrumen yang berupa kuesioner,
maka dilakukan uji validitas dan uji reliabilitas atas instrumen penelitian ini.
3.5.1 Uji Validitas
Menurut Arikunto 2010 : 168 “validitas adalah suatu ukuran yang
menunjukkan tingkat-tingkat kevalidan atau kesahihan sesuatu instrumen. Suatu instrumen yang valid atau sahih mempunyai validitas tinggi.
Sebaliknya, instrumen yang kurang valid berarti memiliki validitas rendah”. Dalam uji validitas ini menggunakan langkah-langkah sebagai
berikut: 1.
Memberikan nomor pada angket 2.
Memberikan skor pada setiap bulir sesuai dengan bobot yang telah ditentukan
3. Menjumlahkan skor setiap responden
53
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
4. Menghitung korelasi dengan rumus Product Moment dari Pearson sebagai
berikut:
∑ ∑
∑ √{ ∑
∑ } { ∑
∑ }
Riduwan dan Kuncoro, 2011: 217 Dimana:
r
hitung
= koefisien korelasi ∑ Xi = jumlah skor item
∑ Yi = jumlah skor total seluruh item n
= jumlah responden
Karena subjek merupakan sampel besar, dimana n lebih besar dari 10, maka untuk melihat signifikansinya dilakukan dengan mendistribusikan
rumus student t, yaitu:
√ √
Riduwan dan Kuncoro, 2011: 217
Dimana: t = nilai t
hitung
r = koefisien korelasi hasil r
hitung
n = jumlah responden Distribusi Tab
el t untuk α = 0,05 dan derajat kebebasan dk = n-2. Kaidah keputusan: Jika t hitung t tabel berarti valid, sebaliknya jika t hitung
t tabel berarti tidak valid. Jika instrumen itu valid, maka dilihat kriteria penafsiran mengenai
indeks korelasinya r sebagai berikut Riduwan dan Kuncoro, 2011: 217: Antara 0,800-1,000 : sangat tinggi
Antara 0,600-0,799 : tinggi
54
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
Antara 0,400-0,599 : cukup tinggi Antara 0,200-0,399 : rendah
Antara 0,000-0,199 : sangat rendah tidak valid
Berikut ini adalah hasil pengujian validitas instrumen penelitian pada siswa kelas XII IPS SMAN Cluster 1 se-Kota Bandung yang diolah dengan
bantuan software Microsoft Office Excel 2007.
Tabel 3.3 Uji Validitas Instrumen Penelitian
No. item
r xy t Hitung
t Tabel Ketentuan
Keputusan
1 0,47
6,71 1,97
Valid 2
0,36 4,85
1,97 Valid
No. item
r xy t Hitung
t Tabel Ketentuan
Keputusan
3 0,60
9,74 1,97
t Hitung t Tabel
Valid 4
0,24 3,10
1,97 α= 95 serta
Derajat Kebebasan
dk = n-4 Valid
5 0,22
2,79 1,97
Valid 6
0,49 6,94
1,97 Valid
7 0,33
4,36 1,97
Valid 8
0,65 10,61
1,97 Valid
55
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
9 0,63
10,26 1,97
Valid 10
0,57 8,67
1,97 Valid
11 0,48
6,80 1,97
Valid 12
0,50 7,32
1,97 Valid
13 0,58
8,68 1,97
Valid 14
0,63 10,19
1,97 Valid
15 0,57
8,11 1,97
Valid 16
0,32 4,30
1,97 Valid
17 0,30
4,02 1,97
Valid 18
0,29 3,90
1,97 Valid
19 0,46
6,42 1,97
Valid 20
0,36 4,83
1,97 Valid
21 0,30
3,99 1,97
Valid 22
0,80 16,05
1,97 Valid
23 0,78
15,49 1,97
Valid 24
0,54 8,12
1,97 Valid
25 0,79
15,72 1,97
Valid 26
0,76 15,23
1,97 Valid
27 0,63
10,23 1,97
Ketentuan
t Hitung t Tabel,
Valid
No. item
r xy t Hitung
t Tabel Keputusan
28 0,80
16,76 1,97
Valid 29
0,77 15,15
1,97 Valid
56
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
30 0,76
15,15 1,97
α= 95 serta Derajat
Kebebasan dk = n-4
Valid 31
0,64 10,39
1,97 Valid
32 0,61
9,87 1,97
Valid 33
0,83 19,14
1,97 Valid
34 0,70
12,50 1,97
Valid 35
0,69 12,35
1,97 Valid
36 0,64
10,42 1,97
Valid 37
0,72 12,85
1,97 Valid
38 0,81
18,73 1,97
Valid 39
0,64 10,48
1,97 Valid
40 0,78
15,64 1,97
Valid
Sumber : Hasil Penelitian data diolah
Tabel 3.3 tersebut menunjukkan bahwa seluruh t hitung lebih besar daripada t tabel sehingga dapat disimpulkan bahwa seluruh item dalam angket
yang digunakan dalam penelitian ini merupakan item yang valid dan layak digunakan sebagai instrumen penelitian.
3.5.2 Uji Reliabilitas
Suharsimi Arikunto 2010: 184 mengungkapkan bahwa reliabilitas menunjuk pada tingkat keterandalan sesuatu. Suatu instrumen dikatakan
reliabel jika cukup dapat dipercaya untuk digunakan sebagai alat pengumpul data karena instrument tersebut sudah baik, tidak bersifat tendesius, dapat
dipercaya, datanya memang benar sesuai dengan kenyataannya hingga berapa kali pun diambil, hasilnya akan tetap sama.
57
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
Untuk menghitung uji reliabilitas, penelitian ini menggunakan rumus alpha dari Cronbach sebagaimana berikut:
r
11
= [
] [
∑
] Suharsimi Arikunto, 2010 Keterangan:
r
11
= reliabilitas instrumen k
= banyak butir pernyataan atau banyaknya soal ∑
= Jumlah varians butir varians total
Selanjutnya, untuk melihat signifikansi reliabilitasnya dilakukan dengan mendistribusikan rumus student t, yaitu:
t
hit
=
√ √
Suharsimi Arikunto, 2010 Dengan kriteria : Jika t
hitung
t
tabel
, maka instrument penelitian reliabel dan signifikan, begitu pula sebaliknya.
Berikut ini merupakan hasil uji reliabilitas yang diolah dengan bantuan Microsoft Excel 2007.
Tabel 3.4 Uji Reliabilitas Variabel
Variabel r Hitung
r Tabel Ketentuan
Keputusan Kompetensi Pedagogik X1
0.805 0.129
r hit r tab dengan α =
0.05 Reliabel
Kompetensi Kepribadian X2 0.899
Reliabel Kompetensi Sosial X3
0.733 Reliabel
Kompetensi Profesional X4 0.691
Reliabel
Sumber : Hasil Penelitian data diolah
Berdasarkan Tabel 3.4 ditunjukkan bahwa seluruh instrumen penelitian memiliki reliabilitas yang memadai karena nilai r Hitung
r Tabel dengan α =
58
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
0,05. Maka, seluruh instrumen dalam penelitian ini merupakan instrumen yang terpercaya.
3.5.3 Uji Normalitas
Uji normalitas dimaksudkan untuk mengetahui apakah data penelitian berdistribusi normal atau tidak berdistribusi normal. Dalam
penelitian ini uji normalitas dilakukan dengan menggunakan metode Jarque- Bera JB. Jika nilai JB mendekati 1 maka data berdistribusi normal, namun
jika nilai JB mendekati 0 maka data tidak berdistribusi normal.
3.6 Uji Asumsi Klasik
3.6.1 Uji Multikolinearitas
Multikolinieritas adalah hubungan linier yang sempurna atau pasti diantara beberapa variabel atau semua variabel yang menjelaskan dari model
regresi. Multikolinieritas merupakan salah satu bentuk pelanggaran terhadap asumsi model regresi linier klasik karena bisa mengakibatkan estimator OLS
memiliki : 1.
Kesalahan baku sehingga sulit mendapatkan estimasi yang tepat. 2.
Akibat poin satu, maka interval estimasi akan cenderung lebih lebar dan nilai hitung statistik uji t akan kecil sehingga membuat variabel devenden
secara statistik tidak signifikan mempengaruhi variabel independent.
59
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
3. Walaupun secara individu variabel independent tidak berpengaruh
terhadap variabel dependen melalui uji statistik t, namun nilai koefisien determinasi masih relatif tinggi.
Untuk mendeteksi ada tidaknya multikolinieritas dalam suatu model OLS, maka menurut Yana Rohmana 2010: 143 dapat dilakukan beberapa
cara berikut ini : 1.
Multikolinieritas diduga ketika R
2
tinggi yaitu antara 0,7-1,00 tetapi hanya sedikit variabel independent yang signifikan mempengaruhi
variabel dependen melalui uji t namun berdasarkan uji F secara statistik signifikan yang berarti semua variabel independent secara bersama-sama
mempengaruhi variabel dependen.
Dalam hal ini menjadi kontradiktif dimana berdasarkan uji t secara individual variabel independent tidak berpengaruh terhadap variabel
dependen, namun
secara bersama-sama
variabel independent
berpengaruh terhadap variabel dependen. 2.
Dengan koefisien korelasi sederhana zero coefficient of correlation, jika nilainya tinggi menimbulkan dugaan terjadi multikolinier tetapi belum
tentu dugaan itu benar. 3.
Dengan melihat hubungan tidak hanya satu variabel akan tetapi multikolinieritas bisa terjadi karena kombinasi linier dengan variabel
independent lain. Keputusan ada tidaknya unsur multikolinier dalam model ini biasanya dengan membandingkan nilai hitung F dengan nilai
kritis F, jika nilai hitung F lebih besar dari nilai kritis F dengan tingkat signifikansi a dan derajat kebebasan tertentu maka dapat disimpulkan
model mengandung unsur multikolinier.
60
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
4. Dengan metode Klien, klien menyarankan untuk mendeteksi
multikolinier dengan membandingkan koefisien determinasi aukiliary dengan koefisien determinasi model regresi aslinya yaitu Y dengan
variabel independent. Sebagai rule of thumbuji klien ini, jika R
2
x1x2x3…x4 lebih besar dari R
2
maka model mengandung unsur multikolinier antara variabel independent dan jika sebaliknya maka tidak ada korelasi antar variabel
independent. Apabila
terjadi multikolinieritas
menurut Yana
Rohmana 2010:149, disarankan untuk mengatasinya dengan cara :
1. Penambahan sampel.
2. Menghilangkan variabel independent.
3. Menggabungkan data cross-section dan data time series.
4. Transformasi variabel.
5. Penambahan data.
3.6.2 Uji Heteroskedastis
Salah satu asumsi pokok lain dalam model regresi linier klasik ialah bahwa varian-varian setiap disturbance term yang dibatasi oleh nilai tertentu
mengenai variabel-variabel bebas adalah berbentuk suatu nilai konstan yang sama dengan
2
. Inilah yang disebut sebagai asumsi homoskedastisitas, Yana
Rohmana, 2010:
160. Konsekuensi
logis dari
adanya heteroskedastisitas adalah menyebabkan perhitungan standard error metode
OLS menjadi tidak bisa dipercaya kebenarannya, akibatnya interval estimasi
61
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
maupun uji hipotesis yang didasarkan pada distribusi t maupun uji F tidak bisa lagi dipercaya untuk evaluasi hasil regresi.
Heteroskedastisitas dapat dideteksi melalui beberapa cara antara lain: melalui metode grafik, test park uji park, uji glejser glejser test, uji
korelasi spearmant, uji goldfield-Quandt, uji Breusch-Pagan-Godfrey, uji umum heteroskedastis white, ujiheteroskedastis berdasarkan residual OLS
atau model ekonometrika linier. Pada penelitian ini peneliti akan mendeteksi heteroskedastis dengan metode White, dengan kriteria sebagai berikut:
a. Hasil penghitungan melalui White Heteroscedasticity Test
menghasilkan nilai ObsR- squared χ
2 hitung
. Jika nilai χ
2 hitung
nilai χ
2 tabel
, maka model dalam penelitian terbebas dari masalah heteroskedastisitas, begitupun sebaliknya.
b. Probability dari nilai ObsR-
squared χ
2 hitung
harus lebih besar dari α 0,05 yang berarti model tidak terkena heterokedastisitas.
3.6.3 Uji Autokorelasi
Asumsi penting lainnya yang akan diuji dalam penelitian ini adalah uji autokorelasi atau serial korelasi. Autokorelasi menggambarkan adanya
korelasi antara anggota observasi satu dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi OLS, autokorelasi merupakan
korelasi antara satu variabel gangguan dengan variabel gangguan yang lain Yana Rohmana 2010:192.
Adanya gejala autokorelasi dalam model regresi OLS dapat menimbulkan :
1. Estimator OLS menjadi tidak efisien karena selang keyakinan melebar.
2. Variance populasi
2
diestimasi terlalu rendah underestimated oleh variansresidual taksiran
2
.
62
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
3. Akibat butir b, R
2
bisa ditaksir terlalu tinggi overestimated. 4.
Jika
2
tidak diestimasi terlalu rendah, maka varians estimator OLS
5. Pengujian signifikansi t dan F menjadi lemah.
Ada beberapa cara untuk mendeteksi autokorelasi pada model regresi, diantaranya dengan mengguanakan metode Grafik, uji loncatan Runs
Test atau uji Geary Geary Test, uji Durbion Watson Durbin Watson d test, uji Breusch-Godfrey Breusch-Godfrey test. Pada penelitian ini, penulis
menggunakan uji Breusch-Godfrey Breusch-Godfrey test atau Lagrange Multiplier LM untuk mendeteksi autokorelasi, yaitu dengan cara melihat
nilai probabilitasnya dengan ketentuan sebagai berikut: a.
Jika nilai probabilitasnya lebih besar dari 0.05 atau α=5, berarti
tidak ada autokorelasi. b.
Jika nilai probabilitasnya kurang dari 0.05 atau α=5, berarti ada
autokorelasi.
3.7 Analisis Data dan Pengujian Hipotesis 3.7.1 Teknik Analisis Data
Dalam penelitian ini teknik analisis data yang digunakan adalah analisis regresi. Teknik analisis regresi digunakan untuk mengetahui
hubungan suatu variabel dependen dengan variabel independen Yana Rohmana, 2010: 21. Sedangkan model yang digunakannya adalah model
regresi linier berganda karena variabel bebasnya lebih dari satu buah. Persamaan model dalam penelitian ini adalah sebagai berikut:
63
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii e
X a
X a
X a
X a
a Y
4 4
3 3
2 2
1 1
keterangan: Y
= Hasil belajar siswa
a
= Konstanta α
1
, α
2
, α
3
, α
4
= Koefisien X
1
= Kompetensi pedagogik X
2
= Kompetensi kepribadian X
3
= Kompetensi sosial X
4
= Kompetensi profesional e
= Variabel pengganggu faktor residual Untuk mendapatkan koefisien regresi berganda, digunakan analisis
Ordinary Least Square OLS atau analisis kuadrat terkecil. Formula atau rumus regresi diturunkan dari suatu asumsi data tertentu. Dengan demikian
tidak semua data dapat diterapkan regresi. Jika data tidak memenuhi asumsi regresi, maka penerapan regresi akan menghasilkan estimasi yang bias. Jika
data memenuhi asumsi regresi maka estimasi α yang diperoleh akan bersifat
BLUE yang merupakan singkatan dari Best, Linear, Unbiased, Estimator. Best, artinya yang terbaik, dalam arti garis regresi merupakan
estimasi atau ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih.
Garis regresi adalah best jika garis itu menghasilkan error yang terkecil error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan
oleh garis regresi. Jika best bersifat unbiased maka estimator regresi disebut koefisien.
Linear. Estimator disebut linear jika estimator tersebut itu merupakan fungsi linier dari sampel.
64
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
Rata-rata X = ∑
X
1
+ X
2
+ ........... + X
n
Adalah estimator yang linear, karena merupakan fungsi lineardari nilai-nilai X. Nilai OLS juga merupakan klas estimtor\ yang linear
Unbiased. Estimator dikatakan unbiased jika nilai harapan dari estimator sama dengan nilai yang benar dari
β. Rata-rata =
β = β Bias = Rata-rata
β - β Metode OLS yang dirumuskan di atas merupakan penaksir yang
memiliki sifat BLUE. OLS akan memiliki sifat BLUE jika memenuhi asumsi- asumsinya, dari mana penururnan formula OLS tersebut diturunkan. Adapun
asumsinya adalah sebagai berikut: 1.
Hubungan antara variabel Y variabel dependen dan X variabel independen adalah linier dalam parameter.
2. Nilai X nilainya tetap untuk observasi yang berulang-ulang non-
stocastic. Karena variabel independennya lebih dari satu maka ditambah satu asumsi, tidak ada hubungan linier antara variabel independen atau
tidak ada multikolinieritas antar variabel X dalam persamaan model. 3.
Nilai harapan expected value atau rata-rata dari variabel gangguan adalah nol.
EeX
i
= 0 4.
Varian dari variabel gangguan atau residual ei atau e
i
adalah sama homoskedastisitas.
Vare
i
X
i
= E[e
i
-Ee
i
X
i
]
2
= Ee
i
X
i
karena asumsi 3 =
2
65
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
5. Tidak ada serial korelasi gangguan atau residual ei atau residual e
i
tidak saling berhubungan dengan residual e
i
lain. Cove
i
,e
j
X
i
,X
j
= E[e
i
– Ee
i
X
i
] [e
j
Ee
j
X
j
] = Ee
i
X
i
e
j
X
j
= 0 6.
Variabel gangguan e
i
berdistribusi normal. Jika regresi linier berganda memenuhi 6 asumsi di atas, maka persamaan
regresi linier dapat diartikan sebagai berikut: E Y, X
1
, X
2
, X
3
, X
4
=
e X
a X
a X
a X
a a
4 4
3 3
2 2
1 1
Artinya : nilai harapan expected value atau rata-rata dari Y pada nilai tertentu dipengaruhi variabel independen X
1
, X
2
, X
3
dan X
4
.
Sedangkan 1
a adalah mengukur perubahan rata-rata Y atau nilai harapan E Y X
1
, X
2
, X
3
, X
4
terhadap perubahan per unit X
1
dengan asumsi variabel X
2
, X
3
dan X
4
tetap. Begitu pula dalam mengukur koefisien 2
a 3
a 4
a . Berdasarkan asumsi di atas, maka jenis data yang akan dianalisis
harus memenuhi kriteria analisis regresi linier berganda. Jenis data yang terkumpul adalah data ordinal dan interval, sejalan dengan tujuan penelitian
yaitu untuk mengetahui pengaruh kompetensi guru terhadap hasil belajar siswa. Pengujian hipotesis ini menggunakan analisis regresi linier berganda
sebagaimana yang diungkapkan oleh Sugiyono 1999: 16 yang mempersyaratkan bahwa
“jenis data yang dapat diuji oleh regresi linier harus memiliki data interval atau rasio”.
66
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
Dengan adanya syarat tersebut, maka data yang berjenis ordinal yaitu data variabel bebas X
1
, X
2,
X
3
dan X
4
harus ditingkatkan menjadi data interval melalui Methods of Successive Interval MSI. Salah satu
kegunaannya dalam skala pengukuran sikap adalah untuk menaikkan pengukuran dari ordinal ke interval.
Hal itu sesuai dengan apa yang dikemukakan oleh Harun Al-rasyid 1993: 131-134 dalam bukunya Teknik Penarikan Sampel dan Penyusunan
Skala. Langkah kerja Methods of Succesive Interval MSI adalah sebagai berikut:
1. Perhatikan tiap butir pernyataan, misalnya dalam angket.
2. Untuk butir tersebut, tentukan berapa banyak orang yang mendapatkan
menjawab skor 1,2,3,4,5 yang disebut frekuensi. 3.
Setiap frekuensi dibagi dengan banyaknya responden dan hasilnya disebut Proporsi P.
4. Tentukan Proporsi Kumulatif PK dengan cara menjumlah antara
proporsi yang ada dengan proporsi sebelumnya. 5.
Dengan menggunakan tabel distribusi normal baku, tentukan nilai Z untuk setiap kategori proporsi kumulatif yang telah diperoleh.
6. Tentukan nilai densitas untuk setiap nilai Z yang diperoleh dengan
mengunakan tabel ordinat distribusi normal baku. 7.
Hitung SV Scale Value = Nilai Skala dengan rumus sebagai berikut:
8. Menghitung skor hasil tranformasi untuk setiap pilihan jawaban dengan
Rumus:
[ | |]
67
Rini Wulandari, 2014 Pengaruh kompetensi guru terhadap hasil belajar siswa SMA Negeri Cluster 1 Se-Kota
Bandung pada mata pelajaran ekonomi Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
ii
Selain dengan cara manual, penulis mengolah data MSI menggunakan software STAT 97 yang merupakan aplikasi tambahan dari
software microsoft excel. Setelah data ditransformasikan dari data skala ordinal ke skala interval, maka hipotesis dapat langsung diuji menggunakan
teknik analisis regresi untuk mengetahui ada tidaknya hubungan serta pengaruh antar variabel bebas X dengan variabel terikat Y baik secara
simultan maupun parsial.
3.8 Uji Hipotesis