linear jika nila i sig F pada baris dev iation from line arity yang ditem uka n lebih be sar dari 0,05. Ali m uhson, 2012
c. Uji M ultikolienaritas Uji m ultikolienaritas bertujuan untuk m elihat ada tidaknya hubunga n
yang sangat kua t sem purna antar variabe l bebas X. U ji m ultikolienarita s dapat di uji denga n uji VIF. Data tida k terjadi m ultikoliniaritas jika nila i
VIF kurang dari 4. Ali m uhson, 2012:24. 2. Analisis Da ta
Teknik analisis data yang digunakan dalam pene litian ini a dalah ana lisis Jalur Path analysis
. Sugiyono 2012:297 “analisis jalur digunakan untuk m elukiskan m ode l hubungan antar variabel yang berbentuk se bab akibat bukan
bentuk hubunga n interaktifreciprocal ”. Melalui analisis jalur akan ditemukan
jalur m ana yang pa ling tepat dan singka t suatu variabe l inde penden m enuju variabel depende n terakhir. A nalisis jalur ini dilakukan dengan bantuan
program AM OS versi 22. Langkah-la ngkah yang dilakukan untuk analisis jalur yaitu:
a. M enilai Kriteria G oodness of Fit
Langkah pertam a kali yang harus dilakukan adalah m enilai apaka h data yang akan diolah m em enuhi asum si m odel persam aan struktural. Untuk
m engujinya m aka dilakukan Uji asum si dasar, U ji Offending Estim ate, da n Penilaian Overall M odel F it.
1 Uji Asumsi Dasar
Asum si dasar yang harus dipe nuhi da lam prosedur pengum pulan dan pengolahan data yang diana lisis dengan perm odelan Struc tural
Equation Modeling SEM adalah sebagai berikut: Observasi data independen, Responden diam bil secara random dan acak, m em iliki
hubungan linear. Selain itu juga perlu dilakukan uji norm alitas dan uji m ultikoliniaritas Im am Ghozali,2008:65
2 M elakukan Uji Offending Estimate
Uji ini dilakukan untuk m engetahui ada tida knya Offending Estimate, yaitu Uji ini dila kukan untuk m eliha t ada tidaknya Offending
Estimate yaitu estim asi koefisie n baik dalam m odel structural m aupun m odel pengukuran ya ng lainnya di atas bata s yang dapa t diterim a. Ciri-
ciri terjadi O ffending Estimate adalah sebaga i berikut: a Variance error yang negatif a tau non-signifikan error variance untuk
konstruk b Standardized coefficient yang m endekati 1
c Adanya sta ndar error yang tinggi Jika terja di offending estimate, m aka peneliti harus m enghilangkan
terlebih dahulu sebelum penilaian kelaya kan m ode l Im am Ghozali, 2008:65
3 Penilaian Overall M odel Fit
Penilaian Overall Mode l F it m engukur kese suaian input observasi m atrik kovarian atau korelasi dengan prediksi m odel yang
diajukan proposed m odel, ukuran G oodness Of Fit yang digunaka n adalah sebagi berikut:
a ᵪ2 Chi Squre Statistic
Penelitia n ini m enggua nkan likelihood ratio chi square statistic. M odel dikatakan ba ik jika m em iliki nilai chi square = 0,
yang artinya tidak terdapa t perbe daan ata u m engharapkan m odel yang diusulka n cocok a tau fit dengan data sesungguhnya. Tingkat
signifikan pe nerim aan yaitu apabila probability p 0,05 yang berarti m atrik input se benernya de ngan m atrik input yang diprediksi
tidak berbe da secara statistik Im am Ghozali , 2008:66
b GFI Goodness of fit Index
GFI digunakan untuk m enghitung proporsi tertim bang dari varians dalam m atriks kovarians sam pel yang dijelaskan oleh
m atriks kovarians populasi yang terestim asikan. Indeks GFI m encerm inkan tingkat kesesua ian m odel secara keseluruhan yang
dihitung dari residual kua drat m ode l yang diprediksi dibandingkan dengan data sebe narnya. Nilai G oodness of Fit Index berkisar dari 0
poor fit – 1perfect fit. Nilai GFI dikatakan baik jika mendekati 1,
yaitu sam a atau lebih dari 0,90. ya ng m engisyaratkan bahwa m odel yang diuji m em iliki kesusuaian yang ham pir sam a denga n data
sebenarnya Im am Ghozali, 2008: 67.
c RM SEA Root M ean Square Error of Approximation
RM SEA m erupakan ukuran yang m encoba m em perbaiki kecenderungan statistic chisquare m enolak m odel dengan jum lah
sam pel yang besar. Nila i RM SEA 0,05 m erupakan good fit, sedangka n 0,08 m erupakan ukuran reasonable fit. Program
AM OS akan m em berikan nilai RM S EA dengan perintah \rm sea. Im am Ghozali, 2008: 67.
d AGFI Adjuste d Goodness-of-fit Index
AGFI m erupakan analog dari R
2
dalam regresi berganda. Baik AGFI atau GFI ada lah kriteria ya ng m em perhitungkan proporsi
tertim bang dari varia ns da lam sebuah m atriks kovaria ns sam pel. AGFI yang diharapkan sebesar ≥ 0,90. Program AMOS akan
m em berikan nila i AGFI dengan perintah \agfi Im am Ghozali, 2008: 67.
b. M embangun Diagram Jalur
M em bangun diagram jalur digunakan untuk
m engindika sika n hubungan ka usalitas atau sebab akibat dari sa tu konstruk kepa da konstruk
lainya dan digam barkan dengan garis sa tu arah one way line a nak panah. Adapun diagram jalur dalam penelitian ini adalah sebag ai berikut:
Gam bar 2. Diagram Jalur
c. M enerjemahkan Diagram Jalur ke dalam Persam aan Struktural
Setelah m engem bangkan m ode l teoritis dan dituangkan ke dalam diagram jalur, m aka peneliti siap untuk m enginterpre tasika n m odel tersebut
ke dalam persam aan struktural. Langkah m enerjem ahkan yaitu setia p konstruk endogen m erupa kan de penden variabe l di da lam persam aan yang
terpisah sehingga variabel independen adalah sem ua konstruk yang m em punyai garis de ngan anak panah ya ng m enghubungkannya ke konstr uk
endogen Im am Ghozali, 2008: 2 4. Y
1
= b
1
x
1
+ b
2
x
2
+ e
1
X1
X2 Y1
Y2
b 1 b3
b b4
b e
e
Y
2
= b
3
x
1
+ b
4
x
2
+ b
5
x
3
+ e
2
d. M enerjemahkan Hipotesis Penelitian
Cara menerjem ahkan hipotesis dengan m eliha t critical ratio CR dan dengan nilai probabilitas. Hipotesis diterim a jika nila i CR 1,96 dan nila i
probabilitasnya taraf signifika nsi 0,05 5. Sebaliknya, hipotesis ditola k apabila nilai CR 1,96 dan nila i probabilitasnya taraf signifikansi 0 ,05
5 Im am Ghozali, 2008: 163.
e. M enilai Besarnya Koefisien Jalur
Dalam analisis jalur terdapat koefisiensi jalur. K oefisiensi jalur m engindikasikan dom ina nnya pengaruh variabel e ksogen terhada p variabe l
endogen. A pabila koefisiensi ja lur rendah, serta m em iliki angka di bawa h 0,05, m aka pengaruh jalur tersebut dianggap renda h sehingga d apa t
dihilangkan. Besarnya pengaruh ini dapat dilihat dari nilai e stimate pada standardized regre ssion weights.
61
BAB IV H ASIL PENELITIAN DAN PEM BAH ASAN
A. Hasil Penelitian
1. Deskripsi Data Variabel Penelitian
Data hasil penelitia n yang digunakan untuk m enganalisis da ta adalah data dari variabel independen yaitu lingkungan ke luarga X1 dan fasilitas belajar
X2 dan varia bel depe nden ya itu m otivasi belajar Y1 dan hasil belajar Y2 yang diperoleh dari a ngket dan dokum enta si. Pada bagia n ini dideskripsikan
dari data m asing-m asing variabel yang telah diolah dilihat dari nilai rata -rata mean, median, modus, da n standar deviasi. Selain itu juga disajikan tabel
distribusi frekuensi dan dia gram batang dari distrib usi frekuensi m asing-m asing variabel serta tabel kecenderungan dari m asing
–masing variabel. Berikut ini rincian hasil pengolaha n data yang telah dilakukan dengan bantuan SPSS versi
20.0 a. Lingkungan Keluarga
Perolehan data dari variabel lingkunga n keluarga diperoleh dari angket yang diisi oleh sam pel sebanyak 118 siswa dengan jum lah butir
pertanyaan yang lolos seba nyak 12. Data variabel lingkungan keluarga m em iliki nila i maksimum 58,0; nila i minimum 29,0; Mean M 45,07;
Median M e 45,07; Modus M o 42,00; da n Standar Deviasi SD 5,38. Jum lah kela s interval dalam variabel lingkungan ke luarga adalah 1+ 3,3
log118 = 7,83 jadi jum lah ke las interval 7 atau 8. Pada penelitian ini
m enggunaka n 8 ke las. Rentang data dihitung dari nilai m aksimum dikurangi dengan nila i m inimum yaitu sebe sar 58-29= 29. Denga n diketahuinya
rentang da ta m aka akan diperoleh panjang kelas yang dihitung dari rentang data dibagi dengan kelas interva l yaitu yaitu 298 = 3,62 dibulatkan m enjadi
4. Hasil penghitunga n ini dapa t dibuat tabel distr ibusi frekuensi, seperti table 12. berikut ini:
Tabel 12 . Distribusi Frekuensi Variabe l Lingkungan Keluarga No. Interval
F Presentase
1 57-60
1 0,8
2 53-56
6 5,1
3 49-52
18 15,3
4 45-48
26 22,0
5 41-44
37 31,4
6 37-40
22 18,6
7 33-36
7 5,9
8 29-32
1 0,8
Jum lah 118
100 Sum ber : Data prim er yang diolah, 2016
