Tabel 20. Hasil Uji Multikolinearitas
Model Tolerance
VIF Kesimpulan
1 Kualitas Informasi
0,923 1,084
Tidak terjadi Multikolinearitas
Penggunaan E-Learning
0,923 1,084
Tidak terjadi Multikolinearitas
Variabel Dependent: Motivasi Belajar 2
Kualitas Informasi 0,813
1,230 Tidak terjadi
Multikolinearitas Penggunaan
E-Learning 0,874
1,144 Tidak terjadi
Multikolinearitas Motivasi Belajar
0,794 1,260
Tidak terjadi Multikolinearitas
Variabel Dependent: Prestasi Belajar Sumber: Data Primer Diolah, 2016
3. Analisis data
a. Menilai Kriteria Goodness of Fit
1 Uji Offending Estimate Uji Offending Estimate dilakukan untuk melihat ada tidaknya
Offending Estimate yaitu estimasi koefisien baik dalam model struktural maupun model pengukuran yang lainnya di atas batas yang
dapat diterima. Apabila terjadi Offending Estimate maka peneliti harus menghilangkannya terlebih dahulu sebelum penilaian kelayakan
model. Berdasarkan hasil pengujian Offending Estimate dengan program AMOS 22,0 diperoleh hasil sebagai berikut:
a Nilai variance error bernilai positif Nilai variance error digunakan untuk menunjukkan poor
model fit dalam kategori besar atau kecil.
Tabel 21. Uji Variance Error
Variabel Estimate
S.E. C.R.
P
Kualitas informasi 35,270
4,516 7,810
Penggunaan E-learning 46,287 5,926
7,810 e1
26,887 3,443
7,810 e2
21,647 2,772
7,810 Sumber: Data Primer Diolah, 2016
Tabel 21 menunjukkan bahwa Variance error pada kolom estimate tidak bernilai negatif yaitu e1 sebesar 26,887 dan e2
sebesar 21,647. Hal ini menunjukkan bahwa poor model fit dalam kategori kecil.
b Standardized coefficient Standardized coefficient digunakan untuk mengetahui ada
tidaknya varian yang nilainya mendekati 1,0. Nilai Standardized coefficient ditunjukkan pada tabel sebagai berikut:
Tabel 22. Uji Standardized coefficient
Variabel Estimate
Kualitas informasi Motivasi belajar
0,341 Penggunaan E-learning
Motivasi belajar 0,220
Motivasi belajar Prestasi belajar
0,224 Kualitas informasi
Prestasi belajar 0,174
Penggunaan E-learning Prestasi belajar
0,386 Sumber: Data Primer Diolah, 2016
Tabel 22 menunjukkan bahwa nilai Standardized coefficient yang ditunjukkan pada kolom estimate untuk pengaruh kualitas
informasi terhadap motivasi belajar sebesar 0,341, pengaruh penggunaan E-learning terhadap motivasi belajar sebesar 0,220,
pengaruh motivasi belajar terhadap prestasi belajar sebesar 0,224,
pengaruh kualitas informasi terhadap prestasi belajar sebesar 0,174, dan pengaruh penggunaan E-learning terhadap prestasi
belajar sebesar 0,386. Semua nilai Standardized coefficient jauh dari angka 1,0.
c Standard Error Syarat lain model dikatakan terbebas dari permasalahan
Offending Estimate yaitu tidak ada Standar error yang bernilai tinggi mendekati 1,0 yang ditunjukkan pada tabel sebagai
berikut: Tabel 23. Uji Standar Error
Variabel Estimate
S.E C.R
Kualitas Informasi -Motivasi Belajar
0,334 0,082 4,061
Penggunaan E_Learning - Motivasi Belajar
0,188 0,072 2,618
Motivasi Belajar -Prestasi Belajar 0,222
0,081 2,735 Kualitas Informasi -Prestasi Belajar
0,170 0,079 2,157
Penggunaan E_Learning -Prestasi Belajar
0,328 0,066 4,948
Sumber: data primer diolah, 2016 Tabel 23 menunjukkan bahwa nilai Standard Error tidak ada
yang mendekati 1,0 yang ditunjukkan pada kolom S.E. Nilai Standard Error untuk pengaruh kualitas informasi terhadap
motivasi belajar sebesar 0,082, pengaruh penggunaan E-learning terhadap motivasi belajar sebesar 0,072, pengaruh motivasi
belajar terhadap prestasi belajar sebesar 0,081, pengaruh kualitas
informasi terhadap prestasi belajar sebesar 0,079, dan pengaruh penggunaan E-learning terhadap prestasi belajar sebesar 0,066.
Dari hasil uji offending estimate, menunjukkan bahwa dalam model tidak terjadi permasalahan offending estimate karena
semua syarat telah terpenuhi. Maka langkah selanjutnya adalah melakukan penilaian overall model fit.
2 Penilaian Overall Model Fit Penilaian overall model fit mengukur kesesuaian input observasi
atau sesungguhnya matrik kovarian atau korelasi dengan prediksi dari model yang diajukan proposed model. Ukuran goodness of fit
yang digunakan dalam penelitian ini adalah absolute fit measure dengan tujuan untuk mengukur fit secara keseluruhan. Berdasarkan
analisis yang dilakukan, maka diperoleh indeks-indeks goodness of fit sebagai berikut:
Tabel 24. Indeks Goodness of Fit
Goodness of Fit Cut off
value Hasil
Analisis Keterangan
CMIN Rendah
0,000 Baik
GFI ≥0,90
1,000 Baik
AGFI 0.90
- -
RMSEA 0,05-0,08
- -
Sumber: Data Primer Diolah, 2016 Berdasarkan analisis yang dilakukan, maka diperoleh indeks-
indeks goodness of fit sebagai berikut:
1 Likelihood Ratio Chi Square Chi Square adalah alat uji yang paling fundamental. Nilai
chi square yang kecil akan menghasilkan nilai probabilitas lebih besar dari tingkat signifikansi, hal ini menunjukkan bahwa input
korelasi antara prediksi dengan observasi tidak berbeda secara signifikan. Nilai chi square dapat dilihat pada hasil CIMN sebesar
0,000 yang menunjukkan model pada penelitian ini fit. 2 GFI Goodness of Fit Index
Goodness of Fit Index adalah ukuran non statistik yang nilainya berkisar dari 0 poor fit sampai 1 perfect fit. Nilai GFI
yang direkomendasikan adalah ≥ 0,90. Nilai GFI dalam tabel di atas menunjukkan nilai 1,000 yang berarti perfect fit.
3 AGFI Adjustment Goodness of Fit Index Adjustment Goodness of Fit Index adalah analog dari R
2
dalam regresi berganda. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah
matrik kovarian sampel. AGF I yang diharapkan sebesar ≥ 0,90.
Berdasarkan tabel 24 AGFI tidak menunjukkan nilainya. 4 RMSEA Root Mean Square Error of Approximination
Root Mean Square Error of Approximination adalah ukuran yang mencoba memperbaiki kecenderungan statistik chi square
menolak model dengan jumlah sampel yang besar. Nilai RMSEA
0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Berdasarkan tabel 24 RMSEA tidak menunjukkan hasil analisis.
Berdasarkan hasil uji Goodness of Fit, nilai Chi Square dan GFI menunjukkan model fit. Sedangkan AGFI dan RMSEA tidak
menunjukkan nilainya. Jadi secara keseluruhan dapat dikatakan bahwa model cukup fit.
b. Membangun Diagram Jalur
