Analisis Structural Equation Modeling SEM

Tabel 3.10 Ketuntasan Minimal KKM Mata Pelajaran Ekonomi No Nilai Kriteria 1 ≥ 70 Tuntas 2 70 Belum Tuntas Sumber : Data diolah, 2013

3.6.2 Analisis Structural Equation Modeling SEM

Menurut Ghozali 2011:4 model persamaan struktural merupakan gabungan dari analisis faktor dan analisis jalur path analysis menjadi satu metode statistik komprehensif. Analisis ini digunakan untuk mengestimasi suatu seri atau deret hubungan dependensi secara simultan menjadi suatu variabel bebas di dalam hubungan dependensi selanjutnya. Dalam penelitian ini terdiri dari beberapa persamaan yang meliputi banyak variabel dimana variabel dari satu persamaan dapat menjadi independen pada persamaan lainnya, maka digunakan analisis persamaan struktural SEM. Analisis SEM digunakan untuk mengetahui hubungan struktural antar variabel yang diteliti. Dalam menganalisis jalur digunakan path model, yaitu model dasar yang digunakan untuk menganalisis jalur path analysis untuk mengestimasi kekuatan dari hubungan-hubungan kausal antara suatu atau beberapa variabel path model dalam penelitian dari diagram jalur sebagai berikut: Gambar 3.1 Diagram jalur Sebelum diagram jalur tersebut diterjemahkan ke dalam persamaan struktural struktural equation modeling, kesesuaian model dievaluasi terlebih dahulu dengan berbagai kriteria dalam SEM. Asumsi-asumsi yang harus dipenuhi dalam prosedur pengolahan data yang dianalisis dengan permodelan SEM adalah: a. Uji normalitas Asumsi yang paling fundamental dalam analisis multivariate adalah normalitas, yang merupakan suatu bentuk distribusi data pada suatu variabel metrik tunggal dalam menghasilkan distribusi normal Hair, 1998 dalam Ghozali dan Fuad, 2008:36. Suatu distribusi data yang tidak membentuk distribusi normal, maka data tersebut tidak normal, demikian sebaliknya, data dikatakan normal apabila data tersebut membentuk distribusi normal. Ghozali dan fuad 2008:36 mengemukakan bahwa normalitas dapat diuji dengan melihat nilai z untuk skewness dan kurtosisnya. Nilai z skewness dapat dihitung sebagai berikut : Z skewness = Kompetensi profesional guru X 1 Fasilitas belajar X 2 Motivasi belajar X 2 Hasil Belajar Y Dimana N merupakan ukuran sampel. Nilai statistik z untuk kurtosisnya dapat dihitung dengan menggunakan formula berikut ini: Z kurtosis = Jika nilai z, baik z kurtosis maupun z skewness adalah signifikan kurang daripada 0,05 pada tingkat 5, maka dapat dikatakan bahwa distribusi data adalah tidak normal. Sebaliknya, jika nilai z kurtosis maupun z skewness tidak signifikan lebih besar daripada 0,05, maka distribusi data adalah normal. Sehingga, dapat disimpulkan bahwa untuk uji normalitas ini mengharapkan hasil yang tidak signifikan. Sedangkan menurut Ghozali 2011:226 Evaluasi normalitas dilakukan dengan kriteria critical ratio skewness value sebesar ± 2.58 pada tingkat signifikansi 0.01. Data dapat disimpulkan mempunyai distribusi normal jika nilai critical ratio skewness value dibawah harga mutlak hasil output normalitas. b. Outliers Outliers adalah kondisi observasi dari suatu data yang memiliki karakteristik unik terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal ataupun variabel-variabel kombinasi Hair et al, 1998 dalam Ghozali 2011:227. Deteksi terhadap multivariate outliers dilakukan dengan memperhatikan nilai mahalonabis distance. Kriteria yang digunakan adalah berdasarkan nilai Chi- squares pada derajat kebebasan degree of freedom 34 yaitu jumlah variabel indikator pada tingkat signifikansi p 0.001. Nilai Mahalobis distance χ 2 34, 0.001 = 66.25. Hal ini berarti semua kasus yang mempunyai mahalonobis distance yang lebih besar dari 66.25 adalah multivariate outliers. c. Evaluasi Multikolinearitas Multikolinearitas dapat dilihat melalui determinan matrix kovarians. Nilai determinan yang sangat kecil menunjukkan indikasi terdapat masalah multikolinearitas atau singularitas, sehingga data itu tidak dapat digunakan untuk penelitian Tabachnick dan Fidell, 1998 dalam Ghozali 2011:230. Langkah selanjutnya adalah mengevaluasi kesesuaian model. Dalam analisis SEM digunakan beberapa uji statistik untuk menguji hipotesis dari model yang dikembangkan. Menurut Ghozali dan Fuad 2008:31-34, uji statistik yang umumnya digunakan untuk mengukur tingkat kesesuaian model dalam penelitian ini adalah: a. X 2 - chi square statistik Alat uji statistik ini digunakan untuk menguji adanya perbedaan antara matriks kovarian populasi dan matriks kovarian sampel. Model yang diuji akan dipandang baik atau memuaskan apabila nilai chi squarenya untuk p 0,05. b. GFI Goodness of fit indeks Rentang nilai GFI berkisar antara 0 poor fit sampai dengan 1,0 perfect fit. Nilai yang mendekati 1 dalam indeks ini menunjukkan kesesuaian yang baik. Nilai GFI diharapkan 0,90 Diamontopaulus dan Siguaw, 2000 c. Adjusted Goodness of Fit Index AGFI Model fit dalam penenlitian apabil a memiliki nilai AGFI ≥ 0,90 Diamontopaulus dan Siguaw,2000. d. CFI Comparative Fit Indeks Besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifikasikan tingkat fit yang paling tinggi- a very good fit. e. RMSE The Root Mean Square error of Approximation Indeks ini diperlukan untuk mengkompensasi nilai chi square pada ukuran sampel yang besar. Nilai RMSE yang ≤ 0,08 merupakan indeks untuk diterimanya model. f. Expected cross validation index Expected cross validation index ECVI digunkanan untuk menilai kecenderungan bahwa model, pada sampel tunggal, cross validates dapat divalidasi silang pada ukuran sampel dan populasi yang sama Brown dan Cudeck, 1989 dalam Ghozali dan Fuad 2008, 32. Nilai ECVI ECVI yang diperoleh pada saturated model dan independence model, mengindikasikan bahwa model adalah fit. g. Akaike’s information criterion AIC dan CAIC AIC dan CAIC digunakan untuk menilai mengenai masalah parsimony dalam penilaian model fit. AIC dan CAIC digunakan dalam perbandingan dari dua atau lebih model, dimana nilai AIC dan CAIC AIC model stured dan independence berarti memiliki model fit yang lebih baik Hu dan Bentler, 1995. h. Fit index Normed Fit Index NFI berkisar antara 0 – 1 dan diturunkan dari perbandingan antara model yang dihipotesiskan dan independence model. Suatu model dikatakan fit apabila memiliki nilai NFI 0,90 Bentler, 1992. Sedangkan Non-Normed Fit Index NNFI, digunakan untuk mengatasi masalah yang timbul akibat kompleksitas model, nilainya 0,90. Incrimental Fit Index IFI digunakan untuk mengatasi masalah parsimony pada ukuran sampel, dimana hal tersebut berhubungan dengan NFI. Batas cut-of IFI adalah 0,90 Byrne,1998. Sedangkan nilai Relative Fit Index RFI, digunakan untuk mengukur fit dimana nilainya 0 – 1. Apabila semua uji statistika seperti di atas semuanya terpenuhi, maka hipotesis nihil atau tidak ditolak signifikan. Bila demikian dikatakan tidak ada perbedaan antara model toritis dibandingkan dengan data empiri. Artinya model teoritis sesuai fit dengan data empiri. Selanjutnya melakukan interpretasi bila model yang dihasilkan sudah cukup baik. Interpretasi dilakukan terhadap model struktural menggunakan matrik kovarians dan interpretasi terhadap analisis jalur menggunakan matrik korelasi. Khusus untuk interpretasi pada analisis jalur yang dilihat antara lain: efek langsung, efek tak langsung, dan efek total. Efek langsung mencakup hubungan antar variabel bebas dan variabel terikat. Efek tak lagsung mencakup hubungan antara variabel eksogen dan variabel terikat indirect effect of KSI on ETA. 76

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian 4.1.1 Analisis deskriptif Analisis deskriptif merupakan analisis yang digunakan untuk mendeskripsikan variabel kompetensi profesional guru X 1 , fasilitas belajar X 2 , motivasi belajar X 3 , dan hasil belajar ekonomi siswa kelas X SMA Negeri 1 Sulang Kabupaten Rembang Y agar lebih mudah dipahami. Responden atau sampel dalam penelitian ini adalah siswa kelas X yang berjumlah 128 siswa dari total populasi sebanyak 204 siswa terbagi dalam 6 kelas yakni kelas X-1, X-2, X- 3, X-4, X-5, dan X-6. Perhitungan sampel menggunakan rumus solvin dan metode pengambilan sampel yang digunakan adalah probability sampling atau simple random sampling. Berikut penjelasan masing-masing indikator setiap variabel:

4.1.1.1 Deskriptif variabel hasil belajar ekonomi

Berdasarkan perhitungan analisis deskriptif, hasil belajar ekonomi siswa kelas X SMA Negeri 1 Sulang tahun ajaran 20122013 dapat dilihat pada Tabel berikut: Tabel 4.1 Hasil Belajar Ekonomi Angka Huruf Frekuensi Kriteria 85 - 100 A 6 4.7 Sangat Baik 70 – 84 B 47 36.7 Baik 55 - 69 C 57 44.5 Cukup 40 – 54 D 16 12.5 Kurang ≤ 39 E 2 1.6 Sangat Kurang Jumlah 128 100 Sumber : Data diolah, 2013