Post on 03-Mar-2019
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
BAB III
METODOLOGI PENELITIAN
A. Desain Penelitian
Penelitian ini merupakan penelitian eksplanatori mengenai
pengukuran tingkat kesiapan peserta e-learning menggunakan model
keterhubungan antar variabel yang merupakan hasil pengembangan dari
penelitian-penelitian terdahulu serta teori yang ada. Penelitian eksplanatori
atau disebut juga penelitian eksplanatif merupakan penelitian yang meneliti
setiap variabelnya secara mendalam guna mendapatkan hasil mengenai ada
tidaknya hubungan dari gejala-gejala yang didapatkan dari setiap variabel.
Kategori kesiapan dalam model ini merupakan variabel-variabel yang akan
diteliti secara mendalam hingga diharapkan menghasilkan sebuah hubungan
terhadap kesiapan peserta secara keseluruhan.
Dalam penelitian ini, digunakan pendekatan kuantitatif dengan
metode survei. Metode survei merupakan metode yang menggunakan angket
sebagai alat pengumpul datanya. Pendekatan kuantitatif adalah :
Metode penelitian kuantitatif dapat diartikan sebagai metode
penelitian yang berlandaskan pada filsafat positivism, digunakan
untuk meneliti pada populasi atau sampel tertentu, teknik pengambilan
sampel pada umumnya dilakukan secara random, pengumpulan data
menggunakan instrument penelitian, analisis data bersifat kuantitatif/
statistik dengan tujuan untuk menguji hipotesis yang telah ditetapkan
(Sugiyono,2013a:14).
Selanjutnya data dan fakta dari angket yang terkumpul akan diuji dengan
teknik analisis data SEM. Tahapan analisis SEM sendiri setidaknya harus
melalui lima tahapan (Latan,2013:42), yaitu: 1. spesifikasi model; 2.
identifikasi model; 3. estimasi model; 4. evaluasi model; 5. modifikasi atau
respesifikasi model.
44
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Latar
Belakang
Kajian
Pustaka
Rumusan
Masalah
Tujuan
Penelitian
Hipotesis
Rancangan
Penelitian
Pemilihan
Jenis
Instrumen
Penentuan
Variabel dan
Sumber Data
Pemilihan
Metode
SEM 1
Penyusunan
InstrumenJudgement
Pengumpulan
Data
Sebar
Angket
SEM 3
Tahap Persiapan Tahap Penelitian
Tahap Analisis
SEM 4
SEM 5
HasilKesimpulan
dan Saran
Pengembangan
Hipotesis
SEM 2
Pada dasarnya penelitian ini terdiri dari tiga tahapan dan berjalan
dengan mengacu pada langkah-langkah SEM di atas serta penambahan
beberapa langkah dasar di luar SEM. Adapun secara skematis langkah-
langkah tersebut disajikan dalam gambar di bawah ini :
Gambar 3.1
Skema Penelitian
Adapun penjelasan dari skema di atas adalah sebagai berikut :
1. Tahap Persiapan
Tahap ini merupakan persiapan yang dilakukan peneliti sebelum
melakukan sebuah penelitian. Dapat dilihat dari skema di atas, bahwa
tahapan ini terdiri dari :
a. Penentuan latar belakang.
b. Merumuskan masalah berdasarkan kajian pustaka.
45
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
c. Menetapkan tujuan penelitian.
d. Merumuskan hipotesis.
e. Menentukan rancangan penelitian.
1) Pemilihan metode.
2) Penentuan variabel dan sumber data.
3) Pemilihan jenis instrumen.
f. Penyusunan instrumen.
g. Judgement instrumen.
h. Melakukan tahapan SEM pertama yaitu spesifikasi model berdasarkan
kajian teori.
i. Melakukan tahapan SEM kedua yaitu identifikasi model.
2. Tahap Penelitian
Pada tahap ini peneliti memulai penelitian dengan tahapan :
a. Penyebaran angket hasil judgement.
b. Proses pengumpulan data.
c. Mengembangkan hipotesis berdasarkan spesifikasi model.
3. Tahap Analisis
Setelah seluruh data diperoleh dan memenuhi syarat minimal sampel
penelitian, maka data pun mulai dianalisis menggunakan SEM
(melanjutkan tahapan SEM yaitu tahapan ketiga hingga kelima). Data
yang terkumpul sebelum dianalisis, diperiksa terlebih dahulu telah
memenuhi syarat atau belum, seperti tidak adanya data outliers. Selain
data dianalisis menggunakan SEM, data pun diolah guna mengetahui
kesiapan peserta e-learning. Setelah data berhasil diolah dan dianalisa,
selanjutnya adalah penarikan kesimpulan yang mengacu pada rumusan
masalah.
46
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
B. Variabel Penelitian
Variabel penelitian adalah segala sesuatu yang berbentuk apa saja
yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi
tentang hal tersebut, kemudian ditarik kesimpulannya (Sugiyono,2013a:60).
Adapun variabel dalam penelitian kali ini yaitu:
1. Variabel laten
Merupakan variabel yang tidak dapat diukur secara langsung melainkan
hanya dapat diukur dengan satu atau lebih variabel manifes. Variabel ini
juga disebut sebagai unobserved variables. Dalam penelitian ini, setiap
variabel endogen dan eksogen merupakan variabel laten, yaitu TA, COS,
MOT, LS dan kesiapan peserta e-learning.
2. Variabel manifes
Sedangkan manifes, merupakan variabel yang dapat diukur secara
langsung dan mengukur variabel laten. Variabel ini disebut juga observed
variables. Dalam penelitian ini, setiap indikator yang menjelaskan
variabel endogen dan eksogen, merupakan variabel manifes, yaitu
indikator TA1, TA2, TA3, COS1, COS2, COS3, COS4, COS5, MOT1,
MOT2, MOT3, MOT4,MOT5, LS1, LS2, LS3 dan LS4.
3. Variabel eksogen
Variabel eksogen atau sering juga dikenal dengan variabel independen,
merupakan variabel yang tidak dipengaruhi variabel lain dan
mempengaruhi variabel dependen. Dalam SEM, variabel ini ditunjukkan
dengan adanya anak panah yang berasal dari variabel ini menuju variabel
endogen. Pada penelitian kali ini yang termasuk variabel ini adalah TA.
4. Variabel endogen
Variabel endogen atau sering juga dikenal dengan variabel dependen,
merupakan variabel yang dipengaruhi oleh variabel independen
(eksogen). Dalam SEM, variabel ini ditunjukkan dengan adanya anak
panah menuju variabel ini. Pada penelitian kali ini yang termasuk variabel
ini adalah COS, MOT, LS dan kesiapan peserta e-learning.
47
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
C. Populasi dan Sampel
Populasi dalam penelitian ini adalah seluruh mahasiswa program
sarjana tingkat tiga dan empat di Fakultas Pendidikan Matematika dan Ilmu
Pengetahuan Alam Universitas Pendidikan Indonesia.Sampel yang diambil
dari populasi penelitian ini menggunakan teknik stratified cluster random
sampling, karena populasi terdiri dari 2 tingkat yaitu tingkat tiga dan empat,
serta menaungi beberapa jurusan dengan beberapa program studi yang akan
dibagi menjadi beberapa rumpun. Subjeknya adalah mahasiswa tingkat tiga
dan empat, karena asumsinya mahasiswa tingkat tiga dan empat telah
memiliki lebih banyak pengalaman dan juga telah melakukan pembelajaran
menggunakan e-learning dibandingkan dengan mahasiswa tingkat satu dan
dua.
Selanjutnya analisis statistik yang akan digunakan adalah SEM, maka
untuk pengambilan sampel akan memperhatikan proporsi dari Joreskog dan
Sorbom (Riduwan dan Kuncoro, 2012:56) serta proporsi menurut Bentler dan
Chou (Latan,2013:44). Menurut Joreskog dan Sorbom, penentuan sampel
minimal dapat dilihat pada tabel 3.1.
Tabel 3.1
Ukuran sampel minimal dan jumlah variabel Joreskog dan Sorbom (Riduwan dan
Kuncoro, 2012:56)
Jumlah variabel Ukuran sampel minimal
3 200
5 200
10 200
15 360
20 630
25 975
30 1395
48
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Sedangkan menurut Bentler dan Chou, jumlah sampel yang harus dipenuhi
untuk proses estimasi adalah 5 kali (5:1) parameter yang akan di estimasi.
Dari hasil identifikasi model (dijelaskan pada bab IV), penelitian ini memiliki
38 parameter. Melihat jumlah parameter tersebut maka sampel yang
dibutuhkan sebanyak 190 orang dengan perhitungan berikut :
Jika melihat tabel 3.1 maka jumlah sampel pada penelitian ini adalah
200 responden karena menguji 5 variabel. Menimbang proporsi kedua ahli,
peneliti menetapkan sampel minimal penelitian ini adalah 210 responden
dikarenakan untuk mengantisipasi adanya data outliers atau data pencilan.
Setelah menentukan jumlah sampel yang dibutuhkan, kemudian jumlah
sampel tadi akan dihitung kembali berdasarkan tingkat (strata) dan rumpun
(kluster) yang ada dengan persamaan (Riduwan dan Kuncoro, 2012:57):
dimana:
ni = jumlah sampel menurut rumpun/tingkat;
n = jumlah sampel seluruhnya;
Ni = jumlah populasi menurut rumpun/tingkat;
N = jumlah populasi seluruhnya.
Berdasarkan data rekapitulasi mahasiswa kontrak kuliah semester
genap tahun ajaran 2013/2014 FPMIPA UPI yang terlampir pada lampiran 1,
total mahasiswa FPMIPA UPI angkatan 2011 (tingkat tiga) adalah 525 orang,
sedangkan total mahasiswa FPMIPA UPI angkatan 2010 (tingkat empat)
adalah 582 orang. Maka populasinya adalah 1107 orang. Karena teknik
pengambilan jumlah sampelnya berdasarkan tingkat dan rumpun, maka
langkah pertama pengambilan sampel adalah penentuan jumlah sampel untuk
masing-masing tingkat. Adapun perhitungan jumlah masing-masing sampel
untuk setiap tingkat adalah:
49
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Tabel 3.2
Perhitungan pengambilan sampel masing-masing tingkat (strata)
Tingkat Pupulasi
tingkatan Perhitungan sampel Sampel
Tingkat 3
(angkatan 2011) 525 orang
100 orang
Tingkat 4
(angkatan 2010) 582 orang
110 orang
Selanjutnya setelah menemukan angka sampel masing-masing
tingkatan, langkah berikutnya adalah menghitung jumlah sampel sesuai
daerah rumpun. Fakultas Pendidikan Matematika dan Ilmu Pengetahuan
Alam menaungi 11 program studi yang selanjutnya dijadikan rumpun.
Adapun pengambilan sampel untuk tingkat tiga disajikan pada tabel 3.3.
Tabel 3.3
Perhitungan pengambilan sampel tingkat (strata) tiga
No Program Studi
Populasi
program
studi
Perhitungan sampel Sampel
1 IPSE (International
Program on Science
Education)
19
4 orang
2 Pendidikan Ilmu
Komputer 66
13
orang
3 Ilmu Komputer 38
7 orang
4 Pendidikan Matematika 72
14
orang
5 Matematika 28
5 orang
50
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Tabel 3.3
Perhitungan pengambilan sampel tingkat (strata) tiga
No Program Studi
Populasi
program
studi
Perhitungan sampel Sampel
6 Pendidikan Biologi 70
13
orang
7 Biologi 28
5 orang
8 Pendidikan Kimia 76
15
orang
9 Kimia 34
6 orang
10 Pendidikan Fisika 66
13
orang
11 Fisika 28
5 orang
Adapun pengambilan sampel untuk tingkat empat disajikan pada tabel
3.4.
Tabel 3.4
Perhitungan pengambilan sampel tingkat (strata) empat
No Program Studi
Populasi
program
studi
Perhitungan sampel Sampel
1 IPSE (International
Program on Science
Education)
17
3 orang
2 Pendidikan Ilmu
Komputer 50
9 orang
51
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Tabel 3.4
Perhitungan pengambilan sampel tingkat (strata) empat
No Program Studi
Populasi
program
studi
Perhitungan sampel Sampel
3 Ilmu Komputer 56
11
orang
4 Pendidikan Matematika 76
14
orang
5 Matematika 31
6 orang
6 Pendidikan Biologi 72
14
orang
7 Biologi 32
6 orang
8 Pendidikan Kimia 98
19
orang
9 Kimia 39
7 orang
10 Pendidikan Fisika 80
15
orang
11 Fisika 31
6 orang
D. Definisi Operasional
Agar tidak terjadi perbedaan persepsi, maka berikut ini merupakan
penjelasan dari beberapa istilah dalam penelitian kali ini, yaitu:
52
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
1. E-Learning (electronic learning)
E-learning adalah sebuah inovasi pembelajaran masa kini yang
merupakan kesatuan instruksi dan informasi yang ditransmisikan dari
pengajar dan atau peserta di tempat dan waktu yang berbeda melalui
teknologi komputer menggunakan media internet, intranet, dan atau
jaringan komputer lainnya.
2. Kesiapan e-learning
Kesiapan e-learning atau populer dengan e-learning readiness merupakan
sebuah model yang diprakarsai oleh Samantha Chapnick. Model ini
dirancang untuk mengetahui sejauh mana kesiapan sistem e-learning
sebagai informasi mendasar dalam mengimplementasikan dan
mengembangkan e-learning berdasarkan 8 kategori kesiapan.
Sebagaimana dikatakan Chapnick (2000) :
My readiness model is designed to simplify the process of getting the
basic information necessary to answerthe questions. Grouping
together a wide variety of factors into eight categories allows
practitioners to use thesame process to assess the vastly different
stakeholders in the system.
Borotis & Poulymenakou dalam Priyanto (2008) mendefinisikan e-
learning readiness (ELR) sebagai “kesiapan mental atau fisik suatu
organisasi untuk suatu pengalaman pembelajaran”.
3. Kesiapan peserta e-learning
Kesiapan peserta e-learning merupakan kesiapan secara mental atau fisik
sebuah implementasi sistem yang terfokus kepada peserta dalam
pengalaman pembelajaran online. Pengukuran terhadap kesiapan peserta
e-learning ini telah dilakukan oleh berbagai peneliti dengan berbagai
macam modelnya, diantaranya dilakukan oleh University of Georgia,
Hung et al.,, Watkins et al.,, dan Kriengsak.
4. Technology access (TA)
Merupakan variabel dalam model yang diasumsikan dapat mengukur
kesiapan peserta e-learning berdasarkan ketersediaan akses teknologi
peserta.
53
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
5. Computer and online skills (COS)
Merupakan variabel dalam model yang diasumsikan dapat mengukur
kesiapan peserta e-learning berdasarkan kemampuan computer serta
internet peserta.
6. Motivation (MOT)
Merupakan variabel dalam model yang diasumsikan dapat mengukur
kesiapan peserta e-learning berdasarkan tinggi rendahnya motivasi
peserta.
7. Learning style (LS)
Merupakan variabel dalam model yang diasumsikan dapat mengukur
kesiapan peserta e-learning berdasarkan gaya belajar peserta.
8. Structural equation modelling (SEM)
Model persamaan struktural ini merupakan model untuk menganalisis
hubungan sebab akibat antara variabel dimana setiap variabel terikat/
endogen secara unik keadaannya ditentukan oleh seperangkat variabel
bebas/ eksogen (Riduwan dan Kuncoro,2012:5). SEM (Structural
Equation Modelling) merupakan alat analisis statistik multivariat yang
menggabungkan antara analisis faktor dengan analisis jalur, serta tepat
untuk menguji hubungan yang rumit antar variabel.
9. AMOS
Merupakan salah satu dari sekian perangkat lunak analisis SEM yang
akan dipakai pada penelitian ini. Adapun versi yang dipakai pada
penelitian ini adalah AMOS 21.
E. Instrumen Penelitian
Instrumen adalah alat pada waktu peneliti menggunakan sesuatu
metode (Arikunto, 1998:137). Terdapat 2 instrumen yang akan dipakai dalam
penelitian ini yaitu instrumen pengumpulan data serta instrumen validasi dan
verifikasi ahli. Instrumen untuk pengumpulan data yang digunakan adalah
angket atau kuesioner. Arikunto (1998:140) mengungkapkan bahwa
54
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
“kuesioner adalah sejumlah pertanyaan tertulis yang digunakan untuk
memperoleh informasi dari responden dalam arti laporan tentang pribadinya,
atau hal-hal yang ia ketahui”. Sedangkan untuk validasi dan verifikasi ahli
digunakan untuk judgement instrumen angket.
1. Instrumen Angket Penelitian
Angket pada penelitian ini menggunakan skala Likert yang biasa
digunakan untuk mengukur sikap, pendapat, dan ataupun persepsi
responden (Sugiyono,2013a:134). Angket ini diberi 5 pilihan jawaban
yaitu untuk pernyataan positif adalah 1 (sangat tidak setuju), 2 (tidak
setuju), 3 (kurang setuju), 4 (setuju) dan 5 (sangat setuju). Sedangkan
untuk pernyataan negatif adalah 5 (sangat tidak setuju), 4 (tidak setuju), 3
(kurang setuju), 2 (setuju) dan 1 (sangat setuju). Skala tersebut dijadikan
jawaban bagi instrumen pernyataan. Penelitian ini akan menggunakan
angket dengan penyebaran secara online. Tujuannya agar data dapat
langsung terkumpul dan lebih mudah untuk diolah.
2. Instrumen Judgement Angket oleh Ahli
Skala yang digunakan pada instrumen ini adalah rating scale. Skala
tersebut memungkinkan data mentah berupa angka yang ditafsirkan
menjadi kategori atau kriteria. Angket untuk responden akan dinilai oleh
ahli dengan jawaban penilaian yg berbeda. Akan diberikan 4 jawaban
pilihan yaitu 1 (tidak sesuai), 2 (kurang sesuai), 3 (cukup sesuai) dan 4
(sangat sesuai).
F. Teknik Analisis dan Pengolahan Data
1. Analisis Data Angket
Adapun skala yang akan dipakai mengacu pada pengukuran kesiapan e-
learning oleh Aydin dan Tasci (2005) yaitu penskoran dengan skala
Likert. Setiap pertanyaan yaitu setiap variabel manifes dalam variabel
55
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
laten akan diberi skor dengan rentang nilai 1 – 5. Jika direntangkan garis
lurus mulai angka 1 hingga 5, akan menghasilkan 4 interval. Aydin dan
Tasci telah memberikan nilai indeks untuk menilai kategori tingkat
kesiapan. Adapun skala indeks Aydin dan Tasci telah disajikan dalam
Gambar 2.2.
Adapun maksud skala Aydin dan Tasci yaitu:
a. Interval pertama yaitu indeks 1 – 2,59 berarti belum siap dan
membutuhkan lebih banyak lagi persiapan untuk pembelajaran online.
b. Interval kedua yaitu indeks 2,6 – 3,39 berarti belum siap namun hanya
memerlukan sedikit persiapan untuk pembelajaran online.
c. Interval ketiga yaitu indeks 3,4 - 4,19 berarti sudah siap namun masih
membutuhkan sedikit peningkatan dalam pembelajaran online.
d. Interval keempat yaitu indeks 4,2 – 5 berarti sudah siap menjadi
peserta e-learning.
Nilai indeks tersebut didapat dengan mencari mean (rerata) dari data yang
terkumpul. Adapun mean atau rerata didapatkan dari hasil penjumlahan
seluruh data lalu dibagi dengan banyaknya data. Adapun jika dirumuskan
menjadi (Sugiyono, 2013b:49):
∑
dimana:
Me = mean (rerata);
Xi = jumlah data;
n = banyaknya data.
Nilai indeks di atas dicari untuk mengetahui tingkat kesiapan peserta e-
learning dimana hasilnya akan langsung dihitung pada angket online
yang digunakan. Sehingga setiap responden akan langsung mendapatkan
derajat kesiapannya setelah mengisi seluruh rangkaian angket.
56
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
2. Analisis Data Instrumen Judgement Ahli
Menurut Sugiyono (2013a:143) untuk mencari nilai dari rating scale
maka dapat digunakan persamaan 3.3.
dimana:
P = persentase;
Skor ideal = skor tertinggi tiap butir x jumlah butir x jumlah
responden.
Maka melihat rentang nilai 1 hingga 4, persentase dapat dikelompokkan
menjadi :
Tabel 3.5
Persentase rating scale
Persentase Kriteria
0 – 25 % Tidak sesuai
26 – 50 % Kurang sesuai
51 – 75 % Cukup sesuai
76 – 100 % Sangat sesuai
Proses penilaian dilakukan oleh 3 orang ahli dan dapat dilihat
penilaiannya pada lampiran 2. Adapun hasil dari penilaian tersebut
didapatkan skor hasil pengumpulan data sejumlah 171. Sedangkan skor
ideal adalah 204, didapat dari perkalian antara skor tertinggi tiap butir,
jumlah butir dan jumlah ahli. Skor tertinggi adalah 4, jumlah butir adalah
17 dan jumlah ahli adalah 3. Maka menentukan persentase sesuai rumus
di atas adalah sebagai berikut :
Dari nilai yang didapatkan dan melihat tabel persentase rating scale,
maka dapat didapatkan instrumen ini sangat sesuai. Melihat hasil tersebut,
57
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
dapat dikatakan instrumen layak dipakai, tentu dengan perbaikan yang
dianjurkan oleh para ahli.
3. Structural Equation Modelling (SEM)
Sedangkan pengolahan statistik pada penelitian kali ini menggunakan
SEM. Tahapan analisis SEM sendiri setidaknya harus melalui lima
tahapan (Latan,2013:42-69) yaitu:
a. Spesifikasi model
Kegiatan pada langkah ini adalah mengembangkan suatu model
berdasarkan kajian-kajian teoritik untuk mendukung penelitian
terhadap masalah yang dikaji. Selanjutnya mendefinisikan model
tersebut secara konseptual konstruk yang akan diteliti serta
menentukan dimensionalitasnya. Arah hubungan yang dihipotesiskan
pun haruslah jelas dan memiliki landasan teori.
b. Identifikasi model
Tahap ini merupakan tahap yang penting dalam SEM, karena model
yang tidak dapat diidentifikasi, akan menjadi tidak dapat diestimasi
atau dihitung. Penting bagi peneliti melakukan tahap ini guna
mengetahui apakah model tersebut memiliki nilai unik atau
tidak.Identifikasi ini dengan menghitung derajat kebebasan, dan nilai
derajat kebebasan harus positif.Idealnya, setelah spesifikasi dan
identifikasi model, tahap selanjutnya adalah penetuan jumlah sampel.
c. Estimasi model
Setelah data terkumpul, model diestimasi, setelah sebelumnya
ditentukan metode estimasinya. Umumnya metode estimasi yang
dipakai adalah maximum likelihood (ML).
d. Evaluasi model
Kegiatan pada langkah ini adalah mengevaluasi dan interpretasi hasil
analisis. Tahap ini bertujuan untuk mengevaluasi model secara
keseluruhan. Proses ini diawali dengan uji normalitas data selanjutnya
dilanjutkan dengan menguji model pengukuran (measurement model)
58
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
dengan menganalisis faktor konfirmasi untuk menguji validitas serta
reliabilitas variabel laten, dilanjutkan dengan menguji struktural
model serta terakhir menilai overall fit model dengan mengacu pada
goodness of fit (GoF).
e. Modifikasi model
Kegiatan ini berkenaan dengan hasil evaluasi dan interpretasi model.
Jika dari nilai GoF model tersebut tidak atau belum fit, maka perlu
dilakukan modifikasi atau respesifikasi model.
4. Identifikasi Model
Identifikasi model dilakukan dengan cara menghitung degree of freedom
(df) atau derajat kebebasan. Adapun rumusnya menurut Santoso
(2012:60) adalah sebagai berikut:
[ ]
dimana:
p = jumlah variabel manifes (observed variables) pada sebuah model;
k = jumlah parameter yang akan diestimasi.
Menggunakan program analisis data AMOS telah menyajikan pula hasi
perhitungan derajat kebebasan. Adapun untuk mengetahui model dapat
diestimasi ataupun tidak, terdapat 3 jenis identifikasi
(Santoso,2012;Latan,2013), yaitu:
a. Just Identified model atau saturated model
Jika hasil perhitungan df menghasilkan nilai 0, maka model tersebut
termasuk just identified. Maka model sudah teridentifikasi sehingga
estimasi dan penilaian model tidak perlu dilakukan.
b. Under Identified atau unidentified
Jika hasil df menghasilkan nilai negatif, maka model tersebut
termasuk unidentified. Maka model tersebut tidak teridentifikasi,
sehingga model juga tidak dapat diestimasi. Namun untuk
59
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
mengatasinya dapat dilakukan dengan menambah jumlah variabel
manifes atau mengurangi parameter yang akan diestimasi.
c. Overidentified
Pada jenis ini nilai df akan menghasilkan bilangan positif, dan jika
terjadi maka model ini dapat langsung diestimasi.
5. Uji Normalitas Data
Uji normalitas data dilakukan dengan menghitung distribusi data secara
keseluruhan (multivariat). Adapun pengujian dilakukan dengan
menghitung critical ratio (c.r) multivariat. Program AMOS telah
menyajikan hasil penrhitungan normalitas data serta rincian sebaran data.
Adapun untuk mencari nilai c.r dilakukan dengan 2 tahap, yaitu
(Santoso,2012:86):
a. Menghitung standar error (s.e) multivariat.
√
dimana:
s.e = standar error;
N = jumlah sampel;
p = jumlah indikator (variabel manifes).
b. Menghitung c.r multivariat.
Data dikatakan normal ketika tidak menceng ke kiri atau ke kanan serta
memiliki keruncingan ideal. Nilai cut-off yang umumnya dipakai untuk
menilai normalitas menurut Schumaker dan Lomax dalam Latan
(2013:103) adalah nilai kemencengan (skewness) dan keruncingan
(kurtosis) berkisar antara 1.0 hingga 1.5 atau nilai critical ratio (c.r) harus
memenuhi syarat -2,58 < c.r < 2,58.
60
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
Jika didapatkan bahwa data belum terdistribusi normal, maka dapat
dilakukan pendeteksian serta penghapusan data pencilan (outliers). Data
pencilan dapat diketahui setidaknya dengan dua cara yaitu:
a. Melihat nilai probabilitas 1 (p1) atau probabilitas 2 (p2)
Nilai cut-off yang umumnya dipakai untuk mendeteksi data pencilan
adalah melihat nilai p1 dan p2. Nilai tersebut disajikan pada tabel
Mahalanobis Distance oleh AMOS. Nilai p1 atau p2 harus lebih besar
dari 0,05 (Latan,2013:106).
b. Melihat nilai Mahalanobis Distance
Dikatakan oleh Santoso (2012:88) bahwa angka-angka pada tabel
Mahalanobis Distance kolom Mahalanobis d-square menunjukkan
seberapa jauh jarak data dengan titik pusat tertentu, jarak tersebut
didapat dari perhitungan metode Mahalanobis. Semakin jauh jarak
data dengan titik pusat data (centroid) maka semakin ada
kemungkinan data tersebut adalah outliers.
Penelitian ini akan menggunakan cara pertama yaitu melihat nilai p1 atau
p2.
6. Uji Model Pengukuran (Measurement Model)
Model pengukuran menunjukkan bagaimana variabel manifes (indikator)
merepresentasikan variabel laten untuk diukur yaitu dengan menguji
validitas dan reliabilitas variabel laten melalui analisis faktor
konfirmatori. Penelitian ini akan menguji validitas konstruk dengan
melihat validitas konvergen.
Validitas konvergen akan didapat dalam pengolahan SEM pada AMOS
dengan melihat nilai factor loading atau disebut juga parameter lambda
(λ). Nilai factor loading yang tinggi menunjukkan bahwa indikator
konvergen pada satu titik. Selanjutnya dalam SEM, terdapat nilai squared
multiple correlations yaitu kuadrat nilai korelasi antar variabel dengan
indikatornya. Selanjutnya nilai tersebut dikalikan dengan 100%, hasil
61
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
persentase tersebut menunjukkan apakah indikator dapat menjelaskan
konstruk atau tidak, sedangkan sisa persentase dijelaskan oleh unique
factor, dalam hal ini adalah kesalahan pengukuran. Selanjutnya menurut
Ferdinand dalam Wijaya (2009:138), ketika sebuah indikator memiliki
nilai c.r pada tabel regression weights lebih besar dari dua kali standar
kesalahan (s.e), maka indikator tersebut dapat dikatakan sahih mengukur
variabel yang diukurnya.
Selain melihat nilai c.r, Santoso (2012:145) mengatakan bahwa kolom
estimate pada tabel regression weights menunjukkan nilai kovarians
antara variabel laten dengan indikatornya. Untuk mengetahui apakah
indikator menjelaskan variabel laten atau tidak, selanjutnya dapat
dilakukan uji hipotesis. Jika nilai probabilitas indikator lebih kecil dari
0,05, maka hipotesis nol ditolak. Adapun ringkasan acuan penentuan
validitas dapat dilihat pada tabel 3.6.
Tabel 3.6
Ringkasan acuan validitas
Validitas Parameter Nilai Acuan
Validitas
konvergen
Factor loading (λ) Lebih besar dari 0,5
c.r Lebih besar dari 2 kali s.e
Probabilitas Lebih kecil dari 0,05
Selain menguji validitas konstruk, dilakukan juga uji reliabilitas konstruk.
Uji ini berupaya untuk membuktkan akurasi, konsistensi dan ketepatan
instrumen. Pada penelitian ini mencari reliabilitas dengan menggunakan
teknik Alfa Cronbach. Nilai reliabilitas yang umumnya diterima dan
menunjukkan ketepatan haruslah lebih besar dari 0,7. AMOS tidak
menyajikan nilai untuk perhitungan ini, adapun untuk menghitungnya
dengan persamaan 3.7 (Sugiyono,2013b:365).
{
∑
}
dimana:
62
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
ri = reliabilitas instrumen;
k = banyaknya butir pernyataan;
si2 = jumlah varians butir;
st2 = varians total;
Adapun untuk mencari varians butir dengan persamaan 3.8.
dimana:
si2 = varians butir;
JKi = jumlah kuadrat seluruh skor butir;
JKs = jumlah kuadrat subyek;
n = jumlah responden.
Adapun untuk mencari varians total dengan persamaan 3.9.
∑
∑
dimana:
st2 = varians total;
Xt2 = jumlah kuadrat X total;
(Xt)2 = jumlah X total dikuadratkan;
n = jumlah responden.
7. Uji Struktural Model (Structural Model)
Menguji model struktural bertujuan untuk mengetahui besarnya
persentase variance setiap variabel endogen dalam model yang dijelaskan
oleh variabel eksogen dengan melihat R-squares yang tidak lain adalah
nilai squared multiple correlation. Selanjutnya selain nilai R-squares,
evaluasi model struktural juga dapat dilakukan dengan melihat
signifikansi nilai probabilitas sebagai dasar menerima atau menolak
hipotesis nol. Nilai signifikansi yang digunakan yaitu 5% atau P < 0,05
serta nilai c.r > 1,96 (Latan,2013:208).
63
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
8. Kriteria Goodness of Fit (GoF)
Setelah menguji model pengukuran dan model struktural, selanjutnya
adalah menguji model secara keseluruhan atau overall fit model
berdasarkan nilai goodness of fit (GoF). GoF merupakan indikasi dari
perbandingan antara model yang dispesifikasi dengan matrik kovarian
antar indikator atau observed variables. Jika GoF yang dihasilkan baik,
maka model tersebut dapat diterima dan sebaliknya jika GoF yang
dihasilkan buruk, maka model tersebut harus ditolak atau dilakukan
modifikasi model (Latan,2013:49). Kembali menurut Latan, seorang
peneliti tidak harus memenuhi dan atau melaporkan semua kriteria
GoF.Adapun kriteria GoF yang dilaporkan mengambil rekomendasi dari
Garson dalam Latan (2013:49) yang tercantum pada tabel 3.7. Adapun
program AMOS akan menampilkan hampir seluruh kriteria GoF.
Tabel 3.7
Kriteria goodness of fit (GoF)
Kriteria Indeks Ukuran Nilai Acuan
Chi-Square (2) Probabilitas (P) > 0,05
CMIN/df 2,00
Root mean square error of
approximation (RMSEA)
< 0,08
Comparative fit index (CFI) > 0,9 (mendekati 1)
Parsimonious comparative fit
index (PCFI)
> 0,6
Akaike information criteria (AIC) AIC<AIC saturated
model & independence
model
Penjelasan dari kriteria di atas adalah sebagai berikut :
a. Chi-Squares (2)
Chi-Squares atau sering disebut juga -2 log likelihood merupakan
kriteria fit indices yang menunjukkan adanya penyimpangan antara
64
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
sample covariance matrix dan model (fitted) covariance matrix.
Fungsi chi-square dirumuskan sebagai berikut:
dimana:
2 = chi-square;
N = besarnya sampel;
F = discrepancy.
Sedangkan nilai discrepancy didapat dari nilai fo (observed frequency)
dikurangi dengan nilai fe (frekuensi harapan) (Latan,2013:50).
b. CMIN/df
Adalah ukuran yang didapat dari pembagian nilai chi-squares (2)
dengan degree of freedom (df). Nilai yang diajukan untuk mengetahui
fit model adalah jika nilai CMIN/DF ≤ 2.
c. Root Mean Square Error of Approximation (RMSEA)
RMSEA mengukur penyimpangan nilai parameter model dengan
matriks kovarians populasinya. Nilai RMSEA yang lebih kecil atau
sama dengan 0,05 menunjukkan bahwa fit model sangat baik. Namun
menurut Sugiyono (2013b:346), RMSEA dengan nilai lebih kecil dari
0.08 sudah dikatakan bahwa model fit. Adapun cara mencari RMSEA
menurut Latan (2013:53) yaitu:
√
√
d. Comparative Fit Index (CFI)
CFI merupakan ukuran perbandingan antara model yang
dihipotesiskan dengan null model. Pengukuran ini tidak dipengaruhi
jumlah sampel dan merupakan ukuran fit yang sangat baik untuk
65
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
mengukur kesesuaian model. Nilai yang direkomendasikan adalah >
0,90. Adapun secara matematis dirumuskan sebagai berikut
(Latan,2013:58):
( )
dimana:
= discrepancy;
d = degree of freedom untuk model yang diuji;
= discrepancy untuk baseline model;
db =degree of freedom untuk baselinemodel;
NCP = nonconcentrality parameter model yang diuji;
NCPb = nonconcentrality parameter untuk baseline model.
e. Parsimonious Comparative Fit Index (PCFI)
PCFI merupakan ukuran perbandingan antara df propose model / df
null model. Angka yang disarankan untuk PCFI berkisar dari 0 hingga
1, namun menurut Latan (2013:64) jika PCFI > 0,60 sudah
menunjukkan model mempunyai parsimony fit yang baik. Semakin
tinggi nilai PCFI suatu model, maka semakin parsimony model
tersebut. Adapun secara matematis dirumuskan sebagai berikut:
dimana:
d = degree of freedom untuk model yang diuji;
db = degree of freedom untuk baselinemodel;
CFI = nilai CFI.
f. Akaike Information Criteria (AIC)
AIC dipergunakan untuk membandingkan model dimana nilai AIC
default model akan dibandingkan dengan AIC saturated model dan
66
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
independence model dengan nilai default model harus lebih kecil.
Adapun secara matematis menurut Santoso (2012:125) dapat
dirumuskan sebagai berikut:
dimana:
AIC = nilai akaike information criteria;
2 = chi-square hitung;
q = jumlah parameter estimasi.
9. Uji Hipotesis
Untuk mengetahui apakah hipotesis penelitian diterima atau ditolak, maka
selanjutnya dilakukan uji hipotesis. Uji hipotesis yang dilakukan
menggunakan kaidah pengujian signifikansi secara manual. Dilakukan
dua tahap yaitu untuk menguji hipotesis keseluruhan model, dan hipotesis
individual. Adapun hipotesis keseluruhan yaitu:
Ha = Keempat kategori kesiapan dari model ini berpengaruh secara
signifikan terhadap kesiapan peserta e-learning
H0 = Keempat kategori kesiapan dari model ini tidak berpengaruh
secara signifikan terhadap kesiapan peserta e-learning
Atau secara statistiknya adalah :
H0 : = 0
Ha : 0
Sedangkan pengembangan hipotesis secara individu disampaikan pada
bab 4 sesuai dengan spesifikasi model. Menurut Riduwan dan Kuncoro
(2012:117), pengujian hipotesis secara keseluruhan dilakukan dengan
membandingkan nilai F tabel (Ft) dengan F hitung (Fh). Jika Fh lebih
besar atau sama dengan Ft, maka H0 ditolak, dan sebaliknya jika Fh
kurang dari atau sama dengan Ft maka H0 diterima. Adapun menghitung
nilai Fh dapat digunakan persamaan 3.17.
( )
67
Siti Hasanah, 2014 Kajian Implementasi E-Learning Berdasarkan Tingkat Kesiapan Peserta E-Learning Universitas Pendidikan Indonesia | repository.upi.edu |perpustakaan.upi.edu
dimana:
n = jumlah sampel;
k = jumlah variabel eksogen;
R2
yxk = nilai R-square.
Selanjutnya untuk menguji signifikansi hubungan antar variabel laten
dapat dilihat dari pengujian model pengukuran dan model struktural yang
telah disampaikan sebelumnya. Untuk mengetahui besar tidaknya
pengaruh hubungan variabel terhadap variabel lain, AMOS menyajikan
pengaruh setiap variabel yang dirangkum dalam efek langsung (direct
effect), efek tidak langsung (indirect effect) dan efek total (total effect).
Adapun SEM sendiri yang terdiri dari analisis jalur memiliki beberapa
simbol untuk mewakili pengaruh tersebut yaitu (Sugiyono,2013b:328):
a. ξ (ksi) = mewakili variabel laten eksogen;
b. ε (eta) = mewakili variabel laten endogen;
c. λ (lambda) = nilai factor loading;
d. β (beta) = koefisien pengaruh variabel endogen terhadap
variabel endogen;
e. γ (gamma) = koefisien pengaruh variabel eksogen terhadap
variabel endogen;
f. φ (phi) = koefisien pengaruh variabel eksogen terhadap
variabel eksogen;
g. δ (zeta) = peluang galat model;
h. ε (epsilon) = kesalahan pengukuran variabel manifes untuk
variabel laten endogen;
i. δ (delta) = kesalahan pengukuran variabel manifes untuk
variabel laten eksogen.