Pengujian Hipotesis 1. Identifikasi Koefisien Jalur

Nilai Prestasi Belajar (Z)

D. Pengujian Hipotesis 1. Identifikasi Koefisien Jalur

Analisis data dilakukan untuk mengetahui koefisien jalur, dengan menggunakan analisis regresi secara bertahap. Sesuai dengan konstelasi variabel-variabel penelitian ini, ada empat tahap analisis regresi yang harus dilakukan.

Tahap pertama menghubungkan teknologi internet dengan motivasi belajar. Tahap kedua menghubungkan teknologi internet dengan prestasi belajar. Tahap ketiga menghubungkan motivasi belajar dengan prestasi belajar, dan tahap keempat menghubungkan teknologi internet dan motivasi belajar dengan prestasi belajar.

Hasil analisis regresi dengan program SPSS 19 (lihat lampiran 3) menunjukkan koefisien jalur sebagai berikut :

a. Substruktur 1

Beta X = 0,555 = ≘_伐0

≘伐0 adalah pengaruh langsung variabel teknologi internet terhadap motivasi belajar yang menurut hasil penghitungan Koefisien Jalur dengan SPSS diperoleh nilai Beta sebesar 0,555 atau memiliki pengaruh langsung sebesar 55,5 %.

commit to user b. Substruktur 2

Beta X = 0,324 = ≘䤈0

≘_䤈0 adalah pengaruh langsung variabel teknologi internet terhadap prestasi belajar yang menurut hasil penghitungan Koefisien Jalur dengan SPSS diperoleh nilai Beta sebesar 0,324 atau memiliki pengaruh langsung sebesar 32,4 %.

c. Substruktur 3

Beta Y = 0,365 = _䤈伐

䤈伐 adalah pengaruh langsung variabel motivasi belajar terhadap prestasi belajar yang menurut hasil penghitungan Koefisien Jalur dengan SPSS diperoleh nilai Beta sebesar 0,365 % atau memiliki pengaruh langsung sebesar 36,5 %.

d. Substruktur 4

Beta X = 0,176 = ≘_伐0

≘_伐0 adalah pengaruh tidak langsung variabel teknologi internet terhadap prestasi belajar melalui motivasi belajar yang menurut hasil penghitungan Koefisien Jalur dengan SPSS diperoleh nilai Beta sebesar 0,176 atau memiliki pengaruh tidak langsung sebesar 17,6 %.

Beta Y = 0,267 = _䤈伐

䤈伐 adalah besarnya pengaruh motivasi belajar terhadap prestasi belajar setelah dipengaruhi oleh teknologi internet yang menurut hasil penghitungan Koefisien Jalur dengan SPSS diperoleh nilai Beta sebesar 0,267 atau memiliki pengaruh sebesar 26,7 %.

2. Identifikasi Koefisien Jalur dengan Residual

Koefisien jalur dengan residual diidentifikasikan dengan lambang ε untuk setiap variabel yang dapat diperoleh dengan rumus 1 – r² terhadap hasil perhitungan analisis uji anova. (lihat lampiran 4)

a. Substruktur 1

ε₁ = 1 – r² = 1 – 0,308 = 0,692

commit to user

Perhitungan Koefisien Jalur dengan analisis uji Anova diperoleh hasil bahwa terdapat hubungan linier antara teknologi internet dengan motivasi belajar sebesar 0,308 atau dapat dikatakan bahwa teknologi internet mempengaruhi motivasi belajar sebesar 30,8 %. Besarnya pengaruh variabel lain diluar model regresi adalah 0,692 atau sebesar 69,2 %.

b. Substruktur 2

ε3 = 1 – r² = 1 – 0,105 = 0,895

Perhitungan Koefisien Jalur dengan analisis uji Anova diperoleh hasil bahwa terdapat hubungan linier antara teknologi internet dengan prestasi belajar sebesar 0,105 atau dapat dikatakan bahwa teknologi internet mempengaruhi prestasi belajar sebesar 10,5 %. Besarnya pengaruh variabel lain diluar model regresi adalah 0,895 atau sebesar 89,5%.

c. Substruktur 3

ε2 = 1 – r² = 1 – 0,133 = 0,867

Perhitungan Koefisien Jalur dengan analisis uji Anova diperoleh hasil bahwa terdapat hubungan linier antara motivasi belajar dengan prestasi belajar sebesar 0,133 atau dapat dikatakan bahwa motivasi belajar mempengaruhi prestasi belajar sebesar 13,3 %. Besarnya pengaruh variabel lain diluar model regresi adalah 0,867 atau sebesar 86,7 %.

3. Signifikansi Koefisien Jalur

Pengujian signifikansi koefisien jalur dilakukan dengan cara membandingkan nilai t penelitian dengan t tabel pada taraf signifikansi 5%.

Perbandingan nilai t dapat dilihat dalam tabel berikut.

Tabel 10. Signifikansi Koefisien Jalur Jalur Koefisien Jalur

(Beta) t hitung t tabel signifikansi Keterangan

≘伐0 0,555 36,366 1,69552 ,000 signifikan

≘_䤈0 ^0,324 18,702 1,69552 ,000 signifikan

䤈伐 0,365 21,361 1,69552 ,000 signifikan

commit to user

Pengujian signifikansi koefisien jalur dengan residual dilakukan dengan cara membandingkan nilai koefisien jalur dengan residual dengan nilai F tabel pada taraf signifikansi 5%.

Tabel 11. Signifikansi Koefisien Jalur dengan Residual

Jalur Koefisien Jalur F hitung F tabel signifikansi Keterangan

ε1 0,692 1322,483 3,30 ,000 signifikan

ε2 0,867 456,294 3,30 ,000 signifikan

ε3 0,895 349,757 3,30 ,000 signifikan

4. Pengujian Spesifikasi Model Analisis

Berdasarkan perhitungan koefisien jalur diatas, konstelasi variabel penelitian ini dapat digambarkan sebagai berikut:

Gambar 5. Konstelasi Hasil Penelitian

Secara keseluruhan koefisien jalur dapat dijelaskan sebagai berikut:

a. Jalur ≘_伐0 mempunyai koefisien sebesar 0,555 dan nilai t sebesar 36,366. Pada taraf signifikansi 5% dengan db = 31, t tabel adalah 1,69552 sehingga p <

0,000. Jadi jalur ini signifikan karena p < 0,05.

b. Jalur ≘_䤈0 mempunyai koefisien sebesar 0,324 dan nilai t sebesar 18,702. Pada taraf signifikansi 5% dengan db = 31, t tabel adalah 1,69552 sehingga p <

0,000. Jadi jalur ini signifikan karena p < 0,05.

0,692

0,867 0,324

0,555

0,365

X

Y

Z

0,895

commit to user

c. Jalur _䤈伐 mempunyai koefisien sebesar 0,365 dan nilai t sebesar 21,361. Pada taraf signifikansi 5% dengan db = 31, t tabel adalah 1,69552 sehingga p <

0,000. Jadi jalur ini signifikan karena p < 0,05.

5. Penghitungan Pengaruh a. Pengaruh Langsung (Direct Effect atau DE)

Penghitungan pengaruh langsung atau DE, digunakan formula sebagai berikut:

- Pengaruh variabel teknologi internet terhadap motivasi belajar X → Y = 0,555

Besarnya pengaruh langsung teknologi internet terhadap motivasi belajar adalah sebesar 0,555 atau 55,5 %.

- Pengaruh variabel teknologi internet terhadap prestasi belajar X → Z = 0,324

Besarnya pengaruh langsung teknologi internet terhadap prestasi belajar adalah sebesar 0,324 atau 32,4 %.

- Pengaruh variabel motivasi belajar terhadap prestasi belajar Y → Z = 0,365

Besarnya pengaruh langsung motivasi belajar terhadap prestasi belajar adalah sebesar 0,365 atau 36,5 %.

b. Pengaruh Langsung Dengan Residual

Penghitungan pengaruh langsung dengan residu digunakan formula sebagai berikut:

- ε1 = 1 – r² (X → Y) = 1 – 0,308 = 0,692

Besarnya pengaruh langsung teknologi internet terhadap motivasi belajar adalah sebesar 0,308 atau 30,8 %, sedangkan pengaruh residu adalah sebesar 0,692 atau 69,2 %.

- ε₂ = 1 – r² (Y→ Z) = 1 – 0,133 = 0,867

Besarnya pengaruh langsung motivasi belajar terhadap prestasi belajar adalah sebesar 0,133 atau 13,3 %, pengaruh residu adalah sebesar 0,867 atau 86,7 %.

commit to user - ε₃ = 1 – r² (X → Z) = 1 – 0,105 = 0,895

Besarnya pengaruh langsung teknologi internet terhadap prestasi belajar adalah sebesar 0,105 atau 10,5% pengaruh residu adalah sebesar 0,895 atau 89,5%.

c. Pengaruh Tidak Langsung (Indirect Effect atau IE)

Penghitungan pengaruh tidak langsung atau IE, digunakan formula sebagai berikut:

- Pengaruh variabel teknologi internet terhadap prestasi belajar melalui motivasi belajar

X → Y → Z = (0,555 x 0,365) = 0,202575

Teknologi internet mempengaruhi prestasi belajar secara tidak langsung melalui motivasi belajar sebesar 0,202575 atau sebesar 20,26 %.

d. Pengaruh Total (Total Effect)

- Pengaruh variabel teknologi internet terhadap prestasi belajar melalui motivasi belajar

X → Y → Z = (0,555 + 0,365) = 0,92

Besarnya pengaruh teknologi internet dan motivasi belajar terhadap prestasi belajar adalah sebesar 0,92 atau sebesar 92 %.

- Pengaruh variabel teknologi internet terhadap motivasi belajar X → Y = 0,555

Besarnya pengaruh langsung teknologi internet terhadap motivasi belajar adalah sebesar 0,555 atau 55,5 %.

- Pengaruh variabel teknologi internet terhadap prestasi belajar X → Z = 0,324

Besarnya pengaruh langsung teknologi internet terhadap prestasi belajar adalah sebesar 0,324 atau 32,4 %.

- Pengaruh variabel motivasi belajar terhadap prestasi belajar Y → Z = 0,365

Besarnya pengaruh langsung motivasi belajar terhadap prestasi belajar adalah sebesar 0,365 atau 36,5 %.

commit to user