BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

2.1 Motivasi Belajar Motivasi adalah suatu perubahan energi dalam diri (pribadi) seseorang yang ditandai dengan timbulnya perasaan dan reaksi untuk mencapai tujuan . Menurut Drs. M. Ngalim Purwanto, MP (2006) motif ialah suatu pernyataan yang kompleks di dalam suatu organisme yang mengarahkan tingkah laku/perbuatan ke suatu tujuan atau perangsang atau motif adalah segala sesuatu yang mendorong seseorang untuk bertindak melakukan sesuatu. Dari uraian di atas dapat disimpulkan bahwa motivasi adalah serangkaian usaha untuk menyediakan kondisi-kondisi tertentu, sehingga seseorang mau dan ingin melakukan sesuatu, bila ia tidak suka, maka akan berusaha untuk meniadakan atau mengelakkan perasaan tidak suka itu. Motivasi dapat bersumber dari dalam diri siswa sendiri berdasarkan kebutuhan, dorongan dan kesadaran pada tujuan belajar, motivasi ini disebut motivasi intristik.Motivasi belajar dapat juga tumbuh berkat rangsangan dan tekanan atau desakan dari luar, motivasi ini disebut motivasi ekstrinsik. Kedua jenis motivasi ini berdayaguna dalam melakukan proses belajar, kendatipun motivasi yang bersumber dari diri sendiri dinilai lebih baik (Oemar Hamalik: 2009).

2.2 Minat Belajar Secara umum, pengertian minat adalah perhatian yang mengandung unsur-unsur perasaan.Minat merupakan dorongan atau keinginan dalam diri seseorang pada objek tertentu.Misalnya, minat terhadap pelajaran, olahraga, atau hobi.Minat bersifat pribadi (individual). Artinya, setiap orang memiliki minat yang bisa saja berbeda dengan minat orang lain. Minat berkaitan erat dengan motivasi seseorang,

Universitas Sumatera Utara

6

sesuatu yang dipelajari.serta dapat berubah-ubah tergantung pada kebutuhan, pengalaman, dan mode yang sedang trend, bukan bawaan sejak lahir. Faktor yang mempengaruhi munculnya minat seseorang tergantung pada kebutuhan fisik, sosial, emosi, dan pengalaman.Minat diawali oleh perasaaan senang dan sikap positif. Dari pengertian minat di atas dapat disimpulkan bahwa minat bukanlah sesuatu yang statis atau berhenti, tetapi dinamis dan mengalami pasang surut.Minat juga bukan bawaan lahir, tetapi sesuatu yang dapat dipelajari.Artinya, sesuatu yang sebelumnya tidak diminati, dapat berubah menjadi sesuatu yang diminati karena adanya masukan-masukan tertentu atau wawasan baru dan pola pemikiran yang baru. Terdapat tiga karakteristik minat, yaitu sebagai berikut: a. Minat menimbulkan sikap positif b. Minat adalah sesuatu yang menyenangkan dan timbul dari suatu objek c. Minat mengandung unsur penghargaan, mengakibatkan suatu keinginan dan kegairahan untuk mendapat sesuatu yang diinginkan.

2.3 Metode Belajar Metode adalah suatu cara yang dipergunakan untuk mencapai tujuan yang telah ditetapkan. Dalam kegiatan belajar mengajar, metode diperlukan oleh guru, dan penggunaannya bervariasi sesuai dengan tujuan yang ingin dicapai.Kedudukan metode sebagai alat motivasi dalam strategi pengajaran dan sebagai alat untuk mencapai tujuan. Metode pembelajaran didefenisikan sebagai cara yang digunakan guru, sehingga dalam menjalankan fungsinya, metode merupakan alat untuk mencapai tujuan pembelajaran. Tetapi pelaksanaan sesungguhnya metode dan teknik memiliki perbedaan, metode pembelaajaran lebih bersifat procedural yang berisi tahapan-tahapan tertentu, sedangkan teknik adalah cara yang digunakan dan bersifat implementatif (Dra. Eveline Siregar, M.Pd &Hartini Nara, M.Si: 2010).


7

2.4 Lingkungan Belajar Lingkungan adalah meliputi semua kondisi-kondisi dalam dunia ini yang dalam cara-cara tertentu mempengaruhi tingkah laku, pertumbuhan, perkembangan atau life processesmanusia kecuali gen-gen (Oemar Hamalik: 2009). Teori ekologi yang dikembangkan oleh Urie Bronfenbrenner (1997-2005) berfokus pada konteks-konteks sosial tempat anak-anak tinggal dan orang-orang yang mempengaruhi perkembangan mereka. Teori ekologi (ecological theory) Bronfenbrenner (1995, 2000, 2004; Bronffenbrenner & Morris, 1998,2006) terdiri atas lima sistim lingkungan, dari hubungan interpersonal yang kuat sampai pengaruh budaya internasional. Lima sistim tersebut adalah mikrosistim, mesosistim, ekosistim, makrosistim dan kronosistim. Mikrosistim adalah lingkungan tempat individu tersebut menghabiskan banyak waktu, seperti keluarga, teman sebaya, sekolah dan lingkungan di sekitar siswa.Mesosistim adalah hubungan antar mikrosistim sebagai contoh hubungan antara sekolah dengan keluarga. Ekosistim berfungsi ketikapengalaman di keadaan lain mempengaruhi apa yang dialami siswa dan guru dalam konteks terdekat, sebagai contoh peranan dewan pengawas dan taman sekolah yang mempunyai peran kuat dalam menentukan kualitas dan keindahan sekolah. Makrosistim melibatkan budaya yang lebih luas mencakup peran faktor etnis dan faktor sosioekonomi dalam perkembangan anak-anak. Kronosistim mencakup kondisi sosiohistoris dan perekembangan para siswa (John W Santrock: 2009). Tulisan ini akan fokus pada sistim lingkungan yang pertama yaitu mikrosistim yang meliputi keluarga dan teman.

2.5 Skala Utama 1. Skala Nominal Skala nominal Adalah skala yang semata-mata hanya untuk memberikan indeks, atau nama saja dan tidak mempunyai makna yang lain, tidak dapat dipergunakan sebagai perbandingan antara satu data dengan data yang lain.


8

2. Skala Ordinal Skala ordinal adalah skala ranking, di mana kode yang diberikan memberikan urutan tertentu pada data, tetapi tidak menunjukkan selisih yang sama dan tidak ada nol mutlak. 3. Skala Interval Skala interval adalah skala pengukuran yang mempunyai selisih sama antara satu pengukuran dengan pengukuran yang lain, tetapi tidak memiliki nilai nol mutlak. 4. Skala Rasio Skala rasio adalah skala pengukuran yang paling tinggi di mana selisih tiap pengukuran adalah sama dan mempunyai nilai nol mutlak. Artinya setiap satuan pengukuran mempunyai satuan yang sama dan mampu mencerminkan kelipatan antara satu pengukuran dengan pengukuran yang lain. (J. Supranto: 2010).

2.6 Kovarians Kovarians mendapat tempat yang penting dalam analisis SEM, bahkan SEM sering disamakan dengan “analysis of covariance structures”.Dalam ilmu statistik, mungkin lebih sering didengar dan diketahui istilah korelasi daripada kovarians. Sebenarnya kedua istilah tersebut mengacu pada hal yang sama, yakni melihat hubungan antar variabel. Hanya pada penghitungan kovarians, penekanan lebih pada variansi kedua variabel yang terjadi secara bersama-sama (Singgih Santoso: 2012). Kovariansi antara dua variabel random X dan Y didefinisikan sebagai: Kov(X,Y) = σxy = E[(X-µ x) - (Y-µ y)] sedangkan variansi dari suatu variabel random X didefinisikan sebagai: 2 2 Var(X) = σxx = σx = E[(X-µ x) ]


9

2.7 Korelasi dan Determinasi 2.7.1 Korelasi Alat statistik yang sering dijumpai dalam analisis SEM adalah korelasi sekalipun kovarians adalah alat utama untuk melakukan perhitungan dalam model SEM. Korelasi pada dasarnya adalah melakukan standarisasi pada hasil kovarians yang di dapat, berbeda dengan kovarians, angka korelasi dibatasi dari -1 sampai +1 menunjukkan arah hubungan dua variabel sedangkan besar angka di belakangnya menunjukkan tingkat keeratan hubungan korelasi. Dalam SEM, korelasi akan banyak digunakan untuk mengartikan angka-angka yang terkait dengan estimasi koefisien regresi (pada structural model) ataupun besar factor loading pada measurement model.Koefisien korelasi dapat ditentukan dengan persamaan sebagai berikut (Singgih Santoso: 2012): =

dengan:

( , )

cov(x,y) = kovarians antara x dan y = deviasi standarx =deviasi standary

2.7.2 Determinasi Koefisien determinasi (

) merupakan sumbangan (share) dari x terhadap variasi

(naik turunnya) y, tingkat variasi ditunjukkan oleh besarnya nilai varian y. Misalnya x=lingkungan, y=minat,

= 0,9 dan

= (0,9)2 = 0,81 artinya

sumbangan x (lingkungan) terhadap variasi (naik turunnya) y (minat) = 81%, sisanya 19% merupakan sumbangan faktor lain seperti metode belajar.

2.8 Analisis Multivariat Masalah (problem) ialah sesuatu yang terjadi tidak sesuai dengan keinginan atau harapan. Setiap masalah yang timbul pasti memiliki faktor penyebab umumnya lebih dari satu. Kalau masalah disebut sebagai variabel tak bebas y dan faktor


10

penyebab sebagai variabel bebas x, maka ada lebih dari satu x, katakan ada k buah, maka ditulis faktor penyebab: , ,

,

,…,

,

,…,

.Artinya

y disebabkan oleh

.Salah satu contoh analisis multivariat adalah SEM.

Analisis multivariat bisa dikelompokkan menjadi dua kelompok besar,

yaitu: 1. Analisis dependensi/ketergantungan (dependency methods), bertujuan untuk menjelaskan atau meramalkan nilai variabel tak bebas berdasarkan lebih dari satu variabel bebas yang mempengaruhinya ( ,

,

,…,

dan

y), kalau hanya melibatkan satu variabel bebas, analisis disebut analisis bivariat (x dan y). 2. Analisis

interdependensi/saling

ketergantungan

(interdependence

methods), bertujuan untuk memberikan arti (meaning) kepada suatu set variabel (kelompok variabel) atau mengelompokkan suatu set variabel menjadi kelompok yang lebih sedikit jumlahnya dan masing-masing kelompok membentuk variabel baru yang disebut faktor (mereduksi jumlah variabel). Jenis skala yang dipergunakan untuk mengukur variabel tak bebas (y) dan variabel bebas (x) dan juga banyaknya variabel tak bebas akan menentukan teknik analisis multivariat yang tepat. Dalam analisis multivariat data non-metrik (kualitatif) untuk nominal dan ordinal sedangkan data metrik (kuantitatif) untuk interval dan ratio (J. Supranto: 2010).

2.9 Structural Equation Modelling (SEM) Structural equation modelling (SEM) adalah perkembangan dari analisis jalur dan regresi berganda yang merupakan bentuk model analisis multivariat.SEM adalah metode yang unggul karena dapat menganalisis data secara lebih komprehensif. Analisis data pada analisis jalur dan regresi berganda hanya dilakukan terhadap data total scorevariabel yang merupakan jumlah butir-butir instrumen penalitian. Dengan demikian, analisis jalur dan regresi berganda sebenarnya hanya dilakukan pada tingkat variabel laten. Sedangkan analisis data pada metode SEM dapat


11

digunakan terhadap score butir pertanyaan sebuah instrumen variabel penelitian. Butir-butir instrumen dalam analisis SEM disebut sebagai variabel manifest. Dalam model persamaan struktural, variabel kunci yang menjadi perhatian adalah variabel laten atau laten construct yaitu konsep abstrak psikologi seperti sikapdan intelegence. Mengamati perilaku variabel laten secara tidak langsung dan tidak sempurna berpengaruh terhadap variabel indikator atau variabel manifest.

2.10 Model Struktural 2.10.1Model Regresi Berganda Model pertama ini sebenarnya merupakan pengembangan regresi bergandadengan menggunakan dua variabel eksogen, yaitu

dan

dengan satuvariabel

endogenyyang digambarkan sebagai berikut: X1 Y X2

Gambar 2.1Model Regresi Berganda

2.10.2Model Mediasi Model kedua adalah model mediasi atau perantara di mana variabel ymemodifikasi pengaruh variabel x terhadap variabel z, yang digambarkan sebagai berikut: Z

X Y

Gambar 2.2Model Mediasi


12

2.10.3Model Kombinasi Pertama dan Kedua Model ketiga ini merupakan kombinasi antara model pertama dan kedua,yaitu variabel x berpengaruh terhadap variabel z secara langsung dan secara tidaklangsung mempengaruhi variabel z melalui variabel y. Model digambarkan sebagai berikut: X1 Y X2

Gambar 2.3 Model Kombinasi Pertama dan Kedua

2.10.4Model Kompleks Model keempat ini merupakan model yang lebih kompleks, yaitu variabel secara langsung mempengaruhi mempengaruhi

dan melalui variabel

, sementara variabel

secara tidaklangsung

juga dipengaruhi olehvariabel

model

digambarkan sebagai berikut:

X1

X2

Y1

Y2

Gambar 2.4 Model Kompleks

2.10.5Model Rekursif dan Non Rekursif Dari sisi pandang arah sebab akibat, ada dua tipe model jalur, yaiturekursif dan non rekursif. Model rekursif ialah jika semua anak panah menuju satu arah seperti gambar 2.5 sebagai berikut:


13

Gambar 2.5 Model Rekursif dan Non Rekursif

Model tersebut dapat diterangkan sebagai berikut: a.

Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1

b.

Hanya terdapat satu variabel eksogen, yaitu 1 dan tiga variabel endogen, yaitu 2,3 dan 4. Masing-masing variabel endogen diterangkan oleh variabel 1 dan error (e2, e3 dan e4) Model non rekursif terjadi jika arah anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat (reciprocal cause).

2.11Persamaan Jalur SEM 2.11.1Persamaan Satu Jalur Bentuk model yang mengandung unsur persamaan satu jalur adalah padamodel regresi berganda.Dimana hanya terdapat satu variabel endogen yangdisebabkan oleh beberapa variabel eksogen. Bentuk modelnya dapat dilihat pada gambar sebagai berikut:

Gambar 2.6Model Persamaan Satu Jalur dalam SEM


14

Keterangan: a. Variabel

,

dan

adalah variabel eksogen

b. Variabel y adalah variabel endogen Persamaannya adalah:

=

+

+

+€

2.11.2 Persamaan Dua Jalur Dalam persamaan dua jalur model dikembangkan atas tiga variabel eksogen dan 2 variabel endogen.Bentuk modelnya dapat dilihat pada gambar sebagai berikut:

Gambar 2.7 Model Persamaan Dua Jalur dalam SEM Keterangan: a. Variabel b. Variabel

,

dan

dan

adalah variabel eksogen adalah variabel endogen

Persamaannya adalah: a. b.

=

=

+

+

+

+

+ € (Pers. Substruktur 1)


2.11.3 Persamaan Tiga Jalur Dalam model persamaan tiga jalur, pada umumnya terdapat 2 variabel eksogen murni, dan satu variabel eksogen perantara dan terdapat 2 variabelendogen. Bentuk modelpersamaan strukturalnya dapat dilihat secara lengkap pada bentuk modelpersamaan tiga jalur sebagai berikut:


15

Gambar 2.8Model Persamaan Tiga Jalur dalam SEM Keterangan: a. Variabel

dan

adalah variabel eksogen

b. Variabel

adalah variabel perantara

c. Variabel

dan

adalah variabel endogen

Persamaannya adalah: a. b. c.

=

+


=

+


=

+


2.12Metode Maximum Likelihood Fungsi likelihood didefinisikan sebagai fungsi densitas peluang bersama dari n variabel acak

, ...,xnyang dipandang sebagai fungsi θ.Jika

, …,

sampel acak

dengan fungsi densitas peluang f (x;θ) maka fungsi likelihood L(θ) didefinisikan sebagai:L(θ) = f (x1;θ) ... f (xn;θ) Untuk mengilustrasikan metode maximum likelihood, diasumsikan bahwa populasi tersebut memiliki suatu fungsi kepadatan yang mengandung suatu parameter populasi, misalnya θ, yang harus ditentukan dengan menggunakan suatu statistik tertentu, kemudian fungsi kepadatan dapat dilambangkan sebagai f (x;θ). Dengan mengasumsikanbahwa terdapat n pengamatan yang independen , …,

. Fungsi

Likelihood untuk pengamatan ini adalah: L(θ) = f (x1;θ). f (x2;θ)... f (xn;θ)


16

Estimator maximum likelihood dapat diperoleh dengan menentukan turunan dari L terhadap θ dan menyatakannya sama dengan nol atau dapat ditulis sebagai L (θ) = 0.

( )

2.13Evaluasi Kelayakan Model Kelayakan model dapat dilihat dari berbagai ukuran kelayakan model, dalam penelitian ini ukuran kelayak model yang digunakan adalah: 1. Chi-Square Nilai Chi-Square yang diperoleh relatif besar terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model tidak sesuai dengan matriks data. Sebaliknya Chi-Square yang relatif kecil terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model sesuai dengan matriks data. Ada beberapa kelemahan dalam uji Chi-Square yaitu tergantung pada asumsi kenormalan ganda, untuk memperoleh kecocokan yang lebih baik diperlukan model yang lebih kompleks, sensitif terhadap ukuran contoh (Siswono Haryono: 2012) . 2. Root Mean Square Residual (RMR) Nilai RMR menunjukkan ratsa-rata sisaan koragam atau sisaan korelasi.RMR dapat dirumuskan: = 2

(∑ − ∑( )) ( + 1)

/

di mana ∑ adalah koragam populasi dan ∑(θ) adalah koragam model. Nilai RMR yang lebih kecil atau sama dengan 0,05 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal. 3. Root Mean Square Error of Approximation (RMSEA) Nilai RMSEA merupakan ukuran ketidakcocokan model berdasarkan derajat bebas model. Formula RMSEA dapat dirumuskan:


17

=

− ( − 1)

Model dengan nilai RMSEA lebih besar dari 0,10 mengindikasikan bahwa model tersebut tidak baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Siswono Haryono, 2012). 4. Goodness-of-Fit Index (GFI) Nilai GFI mempresentasikan persen keragaman data yang dapat diterangkan oleh model. Formula GFI untuk metode maximum likelihood adalah: [(∑ − ) ] [(∑ ) ]

= 1−

Model nilai GFI lebih besar daripada 0,90 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Siswono Haryono: 2012). 5. Adjusted Goodness-of-Fit Index (AGFI) Nilai AGFI merupakan modifikasi dari nilai GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan. AGFI dapat dirumuskan: =1−

( + 1) [1 − 2

]

Model dengan nilai AGFI lebih besar dari 0,80 mengindikasikan bahwa model tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal (Siswono Haryono: 2012).


BAB 2 LANDASAN TEORI

Recommend Documents