Notes Theme: - Kelas A: cayman
- Kelas B: tactile
- Kelas C: architect
- Kelas D: hpstr
Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")1 PENDAHULUAN
1.1 Latar Belakang
Dalam perkembangan suatu negara, pendidikan memiliki peranan yang sangat penting ditentukan melalui mutu dari masing-masing kebijakan. Peran pemerintah juga menjadi salah satu faktor penting sebagai upaya untuk selalu meningkatkan mutu pendidikan terutama di negara Indonesia. Pendidikan merupakan bimbingan atau pertolongan yang diberikan oleh orang dewasa kepada anak untuk mencapai kedewasaannya dengan tujuan agar anak cukup cakap melaksanakan tugas hidupnya sendiri tanpa bantuan orang lain. (Feni, 2014 : 13). Pendidikan harus berjalan sesuai dengan kebijakan yang ada (diatur) sehingga dapat mengoptimalkan sistem belajar tersebut dengan beberapa upaya agar jauh lebih efektif dan efisien. Upaya yang dapat dilaksanakan terutama di lingkungan sekolah salah satunya dengan mengoptimalkan hasil belajar siswa di sekolah dengan dukungan dari tenaga pendidik dalam memberikan pendampingan ataupun materi khususnya. Sebagai seorang tenaga pendidik harus dapat menguasai kondisi kelas dan karakter dari masing-masing siswa sehingga tercipta suasana belajar yang menyenangkan untuk menghasilkan output yang baik karena income yang diberikan sangat baik serta mampu memberikan dampak positif terhadap hasil belajar siswa. Maka dibutuhkan kemampuan guru dalam menerapkan metode pembelajaran yang sesuai dengan karakteristik peserta didiknya. Menurut Triyanto menyatakan bahwa model pembelajaran adalah suatu perencanaan atau pola yang digunakan sebagai pedoman dalam merencanakan pembelajaran di kelas atau pembelajaran tutorial.Pupuh dan Sobary S (2010) mengemukakan bahwa pencapaian tujuan pembelajaran dapat diukur melalui keefektifan metode yang digunakan tenaga pendidik dalam selama proses pembelajaran berlangsung. Dalam menggunakan metode pembelajaran di sekolah, seorang tenaga pendidik dapat menggunakan metode pembelajaran yang berbeda-beda antar kelas satu dengan kelas lainnya, dengan demikian dituntut adanya kemampuan guru dalam menguasai dan menerapkan berbagai macam metode pembelajaran. Semakin baik metode itu, makin efektif pula pencapaian tujuan (Surakhmad 1990). Dengan berkembangnya teknologi saat ini yang sangat pesat, metode pembelajaran yang dapat diterapkan juga bisa masuk ke era digital. Learning management system merupakan aplikasi pembelajaran online pada umumnya mempunyai sistem yang komplit untuk mengontrol pelaksanaan pembelajaran. Mulai dari sistem perencanaan pembelajaran (Silabus, RPP, rancangan media, sumber belajar dan sistem penilaian), administrasi pembelajaran (bukti kehadiran guru dan siswa), proses pembelajaran dengan berbagai perangkat pelaksanaan pembelajaran. Hal ini bertujuan untuk mencapai metode pembelajaran yang sangat efektif dan efisien karena sebagian besar siswa mulai dari lingkungan Sekolah Dasar sudah banyak yang mahir dalam penggunaan alat elektronik. Adanya hasil belajar siswa yang tinggi dan berkualitas, dapat dihasilkan proses pembelajaran yang berkualitas dengan peran seorang tenaga pendidik yang membutuhkan kemampuan dalam menerapkan metode pembelajaran sesuai dengan kebutuhan dalam kelas, ketidaksesuaian metode pembelajaran yang diterapkan dapat menurunkan kualitas proses pembelajaran itu sendiri. Dengan demikian maka perbaikan dan peningkatan hasil belajar siswa di sekolah dapat dilaksanakan dengan adanya penggunaan metode pembelajaran yang tepat oleh guru terutama dalam pembelajaran daring. Hal ini dikarenakan beberapa faktor yang menyebabkan pembelajaran tidak dapat tatap muka secara langsung. Maka, LMS sangat cocok untuk metode pembelajaran jarak jauh, tetapi tetap dapat berkomunikasi dua arah. Analisis Regresi sederhana merupakan salah satu metode statistika yang bertujuan untuk mengetahui pengaruh variabel prediktor terhadap variabel respons. Hasil dari analisis ini berupa prediksi nilai Y untuk nilai X yang diberikan. Model regresi ini merupakan model regresi yang paling sederhana hanya memiliki satu variabel prediktor X. Pada penelitian ini bertujuan untuk mengetahui pengaruh penggunaan learning management system terhadap hasil belajar siswa pada penerapan pembelajaran daring.
2 TINJAUAN PUSTAKA
2.1 Regresi Linier Sederhana
Regresi Linier merupakan suatu metode yang digunakan untuk melihat keterikatan antar satu variabel bebas yang mempunyai hubungan garis lurus dengan variabel terikatnya. Analisis regresi linier merupakan analisis yang digunakan untuk mengetahui dan mempelajari suatu model hubungan fungsional linier antar peubah respon (Y) dengan peubah prediktor (X). Peubah respon merupakan peubah yang nilai-nilainya ditentukan berdasarkan nilai-nilai dari satu atau lebih peubah penjelas atau merupakan peubah yang telah dipengaruhi oleh peubah lainnya. Peubah prediktor merupakan peubah yang nilai-nilainya dapat ditentukan atau dapat diamati atau merupakan peubah yang mempengaruhi terhadap peubah lainnya. Dalam pengujian analisis regresi linier sederhana tipe data yang digunakan adalah data dengan sakala interval dan rasio. Analisis regresi linier hanya memiliki satu variabel respon dan satu variabel prediktor yang disebut dnegan regresi linier sederhana. Model regresi linier sederhana adalah sebagai berikut: \[ Y=β_0+β_1 X+ϵ \] X merupakan variabel independen/prediktor Y adalah variabel dependen/respon β_0 dan β_1 merupakan parameter-parameter yang nilainya tidak diketahui atau koefisien regresi ϵ merupakan galat acak.
2.2 Asumsi-Asumsi regresi Linier Sederhana
- Asumsi Normalitas Asumsi normalitas merupakan sebuah uji yang
dilakukan dengan tujuan untuk menilai sebaran data pada sebuah kelompok
data atau variabel, apakah sebaran data tersebut berdistribusi normal
atau tidak. Kenormalan suatu data dapat diketahui melalui metode grafik
dengan menggunakan normal probability plot dan metode statistik yang
sering digunakan yaitu uji statistik Kolmogorov Smirnov. Uji normalitas
menggunakan metode grafik dilakukan dengan membandingkan distribusi
kumulatif data sesungguhnya dengan distribusi kumulatif distribusi
normal. Data disebut normal jika titik data menyebar di sekitar garis
dan mengikuti arah garis diagonal (Lawendatu et al., 2014). Asumsi
normalitas dapat dilakukan melalui beberapa uji diantaranya uji saphiro
wilk, uji liliefors, uji kolmogorov smirnov, dan lain sebagainya. Uji
Saphiro Wilk memiliki hipotesis
H0 : Populasi berdistribusi normal H1 : Populasi tidak berdistribusi normal Syarat Uji Saphiro Wilk diantaranya, data berskala interval atau ratio (kuantitatif), data tunggal/belum dikelompokkan pada tabel distribusi frekuensi, data dari sampel random daerah penolakan (signifikansi). Jika nilai p lebih dari nilai alpha, maka Ho diterima Jika nilai p kurang dari nilai alpha, maka H0 ditolak. Uji Liliefors dapat dilakukan dengan beberapa langkah diantaranya:
- Membuat persamaan regresi dan hitung nilai Yduga
- Menghitung nilai residual dan distandarisasi dengan rumus Z (pembakuan)
- Mengurutkan nilai residual terstandarisasi dari yang terkecil hingga terbesar
- Mencari nilai Z relatif kumulatif diberi simbol Zr
- Mencari nilai Z tabel diberi simbol Zt 6. Menghitung Li = Zt = Zrt-1
- Membandingkan nilai Li hitung dengan tabel liliefors 8. Jika Li kurang dari Li tabel, maka keputusannya data berdistribusi normal. Uji Kolmogorov Smirnov dilakukan untuk membandingkan nilai statistik uji dengan nilai signifikansi. Keputusan yang diambil yakni jika nilai p lebih dari nilai alpha maka H0 diterima, artinya data berdistribusi normal atau memenuhi asumsi normalitas.
Asumsi Homoskedastisitas Asumsi homoskedastitas dilakukan untuk mengetahui apakah terjadi ketidaksamaan varians dari residual pengamatan yang satu ke pengamatan yang lain dalam model regresi. Jika varians dari residual tetap disebut homoskedastisitas atau non heteroskedastisitas, namun jika berbeda disebut heteroskedastisitas (Santoso, 2000). Ada beberapa cara yang dapat dilakukan untuk membuktikan apakah terdapat heteroskedastisitas yaitu dengan menggunakan grafik plot, uji park, uji glejser, dan uji white.Apabila nilai probabilitas lebih kecil dari α= 5% atau 0,05 maka dapat disimpulkan bahwa dalam model regresi terdapat heteroskedastisitas. Sebaliknya, apabila nilai probabilitas berada diatas α=5% atau 0,05 maka tidak terdapat heteroskedastisitas.
Asumsi Non Autokorelasi Asumsi non-autokorelasi bertujuan untuk menguji apakah dalam model regresi linier terjadi korelasi antara observasi ke-i dengan observasi ke-i. Pada regresi apabila terjadi autokorelasi, maka dapat mengganggu suatu model. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. (Ghozali, 2013). Pengujian autokorelasi dilakukan dengan menggunakan uji Durbin-Watson (D-W). Pengambilan keputusan dengan memperhatikan kriteria berikut:
- Jika angka D-W di bawah -2, berarti autokorelasi positif
- Jika angka D-W di atas +2, berarti autokorelasi negatif
- Jika angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi
- Asumsi Non Multikolinearitas Asumsi multikolinieritas merupakan adanya korelasi atau hubungan yang sangat tinggi diantara variabel independen. Ada beberapa tanda suatu regresi linier berganda memiliki masalah dengan multikolinieritas, yaitu nilai Rsquare tinggi, tetapi hanya ada sedikit variabel independen yang signifikan atau bahan tidak signifikan. Cara mendeteksi multikolinearitas dapat dilakukan melalui dua cara diantaranya Tolerance (TOL) digunakan untuk memprediksi adanya suatu gejala multikolinieritas dan variance Inflating Factor (VIF) digunakan untuk mendeteksi multikolinieritas dengan melihat nilai VIF.
2.3 Learning Management System
Pembelajaran online atau dapat disebut sebagai e-learning yang dilakukan oleh sekolahdimana harus didukung dengan penggunaan platform atau aplikasi yang tepat. E-learning digunakan untuk menyampaikan materi pelajaran tanpa dibatasi oleh tempat dan waktu. Pemanfaatan e-learning dapat membuat para pendidik dengan mudah mengunggah materi, memberikan tugas untuk evaluasi, serta memonitor dan menjalin komunikasi dengan parapeserta didik secara efektif. Dalam penggunaan e-learning, dibutuhkan adanya learning management system sebagai media untuk mengatur interaksi antara pendidik dan peserta didik. Learning Management System adalah suatu perangkat lunak atau software yang digunakan sebagai keperluan mengunggah administrasi, dokumentasi, laporan kegiatan, kegiatan belajar mengajar,materi-materi pelatihan dan kegiatan lainnya secara online. Learning Management System atau yang disebut dengan LMS beperan sebagai forum untuk prapendidik melakukan interaksi antar siswa dengan tenaga pendidik khususnya pada saat pandemi yang sedak menyebar luas tahun lalu. Learning Management System merupakan sistem manajemen pembelajaran yang tidak hanya dapat digunakan untuk pengelolaan sistem pembelajaran secara formal atau di sektor tertentu saja. Pengembangan lebih lanjut dalam dunia pendidikan dapat diterapkan dalam sistem pembelajaran di sekolah-sekolah, dimana pengembangannya mengimplementasikan sistem pembelajaran konvensional kedalam bentuk pembelajaran dunia maya, hal ini pembelajaran yang menggunakan jaringan internet sebagai media penghubungnya dan Learning Management System sebagai kelas mayanya.
2.4 Hasil Belajar
Menurut Gagne & Briggs, hasil belajar merupakan kemampuan-kemapuan yang dimiliki siswa sebagai akibat dari mengikuti kegiatan belajar dan dapat diamati melalui penampilan luar. Reigeluth berpendapat bahwa hasil belajar adalah suatu kinerja yang diindikasikan sebagai suatu kemampuan yang telah diperoleh. Dengan kata lain, hasil belajar memiliki keterkaitan yang saat erat dengan proses belajar. Tujuan pembelajaran biasanya diarahkan pada salah satu Kawasan dari taksonomi pembelajaran. Taksonomi tujuan pembelajaran hasil belajar terbagi menjadi tiga aspek, yaitu aspek kognitif, aspek afektif, dan aspek psikomotorik.Hasil belajar siswa dipengaruhi oleh berbagai faktor, baik faktor dari dalam maupun fator dari luar.
2.5 Sumber Data
Sumber data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari salah satu jurnal. Data sekunder yang digunakan adalah data runtun waktu pada satu objek dengan tujuan menggambarkan perkembangan dari objek tersebut. Dalam halini, data sekundernya adalah metode learning management system sebagai variabel prediktor dan hasil belajar siswa sebagai variabel respons di SMK Negeri 3 Salatiga.
2.6 Metode Analisis Regresi Linier Sederhana
Metode analisis yang digunakan adalah analisis regresi sederhana. Pengolahan data menggunakan software R. Tahapan analisis yang dapat dilakukan diantaranya: 1. Menentukan variabel X dan Y 2. Membuat scatter plot dan uji linieritas untuk menguji apakah ada keterkaitan atau pengaruh antara dua variabel yang bersifat linier. 3. Pengujian terhadap asumsi normalitas untuk mengetahui apakah populasi data berdistribusi normal atau tidak dengan menggunakan uji Shapiro Wilk. 4. Pengujian terhadap asumsi homogenitas untuk mengetahui apakah objek yang diteliti memiliki varian yang sama dengan menggunakan uji One-Way ANOVA. 5. Setelah memenuhi seluruh asumsi, maka dilanjutkan analisis data yakni analisis regresi linier sederhana. Adapun langkah-langkah untuk uji signifikansi analisis regresi linier sederhana, antara lain sebagai berikut.
Perumusan hipotesis H0: Tidak ada pengaruh metode pembelajaran Learning Management System terhadap hasil belajar siswa H1: Terdapat pengaruh metode pembelajaran Learning Management System terhadap hasil belajar siswa Pengambilan keputusan Terdapat beberapa kriteria keputusan, di antaranya: -Jika Statistik Uji F > Titik Kritis F, maka H0 ditolak -Jika Statistik Uji F < Titik Kritis F, maka H0 diterima
3 SOURCE CODE
3.1 Library
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")
> # install.packages("readxl")
> # install.packages("lmtest")3.2 Membangkitkan Data
> library(readxl)
> Data_Belajar_Siswa <- read_excel("D:/Coolyeah semester 4/Komputasi Statistika/Data Belajar Siswa.xlsx")
> View(Data_Belajar_Siswa)3.3 Plot data
> X = Data_Belajar_Siswa$`Data Hasil LMS`
> Y = Data_Belajar_Siswa$`Data Hasil Belajar`
> plot(X, Y, main = "Scatter Plot")
3.4 Asumsi Klasik
3.4.1 Asumsi Normalitas
Bertujuan untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal atau tidak.
> library(tseries)
> regresi <- lm(Y~X, data = Data_Belajar_Siswa)
> sisa <- residuals(regresi)
> shapiro.test(sisa)
Shapiro-Wilk normality test
data: sisa
W = 0.94683, p-value = 0.08314
> jarque.bera.test(sisa)
Jarque Bera Test
data: sisa
X-squared = 2.0629, df = 2, p-value = 0.35653.4.2 Asumsi Homogenitas
Bertujuan untuk mengetahui apakah terjadi ketidaksamaan varians dari residual pengamatan antara satu pengamatan ke pengamatan yang lainnya dalam model regresi.
> library(lmtest)
> regresi <- lm(Y~X, data = Data_Belajar_Siswa)
> bptest(regresi)
studentized Breusch-Pagan test
data: regresi
BP = 0.11864, df = 1, p-value = 0.73053.4.3 Asumsi Non-Autokorelasi
> regresi <- lm(Y~X, data = Data_Belajar_Siswa)
> dwtest(regresi)
Durbin-Watson test
data: regresi
DW = 1.4853, p-value = 0.05499
alternative hypothesis: true autocorrelation is greater than 03.5 Uji Linearitas
3.5.1 Uji Linearitas
{r. echo = TRUE} resettest(Y~X, data = Data_Belajar_Siswa) regresi <- lm(Y~X, data = Data_Belajar_Siswa)
3.5.2 Plot Uji Linearitas
> plot(regresi, 1)
3.6 Pengujian
3.6.1 Pendugaan Parameter
> regresi <- lm(Y~X, data = Data_Belajar_Siswa)
> lm(formula = Y~X, data = Data_Belajar_Siswa)
Call:
lm(formula = Y ~ X, data = Data_Belajar_Siswa)
Coefficients:
(Intercept) X
-5.132 1.054
> summary(regresi)
Call:
lm(formula = Y ~ X, data = Data_Belajar_Siswa)
Residuals:
Min 1Q Median 3Q Max
-12.2587 -1.6442 0.7955 2.5787 11.8497
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -5.1322 11.8987 -0.431 0.669
X 1.0542 0.1517 6.950 5.17e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 4.693 on 34 degrees of freedom
Multiple R-squared: 0.5869, Adjusted R-squared: 0.5748
F-statistic: 48.31 on 1 and 34 DF, p-value: 5.168e-084 HASIL DAN PEMBAHASAN
4.1 Asumsi Klasik
4.1.1 Asumsi Normalitas
Hipotesis : H0: Data menyebar dengan berdistribusi normal H1: Data tidak menyebar dengan berdistribusi normal
Kriteria keputusan : jika nilai p > 5%, maka H0 diterima jika nilai p < 5%, maka H0 ditolak
Shapiro-Wilk normality test
data: sisa
W = 0.94683, p-value = 0.08314
Jarque Bera Test
data: sisa
X-squared = 2.0629, df = 2, p-value = 0.3565Berdasarkan hasil diatas, dapat dilihat bahwa nilai p-value menunjukkan angka 0.08314 dimana lebih besar dari alpha 5% maka H0 diterima, sehingga dapat disimpulkan bahwa residual berdistribusi normal. karena telah memenuhi asumsi kenormalan maka model regresi layak digunakan.
4.1.2 Asumsi Homogenitas
Hipotesis : H0: varian data homogen H1: varian data tidak homogen
Kriteria keputusan : jika nilai p > 5%, maka H0 diterima jika nilai p < 5%, maka H0 ditolak
studentized Breusch-Pagan test
data: regresi
BP = 0.11864, df = 1, p-value = 0.7305Berdasarkan hasil pengujian non heteroskedastisitas didapatkan nilai p-value sebesar 0.05932 dimana lebih besar dari alpha 5%, maka H0 diterima, sehingga dapat disimpulkan bahwa varian data homogen.
4.1.3 Asmsi Non-Autokorelasi
Hipotesis : H0: Tidak ada autokorelasi antar amatan pada variabel H1: Terdapat autokorelasi antar amatan pada variabel
Kriteria keputusan : jika nilai p > 5%, maka H0 diterima jika nilai p < 5%, maka H0 ditolak
Durbin-Watson test
data: regresi
DW = 1.4853, p-value = 0.05499
alternative hypothesis: true autocorrelation is greater than 0Berdasarkan hasil pengujian non-autokorelasi dengan menggunakan uji Durbin Watson dapat diketahui bahwa nilai p-value sebesar 0.05499 dimana lebih besar dari alpha 5%, sehingga tidak terjadi masalah autokorelasi antar amatan pada variabel.
4.2 Uji Linieritas
4.2.1 Uji Linearitas
Hipotesis : H0: Model sudah bersifat linier H1: Model tidak bersifat linier
Kriteria keputusan: jika nilai p > 5%, maka H0 diterima jika nilai p < 5%, maka H0 ditolak
RESET test
data: Y ~ X
RESET = 0.74727, df1 = 2, df2 = 32, p-value = 0.4817Dari hasil uji linieritas pada penelitian ini didapatkan nilai-p sebesar 0.4817 dengan tingkat signifikansi 5% maka H0 diterima atau dapat disimpulkan bahwa model sudah linier.
4.2.2 Plot Uji Linearitas
4.3 Pengujian
4.3.1 Pendugaan Parameter
Call:
lm(formula = Y ~ X, data = Data_Belajar_Siswa)
Coefficients:
(Intercept) X
-5.132 1.054
Call:
lm(formula = Y ~ X, data = Data_Belajar_Siswa)
Residuals:
Min 1Q Median 3Q Max
-12.2587 -1.6442 0.7955 2.5787 11.8497
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -5.1322 11.8987 -0.431 0.669
X 1.0542 0.1517 6.950 5.17e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 4.693 on 34 degrees of freedom
Multiple R-squared: 0.5869, Adjusted R-squared: 0.5748
F-statistic: 48.31 on 1 and 34 DF, p-value: 5.168e-08Berdasarkan perhitungan diatas diperoleh persamaan regresi linier sederhana seperti berikut: \[ Y = -5.1322 + 1.0542X \] Persamaan parameter diatas menjelaskan nilai 1.0542 pada variabel x bernilai positif. artinya semakin tinggi hasil dari sistem Learning Management System, maka semakin tinggi hasil belajar siswa. Selain itu, hasil koefisien determinasi diketahui sebesar 0.5748. Hal ini dapat diartikan bahwa sebesar 42.52% tingkat hasil belajar siswa dijelaskan oleh sistem belajar LMS dan sisanya sebesar 7.12% dijelaskan atau dipengaruhi oleh faktor lain yang tidak dibahas dalam penelitian ini. \[ r=√(R^2 )=√0.5748=0.7582 \] # KESIMPULAN Berdasarkan serangkaian hasil analisis di atas, dapat ditarik suatu kesimpulan bahwa hasil dari metode pembelajaran daring dengan Learning Management System menjadi faktor utama penyebab hasil belajar siswa. Ditunjang dari hasil koefisien determinasi yang menunjukkan adanya kontribusi dalam metode pembelajaran LMS dalam mempengaruhi hasil belajar siswa yakni sebesar 42.52%, sedangkan sisanya dipengaruhi oleh faktor-faktor lain yang tidak dibahas pada penelitian ini.
5 DAFTAR PUSTAKA
Septian., Kosilah.2020. PENERAPAN MODEL PEMBELAJARAN KOOPERATIF TIPE ASSURE DALAM MENINGKATKAN HASIL BELAJAR SISWA. Jurnal Inovasi Penelitian Vol. 1 No.6 Nopember 2020. Nasution, M.K. 2017. Penggunaan Metode Pembelajaran Dalam Peningkatan Hasil Belajar Siswa. Jurnal Ilmiah Bidang Pendidikan Vol. 11, No. 1, 2017. Prasetyo, S.A., Efendi, R. 2021. Pengaruh Penggunaan Learning Management System Terhadap Hasil Belajar Siswa Pada Pembelajaran Daring SMK Negeri 3 Salatiga. Jurnal Teknik Informatika dan Sistem Informasi Vol. 8, No. 3, Hal 1672-1684.