Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")1 PENDAHULUAN
1.1 Latar Belakang
Analisis statistika yang bisa digunakan pada kasus tersebut adalah analisis regresi linier berganda.Model analisis regresi linier berganda merupakan alternatif yang bisa digunakan untuk mengetahui faktor-faktor yang berpengaruh terhadap efektivitas penggunaan Google Classroom dalam pembelajaran daring. Adapun asumsi-asumsi yang harus terpenuhi dalam melakukan analisis regresi linier berganda diantaranya meliputi : Asumsi Normalitas, Multikolinearitas, Heteroskedastisitas, dan Autokorelasi.
2 Tinjauan Pustaka
2.1 Analisis Regresi Linier Berganda
\[ Y=\beta_0+\beta_1 X_1+\beta_2 X_2+⋯+\beta_n X_n+\epsilon \] Keterangan :
Y : Variabel tak bebas/ variabel response
\(\beta_0\) = Intersep/ Konstanta
\(\beta_1,\beta_2,…,\beta_n\) = Slope/ nilai koefisien regresi
\(X_1,X_2,…,X_n\) = Variabel bebas/ variabel predictor
\(\epsilon\) = nilai residual/ error
- Nilai = 0. Hal ini menunjukkan bahwa variabel \(X_1,X_2,…,X_n\) tidak berpengaruh terhadap variabel Y
- Nilai = bertanda negatif. Hal ini menunjukkan bahwa terdapat hubungan negative atau berbanding terbalik antara variabel \(X_1,X_2,…,X_n\) dengan variabel Y
- Nilai = bertanda positif. Hal ini menunjukkan bahwa terdapat hubungan positif atau berbanding lurus antara variabel \(X_1,X_2,…,X_n\) dengan variabel Y
2.2 Uji Asumsi Klasik
- Uji Normalitas
- Q-Q Plot
- Uji Jarque Bera
\(H_0\) : Pengamatan menyebar normal
\(H_1\) : Pengamatan tidak menyebar normal
Statistik Uji : \[ JB=\frac{n}{6}(S^2+\frac{1}{4}(K-3)^2) \] \[ P-value=P(x^2_{db}≥JB) \] di mana :
JB : Uji Jarque Bera
n : Banyak pengamatan
S : Skewness
K-3 : Excess Kurtosis
Jika P-value < \(\alpha\) = 0.05 , maka Tolak \(H_0\) yang artinya data tidak berdistribusi normal
Jika P-value > \(\alpha\) = 0.05 , maka Terima \(H_0\) yang artinya data berdistribusi normal
- Uji Multikolinearitas
Rumus hitung nilai VIF : \[ VIF(i)=\frac{1}{(R_i)^2} \] di mana :
\((R_i)^2\): Koefisien determinasi antara \(X_i\) dengan variabel bebas lainnya ( i=1,2,…,p )
Jika nilai VIF < 10, maka dapat disimpulkan bahwa tidak terdapat multikolinearitas diantara variabel prediktor.
- Uji Heteroskedastisitas
Hipotesis \[ H_0 : \delta_1=\delta_2=\dots=0 \] \(H_1\) : Minimal terdapat satu \(\delta_j≠0 ,j=1,2,…,k\)
Statistik Uji : \[ LM=nR^2\sim x^2_{p-1} \] \[ P-value=P(x^2_{p-1}>LM) \] di mana :
LM ∶ Langrange multiplier
n ∶ Banyak pengamatan
\(R^2\) ∶ Koefisien determinasi
p ∶ Banyak parameter
Jika P-value < \(\alpha\) = 0.05 , maka Tolak \(H_0\) yang artinya terjadi heteroskedastisitas
Jika P-value > \(\alpha\) = 0.05 , maka Terima \(H_0\) yang artinya tidak terjadi heteroskedastisitas.
- Uji Autokorelasi
Statistik Uji Durbin Watson : \[ DW=\frac{∑(e-(e_{t-1})^2)}{∑e_t^2} \] di mana :
DW : Uji Durbin Watson
e : Komponen error/galat
\(e_t\) : Error/galat periode ke-t
\(e_{t-1}\) : Error/galat periode ke-t-1
Keputusan :
Jika D-W4-dL , maka pada data tersebut terdapat autokorelasi
Jika dU<D-W<4-dU , maka pada data tersebut tidak terdapat autokorelasi
Jika dL≤D-W≤dU atau 4-dU≤D-W≤4-dL , maka tidak ada kesimpulan
2.3 Metode Kuadrat Terkecil
\[ S=∑_{i=1}^n (\epsilon_i)^2 = ∑_{i=1}^n (Y_i-\beta_0-\beta_1 X_{i1}-\beta_2 X_{i2}-\dots-\beta_k X_{ik})^2 \] Dengan k adalah banyaknya variabel bebas/ prediktor
Dalam menentukan nilai estimasi , dapat digunakan penyelesaian persamaan sebagai berikut. \[ \beta^ ̂=(X^T X)^{-1} X^T Y \]
2.4 Pengujian Hipotesis
- Uji-t (Uji parsial)
Langkah-langkah pengujian hipotesis menggunaakan uji t diantaranya :
Hipotesis \[ H_0 : \beta_j=0 , j= 1,2,…k \] \[ H_1 : \beta_j≠0, j =1,2,..k \]
Statistik Uji: \[ t_{hitung}=\frac{\beta_j^ ̂-\beta_j}{se(\beta_j^ ̂)} \]
\(t_{tabel}=t_{\alpha/2,db}\) , dengan \(db=n-k\)
Dari nilai \(t_{hitung}\) yang diperoleh, dapat digunakan untuk menghitung niai P_value : \[ P-value=2×P(T_{db}> |t_{hitung} |) \] - Keputusan :
Jika \(t_{hitung}<t_{tabel}\) atau \(P-value>\alpha\)→terima \(H_0\)
Jika \(t_{hitung}>t_{tabel}\) atau \(P-value<\alpha\)→tolak \(H_0\)
- Uji-F (Uji Simultan)
Langkah-langkah pengujian hipotesis menggunaakan uji F diantaranya :
- Hipotesis \[H_0 : \beta_2=\beta_3=⋯=\beta_j=0 , j= 2,3,…k \]
\(H_1\) : minimal ada satu \(\beta_j≠0, j = 2,3,..k\)
- Statistik Uji: \[ F_{hitung}=\frac{KT_{regresi}}{KT_{galat}} \] \[ F_{tabel}=F_{(db_{regresi},db_{galat},\alpha)} \] Dari nilai \(F_{hitung}\) yang diperoleh, dapat digunakan untuk menghitung niai P-value : \[ P-value=P(F_{db}> |F_{hitung} |) \]
- Keputusan :
Jika \(F_{hitung}<F_{tabel}\) atau \(P-value>\alpha\)→terima \(H_0\)
Jika \(F_{hitung}>F_{tabel}\) atau \(P-value<\alpha\)→tolak \(H_0\)
2.5 Uji Kelayakan Model (Uji Goodness of Fit)
Rumus Hitung : \[ R^2=1-\frac{∑(\epsilon^ ̂_i)^2}{∑(Y_i-Y^bar)^2}=1-\frac{JK_{galat}}{JK_{total}}=\frac{JK_{regresi}}{JK_{total}} \]
2.6 Efektivitas Pembelajaran Daring
2.7 Google Classroom
2.8 Faktor-Faktor Yang Mempengaruhi Efektivitas Penggunaan Google Classroom
- Persepsi Kemanfaatan
- Persepsi kemudahan
- Kualitas Layanan
3 Metode Penelitian
3.1 Data
3.2 Populasi dan Sampel
3.3 Variabel Penelitian
3.4 Metode Analisis Data
Menentukan variabel yang digunakan dalam penelitian
Mengumpulkan data
Melakukan pengujian kualitas data untuk melihat apakah data sudah valid dan reliable atau tidak. Apabila data sudah valid dan reliable maka dapat dilanjutkan ke langkah selanjutnya, namun apabila data belum valid atau reliable maka perbaiki data
Analisis hubungan antar variabel
Melakukan pengujian asumsi klasik untuk melihat apakah data sudah memenuhi semua asumsi atau tidak. Apabila data tersebut telah memenuhi semua asumsi maka dapat dilanjutkan ke langkah selanjutnya, namun apabila data belum memenuhi semua asumsi maka perbaiki data.
Membentuk model persamaan regresi linier berganda
Melakukan pendugaan parameter model
Melakukan pengujian hipotesis parameter model
Melakukan pengujian kelayakan model (Uji Goodness of Fit) untuk mengetahui layak atau tidaknya model regresi yang terbentuk./ memeriksa validitas model yang terbentuk
Interpretasi Hasil
4 SOURCE CODE
4.1 Library yang Dibutuhkan
> # Library
> library(readxl) # Memanggil data dengan format file Excel
> library(tseries) # Pemeriksaan asumsi normalitas
> library(lmtest) # Pemeriksaan asumsi heteroskedastisitas dan autokorelasi
> library(car) # Pemeriksaan asumsi multikolinearitas4.2 Persiapan Data
> Data_Praktikum <- read_excel("E:/a Document/Komstat/Data Praktikum.xlsx")
> View(Data_Praktikum)Data merupakan data sekunder
4.3 Analisis Hubungan
> Korelasi<-cor(Data_Praktikum, method = "pearson")
> Korelasi
X1 X2 X3 Y
X1 1.0000000 0.4564715 0.2911763 0.4014027
X2 0.4564715 1.0000000 0.4939016 0.4471223
X3 0.2911763 0.4939016 1.0000000 0.4819813
Y 0.4014027 0.4471223 0.4819813 1.0000000cor digunakan untuk
membentuk matriks korelasi antar variabel. argument yang diisikan dalam
function adalah :- Obyek data : data=Data_Praktikum
- Metode : method=“pearson”
5 HASIL DAN PEMBAHASAN
5.1 Analisis Regresi Berganda
> regresi<-lm(Y~X1+X2+X3, data=Data_Praktikum)
> regresi
Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Praktikum)
Coefficients:
(Intercept) X1 X2 X3
1.2669 0.1657 0.1568 0.2778 \[ Y=\beta_0+\beta_1 X_1+\beta_2 X_2+\beta_3 X_3+\epsilon \]
\[ Y=1.2669+0.1657X_1+0.1568X_2+0.2778X_3+\epsilon \]
5.2 Diagnostik Sisaan
> par(mfrow=c(2,2))
> plot(regresi)
- plot 1 :
- plot 2 :
- plot 3 :
- plot 4 :
5.3 Uji Asumsi Klasik
> # Uji Normalitas
> sisa<-residuals(regresi)
> jarque.bera.test(sisa)
Jarque Bera Test
data: sisa
X-squared = 1.911, df = 2, p-value = 0.3846> # Uji Multikolinearitas
> vif(regresi)
X1 X2 X3
1.272393 1.540240 1.332259 > # Uji Heteroskedastisitas
> bptest(regresi)
studentized Breusch-Pagan test
data: regresi
BP = 3.6945, df = 3, p-value = 0.2964> # Uji Autokorelasi
> dwtest(regresi)
Durbin-Watson test
data: regresi
DW = 2.2336, p-value = 0.9008
alternative hypothesis: true autocorrelation is greater than 05.4 Model Regresi Linier Berganda
> summary(regresi)
Call:
lm(formula = Y ~ X1 + X2 + X3, data = Data_Praktikum)
Residuals:
Min 1Q Median 3Q Max
-0.70543 -0.22524 -0.01231 0.19271 0.89509
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.26692 0.25536 4.961 2.42e-06 ***
X1 0.16565 0.06397 2.589 0.010845 *
X2 0.15675 0.08013 1.956 0.052851 .
X3 0.27780 0.07479 3.714 0.000315 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.3434 on 116 degrees of freedom
Multiple R-squared: 0.3289, Adjusted R-squared: 0.3116
F-statistic: 18.95 on 3 and 116 DF, p-value: 4.53e-10- Uji F
- Uji t
- Koefisien Determinasi (\(R^2\))
- Model Regresi persamaan yang terbentuk : \[ Y=\beta_0+\beta_1 X_1+\beta_2 X_2+\beta_3 X_3+\epsilon \]
\[ Y=1.26692+0.16565X_1+0.15675X_2+0.27780X_3+\epsilon \] Interpretasi :
- Jika variabel kemanfaatan, kemudahan, dan kualitas layanan Google Classroom bernilai nol (0), maka efektivitas pembelajaran secara daring Mahasiswa Universitas Islam Indonesia akan sebesar 1.26692 satuan. Hal ini dapat diartikan bahwa efektivitas pembelajaran secara daring akan menurun apabila tingkat kemanfaatan, kemudahan, dan kualitas layanan Google Classroom tidak diperhatikan.
- Jika kemanfaatan Google Classroom (X1) meningkat sebesar satu satuan, maka efektivitas pembelajaran secara daring akan meningkat sebesar 0.16565 satuan, dengan anggapan bahwa variabel kemudahan Google Classroom (X2) dan kualitas layanan Google Classroom (X3) tetap. Hal ini dapat diartikan, jika kemanfaatan Google Classroom semakin baik maka efektivitas pembelajaran secara daring juga akan semakin efektif.
- Jika kemudahan GGoogle Classroom (X2) meningkat sebesar satu satuan, maka efektivitas pembelajaran secara daring akan meningkat sebesar 0.15675 satuan, dengan anggapan bahwa variabel kemanfaatan Google Classroom (X1) dan kualitas layanan Google Classroom (X3) tetap. Hal ini dapat diartikan, semakin mudah penggunaan Google Classroom maka efektivitas pembelajaran secara daring juga akan semakin efektif.
- Jika kualitas layanan Google Classroom (X3) meningkat sebesar satu satuan, maka efektivitas pembelajaran secara daring akan meningkat sebesar 0.27780 satuan, dengan anggapan bahwa kemanfaaan Google Classroom (X1) dan kemudahan Google Classroom (X2) tetap. Hal ini dapat diartikan, jika kualitas layanan Google Classroom semakin baik, maka efektivitas pembelajaran secara daring juga akan semakin efektif.
6 DAFTAR PUSTAKA
Anisa, dkk. 2010. Analisis Regresi Robust Menggunakan Kuadrat Terkecil | Terpangkas Untuk Pendugaan Parameter. Makassar: JMSK.
Davis, F. D., dkk. 1989. User Acceptance of Computer Technology: A Comparison of | Two Theoretical Models. Management Science, 35(8), 982–1003. Diakes pada 13 Desember, 2021 melalui website https://doi.org/10.1287/mnsc.35.8.982.
Hanum, N.S. 2013. Keefektifan E-learning Sebagai Media Pembelajaran.Yogyakarta: | ADGVI.
Mahanani, E., dan Roosdiana. 2020. Pengaruh Current Ratio (CR), Debt Equity | Ratio (DER), dan Ukuran Perusahaan (Size) Terhadap Return On Equity (ROE). Jakarta: Universitas Persada Indonesia Y.A.I Jakarta.
Sari, I.N. 2019. Pengaruh Penggunaan Googleclassroom Terhadap Efektivitas | Pembelajaran Mahasiswa Universitas Islam Indonesia. Yogyakarta: Universitas Islam Indonesia.
Utami, R. A. 2016. Pengaruh Kualitas Sistem dan Layanan, Kepercayaan, Persepsi | Manfaat, Persepsi Kemudahan, dan Persepsi Risiko Terhadap Sikap Penggunaan E-money. Yogyakarta: Universitas Islam Indonesia.
Widodo, E., dan Dewayanti, A.A. 2016. Perbandingan Metode Estimasi LTS, M, dan | Estimasi MM Pada Regresi Robust. Yogyakarta: Universitas Islam Indonesia.
Yuliara, I.M. 2016. Modul Regresi Linier Berganda. Bali: Universitas Udayana.