Professional Documents
Culture Documents
UJI VALIDITAS Reliabilitas Normalitas Ho
UJI VALIDITAS Reliabilitas Normalitas Ho
Makalah Statitisk 2
Semester : 6 (enam)
Jurusan : MANAJEMEN
STIE CAKRAWALA
TA 2019 / 2020
A. UJI VALIDITAS
a. Pengertian Uji Validitas
Uji validitas adalah pengujian tingkat kendala dan kesahihan alat ukur yang
digunakan. Instrumen dikatakan valid berarti menunjukkan alat ukur yang
dipergunakan untuk mendapat data itu valid atau dapat digunakan untuk
mengukur apa yang seharusnya diukur. Dengan demikian, instrumen yang valid
merupakan instrumen yang benar-benar tepat untuk mengukur apa yang hendak
diukur.
b. Contoh Uji Validitas
Maka data yang sebelimnya telah dibuat di Excel, akan menjadi berikut dalam
bentuk SPSS :
Tampilan pada variable view sebagai berikut :
Untuk menjumlahkan soal-soal, klik Transform – Compute Variable. Ketik “Jumlah” pada
Target Variable. Klik 2x pada SOAL 1 lalu klik tanda “+”, klik lagi 2x pada SOAL 2 lalu
klik tanda “+”, dst sampai soal terakhir. Klik OK
Akan muncul seperti berikut.
Correlations
SOA SOA SOA SOA SOA SOA SOA SOA SOA SOA SOA SOAL SOA SOA SOA JUMLA
L1 L2 L3 L4 L5 L6 L7 L8 L 9 L10 L11 12 L13 L 14 L 15 H
SOAL 1 Pearson
1 ,149 ,246 -,159 ,270 ,309 ,051 ,308 ,591** -,224 -,222 ,145 ,358 ,026 ,272 ,539**
Correlation
Sig. (2-tailed) ,467 ,226 ,437 ,183 ,124 ,806 ,126 ,001 ,271 ,276 ,480 ,072 ,898 ,178 ,004
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 2 Pearson
,149 1 -,005 -,079 ,103 ,287 ,193 ,145 ,235 ,002 -,105 ,059 ,343 ,202 ,072 ,437*
Correlation
Sig. (2-tailed) ,467 ,982 ,702 ,615 ,156 ,345 ,480 ,249 ,993 ,610 ,776 ,086 ,323 ,726 ,026
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 3 Pearson
,246 -,005 1 -,085 ,214 ,277 ,301 -,137 ,221 ,164 -,081 ,129 ,307 ,321 -,184 ,448*
Correlation
Sig. (2-tailed) ,226 ,982 ,681 ,294 ,170 ,135 ,504 ,279 ,424 ,695 ,531 ,127 ,109 ,369 ,022
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 4 Pearson
-,159 -,079 -,085 1 ,003 -,221 -,027 -,211 -,297 ,033 ,983** ,145 -,263 -,088 -,152 ,125
Correlation
Sig. (2-tailed) ,437 ,702 ,681 ,987 ,278 ,897 ,300 ,140 ,873 ,000 ,480 ,195 ,668 ,457 ,542
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 5 Pearson
,270 ,103 ,214 ,003 1 ,223 ,263 ,018 ,263 ,133 -,039 ,942** ,159 ,271 -,017 ,602**
Correlation
Sig. (2-tailed) ,183 ,615 ,294 ,987 ,273 ,195 ,930 ,195 ,516 ,850 ,000 ,436 ,180 ,934 ,001
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 6 Pearson
,309 ,287 ,277 -,221 ,223 1 ,097 ,093 ,097 -,108 -,321 ,118 ,949** ,144 ,000 ,462*
Correlation
Sig. (2-tailed) ,124 ,156 ,170 ,278 ,273 ,637 ,650 ,637 ,600 ,109 ,564 ,000 ,482 1,000 ,018
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 7 Pearson
,051 ,193 ,301 -,027 ,263 ,097 1 -,141 ,193 ,276 -,015 ,279 ,068 ,902** -,060 ,564**
Correlation
Sig. (2-tailed) ,806 ,345 ,135 ,897 ,195 ,637 ,491 ,345 ,173 ,940 ,168 ,743 ,000 ,771 ,003
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 8 Pearson
,308 ,145 -,137 -,211 ,018 ,093 -,141 1 ,348 -,414* -,208 -,080 -,029 -,224 ,802** ,246
Correlation
Sig. (2-tailed) ,126 ,480 ,504 ,300 ,930 ,650 ,491 ,081 ,035 ,309 ,697 ,889 ,272 ,000 ,227
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 9 Pearson ,591** ,235 ,221 -,297 ,263 ,097 ,193 ,348 1 ,323 -,297 ,175 ,116 ,272 ,057 ,557**
Correlation
Sig. (2-tailed) ,001 ,249 ,279 ,140 ,195 ,637 ,345 ,081 ,108 ,141 ,392 ,571 ,179 ,783 ,003
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL10 Pearson
-,224 ,002 ,164 ,033 ,133 -,108 ,276 -,414* ,323 1 ,046 ,141 -,083 ,404* -,317 ,209
Correlation
Sig. (2-tailed) ,271 ,993 ,424 ,873 ,516 ,600 ,173 ,035 ,108 ,822 ,491 ,686 ,041 ,114 ,306
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL11 Pearson
-,222 -,105 -,081 ,983** -,039 -,321 -,015 -,208 -,297 ,046 1 ,105 -,362 -,084 -,151 ,073
Correlation
Sig. (2-tailed) ,276 ,610 ,695 ,000 ,850 ,109 ,940 ,309 ,141 ,822 ,608 ,069 ,683 ,460 ,723
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 12 Pearson
,145 ,059 ,129 ,145 ,942** ,118 ,279 -,080 ,175 ,141 ,105 1 ,050 ,288 -,113 ,532**
Correlation
Sig. (2-tailed) ,480 ,776 ,531 ,480 ,000 ,564 ,168 ,697 ,392 ,491 ,608 ,807 ,154 ,582 ,005
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL13 Pearson
,358 ,343 ,307 -,263 ,159 ,949** ,068 -,029 ,116 -,083 -,362 ,050 1 ,126 -,107 ,409*
Correlation
Sig. (2-tailed) ,072 ,086 ,127 ,195 ,436 ,000 ,743 ,889 ,571 ,686 ,069 ,807 ,539 ,604 ,038
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 14 Pearson
,026 ,202 ,321 -,088 ,271 ,144 ,902** -,224 ,272 ,404* -,084 ,288 ,126 1 -,153 ,560**
Correlation
Sig. (2-tailed) ,898 ,323 ,109 ,668 ,180 ,482 ,000 ,272 ,179 ,041 ,683 ,154 ,539 ,457 ,003
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
SOAL 15 Pearson
,272 ,072 -,184 -,152 -,017 ,000 -,060 ,802** ,057 -,317 -,151 -,113 -,107 -,153 1 ,196
Correlation
Sig. (2-tailed) ,178 ,726 ,369 ,457 ,934 1,000 ,771 ,000 ,783 ,114 ,460 ,582 ,604 ,457 ,337
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
JUMLAH Pearson
,539** ,437* ,448* ,125 ,602** ,462* ,564** ,246 ,557** ,209 ,073 ,532** ,409* ,560** ,196 1
Correlation
Sig. (2-tailed) ,004 ,026 ,022 ,542 ,001 ,018 ,003 ,227 ,003 ,306 ,723 ,005 ,038 ,003 ,337
N 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
c. Kesimpulan
Pada kolom Jumlah baris Pearson Correlation, jika terdapat bintang atau dua bintang ”*” atau “**” berarti soal tersebut soal yang
valid. Maka kuisioner yang valid yaitu, nomor 1, 2, 3, 5, 6, 7, 9, 12, 13, 14
B. UJI RELIABILITAS
a. Pengertian Uji Reliabilitas
Uji Reliabilitas adalah pengujian suatu kestabilan dan konsistensi
responden dalam menjawab hal yang berkaitan dengan konstruk-konstruk
pertanyaan yang merupakan dimensi suatu variabel dan disusun dalam suatu
bentuk kuesioner. Setelah dilakukan uji validitas, maka harus dilanjutkan dengan
menggunakan uji reliabilitas data. Alat ukur yang reliabel pasti terdiri dari item-
item alat ukur yang valid. Sehingga, setiap reliabel pasti valid, namun setiap yang
valid belum tentu reliabel. Rumus yang sering digunakan untuk uji reliabilitas
adalah Alpha Cronbach, Spearman Brown, Kristoff, Angoff, dan Rullon
b. Contoh Uji Reliabilitas
Masih pada data yang sebelumnya, klik Analyze – Scale – Reability
Analysis. Masukkan soal yang valid. Klik OK
Dari hasil analisis di dapat nilai Alpha sebesar 0.709, sedangkan nilai r kritis (uji 2 sisi) pada
signifikansi 5% dengan n = 26 (df=n-2= 24), di dapat sebesar 0.3882. karena nilai alpha lebih
besar dari nilai r kritis maka dapat disimpulkan bahwa butir-butir instrument penelitian
tersebut reliable.
C. UJI NORMALITAS
a. Pengertian Uji Normalitas
Uji Normalitas adalah uji untuk mengukur apakah data kita memiliki distribusi
normal atau tidak. Jika distribusi (sebaran) data normal, maka rumus uji hipotesis
yang akan digunakan adalah jenis uji yang termasuk ke dalam statistik parametrik.
Dan jika tidak terdistribusi normal, maka menggunakan statistik non parametrik.
Pada Explore, klik Plots. Centang Normality plots with tests – klik Continue.
Akan muncul output seperti berikut.
(Kolmogorov-Smirnov)
Hipotesis: H0 = Data sampel berasal dari distribusi normal
H1 = Data sampel berasal dari distribusi tidak normal
Tingkat signifikansi: 0,05
Syarat: Jika nilai lilieforshitung ≤ lilieforstabel maka H0 diterima atau H1 ditolak
Jika nilai lilieforshitung > lilieforstabel maka H0 ditolak atau H1 diterima
Tabel Liliefors:
Probabilitas
df
0.01 0.05 0.1 0.2 0.3
1 1.03100 0.88600 0.80500 0.76800 0.73600
Keputusan Uji: nilai
2 0.72903 0.62650 0.56922 0.54306 0.52043
3 0.59525 0.51153 0.46477 0.44341 0.42493 lilieforshitung = 0,093
4 0.51550 0.44300 0.40250 0.38400 0.36800 dan nilai lilieforstabel
5 0.46108 0.39623 0.36001 0.34346 0.32915
untuk signifikansi
6 0.42090 0.36171 0.32864 0.31353 0.30047
7 0.38968 0.33488 0.30426 0.29028 0.27818 0,05 dan df 26 =
8 0.36451 0.31325 0.28461 0.27153 0.26022 0,17376. Karena
9 0.34367 0.29533 0.26833 0.25600 0.24533
10 0.32603 0.28018 0.25456 0.24286 0.23274 lilieforshitung <
11 0.31086 0.26714 0.24272 0.23156 0.22191 lilieforstabel maka
12 0.29762 0.25577 0.23238 0.22170 0.21246
keputusannya adalah
13 0.28595 0.24573 0.22327 0.21300 0.20413
14 0.27555 0.23679 0.21515 0.20526 0.19670 H1 ditolak atau H0
15 0.26620 0.22876 0.20785 0.19830 0.19003 diterima
16 0.25775 0.22150 0.20125 0.19200 0.18400
Kesimpulan:
17 0.25005 0.21489 0.19524 0.18627 0.17851
18 0.24301 0.20883 0.18974 0.18102 0.17348 Jadi, dengan
19 0.23653 0.20326 0.18468 0.17619 0.16885
tingkat
20 0.23054 0.19812 0.18000 0.17173 0.16457
21 0.22498 0.19334 0.17567 0.16759 0.16061 signifikansi
22 0.21981 0.18890 0.17163 0.16374 0.15692 0,05
23 0.21498 0.18474 0.16785 0.16014 0.15347
didapatkan
24 0.21045 0.18085 0.16432 0.15677 0.15024
25 0.20620 0.17720 0.16100 0.15360 0.14720 kesimpulan
26 0.20220 0.17376 0.15787 0.15062 0.14434 bahwa data
sampel berasal dari data distribusi normal
(Shapiro-Wilk)
Hipotesis: H0 = Data sampel berasal dari distribusi normal
H1 = Data sampel berasal dari distribusi tidak normal
Tingkat signifikansi: 0,05
Syarat: Jika sig. > 0,05 maka H0 diterima
Jika sig. ≤ 0,05 maka H0 ditolak atau H1 diterima
Keputusan Uji: Karena nilai sig. = 0,758 dan > 0,05 maka keputusannya adalah H1
ditolak atau H0 diterima
Kesimpulan: Jadi, dengan tingkat signifikansi 0,05 didapatkan kesimpulan bahwa
data sampel berasal dari data distribusi normal
a. Kesimpulan
Dengan tingkat signifikansi 0,05 baik dilihat dari sudut pandang uji normalitas dengan
kolmogorov-smirnov maupun uji normalitas shapiro-wilk dapat disimpulkan bahwa
data sampel berasal dari data distribusi normal
D. UJI KORELASI
Definisi korelasi
Derajat hubungan antara variable-variabel. Statistic yang mengandung tingkat
hubungan atau kerjasama diantara dua variable. Pearson correlation adalah
statistic bivariate yang mengandung tingkat hubungan linear diantara dua variable
kuantitatif.
Hubungan mengukur derajat Hubungan antara 2 atau lebih variable.
Hubungan antara 2 variabel (missal X dan Y) dapat linear,non-linear, positif
atau negative.
Tujuan :
untuk menunjukkan derajat atau keeratan hubungan.
Arah hubungan dua variabel numeric
Variabel independen dan dependen : numerik
Contoh :
Apakah hubungan berat badan dan tekanan darah mempunyai drajat yang kuat
atau lemah dan apakah kedua variabel tersebut berpola positi atau negatif.
Secara visual diagram tebar/pencar (scatter plot)
Diagram tebar adalah grafik yang menunjukkan titik-titik perpotongan nilai
data dua variabel (x dan y).
X variabel independen horizontal
Y variabel dependen vertikal
MACAM-MACAM KORELASI
Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut tingkatannya.
Beberapa tingkatan korelasi yang telah dikenal selama ini antara lain adalah
korelasi sederhana, korelasi parsial, dan korelasi ganda. Berikut ini adalah
penjelasan dari masing-masing korelasi dan bagaimana cara menghitung
hubungan dari masing-masing korelasi tersebut.
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang dipergunakan untuk
mengukur kekuatan hubungan antara 2 variabel dan juga untuk dapat mengetahui
bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif. Kekuatan
hubungan antara 2 variabel yang dimaksud adalah apakah hubungan tersebut erat,
lemah, ataupun tidak erat. Sedangkan bentuk hubungannya adalah apakah bentuk
korelasinya linear positifataupun linear negatif.
Di antara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik
korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product
Moment dan Korelasi Rank Spearman. Lalu apa perbedaan di antara keduanya?
Korelasi Pearson Product Moment adalah korelasi yang digunakan untuk data
kontinu dan data diskrit. Korelasi pearson cocok digunakan untuk statistik
parametrik. Ketika data berjumlah besar dan memiliki ukuran parameter seperti
mean dan standar deviasi populasi.
Korelasi Pearson menghitung korelasi dengan menggunakan variasi data.
Keragaman data tersebut dapat menunjukkan korelasinya. Korelasi ini
menghitung data apa adanya, tidak membuat ranking atas data yang digunakan
seperti pada korelasi Rank Spearman. Ketika kita memiliki data numerik seperti
nilai tukar rupiah, data rasio keuangan, tingkat pertumbuhan ekonomi, data berat
badan dan contoh data numerik lainnya, maka Korelasi Pearson Product Moment
cocok digunakan.
Sebaliknya, Koefisien Korelasi Rank Spearman digunakan untuk data diskrit dan
kontinu namun untuk statistik nonparametrik. Koefisien korelasi Rank Spearman
lebih cocok untuk digunakan pada statistik nonparametrik. Statistik nonparametrik
adalah statistik yang digunakan ketika data tidak memiliki informasi parameter,
data tidak berdistribusi normal atau data diukur dalam bentuk ranking. Berbeda
dengan Korelasi Pearson, korelasi ini tidak memerlukan asumsi normalitas, maka
korelasi Rank Spearman cocok juga digunakan untuk data dengan sampel kecil.
Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking data
terlebih dahulu. Artinya korelasi dihitung berdasarkan orde data. Ketika peneliti
berhadapan dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan,
kelompok usia, dan contoh data ketegorik lainnya, maka Korelasi Rank Spearman
cocok digunakan. Korelasi Rank Spearman pun cocok digunakan pada kondisi
dimana peneliti dihadapkan pada data numerik (kurs rupiah, rasio keuangan,
pertumbuhan ekonomi), namun peneliti tidak memiliki cukup banyak data (data
kurang dari 30).
2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi)
antara variabel bebas dan variabel tak bebas dengan mengontrol salah satu
variabel bebas untuk melihat korelasi natural antara variabel yang tidak terkontrol.
Analisis korelasi parsial (partial correlation) melibatkan dua variabel. Satu buah
variabel yang dianggap berpengaruh akan dikendalikan atau dibuat tetap (sebagai
variabel kontrol).
Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan variabel
bebas Y, denganX1 dikontrol (korelasi parsial). Disini variabel yang dikontrol
(X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 + a2 ) dan Y’
= Y – (b1 X1 +a1 ), tetapi nilai a dan b didapatkan dengan menggunakan regresi
linear. Setelah hasilnya diperoleh, kemudian dicari regresi X2‘ dengan Y’
dimana : Y’ = b3X2’ +a3. Korelasi yang didapatkan dan sejalan dengan model-
model di atas dinamakan korelasi parsial X2 dan Y sedangkan X1 dibuat konstan.
Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1
berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai
mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif
menunjukkan hubungan searah (X naik, maka Y naik) sementara nilai negatif
menunjukkan hubungan terbalik (X naik, maka Y turun).
Data yang digunakan dalam korelasi parsial biasanya memiliki skala interval atau
rasio. Berikut adalah pedoman untuk memberikan interpretasi serta analisis bagi
koefisien korelasi menurut Sugiyono:
0.00 - 0,199 = sangat rendah
0,20 - 0,3999 = rendah
0,40 - 0,5999 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat hubungan
antara tiga atau lebih variabel (dua atau lebih variabel independen dan satu
variabel dependent. Korelasi ganda berkaitan dengan interkorelasi variabel-
variabel independen sebagaimana korelasi mereka dengan variabel dependen.
Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau
hubungan dua variabel atau lebih secara bersama-sama dengan variabel lain.
Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas
(X1,X2,…..Xn) serta satu variabel terikat (Y). Apabila perumusan masalahnya
terdiri dari tiga masalah, maka hubungan antara masing-masing variabel dilakukan
dengan cara perhitungan korelasi sederhana.
Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya hubungan antara
dua variabel yang dinyatakan dalam bilangan. Koefisien Korelasi disimbolkan
dengan huruf R. Besarnya Koefisien Korelasi adalah antara -1; 0; dan +1.
Besarnya korelasi -1 adalah negatif sempurna yakni terdapat hubungan di antara dua
variabel atau lebih namun arahnya terbalik, +1 adalah korelasi yang positif sempurna
(sangat kuat) yakni adanya sebuah hubungan di antara dua variabel atau lebih tersebut,
sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara dua variabel atau
lebih yang diuji sehingga dapat dikatakan tidak ada hubungan sama sekali.
REGRESI SEDERHANA
Analisis ini menurut Sugiyono (200) digunakan oleh peneliti bila peneliti bermaksud
meramalkan bagaimana keadaan (naik turunnya) variabel dependen (kriterium), bila ada satu
variabel independen sebagai prediktor dimanipulasi (dinaik turunkan nilanya). Persamaan
yang diperoleh dari regresi sederhana adalah Y = a + b X
Untuk memperoleh hasil perhitungan Regresi, dapat dilakukan dengan tiga cari yaitu
perhitungan manual, menggunakan fungsi pada MS. Excel, atau menggunakan Software
Statistik (dalam contoh ini digunakan SPSS)
Asumsi yang diperlukan untuk analisis ini adalah uji normalitas. Uji normalitas diperlukan
untuk mengetahui apakah data yang terkumpul dari setiap variabel dependen dan independen
atau keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah yang
mendekati normal (Imam Ghozali,2009).
Untuk melihat model regresi normal atau tidak, dilakukan analisis grafik dengan melihat
“normal probability report plot” yang membandingkan antara distribusi kumulatif dari data
sesungguhnya dengan distribusi normal. Distribusi normal akan membentuk satu garis lurus
diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika distribusi data
normal, maka garis yang menggantikan data sesungguhnya akan mengikuti garis diagonalnya
(Imam Ghozali, 2009).
Contoh Kasus :
Pak Hasan ingin mengetahui pengaruh kepuasan kerja (X) terhadap kinerja (Y)
karyawannya. Kuesioner kepuasan kerja di adaptasi dari Job Description Index (JDI)) yang
dikembangkan oleh Hulin meliputi lima dimensi kepuasan kerja yang dirasakan karyawan
yaitu kepuasan terhadap jenis pekerjaan, kesempatan promosi, supervisi, gaji atau upah, dan
rekan kerja dengan jumlah total pertanyaan sebanyak 20 item. Sementara kinerja diukur
berdasarkan
Ukuran-ukuran dari kinerja pegawai menggunakan lembar evaluasi kinerja yang disusun
dikembangkan dari panduan evaluasi kinerja dari James E. Neal Jr (2003) antara lain terdiri
dari 7 dimensi yang kemudian dikembangkan menjadi 26 indikator (item pernyataan).
Jumlah sampel penelitian adalah seluruh karyawan yang berjumlah 37 orang. Berdasarkan
hasil penyebaran angket diperoleh skor yang dapat dilihat di sini..datareg1
masukkan Variabel kinerja (Y) ke dalam dependent box, dan kepuasan kerja (X) ke dalam
independent box.
Klik Plot, lalu beri tanda pada Histogram dan Normal Probability Plot (ini untuk uji
normalitas), lalu Klik Continue, lalu OK
Output
Analisis regresi membentuk persamaan garis lurus (linear) dan menggunakan persamaan
tersebut untuk membuat perkiraan (prediction) nilai suatu variabel terikat (Y) jika nilai
variabel bebas (X) yang berhubungan dengannya sudah ditentukan. Secara umum, persamaan
regresi dimana varibel terikat (Y) merupakan nilai yang diprediksi, maka persamaannnya :
Ŷ = a + b1X1 + b2X2
Ŷ = a + b1 X1 + b2 X2 + b3 X3
Ŷ = a + b1 X1 + b2 X2 + b3 X3 + ⋯ + bkXk
Dimana :
Apabila diketahui dua variabel bebas dan satu variabel terikat dengan
digunakan rumus :
a) ∑x1 2 = ∑X 2 −
b) ∑x2 2 = ∑X 2 −
(∑X 2 )2
(∑X2 2 )2
( ∑X 1 )(∑Y )
d) ∑x1 � = ∑X1 Y −
e) ∑x2 � = ∑X2 Y −
(∑X 2 )( ∑Y )
( ∑X 1 )(∑X 2 )
f) ∑x1 x2 = ∑X1X2 − n
g) Y̅ = ∑Y
∑X1
h) X̅ =
i) X̅2̅ =
∑X2
b1 =
(∑x
1 2 )(∑x2 2
) −(∑x1 x2 )2
b2 =
(∑x
∑x ) −(∑x x )2
1 2 )( 22 1 2
a = Y̅ − b1 X̅1̅ − b2X̅2̅
Uji Signifikansi
Proses selanjutnya setelah melakukan pendugaan parameter model regresi berganda adalah
pengujian terhadap model regresi apakah signifikan atau tidak, yang dapat dilakukan dengan
dua cara yaitu uji secara simultan (bersama-sama) dengan uji F dan uji parsial (individual)
dengan uji t.
Proses pengujian:
terikatnya)
terikatnya)
2. Uji statistik yang digunakan adalah uji F dengan α = 0,01 atau 0,05
Dimana :
SSR/df
SSR/k
Fhitung =
Dimana :
SSE/df SSE/(n−k−1)
df : derajat bebas
6. Kesimpulan
Proses pengujian:
2. Uji statistik yang digunakan adalah uji t dengan α = 0,01 atau 0,05
t( 1 �);(db) = t( 1
);(n−k)
2 2
Dimana :
k : kelompok sampel
t = b 𝑘 − �𝑘
Sb1
S�.12
Sb1 =
√∑xk 2 (1 − r122)
Sy12 = √
Dimana :
n : jumlah sampel
n−k
k : kelompok sampel
r12 = koefisien korelasi sederhana antara X1 dan X2 (antara dua variabel independen)
∑�1 �2
r12 =
√(∑�12)(∑�22)
b1 ∑x1 � + b2 ∑x2 �
R�(1,2) = √
∑�2
I. UJI DETERMINAN
R2 =
Di mana :
R2 = Koefisien determinasi
J. UJI AUTOKORELASI
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui
adakah korelasi variabel yang ada di dalam model prediksi dengan perubahan waktu.
Oleh karena itu, apabila asumsi autokorelasi terjadi pada sebuah model prediksi, maka
nilai disturbance tidak lagi berpasangan secara bebas, melainkan berpasangan secara
autokorelasi. Dalam kesempatan ini, kita hanya akan fokus pada tutorial uji autokorelasi
dengan SPSS. Namun prinsip penting lainnya tetap akan kami bahas secara singkat dan
padat serta mudah dipahami.
Uji autokorelasi di dalam model regresi linear, harus dilakukan apabila data merupakan
data time series atau runtut waktu. Sebab yang dimaksud dengan autokorelasi
sebenarnya adalah: sebuah nilai pada sampel atau observasi tertentu sangat
dipengaruhi oleh nilai observasi sebelumnya.
Autokorelasi adalah terjadi korelasi antara observasi ke-i dengan observasi ke-i-1.
Contohnya yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19.
Sampel ke-19, nilainya dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kita
perhatikan pada contoh tersebut, yaitu ada nilai selisih antara nilai observasi ke-18
dengan ke-19, nilai observasi ke-19 dengan ke-20, dan seterusnya.
Demikian pengertian yang mudah dipahami oleh para pembaca, sebab kami disini tidak
akan menjelaskan pemahaman tentang arti autokorelasi secara teoritis, sebab para
pembaca nantinya malah akan kesulitan. Untuk pengertian teoritis silahkan anda
mencari referensi buku-buku statistik. Dalam kesempatan ini, kami akan menjelaskan
tutorial melakukan uji autokorelasi dengan SPSS.
Uji Durbin Watson h statistik bisa dilakukan jika variabel terikat atau dependent variables
merupakan variabel Lag. Lag artinya selisih antara sampel ke-i dengan sampel ke-i-1,
seperti yang sudah dijelaskan di atas sebelumnya. Sedangkan uji durbit watson malah
sebaliknya, bisa dilakukan jika variabel terikat bukanlah variabel lagi.
K. UJI HETEROKEDASTISITAS
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi linear. Uji ini merupakan salah
satu dari uji asumsi klasik yang harus dilakukan pada regresi linear. Apabila asumsi
heteroskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai
alat peramalan.
Pengertian Heteroskedastisitas
L. UJI HOMOGENITAS
ketik “1” pada kotak Value dan “Eksperimen” pada Label, lalu “2” pada kotak
Value dan “Kontrol” pada Label
Masuk ke Data View. Masuka angka “1” yang berarti itu data eksperimen dan “2”
yang berarti itu data kontrol. Hasilnya sebagai beikut :
Selanjutnya untuk menguji apakah data tersebut homogen atau tidak, dapat
dilakukan dengan cara Klik Analyze – Compare Means – One Way ANOVA.
Kemudian masukkan variabel nilai ke kotak Dependent List dan variabel faktor ke
kotak Factor, selanjutnya klik Options… dan berikan centang pada Homogeneity
of variance test kemudian klik Continue dan OK.
(Dengan Tabel F)
Hipotesis: H0 = Data sampel berasal dari distribusi yang homogen
H1 = Data sampel berasal dari distribusi yang tidak homogen (heterogen)
Tingkat signifikansi: 0,05
Syarat: Jika Fhitung ≤ Ftabel maka H0 diterima atau H1 ditolak
Jika Fhitung > Ftabel maka H1 diterima atau H0 ditolak
Keputusan Uji: nilai Fhitung = 0,002 dan nilai Ftabel untuk signifikansi 0,05 dan df1(1)
dan df2(50) = 4,03. Karena Fhitung < Ftabel maka keputusannya adalah H0 diterima atau
H1 ditolak
Kesimpulan: Jadi, dengan tingkat signifikansi 0,05 didapatkan kesimpulan bahwa
data sampel berasal dari data distribusi yang homogen