Oleh : WIJAYA
Email : zeamays_hibrida@yahoo.com
UJI ASUMSI KLASIK DALAM ANALISIS REGRESI LINEAR 1. Nilai galat ( e = Yi Y ) pada setiap pengamatan bersifat acak Cara menguji dengan menggunakan Uji Run a. Pada pengamatan dengan n kecil, nilai galat bersifat acak jika : r1 < r < r2, r1 dan r2 banyaknya tanda (+) atau (-), r banyaknya run b. Pada pengamatan dengan n besar, nilai galat bersifat acak jika : u = 2 n1 n 2 n1 + n 2 +1
2 =
z =
Galat bersifat acak jika : z0,025 < z < z0,025 c. Pengujian menggunakan Program SPSS dilakukan melalui prosedur : Analyze Nonparametrics Test Runs 2. 3. Nilai galat ( e = Yi Y ) seluruh pengamatan pada setiap variabel bebas X mempunyai rata-rata (Mean) Nol Homoskedastisitas yaitu ragam dari setiap nilai galat adalah konstan (sama) untuk semua nilai dari variabel bebas X. Beberapa cara menguji asumsi homoskedastisitas : a. Uji Park : Membangun model regresi Ln e2 = b0 + b1Ln.X jika koefisien b1 bersifat tidak signifikan, bararti asumsi homoskedastisitas dapat diterima. b. Uji Korelasi Rank Spearman : Korelasikan variabel bebas X dengan variabel galat e, selanjutnya gunakan Uji t. Homoskedastisitas dapat diterima jika t0,025(n-2) < t < t0,025(n-2) . c. Pengujian Homoskedastisitas menggunakan Program SPSS dilakukan melalui prosedur :
Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Plot masukan *ZPRED ke kotak X dan *SRESID ke kotak Y OK. Pada output akan terlihat Diagram Pencar (sumbu X = Regression Standardized Predicted Value, sumbu Y = Regression Standardized Residual). Jika Diagram Pencar tidak menunjukkan pola tertentu maka asumsi homoskedastisitas dapat diterima, jika menunjukkan pola tertentu berarti terjadi heteroskedastisitas. 4. Normalitas : Variabel galat berdistribusi normal. Beberapa cara menguji asumsi normalitas : a. Kolmogorov-Smirnov (Uji K-S) : (1) Urutkan nilai galat ei dari terkecil sampai terbesar, (2) Transformasi nilai ei menjadi zi dengan zi = (ei e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang zi yaitu P(zi) dan peluang proporsional S(zi), (4) Tentukan selisih mutlak S(zi) P(zi) dan S(zi1) P(zi), (5) Tentukan nilai statistik Kolmogorov-Smirnov D = maksimum S(zi) P(zi) atau S(zi1) P(zi), (6) bandingkan nilai D dengan D(n), (7) Keputusan Jika D > D(n) maka Tolak Ho artinya nilai variabel galat tidak normal. b. Uji Lilifors : (1) Urutkan nilai galat ei dari terkecil sampai terbesar, (2) Transformasi nilai ei menjadi zi dengan zi = (ei e)/s dimana e dan s adalah rata-rata dan simpangan baku nilai galat, (3) Tentukan besarnya nilai peluang zi yaitu P(zi) dan peluang proporsional S(zi), (4) Tentukan selisih mutlak P(zi) S(zi), (5) Tentukan nilai statistik Liliefors L = maksimum P(zi) S(zi), (6) bandingkan nilai L dengan L(n), (7) Keputusan Jika L > L(n) maka Tolak Ho artinya nilai variabel galat tidak normal. c. Uji Saphiro-Wilks : (1) Tentukan nilai statistik Saphiro-Wilks T = 1/D [Ai (Xn-i+1 Xi)]2 dimana D = Xi2 (Xi)2/n, (2) bandingkan nilai T dengan nilai T tabel Saphiro-Wilks (T(n)), Normalitas dapat diterima jika T < T0,05(n) . Dalil Limit Pusat menyatakan bahwa apabila sampel sebuah pengamatan mempunyai ukuran yang besar (n > 30), maka data pengamatan tersebut akan menyebar normal, atau mendekati normal.
Wijaya : Uji Asumsi Klasik Regresi Linear - 2
d. Pengujian Normalitas menggunakan Program SPSS dilakukan melalui prosedur : (1) Untuk Uji Kolmogorov-Smirnov : Analyze 1-Sample K-S. Nonparametric Test
Pada Output, jika Signifikansi hasil Uji Kolmogorov-Smirnov (Uji KS) nilainya lebih besar dari 0,05 berarti data berdistribusi normal. (2) Untuk Uji Liliefors dan Saphiro-Wilks : Analyze Statistics Explore. Descriptive
Pada Output, jika Signifikansi pada Uji Liliefors dan Saphiro-Wilks lebih besar dari 0,05 berarti data berdistribusi normal. Disamping itu, jika pada Grafik Normal Q-Q Plot dan Detrended Normal Q-Q Plot, nilai-nilai pengamatan menyebar pada garis tersebut, berarti data pengamatan berdistribusi normal. 5. Autokorelasi atau Korelasi Diri atau Korelasi Seial : Nilai galat ( e = Yi Y ) setiap pengamatan pada setiap variabel bebas X bersifat bebas. Beberapa cara menguji asumsi Autokorelasi : Ho Tidak ada Autokorelasi H1 Ada Autokorelasi a. Uji 2 : (1) Buat tabel 2x2, seperti tabel dibawah, (2) Tentukan nilai 2, (3) Bandingkan nilai 2 dengan 20,05(1) (4) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai 2 < 20,05(1). Banyaknya +ei Banyaknya +ei-1 Banyaknya ei-1 Jumlah b. Uji Durbin-Watson : (1) Tentukan nilai D = [ (ei ei-1)2 ] / [ ei2 ] (2) Bandingkan nilai D dengan D0,05(n), (3) Keputusan tidak adanya Autokorelasi dapat diterima jika nilai dU < D < (4 dU), Ada Autokorelasi jika D < dL atau d > (4 dL), Tidak ada Keputusan jika berada pada selang lain . Tolak Ho dL ? dU Terima Ho 4 dU ? Tolak Ho 4 dL Banyaknya ei Jumlah
c. Pengujian Autokorelasi menggunakan Program SPSS dilakukan melalui prosedur : Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Statistics Pada kotak Residuals, beri tanda centang pada pilihan Durbin Watson Continue OK. 6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X. Pengujian Multikolinearitas menggunakan Program SPSS dilakukan melalui prosedur : Analyze Regression Linear, masukkan Variabel Dependen ke kotak Dependent dan beberapa Variabel Independen ke kotak Independent(s) klik Statistics Beri tanda centang pada pilihan Collinearity diagnostics Continue OK. Pada Output, akan muncul nilai Collinearity Statistics Tolerance (T) dan VIF (Variance Inflation Factor). Nilai T = 1/VIF, jadi nilai Tolerance merupakan kebalikan dari nilai VIF. Diantara variabel bebas X tidak terjadi multikolinearitas jika nilai VIF mendekakti nilai 1. Cara lain untuk mendeteksi ada tidaknya multikolinearitas yaitu dengan mengkorelasikan seluruh variabel bebas. Apabila nilai Koefisien Korelasi R 0,80, diindikasikan adanya multikolinearitas. Indikator lainnya yang menunjukkan adanya multikolinearitas adalah nilai F yang tinggi (sangat signifikan) pada ANOVA, tetapi nilai T pada setiap variabel bebas X tidak ada yang signifikan. 7. Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel terikat Y adalah Linear. Pengujian Linearitas menggunakan Program SPSS dilakukan melalui prosedur : Analyze Compre Means Means, masukkan Variabel Dependen ke kotak Dependent List dan beberapa Variabel Independen ke kotak Independent List klik Options Beri tanda centang pada pilihan Test for linearity Continue OK. Pada Output, jika signifikansi F pada ANOVA lebih besar dari 0,05, maka hipotesis tentang hubungan linear dapat diterima.
Wijaya : Uji Asumsi Klasik Regresi Linear - 4
Secara garis besar ada dua macam Validitas, yaitu (1) Validitas Logis, menunjuk pada kondisi bagi sebuah instrumen evaluasi yang memenuhi persyaratan valid berdasarkan hasil penalaran. Validitas Logis terdiri dari Validitas Isi dan Validitas Konstruk, (2) Validitas Empiris, yaitu apabila instrumen tersebut telah teruji dari pengalaman. Validitas Empiris terdiri dari validitas ada sekarang dan validitas predictive. Uji validitas atau kesahihan digunakan untuk mengetahui seberapa tepat suatu instrument (alat ukur) mampu melakukan fungsinya. Alat ukur yang dapat digunakan dalam pengujian validitas suatu instrument adalah angka hasil korelasi antara skor pernyataan (baik berupa item atau butir setiap pertanyaan maupun skor dari faktor atau variabel) dengan total skor seluruh pertanyaan. Beberapa Rumus Uji Validitas : (1) Korelasi Pearson (Product Moment) :
r =
n xy n 2 x
( x ) ( y )
n 2 y
( x)
2
( y )
2
Butir (item) atau Faktor dari skor pertanyaan dikatakan valid jika : t < t0,025(n2) atau t0,025(n2) < t (2) Korelasi Biserial :
bi
p q
dimana : = koefisien korelasi biserial mp = rata-rata skor dari subjek yang menjawab benar bagi item yang akan dihitung validitasnya mT = rata-rata skor total sT = simpangan baku dari skor total p = proporsi responden yang menjawab benar q = 1p Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur : Analyze Correlate Bivariate, masukkan data Skor tiap Butir pertanyaan dan Skor Total ke kotak Variables OK. 2. Reliabilitas Instrument
Reliabilitas instrumen berhubungan dengan tingkat kepercayaan (keyakinan) terhadap instrument atau sebuah tes. Suatu instrument atau tes dikatakan mempunyai tingkat kepercayaan yang tinggi jika instrument atau tes tersebut dapat memberikan hasil yang tetap (ajeg). Jadi reliabilitas adalah ketetapan (keajegan) suatu instrument atau tes apabila diberikan kepada subjek yang sama. Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk jawaban Pilihan Ganda atau Benar-Salah dapat dilakukan dengan beberapa metode, yaitu : (a) Metode Paralel (Equivalent) Dua buah instrument atau tes yang mempunyai tujuan, tingkat kesukaran, dan susunan yang sama tetapi soal (item) berbeda diberikan kepada subjek yang sama pada dua waktu yang berbeda. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi Pearson terhadap kedua hasil pengamatan tersebut. (b) Metode Ulang Sebuah instrument atau tes diberikan kepada subjek yang sama pada dua waktu yang berbeda (berulang). Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi Pearson pada kedua waktu tersebut.
(c)
Sebuah instrument atau tes diberikan pada waktu yang sama kepada kelompok subjek yang dibagi dua. Pembelahan dapat dilakukan dengan cara memisahkan item-item genap dengan item-item ganjil, atau item-item awal dengan item-item akhir. Reliabilitas diukur dengan menghitung besarnya nilai Koefisien Korelasi antar kedua belahan tersebut. Rumus yang digunakan untuk mengukurnya, diantaranya : (1) Spearman Brown R = 2 r12 ( 1 + r12 ) Koefisien Reliabilitas Koefisien Korelasi Pearson antar belahan
dimana : R r12 = =
(2) Flanagan : R = 2(1 S12 + S22 St dimana : R = Koefisien Reliabilitas Ragam belahan ke-1 Ragam belahan ke-2 Ragam Total S 12 = S22 = St2 = (3) Rullon : R R = 1 ( SD2 / St2 ) = Koefisien Reliabilitas Ragam dari selisih skor antar belahan ke-1 dan ke-2 Ragam Total dimana : SD2 = St2 =
2
Cara menentukan besarnya reliabilitas instrument atau tes dalam bentuk jawaban Uraian dilakukan dengan metode Alpha-Cronbach yaitu : n R = n1 (1 Si2 St
2
dimana : R St2 = Koefisien Reliabilitas = Ragam Total Si2 = Jumlah Ragam tiap-tiap item
Pengujian Validitas menggunakan Program SPSS dilakukan melalui prosedur : Analyze Scale Reliability Analysis, masukkan data Skor tiap Butir pertanyaan ke kotak Items Pilih Model Alpha atau Split-Half OK. Jika sebelum klik OK, kita meng-klik kotak Statistics kemudian kita centang pilihan Scale dan Scale if Item Delete, maka pada Output Item Total Statistics akan diperoleh nilai Koefisien Korelasi Pearson Terkoreksi (pada kolom Corrected Item -Total Correlation) yang menggambarkan Validitas item.
Misal :
Ingin diketahui pengaruh Motivasi (Q15 = X1) dan Fasilitas (Q610 = X2) terhadap Produktivitas (Y). Faktor Motivasi terdiri dari 5 butir pertanyaan (Q1 sampai Q5), dan Fasilitas terdiri dari 5 butir pertanyaan (Q6 sampai Q10). Datanya sebagai berikut :
Y 85 74 78 90 85 87 94 98 81 91 76 74
1.
Validitas Item (Butir) : Validitas Item dilakukan dengan cara meng-korelasikan setiap butir pertanyaan (Q1 sampai Q10) dengan total seluruh butir pertanyaan (TOT). Korelasi yang digunakan adalah Korelasi Pearson. Hasil perhitungan menggunakan SPSS 13.0 adalah sebagai berikut :
Correlations Total Skor Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Total Skor 1 12 ,712** ,009 12 ,662* ,019 12 ,691* ,013 12 ,635* ,027 12 ,666* ,018 12 Butir01 ,712** ,009 12 1 12 ,391 ,209 12 ,140 ,664 12 ,507 ,092 12 ,192 ,549 12 Butir02 ,662* ,019 12 ,391 ,209 12 1 12 ,602* ,039 12 ,374 ,231 12 ,225 ,481 12 Butir03 ,691* ,013 12 ,140 ,664 12 ,602* ,039 12 1 12 ,355 ,257 12 ,404 ,192 12 Butir04 ,635* ,027 12 ,507 ,092 12 ,374 ,231 12 ,355 ,257 12 1 12 ,488 ,108 12 Butir05 ,666* ,018 12 ,192 ,549 12 ,225 ,481 12 ,404 ,192 12 ,488 ,108 12 1 12
Butir01
Butir02
Butir03
Butir04
Butir05
**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).
Correlations Total Skor Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Total Skor 1 12 ,626* ,029 12 ,815** ,001 12 ,626* ,029 12 ,677* ,016 12 ,600* ,039 12 Butir06 ,626* ,029 12 1 12 ,564 ,056 12 ,200 ,533 12 ,316 ,317 12 ,674* ,016 12 Butir07 ,815** ,001 12 ,564 ,056 12 1 12 ,564 ,056 12 ,594* ,042 12 ,380 ,223 12 Butir08 ,626* ,029 12 ,200 ,533 12 ,564 ,056 12 1 12 ,158 ,624 12 ,135 ,676 12 Butir09 ,677* ,016 12 ,316 ,317 12 ,594* ,042 12 ,158 ,624 12 1 12 ,213 ,506 12 Butir10 ,600* ,039 12 ,674* ,016 12 ,380 ,223 12 ,135 ,676 12 ,213 ,506 12 1 12
Butir06
Butir07
Butir08
Butir09
Butir10
*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).
2.
Reliabilitas Instrument :
Reliabilitas yang dihitung yaitu : (1) Spearman-Brown, (2) Flanagan, (3) Rullon dan (4) Alpha Cronbach, berdasarkan metode belah dua Ganjil-Genap.
No 1 2 3 4 5 6 7 8 9 10 11 12 VAR Q1 3 2 2 3 3 3 3 3 2 2 2 2 0,273 Q3 2 2 2 2 2 3 2 3 3 3 2 1 0,386 Q5 2 2 2 2 2 2 3 3 2 3 2 2 0,205 Q7 2 2 2 2 3 3 3 3 2 2 2 1 0,386 Q9 1 1 2 2 2 2 2 2 2 2 1 1 0,242 Q2 2 2 2 3 2 3 2 2 2 3 1 1 0,447 Q4 3 2 2 3 2 3 3 3 2 3 3 2 0,265 Q6 2 2 2 2 2 2 3 3 2 2 2 2 0,152 Q8 2 2 1 2 2 2 2 2 2 2 2 1 0,152 Q10 3 2 2 2 2 2 3 3 2 2 1 2 0,333 Ganj 10 9 10 11 12 13 13 14 11 12 9 7 4,083 Genp 12 10 9 12 10 12 13 13 10 12 9 8 2,879 Beda -2 -1 1 -1 2 1 0 1 1 0 0 -1 1,356 TOT 22 19 19 23 22 25 26 27 21 24 18 15 12,568
(1)
r =
n xy n 2 x
( x ) ( y )
n 2 y
( x)
2
( y )
2
( )
131 12(1.440)
2
( )
130
2
= 0,818
Nilai Koefisien Korelasi Pearson antara Jumlah Skor Ganjil dengan Jumlah Skor Genap menggunakan SPSS 13.0 yaitu sebesar 0,818.
Correlations Skor Butir Ganjil Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Skor Butir Ganjil 1 12 ,818** ,001 12 Skor Butir Genap ,818** ,001 12 1 12
(1)
(4) Alpha-Cronbach : R = n n1 12 R = 12 1 (1 (1
Si2
St
2
Nilai Reliability dengan metode Alpha Cronbach menggunakan SPSS 13.0 yaitu sebesar 0,860
Reliability
Reliability Statistics Cronbach's Alpha N of Items ,860 10
(b)
X1 X1
2
X2 X1 X2 X22
b0 b1 b2 (X'X)1 =
Y X1 Y X2 Y
(X'Y)
-0,134 -0,053 0,075 1013 11974 10352
X1 X2
X1 X2
(X'X)
12 140 121
Dari hasil perkalian invers matriks (XX-1) dengan matriks (XY) diperoleh nilai b0, b1 dan b2 sebagai berikut : b0 = b1 = b2 = 38,245 2,215 2,016
Selanjutnya dengan Metode Doolitle dapat disusun Analisis Ragam (Anova) serta pengujian koefisien regresi menggunakan Uji-t. Metode Doolitle :
Baris (0) (1) (2) (3) = (0) (4) = (3) /12 (5) = (1)-140(4) (6) = (5) /42,67 (7) = (2)-121(4)-30,33(6) (8) = (7) /13,353 12 1,000 140 11,667 42,667 1,000 Matriks (X'X) b0 12 b1 140 1676 b2 121 1442 1255 121 10,083 30,333 0,711 13,352 1,000 Matriks (X'Y) 1013 11974 10352 1013 84,417 155,667 3,648 26,914 2,016 1 0 0 1 0,083 -11,667 -0,273 -1,789 -0,134 0 1 0 0 0,000 1,00 0,023 -0,711 -0,053 0 0 1 0 0,000 0,00 0,000 1,000 0,075 Matriks (X'X-1)
(1)
Menentukan Koefisien Regresi : Pada Baris (8) : 1,0 (b2) = 2,016 b2 = 2,016 b1 = 2,215 Pada Baris (6) : 1,0 (b1) + 0,711 (b2) = 3,648 Pada Baris (4) : 1,0 (b0) + 11,667 (b1) + 10,083 (b2) = 84,417
b0 = 38,245
(2) Analisis Ragam (Anova) : Faktor Koreksi (FK) = (Y)2/n = (1.013)2/12 = 85514,083, atau FK = (1013)(84417) = 85514,083 Jumlah Kuadrat Total (JKT) = Y2 (Y)2/n JKT = 86213 85514,083 = 698,917 Jumlah Kuadrat Regresi (JKR) = (bi XiY) JKR = b1 [ X1Y (X1)(Y)/n] + b2 [ X2Y (X2)(Y)/n] JKR = 2,215 [11974 (140)(1013)/12] + 2,016 [10352 (121)(1013)/12]
Wijaya : Uji Asumsi Klasik Regresi Linear - 15
JKR = 344,853 + 277,340 = 622,193 Atau JKR = JKR (b1 / b0) + JKR (b2 / b1,b0) JKR = [ (155,667)(3,648 ] + [ (26,914)(2,016) ] JKR = 567,940 + 54,253 = 622,193 Jumlah Kuadrat Galat (JKG) = JKT JKR JKG = 698,917 622,193 = 76,723 Daftar Sidik Ragam
No. 1 Variasi Regresi R (b1 / b0) R (b2 / b1, b0) 2 Galat Total DB 2 1 1 9 11 JK 622,193 567,940 54,253 76,723 698,917 KT 311,097 567,940 54,253 8,525 63,538 F 36,493 66,622 6,364 F5% 4,256 5,117 5,117
T
1,000 11,667 1,789 0,000 1,000 0,711 0,000 0,000 1,000 1,000 0,000 0,000
T1
11,667 1,000 0,000 1,789 0,711 1,000
(t)
0,083 0,273 0,134 0,000 0,023 0,053 0,000 0,000 0,075 3,513 0,178 0,134
(X'X)1 = T1. t
0,178 0,061 0,053 0,134 0,053 0,075
b
38,245 2,215 2,016
KTG
8,525 8,525 8,525
Cii
3,513 0,061 0,075
KTG.Cii
29,949 0,523 0,638
Sb
5,473 0,723 0,799
t
6,989 3,065 2,523
t0,025
2,228 2,228 2,228
: = = = = = Nilai Koefisien Regresi Nilai Kuadrat Tengah Galat pada Daftar Sidik Ragam Nilai pada Diagonal Utama Matriks (X'X)1 KTG . Cii b/Sb
Hasil analisis regresi linear ganda pengaruh Motivasi (Faktor1) dan Fasilitas (Faktor2) terhadap Produktivitas (Nilai) menggunakan program MS Excel maupun SPSS 13.0 adalah : Hasil Analisis dengan MS Excel :
SUMMARY OUTPUT
Regression Statistics
Multiple R R Square Adjusted R Square Standard Error Observations ANOVA 0,9435 0,8902 0,8658 2,9197 12
Df
Regression Residual Total 2 9 11
SS
622,193 76,723 698,917
MS
311,097 8,525
F
36,493
Sig. F
0,000
Coefficients
Intercept X Variable 1 X Variable 2 38,245 2,215 2,016
Standard Error
5,473 0,723 0,799
t Stat
6,989 3,065 2,523
P-value
0,000 0,013 0,033
Analisis dengan SPSS melalui prosedur : Analyze Regression Linear, pindahkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen X1 dan X2 (Motivasi dan Fasilitas) ke kotak Independent(s) klik OK. Untuk menguji asumsi Autokorelasi dan Kolinearitas : klik Statistics Pada kotak Residuals dan Model Fit, beri tanda centang pada pilihan Durbin Watson dan Collinearity diagnostic Continue Untuk menguji Homoskedastisitas : klik Plot pindahkan ZPRED ke kotak X dan SRESID ke kotak Y. Pada pilihan Standardized Residual Plot, beri tanda centang pada pilihan Histogram dan Normal probability plots Continue Untuk menghitung nilai galat (residual) : klik Save pada kotak Residuals beri tanda centang pada pilihan Unstandardized Continue Hasil Analisis :
Model Summaryb Model 1 R R Square ,944a ,890 Adjusted R Square ,866 Std. Error of the Estimate 2,920 DurbinWatson 2,088
a. Predictors: (Constant), Faktor2, Faktor1 ANOVAb b. Dependent Variable: Nilai Sum of Model df Mean Square Squares 1 Regression 622,193 2 311,097 Residual 76,723 9 8,525 Total 698,917 11
F 36,493
Sig. ,000a
a Coefficients
Model 1
Unstandardized Coefficients B Std. Error 38,245 5,473 2,215 ,723 2,016 ,799
(a)
Persamaan Regresi Dugaan : = 38,245 + 2,215*Faktor1 + 2,016*Faktor2 signifikan terhadap nilai produktivitas, karena P-value < 0,05
(b) Faktor Motivasi dan faktor Fasilitas keduanya mempunyai pengaruh yang (c) Berdasarkan persamaan regresi dugaan tersebut, dapat ditentukan nilai Galat e = Yi - i, nilai Kuadrat galat e2. (d) Dari nilai galat e dan nilai kuadrat galat e2, dapat diuji asumsi regresi yang berkaitan dengan distribusi nilai galat tersebut. Data :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 Jml JK Q15 12 10 10 13 11 14 13 14 11 14 10 8 140 1676 Q610 10 9 9 10 11 11 13 13 10 10 8 7 121 1255 Y 85 74 78 90 85 87 94 98 81 91 76 74 1013 86213
84,987 78,541 78,541 87,202 84,788 91,434 93,250 95,465 82,772 89,418 76,525 70,078 1013,000
ei 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922 0,000
ei-1 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 -3,922 2,088
(ei-ei-1)2 20,735 16,000 11,144 6,683 21,585 26,871 3,185 18,547 11,249 4,440 19,771 160,210
Durbin-Watson =
d.
Perhitungan Pada nilai galat (ei) : Banyaknya tanda (-) = 5 = n1 Banyaknya tanda (+) = 7 = n2 Banyaknya runtun r = 9 Dari Tabel Uji Run untuk n1 = 5 dan n2 = 7 diperoleh nilai r1 = 3 dan r2 = 11. n 12 (+) 7 (-) 5 r 9 r1 3 r2 11
e.
Kesimpulan : Terima Ho (nilai pengamatan bersifat acak) karena (r1 = 3) < (r = 10) < (r2 = 11)
Pengujian menggunakan Program SPSS dilakukan melalui prosedur : Analyze Nonparametrics Test Runs. Pindahkan variabel Galat (Residu) Klik OK ke kotak Test Variable List, beri tanda centang pada kotak Mean Hasil Analisis Uji Run menggunakan SPSS 13.0 :
Runs Test Test Valuea Cases < Test Value Cases >= Test Value Total Cases Number of Runs Z Asymp. Sig. (2-tailed) a. Mean Galat ,00000 5 7 12 9 1,041 ,298
2.
3.
Homoskedastisitas :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 X1 12 10 10 13 11 14 13 14 11 14 10 8 X2 10 9 9 10 11 11 13 13 10 10 8 7 e12 0,000 20,618 0,292 7,826 0,045 19,657 0,563 6,425 3,139 2,503 0,275 15,379 ln X1 2,485 2,303 2,303 2,565 2,398 2,639 2,565 2,639 2,398 2,639 2,303 2,079 ln X2 2,303 2,197 2,197 2,303 2,398 2,398 2,565 2,565 2,303 2,303 2,079 1,946 ln e12 -8,705 3,026 -1,230 2,057 -3,099 2,978 -0,575 1,860 1,144 0,918 -1,289 2,733
a.
Uji Park : Ln ei2 = b0 + b1 Ln.X1 + b2 Ln X2. Persamaan Regresi Dugaan : ei2 = b0 + b1 Ln X1 + b2 LnX2. Persamaan Normal :
e12
= n b0 + b1 Ln X1 + b2 Ln X2
ei2 (Ln X1 ) = b0 Ln X1 + b1 (Ln X1)2 + b2 (Ln X1)(Ln X2) ei2 (Ln X2) = b0 Ln X2 + b1 (Ln X1)(Ln X2) + b2 (Ln X2)2
Matriks : (X'X)
n Ln X1 Ln X2 Ln X1 (Ln X1)
2
(b)
Ln X2 (LnX1)(LnX2) (Ln X1)
2
(X'Y)
Y = X1 Y X2 Y
b0 b1 b2
(LnX1)(LnX2)
(X'X)
12 29,315 27,556 29,315 71,959 67,605 27,556 67,605 63,632 18,028 -5,344 -2,129
(X'X)1
-5,344 9,292 -7,558 -2,129 -7,558 8,968
(X'Y)
-0,181 -0,474 -0,967
Dari hasil perkalian invers matriks (XX-1) dengan matriks (XY) diperoleh nilai b0, b1 dan b2 sebagai berikut : b0 = b1 = b2 = 1,331 3,872 - 4,705
Metode Doolitle :
Baris (0) (1) (2) (3) = (0) (4) = (3) /12 (5) = (1)-29,315(4) (6) = (5) /0,342 (7) = (2)-27,556(4)-0,288(6) (8) = (7) /0,112 12 1 29,315 2,443 0,342 1 Matriks (X'X) b0 12 b1 29,315 71,956 b2 27,556 67,605 63,632 27,556 2,296 0,288 0,843 0,112 1 Matriks (X'Y) -0,181 -0,474 -0,967 -0,181 -0,015 -0,032 -0,094 -0,525 -4,705 1 0 0 1,000 0,083 -2,443 -7,139 -0,237 -2,129 0 1 0 0,000 0,000 1,000 2,922 -0,843 -7,558 0 0 1 0,000 0,000 0,000 0,000 1,000 8,968 Matriks (X'X-1)
T
1,000 -2,443 -0,237 0,000 1,000 -0,843 0,000 0,000 1,000 1,000 0,000 0,000
T1
-2,443 1,000 0,000 0,237 0,843 1,000
(t)
0,083 7,139 2,129 0,000 2,292 7,558 0,000 0,000 8,968 18,028 5,344 2,129
(X'X)1 = T1. t
5,344 9,292 7,558 2,129 7,558 8,968
B
1,331 3,872 -4,705
KTG
13,528 13,528 13,528
Cii
18,028 9,292 8,968
KTG.Cii
243,892 125,703 121,317
Sb
15,617 11,212 11,014
t
0,085 0,345 -0,427
t0,025
2,228 2,228 2,228
df
Regression Residual Total 2 9 11
SS
2,472 121,755 124,227
MS
1,236 13,528
F
0,091
Sig F
0,914
Coeff
Intercept X Variable 1 X Variable 2 1,331 3,872 -4,705
SE
15,617 11,212 11,014
t Stat
0,085 0,345 -0,427
P-value
0,934 0,738 0,679
Analisis menggunakan SPSS : Untuk menghitung nilai kuadrat galat KG (e2) : klik menu Transform Compute. Pada kotak Target variable ketik KG, pindahkan variabel Galat (residu) ke kotak Numeric Expression, klik tanda *, pindahkan kembali variabel Galat (Residu), sehingga pada kotak Numeric expression tertulis : Residu*Residu. Klik OK. Pada Data View akan muncul variabel baru bernama KG. Untuk menghitung nilai Ln X1 : klik menu Transform Compute. Pada kotak Target variable ketik LnX1. Pada kotal Function group pilih Arithmetic, dan pada kotak Function and Special variables sorot pilihan Ln pindahkan ke kotak Numeric Expression, sehingga pada kotak Numeric expression tertulis : LN(?). Klik variabel Motivasi (X1) pindahkan ke kotak Numeric Expression, sehingga pada kotak Numeric expression tertulis : LN(X1). Klik OK. Pada Data View akan muncul variabel baru bernama LnX1. Untuk menghitung nilai Ln X2 dan LnKG dlakukan dengan cara seperti diatas. Untuk menganalisis model regresi Ln e2 = b0 + b1 Ln.X1 + b2 Ln.X2 : Klik Analyze Regression Linear, pindahkan Variabel Dependen LnKG ke kotak Dependent dan Variabel Independen LnX1 dan LnX2 ke kotak Independent(s) klik OK. Hasil Analisis Uji Park menggunakan SPSS : Regression :
b Variables Entered/Removed
Model 1
Variables Removed .
Method Enter
Model Summary Model 1 R R Square ,141a ,020 Adjusted R Square -,198 Std. Error of the Estimate 3,6780934
ANOVAb Model 1 Regression Residual Total Sum of Squares 2,472 121,755 124,227 df 2 9 11 Mean Square 1,236 13,528 F ,091 Sig. ,914a
Coefficientsa Unstandardized Coefficients B Std. Error 1,331 15,617 3,872 11,212 -4,705 11,014 Standardized Coefficients Beta ,203 -,251
Model 1
Kesimpulan :
Asumsi Homoskedastisitas diterima, karena nilai Signifikansi kedua faktor tersebut > 0,05 (tidak signifikan)
b.
Uji Korelasi Rank Spearman antara Variabel Bebas X dengan Galat e. (1) Korelasi Variabel Bebas X1 (Motivasi) dengan Galat e.
No 1 2 3 4 5 6 7 8 9 10 11 12
X1
12 10 10 13 11 14 13 14 11 14 10 8 Jumlah
Y 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922
Rank-Y 6 1 4 11 7 2 8 10 3 9 5 12
Di2 1,00 4,00 1,00 6,25 2,25 81,00 0,25 1,00 6,25 4,00 4,00 121,00 232,00
t3 t Tx = 12 33 3 Tx = + 12 t3 t Ty = = 0,00 12 N3 N 12 Y = 12
2
23 3 + 12
23 2 + 12
33 3 = 5,00 12
X2 =
N3 N
y di x . y
2 2 2
= 0,174
n 2 1
t =
rS
rS
2
t = 0,174
12 2 1 0,174
t = 0,560 t0,025 (n2) = t 0,025 (10) = 2,228 Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Motivasi (X1) dengan nilai galat.
X2
10 9 9 10 11 11 13 13 10 10 8 7 Jumlah
Y 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922
Rank- X2 6,5 3,5 3,5 6,5 9,5 9,5 11,5 11,5 6,5 6,5 2 1
Rank-Y 6 1 4 11 7 2 8 10 3 9 5 12
di2 0,25 6,25 0,25 20,25 6,25 56,25 12,25 2,25 12,25 6,25 9,00 121,00 252,50
43 4 + 12
23 2 + 12
23 2 = 6,50 12
X =
y di x . y
2 2 2
= 0,097
n 2 1
t =
rS
rS
2
t = 0,097
12 2 1 0,097
t = 0,307 t0,025 (n2) = t 0,025 (10) = 2,228 Kesimpulan : tidak terdapat hubungan yang nyata antara variabel Fasilitas (X2) dengan nilai galat.
Motivasi
Fasilitas
Kesimpulan :
Asumsi Homoskedastisitas dapat diterima, karena nilai Signifikansi kedua faktor tersebut tidak signifikan (> 0,05)
Pengujian Homoskedastisitas menggunakan SPSS 13.0 melalui prosedur : klik Plot pindahkan ZPRED ke kotak X dan SRESID ke kotak Y. Pada pilihan Standardized Residual Plot, beri tanda centang pada pilihan Histogram dan Normal probability plots Continue
Normal P-P Plot of Regression Standardized Residual
0.8
0.6
0.4
0.2
Scatterplot
-1
-2 -2 -1 0 1 2
Kesimpulan
Asumsi Homoskedastisitas dapat diterima, karena (a) pada gambar pertama, titik-titik menyebar di sekitar garis diagonal, (b) pada gambar kedua titik-titik menyebar tidak menunjukkan pola tertentu
4. (a)
Uji Normalitas : Uji Normalitas untuk Variabel Motivasi (X1) Nilai X1 diurutkan dari terkecil sampai terbesar
Resp 12 2 3 11 5 9 1 4 7 6 8 10 Rata STD X1 8 10 10 10 11 11 12 13 13 14 14 14 11,67 1,97 Zi -1,862 -0,846 -0,846 -0,846 -0,339 -0,339 0,169 0,677 0,677 1,185 1,185 1,185 P(Zi) 0,0313 0,1987 0,1987 0,1987 0,3675 0,3675 0,5672 0,7508 0,7508 0,8819 0,8819 0,8819 P(Xi) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Zi) - P(Xi) 0,0520 0,0320 0,0513 0,1346 0,0492 0,1325 0,0161 0,0841 0,0008 0,0486 0,0347 0,1181 0,1346 PX-1 - PZ 0,0313 0,1154 0,0320 0,0513 0,0342 0,0492 0,0672 0,1675 0,0841 0,1319 0,0486 0,0347 0,1675
Nilai maksimum D = 0,1675. Dari tabel Kolmogorov-Smirnov untuk n = 12 dan taraf nyata () = 0,05 didapat D0,05(12) = 0,375. Karena nilai (D = 0,1675) < (D0,05(12) = 0,375) maka disimpulkan bahwa sampel tadi berasal dari populasi yang berdistribusi normal.
Variabel X2 berdistribusi normal karena (D = 0,1853) < (D0,05(12) = 0,375). (c) Uji Normalitas untuk Variabel Produktivitas (Y)
Resp 2 12 11 3 9 1 5 6 4 10 7 8 Rata STD Yi 74 74 76 78 81 85 85 87 90 91 94 98 84,42 7,97 Zi -1,307 -1,307 -1,056 -0,805 -0,429 0,073 0,073 0,324 0,700 0,826 1,202 1,704 P(Zi) 0,0956 0,0956 0,1455 0,2104 0,3341 0,5292 0,5292 0,6271 0,7582 0,7956 0,8854 0,9558 P(Yi) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Zi)-P(Yi) 0,0123 0,0710 0,1045 0,1229 0,0826 0,0292 0,0542 0,0396 0,0082 0,0378 0,0313 0,0442 0,1229 PY - PZ 0,0956 0,0123 0,0212 0,0396 0,0008 0,1125 0,0292 0,0437 0,0915 0,0456 0,0520 0,0392 0,1125
Variabel Y berdistribusi normal karena (D = 0,1229) < (D0,05(12) = 0,375). (d) Uji Normalitas untuk Variabel Galat (e)
Resp 2 6 9 3 11 1 5 7 10 8 4 12 Rata STD ei -4,541 -4,434 -1,772 -0,541 -0,525 0,013 0,212 0,750 1,582 2,535 2,798 3,922 0,00 2,64 Zi -1,719 -1,679 -0,671 -0,205 -0,199 0,005 0,080 0,284 0,599 0,960 1,059 1,485 P(Z) 0,0428 0,0466 0,2511 0,4189 0,4212 0,5019 0,5321 0,6118 0,7254 0,8314 0,8553 0,9312 P(ei) 0,0833 0,1667 0,2500 0,3333 0,4167 0,5000 0,5833 0,6667 0,7500 0,8333 0,9167 1,0000 Maks P(Z)-P(ei) 0,0406 0,1201 0,0011 0,0856 0,0046 0,0019 0,0513 0,0549 0,0246 0,0019 0,0614 0,0688 0,1201 Pei - PZ 0,0428 0,0367 0,0845 0,1689 0,0879 0,0853 0,0321 0,0285 0,0588 0,0814 0,0219 0,0145 0,1689
Variabel Galat berdistribusi normal karena (D = 0,1689) < (D0,05(12) = 0,375). Hasil Analisis Uji Kolmogorov-Smirnov menggunakan SPSS 13.0 :
One-Sample Kolmogorov-Smirnov Test N a,b Normal Parameters Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data. Motivasi 12 11,67 1,969 ,167 ,135 -,167 ,580 ,889 Fasilitas 12 10,08 1,782 ,185 ,185 -,148 ,642 ,804 Produktivitas Nilai Prediksi 12 12 84,42 84,41667 7,971 7,520840 ,123 ,116 ,123 ,116 -,113 -,103 ,426 ,402 ,993 ,997
Tests of Normality Kolmogorov-Smirnov Statistic df Sig. ,167 12 ,200* ,185 12 ,200* ,123 12 ,200* ,116 12 ,200*
a
Shapiro-Wilk df 12 12 12 12
5.
Data :
Resp 1 2 3 4 5 6 7 8 9 10 11 12 Jml JK Q15 12 10 10 13 11 14 13 14 11 14 10 8 140 1676 Q610 10 9 9 10 11 11 13 13 10 10 8 7 121 121 Y 85 74 78 90 85 87 94 98 81 91 76 74 1013 86213
84,987 78,541 78,541 87,202 84,788 91,434 93,250 95,465 82,772 89,418 76,525 70,078 1013,000
ei 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 3,922 0,000 76,723
ei-1 0,013 -4,541 -0,541 2,798 0,212 -4,434 0,750 2,535 -1,772 1,582 -0,525 -3,922
(ei-ei-1)2 20,735 16,000 11,144 6,683 21,585 26,871 3,185 18,547 11,249 4,440 19,771 160,210
Untuk n = 12, banyaknya variabel bebas = k = 2 dan a = 0,05 diperoleh dL = 0,812 dan dU = 1,579 Kriteria Penolakan H0 :
Tolak Ho dL 0,812 dU 1,579 Terima Ho 4-dU 2,421 4-dL 3,188 Tolak Ho
Nilai D = 2,088 terletak pada daerah penerimaan H0, sehingga asumsi tidak ada autokorelsi dapat diterima. Prosedur menggunakan SPSS : Analyze Regression Linear, masukkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen (X1 = Motivasi dan X2 = Fasilitas) ke kotak Independent(s) klik Statistics Pada kotak Residuals, beri tanda centang pada pilihan Durbin Watson Continue OK. Hasil Analisis SPSS :
Model Summaryb Model 1 R ,944a R Square ,890 Adjusted R Square ,866 Std. Error of the Estimate 2,920 DurbinWatson 2,088
Menggunakan Uji 2 : Nilai Observasi (O) : Banyaknya +ei-1 Banyaknya ei-1 Jumlah Banyaknya +ei 2 4 6 Banyaknya ei 4 1 5 Jumlah 6 5 11
Nilai Harapan (E) : Banyaknya +ei-1 Banyaknya ei-1 Jumlah (2 3,27)2 + 3,27 X2 = 2,396 X20,05(1) = 3,841 Kesimpulan : Karena (X2 = 2,396) < (X20,05(1) = 3,841) maka H0 diterima (asumsi tidak ada autokorelasi dapat diterima). Prosedur menggunakan SPSS : Analyze Descriptive Statistics Crosstab. Hasil Analisis : Crosstabs
Nilai Ei-1 * Nilai Ei Crosstabulation Count Nilai Ei +Ei Nilai Ei-1 Total +Ei-1 -Ei-1 2 4 6 -Ei 4 1 5 Total 6 5 11
Jumlah 6 5 11
X2 =
Chi-Square Tests Value 2,396b ,883 2,516 df 1 1 1 Asymp. Sig. (2-sided) ,122 ,347 ,113 Exact Sig. (2-sided) Exact Sig. (1-sided)
Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases
,175
a. Computed only for a 2x2 table b. 4 cells (100,0%) have expected count less than 5. The minimum expected count is 2,27.
Kesimpulan :
maka H0 diterima (asumsi tidak ada autokorelasi dapat diterima). 6. Multikolinearitas : terjadi korelasi yang kuat diantara variabel bebas X. Prosedur : Analyze Regression Linear, masukkan Variabel Dependen Y (Produktivitas) ke kotak Dependent dan Variabel Independen (X1 = Motivasi dan X2 = Fasilitas) ke kotak Independent(s) klik Statistics Beri tanda centang pada pilihan Collinearity diagnostics Continue OK. Diantara variabel bebas X tidak terjadi multikolinearitas jika nilai VIF mendekakti nilai 1., atau jika nilai Koefisien Korelasi R 0,80, diindikasikan adanya multikolinearitas.
Correlations Motivasi Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Motivasi 1 Fasilitas ,786** ,002 12 12 ,786** 1 ,002 12 12
Fasilitas
7.
Linearitas : artinya bentuk hubungan antara variabel bebas X dan variabel terikat Y adalah Linear. a. uji Linearitas antara X1 (Motivasi) dengan Y (Produktivitas) :
Resp 12 2 3 11 5 9 1 4 7 6 8 10 Jumlah JK Rata-rata X1 8 10 10 10 11 11 12 13 13 14 14 14 140 1676 11,667 Y 74 74 78 76 85 81 85 90 94 87 98 91 1013 86213 84,417 X1.Y 592 740 780 760 935 891 1020 1170 1222 1218 1372 1274 11974 Y2 5476 17336 13786 7225 16936 KJ 5476 17328 13778 7225 16928 Selisih 0 8 8 0 8
25454 86213
25392 86127 k=
62 86 6
KJ = Kuadrat Jumlah
Contoh perhitungan : Untuk X1 = 10
JK = Jumlah Kuadrat
b1 =
= 3,648
b0 = 84,417 3,648 (11,667) = 41,852 Analisis Ragam (Anova) : 1. Faktor Koreksi (FK) = (Y)2/n = (1013)2/12 = 85514,083 2. Jumlah Kuadrat Total (JKT) = Y2 (Y)2/n JKT = 86213 85514,083 = 698,917
3. Jumlah Kuadrat Regresi (JKR) = bi XiY JKR JKR JKG = b1 [ X1Y (X1)(Y)/n] = 3,648 [11974 (140)(1013)/12] = 567,940 = 698,917 567,940 = 130,977
4. Jumlah Kuadrat Galat (JKG) = JKT JKR JKG-Murni = Y2 (Yi2/ni) = 86213 86127 = 86 JKG-SDM = JKG7 JKGM = 130,977 86 = 44,977 Daftar Sidik Ragam db Regresi Galat Murni SDM Total 1 10 6 4 11 JK 567,940 130,977 86,000 44,977 698,917 KT 567,940 13,098 14,333 11,244 0,784 4,534 F 39,624 F0,05 4,965
Ket.
DB = Derajat Bebas ;
JK = Jumlah Kuadrat ;
b.
b1 =
n X2Y (X2) ( Y) n
X22
(X2)
= 3,940
b0 = 84,417 3,940 (10,083) = 44,685 Analisis Ragam (Anova) : 1. Faktor Koreksi (FK) = (Y)2/n = (1013)2/12 = 85514,083 2. Jumlah Kuadrat Total (JKT) = Y2 (Y)2/n JKT JKR JKR = 86213 85514,083 = 698,917 = b2 [ X2Y (X2)(Y)/n] = 3,940 [10352 (121)(1013)/12] = 542,12 3. Jumlah Kuadrat Regresi (JKR) = bi XiY
4. Jumlah Kuadrat Galat (JKG) = JKT JKR JKG = 698,917 542,12 = 156,79 JKG-Murni = Y2 (Yi2/ni) = 86213 86130,25 = 82,75 JKG-SDM = JKG7 JKGM = 156,79 82,75 = 74,04 Daftar Sidik Ragam Regresi Galat Murni SDM Total db 1 10 6 4 11 JK 542,12 156,79 82,75 74,04 698,92 KT 542,12 15,68 13,79 18,51 F 34,576 F0,05 4,965
1,342
4,534
Ket.
DB = Derajat Bebas ; JK = Jumlah Kuadrat ; KT = Kuadrat Tengah SDM = Simpangan Dari Model
KT = JK : DB F-Regresi = KT(Regresi) : KT(Galat Murni) = 542,12 : 13,79 = 34,576 F-SDM = KT(SDM) : KT(Galat Murni) = 18,51 : 13,79 = 1,342 Kesimpulan : Karena nilai (F-SDM = 1,342) < (F0,05 = 4,534) maka asumsi Linearitas dapat diterima (hubungan antara X2 dengan Y bersifat Linear) Prosedur pengujian menggunakan SPSS : Analyze Compre Means Means, masukkan Variabel Dependen X2 (Fasilitas) Beri tanda centang pada pilihan Test for ke kotak Dependent List dan Variabel Independen Y (Produktivitas) ke kotak Independent List linearity Continue klik Options OK.
ANOVA Table Sum of Squares 612,917 567,940 44,977 86,000 698,917 df 5 1 4 6 11 Mean Square 122,583 567,940 11,244 14,333 F 8,552 39,624 ,784 Sig. ,011 ,001 ,575
Produktivitas * Motivasi
Between Groups
Measures of Association Produktivitas * Motivasi R ,901 R Squared ,813 Eta ,936 Eta Squared ,877
Produktivitas * Fasilitas
Report Produktivitas Fasilitas 7 8 9 10 11 13 Total Mean 74,00 76,00 76,00 86,75 86,00 96,00 84,42 N 1 1 2 4 2 2 12 Std. Deviation . . 2,828 4,646 1,414 2,828 7,971
ANOVA Table Sum of Squares 616,167 542,124 74,042 82,750 698,917 df 5 1 4 6 11 Mean Square 123,233 542,124 18,511 13,792 F 8,935 39,308 1,342 Sig. ,009 ,001 ,355
Produktivitas * Fasilitas
Between Groups
Measures of Association Produktivitas * Fasilitas R ,881 R Squared ,776 Eta ,939 Eta Squared ,882