1.

Uji Run
a. Input data

b. Pengkodean
Masuk ke Variabel Views, Klik Value label
- masukan value 1 dan tulis label dengan laki-laki
- Masukan value 2 dan tulis label dengan perempuan

c. AnalyzeNon Parametric TestRun test

d. Pada test variable list: select pengunjung

e. Pada cut poin: cek list median OK

 Hasilnya

Runs Test

Pengunjung
a
Test Value 2
Cases < Test Value 15
Cases >= Test Value 15
Total Cases 30
Number of Runs 14
Z -.557
Asymp. Sig. (2-tailed) .577
a. Median
Pada hasil output SPSS tersebut di atas menunjukkan nilai asymtotic significant uji Runs test
sebesar 0.577 (> 0.05), maka hipotesis nol (H0) diterima yang berarti bahwa nilai pengunjung
perpustakaan bersifat acak.

2. Uji Kolmogrov Smornov

a. Masukkan semua data variabel pada IBM SPSS

b. Klik Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S

c. Pindah variabel ke kanan

d. Klik OK dan hasilnya akan muncul seperti berikut
One-Sample Kolmogorov-Smirnov Test
Tekanan Darah
sampel
N 20
Normal Parametersa Mean 130.8000
Std. Deviation 21.42699
Most Extreme Differences Absolute .075
Positive .072
Negative -.075
Kolmogorov-Smirnov Z .337
Asymp. Sig. (2-tailed) 1.000
a. Test distribution is Normal.

e. Interprestasi
Ho : Populasi berdistribusi normal
Ha : Populasi tidak berdistribusi normal
Dasar pengambilan keputusan adalah berdasarkan probabilitas
Jika nilai probabilitas > 0,05 maka Ho diterima
Jikan nilai probabilitas <= 0,05 maka Ho ditolak
Sehingga dari hasil Kolmogorov-Smirnov diatas maka
X = 0,337 yang artinya > 0,05 maka populasi berdistribusi normal
3. Persamaan Linear

a. Masukkan semua data variabel pada IBM SPSS

ganti variebel viewsnya dengan nama variabel penelitian kita

X= Kompetensi

Y = Kinerja pegawai
b. memilih menu Analyze, kemudian pilih Linear

c. Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen
(bebas) lalu klik tombol OK,
 d. Proses Regresi Linear SPSS

Regression

Notes

Output Created 28-May-2017 15:54:28

Comments

Input Active Dataset DataSet4

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data File 15

Missing Value Handling Definition of Missing User-defined missing values are treated as
missing.

Cases Used Statistics are based on cases with no

missing values for any variable used.

Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X.

Resources Processor Time 00:00:00.109

Elapsed Time 00:00:00.262

Memory Required 1348 bytes

Additional Memory Required for

0 bytes
Residual Plots

[DataSet4]
 Variables Entered/Removedb

Variables
Model Variables Entered Removed Method

1 Kompetensia . Enter

a. All requested variables entered.

b. Dependent Variable: Kinerja

Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .621a .385 .338 5.77555

a. Predictors: (Constant), Kompetensi

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 271.692 1 271.692 8.145 .014a

Residual 433.641 13 33.357

Total 705.333 14

a. Predictors: (Constant), Kompetensi

b. Dependent Variable: Kinerja

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -.670 6.142 -.109 .915

Kompetensi .367 .129 .621 2.854 .014

a. Dependent Variable: Kinerja

Tabel variabel
a. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel
bebas dan variabel terikat.
b. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0.385. Nilai ini dapat diinterpretasikan bahwa
hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga
diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa
bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat.
Nilai KD yang diperoleh adalah 38.5% yang dapat ditafsirkan bahwa variabel bebas X1
memiliki pengaruh kontribusi sebesar 38.5% terhadap variabel Y dan 61.5% lainnya
dipengaruhi oleh faktor-faktor lain diluar variabel X1.

c. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi.
Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara
yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model
regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai
Sig. = 0,014 yang berarti < kriteria signifikan (0,05), dengan demikian model persamaan
regresi berdasarkan data penelitian adalah signifikan.

d. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan

koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized
Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi :

Y =-670 + 0.367 X1.