INTERPRETASI OUTPUT REGRESI DAN UJI KUALITAS INSTRUMEN DAN REGRESI

1. UJI KUALITAS INSTRUMEN

a. Uji Validitas dengan Product Moment Pearson
Digunakan untuk menentukan apakah suatu item tepat dalam mengukur variablenya
Menu: Analyze -> Correlate->Bivariate->masukkan seluruh item untuk setiap
variable berikut totalnya->OK
Kriteria pengujian : item dinyatakan valid jika p value (signifikansi hasil analisis)<
α0.05
Berikut contoh hasilnya :
Variable Item Korelasi (r) P-value Keterangan
Partisipasi Par1 0.890 0 Valid
Par2 0.812 0 Valid
Par3 0.939 0 Valid
Kepuasan Sat1
Sat2
Sat3
Sat4

b. Uji Reliabilitas
Digunakan untuk menguji keterandalan dari alat ukur. Uji reliabilitas yang digunakan
adalah cronbach alpha
Menu : Analyze->Scale->reliability analysis->masukkan seluruh item per variable
tanpa totalnya-> OK
Untuk analisis lanjutannya dalam hal ingin menampilkan output untuk meningkatkan
cronbach alpha, maka menunya: Analyze->Scale->reliability analysis->masukkan
seluruh item per variable tanpa totalnya-> pilih statistic->scale if item deleted-
>continue->OK
Kriteria : Item dinyatakan reliable jika memiliki cronbach alpha > 0.6 (Ghozali)
Berikut contoh penyajian hasilnya:
Variable Cronbach alpha Keterangan
Partisipasi Pengguna 0,853 Reliable
Kepuasan Pengguna 0,848 Reliable
Kinerja SI 0,889 Reliable
Sumber : Data diolah 2017, Lampiran...

2. UJI ASUMSI KLASIK

a. Uji Normalitas
Sebuah model regreasi yang baik harus memiliki distribusi normal. Uji normalitas
dilakukan dengan menu: Analyze->Regression-> Linier->masukkan dependen
variable->masukkan seluruh variabel independen->plots->normal probability plot-
>histogram->Continue->OK
Kriteria : Model dikatakan memenuhi asumsi normalitas jika pola datanya mengikuti
arah diagonal dalam grafik normal probability plot.
b. Uji Multikolinearitas
Uji ini digunakan untuk menentukan apakah terdapat hubungan/korelasi antar
variabel independen. Model regresi yang baik seharusnya tidak ada korelasi antar
variabel independen
Menu: Analyze->Regression-> Linier->masukkan dependen variable->masukkan
seluruh variabel independen->statistic->colinearity diagnostic->continue->OK
Kriteria : Model regresi dikatakan memenuhi asumsi ini jika memiliki skor VIF
(Variance Inflation Factor)<10. Outputnya sbb :
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -,102 2,008 -,051 ,960
totalpar ,424 ,255 ,377 1,664 ,122 ,782 ,433 ,247 ,429 2,330
totalsat ,450 ,191 ,536 2,362 ,036 ,821 ,563 ,351 ,429 2,330
a. Dependent Variable: totalkin

c. Uji Heterocedasticitas
Uji ini digunakan untuk menentukan apakah variance dalam model sama. Model
regresi yang baik seharusnya memiliki variance yang sama.
Menu : Analyze->Regression-> Linier->masukkan dependen variable->masukkan
seluruh variabel independen->plots->masukkan pada sumbu Y:Zpred ->masukkan
pada sumbu X:Sresid->Continue->OK
Kriteria : Jika dalam grafik yang sudah ditentukan sumbu X dan sumbu Y nya
tersebut memiliki sebaran data yang tidak beraturan atau tidak membentuk pola
tertentu maka model tersebut memiliki variance yang sama atau tidak menyimpang
dari asumsi klasik.
Output uji heterocedastisitas:

d. Uji Autokorelasi
Uji ini digunakan untuk menentukan apakah terdapat kelambanan dalam model
regresi. Biasa terjadi dalam analisis runtut waktu (time series analysis). Contoh
kelambanan adalah impact dari training tidak dapat dirasakan atau dinilai langsung
setelah pelatihan, namun baru akan dinilai beberapa waktu yang akan datang.
Contoh lainnya adalah penggunaan pupuk dimana akan dirasakan manfaatnya
beberapa waktu yang akan datang yaitu ketika panen.
Menu: Analyze->Regression-> Linier->masukkan dependen variable->masukkan
seluruh variabel independen->Statistic->Durbin watson->continue->OK
 Kriteria : Masing-masing peneliti harus menentukan sendiri batas-batas terjadinya
autokorelasi tergantung pada jumlah variabel independen dan alpha (taraf
signifikansi yang digunakan)

Daerah Area tdk Daerah terjadi

terjadi
terjadi autokorelasi
autokorelasi abu abu abu abu
autokorelasi

0 dL du 2 4-du 4-dL 4

Penentuan batas dari tabel durbin watson 5% dengan jumlah sampel (n) sebesar 15
dan k(jumlah variabel independen) sebanyak 2 maka diperoleh:
dL = 0,9455
du= 1,5432
4-du = 4-1,5432 = 2,4568
4-dL = 4-0,9455 = 3,0545
Output drubin watson:

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,857a ,735 ,691 1,684 ,966
a. Predictors: (Constant), totals at, totalpar
b. Dependent Variable: totalkin

Nilai Durbin watson sebesar 0,966 berada pada area abu-abu atau tidak dapat
ditentukan terjadi autokorelasi atau tidak. Perlu alat statistik yang lebih detail.

3. ANALISIS REGRESI
Menu : Analyze->Regression-> Linier->masukkan dependen variable->masukkan seluruh
variabel independen-> ... ->OK
a. Persamaan regresi
Bentuk umum persamaan :
𝑌 ′ = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛
(untuk variabel yang terukur secara langsung )

Koefisien diambil dari tabel kolom unstandardized.

Untuk perilaku persamaannya adalah :
𝑌 ′ = 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛

Koefisien diambilkan dari tabel Coefficients kolom standardized

Dari tabel diperoleh persamaan regresi yaitu :

𝑌 ′ = 0.377𝑋1 + 0.536𝑋2
Penjelasan :
 Koefisien 𝑋1 Partisipasi pengguna SI sebesar 0.377 (positif) artinya jika partisipasi
pengguna SI meningkat, maka kinerja SI juga semakin meningkat.
 Koefisien 𝑋2 Kepuasan pengguna SI sebesar 0.536 (positif) artinya jika kepuasan
pengguna SI meningkat, maka kinerja SI juga semakin meningkat.

b. Variabel paling dominan

Dapat dilihat dari beberapa faktor :
 Koefisien beta paling besar dengan mengabaikan tanda negatif.
Dalam kasus ini nilai beta terbesar adalah pada variabel Kepuasan pengguna SI
(0.536).
 T hitung paling besar, dengan mengabaikan tanda negatif.
Dalam kasus ini adalah Kepuasan pengguna SI (2.382)
 Signifikansi paling rendah
Dalam kasus ini adalah Kepuasan pengguna SI (0.036)
 Nilai partial Correlation paling tinggi
Dalam kasus ini adalah Kepuasan pengguna SI (0.563)
Berdasarkan hal tersebut di atas maka dapat disimpulkan bahwa variabel paling dominan
mempengaruhi Kinerja SI adalah Kepuasan Pengguna SI.

c. Uji Model
Uji model dapat dilihat dari tabel ANOVA yang menunjukkan nilai F hitung dan signifikansi
dari nilai F tersebut.

ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 94,378 2 47,189 16,644 ,000(a)
 Residual 34,022 12 2,835
Total 128,400 14
a Predictors: (Constant), TotalSat, TotalPar
b Dependent Variable: TotalKin

Hipotesis
H0 : Partisipasi pengguna SI dan kepuasan pengguna SI tidak berpengaruh positif
signifikan terhadap Kinerja SI
H1 : Partisipasi pengguna SI dan kepuasan pengguna SI berpengaruh positif signifikan
terhadap Kinerja SI.

Kesimpulan :
Berdasarkan tabel ANOVA , nilai signifikansi nilai p-value (Signifikansi hasil analisis)
sebesar 0.000 < taraf signifikansi 0.05 (α=0.05), maka H0 ditolak. Artinya model regresi
tersebut baik dan dapat diproses lebih lanjut.

d. Uji Hipotesis Parsial

Variabel Partisipasi pengguna SI
H0 : Partisipasi pengguna SI tidak berpengaruh positif signifikan terhadap Kinerja SI
H1 : Partisipasi pengguna SI berpengaruh positif signifikan terhadap Kinerja SI.
Kesimpulan :
nilai p-value Partisipasi Pengguna SI (lihat pada tabel coefficient) sebesar 0.122 > taraf
signifikansi 0.05 (α=0.05), maka H0 gagal ditolak. Artinya Partisipasi pengguna SI tidak
berpengaruh positif signifikan terhadap Kinerja SI.
Variabel Kepuasan pengguna SI
H0 : Kepuasan pengguna SI tidak berpengaruh positif signifikan terhadap Kinerja SI
H1 : Kepuasan pengguna SI berpengaruh positif signifikan terhadap Kinerja SI.
Kesimpulan :
nilai p-value Partisipasi Pengguna SI (lihat pada tabel coefficient) sebesar 0.036 < taraf
signifikansi 0.05 (α=0.05), maka H0 ditolak. Artinya Kepuasan pengguna SI berpengaruh
positif signifikan terhadap Kinerja SI.

e. Koefisien Determinasi
Merupakan koefisien penjelas yang memberikan informasi tentang seberapa besar
kemampuan variasi variabel independen dalam menjelaskan variabel dependennya.
Jika memiliki satu variabel independen maka boleh digunakan R-square. Tetapi jika
memiliki lebih dari satu variabel independen sebaiknya menggunakan Adjusted R-square,
karena sudah disesuakan dengan dfnya (degree of freedom). (lihat pada tabel model
summary).

Model Summary(b)

Adjusted R Std. Error of

Model R R Square Square the Estimate Durbin-Watson
1 ,857(a) ,735 ,691 1,684 ,966
a Predictors: (Constant), TotalSat, TotalPar
b Dependent Variable: TotalKin
Dalam kasus ini nilai Adjusted R-square sebesar 0.691. Artinya 69,1% variasi partisipasi
pengguna SI dan kepuasan pengguna SI mampu menjelaskan variasi kinerja SI.Sisanya
sebesar 30.9% dipengaruhi dipengaruhi oleh variasi variabel lain yang tidak masuk dalam
model.