Menurut Sugiyono (2010,173) valid berarti instrumen tersebut dapat digunakan untuk
mengukur apa yang seharusnya diukur. Pengujian validitas tiap butir digunakan analisis item,
yaitu mengkorelasikan skor tiap butir dengan skor total yang merupakan jumlah tiap skor butir.
Untuk lebih jelasnya diberikan contoh kasus 1.
Kasus 1 :
Seorang peneliti ingin meneliti tentang adanya pengaruh gaya kepemimpinan kepala
sekolah terhadap kedisiplinan guru. Peneliti menggunakan kuesioner berjumlah 15 soal untuk
memperoleh data yang diinginkan. Sebelum mengadakan penelitian secara langsung, peneliti
memutuskan untuk melakukan pengujian kuesioner terlebih dahulu agar kuesioner yang telah
dibuat dapat diketahui kevalidannya. Berikut merupakan data 10 orang responden untuk uji
validitas :
NO SOAL
Skor
Responden
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Total
1 4 4 4 4 3 4 4 4 2 4 4 4 4 4 4 57
2 4 4 4 3 3 4 4 4 2 4 4 4 3 4 4 55
3 4 4 4 3 4 3 4 4 4 3 4 4 4 4 4 57
4 4 4 3 3 3 4 3 4 1 4 4 4 4 4 4 53
5 2 2 2 2 2 2 2 3 4 2 3 2 3 3 2 36
6 4 4 4 4 3 3 3 4 2 4 4 4 3 3 4 53
7 3 3 3 1 1 1 2 4 3 4 4 4 3 3 3 42
8 3 4 4 3 2 4 4 4 3 4 4 4 3 4 4 54
9 4 3 4 4 4 2 4 4 4 4 4 4 4 4 4 57
10 3 3 3 2 2 2 2 3 1 4 4 3 2 3 3 40
Penyelesaian
1. Hipotesis
𝐻0 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total tidak
signifikan (data penelitian tidak valid).
𝐻1 ∶ Koefisien korelasi antara skor pada butir pertanyaan dengan skor total signifikan
(data penelitian valid).
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Uji
a. Menggunakan 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
Jika nilai 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi soal yang diuji tidak valid.
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
1
Jika nilai 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 ditolak. Jadi soal yang diuji
valid. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 =
0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah 0,632.
4. Statistik Uji
a. Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
b. Menggunakan nilai dari 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian validitas menggunakan SPSS adalah sebagai berikut:
a. Buka aplikasi SPSS
b. Klik tab Variable View
c. Masukkan data diatas dengan memberi nama variabel “no1” untuk soal 1, “no2”
untuk soal 2 dan seterusnya sampai dengan soal 15, untuk skor total diberi nama
variabel “st”.
f. Centang pada Pearson dan Two-tailed pada Test of Significance Klik OK.
g. Maka muncul output seperti berikut:
Correlations
no1 no2 no3 no4 no5 no6 no7 no8 no9 no10 no11 no12 no13 no14 no15 st
Pearson
,873*
Correlatio 1 ,778** ,778** ,711* ,745* ,500 ,684* ,745* -,268 ,582 ,745* ,815** ,582 ,609 ,899**
*
no
n
1
Sig. (2-
,008 ,008 ,021 ,013 ,141 ,029 ,013 ,455 ,078 ,013 ,004 ,078 ,062 ,000 ,001
tailed)
2
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,814*
Correlatio ,778** 1 ,778** ,553 ,414 ,785** ,684* ,745* -,402 ,582 ,745* ,815** ,349 ,609 ,899**
*
no n
2 Sig. (2-
,008 ,008 ,097 ,234 ,007 ,029 ,013 ,250 ,078 ,013 ,004 ,323 ,062 ,000 ,004
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,855* ,893*
Correlatio ,778** ,778** 1 ,711* ,580 ,500 ,745* ,000 ,582 ,745* ,815** ,349 ,609 ,899**
* *
no n
3 Sig. (2-
,008 ,008 ,021 ,079 ,141 ,002 ,013 1,000 ,078 ,013 ,004 ,323 ,062 ,000 ,001
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,789* ,810*
Correlatio ,711* ,553 ,711* 1 ,599 ,754* ,477 -,038 ,281 ,318 ,447 ,546 ,563 ,735*
* *
no n
4 Sig. (2-
,021 ,097 ,021 ,007 ,067 ,012 ,163 ,917 ,431 ,371 ,195 ,102 ,090 ,015 ,005
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,745* ,414 ,580 ,789** 1 ,394 ,714* ,389 ,180 ,017 ,259 ,364 ,677* ,635* ,637* ,757*
no n
5 Sig. (2-
,013 ,234 ,079 ,007 ,260 ,020 ,267 ,620 ,962 ,469 ,301 ,032 ,049 ,048 ,011
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,500 ,785** ,500 ,599 ,394 1 ,681* ,431 -,378 ,254 ,287 ,404 ,344 ,704* ,664* ,668*
no n
6 Sig. (2-
,141 ,007 ,141 ,067 ,260 ,030 ,214 ,281 ,478 ,421 ,247 ,330 ,023 ,036 ,035
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,890* ,934*
Correlatio ,684* ,684* ,855** ,754* ,714* ,681* 1 ,688* ,185 ,287 ,459 ,645* ,609 ,830**
* *
no n
7 Sig. (2-
,029 ,029 ,002 ,012 ,020 ,030 ,028 ,608 ,422 ,182 ,044 ,062 ,001 ,003 ,000
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,825*
Correlatio ,745* ,745* ,745* ,477 ,389 ,431 ,688* 1 ,045 ,547 ,667* ,937** ,625 ,612 ,829**
*
no n
8 Sig. (2-
,013 ,013 ,013 ,163 ,267 ,214 ,028 ,902 ,102 ,035 ,000 ,053 ,060 ,003 ,003
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
3
Pearson
Correlatio -,268 -,402 ,000 -,038 ,180 -,378 ,185 ,045 1 -,589 -,419 -,168 ,309 ,073 -,217 ,007
no n
9 Sig. (2-
,455 ,250 1,000 ,917 ,620 ,281 ,608 ,902 ,073 ,228 ,642 ,386 ,840 ,548 ,984
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885*
Correlatio ,582 ,582 ,582 ,281 ,017 ,254 ,287 ,547 -,589 1 ,756* -,024 ,255 ,659* ,461
*
no n
10 Sig. (2-
,078 ,078 ,078 ,431 ,962 ,478 ,422 ,102 ,073 ,001 ,011 ,947 ,477 ,038 ,179
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885*
Correlatio ,745* ,745* ,745* ,318 ,259 ,287 ,459 ,667* -,419 1 ,885** ,156 ,408 ,804** ,639*
*
no n
11 Sig. (2-
,013 ,013 ,013 ,371 ,469 ,421 ,182 ,035 ,228 ,001 ,001 ,667 ,242 ,005 ,047
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,885* ,815*
Correlatio ,815** ,815** ,815** ,447 ,364 ,404 ,645* ,937** -,168 ,756* 1 ,463 ,574 ,895**
* *
no n
12 Sig. (2-
,004 ,004 ,004 ,195 ,301 ,247 ,044 ,000 ,642 ,011 ,001 ,177 ,083 ,000 ,004
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
Correlatio ,582 ,349 ,349 ,546 ,677* ,344 ,609 ,625 ,309 -,024 ,156 ,463 1 ,701* ,518 ,682*
no n
13 Sig. (2-
,078 ,323 ,323 ,102 ,032 ,330 ,062 ,053 ,386 ,947 ,667 ,177 ,024 ,125 ,030
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,890* ,831*
Correlatio ,609 ,609 ,609 ,563 ,635* ,704* ,612 ,073 ,255 ,408 ,574 ,701* 1 ,739*
* *
no n
14 Sig. (2-
,062 ,062 ,062 ,090 ,049 ,023 ,001 ,060 ,840 ,477 ,242 ,083 ,024 ,015 ,003
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Pearson
,830* ,804* ,955*
Correlatio ,899** ,899** ,899** ,735* ,637* ,664* ,829** -,217 ,659* ,895** ,518 ,739* 1
* * *
no n
15 Sig. (2-
,000 ,000 ,000 ,015 ,048 ,036 ,003 ,003 ,548 ,038 ,005 ,000 ,125 ,015 ,000
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
4
Pearson
,934* ,831*
Correlatio ,873** ,814** ,893** ,810** ,757* ,668* ,825** ,007 ,461 ,639* ,815** ,682* ,955** 1
* *
n
st
Sig. (2-
,001 ,004 ,001 ,005 ,011 ,035 ,000 ,003 ,984 ,179 ,047 ,004 ,030 ,003 ,000
tailed)
N 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
6. Interpretasi:
Jadi dari data diatas didapat interpretasi sebagai berikut:
R
Soal 𝑟𝑡𝑎𝑏𝑒𝑙 Kesimpulan Soal 𝑆𝑖𝑔. 𝑎𝑙𝑝ℎ𝑎(𝛼) Kesimpulan
Pearson
0,873 Valid 0,001 Valid
1 1
2 0,814 Valid 2 0,004 Valid
3 0,893 Valid 3 0,001 Valid
4 0,810 Valid 4 0,005 Valid
5 0,757 Valid 5 0,011 Valid
6 0,668 Valid 6 0,035 Valid
7 0,934 Valid 7 0,000 Valid
0,632 0,05
8 0,825 Valid 8 0,003 Valid
9 0,007 Tidak Valid 9 0,984 Tidak Valid
10 0,461 Tidak Valid 10 0,179 Tidak Valid
11 0,639 Valid 11 0,047 Valid
12 0,815 Valid 12 0,004 Valid
13 0,682 Valid 13 0,030 Valid
14 0,831 Valid 14 0,003 Valid
15 0,955 Valid 15 0,000 Valid
5
UJI RELIABILITAS
Pengertian reliabilitas pada dasarnya adalah sejauh mana hasil suatu pengukuran dapat
dipercaya. Jika hasil pengukuran yang dilakukan secara berulang relative sama maka
pengukuran tersebut dianggap memiliki tingkat reliabilitas yang baik.
Metode yang dapat digunakan untuk mengukur reliabilitas diantaranya adalah metode
Split-half, Paralel, Strict Paralel, KR-20, Spearmen Brown, dan Cronbach Alpha. Metode yang
digunakan dalam modul ini adalah Cronbach Alpha.
Kasus menggunakan Kasus 1
Penyelesaian
1. Hipotesis
𝐻0 ∶ Butir-butir pertanyaan bersifat reliabel.
𝐻1 ∶ Butir-butir pertanyaan tidak bersifat reliabel.
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Uji
a. Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎
Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 diterima. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙
dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 = 0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data
diatas adalah 0,632.
b. Menggunakan kriteria penggolongan reliabilitas
• Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,6 maka butir-butir pertanyaan tidak
reliabel.
• Jika nilai 0,6 ≤ 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 ≤ 0,7 maka butir-butir pertanyaan
cukup reliabel.
• Jika nilai 0,7 < 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 < 0,8 maka butir-butir pertanyaan
reliabel.
• Jika nilai 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎 > 0,8 maka butir-butir pertanyaan sangat
reliabel.
4. Statistik Uji
a. Menggunakan nilai dari 𝐶𝑟𝑜𝑛𝑏𝑎𝑐ℎ′ 𝑠 𝐴𝑙𝑝ℎ𝑎
5. Perhitungan Statistik Uji menggunakan SPSS
Langkah-langkah pengujian reliabilitas pada Kasus 1 menggunakan SPSS:
a. Buka SPSS
b. Gunakan data pada Kasus 1 tadi
c. Klik Analyze Scale Reliability Analysis
d. Masukkan variabel no1 sampai dengan no15. Klik OK
6
e. Maka muncul output seperti berikut
Reliability Statistics
Cronbach's N of Items
Alpha
,914 15
6. Interpretasi:
Untuk kasus diatas didapat nilai reliabilitas 0,914. Jika diuji dengan kriteria uji diatas
maka dapat disimpulkan bahwa butir-butir pertanyaan sangat reliabel.
Jika diuji dengan r tabel maka kriteria ujinya : Jika nilai reliabilitas > r tabel maka 𝐻0
diterima. Untuk mencari 𝑟𝑡𝑎𝑏𝑒𝑙 dapat dicari pada tabel r dengan 𝑑𝑓 = 𝑛 − 2 dan 𝛼 =
0,05. Jadi 𝑟𝑡𝑎𝑏𝑒𝑙 untuk data diatas adalah 0,632. Karena 0,914 > 0,632 maka 𝑯𝟎
diterima. Jadi, butir-butir pertanyaan bersifat reliabel.
7
UJI NORMALITAS
Uji distribusi normal adalah uji untuk mengukur apakah data yang didapatkan memiliki
distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial).
Dengan kata lain, uji normalitas adalah uji untuk mengetahui apakah data empirik yang
didapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu.
Kasus 2:
Seorang petani ingin mengetahui adanya pengaruh jumlah cacing jenis tertentu terhadap jumlah
telur cacing pada usus ayam. Diketahui data sebagai berikut:
No X Y No X Y
1 12 45 11 12 48
2 14 50 12 13 52
3 13 51 13 17 70
4 12 43 14 19 76
5 15 61 15 13 53
6 16 62 16 11 43
7 13 50 17 16 60
8 11 43 18 12 48
9 10 40 19 14 53
10 11 44 20 15 63
Penyelesaian:
1. Hipotesis
𝐻0 ∶ Data berdistribusi normal.
𝐻1 ∶ Data tidak berdistribusi normal.
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Masukkan data variabel Y
8
c. Klik Analyze Nonparametrics Test 1 Sampel KS
d. Masukkan variabel Y ke dalam kolom Test Variable List. Centang Normal pada
Test Distribution Klik OK
N 20
Mean 52,75
Normal Parametersa,b
Std. Deviation 9,727
Absolute ,190
Most Extreme Differences Positive ,190
Negative -,108
Kolmogorov-Smirnov Z ,849
Asymp. Sig. (2-tailed) ,467
9
6. Interpretasi:
𝑆𝑖𝑔. = 0,467
Karena 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima. Jadi, data berdistribusi normal.
10
UJI REGRESI SEDERHANA
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau
tidaknya pengaruh antara variabel independent terhadap variabel dependent. Analisis regresi
mempelajari hubungan yang diperoleh dan dinyatakan dalam persamaan matematika yang
menyatakan hubungan fungsional antara variabel-variabel. Hubungan fungsional antara satu
variabel prediktor dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal),
sedangkan hubungan fungsional yang lebih dari satu variabel bebas disebut analisis regresi
ganda.
Menurut Yudiaatmaja (2013,5) mengatakan bahwa yang dimaksud dengan analisis
regresi sederhana disini adalah analisis yang dilakukan terhadap satu variabel terikat dan satu
variabel bebas. Persamaan yang dihasilkan nantinya akan berbentuk 𝑌 ̂ = 𝑎 +𝑏𝑋. Sebelum
melakukan pengujian, data tersebut wajib memenuhi asumsi kenormalan dan homogen. Untuk
lebih memahaminya, kita tinjau kembali kasus 2. Pada kasus 2, jelas data memenuhi asumsi
kenormalan dan homogen, sehinnga dapat dilakukan pengujian regresi linier sederhana pada
kasus 2
Kasus 2:
Seorang petani ingin mengetahui adanya pengaruh jumlah cacing jenis tertentu terhadap jumlah
telur cacing pada usus ayam. Diketahui data sebagai berikut:
No X Y No X Y
1 12 45 11 12 48
2 14 50 12 13 52
3 13 51 13 17 70
4 12 43 14 19 76
5 15 61 15 13 53
6 16 62 16 11 43
7 13 50 17 16 60
8 11 43 18 12 48
9 10 40 19 14 53
10 11 44 20 15 63
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada
usus ayam
𝐻1 ∶ Ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada usus
ayam
11
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y
c. Masukkan data
12
Coefficientsa
ANOVAa
Total 1797,750 19
Model Summary
6. Interpretasi:
Dari output diatas mendapatkan persamaan regresi : 𝑌 = −2,422 + 4,104(𝑋)
Uji pengaruh didapatkan nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝑯𝟎 ditolak.
Jadi ada pengaruh jumlah cacing jenis tertentu terhadap jumlah telur cacing pada usus
ayam.
Koefisien Korelasi (𝑅) = 0,972. Artinya hubungan antara jumlah cacing jenis tertentu
dengan jumlah telur cacing pada usus ayam sangat kuat.
Koefisien Determinasi (𝑅 2 ) = 0,946. Artinya jumlah cacing jenis tertentu memberikan
pengaruh sebesar 94,6% terhadap jumlah telur cacing pada usus ayam dan sisanya
sebesar 5,2% dipengaruhi oleh variabel lainnya.
13
REGRESI LINIER BERGANDA
14
A. UJI PRASYARAT
1. UJI NORMALITAS
Berdasarkan langkah-langkah uji Normalitas didapat output SPSS :
Tekanan Darah
Sistolik
N 43
Positive .194
Negative -.145
Kolmogorov-Smirnov Z 1.275
Didapat nilai Sig = 0,077 > 0,05 maka dapat disimpulkan bahwa variabel
dependent berdistribusi normal.
B. ASUMSI KLASIK
2. ASUMSI MULTIKOLINEARITAS
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya hubungan
linear antar variabel independent dalam model regresi. Cara mendeteksi ada atau
tidaknya multikolinearitas, yaitu dengan melihat nilai Varian Inflation Factor (VIF)
atau Tolerance (TOL) pada model regresi.
Ketika menemui masalah multikolinearitas, salah satu cara yang dapat dilakukan
adalah dengan mengeluarkan satu dari variabel yang berkolinear, yaitu dengan
mengeluarkan variabel yang mempunyai nilai VIF tertinggi. Cara ini merupakan cara
yang paling sederhana dalam menangani masalah multiolinearitas., tetapi dapat
memungkinkan terjadinya kesalahan spesifikasi. Oleh karena itu, lebih baik
menggunakan korelasi antar variabel-variabel independent nya, dengan mengeluarkan
salah satu dari 2 variabel independent yang mempunyai nilai korelasi tinggi.
15
Langkah-langkah menguji multikolinearitas pada kasus 3 dengan menggunakan
SPSS adalah sebagai berikut.
1. Menyusun Hipotesis
H0 : Data tidak terjadi multikolinearitas pada kasus
H1 : Data terjadi multikolinearitas
2. Membuka jendela SPSS
3. Inputkan data
4. Pilih analyze > regression > linear. Pada kotak dialog linear regression,
masukkan Y pada kotak dependent dan X1,X2 pada kotak independent. Pilih
statistics, pada kotak dialog Linear regression statistics, centang estimates,
covariance matrix, model fit, dan colinearity diagnostics.
16
Coefficientsa
Asupan
-.146 .061 -.350 -2.393 .021 .989 1.011
Protein
Asupan
.001 .001 .221 1.511 .139 .989 1.011
Natrium
Perhatikan tabel Coefficients, kolom Colinearity Statistic, pada nilai VIF nya.
6. Interpretasi hasil
a. Kriteria pengujian multikolinearitas
Terima H0 jika nilai VIF < 10.
b. Hasil Pengujian
Nilai VIF pada variabel independent memiliki VIF < 10. Jadi H0 diterima,
dapat disimpulkan data tersebut tidak terjasi multikolinearitas.
3. ASUMSI AUTOKORELASI
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan
asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu
pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus
terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Cara mendeteksi
autokorelasi ada dua cara yaitu Uji Durbin Watson (D-W) dan Uji Run Test. Pada
modul ini yang akan digunakan adalah Uji Durbin Watson (D-W).
Langkah – langkah Uji Durbin Watson (D-W) pada SPSS :
1. Menyusun Hipotesis
𝐻0 : Data tidak terjadi autokorelasi
𝐻1 : Data terjadi autokorelasi
2. Membuka jendela SPSS anda.
3. Inputkan data.
17
4. Pilih analyze, regression, klik linear. Pada kotak dialog linear regression,
masukkan Y pada kotak dependent dan X1,X2 pada kotak independent. Pilih
Statistics, pada kotak dialog Linear regression statistics, centang Residual
Durbin Watson.
5. Klik continue, lalu OK, maka akan muncul output sebagai berikut :
18
Model Summaryb
4. ASUMSI HETEROKEDASTISITAS
1. Menyusun Hipotesis
𝐻0 : Tidak terjadi Heteroskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
2. Inputkan data.
19
3. Langkah selanjutnya mencari nilai residual dengan cara klik analyze >
regression > linear. Inputkan data seperti pada gambar. Klik save, kemudian
centang Unstandardized pada kotak residuals.
4. Maka akan tampil data seperti berikut. Kemudian absolutkan nilai residual,
caranya klik menu Transform >> Compute Variabel.
5. Pada kotak Target Variabel, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak Numeric
Expression, lalu ketikkan ABS (lalu masukkan variabel Unstandardized
20
Residual (RES_1) ke kotak Numeric Expression dengan klik tanda penunjuk,
kemudian ketik tanda tutup kurung. Maka lengkapnya akan tertulis
ABS(RES_1), perintah ini untuk menghitung nilai absolute dari residual. Jika
sudah klik tombol OK.
7. Klik tombol OK. Maka hasil pada output Coefficient seperti berikut:
21
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
8. Intepretasi hasil :
a. Kriteria pengujian heterokedastisitas :
Terima 𝐻0 jika:
X1,X2 memiliki nilai sig > 0.05
b. Berdasarkan hasil pengujian menggunakan SPSS :
Nilai signifikansi ketiga variabel independent lebih dari 0.05.
Jadi 𝐻0 diterima.
Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi.
ANOVAb
Total 8190.698 42
Dari output SPSS pada tabel ANOVA diatas didapat nilai sig 0,034. Karena nilai sig < 𝛼
maka 𝐻0 ditolak. Jadi, ada pengaruh antara Asupan Natrium, Asupan protein terhadap
Tekanan Darah Sistolik .
22
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model Summary
23
Terima 𝐻0 jika Sig. > 0,05
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Berdasarkan tabel Coefficients, untuk X1 nilai Sig = 0,021 < 0,05 jadi 𝐻0 ditolak, artinya
Asupan Protein (X1) berpengaruh terhadap Tekanan Darah Sistolik (Y). Untuk X2 nilai Sig =
0,139 > 0,05, jadi 𝐻0 diterima, artinya Asupan Natrium (X2) tidak berpengaruh terhadap
Tekanan Darah Sistolik (Y).
E. FAKTOR PENGARUH YANG DOMINAN
Untuk mengetahui besar pengaruh masing-masing variabel independen terhadap
variabel dependen maka dilakukan uji regresi untuk masing-masing variabel independen
terhadap variabel dependen.
Model Summary
24
Model Summary
Berdasarkan output di atas asupan protein (X1) berpengaruh sebesar 10,7% terhadap
tekanan darah sistolik sedangkan asupan natrium (X2) berpengaruh sebesar 3,4% terhadap
tekanan darah sistolik.
25
UJI T SAMPEL TUNGGAL
Uji T satu sampel digunakan untuk menguji nilai rata-rata dari suatu sampel tunggal
dengan suatu nilai acuan. Dalam uji T Satu Sampel terdapat asumsi yang harus dipenuhi
sebelum masuk ke analisis, yaitu data berskala interval atau rasio dan data sampel berdistribusi
normal.
Kasus 4:
Seorang ilmuwan ingin meneliti apakah rata-rata kandungan bakteri per unit volume pada
Sungai Citarum masih sama dengan 200. Kemudian ilmuwan mengumpulkan 10 sampel air
per unit volume sebagai berikut.
Bakteri
175
190
215
198
184
207
210
193
196
180
Penyelesaian
1. Hipotesis
𝐻0 ∶ 𝜇 = 200 (Rataan kandungan bakteri per volume sama dengan 200)
𝐻1 ∶ 𝜇 ≠ 200 (Rataan kandungan bakteri per volume tidak sama dengan 200)
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔. (2 − 𝑡𝑎𝑖𝑙𝑒𝑑)
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama X dan Y
26
c. Klik Analyze Compare Means One Sample T Test
d. Masukkan variabel Bakteri ke kolom Test Variable Isi Test Value dengan angka
200 Klik OK
One-Sample Statistics
One-Sample Test
Lower Upper
6. Interpretasi : Didapat nilai 𝑆𝑖𝑔. (2 − 𝑇𝑎𝑖𝑙𝑒𝑑) = 0,242. Karena 0,242 > 0,05 maka 𝑯𝟎
ditolak. Jadi rataan kandungan bakteri per volume sama dengan 200.
27
INDEPENDENT SAMPLE
T-TEST(DUA SAMPEL)
Uji banding dua sampel diantara kedua sampel saling bebas. Artinya bahwa kedua
sampel tidak harus sama jumlah anggota sampel. Misalkan kita melakukan penelitian untuk
mencoba suatu metode baru, maka metode itu diuji pada satu kelompok tertentu. Untuk dapat
membedakan hasil eksperimen metode baru tersebut apakah lebih baik daripada metode
sebelumnya (metode konvensional), maka diambil satu kelompok lain yang setara dan dikenai
pembelajaran konvensional tersebut. Kasus yang demikian adalah uji banding dua sampel
bebas. Asumsi untuk uji ini adalah data berskala interval atau rasio, data berdistribusi normal
dan varian homogen. Untuk lebih memahami T-test (dua sampel), diberikan contoh kasus 5.
Kasus 5:
Seorang bidan ingin mengetahui perbedaan rata-rata pada metode kontrasepsi peserta keluarga
berencana. Maka diambil data peserta keluarga berencana baru pada tahun 2011. Data sebagai
berikut:
Metode kontrasepsi
Suntik Pil
17847 8111
18486 3182
22041 11466
23839 13457
26569 15442
26937 14782
27368 15824
21191 11971
23273 13198
23019 13498
13612
12246
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan rata-rata metode kontrasepsi suntik dengan metode
kontrasepsi pil
𝐻1 ∶ Ada perbedaan rata-rata metode kontrasepsi suntik dengan metode kontrasepsi pil
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
28
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama Peserta dan Metode
d. Masukkan data
29
g. Isi Group 1 dengan angka 1 dan Group 2 dengan angka 2. Klik Continue
Group Statistics
Lower Upper
Equal variances
,032 ,860 7,385 20 ,000 10824,583 1465,756 7767,069 13882,097
assumed
Peserta KB
Equal variances
7,423 19,630 ,000 10824,583 1458,159 7779,237 13869,930
not assumed
6. Interpretasi
a. Pada kolom Levene’s Test for Equality of Variance (kolom yang menerangkan
tentang homogenitas data), sig = 0,860 > 0,05. Artinya data tersebut homogen
(tidak ada perbedaan varians).
b. Karena varian dari kedua variabel homogen maka pada kolom T-test for Equality
of Means dilihat pada baris Equal variance assumed (baris pertama), signifikan =
30
0,000 < 0,05. Jadi H0 ditolak, artinya ada perbedaan peserta KB antara yang
menggunakan metode suntik dengan yang mengunakan metode pil.
c. Lihat pada kolom Group Statistics, pada kolom Mean terlihat data pada metode
suntik bernilai 23057,00 dan pada metode pil bernilai 12232,42. Artinya ada
perbedaan yang signifikan antara peserta KB dengan metode suntik maupun
metode pil.
31
PAIRED SAMPLE
T-TEST (BERPASANGAN)
Uji t sample berpasangan sering kali disebut sebagai paired-sampel t test. Uji t untuk
data sampel berpasangan membandingkan rata-rata dua variabel untuk suatu grup sampel
tunggal. Uji ini menghitung selisih antara nilai dua variabel untuk tiap kasus dan menguji
apakah selisih rata-rata tersebut bernilai nol.
Kriteria data untuk uji t sampel berpasangan:
1. Data untuk tiap pasang yang diuji dalam skala interval atau rasio
2. Data berdistribusi normal
3. Nilai variannya dapat sama ataupun tidak
Uji t berpasangan (paired t-test) umumnya menguji perbedaan antara dua pengamatan.
Uji seperti ini dilakukan pada Subjek yang diuji untuk situasi sebelum dan sesudah proses, atau
subjek yang berpasangan ataupun serupa (sejenis). Misalnya ketika kita akan menguji
banyaknya gigitan nyamuk sebelum diberi lotion anti nyamuk merk tertentu maupun
sesudahnya.
Kasus 6:
Seorang peneliti ingin menguji apakah ada perbedaan tekanan darah pada pasien hipertensi
sebelum dan sesudah diberi sari kedelai.
1 Rs 105 79 15 Sn 101 94
32
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan tekanan darah pada pasien hipertensi sebelum dan sesudah
diberi sari kedelai
𝐻1 ∶ Ada perbedaan tekanan darah pada pasien hipertensi sebelum dan sesudah
diberi sari kedelai
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
b. Buat variabel dengan nama Sebelum dan Sesudah
c. Masukkan data
33
Std. Error
Mean N Std. Deviation Mean
N Correlation Sig.
Paired Differences
95% Confidence
Interval of the
Std.
Difference
Std. Error
Mean Deviation Mean Lower Upper t df Sig. (2-tailed)
6. Interpretasi
Didapat nilai 𝑆𝑖𝑔. = 0,001. Karena 0,001 < 0,05 maka 𝑯𝟎 ditolak. Jadi ada perbedaan
tekanan darah pada pasien hipertensi sebelum dan sesudah diberi sari kedelai.
34
ANAVA SATU ARAH
(ONE WAY ANOVA)
Uji banding lebih dari dua sampel atau sering disebut dengan analisis varian satu jalur
(one way anova) di sini benar-benar di antara kelompok yang ada saling bebas. Artinya bahwa
beberapa sampel tidak harus sama jumlah anggotanya. Asumsi yang harus dipenuhi pada one
way anova adalah data berskala interval atau rasio, data berdistribusi normal, dan varian
homogen. Untuk lebih memahami, diberikan contoh kasus 7.
Kasus 7:
Peneliti ingin mengetahui perbedaan rata-rata pada metode kontrasepsi peserta keluarga
berencana di sebuah kota di Jawa Tengah. Maka diambil data peserta keluarga berencana baru
pada tahun 2011. Data sebagai berikut:
Metode kontrasepsi
IUD Implant Kondom
3032 789 1634
3572 1099 2078
4727 1738 2869
4745 1386 3124
5169 1540 3874
Penyelesaian
1. Hipotesis
𝐻0 ∶ Tidak ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom
𝐻1 ∶ Ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
35
b. Buat variabel dengan nama Peserta dan Metode
c. Beri Value Labels. 1 untuk IUD, 2 untuk Implant dan 3 untuk Kondom
d. Masukkan data
36
g. Klik Options. Centang Descriptive dan Homogenity of variance test. Klik Continue.
Descriptives
Peserta KB
N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum
1,759 2 30 ,190
ANOVA
Peserta KB
6. Interpretasi
Berdasarkan tabel test of homogeneity of variances nilai Sig. 0,190 > 0,05 jadi dapat
disimpulkan bahwa varian dari variable yang diuji homogen.
37
Berdasarkan tabel ANOVA didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝑯𝟎
ditolak. Jadi ada perbedaan rata-rata metode kontrasepsi IUD, Implant dan Kondom.
Karena 𝑯𝟎 ditolak maka perlu dilakukan uji lanjut.
7. Uji Lanjut
Masih menggunakan data yang sama
a. Klik Analyze Compare Means One Way ANOVA
b. Masukkan variabel Peserta ke kolom Dependent List dan variabel Metode ke
kolom Factor.
Multiple Comparisons
Dependent Variable: Peserta KB
LSD
(I) Metode Kontrasepsi (J) Metode Kontrasepsi Mean Difference Std. Error Sig. 95% Confidence Interval
(I-J) Lower Bound Upper Bound
38
*. The mean difference is significant at the 0.05 level.
39
ANAVA DUA ARAH
(TWO WAY ANOVA)
Pada dasarnya “Two Way Anova” tidak jauh berbeda dengan “One Way Anova”, yang
membedakan hanyalah ada variabel kelompok yang dikelompokkan lagi. Asumsi yang harus
dipenuhi pada one way anova sama dengan one way anova yaitu data berskala interval atau
rasio, data berdistribusi normal, dan varian homogen. Untuk lebih memahami Uji Anova Dua
Arah, disajikan contoh kasus 8.
Kasus 8:
Ingin diketahui apakah faktor tingkat (kelas) dan jenis kelamin dapat mempengaruhi jumlah
jan belajar mahasiswa dalam seminggu. Diadakan survey sebanyak 22 mahasiwa sehingga
didapat data sebagai berikut:
Penyelesaian
1. Hipotesis
a. Hipotesis berdasarkan tingkat (kelas)
𝐻0 ∶ Tidak ada perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4
𝐻1 ∶ Ada perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4
b. Hipotesis berdasarkan jenis kelamin
𝐻0 ∶ Tidak ada perbedaan rata-rata jenis kelamin laki-laki dan perempuan
𝐻1 ∶ Ada perbedaan rata-rata jenis kelamin laki-laki dan perempuan
c. Hipotesis interaksi antar kategori
𝐻0 ∶ Tidak ada interaksi antara tingkat (kelas) dengan jenis kelamin
𝐻1 ∶ Ada interaksi antara tingkat (kelas) dengan jenis kelamin
2. Taraf Signifikansi (𝛼 = 5%)
3. Kriteria Pengujian
Jika 𝑆𝑖𝑔. > 0,05 maka 𝐻0 diterima.
4. Statistik Uji
Menggunakan nilai dari 𝑆𝑖𝑔.
5. Perhitungan Statistik Uji
a. Buka program SPSS
40
b. Buat variabel dengan nama JamBelajar, Tingkat dan JenisKelamin
c. Beri Value Lables untuk variabel JenisKelamin. 1 untuk Laki-laki dan 2 untuk
Perempuan.
d. Masukan data
41
g. Klik tab Model Pilih Full Factorial Continue
h. Klik tab Option. Centang Descriptive statistics dan Homogenity tests. Continue
42
i. Klik tab Plots. Masukkan variabel Tingkat ke kolom Horizontal Axis dan variabel
JenisKelamin ke kolom Separate Lines. Klik Add
43
Between-Subjects Factors
Value Label N
1 6
2 5
Tingkat
3 6
4 5
1 Laki-laki 11
JenisKelamin
2 Perempuan 11
Descriptive Statistics
Dependent Variable: JamBelajar
1,205 7 14 ,361
44
Tests of Between-Subjects Effects
Dependent Variable: JamBelajar
6. Interpretasi
a. Pada tabel Between-Subject Factors merupakan output yang menunjukkan jumlah
data yang diproses, untuk masing – masing kategori disajikkan informasi jumlah
datanya.
b. Pada tabel Descriptive Statistics dapat dilihat rata – rata data.
c. Pada tabel Levene’s Test of Equality of Error Variances dapat dilihat nilai 𝑆𝑖𝑔.
menunjukkan 0,449 > 0,05 artinya data tersebut homogen.
45
d. Pada tabel Test of Between-Subject Effects dapat dilakukan 2 analisa yang berbeda
yaitu “Uji beda rata-rata” berdasarkan variabel yang berbeda (tingkat dan jenis
kelamin) dan uji interaksi antar variabel kategori.
• Interpretasi berdasarkan tingkat (kelas)
Didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝐻0 ditolak. Jadi ada
perbedaan rata-rata tingkat (kelas) 1, 2, 3 dan 4. Karena 𝐻0 ditolak maka
perlu dilakukan uji lanjut.
• Interpretasi berdasarkan jenis kelamin
Didapat nilai 𝑆𝑖𝑔. = 0,000. Karena 0,000 < 0,05 maka 𝐻0 ditolak. Jadi ada
perbedaan rata-rata jenis kelamin laki-laki dan perempuan. Karena 𝐻0
ditolak maka perlu dilakukan uji lanjut. Namun karena faktor hanya 2 maka
jelas dapat disimpulkan bahwa antara jenis kelamin laki-laki dan perempuan
mempunyai perbedaan.
• Interpretasi interaksi antar kategori
Didapat nilai 𝑆𝑖𝑔. = 0,229. Karena 0,229 < 0,05 maka 𝐻0 ditolak. Jadi
tidak ada interaksi antara tingkat (kelas) dengan jenis kelamin.
Untuk melihat adanya interaksi atau tidak juga dapat dilihat pada grafik. Jika
2 garis yang ada bersinggungan atau berpotongan maka ada interaksi antar
kategori. Dilihat dari grafik, 2 garis yang ada tidak berpotongan maka dapat
disimpulkan bahwa tidak interaksi antar kategori.
7. Uji Lanjut
a. Klik Analyze General Linear Model Univariate
b. Masukkan variabel JamBelajar ke kolom Dependent Variable dan variabel Tingkat
dan JenisKelamin ke kolom Fixed Factor
46
d. Maka muncul output sebagai berikut
Multiple Comparisons
Dependent Variable: JamBelajar
LSD
(I) Tingkat (J) Tingkat Mean Std. Error Sig. 95% Confidence Interval
Difference (I-J) Lower Bound Upper Bound
47
DAFTAR PUSTAKA
48