a. Validitas
Uji ketepatan atau ketelitian suatu alat ukur dalam mengukur pa yang sedang ingin diukur.
Digunakan untuk mengikur sah atau valid tidaknya suatu kosioner.
Syaratnya :
Jika r hitung > atau = r table maka instrument atau item item pertanyaan berkolerasi
signifikannnya bernilai valid.
Langkah-langkah menentukan uji validitas menggunakan spss :
1. Buka aplikasi spss
2. Tentukan data
3. Buat data
4.
Correlations
item_ item_ item_ item_ item_ item_ item_ skor_tot
1 2 3 4 5 6 7 al
*
item_1 Pearson Correlation 1 .509 .218 .356 .655 .429 .218 .704*
Sig. (2-tailed) .133 .545 .312 .040 .217 .545 .023
N 10 10 10 10 10 10 10 10
item_2 Pearson Correlation .509 1 .333 .408 .333 .218 .111 .569
Sig. (2-tailed) .133 .347 .242 .347 .545 .760 .086
N 10 10 10 10 10 10 10 10
item_3 Pearson Correlation .218 .333 1 .816** .200 .218 .333 .664*
Sig. (2-tailed) .545 .347 .004 .580 .545 .347 .036
N 10 10 10 10 10 10 10 10
item_4 Pearson Correlation .356 .408 .816** 1 .408 .535 .272 .814**
Sig. (2-tailed) .312 .242 .004 .242 .111 .447 .004
N 10 10 10 10 10 10 10 10
item_5 Pearson Correlation .655* .333 .200 .408 1 .655* .333 .759*
Sig. (2-tailed) .040 .347 .580 .242 .040 .347 .011
N 10 10 10 10 10 10 10 10
*
item_6 Pearson Correlation .429 .218 .218 .535 .655 1 .509 .746*
Sig. (2-tailed) .217 .545 .545 .111 .040 .133 .013
N 10 10 10 10 10 10 10 10
item_7 Pearson Correlation .218 .111 .333 .272 .333 .509 1 .538
Sig. (2-tailed) .545 .760 .347 .447 .347 .133 .109
N 10 10 10 10 10 10 10 10
skor_total Pearson Correlation .704* .569 .664* .814** .759* .746* .538 1
Sig. (2-tailed) .023 .086 .036 .004 .011 .013 .109
N 10 10 10 10 10 10 10 10
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
b. Realibilitas
Reliability Statistics
Cronbach's
Alpha N of Items
.815 7
Item-Total Statistics
Scale Corrected Cronbach's
Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
item_1 2.90 3.656 .565 .788
item_2 2.70 4.233 .461 .806
item_3 3.10 3.656 .496 .802
item_4 3.00 3.333 .707 .760
item_5 3.10 3.433 .626 .777
item_6 3.30 3.567 .621 .778
item_7 3.50 4.278 .425 .810
MENENTUKAN VALIDITAS DAN RELIABILITAS MENGGUNAKAN EXCEL
No 1 2 3 4 5 6 7 Skor
1 1 1 1 1 0 0 0 4
2 1 1 0 1 1 1 0 5
3 0 1 1 1 0 0 0 3
4 1 1 0 0 0 0 0 2
5 0 1 0 0 0 0 0 1
6 1 1 1 1 1 1 1 7
7 1 1 1 1 1 1 0 6
8 0 0 0 0 0 0 0 0
9 1 1 0 0 1 0 0 3
10 1 1 1 1 1 0 0 5
N 7
n-1 6
0,23333 0,27777 0,26666 0,27777 0,23333
varian butir 3 0,1 8 7 8 3 0,1
jumlah 0,00627
varian skor 3
4,93333
varian skor 3
1,16518
Reliabilitas 3
MENENTUKAN UJI T, ANAVA SATU JALUR DAN ANAVA DUA JALUR
MENGGUNAKAN SPSS
1. Uji t
2. Anova satu Jalur
Anova satu jalur digunakan jika variablenya lebih dari 2, digunakan untuk menguji
perbedaan rata-rata untuk variable yang lebih dari dua. Syaratnya yaitu data harus
berdistribusi normal dan variable harus lebih dari dua.
Langkah yang dilakukan yaitu :
1. Buka variable view
2. Pada kolom nama isi yang pertama pekerjaan yang kedua pendapatan
3. Pada baris pekerjaan diisi :
a. Type : numeric
b. Decimal : 0
c. Values : 1(petani), 2(buruh), dan 3 (lainnya).
d. Measure : nominal
a. Type : numeric
b. Decimal : 0
c. Measure : scale
4. Kemudian buka data view
5. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
6. Untuk menentukan anova satu jalurnya :
a. Klik analyze pada menubar
b. Pilih compare means
c. Kemudian pilih one-way-anova
d. Kemudian akan muncul kotak dialog, pada kotak dialog maka pindahkan pekerjaan
ke factor dan pendapatan ke dependent list
e. Kemudian pilih post hock pada kotak dialog tadi
f. Maka akan muncul kotak dialog baru
g. Kemudian pilih Bonferoni dan Games-Howell lalu continue
h. Lalu klik ok
ANOVA
pendapatan
Sum of
Squares df Mean Square F Sig.
Between 68656754666 34328377333
2 3.883 .037
Groups .333 .167
Within Groups 18566080461 8840990696.
21
7.000 048
Total 25431755928
23
3.333
Multiple Comparisons
Dependent Variable: pendapatan
95% Confidence
Mean Interval
(J) Difference Std. Lower Upper
(I) pekerjaan pekerjaan (I-J) Error Sig. Bound Bound
Bonferro Petani Buruh 47013.27 -
-69583.250 .461 52714.72
ni 1 191881.22
Lainnya -
47013.27 -
130925.750 .033 -8627.78
*
1 253223.72
Contoh kasus :
1. Uji t
Langkah-langkahnya :
Kelompok Kelompok
A B
78 86
80 80
73 93
77 91
90 85
69
3. Selanjutnya pilih data pada menu bar kemudian pilih data analysis
4. Setelahnya akan muncul kotak dialog, pilih t-test: Two-Sample Assuming Equal
Variances
5. Setelahnya akan muncul kotak dialog, maka:
a. Blok data kelompok A untuk range 1
b. Blok data kelompok B untuk range 2
c. Ceklis label
d. Klik ok
Kelompok
Kelompok A B
Mean 77,83333333 87
Variance 50,96666667 26,5
Observations 6 5
Pooled Variance 40,09259259
Hypothesized Mean Difference 0
Df 9
-
t Stat 2,390802237
P(T<=t) one-tail 0,020252042
t Critical one-tail 1,833112933
P(T<=t) two-tail 0,040504085
t Critical two-tail 2,262157163
Keterangan :
t Start sebagai t hitung
t Critical one-tail untuk t tabelnya
kesimpilan :
H0 diterima jika t hitung lebih kecil dari t table
Berdasarkan data diatas maka H0 – nya diterima.
Lainny
Petani Buruh a
122330 122330 310030
100000 322330 233333
252330 122330 310000
200000 252330 252330
192330 222330 310030
192330 252330 333333
252330 363333 310000
252330 463333 552330
2. Selanjutnya pilih data pada menu bar kemudian pilih data analysis
3. Setelahnya akan muncul kotak dialog, pilih Anova: Single Factor kemudian klik ok
4. Setelahnya akan muncul kotak dialog, maka:
a. Blok semua data pada input range
b. Ceklis labels
c. Klik ok
SUMMARY
Varianc
Groups Count Sum Average e
156398 195497, 3,46E+0
Petani 8 0 5 9
212064 265080, 1,36E+1
Buruh 8 6 8 0
261138 326423, 9,47E+0
Lainnya 8 6 3 9
ANOVA
Source of
Variation SS Df MS F P-value F crit
Between 6,87E+1 3,43E+1 3,88286 0,03673
Groups 0 2 0 5 8 3,4668
Within 1,86E+1 8,84E+0
Groups 1 21 9
2,54E+1
Total 1 23
SMP SMA PT
24 45 0
Pria
0 43 0
65 87 55
Wanita 68 53 76
0 76 0
Su Varianc
SUMMARY Count m Average e
Pria 3 69 23 507
14,3333 616,333
3 43 3 3
Wanita 3 207 69 268
65,6666 136,333
3 197 7 3
25,3333 1925,33
3 76 3 3
ANOVA
Source of Variation SS df MS F P-value F crit
7983,73 1995,93 4,66194 3,83785
Rows 3 4 3 3 0,03086 3
3480,93 1740,46 4,06524 0,06050
Columns 3 2 7 4 2 4,45897
3425,06 428,133
Error 7 8 3
14889,7
Total 3 14
MENENTUKAN KORELASI PRODUCK MOMENT, REGRESI LINIER SEDERHANA,
DAN REGRESI LINIER GAANDA MENGGUNAKAN SPSS
a. Type : numeric
b. Decimal : 0
c. Measure : scale
5. Kemudian buka data view
6. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
7. Untuk menentukan korelasinya :
a. Klik analyze pada menubar
b. Pilih correlate
c. Kemudian bevariate
d. Kemudian akan muncul kotak dialog, pada kotak dialog maka pindahkan H0 dan Ha
ke kolom variables
e. Untuk kolom correlation coefficients, pilih pearson, dan pada test of significance
pilih two-tailed .
f. Lalu klik ok
a. Type : numeric
b. Label : partisipasi
c. Decimal : 0
d. Measure : nominal
e. Kemudian buka data view
f. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
5. Untuk menentukan regresi sederhananya :
a. Klik analyze pada menubar
b. Pilih regression, lalu klik linear
c. Kemudian akan muncul kotak dialog, pada kotak dialog pindahkan Y ke kolom
Dependent dan X ke kolom Independents
d. Pada method kita pilih metode enter
e. Kemudian klik statistic, lalu berikan tanda pada estimates dan model fit kemudian
klik continue
f. Lalu klik ok
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
b
1 Trust . Enter
a. Dependent Variable: Partisipasi
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .960 .921 .917 1.192
a. Predictors: (Constant), Trust
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 282.259 1 282.259 198.593 .000b
Residual 24.162 17 1.421
Total 306.421 18
a. Dependent Variable: Partisipasi
b. Predictors: (Constant), Trust
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -25.437 2.414 -10.536 .000
Trust 1.487 .106 .960 14.092 .000
a. Dependent Variable: Partisipasi
3. Menentukan Regresi Linier Ganda menggunakan SPSS
Langkah-langkah menentukan uji regresi ganda menggunakan SPSS yaitu sebagai berikut :
1. Buka aplikasi SPSS
2. Buka variable view
3. Pada kolom nama isi yang pertama X1, yang kedua X2, dan yang ketiga Y
4. Pada baris X1 diisi :
a. Type : numeric
b. Label : motivasi
c. Decimal : 0
d. Measure : scale
a. Type : numeric
b. Label : minat
c. Decimal : 0
d. Measure : scale
a. Type : numeric
b. Label : partisiasi
c. Decimal : 0
d. Measure : scale
5. Kemudian buka data view
6. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
7. Untuk menentukan uji regresi gandanya :
a. Klik analyze pada menubar
b. Pilih regression, lalu klik linear
c. Kemudian akan muncul kotak dialog, pada kotak dialog pindahkan Y ke kolom
Dependent lalu X1 dan X2 ke kolom Independents
d. Lalu klik ok
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .918 .842 .807 3.421
a. Predictors: (Constant), MINAT(X2), MOTIVASI(X1)
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 561.321 2 280.660 23.978 .000b
Residual 105.346 9 11.705
Total 666.667 11
a. Dependent Variable: PRESTASI(Y)
b. Predictors: (Constant), MINAT(X2), MOTIVASI(X1)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.971 11.753 .253 .806
MOTIVASI(
.212 .214 .213 .992 .347
X1)
MINAT(X2) .864 .251 .740 3.441 .007
a. Dependent Variable: PRESTASI(Y)
MENENTUKAN KORELASI PRODUCK MOMENT, REGRESI LINIER SEDERHANA,
DAN REGRESI LINIER GAANDA MENGGUNAKAN SPSS
a. Type : numeric
b. Decimal : 0
c. Measure : scale
5. Kemudian buka data view
6. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
7. Untuk menentukan korelasinya :
a. Klik analyze pada menubar
b. Pilih correlate
c. Kemudian bevariate
d. Kemudian akan muncul kotak dialog, pada kotak dialog maka pindahkan H0 dan Ha
ke kolom variables
e. Untuk kolom correlation coefficients, pilih pearson, dan pada test of significance
pilih two-tailed .
f. Lalu klik ok
a. Type : numeric
b. Label : partisipasi
c. Decimal : 0
d. Measure : nominal
5. Kemudian buka data view
6. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
7. Untuk menentukan regresi sederhananya :
a. Klik analyze pada menubar
b. Pilih regression, lalu klik linear
c. Kemudian akan muncul kotak dialog, pada kotak dialog pindahkan Y ke kolom
Dependent dan X ke kolom Independents
d. Pada method kita pilih metode enter
e. Kemudian klik statistic, lalu berikan tanda pada estimates dan model fit kemudian
klik continue
f. Lalu klik ok
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
b
1 Trust . Enter
a. Dependent Variable: Partisipasi
b. All requested variables entered.
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .960 .921 .917 1.192
a. Predictors: (Constant), Trust
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 282.259 1 282.259 198.593 .000b
Residual 24.162 17 1.421
Total 306.421 18
a. Dependent Variable: Partisipasi
b. Predictors: (Constant), Trust
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -25.437 2.414 -10.536 .000
Trust 1.487 .106 .960 14.092 .000
a. Dependent Variable: Partisipasi
C. Menentukan Regresi Linier Ganda menggunakan SPSS
Langkah-langkah menentukan uji regresi ganda menggunakan SPSS yaitu sebagai berikut :
1. Buka aplikasi SPSS
2. Buka variable view
3. Pada kolom nama isi yang pertama X1, yang kedua X2, dan yang ketiga Y
4. Pada baris X1 diisi :
a. Type : numeric
b. Label : motivasi
c. Decimal : 0
d. Measure : scale
a. Type : numeric
b. Label : minat
c. Decimal : 0
d. Measure : scale
a. Type : numeric
b. Label : partisiasi
c. Decimal : 0
d. Measure : scale
5. Kemudian buka data view
6. Isi datanya (misal data yang diberikan pemateri atau boleh data lain)
7. Untuk menentukan uji regresi gandanya :
a. Klik analyze pada menubar
b. Pilih regression, lalu klik linear
c. Kemudian akan muncul kotak dialog, pada kotak dialog pindahkan Y ke kolom
Dependent lalu X1 dan X2 ke kolom Independents
d. Lalu klik ok
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .918 .842 .807 3.421
a. Predictors: (Constant), MINAT(X2), MOTIVASI(X1)
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 561.321 2 280.660 23.978 .000b
Residual 105.346 9 11.705
Total 666.667 11
a. Dependent Variable: PRESTASI(Y)
b. Predictors: (Constant), MINAT(X2), MOTIVASI(X1)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.971 11.753 .253 .806
MOTIVASI(
.212 .214 .213 .992 .347
X1)
MINAT(X2) .864 .251 .740 3.441 .007
a. Dependent Variable: PRESTASI(Y)
MENENTUKAN KORELASI PRODUCT MOMENT, REGRESI LINEAR SEDERHANA
DAN REGRESI LINEAR GANDA DENGAN EXCEL.
Uji korelasi digunakan untuk mengetahui ada atau tidaknya hubungan antara dua variabel.
Tersapat dua cara yang bisa digunaka dalam mencari uji korelasi product pada excel yaitu
dengan menggunakan rumus uji korelasi productdan dengan menggunakan menu “Data”.
Maka misalnya terdapat sebuah kasus yaitu “Apakah terdapat pengaruh dukungan orang
tua terhadap motivasi berwirausaha”.
Hipotesis:
No Ho Ha
1 7500 7900
2 7700 8000
3 7600 8100
4 7500 8100
5 7400 7900
6 7300 7800
7 7300 7900
8 7200 7700
9 7400 7800
10 7300 7700
11 7500 8000
12 7700 8100
13 7600 8100
14 7400 7900
15 7300 7800
Ho Ha
Ho 1
0,85939
Ha 5 1
Apabila diketahui sebuah data seperti dibawah ini maka untuk mencari regresi linear sederhananya
adalah dengan menu “Data”.
Untuk mencari regresi linear sederhana dengan menggunkan menu “Data” dapat
dilakukan dengan langkah-langkah sebagai berikut :
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,958745
R Square 0,919191
Adjusted R
Square 0,914438
Standard
Error 1,206881
Observatio
ns 19
ANOVA
Significanc
df SS MS F eF
281,659 281,659 193,372 1,0234E-
Regression 1 5 5 8 10
24,7615 1,45656
Residual 17 5 2
306,421
Total 18 1
Apabila diketahui sebuah data seperti dibawah ini maka untuk mencari regresi linear
gandanya adalah dengan menu “Data”.
Untuk mencari regresi linear ganda dengan menggunkan menu “Data” dapat dilakukan
dengan langkah-langkah sebagai berikut :
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,930217
R Square 0,865304
Adjusted R
Square 0,83163
Standard
Error 3,319729
Observation
s 11
ANOVA
df SS MS F Significan
ce F
283,190 25,6964
Regression 2 566,3806 3 5 0,000329
Residual 8 88,16481 11,0206
Total 10 654,5455
A. Uji Normalitas
1. Buka aplikasi spss
2. klik variable view
3. pada name’
a. Kolom pertama ketik X1, desimalnya ganti menjadi nol, pada label ketik IQ, align
menjadi center, measure menjadi scale.
b. Kolom kedua ketik X2, desimalnya ganti menjadi nol, pada label ketik EQ, align
menjadi center, measure menjadi ordinal.
c. Kolom ketiga ketik Y, desimalnya ganti menjadi nol, pada label ketik hasil belajar,
align menjadi center, measure menjadi scale.
4. klik data view, masukkan data yang telah disediakan
B. Uji Homogenitas
5. Klik analyze
6. Klik descriptive statistics, kemudian klik explore
7. Hasil belajar kita pindahkan ke dependent list dan model pembelajaran ke faktor list.
8. Klik plots, kemudian centang untransforment, kemudian klik continiu
9. Klik ok
Kesimpulan :
Karena nilai signifikan lebih dari 0,05 maka data tersebut homogen.
C. Uji Linearitas
1. Buka aplikasi SPSS
2. Klik variable view
3. Pada name,
Kolom pertama ketik X1, desimalnya ganti menjadi nol, pada label ketik IQ,
align ubah menjadi center, measure ubah menjadi scale.
Kolom kedua ketik X2, desimalnya ganti menjadi nol, pada label ketik EQ,
align ubah menjadi center, measure ubah menjadi nominal.
Kolom ketiga Y, desimalnya ganti menjadi nol, pada label ketik hasil belajar,
align ubah menjadi center, measure ubah menjadi scale.
4. Klik data view, masukkan data yang telah disediakan
5. Klik analyze
6. Klik compare means, kemudian klik means.
7. Hasil belajar kita pindahkan ke dependent list kemudian IQ dan EQ ke independent
list.
8. Klik options, kemudian centang test of linearity, kemudian klik continiu.
9. Klik ok.
Kesimpulan:
Karena nilai sig lebih dari 0,05 maka dapat disimpulkan bahwa terdapat hubungan linier.
UJI PRASYARAT ANALISIS MENGGUNAKAN EXCEL
A. Uji Normalitas
1. Buka program Ms. Excel, lalu masukkan data nilai yang sudah ada (data yang
dimasukkan harus satu variabel).
2. Terlebih dahulu urutkan nilai dari yang terkecil hingga terbesar.
k 2
5. Lalu nilai
[∑
i=1
ai ( X n−i +1−X i ) ]
6. Terakhir nilai T3
7. Bandingkan nilai T3 dengan Tabel Shapiro Wilk.
8. Ulangi dengan cara yang sama untuk variabel yang selanjutnya, jika variabelnya lebih
dari satu.
Langkah-langkah Ms. Excel (Kolmogorov sampel > 50)
1. Buka program Ms. Excel, lalu masukkan data nilai yang sudah ada (data yang
dimasukkan harus satu variabel).
2. Terlebih dahulu urutkan nilai dari yang terkecil hingga terbesar.
X− X́
3. Cari nilai Z dengan cara Z= , lalu nilai f(Z) dengan cara ketik =NORMSDIST (klik
SD
nilai Z (sederet dengan nilai f(Z) yang mau dicari)) atau bisa lihat dari tabel Normal Z.
4. Kemudian cari nilai S(Z) dengan cara membagi letak nilai data yang sama dengan
banyaknya sampel (jumlah sampel) (misalnya, nilai data 1 sampai data 3 sama, maka
yang dilihat letak data akhirnya, yaitu 3. Sehingga 3 bagi jumlah sampel) dan terakhir
tinggal cari nilai |S(Z) - f(Z)|.
5. Baru bandingkan nilai L hitung (lihat nilai paling tinggi di |S(Z) - f(Z)|, itulah yang
menjadi nilai L tabelnya) dengan nilai L tabel (lihat di tabel L).
6. Ulangi dengan cara yang sama untuk variabel yang selanjutnya, jika variabelnya lebih
dari satu.
Data
Hasil
Motivasi
No Belajar
(X)
(Y)
1 65 76
2 66 65
3 70 78
4 73 85
5 75 87
6 76 91
7 77 68
8 77 79
9 78 88
10 79 74
11 81 72
12 85 66
13 86 90
14 87 65
15 89 70
16 92 77
Hasil
Untuk mencari D
〖(𝑿_𝒊−
No 𝑿 ̅ )〗^𝟐
X
1 65 -13,5 182,25
2 66 -12,5 156,25
3 70 -8,5 72,25
4 73 -5,5 30,25
5 75 -3,5 12,25
6 76 -2,5 6,25
7 77 -1,5 2,25
8 77 -1,5 2,25
9 78 -0,5 0,25
10 79 0,5 0,25
11 81 2,5 6,25
12 85 6,5 42,25
13 86 7,5 56,25
87
14 8,5 72,25
15 89 10,5 110,25
16 92 13,5 182,25
rata-
rata 78,5
D 934
Untuk
mencari 𝒂_𝒊 𝑿_(𝒏−𝒊 𝑿_𝒊 𝑿_(𝒏−𝒊+𝟏)−𝑿_𝒊 𝒂_𝒊
T3 +𝟏) 〖(𝑿〗_(𝒏−𝒊+𝟏
)−𝑿_𝒊)
I
1 0,5056 92 65 27 13,6512
2 0,329 89 66 23 7,567
3 0,2521 87 70 17 4,2857
4 0,1939 86 73 13 2,5207
5 0,1447 85 75 10 1,447
6 0,1005 81 76 5 0,5025
7 0,0593 79 77 2 0,1186
8 0,0196 78 77 1 0,0196
Jumlah 30,1123
906,7506113
= 0,97082507
𝒀_𝒊−𝒀 ̅ 〖(𝒀_𝒊−
No 𝒀 ̅ )〗^𝟐
Y
-
65
1 11,9375 142,5039063
-
65
2 11,9375 142,5039063
-
66
3 10,9375 119,6289063
4 68 -8,9375 79,87890625
5 70 -6,9375 48,12890625
6 72 -4,9375 24,37890625
7 74 -2,9375 8,62890625
8 76 -0,9375 0,87890625
9 77 0,0625 0,00390625
10 78 1,0625 1,12890625
11 79 2,0625 4,25390625
12 85 8,0625 65,00390625
13 87 10,0625 101,2539063
14 88 11,0625 122,3789063
15 90 13,0625 170,6289063
16 91 14,0625 197,7539063
rata-
rata 76,9375
D 1228,9375
𝒂_
𝒊
I
1 0,5056 91 65 26 13,1456
2 0,329 90 65 25 8,225
3 0,2521 88 66 22 5,5462
4 0,1939 87 68 19 3,6841
5 0,1447 85 70 15 2,1705
6 0,1005 79 72 7 0,7035
7 0,0593 78 74 4 0,2372
8 0,0196 77 76 1 0,0196
Jumlah 33,7317
1137,827585
= 0,9258629
B. Uji Homogenitas
1. Buka program Ms. Excel, lalu masukkan data nilai yang sudah ada di MS. Word.
2. Klik Data pada toolbar, lalu klik Data Analysis, dan pilih F-Test Two-Sample for Variance,
OK.
3. Pada kotak dialog, isi Variable 1 Range dengan data Tes Awal (dari tulisan tes awalnya di
blok) dan Variable 2 Range dengan data Tes Akhir (dari tulisan tes akhirnya di blok),
centang Labels, dan klik Output Range (jika hasil mau satu sheet dengan data, jika tidak
pilih New Worksheet Ply).
4. Terakhir klik OK
Data
No Responden X1(NHT) X2 (Konvensional)
1 35 65
2 37 34
3 27 44
4 29 36
5 31 31
6 30 33
7 27 37
8 36 28
9 37 33
10 24 34
11 26 35
12 29 28
13 31 29
14 36
15 33
Hasil
X2
X1(NHT) (Konvensional)
30,692307
Mean 7 35,73333333
18,897435
Variance 9 81,63809524
Observation
s 13 15
Df 12 14
0,2314781
F 6
P(F<=f) one- 0,0076643
tail 3
F Critical 0,3792010
one-tail 4
C. Uji Linieritas
1. Buka program Ms. Excel, lalu masukkan data nilai yang sudah ada di MS. Word.
2. Terlebih dahulu urutkan nilai X nya dari yang terkecil hingga terbesar dan nilai Y tidak
usah.
3. Kemudian cari Y2, XY, jumlah total (∑), Persamaan Regresi, dan F hitung.
4. Untuk mencari persamaan regresi:
5. Klik Data pada toolbar, lalu klik Data Analysis, dan pilih Regression, OK.
6. Pada kotak dialog, isi Input Y Range dengan data Tes Akhir (dari tulisan tes awalnya di
blok) dan Input X Range dengan data Tes Awal (dari tulisan tes akhirnya di blok),
centang Labels, dan klik Output Range (jika hasil mau satu sheet dengan data, jika tidak
pilih New Worksheet Ply) dan OK.
7. Untuk mencari F hitung:
2
(∑ Y ) ( ∑ X )( ∑ Y )
8. JK (a )=
n
; JK (b /a )=b ( ∑ XY − n )
;
2
(∑ Y )
9. JK ( E) =
(∑ 2
Y −
n ) ; (dicari harus sesuai dengan pembagian data nilai X yang sama.
Jika ada 2 atau 3 atau lebih kelompok data nilai X yang sama, maka carilah nilai JK (E) nya
sesuai banyaknya kelompok data nilai X yang sama. Lalu tinggal ditambahkan atau
dijumlahkan semua nilai JK(E)).
2
10. JK (res )=∑ Y −¿ JK (b /a ) −JK (a ) ¿ JK (TC )=JK (res )−JK ( E )
JK (TC ) JK ( E )
11. S2 TC= S2 e= ; (dimana nilai k adalah berapa banyak kelompok di
k−2 n−k
data nilai X).
S 2 TC
12. Terakhir baru cari nilai F hitung = 2
S e
Data
Hasil
-4,21739
290,4348
34692,1
122,7261
490,0833
496,1739
6,09058
6,09058
70,0119
0,086993
UJI HETEROSKEDASTISITAS (UJI PARK, UJI RHO SPEARMAN, UJI GLESJER)
MENGGUNAKAN SPSS
Uji heteroskedastisitas merupakan bagian dari uji asumsi klasik dalam analisis regresi
yang bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance
(variasi) dari nilai residual satu pengamatan ke pengamatan yang lain.
Sedangkan uji homoskedastisitas digunakan dalam menguji error atau galat dalam model
statistik untuk melihat apakah varians atau keragaman dari error terpengaruh oleh faktor lain
atau tidak.
Maka dapat disimpulkan, jika variasi dari nilai residual satu pengamatan ke pengamatan
lain bersifat berbeda, maka di sebut heteroskedastisitas dan jika variasi dari nilai residual satu
pengamatan ke pengamatan lain bersifat tetap, maka di sebut homoskedastisitas.
Contoh Kasus
Peneliti ingin menguji pengaruh Fisika (X1), Biologi (X2), Matematika (X3) dan SPMB (Y).
Adapun data untuk masing-masing variabel berikut adalah:
Mencari RES_1
Langkah-langkah SPSS
1. Buka program SPSS, klik Variabel Vew. Selanjutnya, pada bagian Name tulis X1, X2,
X3dan Y, pada bagian Desimal ubah semua menjadi 0, pada bagian Labels tuliskan
Fisika, Biologi, Matematika, dan SPMB. Abaikan pada bagian lainnya.
2. Klik Data View dan masukkan data nilai yang sudah ada.
3. Kemudian klik Analyze, lalu Regression, dan pilih Linear.
4. Pada kotak dialog, masukkan Fisika (X1), Biologi (X2), Matematika (X3) ke kotak
Independent List dan SPMB (Y) ke kotak Dependent List.
5. Klik Plots, masukkan ZRESID pada kotak Y dan ZPRED pada kotak X (abaikan pilihan
lainnya), lalu klik Continue.
6. Klik Save dan centang Unstandardized pada bagian Residuals (abaikan pilihan lainnya),
lalu klik Continue.
7. Terakhir klik OK
Langkah-langkah SPSS
No.
Prestasi
Responde Motivasi (X1) Minat (X2)
(Y)
n
1 75 75 80
2 60 70 75
3 65 70 75
4 75 80 90
5 65 75 85
6 80 80 85
7 75 85 95
8 80 88 95
9 65 75 80
10 80 75 90
11 60 65 75
12 67 70 75
Langkah-langkah SPSS
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.568 2.883 1.585 .148
Motivasi
.200 .052 1.237 3.830 .004
(X1)
Minat (X2) -.211 .060 -1.126 -3.486 .007
a. Dependent Variable: ABS_RES
Berdasarkan tabel di atas, diketahui nilai signifikansi untuk variabel Motivasi (X1)
adalah 0,004 dan variabel Minat (X2) adalah 0,007, karena nilai signifikansi (Sig.) < 0,05, maka
kesimpulannya adalah terjadi gejala heteroskedastisitas dalam model regresi.
UJI HETEROSKEDASTISITAS (UJI PARK, UJI RHO SPEARMAN, UJI GLESJER)
MENGGUNAKAN MS. EXCEL
A. UJI PARK
Langkah – langkah pada Ms. Excel
1. Buka program Ms. Excel, lalu masukkan data nilai X1, X2, dan Residual.
2. Setelah dicari nilai Residuals (pada langkah Ms. Excel melihat grafik Scatterplot).
3. Kemudian membuat variabel (kolom) Log Natural, yaitu Log Natural X1, Log Natural
X2, dan Log Natural Kuadrat Residual (karena variabel Xnya ada 2, maka Log
Naturalnya ada 3 kolom) dari variabel (kolom) Motivasi (X1), Minat (X2), dan
Residuals.
4. Untuk mencari Log Natural X1 dan Log Natural X2: Ketik (=LN(klik nilai X1 pada
baris pertama) di samping kolom Residual, dan Enter, lalu tarik hingga ke bawah
sampai data terakhir (ulangi dengan cara yang sama untuk nilai X2 nya).
5. Untuk mencari Log Natural Kuadrat Residual: Ketik (=LN(POWER(klik nilai Residual
pada baris pertama,2), dan Enter, lalu tarik hingga kebawah sampai data terakhir.
6. Selanjutnya klik pada toolbar Data dan klik Data Analysis, lalu pilih Regression dan
OK.
7. Pada kotak dialog: Masukkan data Log Natural Kuadrat Residual ke Input Y Range dan
data Log Natural X1 sama Log Nateral X2 ke Input X Range, centang Labels (abaikan
pada bagian yang lain) dan klik Output Range (jika hasil mau satu sheet dengan data,
jika tidak pilih New Worksheet Ply) dan OK.
Data
Fisik Biolo Matemati SPM
a gi ka B
78 80 81 82
89 90 91 92
78 79 80 81
90 91 92 90
67 78 79 81
78 79 80 81
80 81 82 83
67 70 71 72
77 78 79 80
56 57 60 61
92 87 88 89
67 68 72 73
63 64 65 66
88 89 90 91
83 84 89 90
82 83 84 85
81 82 83 84
69 70 76 77
90 91 92 93
67 77 78 79
63 64 65 66
88 89 90 91
83 84 85 86
66 67 68 69
81 82 83 84
87 88 89 88
92 93 94 95
98 99 94 90
75 77 78 79
80 81 82 79
Hasil
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,992393911
R Square 0,984845674
Observations 30
ANOVA
Significance
df SS MS F F
Regressio 3 2190,9861 730,32872 563,22723 9,23721E-24
n 71 35 1
33,713829 1,2966857
Residual 26 45 48
Total 29 2224,7
B. Uji Rho
Langkah – langkah pada Ms. Excel
1. Buka program Ms. Excel, lalu masukkan data nilai X1, X2, dan Residual.
2. Setelah dicari nilai Residuals (pada langkah Ms. Excel melihat grafik Scatterplot).
3. Kemudian cari nilai Rank X dan Rank Y, dengan cara: ((=RANK.AVG(klik nilai pertama
X1, blok semua data nilai X1, 0), lalu ENTER). Jika tidak bisa menggunakan rumus
tersebut, maka harus dilakukan secara manual seperti di bawah ini:
4. Pisahkan data menjadi dua kelompok, yaitu X1 dengan Residual dan X2 dengan Residual
(nilai residual di sini menjadi nilai Y nya).
5. Copy dan pastekan data X1, lalu urutkan nilai dari yang terbesar ke terkecil, kemudian liat
kembali nilai X yang tadi belum diurutkan dan ketik pada kolom Rank X nya, nilai
pertama menjadi urutan keberapa di nilai yang sudah diurutkan tadi (ulangi sampai nilai
terakhir).
6. Jika ada nilai yang sama, maka dijumlahkan terlebih dahulu dan dibagi dengan jumlah nilai
yang sama).
7. Ulangi hal yang sama untuk nilai Residual atau Y nya.
8. Setelah itu, cari nilai d dengan cara mengurangi nilai Rank X dengan Rank Y (biarkan
tanda negatif, jika hasilnya negatif, karena waktu dikuadratkan akan hilang tanda
negatifnya). Kemudian kuadratkan nilai d nya.
9. Terakhir, carilah nilai rs dengan rumus:
6 ∑ d2
o rs=1−
n ( n2−1 )
Data
1 1 20 20 0 0
2 2 18,5 18,5 0 0
3 3 16,5 16,5 0 0
4 5 14,5 12,5 2 4
5 5 12,5 12,5 0 0
6 6 10,5 9 1,5 2,25
7 6 8,5 9 -0,5 0,25
8 8 6,5 5,5 1 1
9 6 4,5 9 -4,5 20,25
10 10 2,5 2,5 0 0
2 2 18,5 18,5 0 0
3 3 16,5 16,5 0 0
4 4 14,5 15 -0,5 0,25
5 5 12,5 12,5 0 0
6 5 10,5 12,5 -2 4
7 7 8,5 7 1,5 2,25
8 8 6,5 5,5 1 1
9 9 4,5 4 0,5 0,25
10 10 2,5 2,5 0 0
11 11 1 1 0 0
35,5
Hasil
Rho 0,973308
z hitung 4,242552
Alpha 0,05
batas bawah -1,95996
batas atas 1,959964
Kesimpulan sesuai
C. Uji Glejser
Langkah – langkah pada Ms. Excel
1. Setelah dicari nilai Residuals (pada langkah Ms. Excel melihat grafik Scatterplot).
2. Kemudian membuat variabel (kolom) Absolut Residual dari variabel (kolom) Residuals.
3. Ketik (=ABS(klik nilai Residual baris pertama) di samping kolom Residual dan Enter,
lalu tarik hingga ke bawah sampai data terakhir.
4. Selanjutnya klik pada toolbar Data dan klik Data Analysis, lalu pilih Regression dan OK.
5. Pada kotak dialog: Masukkan data Absolut Residual ke Input Y Range dan data X ke
Input X Range, centang Labels (abaikan pada bagian yang lain) dan klik Output Range
(jika hasil mau satu sheet dengan data, jika tidak pilih New Worksheet Ply) dan OK.
Data
Hasil
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,79365655
R Square 0,62989072
Adjusted R
Square 0,54764421
Standard Error 0,8383996
Observations 12
ANOVA
Significance
df SS MS F F
5,38331
Regression 2 10,76663 6 7,658571 0,011415236
0,70291
Residual 9 6,326225 4
Total 11 17,09286
RESIDUAL OUTPUT
Observatio Residual
n Predicted Y s
1 3,76547464 -0,17519
2 1,82019688 -0,54999
3 2,8195896 -0,58863
4 2,71257423 -0,74068
5 1,7666892 1,564527
6 3,71196696 0,276895
7 1,65967383 0,874395
8 2,02732631 -0,93795
9 1,7666892 -0,09791
10 4,76486736 0,684092
11 2,87309729 0,294514
12 3,21934669 -0,60408