1. Uji Normalitas
Pertama diuji normalitas untuk variabel softskill (X1), Hardskill (X2), dan Kesiapan
Kerja (Y) dengan menggunakan uji Kolmogorov-Smirnov, di mana data yang diambil adalah
total keseluruhan dari setiap variabel dengan menggunakan SPSS, di mana dasar
pengambilan keputusannya adalah sebagai berikut :
1. Jika nilai signifikansi (sig.) lebih besar dari 0,05 maka data penelitian berdistribusi
normal
2. Sebaliknya, jika nilai signifikansi (sig.) lebih kecil dari 0,05 maka data penelitian
tidak berdistribusi normal.
Kesiapan Kerja
Softskill (X1) Hardskill (X2) (Y)
N 57 57 57
a,b
Normal Parameters Mean 82,5789 57,9298 62,2807
Std. Deviation 6,15847 5,25717 5,66554
Most Extreme Differences Absolute ,100 ,126 ,095
Positive ,068 ,126 ,080
Negative -,100 -,086 -,095
Test Statistic ,100 ,126 ,095
c,d c
Asymp. Sig. (2-tailed) ,200 ,024 ,200c,d
Dari hasil analisis data menggunakan SPSS terlihat dari tabel one-sample Kolmogorov-
Smirnov Test di atas terlihat bahwa :
- nilai signifikansi Asymp. Sig (2-tailed) untuk variabel softskill (X1) sebesar 0,200 >
0,05. Maka sesuai dengan dasar pengambilan keputusan dalam uji normalitas
Kolmogorov-Smirnov di atas, dapat disimpulkan bahwa data berdistribusi normal
untuk variabel Softskill (X1)
- nilai signifikansi Asymp. Sig (2-tailed) untuk variabel hardskill (X2) sebesar 0,024 <
0,05. Maka sesuai dengan dasar pengambilan keputusan dalam uji normalitas
Kolmogorov-Smirnov di atas, dapat disimpulkan bahwa data berdistribusi tidak
normal untuk variabel Hardskill (X2)
- nilai signifikansi Asymp. Sig (2-tailed) untuk variabel Kesiapan Kerja (Y) sebesar
0,200 > 0,05. Maka sesuai dengan dasar pengambilan keputusan dalam uji normalitas
Kolmogorov-Smirnov di atas, dapat disimpulkan bahwa data berdistribusi normal
untuk variabel Kesiapan Kerja (Y)
dari hasil uji normalitas ketiga variabel yaitu softskill (X1), Hardskill (X2), dan Kesiapan
Kerja (Y) di atas terlihat bahwa variabel Hardskill berdistribusi normal, dari data di atas
sebenarnya terdistribusi normal tapi kita perlu melakukan uji normalitas dengan
unstandarized residual.
Ketiga variabel di atas dikeluarkan nilai unstandarized residual dengan cara meregresikan
ketiga variabel tersebut, dengan melihat normality Probability Plot.
Dasar pengambilan keputusan uji Normalitas Probabiltiy Plot yaitu menurut Imam Ghozali
(2011; 161) Model regresi dikatakan berdistribusi normal jika data ploting (titik-titik) yang
menggambarkan data sesungguhnya mengikuti garis diagonal, untuk data penelitian ini
berikut hasil uji normalitas probability plot
Dari hasil analisis menggunakan SPSS di atas terlihat bahwa titik-titik (ploting) menggikuti
garis diagonal, maka dapat disimpulkan hasil uji regresi berditribusi normal. Untuk lebih
meyakinkan dalam pengambilan keputusan uji normalitas dilakukan uji normalitas
Kolmogorov Smirnov data unstandarized residual dari ketiga variabel hasil regresi di atas.
Uji Kolomogorov Smirnov
Unstandardized
Residual
N 57
a,b
Normal Parameters Mean ,0000000
Std. Deviation 3,80937712
Most Extreme Differences Absolute ,114
Positive ,114
Negative -,068
Test Statistic ,114
Asymp. Sig. (2-tailed) ,063c
Dasar pengambilan keputusan untuk uji Normalitas Kolmogorov Smirnov yaitu sebagai
berikut :
1. Jika nilai signifikansi (sig.) lebih besar dari 0,05 maka data penelitian berdistribusi
normal
2. Sebaliknya, jika nilai signifikansi (sig.) lebih kecil dari 0,05 maka data penelitian
tidak berdistribusi normal.
Dari hasil analisis data menggunakan SPSS terlihat dari tabel one-sample Kolmogorov-
Smirnov Test di atas terlihat bahwanilai signifikansi Asymp. Sig (2-tailed) sebesar 0,063
lebih besar dari 0,05. Maka sesuai dengan dasar pengambilan keputusan dalam uji
normalitas Kolmogorov-Smirnov di atas, dapat disimpulkan bahwa data berdistribusi
normal. Dengan demikian, asumsi atau persyaratan normalitas dalam model regresi sudah
terpenuhi.
2. Uji Multikolinieritas
Uji Multikolinearits dengan melihat nilai tolerance dan VIF SPSS. Uji multikolinearitas
dalam penelitian ini adalah untuk menguji apakah model regresi ditemukan adanya
korelasi (hubungan kuat) antara variabel bebas atau variabel independent. Model regresi
yang baik seharusnya tidak terjadi korelasi diantara variabel bebas atau tidak terjadi
gejala multikolinearitas.
Untuk mendeteksi ada tidaknya gejala multikolinearitas dalam model regresi, maka dapat
dilakukan dengan beberapa cara, yaitu :
1. Melihat nilai korelasi antar variabel independent
2. Melihat nilai condition index dan eigenvalue
3. Melihat nilai tolerance dan variance inflating factor (VIF).
Untuk analisis ini menggunakan cara ke-3 yaitu melihat nilai tolerance dan VIF
menggunakan SPSS.
Berikut pedoman pengambilan keputusan berdasarkan nilai tolerance :
1. Jika nilai tolerance lebih besar dari 0,10 maka artinya tidak terjadi multikolinearitas
dalam model regresi
2. Jika nilai tolerance lebih kecil dari 0,10 maka artinya terjadi multikolinearitas dalam
model regresi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients t Sig. Collinearity Statistics
3. Uji Heteroskedastisitas
Uji heteroskedasitisitas merupakan bagian 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. Jika variance dari
nilai residual satu pengamtan ke pengamatan lain bersifat tetap, maka disebut
homoskedasitisitas, namun jika variance dari nilai residual satu pengamatan ke
pengamatan lain berbeda maka disebut heteroskedasitisitas. Model regresi yang baik
seharusnya tidak terjadi gejala heteroskesitisitas.
Salah satu cara mendeteksi ada tidaknya gejala heteroskeastisitas dalam model regresi
adalah dengan melakukan uji glesjer. Prinsip kerja uji heteroskedasitisitas menngunakan
uji glesjer ini adalah dengan cara meregresikan variabel indpeendent terhadap nilai
absolute residual atau Abs_RES dengan rumus persamaan regresinya adalah :
|Ut|=a+ BXt +t
Dasar pengambilan keputusan dalam uji heteroskedastisitas dengan menggunakan uji
glesjer adalah sebagai berikut :
1. Jika nilai signifikansi (sig.) lebih besar dari 0,05, maka kesimpulannya adalah tidak
terjadi gelaja heteroskeasitiasitas dalam model regresi.
2. Sebalikny, jika nilai signifikansi (sig.) lebih kecil dari 0,05, maka kesimpulannya
adalah terjadi gejala heteroskedasitistas dalam model regresi.
Berikut ini hasil analisis data penelitian dengan menggunakan SPSS
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Berdasarkan output Coefficients di atas diketahui nilai signifikansi (sig.) untuk variabel
softskill (X1) adalah 0,564 > 0,05. Sementara, nilai signifikansi (sig.) untuk variabel hardskill
(X2) adalah 0,783 > 0,05. Karena nilai signifikansi kedua variabel di atas lebih besar dari
0,05 maka sesuai dengan dasar pengambilan keputusan dalam uji glesjer, dapat disimpulkan
bahwa tidak terjadi gejala heteroskedasitisitas dalam model regresi atau homoskedasitisitas.
4. Uji autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada
periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem
autokorelasi.
Pada data crossection (silang waktu) yang tidak berkaitan dengan time series dapat
digunakan pendekatan uji Durbin-Watson (DW Test) (Ghozali, 2013:110).
Untuk mendeteksi ada tidaknya autokorelasi dalam penelitian ini digunakan uji Durbin-
Watson (DW Test). Menurut Ghozali (2013:110), pengambilan keputusan ada tidaknya
autokorelasi dapat dilihat melalui kriteria berikut :
1. Nilai D-W di bawah -2 berarti diindikasikan ada autokorelasi positif
2. Nilai D-W di antara -2 sampai 2 berarti diindikasikan tidak ada autokorelasi
3. Nilai D-W di atas 2 berarti diindikasikan ada autokorelasi negatif.
Dari hasil analisis Durbin-Watson dengan menggunakan SPSS dalam penelitian ini,
hasilnya sebagai berikut :
Model Summaryb
Dari tabel output Model Summary di atas terlihat bahwa nilai D-W adalah sebesar 1,793,
di mana berdasarkan kriteria di atas nilai tersebut di antara -2 sampai 2 yang artinya
diindikasi tidak ada autokorelasi.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Tabel Coefficients memberikan informasi tentang persamaan regresi dan ada tidaknya
pengaruh variabel sofskill (X1) dan hardskill (X2) secara parsial (sendiri-sendiri)
terhadap variabel kesiapan kerja (Y). Adapun rumus persamaan regresi dalam analisis
atau penelitian ini adalah sebagai berikut :
Y =a+b 1 x 1+b 2 x 2
Y =4,624+ 0,406 x 1 +0,416 x 2
Keterangan :
Y = Kesiapan kerja yang diprediksi
a = konstanta
b1, b2 = koefisien regresi
x1 = softskill
x2 = hardskill
Standardized
Unstandardized Coefficients Coefficients
Dari tabel output Coefficients di atas, kita akan melakukan uji untuk mengetahui apakah
variabel Softskill (X1) dan variabel Hardskill (X2) secara parsial berpengaruh terhadap
variabel kesiapan kerja (Y). Adapun hipotesis yang kita ajukan dalam penelitian ini
adalah :
1. H1 atau hipotesis pertama : ada epngaruh softskill (X1) terhadap kesiapan kerja (Y)
2. H2 atau hipotesis kedua : ada pengaruh hardskill (X2) terhadap kesiapan kerja (Y)
Standardized
Unstandardized Coefficients Coefficients
Dari tabel distribusi nilai t tabel statistik maka ditemukan nillai t tabel sebesar
2,00247. Artinya t hitung variabel softskill (X1) 3,871 > 2,00247, maka dapat
dismpulkan bahwa H1 atau hipotesis pertama diterima. Artinya ada pengaruh softskill
(X1) terhadap kesiapan kerja (Y).
Standardized
Unstandardized Coefficients Coefficients
Dari tabel distribusi nilai t tabel statistik maka ditemukan nillai t tabel sebesar
2,00247. Artinya t hitung variabel hardskill (X2) 3,383 > 2,00247, maka dapat
dismpulkan bahwa H2 atau hipotesis kedua diterima. Artinya ada pengaruh hardskill
(X2) terhadap kesiapan kerja (Y).
Total 1797,509 56
Catatan : F tabel di cari pada distribusi nilai F tabel statistik pada signifikansi 5% atau
0,05 dengan menggunakan rumus Ftabel = (k ; n – k). Dimana k adalah jumlah
variabel bebas (X) sementara n adalah jumlah responden atau sampel penelitian.
Dalam penelitian ini jumlah k adalah 2 yakni softskill (X1) dan hardskill (X2).
Sementara jumlah n adalah 57 orang siswa (responden). Selanjutnya nilai ini
kita masukan ke dalam rumus maka menghasilkan angka (2 ; 57 – 2) = (2 ; 55),
angka ini kemudian kita jadikan acuan untuk mencari atau melihat nilai F tabel
pada distribusi nilai F tabel statistik.
Setelah kita mengetahui bawha ada pengaruh simultan, maka selanjutnya kita akan
mencari % pengaruh yang diberikan kedua variabel tersebut secara simultan.
Berikut hasil output SPSS Analisis Regresi Berganda :
Model Summary
Dalam hal ini kita mengacu pada nilai R Square yang terdapat pada tabel Model
Summary di atas.
Berdasarkan tabel output SPSS “Model Summary” di atas diketahui nilai koefisien
determinasi atau R Square adalah sebesar 0,548. Nilai R Square ini berasal dari
pengkuadratan nilai koefisien korelasi atau R, yaitu 0,740 x 0,740 = 0,548. Besarnya
angka koefisien determinasi (R Square) adalah 0,548 atau sama dengan 54,8%. Angka
tersebut mengandung arti bahwa variabel softskill (X1) dan variabel Hardskill (X2)
secara simultan (bersama-sama) berpengaruh terhadap variabel Kesiapan Kerja (Y)
sebesar 54,8%. Sedangkan sisanya (100% - 54,8% = 45,2%) dipengaruhi oleh variabel
lain di luar persamaan regresi ini atau variabel yang tidak diteliti.
Perlu dipahami bahwa pengaruh variabel X atau sering disebut dengan sumbangan
prediktor pada dasarnya merupakan penjabaran dari besarnya kontribusi pengaruh
(dalam hitungan persen %) dari masing-masing variabel bebas terhadap variabel terikat.
Dalam statistik sumbangan prediktor ini dikelompokkan menjadi 2 (dua) maca, yaitu
sumbangan efektif (SE) serta sumbangan relatif (SR).
Correlations
Kesiapan Kerja
Softskill (X1) Hardskill (X2) (Y)
Softskill (X1) Pearson Correlation 1 ,598** ,672**
N 57 57 57
**
Hardskill (X2) Pearson Correlation ,598 1 ,650**
Sig. (2-tailed) ,000 ,000
N 57 57 57
Kesiapan Kerja (Y) Pearson Correlation ,672** ,650** 1
N 57 57 57
Dari perhitungan sebelumnya telah di dapat R Square, Koefisien regresi sehingga kita
dapat membuat ringkasan untuk mempermudah menghitung SE dan SR .
Berdasarkan hasil perhitungan di atas dapat diketahui bahwa sumbangan efektif (SE)
variabel softskill (X1) terhadap kesipana kerja (Y) adalah sebesar 29,70%. Sementara
sumbangan efektif (SE) variabel hardskill (X2) terhadap kesiapan kerja (Y) adalah
sebesar 25,09%. Dengan demikian dapat disimpulkan bahwa variabel X1 memiliki
pengaruh lebih dominan terhadap variabel Y daripada variabel X2.
Menghitung Sumbangan Relatif
SE ( X ) %
SR ( X ) %=
Rsquare
Berdasarkan perhitungan di atas dapat diketahui bahwa sumbangan relatif (SR) variabele
softskill (X1) terhadap kesiapan kerja (Y) adalah sebesar 54,20%. Sementara sumbangan
relatif hardskill (X2) terhadap kesiapan kerja (Y) adalah sebesar 45,78% untuk total SR
adalah sebesar 100% atau sama dengan 1.