Intrepretasi data

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.

One-Sample Kolmogorov-Smirnov Test

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

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

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

One-Sample Kolmogorov-Smirnov Test

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

a. Test distribution is Normal.

b. Calculated from data.
c. Lilliefors Significance Correction.

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

Pedoman keputusan berdasarkan nilai VIF

1. Jika nilai VIF < 10,00 maka artinya tidak terjadi multikolinearitas dalam model
regresi
2. Jika nilai VIF > 10,00 maka artinya terjadi multikolinearitas dalam model regresi

Berikut hasil analisis menggunakan SPSS

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients t Sig. Collinearity Statistics

Model B Std. Error Beta Tolerance VIF

1 (Constant) 4,624 7,236 ,639 ,526

Softskill (X1) ,406 ,105 ,442 3,871 ,000 ,643 1,555

Hardskill (X2) ,416 ,123 ,386 3,383 ,001 ,643 1,555

a. Dependent Variable: Kesiapan Kerja (Y)

Berdasarkan tabel output coefficients di atas pada bagian “Collinearity Statistics”

diketahui nilai Tolerance untuk variabel Softskill (X1) dan Hardskill (X2) adalah 0,643
lebih besar dari 0,10. Sementara, nilai VIF untuk variabel Softskill (X1) dan Hardskill
(X2) adalah 1,555 < 10,00. Maka berdasarkan pedoman pengambilan keputusan dalam uji
multikolinearitas dapat dismpulkan bahwa tidak terjadi gejala multikolinearitas dalam
model regresi.

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

Model B Std. Error Beta t Sig.

1 (Constant) 7,472 4,842 1,543 ,129

Softskill (X1) -,041 ,070 -,098 -,581 ,564

Hardskill (X2) -,023 ,082 -,046 -,276 ,783

a. Dependent Variable: Abs_Res

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

Adjusted R Std. Error of the

Model R R Square Square Estimate Durbin-Watson

1 ,740a ,548 ,531 3,87928 1,793

a. Predictors: (Constant), Hardskill (X2), Softskill (X1)

 b. Dependent Variable: Kesiapan Kerja (Y)

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.

5. Uji regresi berganda

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4,624 7,236 ,639 ,526

Softskill (X1) ,406 ,105 ,442 3,871 ,000

Hardskill (X2) ,416 ,123 ,386 3,383 ,001

a. Dependent Variable: Kesiapan Kerja (Y)

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

Persamaan regresi di atas dapat di jelaskan sebagai berikut :

- Konstanta sebesar 4,624; artinya jika softskill (X1) dan hardskill (X2) nilainya adalah
0, maka kesiapan kerja (Y) nilaianya adalah 4,624
- Koefisien regresi variabel softskill (X1) sebesar 0,406; artinya jika variabel
independen lain nilainya tetap dan softskill (X1) mengalami kenaikan 1%, maka
kesiapan kerja (Y) akan mengalami kenaikan sebesar 0,406. Koefisien bernilai positif
artinya terjadi hubungan positif antara softskill (X 1) dengan kesiapan kerja (Y),
semakin naik sofskill (X1) maka kesiapan kerja semakin naik.
- Koefisien regresi variabel hardskill (X2) sebesar 0,416; artinya jika variabel
independen lainnnya tetap dan hardskill mengalami kenaikan 1%, maka kesiapan
kerja (Y) akan mengalami peningkatan sebesar 0,416. Koefisien bernilai positif
artinya terjadi hubungan positif antara hardskill (X2) dengan kesiapan kerja, semakin
naik hardskill (X2) maka semakin meningkat kesiapan kerja (Y)
 Berdasarkan ketiga output di atas, maka kita dapat membuat ringkasan hasil analisis
regresi multiples seperti pada tabel di bawah ini :

Ringkasan Analisis Regresi Berganda

Variabel Koefisien Regresi Thitung Sig.
Konstanta 4,624
X1 0,406 3,871 0,000
X2 0,416 3,383 0,001
Fhitung = 32,723 0,000
R Square = 0,548

6. Uji parsial (uji t)

Uji t merupakan salah satu uji hipotesi penelitian dalam analisis regresi linear berganda.
Uji t bertujuan untuk mengetahui apakah variabel bebas (X) secara parsial (sendiri-
sendiri) berpengaruh terhadap variabel terikat (Y).
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4,624 7,236 ,639 ,526

Softskill (X1) ,406 ,105 ,442 3,871 ,000

Hardskill (X2) ,416 ,123 ,386 3,383 ,001

a. Dependent Variable: Kesiapan Kerja (Y)

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)

Dasar pengambilan keputusan uji t parsial dalam analisis regresi

Dalam hal ini ada dua acuan yang dapat kita pakai sebagai dasar pengambilan keputusan,
pertama dengan melihat nilai signifikansi (sig.), dan kedua membandingkan antara nilai t
hitung dengan t tabel.

Berdasarkan nilai signifikansi (Sig.)

1. Jika nilai signifikansi (Sig.) < probabilitas 0,05 maka ada pengaruh variabel bebas (X)
terhadap variabel terikat (Y) atau hipotesis diterima
2. Jika nilai signifikasni (Sig.) > probabilitias 0,05 maka tidak ada pengaruh variabel
bebas (X) terhadap variabel terikat (Y) atau hipotesis ditolak

Berdasarkan perbandingan Nilai t hitung dengan t tabel

1. Jika nilai t hitung > t tabel maka ada pengaruh variabel bebas (X) terhadap variabel
terikat (Y) atau hipotesis diterima.
2. Jika nilai t hitung < t tabel maka tidak ada pengaruh variabel bebas (X) terhadap
variabel terikat (Y) atau hipotesis ditolak.
1. Melakukan uji t parsial (uji t pertama “hardskill”)
Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4,624 7,236 ,639 ,526

Softskill (X1) ,406 ,105 ,442 3,871 ,000

Hardskill (X2) ,416 ,123 ,386 3,383 ,001

a. Dependent Variable: Kesiapan Kerja (Y)

Uji t pertama dilakukan untuk mengetahui apakah ada pengaruh softskill (X1)
terhadap kesiapan kerja (Y)

Berdasarkan nilai signifikansi

Berdasarkan tabel output SPSS Coefficients di atas diketahui nilai signifikansi (sig.)
variabel softskill (X1) adalah sebesar 0,000. Karena nilai sig. 0,000 < probabilitas
0,05, maka dapat disimpulkan bahwa H1 atau hipotesis pertama diterima. Artinya ada
pengaruh softskill (X1) terhadap kesiapan kerja (Y)

Perbandingan nilai t hitung dengan t tabel (uji t pertama)

Berdasarkan output SPSS di atas diketahui nilai t hitung variabel softskill (X1) adalah
sebesar 3,871.

Rumus untuk mencari nilai t tabel

α
(
t tabel= ; n−k−1
2 )
0,05
(
t tabel=
2
; 57−2−1 )
t tabel= ( 0,025; 54 )

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).

2. Melakukan uji t parsial (uji t kedua “softskill”)

3. Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4,624 7,236 ,639 ,526

Softskill (X1) ,406 ,105 ,442 3,871 ,000

Hardskill (X2) ,416 ,123 ,386 3,383 ,001

a. Dependent Variable: Kesiapan Kerja (Y)

 Uji t kedua dilakukan untuk mengetahui apakah ada pengaruh hardskill (X2) terhadap
kesiapan kerja (Y)

Berdasarkan nilai signifikansi

Berdasarkan tabel output SPSS Coefficients di atas diketahui nilai signifikansi (sig.)
variabel hardskill (X2) adalah sebesar 0,001. Karena nilai sig. 0,001 < probabilitas
0,05, maka dapat disimpulkan bahwa H2 atau hipotesis kedua diterima. Artinya ada
pengaruh hardskill (X2) terhadap kesiapan kerja (Y)

Perbandingan nilai t hitung dengan t tabel (uji t pertama)

Berdasarkan output SPSS di atas diketahui nilai t hitung variabel hardskill (X2)
adalah sebesar 3,383.

Rumus untuk mencari nilai t tabel

α
(
t tabel= ; n−k−1
2 )
0,05
(
t tabel=
2 )
; 57−2−1
t tabel= ( 0,025; 54 )

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).

7. Uji simultan (F)

Uji F berguna untuk menguji apakah ada pengaruh variabel softskill (X1) dan hardskill
(X2) secara simultan terhadap variabel kesiapan kerja (Y) (artinya pengaruh gabungan
dari variabel softskill (X1) dan hardskill (X2) terhadap variabel kesiapan kerja (Y))

Rumusan hipotesis dalam uji F Simultan

Adapun hipotesis yang diajukan dalam uji F ini adalah “ada pengaruh softskill (X1) dan
hardskill (X2) secara simultan terhadap kesiapan kerja (Y)

Dasar pengambilan keputusan dalam uji F

Ada dua cara yang digunakan sebagai acuan atau pedoman untukmelakukan uji hipotesis
dalam uji F yaitu :
1. Berdasarkan nilai signifikansi (sig.) dari output Anova
1) jika nilai sig. < 0,05, maka hipotesis diterima. Maka artinya softskill (X1) dan
hardskill (X2) secara simultan berpengaruh terhadap kesiapan kerja (Y)
2) jika nilai sig. > 0,05, maka hipotesis ditolak. Maka artinya softskill (X1) dan
hardskill (X2) secara simultan tidak berpengaruh terhadap kesiapan kerja (Y)

2. Berdasarkan perbandingan nilai F hitung dengan F tabel

 1) jika nilai F hitung > F tabel, maka hipotesis diterima. Maka artinya softskill (X1)
dan hardskill (X2) secara simultan berpengaruh terhadap kesiapan kerja (Y)
2) jika nilai F hitung < F tabel, maka hipotesis ditolak. Maka artinya softskill (X1)
dan hardskill (X2) secara simultan tidak berpengaruh terhadap kesiapan kerja (Y).

Pengambilan keputusan uji F Simultan dalam Analisis Regresi Linear Berganda

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 984,873 2 492,436 32,723 ,000b

Residual 812,636 54 15,049

Total 1797,509 56

a. Dependent Variable: Kesiapan Kerja (Y)

b. Predictors: (Constant), Hardskill (X2), Softskill (X1)

1. berdasarkan nilai signifikansi (sig.) dari output Anova

berdasarkan tabel output SPSS di atas diketahui nilai sig. adalah sebesar 0,000.
Karena nilai sig. 0,000 < 0,05, maka sesuai dengan dasar pengambilan keputusan
dalam uji F dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain
softskill (X1) dan hardskill (X2) secara simultan berpengaruh terhadap kesiapan kerja
(Y).

2. Berdasarkan perbandingan nilai F hitung dengan F tabel

Berdasarkan tabel output di atas diketahui nilai F hitung adalah sebesar 32,723.
Karena nilai F hitung 32,723 > F tabel 3,16, maka sebagaimana dasar pengambilan
keputusan dalam uji F dapat dismpulkan bahwa hipotesis diterima atau dengan kata
lain softskill (X1) dan hardskill (X2) secara simultan berpengaruh terhadap kesiapan
kerja (Y).

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

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 ,740a ,548 ,531 3,87928

a. Predictors: (Constant), Hardskill (X2), Softskill (X1)

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**

Sig. (2-tailed) ,000 ,000

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

Sig. (2-tailed) ,000 ,000

N 57 57 57

**. Correlation is significant at the 0.01 level (2-tailed).

Dari perhitungan sebelumnya telah di dapat R Square, Koefisien regresi sehingga kita
dapat membuat ringkasan untuk mempermudah menghitung SE dan SR .

Koefisien Regresi Koefisien Korelasi

Variabel Rsquare
(Beta) (r)
Softskill (X1) 0,442 0,672 0,548
Hardskill (X2) 0,386 0,650

Menghitung sumbangan efektif (SE)

SE (X)% = Betax x rxy x 100%

Sumbangan efektif variabel softskill (X1) terhadap kesiapan kerja (Y)

SE (X1)% = BetaX1 x rxy x 100%
SE (X1)% = 0,442 x 0,672 x 100%
SE (X1)% = 29,70%

Sumbangan efektif variabel hardskill terhadap kesiapan kerja (Y)

SE (X2)% = BetaX2 x rxy x 100%
SE (X2)% = 0,386 x 0,650 x 100%
SE (X2)% = 25,09%

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

Sumbangan Relatif Variabel Softskill (X1) terhadap kesiapan kerja (Y)

 SE ( X 1 ) %
SR ( X 1 ) %=
R square
29,70 %
SR ( X 1 ) %=
0,548
SR ( X 1 ) %=54,20 %

Sumbangan Relatif Variabel Hardskill (X2) terhadap kesiapan kerja (Y)

SE ( X 2 ) %
SR ( X 2 ) %=
R square
25,09 %
SR ( X 2 ) %=
0,548
SR ( X 2 ) %=45,78 %

Sumbangan Relatif (SR) total dapat dihitung sebagai berikut :

SRTotal =SR ( X 1 ) + SR ( X 2 )
SRTotal =54,20 %+ 45,78 %
SRTotal =99,78 %=100 %

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.

Ghozali, I. (2006). Aplikasi Analisis Multivariate dengan Program SPSS. Semarang:

Badan Penerbit Universitas Diponegoro