M11 Uji Asumsi Klasik 3 - 2

UJI ASUMSI KLASIK untuk M10
 ANALISIS DESKRIPTIF
Statistik deskriptif menggambarkan tentang ringkasan data-data penelitian seperti mean, standar
deviasi, varian, modus dll. Dalam program SPSS digunakan juga ukuran skewness dan kurtosis
untuk menggambarkan distribusi data apakah normal atau tidak, selain ada beberapa pengujian
untuk mengetahui normalitas data dengan uji Kolmogorov-Smirnov dan Shapiro-Wilk. Dalam
pembahasan ini hanya akan dilakukan analisis deskriptif dengan memberikan gambaran data
tentang jumlah data, minimum, maksimum, mean, dan standar deviasi.
Contoh kasus:
Sebagai contoh kasus mengambil kasus yang sama pada uji normalitas dengan mengurangi satu
variabel yaitu ROI. Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara
rasio keuangan PER terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear. Sebelum dilakukan analisis maka akan
dilakukan analisis deskriptif dengan meringkas data dan menyajikannya dalam bentuk tabel dan
grafik. Data-data penelitian adalah sebagai berikut:
Tabel. Tabulasi Data (Data Fiktif)
Tahun Harga Saham PER

1990 8300 4.90
1991 7500 3.28
1992 8950 5.05
1993 8250 4.00
1994 9000 5.97
1995 8750 4.24
1996 10000 8.00
1997 8200 7.45
1998 8300 7.47
1999 10900 12.68
2000 12800 14.45
2001 9450 10.50
2002 13000 17.24
2003 8000 15.56
2004 6500 10.85
2005 9000 16.56
2006 7600 13.24
2007 10200 16.98
program SPSS
Harjanto Sutedjo Dr.SSI.MMSI hal 1

 maka hasil output yang didapat adalah sebagai berikut:
Tabel. Hasil Statistik Deskriptif
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
Descriptive Statistic, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows and
Columns)
Dari tabel di atas dapat dilihat bahwa variabel harga saham dengan jumlah data (N) sebanyak 18
mempunyai harga saham rata-rata Rp.9.150,-; dengan harga saham minimal Rp.6.500,- dan
maksimal Rp.13.000,-. sedangkan standar deviasinya sebesar Rp.1.714,-. Variabel PER dengan
jumlah data (N) sebanyak 18 mempunyai prosentase rata-rata sebesar 9,9122%; dengan nilai
minimal 3,28% dan maksimal 17,24% sedangkan standar deviasinya sebesar 4,9193%.
 UJI 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. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (uji
DW) dengan ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang
berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak
ada autokorelasi.
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak
menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang bergantung banyaknya
observasi dan banyaknya variabel yang menjelaskan.
Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada pembahasan
sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji normalitas, multikolinearitas, dan
heteroskedastisitas maka selanjutnya akan dilakukan pengujian autokorelasi.

program SPSS
 hasil output pada Model Summary sebagai berikut:
Tabel. Hasil Uji Durbin-Watson
Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1,387.
Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 18, seta k = 2 (k adalah
jumlah variabel independen) diperoleh nilai dL sebesar 1,046 dan dU sebesar 1,535 (lihat
lampiran). Karena nilai DW (1,387) berada pada daerah antara dL dan dU, maka tidak
menghasilkan kesimpulan yang pasti (berada di daerah keragu-raguan).
 UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi
klasik heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua
pengamatan pada model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah
tidak adanya gejala heteroskedastisitas. Ada beberapa metode pengujian yang bisa digunakan
diantaranya yaitu Uji Park, Uji Glesjer, Melihat pola grafik regresi, dan uji koefisien korelasi
Spearman.
a) Uji Park
Metode uji Park yaitu dengan meregresikan nilai logaritma natural dari residual kuadrat (Lne2)
dengan variabel independen (X1 dan X2).
Kriteria pengujian adalah sebagai berikut:
1. Ho : tidak ada gejala heteroskedastisitas

2. Ha : ada gejala heteroskedastisitas
3. Ho diterima bila Signifikansi > 0,05 berarti tidak terdapat

heteroskedastisitas dan Ho ditolak bila Signifikansi < 0,05 yang
berarti terdapat heteroskedastisitas.
b) Uji Glejser
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut
residualnya (ABS_RES). Jika nilai signifikansi antara variabel independen dengan absolut
residual lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas.
Contoh kasus:
Akan dilakukan analisis regresi linier berganda untuk mengetahui pengaruh biaya produksi,
distribusi, dan promosi terhadap tingkat penjualan. Dengan ini sebe lumnya akan dilakukan uji
asumsi klasik heteroskedastisitas dengan metode uji Glejser. Data sebagai berikut:
Tingkat Biaya Biaya Biaya

Tahun penjualan produksi distribusi promosi
1996 127300000 37800000 11700000 8700000
1997 122500000 38100000 10900000 8300000
1998 146800000 42900000 11200000 9000000
1999 159200000 45200000 14800000 9600000
2000 171800000 48400000 12300000 9800000
2001 176600000 49200000 16800000 9200000
2002 193500000 48700000 19400000 12000000
2003 189300000 48300000 20500000 12700000
2004 224500000 50300000 19400000 14000000
2005 239100000 55800000 20200000 17300000
2006 257300000 56800000 18600000 18800000
2007 269200000 55900000 21800000 21500000
2008 308200000 59300000 24900000 21700000
2009 358800000 62900000 24300000 25900000
2010 362500000 60500000 22600000 27400000
Langkah-langkah analisis pada SPSS sebagai berikut:
 Inputkan data di SPSS

 Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik Analyze >>
Regression >> Linear
 Pada kotak dialog Linear Regression, masukkan variabel Tingkat penjualan ke kotak
Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya
promosi ke kotak Independent(s).
 Klik tombol Save, selanjutnya akan terbuka kotak dialog ‘Linear Regression: Save’
 Pada Residuals, beri tanda centang pada ‘Unstandardized’. Kemudian klik tombol
Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK. Hiraukan hasil
output SPSS, Anda buka input data, disini akan bertambah satu variabel yaitu residual
(RES_1).

 Langkah selanjutnya mencari nilai absolute residual dari nilai residual di atas, caranya
klik menu Transform >> Compute Variable.
 Pada kotak Target Variable, 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 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.
 Langkah selanjutnya meregresikan nilai variabel independen dengan absolute residual.
Caranya klik Analyze >> Regression >> Linear.
 Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan varibel Biaya
produksi, Biaya distribusi, dan Biaya promosi ke kotak Independent(s). Selanjutnya klik
tombol OK. Maka hasil pada output Coefficient seperti berikut:
Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel independen lebih dari
0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada
model regresi.
c) Melihat pola titik-titik pada scatterplots regresi

Metode ini yaitu dengan cara melihat grafik scatterplot antara standardized predicted value
(ZPRED) dengan studentized residual (SRESID). Ada tidaknya pola tertentu pada grafik
scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan
sumbu X adalah residual (Y prediksi - Y sesungguhnya).
Dasar pengambilan keputusan yaitu:
 Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang
teratur (bergelombang, melebar kemudian menyempit), maka terjadi heteroskedastisitas.
 Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0
pada sumbu Y, maka tidak terjadi heteroskedastisitas.

 Langkah-langkah analisis pada SPSS sebagai berikut:

 Untuk analisis data, klik menu Analyze >> Regression >> Linear
 Klik tombol Plots, maka akan terbuka kotak dialog ‘Linear Regression: Plots’.
 Klik *SRESID (Studentized Residual) lalu masukkan ke kotak Y dengan klik tanda
penunjuk. Kemudian klik *ZPRED (Standardized Predicted Value) lalu masukkan ke
kotak X. Jika sudah klik tombol Continue. Akan terbuka kotak dialog sebelumnya, klik
tombol OK, maka hasil output pada grafik Scatterplot sebagai berikut:
Dari output di atas dapat diketahui bahwa titik-titik tidak membentuk pola yang jelas, dan titik-
titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Jadi dapat disimpulkan bahwa tidak
terjadi masalah heteroskedastisitas dalam model regresi.
d) Uji koefisien korelasi Spearman’s rho

Metode uji heteroskedastisitas dengan korelasi Spearman’s rho yaitu mengkorelasikan variabel
independen dengan nilai unstandardized residual. Pengujian menggunakan tingkat signifikansi

0,05 dengan uji 2 sisi. Jika korelasi antara variabel independen dengan residual di dapat
signifikansi lebih dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah heteroskedastisitas
pada model regresi.
Langkah-langkah analisis pada SPSS sebagai berikut:

 Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik Analyze >>
Regression >> Linear
 Klik tombol Save, selanjutnya akan terbuka kotak dialog ‘Linear Regression: Save’
 Pada Residuals, beri tanda centang pada ‘Unstandardized’. Kemudian klik tombol
Continue. Akan kembali ke kotak dialog sebelumnya, klik tombol OK. Hiraukan hasil
output SPSS, Anda buka input data, disini akan bertambah satu variabel yaitu residual
(RES_1).
 Langkah selanjutnya melakukan analisis Spearman’s rho dengan cara klik Analyze >>
Correlate >> Bivariate, selanjutnya akan terbuka kotak dialog Bivariate Correlations.
 Masukkan variabel Biaya produksi, Biaya distribusi, Biaya promosi dan Unstandardized
Residual ke kotak Variables. Kemudian hilangkan tanda centang pada Pearson dan beri
tanda centang pada Spearman. Gambar seperti di atas. Jika sudah klik tombol OK,
maka hasil output seperti berikut:
Dari output di atas dapat diketahui bahwa nilai korelasi ketiga variabel independen dengan
Unstandardized Residual memiliki nilai signifikansi lebih dari 0,05. Karena signifikansi lebih
dari 0,05 maka d
apat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
 UJI LINIERITAS
Uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear
atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi
atau regresi linear. Pengujian pada SPSS dengan menggunakan Test for Linearity dengan pada
taraf signifikansi 0,05. Dua variabel dikatakan mempunyai hubungan yang linear bila
signifikansi (Linearity) kurang dari 0,05.

Contoh kasus:
Seorang mahasiswa bernama Joko melakukan penelitian untuk mengetahui hubungan antara
kecemasan dengan optimisme pada remaja. Data-data skor total yang di dapat ditabulasikan
sebagai berikut:
Subjek Kecemasan Optimisme

1 90 124
2 88 137
3 96 120
4 95 128
5 96 124
6 94 133
7 91 138
8 96 126
9 95 132
10 90 140
11 85 143
12 91 124
13 87 131
14 90 119
15 85 135
16 83 141
17 86 137
18 91 134
19 86 138
20 83 141
\
program SPSS
 maka hasil output yang didapat pada kolom Anova Table adalah sebagai berikut:
Tabel. Hasil Test for Linearity

Dari output di atas dapat diketahui bahwa nilai signifikansi pada Linearity sebesar 0,006. Karena
signifikansi kurang dari 0,05 maka dapat disimpulkan bahwa antara variabel kecemasan dan
optimisme terdapat hubungan yang linear.
 UJI HOMOGENITAS
Uji homogenitas digunakan untuk mengetahui apakah beberapa varian populasi adalah sama atau
tidak. Uji ini dilakukan sebagai prasyarat dalam analisis independent sample t test dan ANOVA.
Asumsi yang mendasari dalam analisis varian (ANOVA) adalah bahwa varian dari populasi
adalah sama. Sebagai kriteria pengujian, jika nilai signifikansi lebih dari 0,05 maka dapat
dikatakan bahwa varian dari dua atau lebih kelompok data adalah sama.
Contoh Kasus:
Seorang mahasiswi bernama Hanny melakukan penelitian untuk mengetahui apakah ada
perbedaan pemahaman mahasiswa jika dilihat dari tingkat prestasi. Dengan ini Hanny
menggunakan kuesioner sebagai alat pengumpul data yang disebar pada 20 responden dan
membuat dua variabel pertanyaan yaitu pemahaman mahasiswa dan tingkat prestasi. Pada
variabel pemahaman mahasiswa memakai skala Likert dengan pertanyaan favorabel dan
unfavorabel (mengungkap dan tidak mengungkap). Pada item favorabel skala yang dipakai 1 =
sangat tidak setuju, 2 = tidak setuju, 3 = setuju, dan 4 = sangat setuju. Pada item unfavorabel
sebaliknya yaitu 1 = sangat setuju, 2 = setuju, 3 = tidak setuju, dan 4 = sangat tidak setuju. Untuk
variabel tingkat prestasi menggunakan data nominal yang dibuat tiga alternatif jawaban yaitu 1 =
IPK kurang dari 2,50; 2 = IPK 2,51-3,30 dan 3 = IPK 3,31-4,00. Data-data yang di dapat
ditabulasikan sebagai berikut:
Subjek Pemahaman Mahasiswa

Tingkat
Total
Item pertanyaan Skor Prestasi
1 2 3 4 5 6 7 8 9 10
1 4 4 3 4 4 2 4 3 4 4 36 3
2 4 4 4 3 4 4 3 4 4 4 38 3
3 3 3 4 2 2 1 4 2 1 3 25 1
4 3 3 4 2 2 4 1 2 3 4 28 2
5 4 4 4 2 4 3 3 3 4 3 34 3
6 2 4 2 4 1 4 4 2 2 4 29 2
7 2 4 2 4 2 2 2 4 2 4 28 2
8 4 4 4 4 4 4 3 2 4 4 37 3
9 4 4 2 4 4 4 4 4 4 4 38 3
10 2 1 4 4 3 4 3 3 2 1 27 1
11 2 2 1 4 4 3 1 4 4 2 27 2
12 3 1 3 2 2 4 4 3 2 4 28 1
13 3 4 3 4 2 4 4 4 1 4 33 3
14 4 4 2 3 4 4 2 4 4 3 34 3
15 2 4 4 4 4 2 3 4 4 4 35 3
16 4 2 3 4 3 4 3 3 4 2 32 1
17 1 3 2 3 4 2 4 4 3 2 28 1
18 4 4 3 4 4 4 4 4 4 4 39 3
19 4 4 2 2 3 3 2 1 2 4 27 2
20 4 2 2 4 2 4 2 3 4 2 29 2

program SPSS
 maka hasil output yang didapat pada kolom Test of Homogeneity of Variance adalah
sebagai berikut:
Tabel. Hasil Uji Homogenitas

Dari hasil di atas dapat diketahui signifikansi sebesar 0,193. Karena signifikansi lebih dari 0,05
maka dapat disimpulkan bahwa ketiga kelompok data pemahaman mahasiswa berdasar tingkat
prestasi mempunyai varian sama. Angka Levene Statistic menunjukkan semakin kecil nilainya
maka semakin besar homogenitasnya. df1 = jumlah kelompok data-1 atau 3-1=2 sedangkan df2
= jumlah data – jumlah kelompok data atau 20-3=17.
 UJI NORMALITAS
Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak.
Uji ini biasanya digunakan untuk mengukur data berskala ordinal, interval, ataupun rasio. Jika
analisis menggunakan metode parametrik, maka persyaratan normalitas harus terpenuhi yaitu
data berasal dari distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel
sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah statistik
non parametrik. Dalam pembahasan ini akan digunakan uji One Sample Kolmogorov-
Smirnov dengan menggunakan taraf signifikansi 0,05. Data dinyatakan berdistribusi normal jika
signifikansi lebih besar dari 5% atau 0,05.
Contoh Kasus:
Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang

mempengaruhi harga saham pada perusahaan di BEJ. Data-data yang di dapat berupa data rasio
dan ditabulasikan sebagai berikut:
Tabel 5. Tabulasi Data (Data Fiktif)
Tahun Harga Saham (Rp) PER (%) ROI (%)
1990 8300 4.90 6.47

1991 7500 3.28 3.14
1992 8950 5.05 5.00
1993 8250 4.00 4.75
1994 9000 5.97 6.23
1995 8750 4.24 6.03
1996 10000 8.00 8.75

1997 8200 7.45 7.72

1998 8300 7.47 8.00
1999 10900 12.68 10.40
2000 12800 14.45 12.42
2001 9450 10.50 8.62
2002 13000 17.24 12.07
2003 8000 15.56 5.83
2004 6500 10.85 5.20
2005 9000 16.56 8.53
2006 7600 13.24 7.37
2007 10200 16.98 9.38
Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara rasio keuangan
PER dan ROI terhadap harga sham. Dengan ini Bambang menganalisis dengan bantuan program
SPSS dengan alat analisis regresi linear berganda. Sebelum dilakukan analisis tersebut dilakukan
uji normalitas untuk mengetahui sebaran data.
Sebagai catatan: bila menggunakan analisis regresi linear, uji normalitas bisa dilakukan dengan
melihat nilai residualnya, apakah residual berasal dari distribusi normal ataukah tidak.
program SPSS
 maka hasil output yang didapat pada kolom Test of Normality adalah sebagai berikut:
Tabel. Hasil Uji Normalitas dengan Kolomogorov-Smirnov
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan dapat diketahui bahwa nilai
signifikansi untuk harga saham sebesar 0,05; untuk PER sebesar 0,200; dan untuk ROI sebesar
0,200. Karena signifikansi untuk seluruh variabel lebih besar dari 0,05 maka dapat disimpulkan
bahwa data pada variabel harga saham, PER, dan ROI berdistribusi normal. Angka Statistic
menunjukkan semakin kecil nilainya maka distribusi data semakin normal. df = jumlah data.

 UJI RELIABILITAS KUISIONER

Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur, apakah alat pengukur yang
digunakan dapat diandalkan dan tetap konsisten jika pengukuran tersebut diulang. Ada beberapa
metode pengujian reliabilitas diantaranya metode tes ulang, formula belah dua dari Spearman-
Brown, formula Rulon, formula Flanagan, Cronbach’s Alpha, metode formula KR-20, KR-21,
dan metode Anova Hoyt. Dalam program SPSS akan dibahas untuk uji yang sering digunakan
penelitian mahasiswa adalah dengan menggunakan metode Alpha (Cronbach’s). Metode alpha
sangat cocok digunakan pada skor berbentuk skala (misal 1-4, 1-5) atau skor rentangan (misal 0-
20, 0-50). Metode alpha dapat juga digunakan pada skor dikotomi (0 dan 1).
Kriteria pengambilan keputusan bisa menggunakan batasan tertentu seperti 0,6. Menurut

Sekaran (1992), reliabilitas kurang dari 0,6 adalah kurang baik, sedangkan 0,7 dapat diterima dan
di atas 0,8 adalah baik.
Pada contoh kasus di atas setelah diuji validitasnya maka item-item yang gugur dibuang dan item
yang tidak gugur dimasukkan kedalam uji reliabilitas. Jadi yang akan dihitung ada 6 item, karena
4 item telah digugurkan.
program SPSS
 hasil output yang didapat adalah sebagai berikut:
Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
ITEM2 14.6667 18.9697 .6414 .8906
ITEM3 14.8333 18.1515 .6963 .8827
ITEM4 14.3333 18.2424 .6835 .8846
ITEM6 14.6667 16.7879 .8612 .8574
ITEM7 14.7500 15.8409 .7943 .8680
ITEM8 14.6667 17.5152 .6749 .8867

Reliability Coefficients
N of Cases = 12.0 N of Items = 6
Alpha = .8970
Dari hasil analisis di atas di dapat nilai Alpha sebesar 0,8970. Karena nilai lebih dari 0,6, maka
dapat disimpulkan bahwa butir-butir instrumen penelitian tersebut reliabel.
 UJI VALIDITAS KUISIONER

Validitas adalah ketepatan atau kecermatan suatu instrumen dalam mengukur apa yang ingin
dukur. Dalam pengujian instrumen pengumpulan data, validitas bisa dibedakan menjadi validitas
faktor dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari
satu faktor (antara faktor satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini
dengan cara mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor) dengan
skor total faktor (total keseluruhan faktor), sedangkan pengukuran validitas item dengan cara
mengkorelasikan antara skor item dengan skor total item.
Pada pembahasan ini akan dibahas untuk metode pengujian validitas item. Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total), perhitungan
dilakukan dengan cara mengkorelasikan antara skor item dengan skor total item. Bila kita
menggunakan lebih dari satu faktor berarti pengujian validitas item dengan cara
mengkorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan mengkorelasikan
antara skor item dengan skor total faktor (penjumlahan dari beberapa faktor). Dari hasil
perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan untuk mengukur
tingkat validitas suatu item dan untuk menentukan apakah suatu item layak digunakan atau tidak.
Dalam penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya dilakukan uji
signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid jika
berkorelasi signifikan terhadap skor total. Atau jika melakukan penilaian langsung terhadap
koefisien korelasi, bisa digunakan batas nilai minimal korelasi 0,30. Menurut Azwar (1999)
semua item yang mencapai koefisien korelasi minimal 0,30 daya pembedanya dianggap
memuaskan. Tetapi Azwar mengatakan bahwa bila jumlah item belum mencukupi kita bisa
menurunkan sedikit batas kriteria 0,30 menjadi 0,25 tetapi menurunkan batas kriteria di bawah
0,20 sangat tidak disarankan. Untuk pembahasan ini dilakukan uji signifikansi koefisien korelasi
dengan kriteria menggunakan r kritis pada taraf signifikansi 0,05 (signifikansi 5% atau 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
Pada program SPSS teknik pengujian yang sering digunakan para peneliti untuk uji validitas
adalah menggunakan korelasi Bivariate Pearson (Produk Momen Pearson) dan Corrected Item-
Total Correlation. Masing-masing teknik perhitungan korelasi akan dibahas sebagai berikut:

1. Bivariate Pearson (Korelasi Produk Momen Pearson)

Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor total. Skor total
adalah penjumlahan dari keseluruhan item. Item-item pertanyaan yang berkorelasi signifikan
dengan skor total menunjukkan item-item tersebut mampu memberikan dukungan dalam
mengungkap apa yang ingin diungkap. Pengujian menggunakan uji dua sisi dengan taraf
signifikansi 0,05. Kriteria pengujian adalah sebagai berikut:
- Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
- Jika r hitung < r tabel (uji 2 sisi dengan sig. 0,05) atau r hitung negatif, maka instrumen atau
item-item pertanyaan tidak berkorelasi signifikan terhadap skor total (dinyatakan tidak valid).
Contoh Kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan skala
untuk mengetahui atau mengungkap prestasi belajar seseorang. Andi membuat 10 butir
pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak
setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden
didapatlah tabulasi data-data sebagai berikut:
Tabel 1. Tabulasi Data (Data Fiktif)
Subje Skor Item Skor

k 1 2 3 4 5 6 7 8 9 10 Total
1 3 4 3 4 4 3 3 3 3 3 33
2 4 3 3 4 3 3 3 3 3 3 32
3 2 2 1 3 2 2 3 1 2 3 21
4 3 4 4 3 3 3 4 3 3 4 34
5 3 4 3 3 3 4 3 4 4 3 34
6 3 2 4 4 3 4 4 3 4 4 35
7 2 3 3 4 4 4 3 4 3 2 32
8 1 2 2 1 2 2 1 3 4 3 21
9 4 2 3 3 4 2 1 1 4 4 28
10 3 3 3 4 4 4 4 4 3 3 35
11 4 4 3 4 4 3 4 4 4 2 36
12 3 2 1 2 3 1 1 2 3 3 21

Langkah-langkah dengan program SPSS
 Hasil output yang diperoleh dapat diringkas sebagai berikut:
Tabel. Hasil Analisis Bivariate Pearson

Dari hasil analisis didapat nilai korelasi antara skor item dengan skor total. Nilai ini kemudian
kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi 0,05 dengan uji 2 sisi dan
jumlah data (n) = 12, maka didapat r tabel sebesar 0,576 (lihat pada lampiran tabel r).
Berdasarkan hasil analisis di dapat nilai korelasi untuk item 1, 9 dan 10 nilai kurang dari 0,576.
Karena koefisien korelasi pada item 1, 9 dan 10 nilainya kurang dari 0,576 maka dapat
disimpulkan bahwa item-item tersebut tidak berkorelasi signifikan dengan skor total (dinyatakan
tidak valid) sehingga harus dikeluarkan atau diperbaiki. Sedangkan pada item-item lainnya
nilainya lebih dari 0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.
2. Corrected Item-Total Correlation

Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan skor total dan
melakukan koreksi terhadap nilai koefisien korelasi yang overestimasi. Hal ini dikarenakan agar
tidak terjadi koefisien item total yang overestimasi (estimasi nilai yang lebih tinggi dari yang
sebenarnya). Atau dengan cara lain, analisis ini menghitung korelasi tiap item dengan skor total
(teknik bivariate pearson), tetapi skor total disini tidak termasuk skor item yang akan dihitung.
Sebagai contoh pada kasus di atas kita akan menghitung item 1 dengan skor total, berarti skor
total didapat dari penjumlahan skor item 2 sampai item 10. Perhitungan teknik ini cocok
digunakan pada skala yang menggunakan item pertanyaan yang sedikit, karena pada item yang
jumlahnya banyak penggunaan korelasi bivariate (tanpa koreksi) efek overestimasi yang
dihasilkan tidak terlalu besar.
Menurut Azwar (2007) agar kita memperoleh informasi yang lebih akurat mengenai korelasi
antara item dengan tes diperlukan suatu rumusan koreksi terhadap efek spurious overlap.
Pengujian menggunakan uji dua sisi dengan taraf signifikansi 0,05. Kriteria
pengujian adalah sebagai berikut:
 Jika r hitung > r tabel (uji 2 sisi dengan sig. 0,05) maka instrumen atau item-item
pertanyaan berkorelasi signifikan terhadap skor total (dinyatakan valid).
 Jika r hitung < tabel (uji 2 sisi dengan sig. 0,05) atau r hitung negatif, maka
instrumen atau item-item pertanyaan tidak berkorelasi signifikan terhadap skor
total (dinyatakan tidak valid).
Sebagai contoh kasus kita menggunakan contoh kasus dan data-data pada analisis produk momen
di atas.

program SPSS
 , hasil output yang didapat adalah sebagai berikut:
Tabel. Hasil Analisis Validitas Item dengan
Teknik Corrected Item-Total Correlation
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
ITEM1 27.2500 29.8409 .4113 .8345
ITEM2 27.2500 28.0227 .6151 .8157
ITEM3 27.4167 25.7197 .8217 .7933
ITEM4 26.9167 26.6288 .7163 .8046
ITEM5 26.9167 29.5379 .5603 .8223
ITEM6 27.2500 25.8409 .7764 .7975
ITEM7 27.3333 25.1515 .6784 .8078
ITEM8 27.2500 27.1136 .5679 .8204
ITEM9 26.8333 32.8788 .1866 .8482
ITEM10 27.0833 35.3561 -.1391 .8683
Reliability Coefficients
N of Cases = 12.0 N of Items = 10
Alpha = .8384
Dari output di atas bisa dilihat pada Corrected Item – Total Correlation, inilah nilai korelasi yang
didapat. Nilai ini kemudian kita bandingkan dengan nilai r tabel, r tabel dicari pada signifikansi
0,05 dengan uji 2 sisi dan jumlah data (n) = 12, maka didapat r tabel sebesar 0,576 (lihat pada
lampiran tabel r).
Dari hasil analisis dapat dilihat bahwa untuk item 1, 5, 9 dan 10 nilai kurang dari 0,576. Karena
koefisien korelasi pada item 1, 5, 9 dan 10 nilainya kurang dari 0,576 maka dapat disimpulkan

bahwa butir instrumen tersebut tidak valid. Sedangkan pada item-item lainnya nilainya lebih dari
0,576 dan dapat disimpulkan bahwa butir instrumen tersebut valid.
Sebagai catatan: analisis korelasi pada contoh kasus di atas hanya dilakukan satu kali, untuk
mendapatkan hasil validitas yang lebih memuaskan maka bisa dilakukan analisis kembali sampai
2 atau 3 kali, sebagai contoh pada kasus di atas setelah di dapat 6 item yang valid, maka
dilakukan analisis korelasi lagi untuk menguji 6 item tersebut, jika masih ada item yang tidak
signifikan maka digugurkan, kemudian dianalisis lagi sampai didapat tidak ada yang gugur lagi.
 INDEPENDENT SAMPLES T TEST
Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara dua kelompok
sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang lebih tinggi. Data
yang digunakan biasanya berskala interval atau rasio.
Contoh kasus:
Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan nilai ujian
antara kelas A dan kelas B pada fakultas Psikologi suatu universitas. Penelitian dengan
menggunakan sampel sebanyak 20 responden yang diambil dari kelas A dan kelas B. Dalam uji
ini jumlah kelompok responden yang diambil tidak harus sama, misalnya kelas A sebanyak 8
orang dan kelas B sebanyak 12 orang. Data-data yang didapat sebagai berikut:
No Nilai Ujian Kelas

1 32 Kelas A
2 35 Kelas A
3 41 Kelas A
4 39 Kelas A
5 45 Kelas A
6 43 Kelas A
7 42 Kelas A
8 47 Kelas A
9 42 Kelas A
10 37 Kelas A
11 35 Kelas B
12 36 Kelas B
13 30 Kelas B
14 28 Kelas B

15 26 Kelas B
16 27 Kelas B
17 32 Kelas B
18 35 Kelas B
19 38 Kelas B
20 41 Kelas B
Dengan program SPSS
 maka hasil output yang didapat adalah sebagai berikut:
Tabel. Hasil Independent Sample T Test
Keterangan: Tabel di atas telah dirubah kedalam bentuk baris (double klik pada output
independen sample t test, kemudian pada menu bar klik pivot, kemudian klik Transpose Rows
and Columns)
Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian (homogenitas) dengan F
test (Levene,s Test), artinya jika varian sama maka uji t menggunakan Equal Variance
Assumed (diasumsikan varian sama) dan jika varian berbeda menggunakan Equal Variance Not
Assumed (diasumsikan varian berbeda).

Langkah-langkah uji F sebagai berikut:

1. Menentukan Hipotesis
Ho : Kedua varian adalah sama (varian kelompok kelas A dan kelas B

adalah sama)
Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas B
adalah berbeda).
2. Kriteria Pengujian (berdasar probabilitas / signifikansi)
Ho diterima jika P value > 0,05
Ho ditolak jika P value < 0,05
3. Membandingkan probabilitas / signifikansi
Nilai P value (0,613 > 0,05) maka Ho diterima.
4. Kesimpulan
Oleh karena nilai probabilitas (signifikansi) dengan equal variance assumed (diasumsikan kedua

varian sama) adalah 0,603 lebih besar dari 0,05 maka Ho diterima, jadi dapat disimpulkan bahwa
kedua varian sama (varian kelompok kelas A dan kelas B adalah sama). Dengan ini penggunaan
uji t menggunakan equal variance assumed (diasumsikan kedua varian sama).
Pengujian independen sample t test

Langkah-langkah pengujian sebagai berikut:
1. Menentukan Hipotesis
Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata
nilai ujian
kelas B
Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai
ujian kelas B
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%.
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya

5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam
penelitian)
3. Menentukan t hitung
Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490
4. Menentukan t tabel
Tabel distribusi t dicari pada a = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat

kebebasan (df) n-2 atau 20-2 = 18. Dengan pengujian 2 sisi (signifikansi = 0,025)
hasil diperoleh untuk t tabel sebesar 2,101 (Lihat pada lampiran) atau dapat dicari
di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,18) lalu enter.
5. Kriteria Pengujian
Ho diterima jika -t tabel < t hitung < t tabel

Ho ditolak jika -t hitung < -t tabel atau t hitung > t table
Berdasar probabilitas:
Ho diterima jika P value > 0,05

Ho ditolak jika P value < 0,05
6. Membandingkan t hitung dengan t tabel dan probabilitas
Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho ditolak.
7. Kesimpulan
Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka
Ho ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A
dengan rata-rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata
(mean) untuk kelas A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa
rata-rata nilai ujian kelas A lebih tinggi daripada rata-rata nilai ujian kelas B.
Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada group2 (kelas B)
dan sebaliknya jika t hitung negatif berarti rata-rata group1 (kelas A) lebih rendah dari pada rata-
rata group2 (kelas B)
Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan berkisar antara
2,98 sampai 12,02 (lihat pada lower dan upper).

Tabel F
(Signifikan Level 0.05)
Df1
Df 2
1 2 3 4 5 6 7 8
1 161.446 199.499 215.707 224.583 230.160 233.988 236.767 238.884
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266
31 4.160 3.305 2.911 2.679 2.523 2.409 2.323 2.255

32 4.149 3.295 2.901 2.668 2.512 2.399 2.313 2.244

33 4.139 3.285 2.892 2.659 2.503 2.389 2.303 2.235
34 4.130 3.276 2.883 2.650 2.494 2.380 2.294 2.225
35 4.121 3.267 2.874 2.641 2.485 2.372 2.285 2.217
36 4.113 3.259 2.866 2.634 2.477 2.364 2.277 2.209
37 4.105 3.252 2.859 2.626 2.470 2.356 2.270 2.201
38 4.098 3.245 2.852 2.619 2.463 2.349 2.262 2.194
39 4.091 3.238 2.845 2.612 2.456 2.342 2.255 2.187
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180
41 4.079 3.226 2.833 2.600 2.443 2.330 2.243 2.174
42 4.073 3.220 2.827 2.594 2.438 2.324 2.237 2.168
43 4.067 3.214 2.822 2.589 2.432 2.319 2.232 2.163
44 4.062 3.209 2.816 2.584 2.427 2.313 2.226 2.157
45 4.057 3.204 2.812 2.579 2.422 2.308 2.221 2.152
46 4.052 3.200 2.807 2.574 2.417 2.304 2.216 2.147
47 4.047 3.195 2.802 2.570 2.413 2.299 2.212 2.143
48 4.043 3.191 2.798 2.565 2.409 2.295 2.207 2.138
49 4.038 3.187 2.794 2.561 2.404 2.290 2.203 2.134
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130
51 4.030 3.179 2.786 2.553 2.397 2.283 2.195 2.126
52 4.027 3.175 2.783 2.550 2.393 2.279 2.192 2.122
53 4.023 3.172 2.779 2.546 2.389 2.275 2.188 2.119
54 4.020 3.168 2.776 2.543 2.386 2.272 2.185 2.115
55 4.016 3.165 2.773 2.540 2.383 2.269 2.181 2.112
56 4.013 3.162 2.769 2.537 2.380 2.266 2.178 2.109
57 4.010 3.159 2.766 2.534 2.377 2.263 2.175 2.106
58 4.007 3.156 2.764 2.531 2.374 2.260 2.172 2.103
59 4.004 3.153 2.761 2.528 2.371 2.257 2.169 2.100
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097
61 3.998 3.148 2.755 2.523 2.366 2.251 2.164 2.094
62 3.996 3.145 2.753 2.520 2.363 2.249 2.161 2.092
63 3.993 3.143 2.751 2.518 2.361 2.246 2.159 2.089
64 3.991 3.140 2.748 2.515 2.358 2.244 2.156 2.087
65 3.989 3.138 2.746 2.513 2.356 2.242 2.154 2.084
66 3.986 3.136 2.744 2.511 2.354 2.239 2.152 2.082
67 3.984 3.134 2.742 2.509 2.352 2.237 2.150 2.080
68 3.982 3.132 2.739 2.507 2.350 2.235 2.148 2.078

69 3.980 3.130 2.737 2.505 2.348 2.233 2.145 2.076

70 3.978 3.128 2.736 2.503 2.346 2.231 2.143 2.074
71 3.976 3.126 2.734 2.501 2.344 2.229 2.142 2.072
72 3.974 3.124 2.732 2.499 2.342 2.227 2.140 2.070
73 3.972 3.122 2.730 2.497 2.340 2.226 2.138 2.068
74 3.970 3.120 2.728 2.495 2.338 2.224 2.136 2.066
75 3.968 3.119 2.727 2.494 2.337 2.222 2.134 2.064
76 3.967 3.117 2.725 2.492 2.335 2.220 2.133 2.063
77 3.965 3.115 2.723 2.490 2.333 2.219 2.131 2.061
78 3.963 3.114 2.722 2.489 2.332 2.217 2.129 2.059
79 3.962 3.112 2.720 2.487 2.330 2.216 2.128 2.058
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056
Sumber: Function Statistical Microsoft
Excel
Tabel t
T Table Statistics (Significant level 0.05)
Signifikan Level Signifikan Level

Df Df
Uji 2 sisi Uji 1 sisi Uji 2 sisi Uji 1 sisi
1 12.706 6.314 41 2.020 1.683
2 4.303 2.920 42 2.018 1.682
3 3.182 2.353 43 2.017 1.681
4 2.776 2.132 44 2.015 1.680
5 2.571 2.015 45 2.014 1.679
6 2.447 1.943 46 2.013 1.679
7 2.365 1.895 47 2.012 1.678
8 2.306 1.860 48 2.011 1.677
9 2.262 1.833 49 2.010 1.677
10 2.228 1.812 50 2.009 1.676
11 2.201 1.796 51 2.008 1.675
12 2.179 1.782 52 2.007 1.675
13 2.160 1.771 53 2.006 1.674
14 2.145 1.761 54 2.005 1.674
15 2.131 1.753 55 2.004 1.673
16 2.120 1.746 56 2.003 1.673

17 2.110 1.740 57 2.002 1.672

18 2.101 1.734 58 2.002 1.672
19 2.093 1.729 59 2.001 1.671
20 2.086 1.725 60 2.000 1.671
21 2.080 1.721 61 2.000 1.670
22 2.074 1.717 62 1.999 1.670
23 2.069 1.714 63 1.998 1.669
24 2.064 1.711 64 1.998 1.669
25 2.060 1.708 65 1.997 1.669
26 2.056 1.706 66 1.997 1.668
27 2.052 1.703 67 1.996 1.668
28 2.048 1.701 68 1.995 1.668
29 2.045 1.699 69 1.995 1.667
30 2.042 1.697 70 1.994 1.667
31 2.040 1.696 71 1.994 1.667
32 2.037 1.694 72 1.993 1.666
33 2.035 1.692 73 1.993 1.666
34 2.032 1.691 74 1.993 1.666
35 2.030 1.690 75 1.992 1.665
36 2.028 1.688 76 1.992 1.665
37 2.026 1.687 77 1.991 1.665
38 2.024 1.686 78 1.991 1.665
39 2.023 1.685 79 1.990 1.664
40 2.021 1.684 80 1.990 1.664
Sumber: Function Statistical Microsoft Excel
Tabel r
r Table (Pearson Product Moment)
N 1-tailed 2-tailed N 1-tailed 2-tailed

3 0.988 0.997 41 0.261 0.308
4 0.900 0.950 42 0.257 0.304
5 0.805 0.878 43 0.254 0.301
6 0.729 0.811 44 0.251 0.297
7 0.669 0.755 45 0.248 0.294

8 0.622 0.707 46 0.246 0.291

9 0.582 0.666 47 0.243 0.288
10 0.549 0.632 48 0.240 0.285
11 0.521 0.602 49 0.238 0.282
12 0.497 0.576 50 0.235 0.279
13 0.476 0.553 51 0.233 0.276
14 0.458 0.532 52 0.231 0.273
15 0.441 0.514 53 0.228 0.270
16 0.426 0.497 54 0.226 0.268
17 0.412 0.482 55 0.224 0.265
18 0.400 0.468 56 0.222 0.263
19 0.389 0.456 57 0.220 0.261
20 0.378 0.444 58 0.218 0.258
21 0.369 0.433 59 0.216 0.256
22 0.360 0.423 60 0.214 0.254
23 0.352 0.413 61 0.213 0.252
24 0.344 0.404 62 0.211 0.250
25 0.337 0.396 63 0.209 0.248
26 0.330 0.388 64 0.207 0.246
27 0.323 0.381 65 0.206 0.244
28 0.317 0.374 66 0.204 0.242
29 0.312 0.367 67 0.203 0.240
30 0.306 0.361 68 0.201 0.239
31 0.301 0.355 69 0.200 0.237
32 0.296 0.349 70 0.198 0.235
33 0.291 0.344 71 0.197 0.233
34 0.287 0.339 72 0.195 0.232
35 0.283 0.334 73 0.194 0.230
36 0.279 0.329 74 0.193 0.229
37 0.275 0.325 75 0.191 0.227
38 0.271 0.320 76 0.190 0.226
39 0.267 0.316 77 0.189 0.224
40 0.264 0.312 78 0.188 0.223
41 0.261 0.308 79 0.186 0.221
42 0.257 0.304 80 0.185 0.220
Sumber: Microsoft Excel 2007

Tabel Chi Square
Signifikan Level Signifikan Level

Df Df
0.05 0.05
1 3.841 41 56.942
2 5.991 42 58.124
3 7.815 43 59.304
4 9.488 44 60.481
5 11.070 45 61.656
6 12.592 46 62.830
7 14.067 47 64.001
8 15.507 48 65.171
9 16.919 49 66.339
10 18.307 50 67.505
11 19.675 51 68.669
12 21.026 52 69.832
13 22.362 53 70.993
14 23.685 54 72.153
15 24.996 55 73.311
16 26.296 56 74.468
17 27.587 57 75.624
18 28.869 58 76.778
19 30.144 59 77.930
20 31.410 60 79.082
21 32.671 61 80.232
22 33.924 62 81.381
23 35.172 63 82.529
24 36.415 64 83.675
25 37.652 65 84.821
26 38.885 66 85.965
27 40.113 67 87.108
28 41.337 68 88.250
29 42.557 69 89.391
30 43.773 70 90.531

31 44.985 71 91.670
32 46.194 72 92.808
33 47.400 73 93.945
34 48.602 74 95.081
35 49.802 75 96.217
36 50.998 76 97.351
37 52.192 77 98.484
38 53.384 78 99.617
39 54.572 79 100.749
40 55.758 80 101.879
Sumber: Function Statistical Microsoft Excel
Tabel Durbin Watson
Signifikan Level 0.05
k=1 k=2 k=3 k=4 k=5

n dL dU dL dU dL dU dL dU dL dU
6 0.610 1.400 - - - - - - -
7 0.700 1.356 0.467 1.896 - - - -
8 0.763 1.332 0.559 1.777 0.368 2.287 - - - -
9 0.824 1.320 0.629 1.699 0.455 2.128 0.296 2.588 - -
10 0.879 1.320 0.697 1.641 0.525 2.016 0.376 2.414 0.243 2.822
11 0.927 1.324 0.658 1.604 0.595 1.928 0.444 2.283 0.316 2.645
12 0.971 1.331 0.812 1.579 0.658 1.864 0.512 2.177 0.379 2.506
13 1.010 1.340 0.861 1.562 0.715 1.816 0.574 2.094 0.445 2.390
14 1.045 1.350 0.905 1.551 0.767 1.779 0.632 2.030 0.505 2.296
15 1.077 1.361 0.946 1.543 0.814 1.750 0.685 1.977 0.562 2.220
16 1.106 1.371 0.982 1.539 0.857 1.728 0.734 1.935 0.615 2.157
17 1.133 1.381 1.015 1.536 0.897 1.710 0.779 1.900 0.664 2.104
18 1.158 1.391 1.046 1.535 0.933 1.696 0.820 1.872 0.710 2.060
19 1.180 1.401 1.074 1.536 0.967 1.685 0.859 1.848 0.752 2.023
20 1.201 1.411 1.100 1.537 0.998 1.676 0.894 1.828 0.792 1.991
21 1.221 1.420 1.125 1.538 1.026 1.669 0.927 1.812 0.829 1.964
22 1.239 1.429 1.147 1.541 1.053 1.664 0.958 1.797 0.863 1.940
23 1.257 1.437 1.168 1.543 1.078 1.660 0.986 1.785 0.895 1.920
24 1.273 1.446 1.188 1.546 1.101 1.656 1.013 1.775 0.925 1.902
25 1.288 1.454 1.206 1.550 1.123 1.654 1.038 1.767 0.953 1.886
26 1.302 1.461 1.224 1.553 1.143 1.652 1.062 1.759 0.979 1.873
27 1.316 1.469 1.240 1.556 1.162 1.651 1.084 1.753 1.004 1.861
28 1.328 1.476 1.255 1.560 1.181 1.650 1.104 1.747 1.028 1.850
29 1.341 1.483 1.270 1.563 1.198 1.650 1.124 1.743 1.050 1.841
30 1.352 1.489 1.284 1.567 1.214 1.650 1.143 1.739 1.071 1.833
31 1.363 1.496 1.297 1.570 1.229 1.650 1.160 1.735 1.090 1.825
32 1.373 1.502 1.309 1.574 1.244 1.650 1.177 1.732 1.109 1.819
33 1.383 1.508 1.321 1.577 1.258 1.651 1.193 1.730 1.127 1.813
34 1.393 1.514 1.333 1.580 1.271 1.652 1.208 1.728 1.144 1.808
35 1.402 1.519 1.343 1.584 1.283 1.653 1.222 1.726 1.160 1.803
36 1.411 1.525 1.354 1.587 1.295 1.654 1.236 1.724 1.175 1.799
37 1.416 1.530 1.364 1.590 1.307 1.655 1.249 1.723 1.190 1.795
38 1.427 1.535 1.373 1.594 1.318 1.656 1.261 1.722 1.204 1.792
39 1.435 1.540 1.382 1.597 1.328 1.658 1.273 1.722 1.218 1.789
40 1.442 1.544 1.391 1.600 1.338 1.659 1.285 1.721 1.230 1.786
Sumber: N.E. Savin and K.J White, The Durbin-Watson Test for Serial
Correlation
Daftar Pustaka:
 Arikunto, Suharsimi, “Prosedur Penelitian : Suatu Pendekatan Praktek”, Edisi Revisi V,

Jakarta: PT Rineka Cipta, 2002.
 Santoso, Singgih, 2000, Buku Latihan SPSS Statistik Parametrik. PT.ELEK Media

Komputindo. Jakarta
 Sekaran, Uma. 2006. Research Methods For Business: Metodologi Penelitian untuk

Bisnis, Penerbit Salemba Empat.
 Alhusin, Syahri, “Aplikasi Statistik Praktis dengan Menggunakan SPSS 10 for Windows”,
Edisi Kedua, Yogyakarta: Graha Ilmu, 2003.
 Priyatno, Duwi, “Mandiri Belajar SPSS”, Cetakan Ketiga, Yogyakarta: Media Kom,
2008.
 Sugiyono, “Metode Penelitian Bisnis”, Bandung: CV. Alfabeta, 2007.
 Ghazali, Imam, 2016, “Aplikasi Analisis Multivariat Dengan Program IBM SPSS

23”, Cetakan kedelapan, Universitas Diponegoro, Semarang.
 Priyatno, Duwi, 2013, “Mandiri Belajar Analisis Data Dengan SPSS”, Yogyakarta:
Media Kom.
 Priyatno, Duwi, 2014, “SPSS 22 Pengolah Data Terpraktis”, Edisi 1, Yogyakarta: ANDI.
 Santoso, Singgih, 2013, “Menguasai SPSS 21 di Era Informasi”. PT.ELEK Media

Komputindo. Jakarta.
 Sekaran, Uma, 2000. “Research Methods for Business, A Skill Building Approach”, New
York: John Wiley n Sons
 William H. Kruskal and Judith M. Tanur, ed. (1978), "Linear Hypotheses," International
Encyclopedia of Statistics. Free Press, v. 1,
 Evan J. Williams, "I. Regression," pp. 523–41.
 Julian C. Stanley, "II. Analysis of Variance," pp. 541–554.
 Lindley, D.V. (1987). "Regression and correlation analysis," New Palgrave: A Dictionary
of Economics, v. 4, pp. 120–23.
 Birkes, David and Yadolah Dodge, Alternative Methods of Regression. ISBN 0-471-
56881-3
 Chatfield, C. (1993) "Calculating Interval Forecasts," Journal of Business and Economic

Statistics, 11. pp. 121–135.
 Corder, G.W. and Foreman, D.I. (2009).Nonparametric Statistics for Non-Statisticians: A

Step-by-Step Approach Wiley, ISBN 978-0-470-45461-9
 Draper, N.R. and Smith, H. (1998).Applied Regression Analysis Wiley Series in

Probability and Statistics
 Fox, J. (1997). Applied Regression Analysis, Linear Models and Related Methods. Sage
 Hardle, W, Applied Nonparametric Regression (1990), ISBN 0-521-42950-1
 Meade, N. and T. Islam (1995) "Prediction Intervals for Growth Curve Forecasts,"
Journal of Forecasting, 14, pp. 413–430.
 N. Cressie (1996) Change of Support and the Modiable Areal Unit Problem.
Geographical Systems 3:159–180.

 A.S. Fotheringham, C. Brunsdon, and M. Charlton and Sandt Damanik Witwicky. (2002)
Geographically weighted regression: the analysis of spatially varying relationships.
Wiley.

M11 Uji Asumsi Klasik 3 - 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

M11 Uji Asumsi Klasik 3 - 2

Diunggah oleh

Hak Cipta:

Format Tersedia

UJI ASUMSI KLASIK untuk M10

Tabel. Tabulasi Data (Data Fiktif)

Tahun Harga Saham PER

Harjanto Sutedjo Dr.SSI.MMSI hal 1

 maka hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Statistik Deskriptif

Harjanto Sutedjo Dr.SSI.MMSI hal 2

 hasil output pada Model Summary sebagai berikut:

Tabel. Hasil Uji Durbin-Watson

Kriteria pengujian adalah sebagai berikut:

1. Ho : tidak ada gejala heteroskedastisitas

3. Ho diterima bila Signifikansi > 0,05 berarti tidak terdapat

Tingkat Biaya Biaya Biaya

Langkah-langkah analisis pada SPSS sebagai berikut:

 Inputkan data di SPSS

Harjanto Sutedjo Dr.SSI.MMSI hal 4

c) Melihat pola titik-titik pada scatterplots regresi

Dasar pengambilan keputusan yaitu:

Harjanto Sutedjo Dr.SSI.MMSI hal 5

 Langkah-langkah analisis pada SPSS sebagai berikut:

d) Uji koefisien korelasi Spearman’s rho

Harjanto Sutedjo Dr.SSI.MMSI hal 6

Langkah-langkah analisis pada SPSS sebagai berikut:

Harjanto Sutedjo Dr.SSI.MMSI hal 7

Tabel. Tabulasi Data (Data Fiktif)

Subjek Kecemasan Optimisme

Tabel. Hasil Test for Linearity

Harjanto Sutedjo Dr.SSI.MMSI hal 8

Tabel. Tabulasi Data (Data Fiktif)

Subjek Pemahaman Mahasiswa

Harjanto Sutedjo Dr.SSI.MMSI hal 9

Tabel. Hasil Uji Homogenitas

Harjanto Sutedjo Dr.SSI.MMSI hal 10

Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang

Tabel 5. Tabulasi Data (Data Fiktif)

Tahun Harga Saham (Rp) PER (%) ROI (%)

1990 8300 4.90 6.47

Harjanto Sutedjo Dr.SSI.MMSI hal 11

1997 8200 7.45 7.72

Tabel. Hasil Uji Normalitas dengan Kolomogorov-Smirnov

Harjanto Sutedjo Dr.SSI.MMSI hal 12

 UJI RELIABILITAS KUISIONER

Kriteria pengambilan keputusan bisa menggunakan batasan tertentu seperti 0,6. Menurut

 hasil output yang didapat adalah sebagai berikut:

Tabel 4. Hasil Analisis Reliabilitas dengan Teknik Alpha

R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)

if Item if Item Total if Item

Harjanto Sutedjo Dr.SSI.MMSI hal 13

N of Cases = 12.0 N of Items = 6

 UJI VALIDITAS KUISIONER

Harjanto Sutedjo Dr.SSI.MMSI hal 14

1. Bivariate Pearson (Korelasi Produk Momen Pearson)

Tabel 1. Tabulasi Data (Data Fiktif)

Subje Skor Item Skor

Harjanto Sutedjo Dr.SSI.MMSI hal 15

Langkah-langkah dengan program SPSS

 Hasil output yang diperoleh dapat diringkas sebagai berikut:

Tabel. Hasil Analisis Bivariate Pearson

2. Corrected Item-Total Correlation

Harjanto Sutedjo Dr.SSI.MMSI hal 16

 , hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Analisis Validitas Item dengan

Teknik Corrected Item-Total Correlation