I.

VALIDITAS DAN REALIBILITAS

Mengukur kualitas aIat ukur
Dalam penelitian ilmu-ilmu sosial, variabel-variabel yang diteliti sifatnya lebih abstrak
sehingga sukar untuk dilihat atau divisualisasikan, atau dijamah secara realita, tidak
seperti ilmu-ilmu eksakta. Karena itu variabel-variabel dalam ilmu sosial yang berasal
dari konsep, perlu diperjelas dan diubah bentuknya sehingga dapat diukur dan
dipergunakan secara operasional. Selain itu, bentuknya yang abstrak mengakibatkan
proses pengukuran sangat cenderung kepada keliru.
Untuk itulah uji validitas dan reliabilitas diperlukan sebagai upaya memaksimalkan
kualitas alat ukur, agar kecenderungan keliru tadi dapat diminimalkan. Dengan
demikian dapat kita katakan bahwa validitas dan reliabilitas adalah tempat kedudukan
untuk menilai kualitas semua alat dan prosedur pengukuran.
1.1. Validitas
Uji validitas item digunakan untuk mengetahui seberapa cermat suatu item dalam
mengukur objeknya. Item dikatakan valid jika ada korelasi dengan skor total. Hal ini
menunjukkan adanya dukungan item tersebut dalam mengungkap suatu yang ingin
diungkap. Item (butir) biasanya berupa pertanyaan atau pernyataan yang ditujukan
kepada responden dengan menggunakan bentuk kuesioner (dengan tujuan untuk
mengungkap sesuatu). Pengujian validitas item dalam SPSS biasanya menggunakan
metode analisis Korelasi Pearson atau Corrected Item Total Correlation.
Teknik uji validitas item dengan korelasi Pearson dilakukan dengan cara
mengkorelasikan skor item dengan skor total item, kemudian pengujian signifikansi
dilakukan dengan kriteria r tabel pada tingkat signifikansi 0,05 dengan uji 2 sisi.
Adapun kriteria valid atau tidaknya item tersebut adalah sebagai berikut :
r hitung > r table, maka item dinyatakan valid
r hitung < r table, maka item dinyatakan tidak valid
Contoh :
Seorang mahasiswa melakukan penelitian dengan menggunakan kuisioner untuk
mengungkapkan Pengaruh Gaya Kepemimpinan dan Disiplin Kerja terhadap Kinerja
Karyawan. Pada penelitian ini terdapat 3 variabel yaitu variabel Gaya Kepemimpinan,
Disiplin Kerja dan Kinerja Karyawan. Untuk setiap variabel dibuat 10 item pertanyaan
dengan jumlah sampel (responden) sebanyak 30 orang.

Hal : 1
 Tabel 1. Data item variabel Gaya Kepemimpinan
Item Item Item Item Item Item Item Item Item Item
Responden Itemtotal
1 2 3 4 5 6 7 8 9 10
1 4 5 5 5 4 4 5 5 4 4 45
2 4 4 4 4 4 3 4 4 3 3 37
3 4 4 4 4 4 5 5 4 3 4 41
4 5 5 5 5 5 4 5 5 5 5 49
5 4 4 4 4 4 5 5 4 3 4 41
6 3 5 5 5 5 3 5 5 4 4 44
7 5 5 5 5 5 5 5 5 5 5 50
8 4 4 4 4 4 3 5 5 2 2 37
9 3 4 4 4 4 3 4 4 5 2 37
10 4 4 4 4 4 5 5 4 3 4 41
11 4 5 5 5 4 4 5 5 4 4 45
12 4 5 5 5 2 4 5 5 4 4 43
13 4 4 5 4 5 5 5 5 4 5 46
14 4 4 5 4 5 5 5 5 4 5 46
15 4 4 4 4 4 3 4 4 4 3 38
16 4 4 4 4 4 5 4 4 5 5 43
17 4 4 4 4 4 3 4 4 4 3 38
18 4 4 5 4 4 4 5 4 4 4 42
19 4 4 5 4 4 4 5 4 4 4 42
20 4 4 4 4 3 4 4 4 4 2 37
21 4 4 4 4 4 4 4 1 5 4 38
22 5 5 4 4 4 4 4 4 4 5 43
23 5 4 4 3 5 3 3 2 5 4 38
24 2 3 3 1 3 1 2 2 2 3 22
25 4 2 4 5 4 5 3 3 3 2 35
26 5 5 5 4 5 4 4 4 4 5 45
27 5 4 4 5 4 5 4 3 4 4 42
28 3 4 4 4 4 4 4 3 3 4 37
29 4 4 5 3 5 3 5 1 2 4 36
30 4 4 4 4 3 4 4 4 4 2 37
Sumber Data : Hasil Penelitian Mahasiswa Fakultas Ekonomi Universitas Bung Karno, Tahun 2013.

Keterangan :

1 = Sangat tidak setuju;

2 = Tidak setuju;
3 = Ragu-ragu;
4 = Setuju;
5 = Sangat setuju.

Hal : 2
Data pada setiap item diasumsikan data yang bertipe interval. Disini akan dilakukan
analisis Korelasi Pearson untuk mengetahui apakah tiap-tiap item valid atau tidak.
Prosedur uji validitas item pada tabel 1. di atas dengan menggunakan SPSS, adalah
sebagai berikut :

1. Buka program SPSS 20;

2. Klik Variable View pada SPSS data editor;
3. Pada kolom Name, buatlah 11 item (Item1 s/d Itemtotal), kemudian atur kolom
Decimal = 0, dan kolom Measure = Scale;
4. Klik Data View untuk membuka halaman data view;
5. Isikan data item-item dan item total seperti Tabel 1. di atas;
6. Selanjutnya klik Analyze > Correlate > Bivariate;
7. Masukkan semua variabel yang terdapat pada kotak sebelah kiri ke kotak proses
sebelah kanan;
8. Klik tombol OK.
Nilai r hitung dapat dilihat dari koefisien korelasi antara masing-masing variabel (item)
dengan variabel total (item total), seperti terlihat pada Tabel 3. di bawah. Untuk
menentukan valid atau tidaknya item, selanjutnya dicari nilai r tabel dengan
menggunakan tingkat signifikansi 0,05 dengan Uji 2 sisi dan N = 30. Nilai r tabel dapat
dicari dengan menggunakan persamaan :

Jumlah Responden (N) = 30

df = N-2 = 28
r tabel (df=28) = 0,361
Pada Uji validitas, item dinyatakan valid, bila r hitung > r tabel. Dengan demikian
semua item dapat dinyatakan valid, karena masing-masing item yang diuji memiliki
koefisien korelasi (r hitung) lebih besar dari r tabel, seperti yang tercantum pada Tabel
2 di bawah ini.

Hal : 3
Tabel 2. r hitung dan r tabel item variabel Gaya Kepemimpinan

Item r hitung r tabel Keterangan

Item1 0,628 0,361 Valid

Item2 0,699 0,361 Valid

Item3 0,767 0,361 Valid

Item4 0,742 0,361 Valid

Item5 0,462 0,361 Valid

Item6 0,655 0,361 Valid

Item7 0,728 0,361 Valid

Item8 0,636 0,361 Valid

Item9 0,558 0,361 Valid

Item10 0,676 0,361 Valid

Hal : 4
Tabel 3. Hasil Uji Validitas terhadap item-item pada Variabel Gaya Kepemimpinan
Butir1 Butir2 Butir3 Butir4 Butir5 Butir6 Butir7 Butir8 Butir9 Butir10 ButirTotal
Pearson
1 ,385* ,337 ,443* ,355 ,495** ,245 ,142 ,419* ,422* ,628**
Correlation
Butir1 Sig. (2-
,036 ,069 ,014 ,054 ,005 ,192 ,454 ,021 ,020 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson * ** * ** ** * **
,385 1 ,590 ,431 ,187 ,075 ,568 ,500 ,420 ,538 ,699**
Correlation
Butir2 Sig. (2-
,036 ,001 ,017 ,323 ,693 ,001 ,005 ,021 ,002 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson ** ** * ** * **
,337 ,590 1 ,533 ,427 ,311 ,727 ,462 ,294 ,528 ,767**
Correlation
Butir3 Sig. (2-
,069 ,001 ,002 ,019 ,095 ,000 ,010 ,115 ,003 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson
,443* ,431* ,533** 1 ,103 ,600** ,556** ,582** ,416* ,158 ,742**
Correlation
Butir4 Sig. (2-
,014 ,017 ,002 ,590 ,000 ,001 ,001 ,022 ,405 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson
,355 ,187 ,427* ,103 1 ,164 ,247 ,017 ,197 ,515** ,462*
Correlation
Butir5 Sig. (2-
,054 ,323 ,019 ,590 ,386 ,188 ,929 ,298 ,004 ,010
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson ** ** ** *
,495 ,075 ,311 ,600 ,164 1 ,465 ,313 ,272 ,418 ,655**
Correlation
Butir6 Sig. (2-
,005 ,693 ,095 ,000 ,386 ,010 ,093 ,146 ,021 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30

Hal : 5
 Pearson
,245 ,568** ,727** ,556** ,247 ,465** 1 ,574** ,061 ,384* ,728**
Correlation
Butir7 Sig. (2-
,192 ,001 ,000 ,001 ,188 ,010 ,001 ,749 ,036 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson
,142 ,500** ,462* ,582** ,017 ,313 ,574** 1 ,212 ,153 ,636**
Correlation
Butir8 Sig. (2-
,454 ,005 ,010 ,001 ,929 ,093 ,001 ,260 ,420 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson
,419* ,420* ,294 ,416* ,197 ,272 ,061 ,212 1 ,332 ,558**
Correlation
Butir9 Sig. (2-
,021 ,021 ,115 ,022 ,298 ,146 ,749 ,260 ,073 ,001
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson * ** ** ** * *
,422 ,538 ,528 ,158 ,515 ,418 ,384 ,153 ,332 1 ,676**
Correlation
Butir10 Sig. (2-
,020 ,002 ,003 ,405 ,004 ,021 ,036 ,420 ,073 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30
Pearson ** ** ** ** * ** ** ** ** **
,628 ,699 ,767 ,742 ,462 ,655 ,728 ,636 ,558 ,676 1
Correlation
ButirTotal Sig. (2-
,000 ,000 ,000 ,000 ,010 ,000 ,000 ,000 ,001 ,000
tailed)
N 30 30 30 30 30 30 30 30 30 30 30

Sumber : Hasil pengolahan data SPSS 20

Keterangan :
Correlation is significant at the 0.05 level (2-tailed). *
Correlation is significant at the 0.01 level (2-tailed). **

Hal : 6
1.2. Realibilitas
Uji reliabilitas digunakan untuk mengetahui keajegan atau konsistensi alat ukur
yang biasanya menggunakan kuesioner (maksudnya apakah alat ukur tersebut
akan mendapatkan pengukuran yang tetap konsisten jika pengukuran diulang
kembali). Metode yang sering digunakan dalam penelitian untuk mengukur skala
rentangan (seperti skala Likert 1-5) adalah Cronbach Alpha.
Pengukuran reliabilitas menggunakan metode Cronbach Alpha akan menghasilkan
nilai alpha dalam skala 0 – 1, yang dapat dikelompokkan dalam lima kelas. Nilai
masing-masing kelas dan tingkat reliabilitasnya seperti terlihat pada Tabel 4. di
bawah ini :
Tabel 4. Nilai Alpha dengan Tingkat Reliabilitasnya
Alpha Tingkat Reliabilitas
0,00 – 0,20 Kurang reliabel
021 – 0,40 Agak reliabel
0,41 – 0,60 Cukup reliabel
0,61 – 0,80 Reliabel
0,81 – 1,00 Sangat reliabel

Untuk mempraktikkan, perhatikan contoh berikut. Di sini akan dilakukan uji

reliabilitas dengan teknik Cronbach Alpha untuk mengetahui konsistensi alat ukur.
Prosedur uji realibilitas item pada tabel 1. di atas dengan menggunakan SPSS 20,
adalah sebagai berikut :

1. Buka program SPSS 20;

2. Klik Variable View pada SPSS data editor;
3. Pada kolom Name, buatlah 10 item (Item1 s/d Item10), kemudian atur kolom
Decimal = 0, dan kolom Measure = Scale;
4. Klik Data View untuk membuka halaman data view;
5. Isikan data item-item seperti Tabel 1. di atas;
6. Selanjutnya klik Analyze > Scale > Reliability Analysis;
7. Masukkan semua variabel yang terdapat pada kotak sebelah kiri ke kotak
proses sebelah kanan;
8. Klik tombol OK.

Hal : 7
 Tabel 5. Case Processing Summary

N %

Valid 30 100,0
Cases Excludeda 0 0,0
Total 30 100,0

Output ini menjelaskan tentang jumlah data yang valid untuk diproses dan
data yang dikeluarkan, serta persentasenya. Dapat diketahui bahwa data atau
case yang valid jumlahnya 30 dengan persentase 100% dan tidak ada data
yang dikeluarkan. Sedangkan output selanjutnya (Tabel 5.) merupakan hasil
dari analisis reliabilitas dengan teknik Cronbach Alpha.
Diketahui nilai Cronbach Alpha adalah 0,838. Menurut sekaran (1922),
reliabilitas diatas 0,8 adalah baik, atau dengan kata lain data tersebut
realiabel.
Tabel 6. Nilai Cronbach Alpha

Cronbach Alpha N of items

0,838 10

Hasil uji reliabilitas tersebut menunjukkan bahwa semua variabel koefisien

Alpha yang cukup besar yaitu diatas 0,60 sehingga dapat dikatakan semua
konsep pengukur masing-masing variabel dari kuesioner adalah reliabel
sehingga untuk selanjutnya item-item pada masing-masing konsep variabel
tersebut layak digunakan sebagai alat ukur.

II. UJI ASUMSI KLASIK

Model regresi linier berganda (multiple regression) dapat disebut sebagai model
yang baik jika model tersebut memenuhi Kriteria BLUE (Best Linear Unbiased
Estimotor), BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat
lima uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut,
yaitu :

a. Uji Normalitas
b. Uji Autokorelasi,
c. Uji Multikolinieritas
Hal : 8
 d. Uji Heteroskedastisitas

2.1. Uji Normalitas

Uji normalitas adalah pengujian tentang kenormalan distribusi data.
Penggunaan uji normalitas karena pada analisis statistik parametik, asumsi
yang harus dimiliki oleh data adalah bahwa data tersebut harus terdistribusi
secara normal. Maksud data terdistribusi secara normal adalah bahwa data
akan mengikuti bentuk distribusi normal (Santosa&Ashari, 2005:240).

Normalitas data merupakan syarat pokok yang harus dipenuhi dalam analisis
parametrik. untuk yang menggunakan analisis parametrik seperti analisis
perbandingan 2 rata-rata, analisis variansi satu arah, korelasi, regresi, dan
sebagainya, maka perlu dilakukan uji normalitas data terlebih dahulu. Hal ini
bertujuan untuk mengetahui apakah data tersebut berdistribusi normal atau
tidak.
Cara yang sering digunakan dalam menentukan apakah suatu model
berdistribusi normal atau tidak hanya dengan melihat pada histogram
residual apakah memiliki bentuk seperti "lonceng" atau tidak. Cara ini
menjadi fatal karena pengambilan keputusan data berdistribusi normal atau
tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain untuk
menentukan data berdistribusi normal atau tidak, yaitu dengan
menggunakan rasio skewness dan rasio kurtosis.

Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu
data berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes
dibagi dengan standard error skewness; sedang rasio kurtosis adalah nilai
kurtosis dibagi dengan standard error kurtosis. Sebagai pedoman, bila rasio
kurtosis dan skewness berada di antara -2 hingga +2, maka distribusi data
adalah normal.

Berikut diberikan contoh pengujian normalitas suatu data menggunakan

data Penelitian tentang Pengaruh Gaya Kepemimpinan dan Disiplin Kerja
terhadap Kinerja Karyawan.

Tabel 7. Data Penelitian Pengaruh Gaya Kepemimpinan

dan Disiplin Kerja terhadap Kinerja Karyawan.
Gaya Kinerja
Disiplin Kerja
Kepemimpinan Karyawan
(X1)
(Y) (X2)
37 45 43
36 37 39
Hal : 9
 40 41 39
48 49 49
40 41 39
31 44 35
47 50 50
39 37 37
40 37 36
40 41 39
40 45 47
41 43 47
35 46 42
33 46 42
36 38 35
34 43 37
35 38 34
43 42 40
41 42 40
39 37 40
34 38 31
40 43 38
37 38 33
27 22 35
33 35 34
45 45 40
42 42 35
38 37 37
36 36 32
39 37 40
Sumber Data : Hasil Penelitian Mahasiswa Fakultas Ekonomi
Prosedur Uji Normalitas pada tabel 7. di atas dengan menggunakan SPSS,
adalah sebagai berikut :
1. Buka program SPSS 20;
2. Klik Variable View pada SPSS data editor;
3. Pada kolom Name, baris pertama ketik : Y, pada Label ketik : Gaya
Kepemimpinan, kemudian atur kolom Decimal = 0, dan kolom Measure
= Scale;
Pada kolom Name, baris kedua ketik : X1, pada Label ketik : Disiplin
Kerja, kemudian atur kolom Decimal = 0, dan kolom Measure = Scale;
Pada kolom Name, baris ketiga ketik : X2, pada Label ketik : Kinerja
Karyawan, kemudian atur kolom Decimal = 0, dan kolom Measure =
Scale;
Hal : 10
 4. Klik Data View untuk membuka halaman data view;
5. Isikan data item-item dan item total seperti Tabel 7. di atas;
6. Selanjutnya pilih menu :
Analyze > Regression > Linear
7. Masukkan variabel Y pada kotak Dependent
8. Masukkan variabel X1 dan X2 pada kotak Independent(s)
9. Kemudian pilih Save
10. Ceklist pilihan Unstandarized pada bagian Residual
11. Pilih Continue
12. Klik tombol OK.
13. Akan menghasilkan variabel baru Unstandarized Residual (RES_1)
Selanjutnya Analyze > Descriptive Statistics > Descriptives
14. Masukan Unstandarized Residual (RES_1) pada kotak Variable(s)
15. Pilih Options
16. Ceklist pilihan Kurtosis dan Skewness
17. Pilih Continue
18. Klik tombol OK.
19. Hasil output nya adalah sebagai berikut :

Tabel 8. Nilai Skewness dan Kurtosis

N Skewness Kurtosis
Statistic Statistic Std. Error Statistic Std. Error
Unstandardized
30 -,774 ,427 -,077 ,833
Residual
Valid N
30
(listwise)

Pada Tabel 8. di atas dapat diketahui rasio Skewness dan Kurtosis, yaitu
dengan membagi nilai statistic dengan standar errornya.
Rasio Skewness : -0,774/0,427 = -1,813 sedangkan Rasio Kurtosis : -
0,077/0,833 = -0,092 karena rasio skewness dan kurtosis berada diantara -2
dan 2, maka dapat disimpulkan bahwa distribusi data adalah normal.

2.2. Uji Autokorelasi

Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel
dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan
diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan
dengan nilai variabel itu sendiri, baik nilai variabel sebelumnya atau nilai
periode sesudahnya (Santosa&Ashari, 2005:240).

Hal : 11
 Persamaan Regresi yang baik adalah yang tidak memiliki masalah
autokorelasi. Jika terjadi autokorelasi maka persamaan tersebut menjadi
tidakbaik atau tidak layak dipakai prediksi.

Ada beberapa cara yang dapat digunakan untuk mendeteksi ada tidaknya
autokorelasi. Pertama, Uji Durbin-Watson (DW Test). Uji ini hanya digunakan
untuk autokorelasi tingkat satu (First order autocorrelation) dan
mensyaratkan adanya intercept dalam model regresi dan tidak ada variabel
lagi di antara variabel penjelas.
Keputusan ada tidaknya autokorelasi adalah :

1. Bila nilai DW terletak antara batas atas atau upper bound (du) dan (4 - du),
maka koefisien autokorelasi sama dengan nol, berarti tidak ada
autokorelasi.
2. Bial nilai DW lebih rendah daripada batas bawah atau lower bound (dl),
maka koefisien autokorelasi lebih besar daripada nol, berarti
ada autokorelasi positif.
3. Bila nilai DW lebih besar daripada (4 - dl), maka koefisien autokorelasi lebih
kecil daripada nol, berarti adaautokorelasi negatif.
4. Bila nilai DW terletak di antara batas atas (du) dan batas bawah (dl) ada
DW terletak antara (4 - du) dan (4 - dl), maka hasilnya tidak dapat
disimpulkan.
5. Bila nilai DW terletak antara (4-du) dan (4 - dl), maka hasilnya tidak dapat
disimpulkan.

Hal : 12
 Prosedur Uji Autokorelasi pada tabel 7. di atas dengan menggunakan SPSS,
adalah sebagai berikut :

1. Pilih Menu : Analyze > Regression > Linear

2. Masukkan variabel Y pada kotak Dependent
3. Masukkan variabel X1 dan X2 pada kotak Independent(s)
4. Setelah itu pilih Statistics
5. Kemudian Ceklist pilihan Durbin Watson
6. Pilih tombol Continue
7. Selanjutnya pilih OK.
8. Hasil output nya adalah sebagai berikut :

Tabel 9. Nilai Durbin-Watson

Std. Error
Adjusted Durbin-
Model R R Square of the
R Square Watson
Estimate
1 ,659a ,435 ,393 3,540 1,352

Untuk mendeteksi ada tidaknya tidaknya autokorelasi, maka nilai DW akan

dibandingkan dengan DW tabel. Nilai DW dari Tabel 9. adalah 1,352. Untuk
nilai dL dan dU dapat dilihat dalam DW tabel pada signifikansi 0,05 dengan n
(jumlah data) = 30 dan k (jumlah variabel dependen dan independen) = 3.
Didapatkan nilai dL adalah 1,2138 dan dU adalah 1,4698.
4 - dL = 4 - 1,2138 = 2,7862
4 - dU = 4 - 1,4698 = 2,5302
Hal ini berarti bahwa nilai DW (1,352), terletak di antara dL dan dU, maka
tidak terjadi autokorelasi. Sehingga dapat disimpulkan bahwa uji
autokorelasi terpenuhi.

2.3. Uji Multikolinieritas

Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel bebas (independen). Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel
independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal
(Ghozali 2007:91). Untuk mendeteksi adanya multikolinearitas, dapat dilihat
dari Value Inflation Factor (VIF). Apabila nilai VIF > 10, terjadi

Hal : 13
 multikolinieritas. Sebaliknya, jika VIF < 10, tidak terjadi multikolinearitas
(Wijaya, 2009:119).

Prosedur Uji Multikolinieritas pada tabel 7. di atas dengan menggunakan

SPSS, adalah sebagai berikut :

1. Pilih Menu : Analyze > Regression > Linear

2. Masukkan variabel Y pada kotak Dependent
3. Masukkan variabel X1 dan X2 pada kotak Independent(s)
4. Setelah itu pilih Statistics
5. Kemudian Ceklist pilihan Collinearity Diagnostics
6. Pilih tombol Continue
7. Selanjutnya pilih OK.
6. Hasil output nya adalah sebagai berikut :

Tabel 10. Nilai VIF

Collinearity Statistics
Model
Tolerance VIF

X1 ,571 1,752
1
X2 ,571 1,752

Pada Tabel 10. didapatkan hasil bahwa semua variabel X1 dan X2 memiliki
nilai VIF < 10 ini berarti tidak terjadi multikolonieritas, sehingga dapat
disimpulkan bahwa uji multikolonieritas terpenuhi.

2.4. Uji Heteroskedastisitas

Dalam persamaan Regresi Berganda perlu juga diuji mengenai sama atau
tidak varians dari residual dari observasi yang satu dengan observasi yang
lain, Jika residualnya memiliki varians yang sama disebut terjadi
homokedastisitas, dan jika variansnya tidak sama atau berbeda disebut
terjadi heterokedastisitas. Persamaan Regresi yang baik adalah jika tidak
terjadi heterokedastisitas.

Untuk Uji Heteroskedastisitas, seperti halnya uji Normalitas, cara ini yang
sering digunakan dalam menentukan apakah suatu model terbebas dari
masalah heteroskedastisitas atau tidak hanya dengan melihat pada Scatter
Plot dan dilihat apakah residual memiliki pola tertentu atau tidak. Cara ini

Hal : 14
menjadi fatal karena pengambilan keputusan apakah suatu model terbebas
dari masalah heteroskedastisitas atau tidak hanya berpatok pada
pengamatan gambar saja tidak dapat dipertanggungjawabkan
kebenarannya.

Banyak metoda statistik yang dapat digunakan untuk menentukan apakah

suatu model terbebas dari masalah heteroskedastisitas atau tidak, seperti
misalnya Uji White, Uji Park, Uji Glejser, dan lain-lain. Modul ini akan
memperkenalkan salah satu Uji Heteroskedastisitas yang mudah yang dapat
diaplikasikan di SPSS, yaitu Uji Glejser.

Prosedur Uji Heteroskedastisitas pada tabel 7. di atas dengan menggunakan

SPSS, adalah sebagai berikut :

Dari Uji Normalitas di atas, kita telah memiliki variabel Unstandarized

Residual (RES_1), selanjutnya :

1. Pilih Menu : Transform > Compute Variable

2. Pada kotak Target Variable ketik Abresid
3. Pada kotak Function Group pilih All
4. Pada kotak Function and Special Varibles pilih Abs
5. Kemudian klik tombol ↑
6. Pada kotak Numeric Expression masukan variabel Unstandarized
Residual (RES_1)
7. Selanjutnya pilih OK.
8. Akan menghasilkan variabel baru Abresid,
Selanjutnya Analyze > Regression > Linear,
9. Keluarkan Variabel Y nya dari Dependent, lalu masukan Abresid ke
Dependent,
10. Lalu pilih Save dan hilangkan tanda ceklis pada Untandardized, lalu klik
continue dan klik OK.
11. Hasil output nya adalah sebagai berikut :

Hal : 15
 Tabel 11. Nilai t-statistics
Unstandardized Standardized
t Sig.
Coefficients Coefficients

Model B Std. Error Beta

(Constant) -1,155 3,113 -,371 ,714
1 X1 ,138 ,089 ,373 1,543 ,134
X2 -,043 ,098 -,106 -,439 ,664

Dasar Pengambilan Keputusan: 

Tidak terjadi heteroskedastisitas, jika nilai Thitung lebih kecil dari Ttabel dan
nilai signifikansi lebih besar dari 0.05.
Terjadi heteroskedastisitas, jika nilai Thitung lebih besar dari Ttabel dan nilai
signifikansi lebih kecil dari 0.05.
Nilai t-statistik dari variabel X1 dan X2 seperti yang tertera pada Tabel 11.
Tidak ada yang signifikan secara statistik, sehingga dapat disimpulkan bahwa
model ini tidak mengalami Heteroskedastisitas.

III. UJI HIPOTESIS

Uji Hipotesis terdiri dari :

1. Regresi Berganda
2. Uji t
3. Uji F
4. Uji R Square

3.1. Regresi Berganda

Analisis regresi berganda ini digunakan untuk mengetahui ada tidaknya

pengaruh dari variabel bebas terhadap variabel terikat. Sehingga yang akan
kita ketahui adalah pengaruh variabel bebas : X1 dan X2 terhadap variabel
terikat : Y
Dan persamaan regresinya dapat dirumuskan sebagai berikut (Suharyadi dan
Purwanto, 2004:509):
Y = a + b1X1 + b2X2

Hal : 16
 Dimana:
Y                = Kinerja Karyawan
a                = Konstanta
b1 dan b2  = Koefisien Regresi
X1              =  Gaya Kepemimpinan
X2             =  Disiplin Kerja

Prosedur Analisis Regresi Berganda pada tabel 7. di atas dengan

menggunakan SPSS, adalah sebagai berikut :

1. Pilih Menu : Analyze > Regression > Linear

2. Masukkan variabel Y pada kotak Dependent
3. Masukkan variabel X1 dan X2 pada kotak Independent(s)
4. Selanjutnya pilih OK.
5. Hasil output nya adalah sebagai berikut :

Tabel 12. Coefficients

Standardized
Unstandardized Coefficients
Model Coefficients t Sig.
B Std. Error Beta

(Constant) 12,303 5,724 2,149 ,041

1 X1 ,301 ,164 ,351 1,834 ,078
X2 ,353 ,181 ,374 1,950 ,062

Berdasarkan Tabel 12. diatas dapat diperoleh rumus regresi sebagai berikut :
Y = 12,303 + 0,301 X1 + 0,353 X2 
Interpretasi dari regresi diatas adalah sebagai berikut:
1. Konstanta (a)
Nilai konstanta (a) adalah 12,303. Hal ini berarti bahwa jika X1 dan X2
bernilai 0, maka Kinerja Karyawan bernilai 12,303.
2. Gaya Kepemimpinan (X1) terhadap Kinerja Karyawan (Y)

Nilai koefisien prediktor Gaya Kepemimpinan (b1) sebesar 0,301. Jika

terjadi perubahan prediktor Gaya Kepemimpinan (X1) sebesar satu
satuan, menyebabkan perubahan rata-rata Kinerja Karyawan sebesar
0,301 satuan, dengan asumsi prediktor yang lainnya konstan atau tetap.
3. Disiplin Kerja (X2) terhadap Kinerja Karyawan (Y)

Hal : 17
 Nilai koefisien prediktor Disiplin Kerja (b2) sebesar 0,353. Jika terjadi
perubahan prediktor Disiplin Kerja (X2) sebesar satu satuan,
menyebabkan perubahan rata-rata Kinerja Karyawan sebesar 0,353
satuan, dengan asumsi prediktor yang lainnya konstan atau tetap.
3.2. Uji t

Uji t digunakan untuk mengetahui apakah variabel-variabel independen

secara parsial berpengaruh nyata atau tidak terhadap variabel dependen.
Derajat signifikansi yang digunakan adalah 0,05. Apabila nilai signifikan lebih
kecil dari derajat kepercayaan maka kita menerima hipotesis alternatif, yang
menyatakan bahwa suatu variabel independen secara parsial mempengaruhi
variabel dependen.
Analisis uji t juga dilihat dari Tabel 12.
1. Gaya Kepemimpinan (X1) terhadap Kinerja Karyawan (Y)

Terlihat pada tabel 11 diatas pada kolom Coefficients terdapat nilai sig

0,078 untuk X1. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai
0,078 > 0,05, maka H0 diterima dan H1 ditolak. Variabel X1 mempunyai
thitung  yakni 1,834 dengan ttabel=2,042. Jadi thitung<ttabel dapat disimpulkan
bahwa variabel X1 tidak memiliki kontribusi terhadap Y. Nilai t positif
menunjukkan bahwa variabel X1 mempunyai hubungan yang searah
dengan Y. Jadi dapat disimpulkan Gaya Kepemimpinan tidak memiliki
pengaruh yang signifikan terhadap Kinerja Karyawan.

2. Disiplin Kerja (X2) terhadap Kinerja Karyawan (Y)

Terlihat pada tabel 11 diatas kolom Coefficients  terdapat nilai sig 0,062

untuk X2. Nilai sig lebih besar dari nilai probabilitas 0,05, atau nilai ,062 >
0,05, maka maka H0 diterima dan H1 ditolak. Variabel X2 mempunyai
thitung  yakni 1,950 dengan ttabel=2,042. Jadi thitung<ttabel dapat disimpulkan
bahwa variabel X2 tidak memiliki kontribusi terhadap Y. Nilai t positif
menunjukkan bahwa variabel X2 mempunyai hubungan yang searah
dengan Y. Jadi dapat disimpulkan Disiplin Kerja tidak memiliki pengaruh
yang signifikan terhadap Kinerja Karyawan.

Sehingga ringkasan hasil pengujian hipotesis adalah sbb:

Tabel 13. Hasil Pengujian Hipotesis

Hipotesis Pernyataan Nilai Keterangan

Variabel Gaya Kepemimpinan tidak Hal : 18

H0 = diterima
H0 memiliki pengaruh yang signifikan 1,834
H1 = ditolak
terhadap Kinerja Karyawan

Variabel Disiplin Kerja tidak memiliki

H0 = diterima
H1 pengaruh yang signifikan terhadap 1,950 H1 = ditolak
Kinerja Karyawan
3.3. Uji F
Uji F digunakan untuk mengetahui apakah variabel-variabel independen
secara simultan berpengaruh signifikan terhadap variabel dependen.
Derajat kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil
perhitungan lebih besar dari pada nilai F menurut tabel maka hipotesis
alternatif, yang menyatakan bahwa semua variabel independen secara
simultan berpengaruh signifikan terhadap variabel dependen.
Untuk analisisnya dari output SPSS dapat dilihat dari Tabel 14., di bawah
ini :

Tabel 14. ANOVA

Model Sum of Squares df Mean Square F Sig.

Regression 260,409 2 130,205 10,389 ,000b

1 Residual 338,391 27 12,533
Total 598,800 29

Pengujian secara simultan X1 dan X2 terhadap Y :

Dari tabel diperoleh nilai Fhitung sebesar 10,389 dengan nilai probabilitas
(sig) = 0,000. Nilai Fhitung (10,389) > Ftabel (3,340), dan nilai sig. lebih kecil
dari nilai probabilitas 0,05 atau nilai 0,000 < 0,05 ; maka H 0 ditolak,
berarti secara bersama-sama (simultan) Gaya Kepemimpinan dan Disiplin
Kerja berpengaruh signifikan terhadap terhadap Kinerja Karyawan (Y).

3.4. Koefisien determinasi (R²)

Koefisien determinasi digunakan untuk mengetahui seberapa besar
hubungan dari beberapa variabel dalam pengertian yang lebih jelas.
Koefisien determinasi akan menjelaskan seberapa besar perubahan atau
variasi suatu variabel bisa dijelaskan oleh perubahan atau variasi pada
variabel yang lain (Santosa&Ashari, 2005:125).

Dalam bahasa sehari-hari adalah kemampuan variabel bebas untuk

berkontribusi terhadap variabel tetapnya dalam satuan persentase.

Nilai koefisien ini antara 0 dan 1, jika hasil lebih mendekati angka 0

Hal : 19
 berarti kemampuan variabel-variabel independen dalam menjelaskan
variasi variabel amat terbatas. Tapi jika hasil mendekati angka 1 berarti
variabel-variabel independen memberikan hampir semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependen.

Untuk analisisnya dengan menggunakan output SPSS dapat dilihat pada

Tabel 15. berikut ini :

Tabel 15. Model Summary

Std. Error of the
Model R R Square Adjusted R Square
Estimate

1 ,659a ,435 ,393 3,540

Berdasarkan Tabel 15. dapat disimpulkan bahwa Gaya Kepemimpinan dan

Disiplin Kerja berpengaruh sebesar 43,5% terhadap Kinerja Karyawan,
sedangkan 56,5% dipengaruhi variabel lain yang tidak diteliti. Karena nilai
R Square dibawah 5% atau cenderung mendekati nilai 0 maka dapat
disimpulkan kemampuan variabel-variabel independen  dalam menjelaskan
variabel dependen amat terbatas.

LAMPIRAN
Rumus Tabel Statistik
1. F Table
Rumus pada Microsoft Excel untuk mencari F table
= FlNV(probabitity;deg_freedoml;def_freedom2)
df1 = (Jumlah Variabel – 1)
df2 = (Jumlah Data/Sampel – Jumlah Variabel Independen – 1)
Misal mencari F Table dengan signifikansi 0,05, dengan jumlah variabel = 3, dan
Jumlah data/Sampel = 10, dengan demikian df1 =2, df2 =7
Ketik =FINV(0.05;2;7)
Tekan Enter
Hasil= 4,737
Hal : 20
2. t Table
Rumus pada Microsoft Excel untuk mencari t table
= TlNV(probability;deg_freedom)
Misal mencari t Table dengan signifikansi 0,05, df = 28 dan uji 2 sisi
Ketik =TINV(0.05,28)
Tekan Enter
Hasil = 2,048
3. r Table
Rumus pada Microsoft Excel untuk mencari r table
= t table/SQRT(df+t table^2)
Misal mencari r Table dengan signifikansi 0,05, df = 23 dan uji 2 sisi
Pertama cari t table terlebih dulu dengan ketik = TINV(0,05; 23) hasil = 2,069
Selanjutnya ketik =2.069/SQRT(23+2,069^2)
Tekan Enter
Hasil = 0,396
4. Chi square Table
Rumus pada Microsoft Excel untuk mencari Chi square table
= CHllNV(probability;deg_freedom)
Misal mencari Chi square Table dengan signifikansi 0,05, df = 8
Ketik =CHIINV(0.05;4) > Tekan Enter
Hasil = 9,488

Hal : 21