Nama: Jefrianus Beti

Nim : 1911B0030

• Uji normalitas adalah uji yang dilakukan untuk mengecek apakah data penelitian kita berasal dari populasi yang sebarannya
normal.
• Uji ini perlu dilakukan karena semua perhitungan statistik parametrik memiliki asumsi normalitas sebaran.
• Formula/rumus yang digunakan untuk melakukan suatu uji (t-test misalnya) dibuat dengan mengasumsikan bahwa data yang akan
dianalisis berasal dari populasi yang sebarannya normal.
• Data yang normal memiliki kekhasan seperti mean, median dan modusnya memiliki nilai yang homogen.
• Selain itu juga data normal memiliki bentuk kurva yang sama, bell curve.
• dengan mengasumsikan bahwa data dalam bentuk normal, analisis statistik baru bisa dilakukan.
• cara melakukan uji asumsi normalitas, yaitu menggunakan analisis Chi Square dan Kolmogorov-Smirnov.

• Distribusi normal merupakan salah satu distribusi yang paling penting kita akan hadapi. Ada beberapa alasan untuk ini:
1. Banyak variabel dependen, umumnya diasumsikan terdistribusi secara normal dalam populasi. Artinya, kita sering berasumsi
bahwa jika kita mendapatkan seluruh populasi pengamatan, distribusi yang dihasilkan akan sangat mirip dengan distribusi normal.
2. Jika kita dapat mengasumsikan bahwa variabel setidaknya mendekati terdistribusi normal, maka teknik ini memungkinkan kita
untuk membuat sejumlah kesimpulan (baik yang tepat atau perkiraan) tentangnilai-nilai variabel itu.
3. Menguji normalitas data kerapkali disertakan dalam suatu analisis statistika inferensial untuk satu atau lebih kelompok sampel.
Normalitas sebaran data menjadi sebuah asumsi yang menjadi syarat untuk menentukan jenis statistik apa yang dipakai dalam
penganalisaan selanjutnya
4. Uji normalitas biasanya digunakan untuk mengukur data berskala ordinal, interval, ataupun rasio.
5. 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.
6. Uji normalitas digunakan untuk mengetahui apakah data yang diperoleh terdistribusi normal atau tidak. Dasar pengambilan
keputusan adalah jika nilai Lhitung> Ltabel maka H0 ditolak, dan jika nilai Lhitung< Ltabel maka H0 diterima

Regression
Output Created 07-Jan-2022 16:07:24
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
56
File
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
    /MISSING LISTWISE
    /STATISTICS COEFF OUTS R
ANOVA
    /CRITERIA=PIN(.05) POUT(.10)
    /NOORIGIN
    /DEPENDENT X
    /METHOD=ENTER Y
    /SAVE RESID.

Resources Processor Time 00:00:00.141

Elapsed Time 00:00:00.185
Memory Required 1348 bytes
Additional Memory
0 bytes
Required for Residual Plots
Variables Created or RES_1
Unstandardized Residual
Modified
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 KECEMASAN a
. Enter
a. All requested variables entered.
b. Dependent Variable: DUKUNGAN

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .220 a
.048 .031 .30727
a. Predictors: (Constant), KECEMASAN
b. Dependent Variable: DUKUNGAN

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .259 1 .259 2.741 .104a
Residual 5.098 54 .094
Total 5.357 55
a. Predictors: (Constant), KECEMASAN
b. Dependent Variable: DUKUNGAN
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1.608 .177 9.098 .000
KECEMASAN .161 .097 .220 1.655 .104
a. Dependent Variable: DUKUNGAN

Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 1.7692 1.9302 1.8929 .06859 56
Residual -.93023 .23077 .00000 .30446 56
Std. Predicted Value -1.802 .545 .000 1.000 56
Std. Residual -3.027 .751 .000 .991 56
a. Dependent Variable: DUKUNGAN
Notes
Output Created 07-Jan-2022 16:09:40
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
56
File
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics for each test are based on all
cases with valid data for the variable(s)
used in that test.
Syntax NPAR TESTS
    /K-S(NORMAL)=RES_1
    /MISSING ANALYSIS.

Resources Processor Time 00:00:00.000

Elapsed Time 00:00:00.019
Number of Cases Alloweda 196608
a. Based on availability of workspace memory.
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 56
Normal Parametersa Mean .0000000
Std. Deviation .30446346
Most Extreme Differences Absolute .483
Positive .231
Negative -.483
Kolmogorov-Smirnov Z 3.618
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2, yaitu 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). 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.

Untuk melakukan uji validitas ini menggunakan program SPSS.  Teknik pengujian yang sering digunakan para peneliti untuk uji
validitas adalah menggunakan korelasi Bivariate Pearson (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 à Valid. 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). Langkah-langkah dalam pengujian validitas ini yaitu :
1. Buat skor total masing-masing variabel  (Tabel perhitungan skor)
Correlations

Correlations

x1 x2 x3 x4 x5 x6 x7 x8 x9 total
x1 Pearson Correlation 1 .220 .312* -.047 .024 .386** .160 -.141 .067 .164
Sig. (2-tailed) .104 .019 .732 .863 .003 .238 .298 .625 .226
N 56 56 56 56 56 56 56 56 56 56
x2 Pearson Correlation .220 1 .164 .245 .138 .102 .096 -.104 -.054 .214
Sig. (2-tailed) .104 .227 .069 .310 .455 .482 .447 .694 .113
N 56 56 56 56 56 56 56 56 56 56
x3 Pearson Correlation .312 *
.164 1 -.108 .090 .528 **
-.027 -.224 -.042 .382**
Sig. (2-tailed) .019 .227 .426 .512 .000 .845 .097 .757 .004
N 56 56 56 56 56 56 56 56 56 56
x4 Pearson Correlation -.047 .245 -.108 1 .330 *
.150 -.168 .330 *
.389 **
-.085
Sig. (2-tailed) .732 .069 .426 .013 .269 .217 .013 .003 .532
N 56 56 56 56 56 56 56 56 56 56
x5 Pearson Correlation .024 .138 .090 .330 *
1 .249 -.194 -.021 .024 .194
Sig. (2-tailed) .863 .310 .512 .013 .064 .152 .879 .863 .153
N 56 56 56 56 56 56 56 56 56 56
x6 Pearson Correlation .386 **
.102 .528 **
.150 .249 1 .060 -.161 .037 .386**
Sig. (2-tailed) .003 .455 .000 .269 .064 .658 .235 .785 .003
N 56 56 56 56 56 56 56 56 56 56
x7 Pearson Correlation .160 .096 -.027 -.168 -.194 .060 1 -.508** -.194 -.058
Sig. (2-tailed) .238 .482 .845 .217 .152 .658 .000 .151 .672
N 56 56 56 56 56 56 56 56 56 56
x8 Pearson Correlation -.141 -.104 -.224 .330 *
-.021 -.161 -.508 **
1 .354 **
-.145
Sig. (2-tailed) .298 .447 .097 .013 .879 .235 .000 .008 .286
N 56 56 56 56 56 56 56 56 56 56
x9 Pearson Correlation .067 -.054 -.042 .389 **
.024 .037 -.194 .354 **
1 -.219
Sig. (2-tailed) .625 .694 .757 .003 .863 .785 .151 .008 .105
N 56 56 56 56 56 56 56 56 56 56
total Pearson Correlation .164 .214 .382 **
-.085 .194 .386 **
-.058 -.145 -.219 1
Sig. (2-tailed) .226 .113 .004 .532 .153 .003 .672 .286 .105
N 56 56 56 56 56 56 56 56 56 56
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
Reliability

Notes
Output Created 07-Jan-2022 16:55:31
Comments
Input Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
56
File
Matrix Input
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on all cases with
valid data for all variables in the
procedure.
Syntax RELIABILITY
    /VARIABLES=x1 x2 x3 x4 x5 x6 x7
x8 x9
    /SCALE('ALL VARIABLES') ALL
    /MODEL=ALPHA
    /SUMMARY=TOTAL.

Resources Processor Time 00:00:00.016

Elapsed Time 00:00:00.019
Scale: ALL VARIABLES

Case Processing Summary

N %
Cases Valid 56 100.0
Excluded a
0 .0
Total 56 100.0
a. Listwise deletion based on all variables in the
procedure.

Reliability Statistics
Cronbach's
Alpha N of Items
.340 9

Item-Total Statistics
Cronbach's
Scale Mean if Scale Variance if Corrected Item- Alpha if Item
Item Deleted Item Deleted Total Correlation Deleted
x1 13.9107 1.574 .393 .211
x2 14.0357 1.562 .221 .266
x3 14.1964 1.397 .291 .212
x4 13.8214 1.858 .282 .305
x5 13.9464 1.724 .140 .310
x6 14.2500 1.209 .470 .075
x7 14.4107 1.956 -.159 .478
x8 13.9464 2.124 -.262 .467
x9 13.9107 1.828 .063 .341