NAMA : SERLY PAULINA

NIM : 11012000289
KELAS : 5B MANAJEMEN
FAKULTAS : EKONOMI DAN BISNIS
JURUSAN : MANAJEMEN
MATA KULIAH : PRAKTIKUM KOMPUTER
DOSEN : ADE FAUJI S.E., M.M
HARI/TANGGAL : SENIN 23 JANUARI 2023

UJI SPSS VER. 26

1). Uji cluster
● Cluster initial

Initial Cluster Centers

Cluster
1 2 3
pengetahuan (x1) 43 46 55
kesadaran (x2) 31 23 25
sanksi (x3) 27 30 30

Analisis

Dari uji klaster uji klaster pertama diketahui bahwa variabel x1 masuk ke dalam klaster 3,
variabel x2 masuk ke dalam klaster 1, dan variabel x3 masuk ke dalam klaster 2 atau 3

● Cluster final

Final Cluster Centers

Cluster
1 2 3
pengetahuan (x1) 45 46 51
kesadaran (x2) 28 25 27
sanksi (x3) 28 31 29
Analisis
Tabel mean klaster terakhir adalah tabel yang berisi rata-rata/rata-rata untuk setiap variabel
(Tugas) untuk didistribusikan berdasarkan hasil yang diperoleh di atas untuk setiap cluster:

- pada variabel X1 diperoleh nilai rata rata : cluster 3 > cluster > 2 cluster >1
- pada variabel X2 diperoleh nilai rata rata : cluster 1 > cluster > 3 cluster >2
- pada variabel X3 diperoleh nilai rata rata : cluster 3 > cluster > 2 cluster >1
Dari hasil data diatas diperoleh cluster 3 > cluster > 2 cluster >1
- cluster 3 = kelompok siswa yang sangat menguasai
- cluster 2 = kelompok siswa yang menguasai
- cluster 1 = kelompok siswa yang kurang menguasai

2). Uji analisis faktor

● Correlation Matrix

Correlation Matrixa
kepatuhan pengetahuan kesadaran
(y) (x1) (x2) sanksi (x3)
Correlation kepatuhan (y) 1,000 ,089 ,215 ,082
pengetahuan (x1) ,089 1,000 ,152 ,080
kesadaran (x2) ,215 ,152 1,000 -,176
sanksi (x3) ,082 ,080 -,176 1,000
Sig. (1-tailed) kepatuhan (y) ,250 ,049 ,267
pengetahuan (x1) ,250 ,123 ,271
kesadaran (x2) ,049 ,123 ,089
sanksi (x3) ,267 ,271 ,089
a. Determinant = ,876

● Communalities

Communalities
Extractio
Initial n
kepatuhan (y) 1,000 ,497
pengetahuan (x1) 1,000 ,414
kesadaran (x2) 1,000 ,710
sanksi (x3) 1,000 ,817
Extraction Method: Principal Component
Analysis.

Analisis

Dari tabel umum di atas, nilai setiap indikator harus lebih besar dari 0,50, jika nilainya lebih
rendah maka harus dihilangkan dan diuji kembali. Karena tidak ada nilai yang kurang dari 0,50,
maka tidak perlu diulang
● Component Matrix

Component Matrixa
Component
1 2
kepatuhan (y) ,647 ,279
pengetahuan (x1) ,526 ,370
kesadaran (x2) ,775 -,332
sanksi (x3) -,132 ,894
Extraction Method: Principal Component
Analysis.
a. 2 components extracted.

● Analisis

Tabel di atas menunjukkan seberapa kuat suatu variabel berkorelasi dengan faktor
penyusunnya, misalnya y 0,279 berkorelasi dengan komponen 2

Rotated Component Matrix

Rotated Component
Matrixa
● Component
● 1 ● 2
● kepatuha , -
n (y) 7 ,
0 0
5 0
5
● pengetah , ,
uan (x1) 6 1
3 2
0 7
● sanksi , ,
(x3) 2 8
3 7
9 2
● kesadara , -
n (x2) 5 ,
7 6
6 1
5
● Extraction Method: Principal
Component Analysis.
● Rotation Method: Varimax with
Kaiser Normalization.
● a. Rotation converged in 3
iterations.
 ● Factor score

Correlations
kepatuhan pengetahuan kesadaran
(y) (x1) (x2) sanksi (x3)
kepatuhan (y) Pearson Correlation 1 ,089 ,215 ,082
Sig. (2-tailed) ,500 ,099 ,534
N 60 60 60 60
pengetahuan (x1) Pearson Correlation ,089 1 ,152 ,080
Sig. (2-tailed) ,500 ,246 ,543
N 60 60 60 60
kesadaran (x2) Pearson Correlation ,215 ,152 1 -,176
Sig. (2-tailed) ,099 ,246 ,178
N 60 60 60 60
sanksi (x3) Pearson Correlation ,082 ,080 -,176 1
Sig. (2-tailed) ,534 ,543 ,178
N 60 60 60 60

Analisis

Nilai korelasi data (X1) sebesar 0,089 yang berarti hubungan antara nilai Y dengan jumlah X1
sangat kuat
 UJI SMARTPLS
(PRIMER)

● REGRESI

BAGAIMANA X1 DAN X2 TERHADAP Y

● INTERVENING

BAGAIMANA PENGARUH X TERHADAP Y MELALUI Z

● MODERATOR

BAGAIMANA PENGARUH X TERHADAP Y MELALUI M

 UJI SMARTPLS
(SEKUNDER)

● REGRESI

BAGAIMANA X1 DAN X2 TERHADAP Y

● INTERVENING

BAGAIMANA PENGARUH X TERHADAP Y MELALUI Z

 ● MODERATOR

BAGAIMANA PENGARUH X TERHADAP Y MELALUI M

Data primer

OUTER LOADINGS

  X1 X2 y
 x1 0,228    
x2 0,997    
x3   1.000  
y     1.000

Dari tabel data di atas diketahui bahwa setiap variabel indikator penelitian memiliki nilai
loading yang luar biasa > 0,5, kecuali untuk indikator X1, sebelum dilakukan pengujian
lebih lanjut, terlebih dahulu indikator yang tidak valid dihilangkan (dropped) kemudian
dihitung ulang untuk memastikan Nilai tersebut. sudah di atas 0,5.

UJI VALIDITAS DAN REHABILITASI

Keandalan komposit Keandalan komposit Rata-rata varians

Cronbach's alpha (rho_a) (rho_c) diekstraksi (AVE)
X1 0,64 1.898 0,611 0,523

Dari keterangan di atas diketahui bahwa nilai AVE sebesar 0,523 > 0,5 yang berarti setiap
variabel memiliki discriminant validity yang baik.Dari keterangan di atas diketahui nilai cronbach
alpha reliabilitas kombinasi RHO A DAN RHO C lebih besar dari 0,60. Ini berarti bahwa setiap
variabel terpenuhi. Dapat disimpulkan bahwa tingkat reliabilitas semua variabel adalah baik.

Uji multikolinieritas

  VIF
x2 1.000
x3 1.000
y 1.000

Jika nilai VIF kurang dari 10, maka dapat disimpulkan dari data diatas bahwa tidak terjadi
multikolinieritas pada data tersebut.

Data sekunder

OUTER LOADINGS
   X1 X2 Y
x1 1.000    
x2   0,765  
x3     1.000
x3   0,923  

Dari data diatas diketahui bahwa semua indikator variabel memiliki nilai loading eksternal > 0,7
yang artinya tidak ada indikator variabel dengan nilai loading eksternal kurang dari 0,5. Jadi
semuanya dinyatakan mungkin atau valid

UJI VALIDITAS DAN REHABILITASI

Cronbach's Keandalan Keandalan Rata-rata varians

alpha komposit (rho_a) komposit (rho_c) diekstraksi (AVE)
X2 0,628 0,741 0,835 0,718

Dari keterangan di atas diketahui nilai AVE sebesar 0,718 > 0,5 yang berarti bahwa masing-
masing variabel memiliki validitas diskriminan yang baik.Dari keterangan diatas diketahui nilai
cronbach alpha reliabilitas kombinasi RHO A DAN RHO C lebih besar dari 0,60. Ini berarti bahwa
setiap variabel terpenuhi. Dapat disimpulkan bahwa tingkat reliabilitas semua variabel adalah
baik.

Rata-rata Standar deviasi T statistik Nilai P (P

  Sampel asli (O) sampel (M) (STDEV) (|O/STDEV|) values)
x1 <- X1 1.000 1.000 0.000 0.000 0.000
x2 <- X2 0,53125 0,44236 0,220833333 2.402 0.016
x3 <- X2 0,640972 0,65278 0.028 32.665 0.000
x3 <- Y 1.000 1.000 0.000 0.000 0.000