2. Setelah itu, klik Data View, dan masukkan data motivasi belajar dan prestasi belajar yang
sudah dipersiapkan tadi ke program SPSS sesuai nama variabel, bisa dengan cara copy-
paste. Maka akan tampak dilayar.
3. Langkah berikutnya, kita akan memunculkan nilai unstandardized residual (RES_1) yang
selanjutnya akan kita uji normalitasnya. Caranya: dari menu di SPSS klik menu Analyze
kemudian klik Regression lalu pilih Linier.
4. Muncul kotak dialog dengan nama “Linear Regression”, selanjutnya masukkan variabel
prestasi belajar (Y) ke Dependent, lalu masukkan variabel Motivasi Belajar (X1) dan
Minat (X2) ke Independent, kemudian klik Save.
5. Maka muncul lagi kotak dialog dengan nama “Linier Regression: save”, pada bagian
“Residuals” centang (v) Unstandardized (abaikan kolom dan pilihan lain). Selanjutnya
klik Continue, lalu klik OK.
6. Abaikan saja output yang muncul dari program SPSS, Perhatikan pada tampilan Data
View, makan akan muncul variabel baru dengan nama RES_1. Maka akan tampak dilayar
SPSS.
7. Langkah selanjutnya untuk melakukan uji normalitas Kolmogorov-Smirnov, pilih menu
Analyze, lalu pilih Nonparametric-Test, lalu klik menu Legacy Dialogs, kemudian pilih
submenu 1-Sample K-S.
9. Langkah terakhir yakni klik OK untuk mengakhiri perintah. Selanjutnya lihat tampilan
tabel output yang muncul di SPSS “One-Sample Kolmogorov-Smirnov Test”. Maka,
tinggal kita interpretasikan supaya maknanya lebih jelas lagi.
Berdasarkan tabel output SPSS tersebut, diketahui bahwa nilai signifikansi Asyimp. Sig. (2-
tailed) sebesar 0,114 lebih besar dari 0,05. Maka sesuai dengan dasar pengambilan keputusan
dalam uji normalitas Kolmogorov-smirnov diatas, dapat disimpulkan bahwa data
berdistribusi normal. Dengan demikian, asumsi atau persyaratan normalitas dalam model
regresi sudah terpenuhi.
2. Setelah itu klik menu Data View, lalu masukkan data motivasi (X1), minat (X2), dan
prestasi (Y) yang sudah dipersiapkan tadi. Tampak pada gambar berikut.
3. Selanjutnya dari menu utama SPSS, Klik menu Analyze-Regression-Linier.
4. Muncul kotak dialog dengan nama “Linear Regression”, selanjutnya masukkan variabel
prestasi belajar (Y) ke Dependent, lalu masukkan variabel Motivasi Belajar (X1) dan
Minat (X2) ke Independent, Pada bagian Method pilih Enter, selanjutnya klik Statistic.
5. Pada bagian “Linear Regression:Statistic”, berikan tanda centang (v) pada Estimates dan
Model Fit kemudian klik Continue.
Tabel “Coeficientsa” memberikan informasi tentang persamaan regresi dan ada tidaknya
pengaruh variabel motivasi dan minat secara sendiri-sendiri (parsial) terhadap variabel
prestasi. Adapun rumus persamaan regresi dalam analisis ini yaitu sebagai berikut:
Y= a+b1x1+b2x2 atau Y= 2,612+0,192+0,888
Uji t kedua dilakukan untuk mengetahui apakah ada pengaruh Minat (X2) terhadap Prestasi
(Y).
Berdasarkan Nilai Signifikansi (Sig.)
Berdasarkan tabel output SPSS "Coefficients" di atas diketahui nilai Signifikansi (Sig)
variabel Motivasi (X1) adalah sebesar 0,006. Karena nilai Sig. 0,006 < probabilitas 0,05,
maka dapat disimpulkan bahwa H2 atau hipotesis kedua diterima. Artinya terdapat pengaruh
Minat (X2) terhadap Prestasi (Y).
Perbandingan Nilai t hitung dengan t tabel (Uji t Kedua)
Berdasarkan output SPSS di atas diketahui nilai t hitung variabel motivasi adalah
sebesar 3,567. Karena nilai t hitung 3,567 > t tabel 2,262, maka dapat disimpulkan bahwa H2
atau hipotesis kedua diterima. Artinya terdapat pengaruh Minat (X2) terhadap Prestasi (Y).