Langkah-langkah Melakukan Uji Data dengan SPSS

A. Uji Normalitas Kolmogorov-Smirnov

1. Langkah pertama adalah mempersiapkan file data dalam bentuk excel untuk
mempermudah proses pengujian. Setelah itu buka aplikasi SPSS pada kompueter anda,
lalu klik Variable View, dibagian pojok kiri bawah. Selanjutnya, pada bagian Name, tulis
saja motivasi, minat dan prestasi, pada Decimals, ubah menjadi angka 0, untuk bagian
Label, tuliskan motivasi, minat, dan prestasi. Lalu abaikan yang lainnya (biarkan tetap
default).

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.

8. Muncul kotak dialog lagi dengan nama “One-Sample Kolmogorov-Smirnov Test”.

Selanjutnya masukkan variabel Unstandardized Residuals ke kotak Test Variable List,
pada “Test Distribution”, aktifkan atau centang (v) pada pilihan Normal.

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.

B. Uji Regresi Linier Berganda

1. Buka program SPSS, Klik Variable View, selanjutnya pada bagian Name, ketik Motivasi,
Minat, dan Prestasi. pada Decimals, ubah menjadi angka 0, untuk bagian Label, tuliskan
motivasi (X1), minat (X2), dan prestasi (Y). Pada bagian Measure pilih Scale. Maka akan
tampak seperti gambar berikut.

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.

6. Langkah terakhir adalah klik OK, lalu muncul output SPSS.

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

C. Uji Parsial (t)

Uji t pertama dilakukan untuk mengetahui apakah ada pengaruh Motivasi (X1) terhadap
Prestasi (Y).
Berdasarkan Nilai Signifikansi (Sig.)
Berdasarkan tabel output SPSS "Coefficients" di atas diketahui nilai Signifikansi (Sig)
variabel Motivasi (X1) adalah sebesar 0,395. Karena nilai Sig. 0,395 > probabilitas 0,05,
maka dapat disimpulkan bahwa H1 atau hipotesis pertama ditolak. Artinya tidak ada
pengaruh Motivasi (X1) terhadap Prestasi (Y).
Perbandingan Nilai t hitung dengan t tabel (Uji t Pertama)
Berdasarkan output SPSS di atas diketahui nilai t hitung variabel motivasi adalah
sebesar 0,894. Karena nilai t hitung 0,894 < t tabel 2,262, maka dapat disimpulkan bahwa H1
atau hipotesis pertama ditolak. Artinya tidak ada pengaruh Motivasi (X1) terhadap Prestasi
(Y).

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).

D. Uji Simultan (F)

Ada dua cara yang bisa kita gunakan sebagai acuan atau pedoman untuk melakukan
uji hipotesis dalam uji F. Pertama adalah membandingkan nilai signifikansi (Sig.) atau nilai
probabilitas hasil output Anova. Kedua adalah membandingkan nilai F hitung dengan nilai F
tabel.
1. Berdasarkan Nilai Signifikansi (Sig.) dari Output Anova
a. Jika nilai Sig. < 0,05, maka hipotesis diterima. Maka artinya motivasi (X1) dan minat
(X2) secara simultan berpengaruh terhadap prestasi (Y).
 b. Jika nilai Sig. > 0,05, maka hipotesis ditolak. Maka artinya motivasi (X1) dan minat
(X2) secara simultan tidak berpengaruh terhadap prestasi (Y).

2. Berdasarkan Perbandingan Nilai F Hitung dengan F Tabel

a. Jika nilai F hitung > F tabel, maka hipotesis diterima. Maka artinya motivasi (X1) dan
minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
b. Sebaliknya, Jika nilai F hitung < F tabel, maka hipotesis ditolak. Maka artinya
motivasi (X1) dan minat (X2) secara simultan tidak berpengaruh terhadap prestasi
(Y).
Adapun hasil output SPSS dalam analisis regresi linier berganda yang dimaksud yaitu
sebagaimana pada gambar dibawah ini:

1. Berdasarkan Nilai Signifikansi (Sig.) dari Output Anova

Berdasarkan tabel output SPSS di atas, diketahui nilai Sig. adalah sebesar 0,000.
Karena nilai Sig. 0,000 < 0,05, maka sesuai dengan dasar pengambilan keputusan dalam uji F
dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain motivasi (X1) dan min
(X2) secara simultan berpengaruh terhadap prestasi (Y).
2. Berdasarkan Perbandingan Nilai F Hitung dengan F Tabel
Berdasarkan tabel output SPSS di atas, diketahui nilai F hitung adalah sebesar 23,450.
Karena nilai F hitung 23,450 > F tabel 4,10, maka sebagaimana dasar pengambilan keputusan
dalam uji F dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain motivasi (X1)
dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).

E. Koefisien Determinasi (Uji R-Square)

Persyaratan yang harus terpenuhi agar kita dapat memaknai nilai koefisien
determinasi adalah hasil uji F dalam analisis regresi linear berganda bernilai signifikan, yang
berarti bahwa "ada pengaruh variabel X secara simultan (bersama-sama) terhadap variabel
Y". Sebaliknya, jika hasil analisis dalam uji F tidak signifikan, maka nilai koefisien
determinasi tidak dapat digunakan atau dipakai untuk memprediksi kontribusi pengaruh
variabel X secara simultan terhadap variabel Y.
Disini kita akan melihat berapa persen (%) pengaruh yang diberikan variabel motivasi
(X1) dan variabel minat (X2) secara simultan (bersama-sama) terhadap variabel prestasi (Y).
Dalam hal ini kita mengacu pada nilai R Square yang terdapat dalam hasil analisis regresi
linear berganda, yakni pada tabel "Model Summary" berikut ini.
 Berdasarkan tabel output SPSS "Model Summary" di atas, diketahui nilai koefisien
determinasi atau R Square adalah sebesar 0,839. Nilai R Square 0,842 ini berasal dari
pengkuadratan nilai koefisien korelasi atau "R", yaitu 0,916 x 0,916 0,839. Besarnya = angka
koefisien determinasi (R Square) adalah 0,839 atau sama dengan 83,9%. Angka tersebut
mengandung arti bahwa variabel motivasi (X1) dan variabel minat (X2) secara simultan
(bersama-sama) berpengaruh terhadap variabel prestasi (Y) sebesar 83,9%. Sedangkan
sisanya (100% - 83,9% = 16,1%) dipengaruhi oleh variabel lain di luar persamaan regresi ini
atau variabel yang tidak diteliti.
Besarnya pengaruh variabel lain disebut juga sebagai error (e). Untuk menghitung
nilai error tersebut kita dapat menggunakan rumus e = 1 - R2. Besarnya nilai koefisien
determinasi atau R Square ini umunya berkisar antara 0-1. Namun demikian, jika dalam
sebuah penelitian kita jumpai R Square bernilai minus atau negatif (-), maka dapat dikatakan
bahwa tidak terdapat pengaruh variabel X terhadap variabel Y. Selanjutnya, semakin kecil
nilai koefisien determinasi (R Square), maka ini artinya pengaruh variabel bebas (X) terhadap
variabel terikat (Y) semakin lemah dan juga sebaliknya.