MODUL PELATIHAN

ANALISIS INSTRUMEN DAN

REGRESI LINIER DENGAN SPSS

Dr. Heru Kurniawan, M.Pd.

Disampaikan pada Workshop SPSS

Diselenggarakan oleh UKM Saintek
Sabtu, 20 November 2021

UNIVERSITAS MUHAMMADIYAH
2021
i|Page
PURWOREJO
MODUL PELATIHAN

ANALISIS INSTRUMEN DAN REGRESI LINIER DENGAN SPSS

Dr. Heru Kurniawan, M.Pd.

Disampaikan pada Workshop SPSS

Yang diselenggarakan oleh UKM Saintek
Sabtu, 20 November 2021

UNIVERSITAS MUHAMMADIYAH PURWOREJO

2021

ii | P a g e
 KATA PENGANTAR

Puji syukur Alhamdulillah terpanjatkan kepada Allah SWT yang telah

memberikan keleluasaan waktu dan keluasan ilmu sehingga modul pelatihan
analisis instrumen dan regresi linier dengan SPSS dapat terselesaikan dengan
baik. Modul ini disusun sebagai bahan kajian pada Workshop SPSS yang
diselenggarakan oleh UKM Saintek Universitas Muhammadiyah Purworejo
pada Sabtu, 20 November 2021.
Penyusun sangat berharap modul ini dapat memberikan tambahan
kelancaran atas keseluruhan kegiatan workshop yang nantinya dapat juga
digunakan untuk analisis data. Oleh karenanya, penyusun sangat berharap
modul ini dapat memberikan kebermanfaatan yang besar, tidak hanya pada
saat workshop berlangsung namun juga dapat dijadikan sebagai acuan untuk
kegiatan tugas akhir mahasiswa.
Akhirnya, dengan segala kerendahan hati, penyusun menyadari
bahwa masih ada kekurangan dan ketidak lenkapan dalam modul ini.
Perbaikan akan dilaksanakan secara berkelanjutan.

Purworejo, November 2021

Penyusun

Dr. Heru Kurniawan, M.Pd.

iii | P a g e
 DAFTAR ISI

ANALISIS BUTIR INSTRUMEN ..................................................................................... 1

Uji Validitas Instrumen........................................................................................... 1
Uji Reliabilitas Instrumen ..................................................................................... 14
UJI KORELASI DAN REGRESI SEDERHANA ................................................................ 19
1. Uji Normalitas Residu............................................................................... 21
2. Uji Non Otokorelasi dalam Residu ........................................................... 26
3. Uji Non Heteroskedatisitas ...................................................................... 29
4. Uji Linieritas ............................................................................................. 34
1. Menentukan Model Regresi .................................................................... 35
2. Menentukan Indeks Regresi .................................................................... 36
3. Menentukan taraf Signifikansi model regresi .......................................... 38
UJI KORELASI DAN REGRESI BERGANDA .................................................................. 41
1. Uji Normalitas Residu............................................................................. 410
2. Uji Non Otokorelasi dalam Residu ......................................................... 446
3. Uji Non Heteroskedatisitas ...................................................................... 47
4. Uji Linieritas ........................................................................................... 510
5. Uji Multikolinieritas.................................................................................. 53
Analisis Regresi Berganda .................................................................................... 55
1. Menentukan Model Regresi .................................................................... 55
2. Menentukan Koefisien Regresi ................................................................ 55
3. Menentuka signifikansi Regresi ............................................................... 57

iv | P a g e
ANALISIS BUTIR INSTRUMEN
Temuan penelitian yang baik selalu dibangun dari teknik analisis data
yang berasal dari data penelitian yang terpercaya. Akibat dari hal tersebut,
maka akan diperoleh simpulan penelitian yang handal dan terpercaya. Data
penelitian diperoleh dari instrumen (alat pengumpul data) penelitian. Secara
logika, agar memperoleh data yang baik diperlukan alat pengumpul data yang
baik. Atau dengan kata lain, suatu instrumen yang baik akan menghasilkan
data yang baik pula. Hal inilah yang menjadikan penyusunan data penelitian
menjadi langkah penelitian yang sangat esensial.
Instrumen dibangun atas dasar teori yang akurat dan disusun dengan
kisi-kisi yang sesuai. Instrumen yang telah disusun selanjutnya diuji cobakan
kepada suatu sampel atau subjek dengan tujuan untuk mengetahui tingkat
keshahihan, indeks keajegan, dan apakah tiap butirnya telah mampu mengukur
apa yang hendak diukur.

Uji Validitas Instrumen

Secara sederhana uji validitas dilakukan dengan tujuan untuk
memastikan bahwa alat ukur/ instrumen pengumpl data penelitian telah
mengukur apa yang hendak diukur. Ada beberapa macam jenis uji validitas,
seperti: validitas wajah, validitas isi, validitas konstruk, dan validitas kriteria.
Selain beberapa uji validitas di atas, beberapa buku dan peneliti juga
menggunakan istilah validitas butir instrumen. Meskipun isitlah dan praktik
pengunaan validitas butir dipertentangkan oleh para pakar hingga saat ini,
namun oleh beberapa pihak, keberadaan dan penggunaannya masih tetap
digunakan hingga saat ini.
Validitas Kriteria

Validitas kriteria merupakan salah satu jenis validitas instrumen yang

bergatung pada instrumen lain, sehingga sering kali juga dinamakan sebagai
validitas eksternal. Perhitungan korelasi dapat menggunakan rumus product
moment dari Karl Pearson.
∑ ∑ ∑
√( ∑ (∑ ) )( ∑ (∑ ) )
Keterangan
rxy : indeks korelasi product moment
N : banyak peserta tes
X : skor instrumen 1
Y : skor instrumen 2

1|Page
 Prosedur uji validitas kriteria adalah sebagai berikut:
1. Susun instrumen yang akan digunakan dalam penelitian sesuai dengan
teori dan kisi-kisi.
2. Cari atau tentukan instrumen lain yang mengukur variabel yang sama
dengan instrumen penelitian yang sedang disusun. Perhatikan bahwa
instrumen ini berfungsi sebagai kriteria.
3. Berikan kedua instrumen tersebut kepada subjek atau sampel pada
rentang waktu yang tidak jauh berbeda.
4. Tentukan validitas instrumen dengan mengkorelasikan skor hasil yang
diperoleh dari kedua instrumen tadi.
Contoh
No Skor Instrumen 1 Skor Instrumen 2
1 60 78
2 78 90
3 80 75
4 45 50
5 68 80
6 50 50
7 60 65
8 80 85
9 90 100
10 65 75

a. Perhitungan manual
Perhitungan manual dengan Ms. Excel dapat dilakukan dengan mudah
menggunakan perintah =pearson(array1;array2) atau dapat pula
dengan menggunakan perintah =correl(array1;array2). Menjalankan
kedua perintah tersebut akan memperoleh hasil yang sama persis,
sehingga dapat dipilih salah satu saja.
Ingat! Pada masing-masing komputer mungkin akan berbeda dalam
pengunaan tanda “;” sebagai pemisah array1 dengan array2. Pada
beberapa komputer bisa menggunakan tanda “titik koma (;)” atau
menggunakan tanda “titik dua (:)”

2|Page
 Atau

Keduanya menghasilkan indeks korelasi 0,912

b. Perhitungan dengan SPSS

1. Buka SPSS hingga muncul jendela kerja sebagai berikut

3|Page
2. Pilih/ klik bagian variable view untuk menentukan variabel yang
akan diukur.

Misal isikan, skor_Instrumen_1 pada baris pertama dan

skor_instrumen_2 pada baris kedua. Pada kolom decimal ubah
menjadi 0. Selanjutnya biarkan kolom yang lain.
3. Pilih/ klik bagian Data View. Karena pada variabel view sudah diberi
nama masing-masing variabelnya, maka pada kolom 1 dan 2 akan
muncul nama variabel sesuai yang ditulis sebelumnya.

4|Page
 Isikan skor pada kolom yang sesuai

4. Lakukan analisis dengan pilih Analyze  correkate  Bivariate.

5. Akan muncul jendela Bivariate Correlations

Pada bagian Correlation Coefficients, centang/ pilih kotak Pearson.

Lalu akhiri dengan OK.

5|Page
 6. Hasil korelasinya adalah

Correlations

Skor_Instrume Skor_Instrume
n_1 n_2
Skor_Instrumen_1 Pearson Correlation 1 ,912(**)
Sig. (2-tailed) ,000
N 10 10
Skor_Instrumen_2 Pearson Correlation ,912(**) 1
Sig. (2-tailed) ,000
N 10 10
** Correlation is significant at the 0.01 level (2-tailed).

Hasil perhitungan SPSS korelasi antara instrumen 1 dengan

instrumen 2 adalah 0,912. Hasil ini sama ersis dengan hasil perhitungan
manual dengan Ms. Excel.
Interpretasi dari hasil ini adalah, jika intsrumen yang dijadikan
kriteria sudah dipastikan valid) dan kiteria korelasinya dengan instrumen yang
disusun adalah sangat tinggi/ tinggi, maka dapat disimpulkan bahwa
instrumen yang disusun juga valid.
Validitas Butir

Validitas butir pada dasarnya mengacu pada korelasi skor tiap butir
dengan skor totalnya. Penentuan valid atau tidaknya suatu butir
dikonsultasikan dengan skor tertentu, biasanya ditetapkan skor 0,3. Artinya
skor korealsi suatu butir yang lebih dari 0,3 aka dinyatakan sebagai butir yang
valid, begitu pula sebaliknya. Pada kasus skor butir yang tidak valid, maka
dalam praktik peelitian butirnya akan didrop/ dibuang.
Validitas butir sebagai bentuk korelasi skor butir dengan skor
totalnya dapat dihitung dengan menggunakan korelasi product moment dari
Karl Person.
∑ ∑ ∑
√( ∑ (∑ ) )( ∑ (∑ ) )
Karena validitas butir membicarakan korelasi antara skor butir
dengan skor totalnya, maka hal inilah yang seringkali menjadi
perdebatan mengenai tepat tidaknya menggunakan validitas butir.
Pendapat yang memandang ketidak tepatan penggunaan validitas butir

6|Page
 beralasan bahwa korelasi skor butir dengan skor total lebih erat
dikatakan sebagai daya pembeda butir dan berpengaruh secara tidak
langsung dengan indeks reliabilitas instrumen. Pendapat ini
menegaskan bahwa korelasi yang demikian bukanlah sebuah upaya
menentukan validitas suatu instrumen.
1. Validitas Butir Instrumen Pilihan Ganda
Diberikan data skor pilihan ganda sebagai berikut.
Item item Item Item Item Item Item Item Item Item Skor
No 1 2 3 4 5 6 7 8 9 10 total
1 1 0 1 1 1 1 1 0 0 1 7
2 1 0 1 1 1 0 1 1 1 1 8
3 1 0 1 1 0 0 1 0 1 0 5
4 0 1 0 0 0 1 0 1 0 1 4
5 0 1 1 0 1 1 1 1 1 1 8
6 0 0 0 1 0 0 0 0 0 0 1
7 1 1 1 1 1 1 1 1 1 1 10
8 1 0 1 1 1 1 0 0 0 0 5
9 0 1 0 1 0 1 0 1 1 1 6
10 1 1 1 0 0 1 1 0 0 0 5
11 0 0 1 0 1 1 1 0 1 1 6
12 0 1 1 1 0 1 0 1 0 0 5
13 1 1 1 1 0 0 1 1 1 1 8
14 1 1 1 1 1 1 0 1 1 1 9
15 1 0 0 1 1 0 0 0 0 0 3
Dengan cara yang sama sebagaimana dilakukan pada uji validitas
kriteria sebelumnya, pada perhitungan secara manusa dengan Ms. Excel dapat
digunakan persamaan “=pearson(array1;array2)”, yang mana array 1
merupakan skor butir sedangkan array 2 sebagai skor total.

Catatan:
Pada kolom skor total perlu ditambahkan simbol dolar “$” sebagaimana
gambar di atas, agar perhitungan dapat dilakukan secara sekaligus untuk
semua kolom.

7|Page
Diperoleh hasil sebagai berikut

Hasil di atas memberikan simpulan bahwa terdapat 9 butir yang valid dan
hanya 1 butir yang tidak valid, yaitu butir ke4. (Ingat!: skor korelasi butir
dikonsultasikan dengan skor 0,3 untuk menentukan apakah butir valid atau
tidak).
Perhitungan validitas butir pada SPSS dilakukan dengan prosedur
sebagai berikut.
a. Buka layar kerja SPSS
b. Pada bagian varible view ketikkan item_1, item_2, dan seterusnya hingga
item_10 serta skor_total. Pada kolom desimal ubah dengan skor 0. Kolom
yang lairkan dibiarkan saja

8|Page
c. Klik pada bagian data view, isikan skor yang akan dianalisis.

d. Gunakan perintah Analyze  Correlate  Bivarate.

9|Page
e. Muncul jendela Bivariate Correlation sebagai berikut

f. Pindahkan semua variabel pada kolom kiri ke variables pada kolom kanan
dengan cara blok semua variabel, item_1, hingga item_10, serta skor_total
dan pindahkan dengan menggunakan panah di bagian tengah antara kedua
kolom. Hingga muncul tampilan sebagai berikut.

Pilih Pearson dan biarkan semua tombol lainnya.

10 | P a g e
 g. Akhiri dengan klik OK. Akan mucul hasil analisis sebagai berikut
Correlations

Item_1 Item_2 Item_3 Item_4 Item_5 Item_6 Item_7 Item_8 Item_9 Item_10 Skor_Total
Item_1 Pearson Correlation 1 ,428 ,468 ,190 -,025 ,114 ,270 -,110 ,046 ,177 ,121
Sig. (2-tailed) ,111 ,079 ,497 ,931 ,686 ,330 ,696 ,869 ,528 ,668
N 15 15 15 15 15 15 15 15 15 15 15
Item_2 Pearson Correlation ,428 1 ,870** ,604* ,577* ,564* ,709** ,401 ,335 ,310 ,082
Sig. (2-tailed) ,111 ,000 ,017 ,024 ,029 ,003 ,139 ,223 ,260 ,773
N 15 15 15 15 15 15 15 15 15 15 15
Item_3 Pearson Correlation ,468 ,870** 1 ,590* ,510 ,397 ,382 ,117 ,136 ,046 ,054
Sig. (2-tailed) ,079 ,000 ,021 ,052 ,143 ,161 ,678 ,629 ,870 ,847
N 15 15 15 15 15 15 15 15 15 15 15
Item_4 Pearson Correlation ,190 ,604* ,590* 1 ,660** ,572* ,523* ,459 ,622* ,211 ,062
Sig. (2-tailed) ,497 ,017 ,021 ,007 ,026 ,046 ,085 ,013 ,450 ,826
N 15 15 15 15 15 15 15 15 15 15 15
Item_5 Pearson Correlation -,025 ,577* ,510 ,660** 1 ,650** ,661** ,736** ,648** ,260 -,061
Sig. (2-tailed) ,931 ,024 ,052 ,007 ,009 ,007 ,002 ,009 ,350 ,828
N 15 15 15 15 15 15 15 15 15 15 15
Item_6 Pearson Correlation ,114 ,564* ,397 ,572* ,650** 1 ,736** ,718** ,635* ,396 ,471
Sig. (2-tailed) ,686 ,029 ,143 ,026 ,009 ,002 ,003 ,011 ,144 ,076
N 15 15 15 15 15 15 15 15 15 15 15
Item_7 Pearson Correlation ,270 ,709** ,382 ,523* ,661** ,736** 1 ,739** ,635* ,487 ,145
Sig. (2-tailed) ,330 ,003 ,161 ,046 ,007 ,002 ,002 ,011 ,066 ,607
N 15 15 15 15 15 15 15 15 15 15 15
Item_8 Pearson Correlation -,110 ,401 ,117 ,459 ,736** ,718** ,739** 1 ,802** ,499 ,280
Sig. (2-tailed) ,696 ,139 ,678 ,085 ,002 ,003 ,002 ,000 ,058 ,312
N 15 15 15 15 15 15 15 15 15 15 15
Item_9 Pearson Correlation ,046 ,335 ,136 ,622* ,648** ,635* ,635* ,802** 1 ,635* ,192
Sig. (2-tailed) ,869 ,223 ,629 ,013 ,009 ,011 ,011 ,000 ,011 ,492
N 15 15 15 15 15 15 15 15 15 15 15
Item_10 Pearson Correlation ,177 ,310 ,046 ,211 ,260 ,396 ,487 ,499 ,635* 1 -,087
Sig. (2-tailed) ,528 ,260 ,870 ,450 ,350 ,144 ,066 ,058 ,011 ,758
N 15 15 15 15 15 15 15 15 15 15 15
Skor_Total Pearson Correlation ,121 ,082 ,054 ,062 -,061 ,471 ,145 ,280 ,192 -,087 1
Sig. (2-tailed) ,668 ,773 ,847 ,826 ,828 ,076 ,607 ,312 ,492 ,758
N 15 15 15 15 15 15 15 15 15 15 15
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

Hasil analisis dilakukan dengan melihat skor Pearson Correlation pada kolom
paling kanan. Skor ini kemudian dikonsultasikan dengan tabel korelasi
pearson. Lihat tatan berikut ini https://rumus.co.id/tabel-r/ ini menentukan
keputusan valid tidaknya suatu butir instrumen.
Catatan:
Hasil analisis validitas butir secara manual mungkin berbeda hasilnya dengan
hasil analisis dengan menggunakan SPSS.

2. Validitas Butir Instrumen Angket

Validitas butir pada instrumen angket tidak jauh brbeda dengan cara
menentukan validitas butir pada pilihan ganda. Perbedaannya terletak pada
penskoran saja. Pada pilihan ganda menggunakan skor dikotomi ( 1 dan 0)

11 | P a g e
sedangkan angket menggunkan skor politomi (bergradasi, misal 1 – 4, 1 – 5,
dan lainnya tergantung pemberian skor oleh penyusun tes).
Di bawah ini dicontohkan naisis validitas butir secara manual dengan
Ms. Excel.

Dengan menggunakan perintah “=correl(array1;array2)” diperoleh hasil

sebagai berikut.

12 | P a g e
 Hasil perhitungan secara manual diperoleh simpulan bahwa seluruh
butir tes dinyatakan valid karena melebihi skor 0,3.
Perhitungan validitas butir instrumen angket dengan SPSS persis
sama dengan validitas butir pilihan ganda sebelunya.
1. Diperoleh isian data sebagai berikut setelah melakukan isian pada bagian
Variable View

2. Dengan perintah Analyze  Correlate  Bivariate dan memanipulasi

jendela Bivariate Correlations diperoleh hasil analisis sebagai berikut.
Correlations

Item_1 Item_2 Item_3 Item_4 Item_5 Item_6 Item_7 Item_8 Item_9 Item_10 Skor_Total
Item_1 Pearson Correlation 1 ,428 ,468 ,190 -,025 ,114 ,270 -,110 ,046 ,177 ,358
Sig. (2-tailed) ,111 ,079 ,497 ,931 ,686 ,330 ,696 ,869 ,528 ,190
N 15 15 15 15 15 15 15 15 15 15 15
Item_2 Pearson Correlation ,428 1 ,870** ,604* ,577* ,564* ,709** ,401 ,335 ,310 ,814**
Sig. (2-tailed) ,111 ,000 ,017 ,024 ,029 ,003 ,139 ,223 ,260 ,000
N 15 15 15 15 15 15 15 15 15 15 15
Item_3 Pearson Correlation ,468 ,870** 1 ,590* ,510 ,397 ,382 ,117 ,136 ,046 ,634*
Sig. (2-tailed) ,079 ,000 ,021 ,052 ,143 ,161 ,678 ,629 ,870 ,011
N 15 15 15 15 15 15 15 15 15 15 15
Item_4 Pearson Correlation ,190 ,604* ,590* 1 ,660** ,572* ,523* ,459 ,622* ,211 ,761**
Sig. (2-tailed) ,497 ,017 ,021 ,007 ,026 ,046 ,085 ,013 ,450 ,001
N 15 15 15 15 15 15 15 15 15 15 15
Item_5 Pearson Correlation -,025 ,577* ,510 ,660** 1 ,650** ,661** ,736** ,648** ,260 ,794**
Sig. (2-tailed) ,931 ,024 ,052 ,007 ,009 ,007 ,002 ,009 ,350 ,000
N 15 15 15 15 15 15 15 15 15 15 15
Item_6 Pearson Correlation ,114 ,564* ,397 ,572* ,650** 1 ,736** ,718** ,635* ,396 ,809**
Sig. (2-tailed) ,686 ,029 ,143 ,026 ,009 ,002 ,003 ,011 ,144 ,000
N 15 15 15 15 15 15 15 15 15 15 15
Item_7 Pearson Correlation ,270 ,709** ,382 ,523* ,661** ,736** 1 ,739** ,635* ,487 ,860**
Sig. (2-tailed) ,330 ,003 ,161 ,046 ,007 ,002 ,002 ,011 ,066 ,000
N 15 15 15 15 15 15 15 15 15 15 15
Item_8 Pearson Correlation -,110 ,401 ,117 ,459 ,736** ,718** ,739** 1 ,802** ,499 ,751**
Sig. (2-tailed) ,696 ,139 ,678 ,085 ,002 ,003 ,002 ,000 ,058 ,001
N 15 15 15 15 15 15 15 15 15 15 15
Item_9 Pearson Correlation ,046 ,335 ,136 ,622* ,648** ,635* ,635* ,802** 1 ,635* ,775**
Sig. (2-tailed) ,869 ,223 ,629 ,013 ,009 ,011 ,011 ,000 ,011 ,001
N 15 15 15 15 15 15 15 15 15 15 15
Item_10 Pearson Correlation ,177 ,310 ,046 ,211 ,260 ,396 ,487 ,499 ,635* 1 ,569*
Sig. (2-tailed) ,528 ,260 ,870 ,450 ,350 ,144 ,066 ,058 ,011 ,027
N 15 15 15 15 15 15 15 15 15 15 15
Skor_Total Pearson Correlation ,358 ,814** ,634* ,761** ,794** ,809** ,860** ,751** ,775** ,569* 1
Sig. (2-tailed) ,190 ,000 ,011 ,001 ,000 ,000 ,000 ,001 ,001 ,027
N 15 15 15 15 15 15 15 15 13 | P a g e
15 15 15
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Hasil interpretasi tabel di atas dilakukan dengan cara yang sama dengan
sebelumnya.

Uji Reliabilitas Instrumen

Uji reliabilitas instrumen mengacu pada sejauh mana suatu instrumen
pengumpul data memberikan hasil yang ajeg jika dikenakan pada suatu
subjek/ sampel pada waktu yang berbeda. Uji reliabilitas instrumen juga
menunjukkan kehandalan dari suatu instrumen jika digunakan dalam suatu
pengukuran yang dilakukan secara berulang-ulang. Indeks reliabilitas
instrumen yang dipersyaratkan dalam suatu penelitian biasanya harus
memenuhi indeks r11 > 0,75. Rumus yang digunkan bisa menggunakan KR-20
dan KR-21 jika instrumen berupa soal pilihan ganda dan Rumus Alpha
Cronbach jika instrumen berupa pilihan ganda maupun angket. Menurut hemat
penulis, akan lebih baik jika pengukuran indeks reliabilitas suatu instrumen
menggunakan rumus alpha.

Keterangan
: indeks reliabilitas
n : banyak butir tes
: variansi skor butir ke-i
: variansi skor total
Perhitungan indeks reliabilitas suatu instrumen secara manual dengan
Ms. Excel tidak dapat lagsung dihitung dengan perintah tertentu.
Perhitungannya harus benar-benar dilakukan secara manual dengan mencari
variansi tiap butirnya dan variansi sor total. Selanjutnya disubstitusikan pada
persamaa/ rumus yang diminta.
Perhitunagn manual pada Ms. Excel pada dasarnya hanya menghitung
variansi dari tiap butir dan variansi total. Menghitung variansi butir maupun
vaiansi skor total pada Ms. Excel dilakukan dengan perintah
“=var(number1;number2)”. Number 1 adalah data pertama pada kolom yang
akan dihitung variansinya, sedangkan number 2 adalah data terakhir pada
kolom yang akan dihitung variansinya. Berdasarkan pada hal tersebut, maka
langkah menghitung reliabilitas instrumen secara manual pada Ms. Excel
adalah sebagai berikut:
a. Tuliskan data skor tiap item dan skor totalnya.
b. Tentukan variansi tiap butirnya

14 | P a g e
 c. Tentukan jumlah variansi setiap butirnya, pakai peritah
“=sum(number1:number2)”
d. Tentukan variansi skor total.
e. Tentukan n (banyak butir tes instrumen).
f. Lakukan perhitungan dengan rumus

Item item Item Item Item Item Item Item Item Item Skor
No 1 2 3 4 5 6 7 8 9 10 total
1 1 0 1 1 1 1 1 0 0 1 7
2 1 0 1 1 1 0 1 1 1 1 8
3 1 0 1 1 0 0 1 0 1 0 5
4 0 1 0 0 0 1 0 1 0 1 4
5 0 1 1 0 1 1 1 1 1 1 8
6 0 0 0 1 0 0 0 0 0 0 1
7 1 1 1 1 1 1 1 1 1 1 10
8 1 0 1 1 1 1 0 0 0 0 5
9 0 1 0 1 0 1 0 1 1 1 6
10 1 1 1 0 0 1 1 0 0 0 5
11 0 0 1 0 1 1 1 0 1 1 6
12 0 1 1 1 0 1 0 1 0 0 5
13 1 1 1 1 0 0 1 1 1 1 8
14 1 1 1 1 1 1 0 1 1 1 9
15 1 0 0 1 1 0 0 0 0 0 3
var butir 0,257 0,267 0,210 0,210 0,267 0,238 0,267 0,267 0,267 0,257
Σ var butir 2,505
n 10
Var total 5,714
r11 0,624

Hasil perhitungan menunjukkan bahwa indeks reliabilitas dari

instrumen tersebut adalah 0,624 (indeks ini pada dasarnya belum bisa
diterima karena kurang dari yang dipersyaratkan 0,75).
Perhitungan dengan menggunakan SPSS dilakukan dengan prosedur
sebagai berikut.
a. Buka SPSS
b. Pada bagian variable view dan data view isikan sesuai dengan skor-skor
dan item yang diminta. Ingat! Skor totalnya tidak perlu diinputkan.

15 | P a g e
c. Diperoleh tampilan sebagai berikut

d. Gnakan perintah Analyze  scale  Reliability Analysis

e. Akan muncul jendela Reliability Analysis

16 | P a g e
f. Pindahkan semua variabel dari kolom kiri ke kolom sebelah kanan

g. Pada model gunakan saja Alpha (menunjukkan bahwa perhitungan

reliabilitas menggunakan rumus Alpha). Elanjutnya klik OK.
h. Diperoleh hasil analisis sebagai berikut

Reliability Statistics

Cronbach's
Alpha N of Items
,624 10

Hasil perhitungan dengan SPSS diperoleh indeks reliabilitas 0,624.

Perhitungan ini sama persis dengan hasil perhitungan secara manual
dengan Ms. Excel.

Perhitungan indeks reliabilitas pada instrumen angket sama persis

dengan perhitungan di atas. Berikut disajikan hasil perhitungan indeks
reliabilitas dengan Ms. Excel pada instrumen angket. Langkah atau prosedur
pengerjaannya sama persis dengan perhitungan yang dilakukan sebelumnya.

17 | P a g e
 item Item Item Item Item Item Item Item Item Skor
No Item 1 2 3 4 5 6 7 8 9 10 total
1 4 4 4 3 2 3 4 2 3 3 32
2 1 3 2 2 3 4 4 4 4 4 31
3 1 1 1 2 2 3 3 3 3 4 23
4 2 4 4 3 4 4 4 4 4 4 37
5 2 3 3 3 3 4 4 3 2 1 28
6 1 2 2 3 2 1 2 2 2 2 19
7 1 2 3 4 3 4 2 3 4 2 28
8 2 3 4 3 3 3 3 2 2 2 27
9 2 3 3 3 4 4 4 4 3 2 32
10 3 1 2 1 1 2 1 1 1 2 15
11 2 4 4 3 2 4 3 2 1 3 28
12 2 3 4 2 3 2 2 2 1 2 23
13 2 1 1 1 1 2 2 2 1 2 15
14 4 4 4 4 3 4 4 4 4 4 39
15 3 3 3 4 4 4 4 3 4 4 36
var butir 0,981 1,210 1,210 0,924 0,952 1,029 1,067 0,924 1,543 1,067
Σ var butir 10,905
N 10
Var total 55,267
r11 0,892

Perhitungan dengan menggunakan SPSS diperoleh hasil sebagai berikut.

18 | P a g e
 Reliability Statistics

Cronbach's
Alpha N of Items
,892 10

Hasil perhitungan indeks reliabilitas instrumen angket, baik secara

manual maupun SPSS menghasilkan skor indeks yang sama, yaitu 0,892.
Indeks reliabilitas ini telah memenuhi indeks skor reliabilitas yang
dipersyaratkan.

19 | P a g e
UJI KORELASI DAN REGRESI SEDERHANA
Korelasi dan regresi sederhana pada dasarnya digunakan untuk
mengubungkan atau mengkorelasikan 2 variabel saja (variabel X dengan
variabel), misal: hubungan kedisiplinan dengan hasil kinerja perusahaan,
hubungan motivasi belajar dengan prestasi belajar, hubungan olahrga teratur
dengan kenaikan massa otot, dan sebagainya.
Ada 2 terminologi yang hars dipahami sebelumnya, yaitu korelasi dan
regresi. Korelasi menyatakan pada pengertian bagaimanakah hubungan yang
terjadi antara kedua variabel yang dikorelasikan. Jawaban dari pertanyaan
korelasi biasanya dijawab dengaan adanya korelasi positif atau korelasi
negatif. Korelasi positif atau negatif dapat terjawab dengan melihat model
regresinya.
Regresi mengacu pada pengertian seberapa kuat hubungan antara
kedua variabel yang dikorelasikan. Biasanya akan dijawab dengan tinggi atau
kuat hubungan antara keduanya. Selanjutnya, akan dibahas dan dipertanyakan
mengenai signifikansi hubungan antara kedua variabel. Hal ini akan diuji
secara statistik dengan uji-F. uji signifikansi mengacu pada jawaban apakah
kebeadaan suatu vaiabel benar-benar memberikan pengaruh terhadap
kemunculan variabel yang lainnya. Misal ada hubungan signifikan antara
motivasi dengan prestasi, artinya jika seseorang ingin meningkatkan
prestasinya maka siswa tersebut memerlukan motivasi belajar yang tinggi
juga. Dengan kata lain, tanpa memiliki motivasi, maka siswa tidak akan
memperoleh prestasi yang baik.
Pada uji regresi sederhana selanjtnya menggunakan data sebagai
berikut
No X Y
1 80 90
2 65 70
3 50 55
4 50 45
5 70 75
6 80 95
7 40 70
8 60 70
9 80 95
10 60 60

20 | P a g e
Uji Prasyarat Analisis
1. Uji Normalitas Residu
Uji normalitas pada model regresi digunakan untuk menguji apakah
nilai residual yang dihasilkan dari regresi terdistribusi secara normal atau
tidak. Model regresi yang baik adalah yang memiliki nilai residual yang
terdistribusi secara normal. Ingat! Data yang diuji kenormalannya adalah
residu/ error dari kedua variabel yang diuji.

Pada SPSS, uji normalitas residu dapat menggunakan metode plotting

atau menggunakan metode Kolmogorov Smirnov. Namun demikian, penulis
akan merekomendasikan lebih baik menggunakan metode plotting. Metode
plotting pada SPSS dilakukan sebagai berikut.

a. Buka SPSS
b. Pada bagian variable view isikan X pada baris pertama dan Y pada baris
kedua.

c. Pada bagian data view isikan data sesuai skor yang diperoleh

21 | P a g e
d. Gunakan perintah Analysis  Regression  Linier

e. Muncul jendela Linier Regression sebagai berikut

f. Pidahkan variabel Y pada kolom dependent. Pindahkan X pada kolom

independents(s). Ingat! Jangan terbalik. Perhatikan bahwa dependent
dimaknai sebagai variabel terikat dan independent sebagai variabel bebas.

22 | P a g e
g. Selanjutnya pilih Plots.. pada bagian bawah, karena akan dilakukan
metode plotting. Akan muncul jendela Linear Regression: Plots

Pada bagian Standarized Residual Plots, pilih Normal Probablity plot.

Selanjutnya klik Continue. Selanjutnya akan kembali ke jendela Linear
Regression.

Akhiri dengan klik OK.

h. Akan diperoeh hasil analisis plotting sebagai berikut
Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Y

1.0

0.8
Expected Cum Prob

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob

23 | P a g e
 Interpretasi dari gambar plotting di atas adalah titik-titik residu dari
data awal (X dan Y) berada di sekitar garis regresinya. Dengan demikian dapat
disimpulkan bahwa residu berdistribusi normal.
Selanjutnya, uji normalitas residu juga dapat menggunakan uji
kolmogorof-smirnov. Pada analisis dengan Kolmogorof-Smirnov, terlebih
dahulu dicari nilai residu dari data X dan Y. Langkahnya adalah seagai berikut.
a. Lakukan perintah Analysis  Regression  Linier hingga diperoleh
jendela Liniear Regression. Pindahkan varibel X dan Y sebagaimana
dilakukan sebelumnya.

b. Pilih tombol/ menu save pada bagian bawah, sehingga muncul jendela
Linear Regression: Save.

24 | P a g e
 Pada bagian Residual, pilih atau klik unstandarized. Lalu akhiri dengan
klik continue. Selanjutnya akan kebali pada jendela Linier Regression
lalu akhiri dengan klik OK. Tampilan akan kembali pada jendela awal SPSS
dan disebelah kanan kolom X dan Y muncul kolom RES_1 (residual).

c. Pilih perintah Analysis  Nonparametric Tests  1-ample K-S

25 | P a g e
d. Akan muncul jendela One-Sample Kolmogorov-Smirnov Test

e. Pindahkan variabel Unstandardized Residu ke kolom Test Variabel List.

Pada test Distribution, centang Normal. Akhiri dengan klik OK.

f. Hasil analisis sebagai berikut.

One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual
N 10
Normal Parametersa,b Mean ,0000000
Std. Deviation 9,65581197
Most Extreme Absolute ,155
Differences Positive ,155
Negative -,128
Kolmogorov-Smirnov Z ,491
Asymp. Sig. (2-tailed) ,970
a. Test distribution is Normal.
b. Calculated from data.

Hasil analisis menunjukkan bahwa asymp Sig (2-Tailed) dipeoleh 0,970 > 0,05.
Dengan demikian H0 diterima. Artinya residu berdistribusi normal.

26 | P a g e
 2. Uji Non Otokorelasi dalam Residu
Pada uji ini harus menunjukkan bahwa tidak diperoleh indikasi
adanya autokorelasi antar variabel dengan residu. Autokorelasi dapat
dipandang sebagai adanya korelasi antara residu dengan variabel pengamatan
lainnya. Uji non otokorelasi dalam resdu menggunakan uji Durbin-Watson.
Prosedurnya adalah sebagai berikut.
a. Buka SPSS dan inputkan skor-skor variabel yang dipeoleh. (akan
digunakan data yang sama dengan uji normalitas.)
b. Gunakan printah Analysis  Regression  Linear hingga diperoleh
jendela Linear Regression sebagai berikut.

c. Pilih menu Statistics pada bagian bawah sehingga muncul jendela Linear
Regression: Statistic.

27 | P a g e
d. Pada bagian Residuals, ilih Durbin-Watson. Selanjutnya klik Continue,
akan kembali pada jendela Linear Regression dan akhiri dengan klik OK.
e. Akan diperoleh hasil analisis sebagai berikut

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,820a ,673 ,632 10,242 1,420
a. Predictors: (Constant), X
b. Dependent Variable: Y

Tabel tersebut menujukkan bahwa nilai Durbin-Watson residunya

adalah 1,420. Nilai ini selanjtnya dikonsultasikan dengan tabel Durbin-Watson.
Lihat https://lkeb.umm.ac.id/files/file/tabel-dw.pdf .
Dengan k = 1, α = 5%, dan n = 10, maka diperoleh nilai tabel Durbin-
Watson adalah 1,3197.

Nilai obervasi Durbin-Watson hasil perhitungan SPSS diperoleh 1,420 >

1,3197. Artinya H0 ditolak, dengan demikian disimulkan bahwa tidak ada auto
korelasi antar residu. Catatan: terpenuhinya syarat non otokorelasi dipenuhi
jika nilai Durbin-Watson hasil perhitungan lebih besar dibandingkan nilai tabel
Durbin-Watson

28 | P a g e
 3. Uji Non Heteroskedatisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau
tidaknya ketidaksamaan varian dari residual untuk semua pengamatan pada
model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah
tidak adanya gejala heteroskedastisitas. Metode yang digunakan adalah dengan
Uji Gletjer. Uji Glejser dilakukan dengan cara meregresikan antara variabel
independen dengan nilai absolut residualnya. Jika nilai signifikansi antara
variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi
masalah heteroskedastisitas (sig > 0,05). Prosedur dengan SPSS dilakukan
sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear

d. Akan muncul jendela Regression Linear. Pindahkan variabel X ke kolom

independednt(s) dan variabel Y pada kolom dependent. Selanjutnya pilih
menu Save. Pada jendela Regression Linear: Save Pilih Residual
Unstandardized, dengan tujuan untuk memperoleh residu dari variabel X
dan Y. Lalu akhiri dengan klik Continue.

29 | P a g e
e. Tampilan akan kembali ada jendela Regession Linear dan akhiri dengan
klik OK. Selanjutnya pada kertas kerja SPSS akan muncul kolom residu
(RES_1) disebelah kanan kolom X dan Y.

Selanjutnya mencari nilai absolut (mutlak) dari nilai residu tersebut.

f. Pilih perintah Transform  Compute Variable

30 | P a g e
g. Akan muncul jendela Compute Variable sebagai berikut.

h. Pada Kolom Target Variabel ketik ABS_RES (absolute residual). Kemudian

klik pada kotak Numeric Expression, lalu ketikkan ABS( lalu masukkan
variabel Unstandardized Residual (RES_1) ke kotak Numeric Expression
dengan klik tanda penunjuk, kemudian ketik tanda tutup kurung. Maka
lengkapnya akan tertulis ABS(RES_1), perintah ini untuk menghitung nilai
absolute dari residual. Jika sudah klik tombol OK. Akan tampil sebagai
berikut.

31 | P a g e
 Akhiri dengan OK.
i. Kembali ke layar kerja SPSS, maka pada kolom paling kanan ada tambahan
kolom ABS_RES (nilai mutlak dari Residu).
j. Pilih perintah Analyze  Regression  Linear hingga muncul jendela
Regression Linear.

32 | P a g e
k. Pada kolom Dependent masih nampak variabel Y. Keluakan variabel Y dan
ganti dengan variabel ABS_RES.

l. Akhiri dengan OK.

Hasil analisis diperoleh
Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients t Sig.

Model B Std. Error Beta B Std. Error

1 (Constant) 24,845 7,534 3,298 ,311
X -,279 ,116 -,648 -2,407 ,443
a Dependent Variable: ABS_RES

Pada kolom sig, nampak bahwa nilai sig sebesar 0,311 dan 0,443. Nilai sig
ini lebih besar daripada 0,05. Dengan demikian, disimpulkan bahwa tidak
ada gejala heteroskedatisitas. Catatan: hasil uji non heteroskedatisitas
harus diperoleh nilai sig lebih dari 0,05 agar diperoleh simpulan tidak ada
gejala heteroskedatisitas.

33 | P a g e
 4. Uji Linieritas
Uji linearitas bertujuan untuk mengetahui apakah dua variabel
mempunyai hubungan yang linear atau tidak secara signifikan. Uji ini
biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi
linear. Pengujian pada SPSS dengan menggunakan Test for Linearity
dengan pada taraf signifikansi 0,05. Dua variabel dikatakan mempunyai
hubungan yang linear bila signifikansi (Linearity) kurang dari 0,05.
Langkah ujinya adalah sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih peintah Analyze  Compare mean  means

d. Aka muncul jendela means. Selanutnya pindah variabel X ke dalam kolom

independent(s) dan variabel Y pada kolom Dependent

34 | P a g e
e. Selanjutnya pilih option yang ada paling bawah. Akan mncul jendela
Means: Option. Pada bagian paling bawah Statistics For First Layer, pilih
Test for Linearity. Lalu akhiri dengan Continue.

f. Kembali ke jendela Means. Dan akhiri dengan klok OK. Akan muncul hasil
analisis sebagai berikut.
ANOVA Table

Sum of
Squares Df Mean Square F Sig.
Y*X Between (Combined)
2445,833 5 489,167 16,771 ,0691
Groups
Linearity 1723,388 1 1723,388 59,088 ,0872
Deviation from Linearity 722,446 4 180,611 6,192 ,0533
Within Groups 116,667 4 29,167
Total 2562,500 9

Nilai sig pada kolom paling kanan baris kedua adalah 0,0872. Nilai ini
lebih besar daripada 0,05. Dengan demikian, disimpulkan bahwa hubungan
antara X dan Y adalah linear.

35 | P a g e
Analisis Regresi Sederhana
Analisis regresi sederhana meliputi 3 hal, yaitu: 1) menentukan model
regresi, 2) menentukan indeks regresi, dan 3) menentukan taraf signifikansi
regresi.

1. Menentukan Model Regresi

Model regresi linier sederhana ditampilkan dalam persamaan
̂ , dimana
(∑ )(∑ ) (∑ )(∑ )
∑ (∑ )
(∑ ) (∑ )(∑ )
∑ (∑ )
Penentuan nilai b0 dan b1 dapat dengan mudah dicari dengan cara manual.
Penentuan model regresi dengan mengunakan SPSS dilakukan
sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear hingga muncul jendela
regression Linear. Selanjutnya pindahkan variabel X ke kolom
Independent(s) dan variabel Y pada kolom Dependents.

Akhiri dengan klik OK.

36 | P a g e
d. Diperoleh hasil sebagai berikut

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients t Sig.

Model B Std. Error Beta B Std. Error

1 (Constant) 10,409 15,657 ,665 ,525
X ,978 ,241 ,820 4,053 ,004
a Dependent Variable: Y

perhatikan kolom kedua (kolom B), dapat dibaca bahwa b0 = 10,409 dan b1
= 0,978. Sehingga diperoleh persamaan model regresinya adalah
̂ . Persamaan ini dapat digambar dengan aplikasi
Winplot
y











x

                 






Dari model regresi nampak bahwa model regresi menunjukkan kemiringan

gradien 0,978 (miring ke kanan). Hal ini dapat dimaknai bahwa ada korelasi
positif antara variabel X dengan variabel Y. Artinya, skor X akan berpengaruh
pada kenaikan skor Y. Dengan kata lain, semakin tinggi skor X, maka akan
diikuti kenaikan skor Y.

2. Menentukan Indeks Regresi

Indeks regresi dari variabel X dan Y pada dasarnya merupakan
nilai korelasi dari X dan Y. Indeks korelasi ini dihitung dengan menggunakan
korelasi Product Moment dari Karl Pearson. Pada perhitungan manual Ms.

37 | P a g e
Excel dapat dihitung dengan perintah “=pearson(array1;array2”. Array 1
mengacu pada skor pada variabel X dan array 2 mengacu pada skor variabel Y.
Dengan menggunakan SPSS, skor korelasi ini dicari dengan langkah
sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih perintah Analyze  Correlate  Bivariate

d. Muncul jendela Bivariate Correlation.

38 | P a g e
e. Selanjutnya pindahkan variabel X dan Y pada kolom Variables.

Pastikan bahwa pada bagian Corelation Coefficients telah dipilih

Pearson. Lalu akhiri dengan klik OK.
f. Diperoleh hasil analisis sebagai berikut.
Correlations

X Y
X Pearson Correlation 1 ,820(**)
Sig. (2-tailed) ,004
N 10 10
Y Pearson Correlation ,820(**) 1
Sig. (2-tailed) ,004
N 10 10
** Correlation is significant at the 0.01 level (2-tailed).

Hasil di atas dapat dikatakan bahwa indeks regresi dari X dan Y adalah 0,820
(masuk kategori sangat tinggi).

3. Menentukan taraf Signifikansi model regresi

Signifikansi pada dasarnya mengacu pada model regresinya. Secara
makna, signifikansi diartikan bahwa hubungan antara variabel X dan Y adalah
sangat berarti. Oleh karenanya, uji signifikansi ini bisa juga dinamai uji
keberartian regresi. Secara makna, signifikansi dapat dimaknai sebagai
kemunculan variabel Y benar-benar dipengaruhi oleh variabel X.
Perhitungan taraf signifikansi dilakukan dengan uji-F. hasil keputusan
harus diperoleh nilai F yang cukup besar dan nilai sig hasil perhitungan kurang
dari 0,05. Perhitungan dengan SPSS dilakukan sebagai berikut.

39 | P a g e
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X ke kolom Independendt(s) dan variabel Y
pada kolom dependent.

Akhiri dengan klik OK.

d. Diperoleh hasil analisis Anova dengan uji-F sebagai berikut

ANOVA(b)

Sum of
Model Squares Df Mean Square F Sig.
1 Regression 1723,388 1 1723,388 16,431 ,004(a)
Residual 839,112 8 104,889
Total 2562,500 9
a Predictors: (Constant), X
b Dependent Variable: Y

Hasil di atas dapat diketahi bahwa nilai uji-F adalah 16,431 dengan
nilai sig = 0,004 < 0,05. Dengan demikian disimpulkan bahwa model regresi
dari X dan Y adalah signifikan. Atau dapat pula dikatakan bahwa hubungan
antara Variabel X dan Y adalah signifika atau bearti.

40 | P a g e
UJI KORELASI DAN REGRESI BERGANDA
Tidak berbeda dengan uji regresi sederhana, pada uji regresi
berganda dicirikan dengan adanya 2 variabel bebas yang mempengaruhi 1
variabel terikatnya. Misalnya: pengaruh kedisiplinan dan motivasi terhadap
prestasi belajar, pengaruh kondisi ekonomi dan kelesuan usaha terhadap
keuntungan usaha, dan sebagainya.
Data analisis yang digunakan adalah sebagai berikut.
X1 X2 Y
50 60 70
30 50 40
70 80 80
60 80 70
70 80 100
60 50 80
40 60 70
60 8 90
70 80 80
40 40 50
30 50 60
60 80 100

Uji Prasyarat Analisis

1. Uji Normalitas Residu
Uji ini bertujuan untuk memastikan bahwa residu dari variabel-
variabel yang diuji berdisribusi normal. Uji normalitas residu dapat
menggunakan metode Plot maupun enggunakan uji Kolmogorof-Smirnov.
Prosedur ujinya sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view sesuai dengan data yang diperoleh, yaitu X1,
X2, dan Y. diidentifikasi bahwa X1 dan X2 sebagai variabel bebas
(independent) dan Y sebagai variabel terikat (dependent).

41 | P a g e
c. Isikan bagian Data View sesua dengan skor yang diperoleh.

d. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression

Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.

e. Pilih menu Plot pada bagian bawah hingga muncul jendela Linear
Regression: Plots. Pada bagian Standardized Residual Plots, pilih Normal
Probability Plot

42 | P a g e
 Akhiri dengan Continue. Akan kembali ke jendela Regression Linear, lalu
akhiri dengan OK.
Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Y

1.0

0.8
Expected Cum Prob

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob

Hasil ploting menunjukkan bahwa residu berada pada sekitaran garis

linearnya. Dengan demikian dapat dikatakan bahwa residu berdistribusi
normal.
Uji normalitas dengan Kolmogorof-Smirnov membutuhkan untuk
menentukan residu dari variabel-variabel korelasi terlebih dahulu. Uji ini
dilakukan sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.

43 | P a g e
d. Pilih menu save pada bagian bawah hingga muncul jendela Linear
Regression: Save. Selanjutnya pada bagian Residual pilih
Unstandardized. Akhiri dengan klik Continue.

e. Kembali pada kertas kerja SPSS akan bertambah kolom RES_1 pada bagian
paling kanan.

44 | P a g e
f. Pilih perintah Analyze  Non Parametric Test  1. Sample K-S

g. Muncul jendela One Sample Kolmogorov-Smirnov Test. Selanjutnya

pindahkan variabel unstandardzed Residu ke kotak/ kolom sebelah kanan
sebagai berikut. Pada bagian bawah, Test distribution pilih Normal.

Akhiri dengan OK.

h. Diperleh hasil analisis sebagai berikut.

One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual
N 12
Normal Parametersa,b Mean ,0000000
Std. Deviation 10,74965478
Most Extreme Absolute ,232
Differences Positive ,232
Negative -,137
Kolmogorov-Smirnov Z ,805
Asymp. Sig. (2-tailed) ,536
a. Test distribution is Normal.
b. Calculated from data.

Hasil analisis di atas menunjukan bahwa nilai sig sebesar 0,536 >
0,05. Dengan demikian H0 diterima, artinya residu berdistribusi normal.

45 | P a g e
 2. Uji Non Otokorelasi dalam Residu
Uji non otokorelasi secara knsep sama dengan uji regresi sederhana.
Uji non otokorelasi residu menggunakan uji Durbin-Watson dengan langkah
sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.
d. Muncul jendela Linear Regression.

e. Pada bagian bawah pilih menu statistics. Hingga muncul jendela Linear
Regression: Statistics

Pada bagian Residual, pilih bDurbin Watsn. Lalu akhiri dengan Continue.

46 | P a g e
f. Kembali ke jendela Linear Regression dan akhir dengan OK.

Model Summary(b)

Adjusted R Std. Error of

Model R R Square Square the Estimate Durbin-Watson
1 ,810(a) ,656 ,579 11,884 1,781
a Predictors: (Constant), X2, X1
b Dependent Variable: Y

Diperoleh nilai Durbin-Watson sebesar 1,781. Selanjutnya nilai ini

dikonsultasikan dengan tabel durbin watson sebagaimana dilakukan
sebelumnya untuk menentukan ada tidaknya otokorelasi pada residu.
Dengan k = 2, α = 5%, dan n = 12, maka diperoleh nilai tabel Durbin-
Watson adalah 1,5794.

Nilai obervasi Durbin-Watson hasil perhitungan SPSS diperoleh 1,781 >

1,5794. Artinya H0 ditolak, dengan demikian disimulkan bahwa tidak ada auto
korelasi antar residu. Catatan: terpenuhinya syarat non otokorelasi dipenuhi
jika nilai Durbin-Watson hasil perhitungan lebih besar dibandingkan nilai tabel
Durbin-Watson

47 | P a g e
 3. Uji Non Heteroskedatisitas
Uji non heteroskedatisitas dilakukan menggunakan uji Gletjer dengan
langkah sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pada uji normalitas residu, kertas kerja SPSS sudah meunculkan RES_1
dengan demikian tinggal menentukan nilai absolut dari residu.

Selanjutnya mencari nilai absolut (mutlak) dari nilai residu tersebut.

d. Pilih perintah Transform  Compute Variable

48 | P a g e
e. Akan muncul jendela Compute Variable sebagai berikut. Pada Kolom
Target Variabel ketik ABS_RES (absolute residual). Kemudian klik pada
kotak Numeric Expression, lalu ketikkan ABS( lalu masukkan variabel
Unstandardized Residual (RES_1) ke kotak Numeric Expression dengan
klik tanda penunjuk, kemudian ketik tanda tutup kurung. Maka lengkapnya
akan tertulis ABS(RES_1), perintah ini untuk menghitung nilai absolute dari
residual. Jika sudah klik tombol OK. Akan tampil sebagai berikut.

Akhiri dengan OK.

f. Kembali ke layar kerja SPSS, maka pada kolom paling kanan ada tambahan
kolom ABS_RES (nilai mutlak dari Residu).

49 | P a g e
g. Pilih perintah Analyze  Regression  Linear hingga muncul jendela
Regression Linear.

h. Pada kolom Dependent masih nampak variabel Y. Keluarkan variabel Y dan

ganti dengan variabel ABS_RES.

Akhiri dengan OK.

50 | P a g e
 Hasil analisis diperoleh

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients t Sig.

Model B Std. Error Beta B Std. Error

1 (Constant) 6,415 5,866 1,094 ,303
X1 -,074 ,111 -,221 -,664 ,523
X2 ,111 ,075 ,489 1,472 ,175
a Dependent Variable: ABS_RES

Pada kolom sig, nampak bahwa nilai sig sebesar 0,523 dan 0,175. Nilai sig
ini lebih besar daripada 0,05. Dengan demikian, disimpulkan bahwa tidak
ada gejala heteroskedatisitas. Catatan: hasil uji non heteroskedatisitas
harus diperoleh nilai sig lebih dari 0,05 agar diperoleh simpulan tidak ada
gejala heteroskedatisitas.

4. Uji Linieritas
Uji linearitas bertujuan untuk mengetahui apakah masing-masing
variabel terhubung secara linier. Prosedur uji linieritas sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan data yang
diperoleh.
c. Pilih perintah Analyze  Compare mean  means

51 | P a g e
d. Akan muncul jendela means. Selanjutnya pindah variabel X1 dan X2 ke
dalam kolom independent(s) dan variabel Y pada kolom Dependent

e. Selanjutnya pilih option yang ada paling bawah. Akan mncul jendela
Means: Option. Pada bagian paling bawah Statistics For First Layer, pilih
Test for Linearity. Lalu akhiri dengan Continue.

52 | P a g e
 f. Kembali ke jendela Means. Dan akhiri dengan klok OK. Akan muncul hasil
analisis sebagai berikut.

ANOVA Table

Sum of
Squares df Mean Square F Sig.
Y * X2 Between (Combined) 2171,667 4 542,917 2,500 ,137
Groups Linearity 297,700 1 297,700 1,371 ,280
Deviation from Linearity 1873,967 3 624,656 2,877 ,113
Within Groups 1520,000 7 217,143
Total 3691,667 11

Nilai sig pada kolom paling kanan baris kedua adalah 0,280. Nilai ini lebih
besar daripada 0,05. Dengan demikian, disimpulkan bahwa hubungan antara
X1, X2 dan Y adalah linear.
5. Uji Multikolinieritas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear
antar variabel independen dalam model regresi. Prasyarat yang harus
terpenuhi dalam model regresi adalah tidak adanya multikolinearitas. Salah
satu metode pengujian yang bisa digunakan diantaranya dengan melihat nilai
Varians Inflation factor (VIF) pada model regresi. Menurut Santoso (2001),
pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai
persoalan multikolinearitas dengan variabel bebas lainnya.
Uji multikolinearitas dilakukan sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.
d. Muncul jendela Linear Regression.

53 | P a g e
e. Pada bagian bawah pilih menu statistics. Hingga muncul jendela Linear
Regression: Statistics. Centang bagian Collinearity diagnostics. Lalu akhir
dengan continue.

f. Kembali ke jendela Linear Regression dan akhir dengan OK.

g. Hasil analisis diperoleh

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 23,283 13,987 1,665 ,130
X1 1,030 ,266 ,842 3,877 ,004 ,811 1,233
X2 -,068 ,180 -,082 -,377 ,715 ,811 1,233
a. Dependent Variable: Y

Pada kolom palig kanan nampak nilai dari VIF, yangmana nilai VIF
dari X1 adalah 1,233 dan nilai VIF dari X2 adalah 1,233. Nilai VIF ini kurang
dari 5, dengan demikian disimpulkan bahwa antar variabel tidak terjadi gejala
multikolinearitas.

54 | P a g e
Analisis Regresi Berganda
Analisis reresi berganda meliputi, 1) menentukan model regresi, 2)
menentukan koefisien regresi, dan 3) menentukan signifikansi regresi.

1. Menentukan Model Regresi

Model regresi berganda ̂ . odel regresi ini
dapat dicari dengan cara sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.

d. Selanjutnya pilih OK. Akan diperoleh hasil sebagai berikut.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 23,283 13,987 1,665 ,130 -8,357 54,924
X1 1,030 ,266 ,842 3,877 ,004 ,429 1,631
X2 -,068 ,180 -,082 -,377 ,715 -,474 ,338
a. Dependent Variable: Y

Koefisien b0 = 23,283, koefisien b1 = 1,030, dan koefisien b2 = -0,68. Dengan

demikian model regresinya adalah ̂ .

55 | P a g e
 2. Menentukan Koefisien Regresi
Koefisien regresi dicari dengan mengkorelasikan X1 dengan
X2, X1 dengan Y, X2 dengan Y, dan X1, X2 dengan Y. Dengan demikian akan
diperoleh 4 koefisien korelasi. Langkah yang dilakukan sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Correlate  Bivariate.

d. Sehingga muncul jendela Bivariate Correlation sebagai berikut.

56 | P a g e
e. Pada kolom variables, secara berturut-turut inutkan atau idahkan variabel
sebagai berikut: a) X1 dan X2, b) X1 dengan Y, dan c) X2 dengan Y. Pastikan
pada Correlation Coefficients dipilih Pearson. Selanjutnya akan diperoleh
hasil analisis sebagai berikut.

Korelasi antara X1 dengan X2, diperoleh indeks korelasi 0,435

Correlations

X1 X2
X1 Pearson Correlation 1 ,435
Sig. (2-tailed) ,158
N 12 12
X2 Pearson Correlation ,435 1
Sig. (2-tailed) ,158
N 12 12

Korelasi antara X1 dengan Y, diperoleh indeks korelasi 0,806

Correlations

X1 Y
X1 Pearson Correlation 1 ,806**
Sig. (2-tailed) ,002
N 12 12
Y Pearson Correlation ,806** 1
Sig. (2-tailed) ,002
N 12 12
**. Correlation is significant at the 0.01 level
(2-tailed).
Korelasi antara X2 dengan Y, diperoleh indeks korelasi 0,284

Correlations

X2 Y
X2 Pearson Correlation 1 ,284
Sig. (2-tailed) ,371
N 12 12
Y Pearson Correlation ,284 1
Sig. (2-tailed) ,371
N 12 12

f. koefisien regresi antara X1, X2 dengan Y diperoleh 0,810. Hal ini diperoleh
dengan perintah Analyze  Regression  Linear. Pada jendela linear

57 | P a g e
regression dan input variabel pada kolom yang sesuai, selanjutnya akhiri
dengan klik OK.
Model Summary(b)

Adjusted R Std. Error of

Model R R Square Square the Estimate
1 ,810(a) ,656 ,579 11,884
a Predictors: (Constant), X2, X1
b Dependent Variable: Y

3. Menentuka signifikansi Regresi

Uji signifikansi regresi bertujuan untuk melihat apakah hubungan
antara X1, X2 dengan Y berarti, sehingga kemunculan variabel Y ditentukan
oleh variabel X1 maupun X2. Uji signifikansi dilakukan dengan uji-F. simpulan
uji dikatakan signifikan jika nilai sig hasil perhitungan lebih kecil dari 0,05.
Signifikansi regresi dianalisis dengan langkah sebagai berikut.
a. Buka lembar kerja SPSS.
b. Isikan bagian Variable view dan data view sesuai dengan hasil yang
diperoleh.
c. Pilih perintah Analyze  Regression  Linear . Pada jendela Regression
Linear, pindahkan variabel X1 dan X2 ke kolom Independendt(s) dan
variabel Y pada kolom dependent.
d. Muncul jendela Linear Regression.

e. Selanjutnya klik OK.

f. Diperoleh hasil analisis uji-F sebagai berikut.

58 | P a g e
 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 2420,561 2 1210,280 8,569 ,008a
Residual 1271,106 9 141,234
Total 3691,667 11
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y

Hasil ji-F diperoleh Fhitung = 8,569 dengan sig = 0,008 < 0,05. Dengan
demikian Ho ditolak. Artinya hubungan antara X1, X2 dengan Y adalah
signifikan.

59 | P a g e