TUGAS PERTEMUAN X STATISTIKA PENDIDIKAN :

PENGUJIAN PERSYARAT (UJI ASUMSI) ANALISIS DATA

OLEH :
KELOMPOK 3

Nim Nama Tugas Foto

2022010101007 Titin  Uji Normalitas Data &
Uji Homogenitas
Varians menggunakan
SPSS

2022010101085 Lian Adi Susilo  Mencari Referensi Uji

linearitas & Uji bebas
multikolinearitas

2022010101150 Nani Febriani  Uji bebas

multikolinearitas & Uji
Bebas Autokorelasi
menggunakan SPSS
2022010101168 Rahmi Takdir  Mencari Referensi Uji
Normalitas Data

2022010101170 Nur Bismi Alvira.  Uji Linearitas & Uji

S heterokedastisitas
menggunakan SPSS

2022010101179 Wendy Julianti  Mencari Referensi Uji

Homogenitas Varians

2022010101312 Waode Sitti Nur

Azizah  Uji Heterokedastisitas
& Uji Bebas
Autokorelasi
menggunakan SPSS
 1. REFERENSI UJI UJI ASUMSI
 Uji Normalitas Data (Kolomogorov–Smirnov, uji Shapiro–Wilk, uji Lilliefors,
uji Anderson-Darliing, uji Cramer-von Mises, uji Chi-Square, uji Jarque-Bera )

Uji Normalitas dengan Shapiro Wilk

Pengujian hipotesis menggunakan nilai p-value dari test Shapiro Wilk. Berikut uji
hipotesis dari uji normalitas :
1. Uji hipotesis
H0 : data berasal dari distribusi normal
H1 : data tidak berasal dari berdistribusi normal
2. Tingkat kesalahan (α) = 0,05
3. Titik kritis
Tolak H0 jika p-value < α ; ( 0,05 ) Gagal tolak H0 jika p-value > α ; ( 0,05 )
4. Statistik uji Dengan uji Shapiro Wilk maka nilai p-valuenya = 0,02413 p-value <

α
5. Keputusan
Dari hasil analisis yang ada diatas, p-value = 0,02413 > 0,05.  Maka tolak H0
6. Kesimpulan
Berdasarkan pada hasil yang diperoleh pada hasil output analisis diatas, dimana
dihasilkan bahwa nilai p-value lebih kecil dari 0,05 maka dapat disimpulkan bahwa
sumber daya tidak berdistribusi normal.

Metode Chi Square

Metode Chi-Square atau X 2 untuk Uji Goodness of fit Distribusi Normal, menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.
1. RUMUS
Keterangan :
X 2 = Nilai X 2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas berdasarkan tabel normal dikalikan N (total
frekuensi) ≈ pi x N
N = Banyaknya angka pada data (total frekuensi)
2. PERSYARATAN
a. Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.
b. Cocok untuk data dengan banyaknya angka besar ( n > 30 )
c. Setiap sel harus terisi, yang kurang dari 5 digabungkan
3. Signifikansi
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-Square) . Jika nilai X2 hitung
kurang dari nilai X2 tabel, maka Ho diterima ; Ha ditolak. Jika nilai X2 hitung lebih besar dari nilai
X2 tabel, maka Ho ditolak ; Ha diterima.
4. PENERAPAN
TINGGI BADAN MASYARAKAT KALIMAS

Selidikilah dengan α = 5%, apakah data tersebut di atas berdistribusi normal ?

Penyelesaian :
a. Hipotesis Ho : tidak beda dengan populasi normal
b. Ha : Ada beda populasi normal
dihitung mulai dari ujung kurva paling kiri sampai ke titik Z, namun dapat juga menggunakan
sebagian ujung kiri dan sebagian ujung kanan, sehingga hasil pi sebagai berikut.
0,0064– 0,0630= 0,0566 ujung kurve kiri
0,0630– 0,2877= 0,2247 ujung kurve kiri
0,2877– 0,3409= 0,3714 melalui tengah titik nol
0,3409– 0,0853= 0,2556 ujung kurve kanan
0,0853– 0,0096= 0,0757 ujung kurve kanan
0,0096– 0,0005= 0,0091 ujung kurve kanan
 e. Df/db/dk Df = ( k – 3 ) = ( 5 – 3 ) = 2
f. Nilai tabel Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991. Tabel X2 (Chi-Square)

 Uji linearitas (Uji Ramsey's RESET, Uji White, Uji Terasvirta)

A. Pengertian Linieritas

Uji linieritas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan

yang linier atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat

dalam analisis korelasi atau regresi linier. Uji linieritas adalah suatu prosedur yang

digunakan untuk mengetahui status linier atau tidaknya suatu distribusi dan

penelitian. Hasil yang diperoleh melalui uji linieritas akan menentukan teknik-teknik

analisa yang digunakan bisa digunakan atau tidak. Apabila dari hasil uji linieritas

didapatkan kesimpulan bahwa distribusi data penelitian dikategorikan linier maka

data penelitian dapat digunakan dengan metoda-metoda yang ditentukan (misalnya

analisa regresi linier). Demikian pula sebaliknya apabila ternyata ditemukan tidak

linier maka distribusi data harus dianalisis dengan metoda lain.

. Rumus uji linearitas

data adalah sebagai berikut:

F𝑟𝑒𝑔 =

𝑅𝐾𝑟𝑒𝑔

𝑅𝐾𝑟𝑒𝑠
Keterangan :

Freg = harga F untuk garis regresi

RKreg = rerata kuadrat garis regresi

RKres = rerata kuadrat garis residu

Untuk mengetahui ada

tidaknya pengaruh antara variabel

bebas (X) dengan variabel terikat (Y) ,

dengan rumus korelasi Product

Moment Arikunto (2018: 87)

  Uji heterokedastitas dan uji bebas autokorelasi

Heteroskedastisitas adalah keadaan dimana terdapat varian error yang tidak konstan atau 𝐸(𝜀𝑖
2 ) = 𝜎𝑖 2 (Algifari, 2000). Uji heteroskedastisitas adalah prosedur statistik yang digunakan
untuk menentukan apakah varian residual dari model regresi adalah konstan. Ada dua teknik
untuk mengidentifikasi heteroskedastisitas: teknik grafis dan statistik (Ghozali, 2009).
Metode statistik dalam mendeteksi heteoroskedastisitas terdiri dari uji korelasi spearman, uji
park, uji white, uji glejser, uji goldfeld-quandt, dan uji breusch pagan godfrey (BPG
(Firdausyah dan Indawati, 2023).
Uji Heteroskedastisitas dengan Uji Glejser bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik maka tidak terjadi heteroskedastisitas (Setyarini A, 2020)
Uji autokorelasi bertujuan untuk melacak adanya korelasi atau pengaruh data pengamatan
sebelumnya dalam model regresi (Putra, 2016). Autokorelasi Data: Autokorelasi adalah suatu
kondisi di mana residual tidak bebas dari satu observasi ke observasi lainnya
Uji autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara kesalahan
pengganggu pada periode t terhadap kesalahan pengganggu pada periode t-1 (sebelumnya).
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengujian terhadap
adanya fenomena autokorelasi dalam data yang dianalisis dapat dilakukan dengan
menggunakan Durbin-Watson Test (Setyarini, 2020).
2. rumus
Dalam menentukan nilai variabel tidak bebas ( y ), perlu diperhatikan variabel-variabel bebas
( x ) yang mempengaruhinya terlebih dahulu, dengan demikan harus diketahui hubungan
antara satu variabel tidak bebas (Dependent Variable) dengan beberapa variabel lain yang
bebas (Independent Variable). Untuk meramalkan y , apabila semua variabel bebas diketahui,
maka dapat dipergunakan model persamaan regresi linier pada uji heterokedastitas sebagai
berikut:
y i=β 0 + β 1 x 1 i + β 2 x 2 i+ β 3 x 3i +… + β k x ki +εi

y=¿variabel tidak bebas

x=¿variabel bebas
β=¿ koefisien regresi
ε =¿ eror
 2. UJI ASUMSI MENGGUNAKAN SPSS

 Uji Normalitas Data (Uji Kolomogorov–Smirnov & uji Shapiro–Wilk)

Berat badan
mahasiswa
78
78
95
90
78
80
82
77
72
84
68
67
87
78
77
87
77
88
97
89
70
72
70
69
67
90
97

 Langkah-langkah Uji Normalitas Data Menggunakan SPSS

1. Siapkan datanya di excel
2. Copy data dari excel ke SPSS (Datanya saja tidak perlu nama variabelnya)

3. Ubah nama variabel menjadi nama variabel yang akan diolah datanya, dengan cara
mengklik tombol variable view.
Ubah nama variabel (Tanpa Spasi) pada kolom Name, dan buat nama yang lebih panjang
(Boleh menggunakan spasi) pada kolom Label. Kemudian Ubah Pengukuran data pada
kolom Measure menjadi data Scale.

Sehingga tampilan Data View berubah menjadi berikut:

4. Lakukan uji normalitas data dengan cara mengklik Menu Analysis → Descriptive
Statistic → Explore

Sehingga muncul tampilan sebagai berikut :

5. Masukkan variabelnya kedalam kotak Dependent List dengan cara mengklik tanda
seperti tampilan berikut:

6. Klik menu Plots sehingga muncul kotak dialog sebagai berikut :

Pilih dan centang Normality plots with tests, seperti tampilan berikut:

lalu klik tombol continue. Lalu klik

tombol OK.
Sehingga muncul jendela ouput analisis sebagai berikut :
 7. Perhatikan Tabel Test of Normality

Jika nilai Sig. pada masing-masing pengujian (Uji Komogorov-Smirnov dan Shapiro-
Wilk) lebih dari nilai α = 0,05. Maka data dikatakan berdistribusi normal (data berasal
dari populasi yang berdistribusi normal). sebaliknya
Berdasarkan hasil analisis di atas diketahui bahwa nilai sig. Uji Komogorov-Smirnov
sebesar 0,139 > 0,05; begitupula dengan nilai sig. Uji Shapiro-Wilk sebesar 0,123 > 0,05.
Sehingga dapat dikatakan data telah memenuhi asumsi distribusi normal (Terima H0).

 Uji Homogenitas Varians ( Uji Levene )

Nilai mata kuliah

Pasar modal
EKONO AKUNTAN
MI SI
90 90
95 95
80 95
85 85
75 85
70 80
75 80
60 85
65 70
70 80
60 75
65 70
75 60
60 65
65 80

 Langkah-langkah Uji Normalitas Data Menggunakan SPSS :

1. Siapkan datanya di excel

2. Copy data dari excel ke SPSS (Datanya saja tidak perlu nama variabelnya)

8. Ubah nama variabel menjadi nama variabel yang akan diolah datanya, dengan cara
mengklik tombol variable view.
Ubah nama variabel (Tanpa Spasi) pada kolom Name, buat nama yang lebih panjang
(Boleh menggunakan spasi) pada kolom Label dan ubah values

. Kemudian Ubah Pengukuran data pada kolom Measure

menjadi data Nominal & Scale.

Sehingga tampilan Data View berubah menjadi berikut:

9. Lakukan uji normalitas data dengan cara mengklik Menu Analysis → Descriptive
Statistic → Explore

Sehingga muncul tampilan sebagai berikut :

10. Masukkan variabel jurusan kedalam kotak factor list dan variabel nilai mata
kuliah pasar modal kedalam kotak Dependent List dengan cara mengklik tanda
seperti tampilan berikut:

11. Klik menu Plots sehingga muncul kotak dialog sebagai berikut :

Pilih Power Estimation, seperti tampilan berikut:

 lalu klik tombol continue. Lalu
klik tombol OK.
Sehingga muncul jendela ouput analisis sebagai berikut :

12. Perhatikan Tabel Test of Homogeneity of variance

Jika nilai Sig. ( Based on Mean ) > 0,05 maka berkesimpulan varian data homogen,
artinya asumsi uji homogenitas terpenuhi ( varian data homogen ) begituppun sebaliknya.
Berdasarkan hasil analisis di atas diketahui bahwa nilai sig. uji homogenitas sebesar 0,643
> 0,05 sehingga dapat di katakana data telah memenuhi asumsi homogen.

 UJI LINEARITAS

Data Mentah Data Yang Telah Diolah Di SPSS

N Kompetens Motivasi Kompetensi Motivasi
Kinerja (Y) Kinerja (Y)
O i (X1) (X2) (X1) (X2)
1. 21 22 24 21,00 22,00 24,00
2. 19 22 24 19,00 22,00 24,00
3. 21 18 26 21,00 18,00 26,00
4. 19 20 23 19,00 20,00 23,00
5. 19 22 24 19,00 22,00 24,00
6. 19 22 24 19,00 22,00 24,00
7. 19 22 24 19,00 22,00 24,00
8. 22 24 27 22,00 24,00 27,00
9. 19 22 23 19,00 22,00 23,00
10. 17 19 23 17,00 19,00 23,00
11. 17 19 23 17,00 19,00 23,00
12. 19 22 21 19,00 22,00 21,00
13. 11 12 20 11,00 12,00 20,00
14. 21 22 23 21,00 22,00 23,00
15. 18 21 24 18,00 21,00 24,00
16. 19 18 22 19,00 18,00 22,00
17. 19 22 22 19,00 22,00 22,00
18. 17 19 23 17,00 19,00 23,00
19. 17 19 23 17,00 19,00 23,00
20. 22 19 25 22,00 19,00 25,00
21. 17 19 23 17,00 19,00 23,00
22. 19 19 23 19,00 19,00 23,00
23. 17 19 23 17,00 19,00 23,00
24. 17 19 23 17,00 19,00 23,00
25. 19 21 21 19,00 21,00 21,00
26. 24 22 23 24,00 22,00 23,00
27. 17 22 23 17,00 22,00 23,00
28. 15 23 22 15,00 23,00 22,00
29. 19 22 24 19,00 22,00 24,00
30. 18 19 22 18,00 19,00 22,00
31. 14 22 24 14,00 22,00 24,00
32. 19 22 22 19,00 22,00 22,00
33. 17 19 23 17,00 19,00 23,00
34. 24 24 29 24,00 24,00 29,00
35. 17 21 20 17,00 21,00 20,00
36. 18 18 24 18,00 18,00 24,00
37. 19 23 28 19,00 23,00 28,00
38. 20 23 23 20,00 23,00 23,00
39. 18 23 22 18,00 23,00 22,00
40. 20 22 26 20,00 22,00 26,00
41. 22 23 27 22,00 23,00 27,00
42. 19 19 23 19,00 19,00 23,00
43. 13 11 12 13,00 11,00 12,00
44. 18 20 22 18,00 20,00 22,00
45. 22 24 27 22,00 24,00 27,00
46. 19 21 25 19,00 21,00 25,00
47. 21 22 24 21,00 22,00 24,00
48. 18 20 21 18,00 20,00 21,00
49. 16 19 23 16,00 19,00 23,00
50. 24 24 29 24,00 24,00 29,00
 UJI LINEARITAS MENGGUNAKAN SPSS
Means

Case Processing Summary

Cases
Included Excluded Total
N Percent N Percent N Percent
Kinerja *
50 100,0% 0 0,0% 50 100,0%
Kompetensi
Kinerja * Motivasi 50 100,0% 0 0,0% 50 100,0%

Kinerja * Kompetensi

Report
Kinerja
Std.
Kompetensi Mean N Deviation
11 20,00 1 .
13 12,00 1 .
14 24,00 1 .
15 22,00 1 .
16 23,00 1 .
17 22,70 10 ,949
18 22,50 6 1,225
19 23,31 16 1,702
20 24,50 2 2,121
21 24,25 4 1,258
22 26,50 4 1,000
24 27,00 3 3,464
Total 23,38 50 2,602

ANOVA Table

Sum of Mean
Squares df Square F Sig.
Kinerja * Between (Combined) 236,493 11 21,499 8,574 ,000
Kompetensi Groups Linearity 149,235 1 149,235 59,514 ,000
Deviation from
87,258 10 8,726 3,480 ,003
Linearity
Within Groups 95,288 38 2,508
 Total 331,780 49

Measures of Association
R R Squared Eta Eta Squared
Kinerja *
,671 ,450 ,844 ,713
Kompetensi

Kinerja * Motivasi

Report
Kinerja
Motivas
i Mean N Std. Deviation
11 12,00 1 .
12 20,00 1 .
18 24,00 3 2,000
19 23,08 13 ,641
20 22,00 3 1,000
21 22,50 4 2,380
22 23,44 16 1,153
23 24,40 5 2,881
24 28,00 4 1,155
Total 23,38 50 2,602

ANOVA Table
Sum of Mean
Squares df Square F Sig.
Kinerja * Between (Combined) 242,719 8 30,340 13,967 ,000
Motivasi Groups Linearity 143,952 1 143,952 66,270 ,000
Deviation from
98,768 7 14,110 6,496 ,000
Linearity
Within Groups 89,061 41 2,172
Total 331,780 49

Measures of Association
R R Squared Eta Eta Squared
Kinerja *
,659 ,434 ,855 ,732
Motivasi
 HASIL UJI LINEARITAS
Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Linearitas pada Kinerja
Kompetensi sebesar 0,003 < 0,05; begitu pula dengan Kinerja Motivasi sebesar 0,000 <
0,05. Sehingga tidak terdapat hubungan yang liniear antara variabel bebas dengan variabel
terikat.

LANGKAH-LANGKAH UJI LINEARITAS DATA MENGGUNAKAN

SPSS
1. Siapkan datanya di excel

2. Copy data dari excel ke SPSS (Datanya saja tidak perlu nama variabnya)
3. Ubah nama variabel menjadi nama variabel yang akan diolah datanya, dengan cara
menklik tombol variable view.
 Ubah nama variabel (Tanpa Spasi) pada kolom Name, dan buat nama yang lebih panjang
(Boleh menggunakan spasi) pada kolom Label. Kemudian Ubah Pengukuran data pada
kolom Measure menjadi data Scale.

Sehingga tampilan Data View berubah menjadi berikut:

4. Lakukan uji linearitas data dengan cara mengklik Menu Analysis → Compare Means →
Means
 Sehingga muncul tampilan sebagai berikut :

5. Masukkan variabelnya kedalam kotak Dependent List dan Independent List dengan cara
mengklik tanda seperti tampilan berikut

6. Klik menu Options sehingga muncul kotak dialog sebagai berikut

Pilih dan centang Test for linearity, kemudia klik continue seperti tampilan berikut:

Lalu klik tombol OK.

7. Sehingga muncul jendela ouput analisis sebagai berikut

8. Perhatikan Anova Table
Kinerja * Kompetensi

Kinerja * Motivasi
 Jika nilai Sig. Deviation from linearity > 0,05. Maka terdapat hubungan yang liniear
antara variabel bebas dengan variabel terikat.
 Jika nilai Sig. Deviation from linearity < 0,05. Maka tidak terdapat hubungan yang
liniear antara variabel bebas dengan variabel terikat.

Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Linearitas pada
Kinerja Kompetensi sebesar 0,003 < 0,05; begitu pula dengan Kinerja Motivasi
sebesar 0,000 < 0,05. Sehingga tidak terdapat hubungan yang liniear antara variabel
bebas dengan variabel terikat.

 UJI HETEROSKEDASTISITAS GLEJSER MENGUNAKAN SPSS

N X1 X2 Y RES_1 RES2
o
1. 21,00 22,00 24,00 -,89928 ,90
2 19,00 22,00 24,00 -,04427 ,04
3 21,00 18,00 26,00 2,65439 2,65
4 19,00 20,00 23,00 -,26743 ,27
5 19,00 22,00 24,00 -,04427 ,04
6 19,00 22,00 24,00 -,04427 ,04
7 19,00 22,00 24,00 -,04427 ,04
8 22,00 24,00 27,00 ,89638 ,90
9 19,00 22,00 23,00 -1,04427 1,04
10 17,00 19,00 23,00 ,97600 ,98
11 17,00 19,00 23,00 ,97600 ,98
12 19,00 22,00 21,00 -3,04427 3,04
13 11,00 12,00 20,00 3,25996 3,26
14 21,00 22,00 23,00 -1,89928 1,90
15 18,00 21,00 24,00 ,77166 ,77
16 19,00 18,00 22,00 -,49060 ,49
17 19,00 22,00 22,00 -2,04427 2,04
18 17,00 19,00 23,00 ,97600 ,98
19 17,00 19,00 23,00 ,97600 ,98
20 22,00 19,00 25,00 ,83846 ,84
21 17,00 19,00 23,00 ,97600 ,98
22 19,00 19,00 23,00 ,12098 ,12
23 17,00 19,00 23,00 ,97600 ,98
24 17,00 19,00 23,00 ,97600 ,98
25 19,00 21,00 21,00 -2,65585 2,66
 26 24,00 22,00 23,00 -3,18180 3,18
27 17,00 22,00 23,00 -,18925 ,19
28 15,00 23,00 22,00 -,72266 ,72
29 19,00 22,00 24,00 -,04427 ,04
30 18,00 19,00 22,00 -,45151 ,45
31 14,00 22,00 24,00 2,09327 2,09
32 19,00 22,00 22,00 -2,04427 2,04
33 17,00 19,00 23,00 ,97600 ,98
34 24,00 24,00 29,00 2,04136 2,04
35 17,00 21,00 20,00 -2,80084 2,80
36 18,00 18,00 24,00 1,93691 1,94
37 19,00 23,00 28,00 3,56732 3,57
38 20,00 23,00 23,00 -1,86019 1,86
39 18,00 23,00 22,00 -2,00518 2,01
40 20,00 22,00 26,00 1,52823 1,53
41 22,00 23,00 27,00 1,28480 1,28
42 19,00 19,00 23,00 ,12098 ,12
43 13,00 11,00 12,00 -5,20664 5,21
44 18,00 20,00 22,00 -,83993 ,84
45 22,00 24,00 27,00 ,89638 ,90
46 19,00 21,00 25,00 1,34415 1,34
47 21,00 22,00 24,00 -,89928 ,90
48 18,00 20,00 21,00 -1,83993 1,84
49 16,00 19,00 23,00 1,40350 1,40
50 24,00 24,00 29,00 2,04136 2,04

 Regression

Variables Entered/Removeda Model Summaryb

Variables Variables R Adjusted R Std. Error of

Model Entered Removed
Model R Method Square
Square the Estimate
1 Motivasi, 1 ,732a ,536 ,516 1,80962
b
. Enter
Kompetensi
a. Predictors: (Constant), Motivasi, Kompetensi
a. Dependent Variable: Kinerja
b. Dependent Variable: Kinerja
b. All requested variables entered.

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 177,868 2 88,934 27,158 ,000b

Residual 153,912 47 3,275

Total 331,780 49

a. Dependent Variable: Kinerja

b. Predictors: (Constant), Motivasi, Kompetensi

Coefficientsa
 Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 7,376 2,200 3,352 ,002

Kompetensi ,428 ,133 ,420 3,218 ,002

Motivasi ,388 ,131 ,386 2,957 ,005

a. Dependent Variable: Kinerja

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 16,7400 26,9586 23,3800 1,90524 50

Residual -5,20664 3,56732 ,00000 1,77231 50
Std. Predicted Value -3,485 1,878 ,000 1,000 50
Std. Residual -2,877 1,971 ,000 ,979 50

a. Dependent Variable: Kinerja

COMPUTE RES2=ABS_RES(RES_1).
EXECUTE.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT RES2
/METHOD=ENTER X1 X2.

 Regression

Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 Motivasi,
. Enter
Kompetensib

a. Dependent Variable: RES2

b. All requested variables entered.

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate
1 ,289a ,084 ,045 1,06423

a. Predictors: (Constant), Motivasi, Kompetensi

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 4,863 2 2,431 2,147 ,128b

Residual 53,232 47 1,133

Total 58,095 49

a. Dependent Variable: RES2

b. Predictors: (Constant), Motivasi, Kompetensi

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 3,680 1,294 2,844 ,007

Kompetensi ,031 ,078 ,073 ,396 ,694

Motivasi -,139 ,077 -,331 -1,805 ,078

a. Dependent Variable: RES2

HASIL UJI HETEROSKEDASTISITAS GLEJSER

 Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Heteroskedastisitas
pada Variabel X1 yaitu; 0,694 > 0,05; Sehingga dapat disimpulkan tidak terjadi
Heteroskedastisitas
 Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Heteroskedastisitas
pada Variabel X2 yaitu; 0,078 > 0,05; Sehingga dapat disimpulkan tidak terjadi
Heteroskedastisitas

LANGKAH-LANGKAH UJI HETEROSKEDASTISITAS GLEJSER DATA

MENGGUNAKAN SPSS
9. Siapkan datanya di excel
10. Copy data dari excel ke SPSS (Datanya saja tidak perlu nama variabnya)
11. Ubah nama variabel menjadi nama variabel yang akan diolah datanya, dengan cara
menklik tombol variable view.
 Ubah nama variabel (Tanpa Spasi) pada kolom Name, dan buat nama yang lebih panjang
(Boleh menggunakan spasi) pada kolom Label. Kemudian Ubah Pengukuran data pada
kolom Measure menjadi data Scale.

Sehingga tampilan Data View berubah menjadi berikut:

12. Lakukan Uji Heteroskedastisitas Glejser data, dengan cara mengklik Menu Analyze →
Compare Means → Means
 Sehingga muncul tampilan sebagai berikut :

13. Masukkan variabelnya kedalam kotak Dependent List dan Independent List dengan cara
mengklik tanda seperti tampilan berikut
14. Klik menu Save hingga muncul kotak dialog sebagai berikut

Pilih dan centang Unstandardized, kemudia klik continue seperti tampilan berikut:
 Lalu klik OK.

15. Sehingga muncul jendela ouput analisis sebagai berikut

16. Kemudian kembali ke data view
 Klik menu Transform

kemudian klik Compute Variable

Hingga muncul gambar seperti berikut

17. Pada kotak Target Variable ketik RES2 dan kotak Numeric Expression ketik
ABS_RES(RES_1)

Kemudian Klik OK.

18. Selanjutnya kembali ke Data View, klik menu Analyze →Regression→linear

19. Selanjutnya keluarkan kinerja (Y) dari kotak Dependen dengan menklik

mengggantinya dengan RES2

lalu klik Save.

20. Setelah muncul seperti gambar berikut

Hilangkan tanda centang pada kolom Unstandardzed lalu Klik Continue, kemudian
klik OK.
21. Sehingga muncul Ouput analisis sebagai berikut
22. Perhatikan Coefficientsa

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 3,680 1,294 2,844 ,007

Kompetensi ,031 ,078 ,073 ,396 ,694

Motivasi -,139 ,077 -,331 -1,805 ,078

a. Dependent Variable: RES2

 Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Heteroskedastisitas
pada Variabel X1 yaitu; 0,694 > 0,05; Sehingga dapat disimpulkan tidak terjadi
Heteroskedastisitas
 Berdasarkan hasil analisis di atas diketahui bahwa nilai Sig. Uji Heteroskedastisitas
pada Variabel X2 yaitu; 0,078 > 0,05; Sehingga dapat disimpulkan tidak terjadi
Heteroskedastisitas.

 UJI MULTIKOLINEARITAS

LANGKAH-LANGKAH UJI MULTIKOLINEARITAS:

 INPUT – ANALISIS – OUTPUT
 Dimulai dari menginput data ke program SPSS
 Selanjutnya menganalisis data
 Terakhir menampilkan output SPSS yang akan dijabarkan, apakah dalam mdel
regresi pada data penelitian ini terjadi atau tidak gejala multikolinearitas

CONTOH UJI MULTIKOLINEARITAS

 Kompetensi (X1)
 Motivasi (X2)
 Kinerja (Y)

1. Data penelitian
Jumlah sampel ada 50 sampel
 2. Penginputan data
1. Buka program SPSS
2. Klik variable view di pojok kiri bawah
3. Pada bagian name pertama ditulis X1

Kemudian muncul secara otomatis seperti di bawah ini

4. lalu ubah decimal nya menjadi angka 0

5. pada bagian label di tuliskan kompetensi

6. Setelah itu pada name selanjutanya yaitu X2, pengerjaannya sama yaitu diubah
desimalnya menjadi 0, tetapi label nya di ubah menjadi motivasi
 7. Di tabel ke 3, pengerjaannya sama tetapi name nya diganti Y dan label di isi
dengan kinerja

8. Tampilan akhirnya seperti di bawah ini, untuk opsi yang lainnya tidak peerlu di
ubah lagi. Tahap ini adalah proses pemberian nama variable penelitian.

9. Selanjutnya klik data view hingga tampilannya seperti di bawah ini

Di data view sudah ada muncul variable X1, X2 dan Y

10. Selamjutnya memasukkan data penelitian ke program SPSS
Lankah-langkahnya:
 Buka data penelitian di excel
 kemudian blok pada bagian kompetensi (X1), lalu copy
 setelah di copy lalu di paste pada bagian X1 di program SPSS

11. untuk X2 dan Y cara pengerjaannya sama, hingga tampilannya seperti di bawah
ini
Ini adalah langkah-langkah penginputan data pada program SPSS.

3. Tahap Analisis Data

1. Pada menu SPSS di klik pada bagian Analyze, kemudian pilih Regression, lalu
pilih Linear.

Hingga muncul tampilan seperti di bawah ini

2. Kemudian untuk variable kinerja (Y) masukkan ke kolom Dependent

3. Untuk variable kompetensi (X1) dan variable motivasi (X2) di masukkan ke
kolom independent

4. Selanjutnya klik statistic pada menu pilihan di bagian kanan atas hingga muncul
tampilan seperti di bawah ini
 5. Lalu klik collinearity diagnostics, kemudian klik continue

6. Hingga muncul ke tampilan sebelumnya, kemudian klik OK

Hingga muncul tampilan seperti ini, ini adalah Output penelitian atau output regresi dalam
hal ini akan dilihat apakah terjadi atau tidaknya gejala multikolinearitas.
Setelahnya masuk pada bagian dasar pengambilan keputusan dalam uji multikolinearitas

DASAR PENGAMBILAN UJI MULTIKOLINEARITAS

Ada dua cara yaitu:
1. Melihat nilai Tolerance: jika nilai Tolerance lebih besar dari >0,10 maka artinya tidak
terjadi multikolinearitas.
2. Melihat nilai VIF : jika nilai VIF lebih kecil dari <10,00 maka artinya tidak terjadi
multikolinearitas

 Dilihat dari output dibawah ini, sudah ada nilai tolerance dan VIF, dicocokkan dengan
dasar pengambilan keputusan dalam uji multikolineritas.
 Disini diperoleh nilai tolerance sebesar 0,579. Artinya nilai ini lebih besar dari nilai
0,10, Berdasarkan nilai tolerance maka indikasinya adalah tidak terjadi gejala
multikolinearitas.
 Sedangkan pada nilai VIF diperoleh nilainya sebesar 1,727. Artinya nilai ini lebih
kecil dari 10,00, sehingga dapat dikatakan tidak terjadi gejala multikolinearitas.
  Sehingga jika dlihat dari nilai tolerance dan VIF, dapat disimpulkan bahwa model
regresi pada penelitian ini tidak terjadi multikolinearitas.

 UJI BEBAS AUTOKORELASI (DURBIN-WATSON)

Dasar pengambilan uji Autokorelasi:

1. Jika nilai d (durbin-watson) lebih kecil dari nilai dl (d < dl), atau nilai d lebih besar
dari 4-dl (d > 4-dl) maka dapat disimpulkan terdapat autokorelasi
2. Jika nilai d terletak antara du dan 4-du (du < d < 4-du), maka dapat disimpulkan tidak
terdapat autokorelasi.
3. Jika nilai d terletak antara nilai dl dan nilai du (dl < d < du), atau nilai d terletak antara
nilai 4-du dan 4-dl (4-du < d < 4-dl) maka tidak ada kesimpulan pasti apakah terdapat
autokorelasi atau tidak.

DATA PENELITIAN
 X1 = Kepemimpinan
 X2 = Motivasi
 Y = Kinerja

Jumlah sampel = 50

LANGKAH-LANGKAH PENGERJAAN UJI AUTOKORELASI

1. Buka program SPSS
2. Klik variable view

3. Pada bagian name isi dengan X1, name ke 2 dengan X2, dan name ke 3 dengan Y,
dan pada bagian label tuliskan sesuai nama variable
4. Kemudian klik data view, hingga muncul tampilan seperti di bawah ini,

5. Kemudian pindahkan data dari excel ke program SPSS dengan cara di copy semua
datanya
6. Setelah di pindahkan data dari excel ke program SPSS, kemudian klik analyze dan
pilih Regression dan pilih linear

Hingga muncul tampilan seperti di bawah ini

7. Kemudian masukkan variable kinerja (Y) pada kotak Dependent, kemudian untuk
variable kepemimpinan (X1) dan Motivasi (X2) pada kotak independent.

8. Kemudian pilih menu statistic, lalu klik pada bagian Durbin Watson, setelah itu klik
continue, kemudian klik OK.
9. Hingga muncul hasil ouput dari data penelitian

10. Pada hasil output tersebut, dapat diperoleh nilai durbin Watson sebesar 2,250
11. Selanjutnya mencari nilai dl dan nilai du. Nilai dl dan nilai du ini diperoleh dari nilai
table durbin Watson, tabelnya seperti di bawah ini

Cara mencarinya yaitu cocokkan terlebih dahulu variable Xnya, karena pada data
penelitian ini terdapat 2 variabel X maka yang diambil pada table Durbin Watson
adalah K2

12. Selanjutnya pilih sesuai dengan banyaknya sampel. Karena pada data penelitian ini
ada 50 sampel, jadi nilai yang diambil adalah nilai ke 50.

Nilai dl = 1,4625
Nilai du = 1,6283
Nilai d = 2,250
Untuk mencari nilai 4-dl dan 4-du, dapat menggunakan kalkulator dengan cara nilai dl
dan nilai du dikurang dengan 4 sehingga nilai yang di dapat adalah:
Nilai 4-dl = 2,4625
Nilai 4-du = 2,3717

d dl du 4-dl 4-du
2,250 1,4625 1,6283 2,4625 2,3717

Dapat disimpulkan = du < d < 4-du

= 1,6283 < 2,250 < 2,3717
Artinya nilai d terletak di antara nilai du dan nilai 4-du.
Sesuai dengan dasar pengambilan keputusan uji autokorelasi, maka kesimpulannya
adalah tidak terdapat autokorelasi.