OLEH :
KELOMPOK 3
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.
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
analisa regresi linier). Demikian pula sebaliknya apabila ternyata ditemukan tidak
F𝑟𝑒𝑔 =
𝑅𝐾𝑟𝑒𝑔
𝑅𝐾𝑟𝑒𝑠
Keterangan :
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
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
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.
5. Masukkan variabelnya kedalam kotak Dependent List dengan cara mengklik tanda
seperti tampilan berikut:
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).
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
11. Klik menu Plots sehingga muncul kotak dialog sebagai berikut :
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
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.
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.
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
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.
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
ANOVAa
Total 331,780 49
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Residuals Statisticsa
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
Model Summary
ANOVAa
Total 58,095 49
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
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.
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
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
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
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.
11. untuk X2 dan Y cara pengerjaannya sama, hingga tampilannya seperti di bawah
ini
Ini adalah langkah-langkah penginputan data pada program SPSS.
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
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
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.
DATA PENELITIAN
X1 = Kepemimpinan
X2 = Motivasi
Y = Kinerja
Jumlah sampel = 50
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
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