1

MATERI: PELATIHAN PENGOLAHAN DATA : SPSS

Berikut ini dibahas mengenai salah satu pengolahan data dan hasil penelitian dari
hasil pemerolehan data penelitian. Berdasarkan sumbernya, data dipisahkan
antara data primer dan sekunder. Data primer biasanya diperoleh dari penelitian
primer dengan langsung mengamati perubahan perilaku objek pengamatan.
Sedangkan data sekunder adalah data yang diperoleh dari hasil penelitian atau
survey yang dilakukan oleh lembaga atau peneliti yang lain. Selanjutnya,
pengolahan data pada penelitian yang menggunakan model analisis regresi linear
dan korelasi, umumnya terdiri atas :

1. Uji Instrumen
2. Analisis Statistik Deskriptif
3. Analisis Statistik Inferensial & Uji Asumsi Klasik
4. Uji Hipotesis

Pengolahan data dan pengujian secara statistik pada materi ini, menggunakan
salah satu program pengolahan data, yaitu Program analisis statistika: Statistical
Package for the Social Sciences (SPSS).

1. Uji Instrumen
Uji Instrumen umumnya digunakan pada penelitian yang menggunakan data
primer, menggunakan kuesioner sebagai skala pengukuran. Uji instrumen terdiri
dari uji validitas dan reliabilitas. Data yang valid dan reliabel menjadi syarat
dalam melakukan uji hipotesis penelitian agar hasil penelitian valid dan dapat
dibuktikan. Berdasarkan hal tersebut, pengujian validitas dan reliabilitas data
sangat mempengaruhi hasil penelitian. Oleh karena itu, sebelum melakukan
analisis maka terlebih dahulu harus dipastikan bahwa data yang diterima valid dan
reliabel.
1.1. Uji Validitas
Uji validitas dilakukan untuk mengetahui sejauh mana item-item yang
membentuk konsep yang telah disusun dapat mewakili variabel penelitian. Sebuah
konsep atau pernyataan dikatakan dapat mewakili variabel apabila rhitung dari
pernyataan lebih besar dari nilai rtabel.

Instant Clue :
1. Analyze, kemudian pilih sub menu Correlate, lalu pilih Bivariate
2. Masukkan semua skor item variabel ke kotak variables (termasuk total skor):.
Pada bagian "Correlation Coefficients" centang (v) Pearson, pada bagian "Test of
Significance" pilih Two-tailed. Centang Flag significant Corerrelations lalu klik Ok
untuk mengakhiri perintah. Tekan tombol OK
3. Ulangi langkah di atas, untuk semua variabel baik variabel independen maupun
variabel dependen
4. Output SPSS : Tabel “Correlations”

Misalnya : Nilai rtabel untuk populasi pada penelitian ini adalah sebanyak 46
responden dengan tingkat signifikasi 5% dan n = 46-2 = 44 adalah 0,2907. Jadi,
apabila rhitunglebih kecil dari 0,2907 maka pernyataan tersebut dianggap tidak
valid.

Berikut contoh hasil pengujian validitas ini dilakukan dengan menggunakan SPSS
22 atas contoh variabel sebagai berikut:

Kepemimpinan (X1)

Hasil pengujian validitas (dari tabel Correlations) dari pernyataan-pernyataan

variabel Kepemimpinan adalah sebagai berikut:

Hasil Uji Validitas

Variabel Kepemimpinan (X1)
Butir
rhitung rtabel Keterangan
Pernyataan
1 0,583 0,2907 Valid
2 0,539 02907 Valid
3 0,541 0,2907 Valid
4 0,636 0,2907 Valid
 5 0,506 0,2907 Valid
6 0,605 0,2907 Valid
7 0,617 0,2907 Valid
8 0,613 0,2907 Valid
9 0,625 0,2907 Valid

Interpretasi :
Berdasarkan hasil pengujian validitas yang dapat dilihat pada Tabel, dengan 9
pernyataan dari variabel kepemimpinan tersebut dapat disimpulkan 9 pernyataan
ini dinyatakan valid.

Pengujian ini dilakukan juga terhadap variabel independen lainnya dan

variabel dependen, satu persatu

1.2. Uji Reliabilitas

Pengujian reliabilitas dilakukan terhadap pernyataan-pernyataan yang sudah valid,
hal ini untuk mengetahui sejauh mana hasil pengukuran tetap konsisten apabila
dilakukan pengukuran ulang pada kelompok yang sama dan alat ukur yang sama.

Instant Clue :

1. Analyze, lalu klik Scale, kemudian klik Reliability Analysis

2. Masukkan semua skor item variabel yang valid (tidak termasuk total skor) ke
kotak Items: kemudian
3. Pilih Alpha pada bagian Model
4. klik Statistics... Maka muncul kota dilaog "Reliability Analysis: Statistics"
Kemudian pada "Descriptives for", klik Scale if item deleted, lalu klik Continue.
Abaikan pilihan yang lainnya. Terakhir Ok
5. Output SPSS : Tabel “Reliability Statistics”

Berikut ini contoh hasil pengujian reliabilitas (diambil dari tabel Reliability
Statistics) untuk semua variabel dalam penelitian.

Hasil Uji Reliabilitas

Variabel Croncbach’s Alpha Item Cronbach’s Alpha Keterangan
X1 0,757 0,6 Reliable
X2 0,730 0,6 Reliable
 X3 0,836 0,6 Reliable
Y 0,736 0,6 Reliable
Sumber: Hasil Pengolahan Data, 2021
Interpretasi :
Hasil dari pengujian data reliabilitas untuk variabel Kepemimpinan (X1),
Pelatihan (X2), Disiplin Kerja (X3) dan variabel Kinerja Pegawai (Y) dinyatakan
reliabel karena memiliki Cronchbach’s Alpha lebih dari 0,6.

2. Analisis Statistik Deskriptif

Analisis statistik deskriptif memberikan suatu gambaran atau deskripsi suatu data
(data primer atau sekunder) yang dilihat dari nilai minimum, nilai maksimum,
sum, mean, standar deviasi, dan variance dari masing-masing variabel penelitian.

Instant Clue :
1. pilih Analyze, kemudian pilih sub menu Descriptive Statistic, lalu pilih
Descriptives...
2. klik Options... maka muncul kotak dialog "Descriptives: Options" selanjutnya
memberikan tanda ceklist (V) untuk statisitik deskriptif yang ingin dipakai atau
ditampilkan di output SPSS. Misal: Mean, Std. Deviation, Variance, Maximum,
Minimum, Sum, Range, Kurtosis dan Skewness.
3. klik Continue. Abaikan pilihan yang lainnya. Terakhir Ok
4. Output SPSS : Tabel “Descriptive Statitistics”

Misalnya: Variabel independen dalam penelitian ada Kepemimpinan (X1) yang

terdiri dari 9 pernyataan, Pelatihan (X2) yang terdiri dari 9 pernyataan, Disiplin
Kerja (X3) yang terdiri dari 14 pernyataan dan Kinerja Pegawai (Y) yang terdiri
dari 9 pernyataan.
a. Statistik Deskriptif Variabel Penelitian
Hasil Statistik Deskriptif Variabel
Descriptive Statistics
Minimu Maximu Std.
N Range m m Sum Mean Deviation Variance
Kepemimpinan (X1) 46 18 27 45 1869 40,63 3,151 9,927
Pelatihan (X2) 46 16 29 45 1856 40,35 3,035 9,210
Disiplin Kerja (X3) 46 18 48 66 2636 57,30 4,273 18,261
Kinerja Pegawai (Y)
46 14 31 45 1893 41,15 2,921 8,532

Valid N (listwise) 46

Interpretasi :
Berdasarkan Tabel di atas variabel Kepemimpinan (X1) termasuk ke dalam
kriteria rendah dengan nilai rata-rata (mean) sebesar 40,63. Variabel Pelatihan
(X2) termasuk kedalam kriteria rendah dengan nilai rata-rata (mean) sebesar
40,35. Variabel Disiplin Kerja (X3) termasuk ke dalam kriteria tinggi dengan nilai
rata-rata (mean) 57,30. Variabel Kinerja Pegawai (Y) termasuk kedalam kriteria
rendah dengan nilai rata-rata (mean) sebesar 41,15.

(Apabila dimintakan, maka analisis statistik deskriptif juga, dapat dilakukan

secara lebih baik lagi, dengan melakukan Statistik Deskriptif per Indikator)
b. Statistik Deskriptif per Indikator dari Variabel Kepemimpinan
Rekapitulasi Jawaban Responden
Indikator Kepemimpinan dalam Kemampuan Analitis
Descriptive Statistics

N Range Minimum Maximum Sum Mean Std. Deviation Variance

P1 46 2 3 5 206 4,48 ,691 ,477
P2 46 2 3 5 205 4,46 ,585 ,343
P3 46 2 3 5 210 4,57 ,620 ,385
Valid N (listwise) 46

Interpretasi :
Berdasarkan Tabel di atas menunjukkan bahwa indikator Kepemimpinan dalam
Kemampuan Analitis, dari pernyataan P1 termasuk kedalam kriteria sangat tinggi
dengan nilai rata-rata (mean) sebesar 4,48, pernyataan P2 termasuk kedalam
kriteria sangat tinggi dengan nilai rata-rata (mean) sebesar 4,46, dan pernyataan
P3 termasuk kedalam kriteria sangat tinggi dengan nilai rata-rata (mean) sebesar
4,57.

3. Analisis Statistik Inferensial; Uji Asumsi Klasik

Statistik inferensial adalah teknik statistik yang digunakan untuk menganalisis
data sampel dan hasilnya diberlakukan untuk populasi. Pada statistik inferensial,
penentuan kelayakan sebuah model yang menggunakan regresi linear,
membutuhkan dasar uji prasyarat, yang dikenal sebagai uji asumsi klasik. Uji
asumsi klasik tidak hanya ditinjau atas sumber data: primer atau sekunder, namun
fokus dilihat berdasarkan sifat data, data bisa bersifat cross section, time series
dan panel.

Tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear,
misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear
sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
Data cross-sectional mengacu pada data yang dikumpulkan dengan mengamati
banyak hal pada titik waktu yang sama, atau tanpa memperhatikan perbedaan
waktu. Data time series (data longitudinal ) mengikuti subjek selama kurun
waktu tertentu. Data panel merupakan gabungan dari cross section dan time
series.

3.1. Uji Asumsi Klasik

Sebelum melakukan analisis data, maka pada model Regresi Linier atau Regresi
Parametrik, maka data diuji sesuai asumsi klasik yang bertujuan untuk mendapat
regresi yang baik yang terbebas dari normalitas, heteroskedastisitas,
multikolonieritas, dan autokorelasi,

3.1.1. Uji Normalitas

Uji normalitas data 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.
Pengujian normalitas untuk penelitian dapat menggunakan grafik normal P-P plot
atau uji Kolmogorof Smirnov.

Instant Clue : Normal P-P Plot

1. Analyze – lalu pilih Regression – kemudian pilih Linear…
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik Plots…
3. Pada bagian Standardized Residual Plots berikan tanda centang (v) untuk pilihan
Normal probability plot, abaikan pilihan lainnya lalu klik Continue.Terakhir Ok
4. Output SPSS : “Chart”

Hasil Output SPSS Uji Normalitas (normal P-P plot)

Interpretasi :
Berdasarkan Gambar di atas dapat disimpulkan bahwa grafik normal P-P plot
terlihat titik menyebar sekitar garis diagonal, maka grafik menunjukkan bahwa
model regresi layak dipakai karena memenuhi asumsi normalitas.

Instant Clue : Uji Kolmogorof Smirnov

1. Memunculkan nilai unstandardized residual (RES_1) yang selanjutnya akan kita
uji normalitasnya. Caranya adalah: dari menu SPSS pilih menu Analyze,
kemudian klik Regression lalu pilih Linear
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik Plots…
3. Klik Save", pada bagian "Residuals", centang (v) Unstandardized (abaikan kolom
dan pilihan yang lain). Selanjutnya, klik Continue lalu klik Ok. Akan muncul
variabel baru RES_1
 4. Pilih menu Analyze, lalu pilih Nonparametric Tests, klik Legacy Dialogs,
kemudian pilih submenu 1-Sample K-S...
5. masukkan variabel Unstandardized Residuals ke kotak Test Variable List: pada
"Test Distribution" aktifkan atau centang (v) pilihan Normal
6. Output SPSS : Tabel “One-Sample Kolmogorov-Smirnov Test”

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N 80
Normal Parametersa,b Mean .0000000
Std. Deviation 7.31576205
Most Extreme Differences Absolute .071
Positive .057
Negative -.071
Test Statistic .071
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.

Interpretasi :

Nilai sig lebih besar dari 0,05 maka data berdistribusi normal (yang bagus)

3.1.2 Uji Heteroskedastisitas

Uji heteroskedastisitas dengan scatterplot dibantu dengan SPSS, sebagai berikut:

Instant Clue :
1. Analyze – lalu pilih Regression – kemudian pilih Linear…
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik kemudian pada bagian Method: pilih Enter, setelah
itu klik Plots..
3. masukkan *ZPRED pada kotak X dan *SRESID pada kotak Y, lalu klik Continue
Terakhir Ok.
4. Output SPSS : Scatterplot
Interpretasi :
Berdasarkan Gambar di atas, antara nilai prediksi variabel dependen dengan
residualnya diperoleh hasil tidak adanya pola yang jelas dan titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedastisitas.

3.1.3 Uji Multikolineritas

Uji multikolineritas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik. Uji multikolineritas bertujuan untuk menguji
apakah model regresi ditemukan adanya korelasi antar variabel bahwa
(independent variable). Untuk mendeteksi apakah terjadi multikolineritas dapat
dilihat dari nilai tolerance dan Variance Inflation Factor (VIF).Tidak terjadi
multikolineritas jika nilai tolerance lebih besar 0,10 dan jika nilai VIF lebih kecil
10.00.

Instant Clue :
1. Analyze – lalu pilih Regression – kemudian pilih Linear…
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik kemudian pada bagian "Method" pilih Enter, lalu
klik Statistics...
3. mecentang (v) pada Covariance matrix dan Collinierity Diagnostics. Abaikan
pilihan lain atau biarkan tetap defauld kemudian klik Continue, Ok
4. Output SPSS : Tabel Coefficients
.
 Hasil Uji Multikolineritas
a
Coefficients

Unstandardized Standardized Collinearity

Coefficients Coefficients Statistics
Toleranc
Model B Std. Error Beta T Sig. e VIF
1 (Constant) 5,091 4,641 1,097 ,279
Kepemimpinan ,058 ,096 ,062 ,598 ,553 ,684 1,461
Pelatihan ,733 ,103 ,761 7,091 ,000 ,639 1,564
Disiplin Kerja ,073 ,061 ,106 1,188 ,242 ,921 1,086
a. Dependent Variable: Kinerja Pegawai

Interpretasi :
Berdasarkan tabel di atas tolerance tiap variabel lebih besar 0.10 nilai VIF lebih
kecil 10.00, maka dapat disimpulkan tidak terjadi persoalan multikolineritas antar
variabel bebas dalam penelitian ini.

3.1.4. Uji Autokorelasi

Uji Autokorelasi, dipakai hanya untuk data time series. Jika data cross section
(misaknya: data primer yang diperoleh secara bersamaan/sekaligus seperti
kuesioner) maka tidak diperlukan uji autokorelasi.

1. Nilai Durbin Watson (d) dari Outpus SPSS akan kita bandingkan dengan nilai
tabel Durbin Watson (lihat tutorial)
2. Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka terjadi autokorelasi
3. Jika d terletak antara dU (batas atas) dan kurang dari (4-dU) maka tidak terjadi
autokorelasi.
4. Jika d terletak dL dan dU atau diantara (4-dU) dan (4-dL) maka tidak
menghasilkan kesimpulan yang pasti

Instant Clue :
1. Analyze – lalu pilih Regression – kemudian pilih Linear…
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik kemudian pada bagian "Method" pilih Enter, lalu
klik Statistics...
3. memberi tanda centang (v) pada Durbin-Watson (abaikan centangan yang lain).
Kemudian klik Continue, Ok
 4. Output SPSS : Tabel Model Summary

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .517a .267 .217 7.55888 2.070
a. Predictors: (Constant), KDL, LDR, NPL, IFL, TSB
b. Dependent Variable: RS

Interpretasi :
Nilai Durbin-Watson (d) sebesar 1,671 lebih besar dari batas atas (dU) yakni
1,650 dan kurang dari (4-du) 4-1,650 = 2,350. Maka sebagaimana dasar
pengambilan keputusan dalam uji durbin watson di atas, dapat disimpulkan bahwa
tidak terdapat masalah atau gejala autokorelasi.

3.2. Uji Regresi Linier Berganda

Analisis regresi linear berganda digunakan untuk mengetahui ada atau tidaknya
hubungan pengaruh antara variabel-variabel yang lebih dari satu dengan variabel
terikat. Sebelum dilakukan uji hipotesis mengenai signifikasi antara hubungan
variabel bebas dan variabel terikat maka terlebih dahulu harus diketahui apakah
sebuah model memiliki hubungan yang linier.

Instant Clue :
1. Analyze – lalu pilih Regression – kemudian pilih Linear…
2. masukkan variabel (Y) ke kotak Dependent. Kemudian masukkan variabel (X) ke
kotak Independent(s), lalu klik kemudian pada bagian "Method" pilih Enter, lalu
klik Statistics...
3. Berikan tanda centang pada Estimates dan Model fit kemudian klik Continue, Ok
4. Output SPSS : Berbagai tabel dengan interpretasi masing-masing

4.2.1. Model Persamaan Regresi Linier

 Hasil Uji Regresi
a
Coefficients

Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 5,091 4,641 1,097 ,279
Kepemimpinan ,058 ,096 ,062 ,598 ,553
Pelatihan ,733 ,103 ,761 7,091 ,000
Disiplin Kerja ,073 ,061 ,106 1,188 ,242
a. Dependent Variable: Kinerja Pegawai

Interpretasi : (contoh)
Hasil regresi berganda yang peneliti lakukan pada Kepemimpinan (X1) Pelatihan
(X2) dan Disiplin Kerja (X3) terhadap Kinerja Pegawai (Y) dapat digambarkan
persamaan regresi berganda sebagai berikut:
Y= α + b1X1 +b2X2+b3X3+e
Y= 5,091 +0,058 X1 + 0,733 X2+ 0,073 X3

1. Konstanta memiliki nilai sebesar 5,091 yang artinya apabila variabel

Kepemimpinan (X1), Pelatihan (X2), Disiplin Kerja (X3) nilainya adalah 0,
maka Kinerja Pegawai pada Kantor Akuntan Publik di Kota Palembang akan
bernilai positif 5,091
2. Nilai regresi Kepemimpinan sebesar 0,058 (positif), artinya apabila
Kepemimpinan meningkat 1, maka akan meningkatkan Kinerja Pegawai pada
Kantor Akuntan Publik di Kota Palembang sebesar 0,058
3. Nilai regresi Pelatihan sebesar 0,733 (positif), artinya apabila Pelatihan
meningkat 1, maka akan meningkatkan Kinerja Pegawai pada Kantor Akuntan
Publik di Kota Palembang sebesar 0,733
4. Nilai regresi Disiplin Kerja sebesar 0,073 (positif), artinya apabila Disiplin
Kerja meningkat 1, maka akan meningkatkan Kinerja Pegawai pada kantor
Akuntan Publik di Kota Palembang sebesar 0,073
3.2.2. Koefisien Determinasi
Uji ini bertujuan untuk menghitung besarnya pengaruh variabel independen
terhadap variabel dependen. Nilai R2 menunjukkan seberapa besar proporsi total
variasi variabel tidak bebas yang dapat dijelaskan oleh variabel penjelasnya.
Semakin tinggi nilai R2 maka semakin besar proporsi dari total variasi variabel
dependen yang dapat dijelaskan oleh variabel independen. Uji koefisien
determinasi (Adjusted R Square) dibantu dengan SPSS dengan hasil sebagai
berikut :

Koefisien Determinasi
Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate
a
1 ,831 ,691 ,668 1,68187

a. Predictors: (Constant), Kepemimpinan, Pelatihan, Disiplin Kerja

Interpretasi :
Berdasarkan Tabel di atas, diperoleh Adjusted R_Square model 1 sebesar 0,668
atau 66,8%. Hal ini menunjukkan bahwa hubungan variabel independen (bebas)
yaitu Kepemimpinan, Pelatihan, dan Disiplin Kerja dengan variabel dependen
(terikat) yaitu Kinerja Pegawai pada Kantor Akuntan Publik di Kota Palembang
adalah sebesar 66,8% sedangkan 33,2% dipengaruhi oleh variabel lainnya. Nilai
Adjusted R_Square yang baik adalah di atas 50%

5. Uji Hipotesis
4.1. Uji Signifikansi Simultan (Uji Statistik F)
(Uji F ini dilakukan jika pada hipotesis penelitian, memuat adanya hipotesis
atas pengaruh variabel-variabel independen secara bersama-sama terhadap
variabel dependen)

Merupakan tinjauan pengaruh variabel independen secara bersama-sama terhadap

variabel dependennya. Ada 2 cara, dan keduanya tidak akan bertolak belakang,
disyaratkan nilai F hitung > F tabel dan nilai Sig < 0,05. Jika syarat ini terpenuhi,
maka secara simultan berpengaruh signifikan. Jika tidak terpenuhi, maka tidak
berpengaruh signifikan. F tabel dilihat dari tabel F yang biasanya ada di buku
statistik. jika uji F gagal, maka tidak perlu dilakukan uji t, terkadang langsung
dianggap penelitian gagal.

a
ANOVA
Model Sum of Squares Df Mean Square F Sig.
b
1 Regression 265.130 3 86.377 31.241 .000
Residual 118.805 42 2.829
Total 383.935 45
a. Dependent Variable: Kinerja Pegawai
b. Predictors: (Constant), Kepemimpinan, Pelatihan, Disiplin Kerja
c.

Interpretasi : (contoh)
Berdasarkan tabel F, nilai Ftabel untuk taraf nyata ( sebesar 5% dengan derajat
bebas (db) = n–k–1, dimana terdapat 3 variabel bebas. Dengan demikian, taraf
nyata dari Ftabel adalah (db) = 46-3-1 = 42 sehingga Ftabel diperoleh sebesar 2,83.
Dengan demikian nilai Fhitung > Ftabel yaitu 31,241> 2,83 dengan nilai signifikan
lebih besar dari pada tingkat signifikan yang ditentukan yaitu 0,000 < 0,05.
Berdasarkan hipotesis secara simultan yang telah dijelaskan bahwa nilai sig < 0,05
dan nilai Fhitung > Ftabel maka hipotesis Ho ditolak dan Ha diterima sehingga dapat
disimpulkan bahwa ketiga variabel (X) tersebut berpengaruh secara simultan
terhadap Kinerja Pegawai (Y).

4.2. Uji Signifikansi Parameter Individual (Uji t) – Uji Parsial

Hasil Uji t
a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 5,091 4,641 1,097 ,279
Kepemimpinan ,058 ,096 ,062 ,598 ,553
Pelatihan ,733 ,103 ,761 7,091 ,000
Disiplin Kerja ,073 ,061 ,106 1,188 ,242
a. Dependent Variable: Kinerja Pegawai

Interpretasi : (contoh)
Berdasarkan Tabel di atas, bahwa variabel Kepemimpinan memiliki thitung sebesar
0,598 dan tingkat signifikan sebesar 0,553. Variabel Pelatihan memiliki thitung
sebesar 7,091 dan tingkat signifikan sebesar 0,000. Variabel Disiplin Kerja
memiliki thitung sebesar 1,188 dan tingkat signifikan sebesar 0,242. Nilai ttabel
diperoleh dengan derajat kebebasan (df) n-k-1 atau 46-3-1=42 dan tingkat
signifikan 5% dengan pengujian 2 sisi signifikansi = 0,025 (0,5 dibagi 2) hasil
diperoleh untuk t tabel sebesar 2,018. Berdasarkan data di atas terlihat bahwa:

a. Variabel Kepemimpinan dimana thitung< ttabel yaitu 0,598 < 2,018 dengan nilai
signifikan lebih besar daripada tingkat signifikan yang ditentukan yaitu 0,553
> 0,05 maka Ho1 diterima dan Ha1 ditolak. Hal ini berarti variabel
Kepemimpinan tidak berpengaruh terhadap Kinerja Pegawai. Kepemimpinan
tidak berpengaruh pada penelitian ini ditunjukkan dengan nilai coefficients
pada tabel yaitu 0,058.
b. Variabel Pelatihan dimana thitung> ttabel yaitu 7,091 > 2,018 dengan nilai
signifikan lebih kecil daripada tingkat signifikan yang ditentukan yaitu 0,000
< 0,05 maka Ho2 ditolak dan Ha2 diterima. Hal ini berarti variabel Pelatihan
berpengaruh terhadap Kinerja Pegawai. Pelatihan berpengaruh pada penelitian
ini ditunjukkan dengan nilai coefficients pada tabel yaitu 0,733.
c. Variabel Disiplin Kerja dimana thitung< ttabel yaitu 1,188 < 2,018 dengan nilai
signifikan lebih besar daripada tingkat signifikan yang ditentukan yaitu 0,242
> 0,05 maka Ho3 diterima dan Ha3 ditolak. Hal ini berarti variabel Disiplin
Kerjatidak berpengaruh terhadap Kinerja Pegawai. Disiplin Kerjatidak
berpengaruh pada penelitian ini ditunjukkan dengan nilai coefficients pada
tabel yaitu 0,073.

Pembahasan Hasil Penelitian

(dilakukan bersama dengan bimbingan dari pembimbing Skripsi)