Oleh :

Kelompok 3
 Menurut Sulaiman ( 2005:1) mengatakan Tes
parametrik adalah suatu tes yang modelnya
menetapkan syarat-syarat tertentu tentang
parameter populusai yag menjadi sama
penelitiannya
 Sugiyono (2013:79) mengemukakan statistik
parametris itu bekerja berdasarkan asumsi
bahwa data setiap variabel yang akan
dianalisis berdasarkan berdistribusi normal
 Dalam statistika parametrik, inidikator-indikator yang
dianalisis adalah parameter-parameter dari ukuran objek
yang digunakan. Menurut (Nisfiannoor,2009:15)
mengatakan statistik inferensial dengan model parametrik
(independent Sample T test, Paired Sample T test, One
Way ANOVA, Korelasi Pearson, Analisis Regresi, dll.
 Beberapa metode statistik parametrik (uji T dan Uji
F/Anova) mensyaratkan asumsi (Santoso, 2005:3) :
 Sampel (data) diambil dari populasi yang mempunyai berdistribusi
normal. Jika 10 sampel Tinggi badan diambil dari populasi 5000
mahasiswa sebuah perguruan tinggi, data tinggi badan 5000
mahasiswa haruslah berdistribusi normal.
 Pada Uji t dan uji F untuk dua sampel atau lebih, kedua
sampel diambil dari dua populasi yang mempunyai varian
sama. Jadi jika diambil sampel 10 tinggi badan pria dan 10
tinggi badan wanita dari 3000 pria dan 2000 wanita, maka
varian 3000 tinggi badan pria dan varian 2000 tinggi badan
wanita harusla sama atau bisa diangga sama.
  Variabel (data) yang diuji haruslah data bertipe interval atau
rasio, yang tingkatannya lebih tinggi dari data tipe nominal atau
ordinal. Tinggi Badan Pria atau Wanita (sentimeter) jelas bertipe
rasio, karena dapat dari proses mengukur. Namun pendapat atau
sikap pria dan wanita (suka atau tidak suku yang diukur dengan
skala Likert) bukanlah data interval atau rasio, namun data
Ordinal.
 Jumlah (sampel) data singkat kecil, sedangkan distribusi data
populasinya tidak diketahui kenormalannya. Mislanya hanya
diambil masing-masing 5 sampel untuk data Berat Badan
Knosumen remaja, Konnsumen Mud dan konsumen Dewasa,
maka jumlah data terlalu sedikit untuk diproses dengan uji F
(uji lebih dari dua sampel), walaupun tipe data rasio.Untuk data
yang tidak memenuhi salah satu asumsi tersebut, lebih baik
menggunakan prosedur statistik non parametrik untuk proses
data.
 MenurutSantoso (2010:10) metode statistik
parametik digunakan untuk:
 Data dalam jumlah besar, biasanya diatas 30.
 Distribusi data adalah normal atau dapat dianggap
normal
 Data bertipe interval atau rasio.
Ada dua kelompok besar yang dapat
dilakukan dengan uji hipotesis yaitu:
 Uji hipotesis terkait uji rerata yaitu untuk
menguji atau mengestimasi besarnya rerata 1
kelompok, menguji beda dua kelompok atau
lebih, dengan berbagai kondisi kelompok (saling
bebas atau berpasangan/ tidak saling bebas).
 Uji hubungan baik terbatas pada besarnya
derajat asosiasi (uji korelasi) atau mencari
bentuk hubungan fungsional beberapa variabel
(uji regresi). Uji regresi saat ini juga telah
berkembang sangat luas tergantung distribusi
variabel respon yang dihadapi
 Korelasi Product Moment
Korelasi product moment disebut juga korelasi Pearson
adalah teknik analisis statistik yang mempunyai
kegunaan untuk menganalisis data penelitian yang
mempunyai karakteristik di antaranya:
 Hipotesis yang diajukan adalah hipotesis asosiatif
 Datanya berskala minimal interval
 Penyebaran data berdistribusi normal
 Regresi Linear Sederhana
 Regresi Linear Ganda
 Regresi Logistik
Teknik statistik ini digunakan untuk mengetahui
pengaruh satu variable independen atau lebih (X)
terhadap satu variable dependen (Y), dengan syarat:
 Variabel dependent harus merupakan variable dummy yang
hanyapunya dua alternatif. Misalnya Puas atau tidak puas, dimana
jika responden menjawab puas maka kita beri skor 1 dan jika
menjawab tidak puas kita beri skor 0.
 Variabel independent mempunyai skala data interval atau rasio
 Statistik non parametric banyak digunakan pada
penelitian-penelitian sosial. Data yang diperoleh
dalam penelitian social pada umunya berbentuk
kategori atau berbentuk rangking. Uji statistic
non parametric ialah suatu uji statistik yang
tidak memerlukan adanya asumsi-asumsi
mengenai sebaran data populasi. Uji statistic ini
disebut juga sebagai statistic bebas sebaran
(distribution free). Statistik non parametric
tidak mensyaratkan bentuk sebaran parameter
populasi berdistribusi normal. Statistik non
parametric dapat digunakan untuk menganalisis
data yang berskala nominal atau ordinal karena
pada umumnya data berjenis nominal dan
ordinal tidak menyebar normal.
 Suciptawati (2009:3) mengemukakan kelebihan-
kelebihan statistik nonparametrik, yaitu:
 Perhitungannya sederhana dan dapat dikerjakan dengan
cepat, karna analisisnya menggunakan cacahan, peringkat
(rank) bahkan dapat menggunakan tanda dari selisih
pengamatan berpasangan.
 Datanya tidak harus merupakan data kuantitatif, tetapi
dapat berupa kualitatif (skala nominal/ordinal).
 Nilai peluang dari sebagian besar uji statistika
nonparametrik diperoleh dalam bentuk yang lebih pasti
(kecuali untuk kasus sampel yang besar), tidak peduli
bagaimana bentuk sebaran populasi yang merupkan induk
dari sampel-sampelnya. Ketepatan nilai peluang itu tidak
tergantung pada bentuk sebaran populasinya, meskipun
beberapa uji statistika nonparametrik menganggap adanya
kesamaan bentuk dua sebaran populasi atau lebih, dan
beberapa uji yang lain menganggap sebaran populasi
simetris. Dalam kasus-kasus uji nonparametrik tertentu
menganggap sebaran yang mendasarinya adalah kontinyu,
suatu anggapan yang juga digunakan pada parametrik.
 Dapat digunakan untuk sampel berukuran kecil n=6.
Kekurangan- kekurangan statistika nonparametik,
yaitu:
 Uji-uji nonparametrik tidak memanfaatkan semua
informasi yang terkandung dalam sampel. Akibatnya,
uji nonparametrik memerlukan ukuran sampel yang
lebih besar dibandingkan uji parametrik untuk
mencapai peluang kesalahan jenis II yang sama.
 Uji nonparametrik tidak dapat digunakan untuk
menguji adanya interaksi seperti dalam model
analisis ragam.
 Metode nonparametrik tidak dapat digunakan untuk
membuat ramalan seperti dalam analisis regresi,
karena asumsi sebaran normal tidak dapat dipenuhi.
 Macam uji statistika nonparametrik terlalu banyak
sehingga menyulitkan peneliti dalam memilih uji yang
sesuai.
 Tes Penggunaan fungsi
Chi-square Menggunakan data nominal untuk Tes independensi variabel
menguji indepedensi satu sampel
atau lebih dari 2 sampel
Cochran Q Untuk menguji hubungan lebih dari 2 Membantu pada data yang
sampel pada skala nominal memberikan jawaban 2 kategori
Uji tanda Untuk menguji hubungan 2 sampel Tes yang baik untuk data
pada skala ordinal berjenjang (rangking)
Uji median - Pada satu sampel, untuk melihat
randomisasi pada data dari populasi
- Untuk menguji independensi lebih
dari 2 sampel pada skala ordinal
Uji Mann- Untuk menguji independensi lebih Analog pada independensi 2
Whitney U dari 2 sampel pada skala oridinal sampel t-test

Uji Kruskal Untuk menguji independesi lebih Alternatif uji One-Way Anova
–walls dari 2 sampel pada skala ordinal dimana asumsi distribusi normal
tidak digunakan

Uji Uji menguji hubungan lebih dari 2 Alternatif dari uji Two-way
friedman sampel pada skala ordinal ANOVA diamana asumsi distribusi
normal tidak digunakan
Kolmogorov Untuk menguji independensi dari Uji ini lebih powerful
-smirnov satu sampel atau 2 sampel pada dibandingkan uji chi-square atau
skala ordina uji Mann-Whitney
 PARAMETRIK NONPARAMETRIK

Deskriptif

Asumsi Distribusi Normal -

Asumsi Varian Homogen -

Jenis Data Rasio atau Interval Ordinal atau Nominal

Hubungan data set Independent -

Ukuran central Mean Median

Manfaat Lebih banyak kesimpulan Sederhana dan sedikit outlier

Tes

Uji korelasi Pearson, Regresi Spearman

Uji 2 Kelompok, berbeda Independent Sample t test Mann-Whitney

Uji 2 Kelompok lebih, berbeda Independent One Way ANOVA Kruskal-Wallis

Uji berulang, 2 kondisi Paired Sample t Test Wilcoxon

Uji berulang, 2 kondisi lebih Repeated One Way ANOVA Friedman

 Menurut Dahlan (2005:12) mengemukakan
bahwa uji non parametric digunakan untuk
keadaan sebagai berikut :
 Jika masalah skala pengukuran variabel adalah
kategorik (ordinal dan nomilnal).
 Jika data dengan masalah skala pengukuran numerik
tetapi tidak memenuhi syarat untuk uji parametrik(
misalnya distribusi data tidak normal), maka
dilakukan uji nonparametrik yang menrupakan
alternatif dari uji parametriknya.
 Alternatif uji t berpasangan adalah uji wilcoxon.
 Alternatif uji t tidak berpasangan adalah uji Mann-
Whitney.
 Alternatif uji repeated ANOVA adalah uji Friedman.
 Alternatif Uji one Way ANOVA adalah uji Kruskal-Wallis.
 Obyek Penelitian : Merupakan suatu obyek yang diteliti
karakteristiknya. Misalnya, penduduk seandainya semua orang
yang menempati wilayah tertentu yang diteliti, atau peternak
seandainya yang diteliti karakteristiknya hanya peternak, atau
peternak sapi seandainya yang diteliti karakteristiknya hanya
peternak sapi.
 Variabel : Adalah karakteristik dari obyek penelitian yang
memiliki nilai bervariasi. Misalnya, jenis kelamin: laki-laki dan
perempuan. Status ekonomi: tinggi, sedang, rendah. Berat
badan: 50 kg, 60 kg, 70 kg.
 Variabel Bebas/Independent : Dalam hubungan antar dua
atau lebih variabel, variabel bebas merupakan variabel yang
dapat mempengaruhi variabel lainnya. Misalnya; variabel X
dan variabel Y, yang menggambarkan variabel X mempengaruhi
variabel Y, maka X disebut variabel bebas.
 Variabel Tak Bebas/Dependent : Dalam hubungan antar dua
atau lebih variabel, variabel tak bebas merupakan variabel
yang dipengaruhi oleh variabel lainnya. Misalnya; variabel X
dan variabel Y, yang menggambarkan variabel Y dipengaruhi
oleh variabel X, maka Y disebut variabel tak bebas.
 Data : Adalah fakta, baik berbentuk kualitatif maupun kuantitatif.
Data kualitatif diperoleh melalui pengamatan, misalnya pemilikan
lahan petani di suatu desa cukup tinggi. Data kuantitatif diperoleh
melalui pengukuran, misalnya pemilikan lahan di suatu desa antara
2-5 ha tiap petani.
 Pengukuran : Adalah suatu proses kuantifikasi atau mencantumkan
bilangan kepada variabel tertentu. Misalnya, berat badan secara
kualitatif bisa dibedakan sebagai ringan, sedang, atau berat, dan
melalui proses pengukuran dengan cara menimbang kita dapat
menyatakan berat badan: 50 kg, 60 kg, 70 kg.
 Skala Pengukuran : Adalah bilangan yang dicantumkan kepada
variabel berdasarkan aturan-aturan yang telah ditentukan dan
disepakati. Dikenal 4 macam skala pengukuran yaitu: nominal,
ordinal, interval, dan rasio. Skala nominal hanya dipakai untuk
membedakan, skala ordinal mengisyaratkan adanya peringkat, skala
interval menunjukkan adanya jarak yang tetap tetapi tidak memiliki
titik nol mutlak, dan skala rasio memiliki titik nol mutlak.
Pemahaman terhadap skala pengukuran sangat penting, karena itu
akan diterangkan lebih rinci pada bahasan selanjutnya.
 Unit Penelitian : Adalah satuan atau unit yang diteliti baik berupa
individu maupun kelompok yang dapat memberikan informasi tentang
aspek-aspek yang dipelajari atau diteliti. Misalnya, petani, keluarga
petani, atau kelompok petani.
 Skala Nominal
Skala nominal merupakan skala pengukuran yang paling lemah tingkatannya,
sering dikatakan sebagai bukan ukuran yang sebenarnya sebab hanya
merupakan tanda atau simbol untuk melakukan pengkategorian. Contohnya,
pengukuran variabel jenis kelamin didasarkan pada skala nominal, yaitu 1
untuk mengkategorikan jenis kelamin pria dan 2 untuk mengkategorikan jenis
kelamin wanita
 Skala Ordinal
Berbeda dengan skala nominal, ukuran skala ordinal selain dapat
menunjukkan persamaan dan perbedaan juga bisa menunjukkan adanya
urutan, rangking, atau tingkatan. Sebagai contoh adalah variabel tingkat
kepandaian, hasil-hasil pengukuran 1, 2, 3, dan 4 selain bisa digunakan untuk
menunjukkan perbedaan, seperti 1 berbeda dengan 2 karena 1=bodoh sekali
sedangkan 2=bodoh atau 2 beda dengan 3 karena 2=bodoh sementara
3=pandai, juga menunjukkan adanya urutan.
 Skala Interval
Skala interval termasuk ukuran yang bersifat numerik, dengan demikian jarak
diantara ukuran yang berbeda sudah memiliki makna. Contoh variabel yang
memiliki skala numerik adalah tahun kelahiran. Berdasarkan persamaan dan
perbedaan dapat dengan mudah memahami bahwa yang lahir tahun 1960
berbeda dengan yang lahir pada tahun 1990, demikian pula halnya dengan
pemahaman urutan, yang lahir tahun 1960 berarti lebih dahulu ada di dunia
dibandingkan dengan yang lahir tahun 1990.
 SkalaRasio
Skala rasio bisa disebut sebagai skala
pengukuran yang paling kuat. Skala rasio
memiliki semua sifat skala interval, yang
membedakannya adalah, kalau skala interval
tidak memiliki titik nol mutlak, skala rasio
memilikinya. Skala rasio dapat dicontohkan
pada pengukuran variabel berat badan. Pada
variabel berat badan dapat menyatakan
bahwa seseorang berat badannya lebih ringan
atau lebih berat sekian kali dari yang lain.
Misalnya seorang anak kecil bernama P berat
badannya 10 kg, Q = 20 kg, dan R yang sudah
remaja 40 kg.
 Korelatif
Teknik analisis korelatif digunakan untuk
mengetahui hubungan atau korelasi dari sebuah
variabel yang lain. Misalnya variabel X dan
variabel Y. Teknik analisis yang sering dipakai
adalah korelasi Pearson dan regresi.
 Komparatif
Teknik analisis komparatif digunakan untuk
mengetahui perbedaan nilai rata-rata dari suatu
kelompok dengan kelompok lainya. Misalnya
perbedaan kecemasan antara kelompok pria dan
wanita, serta perbedaan motivasi kerja antara
bagian produksi, pemasaran, dan keungan.
Teknik analisis yangsering digunakan adalah T-
test dan anova.
 Statistik Parametrik:
 Teknik-teknik statistika yang didasarkan atas
asumsi mengenai populasi yang diambil
sampelnya.
 Contoh: pada uji t diasumsikan populaso
terdistribusi normal.
 Sebutan parametric digunakan karena pada uji t
ini yang diuji adalah parameter (contoh: rata-
rata populasi)
 Membutuhkan data kuantitatif dengan level
interval atau rasio
 Statistik Non Parametrik:
 Cocok untuk data yang tidak memenuhi asumsi
statistika parametric atau yang berjenis kualitatif
 Disebut juga distribution-free statistics
 Didasarkan atas lebih sedikit asumsi mengenai
populasi dan parameter dibandingkan dengan
statistika parametik
 Ada yang dapat digunakan untuk data nominal
 Ada yang dapat digunakan untuk data ordinal
 Uji Normalitas
Pengujian normalitas adalah pengujian tentang
kenormalan distribusi data. Terdapat 4 cara untuk
menentukan apakah data diatas tersebut berasal dari
populasi yang berdistribusi normal atau tidak.Empat cara
pengujian normalitas data sebagai berikut:
 Kertas Probabilitas Normal
Apabila dari penelitian sudah terkumpul data
lengkap, maka untuk pengujian normalitas dilalui
langkah-langkah sebagai berikut.
 Membuat tabel distribusi frekuensi.
 Menentukan batas nyata tiap-tiap kelas interval.
 Mencari frekuensi kumulatif dan frekuensi kumulatif relative (dalam
persen).
 Dengan skala sumbu mendatar dan sumbu menegak, menggambarkan
grafik dengan data yang ada, pada kertas probabilitas normal.
 Dengan angka-angka yang ada pada tabel distribusi diletakkan titik-
titik frekuensi kumulatif relative pada kertas probabilitas yang telah
disediakan pada buku-buku statisti
 Uji Chi Kuadrat
Menurut Prof.DR.Sugiono (2005, dalam buku “
Statistika untuk Penelitian“), salah satu uji
normalitas data yaitu chi kuadrat ( ) merupakan
pengujian hipotesis yang dilakukandengan cara
membandingkan kurve normal yang terbentuk dari
data yang telah terkumpul (B) dengan kurve normal
baku atau standar (A). Jadi membandingkan antara
(B/A). Bila B tidak berbeda secara signifikan dengan
A, maka B merupakan data yang berdistribusi
normal.
Ho:data berasal dari populasi yang berdistribusi
normal
H1:data tidak berasal dari populasi yang
berdistribusi normal
Grafik distribusi chi kuadrat ( ) umumnya merupakan
kurve positif , yaitu miring ke kanan. Kemiringan ini
makin berkuran jika derajat kebebasan (dk) makin
besar.
 Menentukan Mean/ Rata-Rata
x
 fx 1

n
 Menentukan simpangan baku
 f xi  x 
2

s
n 1
 Membuat daftar distribusi frekuensi yang
diharapkan
 Menentukan batas kelas
 Mencari nilai Z skor untuk batas kelas interval
 Mencari luas 0 – Z dari tabel kurva normal
 Mencari luas tiap kelas interval
 Mencari frekuensi yang diharapkan (Ei)
 Merumuskan formula hipotesis
Ho:data berasal dari populasi yang berdistribusi
normal.
H1:data tidak berasal dari populasi yang
berdistribusi normal.
 Menentukan taraf nyata (a)
Untuk mendapatkan nilai chi-square tabel

 dk =k–1
dk = Derajat kebebasan
k = banyak kelas interval
 Menentukan Nilai Uji Statistik
 Keterangan:
Oi = frekuensi hasil pengamatan pada klasifikasi
ke-i
Ei = Frekuensi yang diharapkan pada klasifikasi
ke-i
 Menentukan Kriteria Pengujian Hipotesis

 Memberi kesimpulan
 Menurut Sudjana (1996: 466), uji normalitas data
dilakukan dengan menggunakan uji Liliefors (Lo)
dilakukan dengan langkah-langkah berikut. Diawali
dengan penentuan taraf sigifikansi, yaitu pada taraf
signifikasi 5% (0,05) dengan hipotesis yang diajukan
adalah sebagai berikut :
H0: Sampel berasal dari populasi yang berdistribusi
normal
H1 : Sampel tidak berasal dari populasi yang
berdistribusi normal
 Dengan kriteria pengujian :
Jika Lhitung< Ltabel terima H0, dan
Jika Lhitung ≥ Ltabel tolak H0
 Data pengamatan x1, x2 , x3, ….., xn dijadikan bilangan baku z1,
z2 , z3, ….., zn dengan menggunakan rumus (dengan dan
masing-masing merupakan rata-rata dan simpangan baku)
 Untuk setiap bilangan baku ini dengan menggunakan daftar
distribusi normal baku, kemudian dihitung peluang F(zi) = P(z <
zi).
 Selanjutnya dihitung proporsi z1, z2 , z3, ….., zn yang lebih kecil
atau sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi)
maka:

 Hitung selisih F(zi) – S(zi), kemudian tentukan harga mutlaknya.

 Ambil harga yang paling besar di antara harga-harga mutlak
selisih tersebut, misal harga tersebut L0.
 Untuk menerima atau menolak hipotesis nol (H0), dilakukan
dengan cara membandigkan L0 ini dengan nilai kritis L yang
terdapat dalam tabel untuk taraf nyata yang dipilih
 Uji homogenitas merupakan uji perbedan antara
dua atau lebih populasi. Semua karakteristik
populasi dapat bervariasi antara satu populasi
dengan yang lain. Dua di antaranya adalah mean
dan varian (selain itu masih ada bentuk
distribusi, median, modus, range, dll).
Ada dua macam uji homogenitas untuk menguji
kehomogenan dua atau lebih variansi yaitu :
 Uji Harley Pearson
Uji ini digunakan untuk menguji ukuran dengan
cuplikan yang sama (n yang sama ) untuk tiap
kelompok
Menentukan formulasi hipotesis

Menentukan taraf nyata (α) dan

ditentukan dengan , derajat
pembilang (n1 1) , dan derajat
penyebut (n2 1) , dengan rumus
Ftabel  F1
 ( n1 1, n2 1)
2
 Menentukan kriteria pengujian :
H 0 diterima jika F1- n1 1  F  F1
  n1 1, n2 1
2

H 0 ditolak jika F1- n1 1  F  F1 atau

  n1 1, n2 1
2

F1- n1 1  F  F1

  n1 1, n2 1
2

 Menentukan uji statistik

s12
F 2
s2
varians terbesar
F
varians terkecil
 Menarik kesimpulan
 Uji ini digunakan untuk menguji ukuran dengan
cuplikan yang sama maupun tidak sama (n yang sama
maupun n yang berbeda) untuk tiap kelompok.
Untuk memudahkan perhitungan, satuan-satuan yang
diperlukan untuk uji Bartlett lebih baik disusun
dalam sebuah daftar seperti :
Sampel dk Log (dk) log

ke

1 Log

2 . . Log .

. . . . .

. . . .

k Log

jumlah … …
 Menentukan formulasi hipotesis

 Menentukan taraf nyata () dan x 2 tabel

x 2 tabel dimana x 2tabel  x(21 )( k 1) didapat dari daftar
distribusi chi-kuadrat dengan peluang (1- ) dan
dk = (k-1)
 Menentukan kriteria pengujian :

H 0 diterima jika x 2  x(21 )( k 1)

H 0 ditolak jika x 2  x(21 )( k 1)
 Menentukan uji statistik


x 2  In 10 B   ni 1log si2 
 Menarik kesimpulan
 Uji asumsi klasik adalah persyaratan statistik
yang harus dipenuhi pada analisis regresi linear
berganda yang berbasis ordinary least square
(OLS).Jadi analisis regresi yang tidak
berdasarkan OLS tidak memerlukan persyaratan
asumsi klasik, misalnya regresi
logistik atau regresi ordinal. Demikian juga
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.
 Uji normalitas
Uji normalitas adalah untuk melihat apakah
nilai residual terdistribusi normal atau
tidak.Model regresi yang baik adalah
memiliki nilai residual yang terdistribusi
normal
 UjiMultikolinearitas
Uji multikolinearitas adalah untuk melihat ada
atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model
regresi linear berganda.Jika ada korelasi yang
tinggi di antara variabel-variabel bebasnya,
maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu
 Uji heteroskedastisitas
Uji heteroskedastisitas adalah untuk melihat apakah
terdapat ketidaksamaan varians dari residual satu ke
pengamatan ke pengamatan yang lain.
 Uji autokorelasi
Uji autokorelasi adalah untuk melihat apakah terjadi
korelasi antara suatu periode t dengan periode
sebelumnya (t -1).
 Uji linearitas
Uji linearitas dipergunakan untuk melihat apakah
model yang dibangun mempunyai hubungan linear
atau tidak.Uji ini jarang digunakan pada berbagai
penelitian, karena biasanya model dibentuk
berdasarkan telaah teoretis bahwa hubungan antara
variabel bebas dengan variabel terikatnya adalah
linear.