PANDUAN LENGKAP

ANALISIS STATISTIKA

MENGGUNAKAN SOFTWARE SPSS

(Statistical Package for Social Science)

By Aldy Forester

UJI ASUMSI KLASIK, UJI VALIDITAS DAN RELIABILITAS,

ANALISIS REGRESI LINEAR BERGANDA & TABEL STATISTIK

Disadur dari Website

http://www.spssindonesia.com/ , http://www.konsistensi.com

dan http://www.portal-statistik.com/

Assalamu alaikum warrahmatullahi wabarakatuh

Permohonan maaf kepada pemilik/admin web

http://www.spssindonesia.com/, http://www.portal-statistik.com/, dan

http://www.konsistensi.com karena tanpa permohonan ijin sebelumnya,

saya telah menyadur beberapa artikel di dalamnya

dan dijadikan Panduan sederhana ini,

.

Harapan saya, semoga artikel yang sudah ditulis dalam web tersebut

dapat lebih bermanfaat dengan adanya Panduan sederhana ini.

Wassalam.

(Aldy Forester)

UJI ASUMSI KLASIK

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 asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk

menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan

market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat

dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.

Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji heteroskedastisitas, uji

normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji

mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada.

Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang

tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah

memenuhi persyaratan, dilakukan pengujian pada uji yang lain.

1. 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. Jadi uji normalitas

bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Sering terjadi

kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masing-masing variabel. Hal

ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada

masing-masing variabel penelitian.

Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas

siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada

pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau

sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut

tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan

nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.

Demikian juga nilai rata-rata, modus dan median relatif dekat.

Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square,

Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau

paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan

perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan

uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji

statistik lebih baik dari pada pengujian dengan metode grafik.

Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov

Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan

justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa langkah

yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data

observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma natural, akar kuadrat,

inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri,

ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri.

2. Uji Multikolinearitas

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. Sebagai ilustrasi, adalah model regresi dengan variabel

bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya adalah

kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh antara

motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada korelasi

yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja atau antara

kepemimpinan dengan kepuasan kerja.

Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah

dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau

dengan melihat eigenvalues dan condition index (CI).

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:

1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.

2. Menambah jumlah observasi.

3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat

atau bentuk first difference delta.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians

dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi

persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke

pengamatan yang lain tetap atau disebut homoskedastisitas.

Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan

memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik

didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah,

menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang

dapat digunakan adalah uji Glejser, uji Park atau uji White.

Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan

mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data

bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel

yang mengalami gangguan heteroskedastisitas.

4. Uji Autokorelasi

Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t

dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah

untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada

korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh

antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi

pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan

Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran

rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan

belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada

bulan Februari akan rendah.

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu

dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel

dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa

Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.

Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan

Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange

Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan

mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk

persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan

dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas,

sehingga data observasi menjadi berkurang 1.

5. 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. Hubungan antar variabel yang secara teori bukan merupakan

hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear, misalnya

masalah elastisitas.

Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak,

uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut

bersifat linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear

antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi

yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange

Multiplier

Sumber : http://www.konsultanstatistik.com/2009/03/uji-asumsi-klasik.html

UJI NORMALITAS KOLMOGOROV-SMIRNOV

Modified By Aldy Forester

Uji normalitas bertujuan untuk menguji apakah data penelitian yang dilakukan memiliki distribusi

yang normal atau tidak.

Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data atau uji asumsi

klasik, artinya sebelum kita melakukan analisis yang sesugguhnya, data penelitian tersebut

harus di uji kernormalan distribusinya. Tentun sobat juga sudah tahu, kalau data yang baik

itu adalah data yang normal dalam pendistribusiannya.

Dasar pengambilan keputusan dalam uji normalitas yakni : jika nilai signifikansi lebih besar

dari 0,05 maka data tersebut berdistribusi normal. Sebaliknya, jika nilai signifikansi lebih lebih

dari 0,05 maka data tersebut tidak berdistribusi normal.

Sudah cukup jelas bukan penjelasan tentang uji normalitas di atas, selanjutnya kita masuk ke

bagian Cara Melakukan Uji Normalitas Kolmogorov‐Smirnov dengan SPSS. Sebagai contoh

saya mempuyai data Motivasi Belajar (X) dan Prestasi Belajar (Y), untuk datanya lihat gambar

di bawah ini.

Langkah‐langkah Melakukan Uji Normalitas Kolmogorov‐Smirnov dengan SPSS :

1. Langkah pertama adalah persiapkan data yang dingin di uji dalam file doc, excel, atau

yang lainnya untuk mempermudah tahapannya nanti.

2. Buka program SPSS pada komputer sobat. klik Variable View, dibagian pojok kiri bawah.

3. Selanjunya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals ubah

semua menjadi angka 0, pada bagian Label tuliskan Motivasi Belajar kemudian Prestasi

belajar, abaikan yang lainnnya

4. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang

sudah dipersiapkan tadi, bisa dengan cara copy‐paste

5. Langkah selanjutnya, kita akan mengubah data tersebut ke dalam bentuk unstandardized

residual, caranya adalah : dari menu SPSS pilih menu Analyze, kemudian klik Regression,

dan pilih Linear.

6. Muncul kotak dialog dengan nama Linear Regression, selanjutnya masukkan variabel

Prestasi Belajar (Y) ke Dependent, masukkan variabel Motivasi Belajar (X) ke kotak

Independent (s), lalu klik Save.

7. Akan mucul lagi kotak dialog dengan nama Linear Regression: Save, pada bagian

Residuals, centang () Unstandardized (abaikan kolom yang lain), Selanjunya klik

Continue, lalu klik OK, maka akan muncul variabel baru dengan nama RES_1, abaikan

saja output yang muncul dari program SPSS.

8. Langkah selanjutnya, pilih menu Analyze, lalu pilih Non‐parametric Test, klik Legaci

Dialog, kemudian pilih submenu 1‐Sample K‐S

9. Muncul kotak dialog lagi dengan nama One‐Sampel Kolmogorov‐Smirnov test,

selanjutnya, masukkan variabel Unstandardized Residuals ke kotak Test Variable List,

pada Test Distribution centang () Normal.

10. Langkah terkahir yakni klik OK untuk mengakhiri perintah, Selanjutnya lihat tampilan

Outputnya, tinggal kita interprestasikan supaya lebih jelas.

Berdasarkan output di atas, diketahui bahwa nilai signifikansi sebesar 0,977 lebih besar dari

0,05, sehingga dapat disimpulkan bahwa data yang kita uji berdistribusi normal.

Sumber : http://www.spssindonesia.com/2014/01/uji-normalitas-kolmogorov-smirnov-spss.html

UJI LINEARITAS

Modified By Aldy Forester

Secara umum Uji Linearitas bertujuan untuk mengetahui apakah dua variabel mempuyai

hubungan yang linear secara signifikan atau tidak. Data yang baik seharusnya terdapat

hubungan yang linear antara variabel predictor (X) dengan variabel kriterium (Y). Dalam

beberapa referensi dinyatakan bahwa Uji Linearitas merupakan syarat sebelum dilakukannya

Uji Regresi Linear

Suatu uji yang dilakukan harus berpedoman pada dasar pengambilan keputusan yang jelas.

Dasar pengambilan keputusan dalam Uji Linearitas dapat dilakukan dengan dua cara:

Pertama adalah dengan melihat nilai signifikansi pada output SPSS : Jika nilai signifikansi

lebih besar dari 0,05, maka kesimpulannya adalah terdapat hubungan linear secara signifikan

antara variabel predictor (X) dengan variabel kriterium (Y). Sebaliknya, Jika nilai signifikansi

lebih kecil dari 0,05, maka kesimpulannya adalah tidak terdapat hubungan yang linear antara

variabel predictor (X) dengan variabel kriterium (Y).

Kedua adalah dengan melihat Nilai F hitung dan F tabel : Jika nilai F hitung lebih kecil dari

F tabel maka kesimpulannya adalah terdapat hubungan linear secara signifikan antara

variabel predictor (X) dengan variabel kriterium (Y). Sebaliknya, Jika nilai F hitung lebih besar

dari F tabel maka kesimpulannya adalah tidak terdapat hubungan linear antara variabel

predictor (X) dengan variabel kriterium (Y).

Untuk lebih jelasnya SPSS Indonesia akan mempraktekkan Cara Melakukan Uji Linearitas

dengan Program SPSS, data yang saya akan uji adalah variabel Motivasi Belajar (X) dengan

variabel Prestasi Belajar (Y), dengan N=12. Adapun rincian datanya, lihat gambar di bawah

ini.

Langkah‐langkah yang harus dilakukan untuk Uji Linearitas, yakni :

1. Buka program SPSS, klik Variable View

2. Selanjutnya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals

ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi Belajar kemudian

Prestasi belajar, abaikan yang lainnnya.

3. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang

sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

4. Berikutnya, dari menu utama SPSS pilih Analyze, lalu klik Compare Means, dan pilih

Means.

5. Muncul kotak dengan nama Means, masukkan variabel Motivasi Belajar (X) ke kotak

Independet List dan variabel Prestasi Belajar (Y) ke kotak Dependet List.

6. Selanjutnya, klik Options, pada Statistik for First Layer, pilih Test of Linearity, kemudian

klik Continue.

7. Langkah terahir adalah klik OK untuk mengakhiri perintah.

Tampilan Output SPSS

Seperti yang sudah saya jelaskan di awal bahwa dasar pengambilan keputusan dalam Uji

Linearitas dapat dilakukan dengan dua cara yakni melihat nilai signifikansi dan nilai F.

Berdasarkan nilai signifikansi : dari output di atas, diperoleh nilai signifikansi = 0,867 lebih

besar dari 0,05, yang artinya terdapat hubungan linear secara signifikan antara variable

Motivasi Belajar (X) dengan variable Prestasi Belajar (Y).

Berdasarkan nilai F : dari output di atas, diperoleh nilai F hitung = 0,145, sedang F tabel kita

cari pada tabel Distribution Tabel Nilai F0,05 (Tabel Distribution Tabel Nilai F 0,05 terlampir),

dengan angka df nya, dari output di atas diketahui df 2.8 (angka yang saya lingkari merah).

Lalu kita cari pada tabel Distribution Tabel Nilai F 0,05, ditemukan nilai F tabel = 4,46. Karena

nilai F hitung lebih kecil dari F tabel maka dapat disimpulkan bahwa terdapat hubungan linear

secara signifikan antara variable Motivasi Belajar (X) dengan variable Prestasi Belajar (Y).

Sumber : http://www.spssindonesia.com/2014/02/uji-linearitas-dengan-program-spss.html

UJI HETEROSKEDASTISITAS

Modified By Aldy Forester

Sebelum saya mulai pada tutorialnya, sobat harus tahu terlebih dahulu tujuan dari Uji

Heteroskedastisitas. Uji ini pada dasarnya bertujuan untuk menguji apakah dalam model

regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang

lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut

Homoskedastisitas dan berbeda disebut Heteroskedastisitas. Model regresi yang baik

seharusnya tidak terjadi heteroskedastisitas.

Setiap uji dalam statistik pasti mempuyai dasar pengambilan keputusan yang berguna untuk

menentukan sebuah kesimpulan. Dasar pengambilan keputusan pada Uji Heteroskedastisitas

yakni :

Jika nilai signifikansi lebih besar dari 0,05, kesimpulannya adalah tidak terjadi

heteroskedastisitas.

Jika nilai nilai signifikansi lebih kecil dari 0,05, kesimpulannya adalah terjadi

heteroskedastisitas.

Dalam artikel, Uji Heteroskedastisitas dilakukan dengan Uji Glejser. Maksudnya uji Glejser ini

adalah mengusulkan untuk meregres nilai absolute residual terhadap variabel independen

dengan persamaan regresi : |Ut| =a + BXt + vt

Agar lebih jelas, selanjutnya kita masuk saja kebagian praktek yakni langkah‐langkah

melakukan Uji Heteroskedastisitas dengan Glejser SPSS versi 21. Namun sebelumnya, perlu

saya informasikan bahwa data yang saya uji disini adalah data Motivasi (X1), Minat (X2), dan

Prestasi ﴾Y﴿. Adapun data yang saya maksud dapat dilihat pada gambar dibawah ini.

1. Setelah data yang ingin di uji sudah dipersiapkan, selanjutnya buka program SPSS, lalu

seperti biasa, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2 dan Y,

pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi, Minat

dan Prestasi, abaikan yang lainnnya.

2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y)

yang sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

3. Langkah selanjunya, saya akan membuat variabel tersebut dalam bentuk unstandardized

residual, caranya : dari menu SPSS pilih Analyze, lalu klik Regression, selanjutnya klik

Linear.

4. Kemudian, muncul kotak dialog dengan nama Linear Regression, maka masukkan

variabel Prestasi (Y) ke Dependent, masukkan variabel Motivasi (X1) dan Minat (X2) ke

Independent (s), laku klik Save.

5. Muncul dialog dengan nama Linear Regression: Save, selanjutnya pada bagian

Residuals, centang () Unstandardized (abaikan kolom yang lain), lalu klik Continue.

6. Lalu klik OK, abaikan saja ada output SPSS yang muncul, lihat di bagian Data View maka

akan muncul variabel baru dengan nama RES_1.

7. Selanjutnya saya akan membuat variabel RES2, caranya :dari menu utama SPSS pilih

Transform, lalu Compute Variable : pada kotak Target Variable isi dengan RES2. Pada

kotak Numeric Expression ketikkan rumus: ABS_RES(RES_1).

8. Kemudian klik OK, abaikan saja ada output SPSS yang muncul, lihat di bagian Data View

maka akan muncul variabel baru dengan nama RES2.

9. Langkah berikutnya, dari menu utama SPSS pilih Analyze, kemudian pilih Regression,

lalu klik Linear.

10. Kemudian muncul kotak dialog dengan nama Linear Regression, lalu keluarkan dulu

variabel Prestasi (Y) yang terdapat pada Dependent dan ganti dengan variabel RES2, lalu

klik Save.

11. Mucul kotak dengan nama Linear Regression: Save, selanjutnya pada bagian Residual,

hilangkan tanda centang () Unstandardized (abaikan kolom yang lain), lalu klik Continue.

12. Langkah yang terakhir adalah klik OK untuk mengakhiri perintah, maka kita sudah bisa

melihat Outputnya, tinggal kita interprestasikan saja.

Interprestasi :

Berdasarkan output di atas diketahui bahwa nilai signifikasi variabel Motivasi (X1) sebesar

0,004 lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Motivasi (X1).

Sementara itu, diketahui nilai signifikasi variabel Minat (X2) yakni 0,009 lebih kecil dari 0,05,

antinya terjadi heteroskedastisitas pada variabel Minat (X2).

Sumber : http://www.spssindonesia.com/2014/02/uji-heteroskedastisitas-glejser-spss.html#

UJI MULTIKOLINEARITAS

Modified By Aldy Forester

Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi

antar veriabel bebas ﴾independent﴿. Model regresi yang baik seharusnya tidak terjadi korelasi

diantara variabel bebas ﴾tidak terjadi Multikolonieritas﴿. Jika variabel bebas saling berkorelasi,

maka variabel‐variabel ini tidak ortogonal adalah variabel bebas yang nilai korelasi antar

sesame variabel bebas sama dengan nol.

Seperti biasanya, setiap uji statistik yang dilakukan pasti ada dasar pengambilan keputusannya.

Dasar pengambilan keputusan pada Uji Multikolonieritas dapat dilakukan dengan dua cara

yakni :

1. Melihat nilai tolerance :

Jika nilai Tolerance lebih besar dari 0,10 maka artinya tidak terjadi Multikolinieritas

terhadap data yang di uji.

Jika nilai Tolerance lebih kecil dari 0,10 maka artinya Terjadi Multikolinieritas terhadap

data yang di uji.

2. Melihat nilai VIF (Variance Inflation Factor) :

Jika nilai VIF lebih kecil dari 10,00 maka artinya Tidak terjadi Multikolinieritas terhadap

data yang di uji

Jika nilai VIF lebih besar dari 10,00 maka artinya Terjadi Multikolinieritas terhadap data

yang di uji

Selanjutnya kita masuk kebagian Cara Melakukan Uji Multikolonieritas dengan Melihat Nilai

Tolerance dan VIF SPSS adapun rincian data yang akan saya uji adalah Data Motivasi Belajar

(X) dan Prestasi Belajar (Y). Adapun langkah‐langkah pengujiannya simak dibawah ini.

1. Persiapkan data yang akan di uji.

2. Buka program SPSS, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2

dan Y, pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi,

Minat dan Prestasi, abaikan yang lainnnya.

3. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y)

yang sudah dipersiapkan tadi, bisa dengan cara copy‐paste.

4. Dari menu SPSS, Pilih menu Analyze, kemudian sub menu Regression, lalu pilih Linear.

5. Muncul kotak baru dengan nama Linear Regression, masukkan variabel Motivasi (X1) dan

Minat (X2) pada kotak Independent (s). Masukkan variabel Prestasi (Y) pada kotak

Dependent, selanjutnya pada bagian method, pilih Enter, lalu klik Statistics.

6. Dilayar akan muncul tampilan windows Linear Refression Statistics. Aktifkan pilihan

dengan centang () Covariance matrix dan Collinearity Diagnostics. Abaikan yang lain

biar tetap default. Kemudian Klik Continue dan tekan OK.

Maka muncul outputnya sebagai berikut :

Saatnya untuk interprestasi Output. Seperti yang sudah saya jelaskan di bagian awal bahwa

dasar pengambilan keputusan dalam Multikolonieritas dapat dengan Melihat Nilai Tolerance

dan VIF.

Berdasarkan output di atas diketahui bahwa : Nilai Toerance variabel Motivasi (X1) dan Minat

(X2) yakni 0,380 lebih besar dari 0,10. Sementara itu, Nilai VIF variabel Motivasi (X1) dan Minat

(X2) yakni 2,634 lebih kecil dari 10,00. Sehingga dapat disimpulkan tidak terjadi

Multikolonieritas.

Sumber : http://www.spssindonesia.com/2014/02/uji-multikolonieritas-dengan-melihat.html

UJI AUTOKORELASI

Modified By Aldy Forester

Uji Autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan

periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk

melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi

antara observasi dengan data observasi sebelumnya.

Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah

terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan

dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada

model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan

Januari suatu keluarga mengeluarkan belanja bulanan yang relative tinggi, maka tanpa ada

pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah.

Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan

pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan

secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek

Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi.

Beberapa uji statistik yang sering dipergunakan adalah uji DurbinWatson, uji dengan Run Test

dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier. Run

test sebagai bagian dari statistik nonparametrik dapat digunakan untuk menguji apakah antar

residual terdapat korelasi yang tinggi atau tidak. Jika antar residual tidak terdapat hubungan

korelasi maka dikatakan bahwa residual adalah acak atau random. Run Test digunakan untuk

melihat apakah residual terjadi secara random atau tidak.

H0 : Residual Random (acak)

H1 : Residual Tidak Random

Uji run test akan memberikan kesimpulan yang lebih pasti jika terjadi masalah pada Durbin

Watson Test yaitu nilai d terletak antara dL dan dU atau diantara (4dU) dan (4dL) yang akan

menyebabkan tidak menghasilkan kesimpulan yang pasti atau pengujian tidak meyakinkan jika

menggunakan DW test. Seperti contoh dibawah ini.

Dengan T=27, K=5, dL = 1.08364, dU = 1.75274. artinya dL < d < dU = Tidak ada kesimpulan

yang pasti.

Mari kita mulai langkahlangkahnya,,, saya tidak menggunakan hasil diatas dalam tutorial ini,

karena saya ingin melanjutkan postingangpostingan sebelumnya tentang analisis regresi

berganda dengan spss, supaya satu studikasus yang digunakan dan dibahas secara runtun dan

lengkap. Silahkan lihat studi kasusnya disini.

1. Pada Data View SPSS, Pilih menu Analyze – Regression – Linear, pada kotak

Dependent, isikan variabel dependent (Jumlah Penduduk Miskin) dan pada kotak

Independent, isikan variabel X1, X2, (Jumlah Pengangguran, Angka Rata2 Lama

Sekolah)

2. Pilih metode Enter, kemudian klik Button Save

3. Berikan centang pada Unstandardized pada kolom Residuals, lalu klik Continue,

kemudian pilih OK.

4. Selanjutnya pada Data View SPSS, akan muncul kolom baru dengan nama kolom

RES_1, ini merupakan residual regresi.

5. Pilih menu Analyze > Nonparametric Test > Legacy Dialogs – Runs, kemudian

Pindahkan RES_1 ke kolom Test Variable List di sebelah kanan, centang pada

Median, lalu klik OK.

Sekarang Perhatikan output runs test di bawah ini, nilai yang dibandingkan adalah Asymp. Sig.

(2-tailed) yaitu 0,869.

Hasil run test menunjukkan bahwa nilai Asymp. Sig. (2tailed) > 0.05 yang berarti Hipotesis nol

diterima. Dengan demikian, data yang dipergunakan cukup random sehingga tidak terdapat

masalah autokorelasi pada data yang diuji.

Sumber : http://www.portal-statistik.com/2014/05/mendeteksi-autokorelasi-dengan-run-test.html

UJI VALIDITAS PRODUCT MOMENT

Modified By Aldy Forester

Setiap penelitian yang dilakukan dengan menggunakan metode angket perlu dilakukan uji

validitasnya. Uji validitas berguna untuk mengetahui kevalidan atau kesesuaian angket yang

peneliti gunakan untuk memperoleh data dari para responden. Uji Validitas Product Momen

Pearson Correlation menggunakan prinsip mengkorelasikan atau menghubungkan antara

masing‐masing skor item dengan skor total yang diperoleh dalam penelitian.

Setiap uji dalam statistic tentu mempuyai dasar dalam pengambilan keputusan sebagai acuan

untuk membuat kesimpulan, begitu pula Uji Validitas Product Momen Pearson Correlation,

dalam uji validitas ini, dasar pengambilan keputusannya adalah sebagai berikut :

1. Jika nilai rhitung lebih besar dari nilai rtabel, maka angket tersebut dinyatakan valid.

2. Jika nilai rhitung lebih kecil dari nilai rtabel, maka angket tersebut dinyatakan tidak

valid

Setelah mengetahui dasar pengambilan keputusan Uji Validitas Product Momen Pearson

Correlation, pertanyaan berikutnya adalah bagaima kemudian jika terdapat beberapa item soal

dalam angket yang tidak valid?

Jawabannya adalah : kalau angket tersebut valid tentunya tidak ada masalah, Namun jika tidak

bagaimana? Nah, perlu diperhatikan bahwa jika setelah dilakukan Validitas Product Momen

Pearson Correlation terdapat item soal yang tidak valid, maka ada beberapa pilihan yang perlu

dilakukan yakni, mengulang dan mengganti dengan soal yang lain, mengulang angket dan

dibagikan kepada terponden lagi tanpa harus diganti soalnya, atau tidak mengubah soal dan

tidak membagikan ulang angket kepada responden, namun angket yang tidak valid di drop atau

tidak ikut dihitung dalam uji berikutnya.

Menuju kebagian praktek, yakni cara melakukan uji validitas product momen dengan SPSS.

Contoh data yang akan diuji adalah data Partisipasi Siswa dalam Pemilihan Ketua OSIS.

Dengan total responden berjumlah 20 siswa atau N = 20 dan item soal berjumlah 7 buah. Uji

akan dilakukan dengan Program SPSS versi 21. Table datanya lihat dibawah ini.

Lakukan langkah‐langkah pengujiannya seperti urutan cara di bawah ini.

1. Persiapkan data angket yang ingin di uji dalam file doc, excel, dll (seperti contoh di atas).

2. Buka Program SPSS.

3. Klik Variable View, dibagian pojok kiri bawah.

4. Pada bagian Name tuliskan Item_1 ke bawah sampai Item_7 (sampai 7 karena item soal

saya berjumlah 7 buah) terakhir tulis Skor_Total. Pada Decimals ubah semua menjadi

angka 0, abaikan yang lainnnya.

5. Klik Data View (dibagian pojok kiri bawah) dan masukkan data skor angketnya, bisa

dilakukan dengan cara copy paste data angket yang sudah dipersiapkan tadi.

6. Selanjutnya Pilih menu Analyze, kemudian pilih sub menu Correlate, lalu pilih Bivariate

7. Kemudian muncul kotak baru, dari kotak dialog Bivariate Correlations, masukkan semua

variabel ke kotak Variables. Pada bagian Correlation Coefficients centang Pearson,

Pada bagian Test of Significance pilih Two‐tailed. Centang Flag significant

Corerrelations. Klik OK untuk mengakhiri Perintah.

8. Selanjutnya akan mucul Output Hasilnya. Tinggal kita interprestasi agar hasil tersebut

agar menjadi lebih jelas dan mudah dipahami.

Dari output di atas kita sudah dapat mengetahui apakah item‐item angket yang digunakan valid

atau tidak tapi belum cukup jelas khusunya bagi sobat yang awam dengan SPSS. Untuk

menginterprestasikan output di atas, tentu kita harus melihat dasar pengembilan keputusan

dalam uji validitas terlebih dahulu, sebagaima yang sudah dijelaskan di awal.

Langkah selanjutnya adalah mencari nilai r tabel dengan N=20 pada signifikansi 5%,

ditemukan nilai r tabel sebesar 0,444 (r tabel signifikansi 5% dan 1% terlampir).

Angka r tabel kemudian kita bandingkan dengan nilai r hitung yang telah diketahui dari nilai

output (angka yang sayaberi lingkaran merah pada gambar output di atas). Dengan demikian,

diketahui bahwa semua nilai r hitung lebih besar dari nilai r tabel, yang artinya semua item

anget tersebut dinyatakan valid dan bisa dijadikan sebagai alat pengumpul data dalam

penelitian yang dilakukan. Untuk lebih jelasnya dapat melihat pada tabel rangkuman uji validitas

data Partisipasi Siswa dalam Pemilihan Ketua OSIS di bawah ini.

Sumber : http://www.spssindonesia.com/2014/01/uji-validitas-product-momen-spss.html

UJI RELIABILITAS ALPHA CRONBACH’S

Modified By Aldy Forester

Setelah melakukan Uji Validitas Product Momen dengan SPSS, selanjutnya yang harus

dilakukan agar angket yang digunakan benar‐benar dapat dipercaya sebagai alat pengumpul

data maka perlu di uji reliabilitas atau tingkat kepercayaannya pula.

Secara umum reliabilitas diartikan sebagai sesuatu hal yang dapat dipercaya atau keadaan

dapat dipercaya. Dalam statistik SPSS Uji Reliabilitas berfungsi untuk mengetahui tingkat

kekonsistensian angket yang digunakan oleh peneliti sehigga angket tersebut dapat

dihandalkan, walaupun penelitian dilakukan berulangkali dengan angket yang sama.

Salah satu cara melakukan uji reliabilitas instrumen adalah dengan Uji Reliabilitas Alpha

Cronbach’s dengan SPSS. Uji Reliabilitas dalam hal ini mengacu pada nilai Alpha yang

dihasilkan dalam output SPSS. Seperti halnya pada uji‐uji statistik lainnya hasil Uji Reliabilitas

Alpha Cronbach’s pun berpedoman pada dasar pengambilan keputusan yang telah ditentukan.

Dasar pengambilan keputusan dalam Uji Reliabilitas adalah jika nilai Alpha lebih besar dari r

tabel maka item‐item angket yang digunakan dinyatakan reliabel atau konsisten, sebaliknya jika

nilai Alpha lebih kecil dari r tabel maka item‐item angket yang digunakan dinyatakan

tidak reliabiel atau tidak konsisten.

Langkah‐langkah melakukan Uji Reliabilitas Alpha Cronbach’s dengan SPSS yang harus

dilakukan yaitu :

1. Persiapkan data yang akan di uji dalam format doc, excel, atau yang lainnya, dalam praktek

kali ini saya akan menguji reliabilitas Partisipasi Siswa dalam Pemilihan Ketua OSIS

dengan N = 20 dan item angket 7 buah. Lihat datanya di bawah ini.

2. Buka Program SPSS dan klik Variable View, dibagian pojok kiri bawah.

3. Pada bagian Name tuliskan Item_1 ke bawah sampai Item_7 (sampai 7 karena item angket

yang valid pada angket Partisipasi Siswa dalam Pemilihan Ketua OSIS berjumlah 7 buah).

P ada Decimals ubah semua menjadi angka 0, abaikan yang lainnnya.

4. Klik Data View (dibagian pojok kiri bawah) masukkan data angketnya (catatan : angket

yang ditulis hanya yang valid saja, yang sebelumnya telah dilakukan uji validitas, jika

sebelumnya ada item angket yang tidak valid, maka item angket tersebut tidak perlu

dilakukan uji reliabilitas), memasukkan data angket bisa dilakukan dengan cara copy paste

data angket yang sudah dipersiapkan tadi.

5. Selanjutnya, dari menu SPSS pilih Analyze, lalu klik Scale, kemudian klik Reliability

Analyze.

6. Nah, muncul kotak dialog baru kan dengan nama Reliability Analysis, masukkan semua

variabel ke kotak Items, kemudian pada bagian Model pilih Alpha

7. Langkah selanjunya adalah klik Statistics, pada Descriptives for, klik Scale if item

deleted, selanjutnya klik Continue. Abaikan pilihan yang lainnya.

8. Yang terakhir adalah klik OK untuk mengakhiri perintah, setelah itu akan muncul tampilan

outputnya selanjutnya tinggal kita interprestasikan saja.

Dari gambar output di atas, diketahui bahwa nilai Alpha sebesar 0,850, kemudian nilai ini kita

bandingkan dengan nilai r tabel dengan nilai N=20 dicari pada distribusi nilai r tabel signifikansi

5% (r tabel signifikansi 5% dan 1% terlampir) diperoleh nilai r tabel sebesar 0,444.

Kesimpulannya Alpha = 0,850 > r tabel = 0,444, artinya item‐item angket Partisipasi Siswa

dalam Pemilihan Ketua OSIS dapat dikatakan reliabel atau terpercaya sebagai alat pengumpul

data dalam penelitian.

Sumber : http://www.spssindonesia.com/2014/01/uji-reliabilitas-alpha-spss.html

ANALISIS REGRESI LINEAR BERGANDA (METODE STEPWISE)

Modified By Aldy Forester

Regresi linear ganda berguna untuk mencari pengaruh dua atau lebih variabel bebas (predictor)

atau untuk mencari hubungan fungsional dua variabel predictor atau lebih terhadap variabel

kriteriumnya. Rumus yang digunakan sama seperti pada regresi sederhana namun, disesuaikan

dengan jumlah variabel yang diteliti. Rumus persamaan regresinya adalah sebagai berikut:

Y = a+b1x1+b2x2....bn

Untuk memperjelas pemahaman kita tentang cara Uji Analisis Regresi Linear Ganda Dengan

SPSS, kita akan menggunakan contoh yaitu: “diduga bahwa besarnya nilai tergantung pada

besarnya Skor Tes Kecerdasan dan Frekuensi Membolos. Untuk keperluan tersebut, maka

dilakukan pengamatan terhadap 12 orang siswa dengan mencatat Frekuensi Membolos, Skor

Tes Kecerdasan dan Nilai Ujian, data dari variabel di atas adalah sebagai berikut:

Langkah-langkah Uji Analisis Regresi Linear Ganda Dengan SPSS:

1. Buka lembar kerja baru pada program SPSS.

2. Klik Variabel View pada SPSS Data editor.

3. Pada kolom Name, ketik Skor_Tes pada beris pertama, ketik Membolos pada

baris kedua dan ketik Nilai pada baris ketiga.

4. Pada kolom Decimals, ketik 0 untuk baris pertama, baris kedua dan baris

ketiga.

5. Pada kolom Label, ketik Skor Tes Kecerdasan untuk baris pertama, ketik

Frekuensi Membolos pada baris kedua, dan ketik Nilai Ujian pada baris ketiga.

6. Abaikan kolom yang lainnya.

7. Ketik Data View pada SPSS Data editor.

8. Ketik datanya seperti data di atas sesuai dengan variabelnya.

9. Dari menu SPSS, pilih menu Analyze > Regression > Linear maka akan muncul

kontak dialog seperti sebagai berikut:

10. Masukkan variabel Nilai Ujian ke kolom Dependent, dan masukkan variabel

Skor Tes Kecerdasan dan Frekuensi Membolos ke kolom Independent (s)

11. Pada Method kita pilih metode Stepwise

12. Klik Statistics klik pilihan Estimates, Model Fit dan Deskriptive, kemudian klik

Continue

13. Klik OK untuk mengakhiri perintah.

Maka akan muncul output sebagai berikut:

Penjelasan output pertama (Descriptive Statistics)

Pada bagian ini merupakan tabel yang menyajikan deskriptif data masing-masing variabel yang

meliputi Mean (ratarata), Std. Deviation (standar deviasi dan N=jumlah data).

Penjelasan output bagian kedua (Corelation)

Pada bagian ini merupakan matrik korelasi antara variabel Skor Tes Kecerdasan

dengan Nilai Ujian diperoleh r = 0,860 dengan probabilitas = 0,000 < 0,05, maka

Ho ditolak, yang berarti bahwa ada hubungan/korelasi yang signifikan antara

Skor Tes Kecerdasan dengan Nilai Ujian.

Variabel Frekuensi Membolos dengan nilai ujian r = -0,848, tanda negative menggambarkan

hubungan yang berlawanan yang artinya semakin sering membolos, maka akan semakin kecil

nilai yang diperoleh.

Penjelasan output bagian ketiga (Variables Entered/removed)

Tabel tersebut menjelaskan tentang variabel yang dimasukkan atau dibuang dan metode yang

digunakan. Dalam hal ini variabel yang dimasukkan adalah variabel Skor Tes Kecerdasan dan

Frekuensi Membolos sebagai Predictor dan metode yang digunakan adalah Stepwise.

Penjelasan output bagian keempat (Model Summary)

Tabel tersebut pada model (1) untuk menjelaskan besarnya nilai korelasi atau hubungan (R)

antara Skor Tes Kecerdasan (X1) dengan Nilai Ujian (Y) yaitu sebesar 0,860 dan penjelasan

besarnya prosentase pengaruh variabel Skor Kecerdasan terhadap nilai ujian yang disebut

koefisien determinasi yang merupakan hasil dari pengukuran R. Dari output tersebut diperoleh

koefisien diterminasi (R2) pada model (1) sebesar 0,740, yang mengandung pengertian bahwa

pengaruh variabel bebas (Skor Tes Kecerdasan) terhadap variabel terikat (nilai ujian) adalah

sebesar 74%.

Pada model (2) untuk menjelskan besarnya nilai korelasi (R) antara Skor Tes Kecerdasan (X1)

dan Frekuensi Membolos (X2) terhadap Nilai Ujian (Y) yaitu sebesar 0,936 dan menjelaskan

besarnya prosentase pengaruh veriabel Skor Tes Kecerdasan dan Frekuensi Membolos

terhadap Nilai Ujian yaitu sebesar 0,876 atau 87,6% sehingga dapat disimpulkan besarnya

pengaruh Skor Tes Kecerdasan (X1) terhadap Nilai Ujian (Y) sebesar 74%, dan pengaruh

Frekuensi Membolos (X2) terhadap Nilai Ujian (Y) =13,6% (87,6%74%).

Penjelasan output bagian kelima (Anova)

Pada bagian ini untuk menjelaskan apakah ada pengaruh yang nyata (signifikan) variabel Skor

Tes Kecerdasan (X1) dan Frekuensi Membolos (X2) secara simultan (bersamasama) terhadap

Nilai Ujian (Y). Dari output pada model yang kedua terlihat bahwa Fhitung = 31,853 dengan

tingkat signifikansi atau probabilitas 0,000 < 0,05, maka regresi dapat dipakai untuk

memprediksi Nilai Ujian.

Penjelasan output bagian keenam (Coefficients)

Pada tabel Coefficients, pada kolom B pada Constanta (a) adalah 55,780, Skor Tes

Kecerdasan (b1) adalah 0,527 dan Frekuensi Membolos (b2) adalah 2,344. Berdasarkan data

di atas, maka dapat dikatakan bahwa: Konstanta sebesar 55,780, koefisien regresi X1 sebesar

0,527, dan koefisien regresi X2 sebesar 2,233.

Kesimpulan:

Skor Tes Kecerdasan nilai thitung = 3,371 dengan probabilitas = 0,008 < 0,5, artinya ada

pengaruh yang signifikan. Untuk variabel Frekusnsi Membolos nilai Thitung = 3,147 dengan

probabilitas = 0,012 < 0,05 yang berarti ada pengaruh yang signifikan.

Sumber : http://www.konsistensi.com/2013/05/uji-analisis-regresi-linear-ganda.html

ANALISIS REGRESI LINEAR BERGANDA (METODE ENTER)

Modified By Aldy Forester

Analisis Regresi adalah suatu cara atau teknik untuk mencari hubungan antara variabel satu

dengan variabel lain yang dinyatakan dalam bentuk persamaan matematik dalam hubungan

yang fungsional. Dalam pengertian lain, analisis regresi ingin mencari hubungan dari dua

variabel atau lebih dengan mana variabel yang satu tergantung pada variabel yang lain.

Secara umum, dapat dinyatakan pula bahwa apabila ingin mengetahui pengaruh satu variabel

X terhadap satu variabel Y maka digunakan analisis regresi sederhana, dan apabila ingin

megetahui pengaruh dua variabel X atau lebih terhadap variabel Y digunakan analisis regresi

ganda (multiples). Persamaan Analisis Regresi Multiples berdasarkan pada rumus :

Theoremanya : Y = a+b1x1+b2x2....bn

Setelah mengetahui teori dasar mengenai Analisis Regresi Multiples, sekarang kita masuk ke

bagian Cara Melakukan Analisis Regresi Multipes dengan SPSS versi 21. Sebagai contoh, ingin

mengetahui pengaruh variabel Motivasi (X1) dan variabel Minat (X2), terhadap variabel Prestasi

(Y), data penelitian ini mempuyai sampel berjumlah 12 siswa. Adapun data lengkapnya lihat

pada gambar di bawah ini.

Langkah‐Langkah pada SPSS :

1. Buka program SPSS, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2

dan Y, pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi,

Minat dan Prestasi.

2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y)

yang sudah dipersiapkan tadi.

3. Selanjutnya, dari menu utama SPSS, Pilih Analyze > Regression > Linear

4. Muncul kotak dialog dengan nama Linear Regression, masukkan variabel Motivasi (X1),

Minat (X2) ke kotak Independent (s), masukkan variabel Prestasi (Y) pada kotak

Dependent, pada Method pilih Enter, selanjutnya klik Statistics

5. Pada bagian Linear Regression Statistics, berikan tanda centang pada Estimates dan

Model fit kemudian klik Continue, lalu klik OK

Output Analisis Regresi SPSS :

Berdasarkan output di atas, dapat diketahui beberapa nilai antara lain : nilai koefosien regresi,

Thitung, nilai signifikansi, niai Fhitung, Nilai R Square atau R2, dan lain‐lain. Untuk lebih

jelasnya dapat melihat ringkasannya pada gambar tabel di bawah ini :

Untuk mengetahui seberapa kuat pengaruh masing‐masing variabel X terhadap Y, maka perlu

dilakukan Uji t, jika sobat ingin mengetahui pengaruh variabel X1 dan X2 secara simultan

terhadap variabel Y maka perlu dilakukan Uji F, dan jika sobat ingin mengetahui subangan

relatif yang diberikan maka perlu dilakukan Analisis Koefisien Determinasi.

Sumber : http://www.spssindonesia.com/2014/02/analisis-regresi-multipes-dengan-spss.html

Titik Presentase Disitribusi F Probabilita = 0,05

Titik Presentase Disitribusi F Probabilita = 0,01

Titik Presentase Disitribusi t df = 1 - 160

Tabel R (Korelasi Linear Sederhana) df = 1 - 200

Tabel Nilai Kritis Uji Kolmogorov-Smirnov

Tabel Distribusi Z Normal Positive & Negative