Professional Documents
Culture Documents
Analisis Deskriptif
Analisis deskriptif ini bertujuan untuk mendeskripsikan atau menggambarkan suatu data
dalam variabel yang dilihat dari nilai rata-rata (mean), minimum, maksimum, dan standar deviasi
(Ghozali, 2011). Statistik deskriptif biasanya digunakan untuk menggambarkan profil data
sampel sebelum memanfaatkan teknik analisis statistik yang berfungsi untuk menguji hipotesis.
Statistika deskriptif akan memberikan gambaran mengenai data penelitian berupa variabelvariabel dependen dan independen. Cara mengolah dalam program aplikasi SPSS Sebagai
berikut:
Klik Analyze >> Descriptive Statistics >> Descriptive
Contoh tampilan SPSS Sebagai berikut :
Bengkel JahatTM
ke Variable(s)
Bengkel JahatTM
Minimum
Maximum
Mean
Std. Deviation
X1
74
10
24
16,42
3,424
X2
74
12
20
15,72
1,732
X3
74
23
33
27,89
2,546
74
18
28
22,62
2,256
Valid N (listwise)
74
Keterangan :
N
Minimum
Maximum
Mean
Bengkel JahatTM
Std. Deviation
2.
suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut. Suatu instrumen yang valid
atau sah mempunyai validitas tinggi, sebaliknya instrumen yang kurang valid berarti memiliki
validitas yang rendah.
Cara mengolah dalam program aplikasi SPSS Sebagai berikut:
Klik Analyze >> Correlate >> Bivariate
Contoh tampilan SPSS Sebagai berikut :
Bengkel JahatTM
Masukkan Pertanyaan Indikator variabel dependen maupun independen dan Jumlah dari data
variabel dependen maupun independen satu per satu klik symbol
ke Variable(s) Contoh
sebagai berikut :
Bengkel JahatTM
Pearson Correlation
X1.2
1
Sig. (2-tailed)
N
X1.2
Pearson Correlation
Sig. (2-tailed)
N
X1.3
Pearson Correlation
Sig. (2-tailed)
N
X1.4
Pearson Correlation
Sig. (2-tailed)
N
X1.5
Pearson Correlation
Sig. (2-tailed)
N
X1.6
Pearson Correlation
Sig. (2-tailed)
N
X1
Pearson Correlation
Sig. (2-tailed)
N
,539
,364
,776
**
,000
74
74
74
74
74
74
**
**
**
**
74
**
,471
,471
**
,000
74
74
74
74
74
**
**
**
74
74
**
**
,372
,000
,000
,001
74
74
74
,310
,372
,382
,672
**
,007
,001
,000
74
74
74
74
,187
**
,390
,690
**
,111
,001
,000
74
74
74
74
**
,187
,002
,007
,111
74
74
74
74
**
**
**
**
,382
,310
,001
,001
,388
,738
,001
**
**
,388
,002
74
,347
,347
,000
,000
,408
,408
,000
,001
,404
,404
,000
**
**
,393
X1
**
,001
**
,393
,510
X1.6
**
,000
74
,510
X1.5
**
,001
,000
,364
X1.4
**
,000
74
,539
X1.3
**
,390
,381
**
,616
**
,001
,000
74
74
74
**
,381
,712
**
,000
,001
,001
,001
,001
74
74
74
74
74
74
74
**
**
**
**
**
**
,776
,738
,672
,690
,616
,000
,712
,000
,000
,000
,000
,000
,000
74
74
74
74
74
74
74
Keterangan :
Instrumen dinyatakan valid apabila sig. (2-tailed) dari jumlah data variabel dependen maupun
independen kurang dari 0,05 (5%), sedangkan apabila lebih dari 0,05 (5%) maka dinyatakan
tidak valid
ATAU
Instrumen dinyatakan valid apabila Pearson Correlation dari jumlah data variabel dependen
maupun independen lebih dari angka r tabel dengan rumus mencari r tabel ( df = (N-2))
Keterangan :
N = Jumlah sampel
*NB : r Tabel terlampir
6
Bengkel JahatTM
b. Uji Reliabilitas
Uji reliabilitas adalah alat ukur untuk mengukur suatu kuesioner yang mempunyai
indikator dari variabel atau konstruk. Suatu kuesioner dinyatakan reliabel atau handal jika
jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu
(Ghozali, 2011). Pengukuran reliabilitas dapat dilakukan dengan dua cara yaitu :
1. Repeted measure atau pengukuran yaitu seseorang akan disodori pertanyaan yang sama
pada waktu yang berbeda, dan kemudian dilihat apakah ia tetap konsisten dengan
jawabannya.
2. One Shot atau pengukuran sekali saja dan kemudian hasilnya dibandingkan dengan
pertanyaan yang lain atau mengukur korelasi antara jawaban dengan pertanyaan.
Uji reliabilitas dapat dilakukan dengan menggunakan bantuan program SPSS, yang akan
memberikan fasilitas untuk mengukur reliabilitas dengan uji statistic Cronbach Alpha ( ). Suatu
konstruk atau variabel dikatakan reliabel jika memberikan nilai Cronbanch Alpha > 0,70
(Nunnally,1994) dalam (Ghozali,2011).
Cara mengolah dalam program aplikasi SPSS Sebagai berikut:
Klik Analyze >> Scale >> Reliability Analysis
Contoh tampilan SPSS Sebagai berikut :
Bengkel JahatTM
Masukkan Pertanyaan Indikator variabel dependen maupun independen satu per satu tanpa
jumlah data variabel dependen maupun independen klik symbol
berikut :
Bengkel JahatTM
Valid
%
74
100,0
,0
74
100,0
Excluded
Total
Reliability Statistics
Cronbach's Alpha
Cronbach's Alpha
Based on
Standardized
Items
,792
N of Items
,793
Bengkel JahatTM
Item Statistics
Mean
Std. Deviation
X1.1
2,14
,896
74
X1.2
2,47
,744
74
X1.3
3,15
,734
74
X1.4
2,30
,840
74
X1.5
3,09
,779
74
X1.6
3,27
,880
74
X1.2
X1.3
X1.4
X1.5
X1.6
X1.1
1,000
,539
,364
,510
,393
,404
X1.2
,539
1,000
,471
,408
,347
,388
X1.3
,364
,471
1,000
,372
,310
,382
X1.4
,510
,408
,372
1,000
,187
,390
X1.5
,393
,347
,310
,187
1,000
,381
X1.6
,404
,388
,382
,390
,381
1,000
Item-Total Statistics
Scale Mean if
Scale Variance if
Corrected Item-
Squared Multiple
Cronbach's Alpha
Item Deleted
Item Deleted
Total Correlation
Correlation
if Item Deleted
X1.1
14,28
7,768
,632
,439
,738
X1.2
13,95
8,518
,611
,400
,747
X1.3
13,27
8,885
,526
,300
,765
X1.4
14,12
8,464
,523
,338
,766
X1.5
13,32
9,044
,443
,244
,783
X1.6
13,15
8,210
,543
,302
,761
Scale Statistics
Mean
Variance
16,42
11,726
Std. Deviation
3,424
N of Items
6
Keterangan :
Suatu konstruk atau variabel dikatakan reliabel jika memberikan nilai Cronbanch Alpha
> 0,70 dalam tabel reliability statistics (Nunnally,1994) dalam (Ghozali,2011).
10
Bengkel JahatTM
3.
11
Bengkel JahatTM
maupun independen ke
12
Bengkel JahatTM
13
Bengkel JahatTM
beri Beri tanda Histogram, Normal probability plot kemudian Klik Continue
Ditampilkan seperti di bawah ini :
14
Bengkel JahatTM
Kemudian Klik OK
a)
Standardized
Unstandardized Coefficients
Model
1
Std. Error
(Constant)
6,748
4,186
X1
-,163
,067
X2
,327
X3
X4
Coefficients
Beta
Collinearity Statistics
T
Sig.
Tolerance
VIF
1,612
,112
-,248
-2,422
,018
,536
1,866
,132
,251
2,483
,015
,548
1,826
,256
,085
,289
3,031
,003
,615
1,625
,127
,055
,203
2,313
,024
,725
1,380
a. Dependent Variable: Y
Contoh Model persamaan regresi linear berganda dalam penelitian ini dapat
diformulasikan sebagai berikut:
= 6,748 + -,63X1 + ,327 X2 + ,256X3 + ,127X4 +
15
Bengkel JahatTM
Keterangan:
= Variabel dependen
0 = Konstanta
= Faktor Eror
X1= Variabel independen 1
X2= Variabel independen 2
X3= Variabel independen 3
X4= Variabel independen 4
1, 2, 3, = Koefisien regresi dari setiap variabel independen.
b)
akan menghasilkan permasalahan yang baik apabila memenuhi pengujian sebagai berikut :
Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam regresi, variabel dependen dan
variabel independen keduanya mempunyai distribusi normal atau tidak (Ghozali, 2011). Model
regresi yang baik adalah yang memiliki distribusi data normal atau mendekati normal. Pada
prinsipnya normalitas dapat dideteksi dengan penyebaran data (titik) pada sumbu diagonal dari
grafik atau melihat histogram dari residualnya (Ghozali, 2011). Jika data menyebar sekitar garis
diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal, maka
regresi tidak memenuhi asumsi normalitas. Output SPSS akan menampilkan gambar seperti
dibawah ini :
16
Bengkel JahatTM
Selain uji normalitas dengan grafik dapat dilakukan juga dengan menggunakan analisis
statistic. Untuk melengkapinya dapat dilakukan dengan uji statistik non-parametrik KolmogorovSmirnov (K-S).
Cara mengolah dalam program aplikasi SPSS Sebagai berikut:
Klik Analyze >> Nonparametric Tests >> Legacy Dialogs >> 1-Sample K-S..
17
Bengkel JahatTM
berikut :
18
Bengkel JahatTM
Kemudian Klik OK maka akan Muncul Output SPSS seperti dibawah ini :
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N
74
Normal Parameters
a,b
Mean
Std. Deviation
,0000000
2,10273019
Absolute
,049
Positive
,045
Negative
-,049
Kolmogorov-Smirnov Z
,418
,995
Keterangan :
Perhatikan Asymp. Sig. (2-tailed) data terdistribusi normal jika nilai Asymp. Sig. (2tailed) lebih besar dari 0,05
Uji Multikolonearitas
Uji Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel independen (Ghozhali, 2011). Model regresi yang baik seharusnya tidak
terjadi korelasi diantara variabel independen. Jika variabel independen saling berkorelasi maka
variabel-variabel tersebut tidak ortogonal. Variabel ortogonal adalah variabel independen yang
nilai korelasi antar sesama variabel independen sama dengan nol. Tolerance mengukur bebas
yang terpilih yang tidak dapat dijelaskan variabel bebas lainnya. Nilai tolerance yang rendah
sama dengan VIF yang tinggi (karena VIF=1/tolerance).
19
Bengkel JahatTM
Output SPSS akan menampilkan tabel seperti di bawah ini (perhatikan tabel coefficients):
Coefficients
Standardized
Unstandardized Coefficients
Model
1
Coefficients
Std. Error
(Constant)
6,748
4,186
X1
-,163
,067
X2
,327
X3
X4
Beta
Collinearity Statistics
t
Sig.
Tolerance
VIF
1,612
,112
-,248
-2,422
,018
,536
1,866
,132
,251
2,483
,015
,548
1,826
,256
,085
,289
3,031
,003
,615
1,625
,127
,055
,203
2,313
,024
,725
1,380
a. Dependent Variable: Y
Keterangan :
Nilai yang umum digunakan untuk memperlihatkan tidak adanya multikolinearitas adalah
nilai tolerance > 0,1 atau sama dengan nilai VIF < 10 (Ghozali, 2011). Perhatikan bagian
Collinearity Statistics saja.
Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan untuk menguji apakah model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain (Ghozali, 2011).
Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk mendeteksi ada atau
tidaknya heteroskedastisitas dengan melihat grafik plot antara nilai prediksi variabel dependen,
dasar analisisnya adalah :
1. Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi
heteroskedastisitas.
2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada
sumbu Y, maka tidak terjadi heteroskedastisitas.
20
Bengkel JahatTM
Selain itu, agar mendapatkan hasil yang lebih akurat, diperlukan analisis uji statistik yaitu
uji glejser yaitu dengan meregres nilai absolute residual terhadap variabel independen (Ghozali,
2011:143).
Sebelumnya kita harus mengeluarkan data AbsRes terlebih dahulu yaitu dengan cara :
21
Bengkel JahatTM
22
Bengkel JahatTM
Caranya sama dengan Analisis Regresi Berganda tetapi bedanya adalah pada isi variabel
dependent yaitu memasukan AbsRes dengan menggunakan symbol
. contoh tampilan
sebagai berikut :
Standardized
Unstandardized Coefficients
Model
1
Coefficients
Std. Error
(Constant)
,582
3,713
X1
,081
,060
X2
,079
X3
X4
Sig.
Beta
Collinearity Statistics
t
Tolerance
VIF
,157
,876
,216
1,353
,181
,536
1,866
,117
,107
,678
,500
,548
1,826
,040
,075
,080
,540
,591
,615
1,625
-,053
,049
-,150
-1,093
,278
,725
1,380
Keterangan :
Perhatikan saja bagian Coefficients bagian sig.
Nilai
signifikansi
yang
lebih
dari
0.05
menunjukkan
bahwa
tidak
terjadi
23
Bengkel JahatTM
c)
of Fitnya. Secara statistik, setidaknya ini dapat diukur dari nilai koefisien determinasi, nilai
statistik F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai
uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak ). Sebaliknya disebut tidak
signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima (Ghozali, 2011).
Koefisien Determinasi (R)
Koefisien determinasi (R) pada intinya mengukur seberapa jauh model dalam
menerangkan variasi variabel dependen (Goodness of fit) suatu model. Nilai koefisien
determinasi berada di antara nol dan satu. Nilai R yang kecil berarti kemampuan variabelvariabel independen dalam menjelaskan dependen amat terbatas (Ghozali, 2011). Nilai yang
mendekati satu (100%) berarti variabel independen memberikan hamper semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependen.
Kelemahan mendasar penggunaan koefisien determinasi adalah bisa terhadap jumlah
variabel independen yang dimasukkan kedalam model. Setiap tambahan 1 variabel independen,
maka R pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan
terhadap variabel dependen. Oleh karena itu, peneliti menganjurkan untuk menggunakan nilai
AdjustedR, karena nilai tersebut dapat naik atau turun apabila penambahan variabel independen
ditambahkan kedalam model (Ghozali, 2011).
Dalam kenyataannya nilai adjustedR dapat bernilai negative, walaupun yang
dikehendaki harus bernilai positif. Menurut Gujarati (2003) dalam Ghozali (2011) jika dalam uji
empiris didapat nilai adjustedR negative, maka nilai adjustedR dianggap bernilai nol. Secara
matematis, jika R = 1, maka adjusted R=1 = R sedangkan jika nilai R=0, maka adjusted R=
(1-k)(n-k). Jika k>1, maka adjusted R akan bernilai negatif.
24
Bengkel JahatTM
Model Summary
Model
,783
Adjusted R
Square
Estimate
R Square
a
,614
,591
1,442
Keterangan :
Perhatikan pada tabel model summary bagian Adjusted R Square
Uji Kelayakan Model (Uji F)
Uji statistik F pada dasarnya menunjukan apakah semua variabel independen atau bebas
mempunyai pengaruh secara bersama-sama terhadap variabel dependen/terikat (Ghozali, 2011).
Hipotesis nol (H0) yang hendak diuji adalah apakah semua parameter dalam model sama dengan
nol, atau:
H0 : l = 2 = ..........= n = 0
Artinya apakah semua variabel independen bukan merupakan penjelasan yang signifikan
terhadap variabel dependen (Ghozali, 2011). Hipotesis alternatifnya (HA) tidak semua parameter
secara simultan sama dengan nol, atau:
HA : tidak semua berharga 0 (nol)
Artinya semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap
variabel dependen.
25
Bengkel JahatTM
ANOVA
Model
1
Sum of Squares
df
Mean Square
Regression
227,896
56,974
Residual
143,509
69
2,080
Total
371,405
73
F
27,393
Sig.
,000
Keterangan :
Perhatikan pada tabel ANOVA bagian Sig.
Untuk menguji hipotesis ini digunakan statistik F dengan kriteria pengambilan keputusan
sebagai berikut:
1.
Jika nilai signifikansi > 0,05, maka H0 tidak dapat ditolak. Jadi variabel bebas dari
regresi linier tidak mampu menjelaskan variabel terikat.
2.
Jika nilai signifikan < 0,05, maka H0 ditolak. Jadi variabel bebas dari regresi linier
mampu menjelaskan variabel terikat.
Uji t
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
independen secara individual dalam menerangkan variasi variabel depenpen (Ghozali, 2011).
Pengujian ini bertujuan untuk menguji apakah secara parsial variabel bebas yaitu lingkungan
kerja fisik (X1), kompensasi (X2), dan beban kerja (X3) mempunyai pengaruh terhadap variabel
dependen (Y) yaitu kinerja guru dan karyawan. Prosedur pengujian adalah sebagai berikut :
1. Perumusan Hipotesis
Ho: 1 0, tidak terdapat pengaruh antara variabel bebas terhadap variabel terikat.
Ha: 1 > 0, terdapat pengaruh antara variabel bebas terhadap variabel terikat.
26
Bengkel JahatTM
Standardized
Unstandardized Coefficients
Model
1
Coefficients
Std. Error
(Constant)
6,748
4,186
X1
-,163
,067
X2
,327
X3
X4
Beta
Collinearity Statistics
T
Sig.
Tolerance
VIF
1,612
,112
-,248
-2,422
,018
,536
1,866
,132
,251
2,483
,015
,548
1,826
,256
,085
,289
3,031
,003
,615
1,625
,127
,055
,203
2,313
,024
,725
1,380
a. Dependent Variable: Y
Keterangan :
Perhatikan pada tabel Coefficients bagian Sig.
Menentukan tarafnya () dalam penelitian ini menggunakan = 5%. Pengambilan
keputusan dengan derajat keputusan dengan tingkat signifikan () = 0,05 ditentukan
sebagai berikut :
a. Apabila tingkat signifikansinya > 0,05 maka H0 tidak bisa ditolak dan H1 tidak bisa
diterima
b. Apabila tingkat signifikansinya < 0,05 maka H1 diterima dan H0 tidak bisa ditolak
27