Bengkel JahatTM

CARA OLAH DATA DAN MEMBACA DATA (PRIMER)

1.

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

Maka akan muncul tampilan seperti ini :

Masukkan variabel dependen dan independen menggunakan klik tanda

Contoh sebagai berikut :

ke Variable(s)

Bengkel JahatTM

Kemudian Klik tombol

akan muncul tampilan sebagai berikut :

Beri tanda Mean, Std. deviation, Minimum, Maximum

Klik Continue kemudian Klik OK maka akan muncul tabel seperti di bawah ini :
Descriptive Statistics
N

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

: Jumlah Sampel Penelitian

Minimum

: Nilai terendah dari data penelitian

Maximum

: Nilai tertinggi dari data penelitian

Mean

: Rata-rata data penelitian

3

Bengkel JahatTM

Std. Deviation
2.

: Nilai penyimpangan data

Uji Validitas dan Uji Reliabilitas

a. Uji Validitas
Dalam Ghozali (2011), uji validitas digunakan untuk mengukur sah atau valid tidaknya

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

Maka akan muncul tampilan sebagai berikut :

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

Klik OK maka akan muncul tabel seperti di bawah ini :

Correlations
X1.1
X1.1

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

**. Correlation is significant at the 0.01 level (2-tailed).

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

Maka akan muncul tampilan sebagai berikut :

Masukkan Pertanyaan Indikator variabel dependen maupun independen satu per satu tanpa
jumlah data variabel dependen maupun independen klik symbol

ke Items Contoh sebagai

berikut :

Bengkel JahatTM

Kemudian Klik symbol

akan muncul tampilan sebagai berikut :

Beri tanda Item, Scale, Scale if Item deleted, Correlations

Klik Continue kemudian kemudian Klik OK maka akan muncul tabel seperti di bawah ini :
Case Processing Summary
N
Cases

Valid

%
74

100,0

,0

74

100,0

Excluded
Total

a. Listwise deletion based on all variables in the

procedure.

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

Inter-Item Correlation Matrix

X1.1

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.

Analisis Regresi Linier Berganda, Uji Normalitas, Uji Multikolonearitas, Uji

Heteroskedastisitas, Koefisien Determinasi (R), Uji Kelayakan Model (Uji F), Uji t
Teknik regresi linear berganda bermanfaat untuk mendeteksi pengaruh variabel bebas

terhadap variabel terikat.

Cara mengolah dalam program aplikasi SPSS Sebagai berikut:
Klik Analyze >> Regression >> Linear

11

Bengkel JahatTM

Maka akan muncul tampilan sebagai berikut :

Masukkan jumlah variabel dependen ke dependent klik symbol

independen klik symbol

maupun independen ke

ke Items Contoh sebagai berikut :

12

Bengkel JahatTM

Kemudian Klik symbol

akan muncul tampilan sebagai berikut :

Beri tanda Estimates, Covariance matrix, Model fit, Colilinearity diagnostics

Klik Continue :
Setelah itu Klik

kemudian akan muncul tampilan sebagai berikut :

13

Bengkel JahatTM

Kemudian masukan *SRESID dengan Klik symbol

ke Y dan *ZPRED Ke Symbol X dan

beri Beri tanda Histogram, Normal probability plot kemudian Klik Continue
Ditampilkan seperti di bawah ini :

Selanjutnya Klik symbol

maka akan muncul tampilan di bawah ini :

beri Beri tanda Unstandardized kemudian Klik Continue

14

Bengkel JahatTM

Ditampilkan seperti di bawah ini :

Kemudian Klik OK
a)

Output : SPSS Persamaan Regresi

Contoh :
Coefficients

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)

Output SPSS : Uji Asumsi Klasik

Pengujian terhadap asumsi klasik adalah untuk menguji model analisis yang digunakan

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

Maka akan muncul tampilan sebagai berikut :

Masukkan Unstandardized Residual klik symbol

ke Test Variabel List Contoh sebagai

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

Most Extreme Differences

,0000000
2,10273019

Absolute

,049

Positive

,045

Negative

-,049

Kolmogorov-Smirnov Z

,418

Asymp. Sig. (2-tailed)

,995

a. Test distribution is Normal.

b. Calculated from data.

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

Output SPSS akan menampilkan gambar seperti dibawah ini :

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

Kemudian isi rumus seperti yang di beri tanda merah

Setelah itu akan muncul nilai AbsRes pada tabel :

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 :

Kemudian klik OK maka akan muncul OUTPUT SPSS sebagai Berikut :

Coefficients

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

a. Dependent Variable: AbsRes

Keterangan :
Perhatikan saja bagian Coefficients bagian sig.
Nilai

signifikansi

yang

lebih

dari

0.05

menunjukkan

bahwa

tidak

terjadi

heteroskedastisitas dalam model regresi.

23

Bengkel JahatTM

c)

Output : SPSS Evaluasi Goodness Of Fit

Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness

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

Output SPSS akan menampilkan tabel seperti dibawah ini :

b

Model Summary

Model

,783

Adjusted R

Std. Error of the

Square

Estimate

R Square
a

,614

,591

1,442

a. Predictors: (Constant), X4, X3, X2, X1

b. Dependent Variable: Y

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

Output SPSS akan menampilkan tabel seperti dibawah ini :

b

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

a. Predictors: (Constant), X4, X3, X2, X1

b. Dependent Variable: Y

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

Output SPSS akan menampilkan tabel seperti dibawah ini :

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 :
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