Oleh : Ipin Aripin, M.Pd 33
Oleh : Ipin Aripin, M.Pd 34 4. Klik Statistics
5. Klik Estimates pada Regression Coefficient, klik juga Model Fit, dan Casewise diagnostics pilih All Case pada Residuals.
6. Klik Dependent pada Y dan *ZPRED pada X
7. Klik Histogram dan Normal probalility plot pada Standardized Residual Plots
8. Klik Option
9. Klik Contineu 10. Klik Ok
Oleh : Ipin Aripin, M.Pd 35 Interpretasi Output SPSS :
Pada tabel ini terdapat R Square sebesar 0,356 dari koefisien korelasi (0,59) R-Square di sebut koefisien determinansi yang dalam hal ini 35% hasil belajar siswa dapat dijelaskan oleh variable Model pembelajaran X sedangkan sisanya di jelaskan variable lain.
Pada tebel ini terlihat bahwa nilai probabilitasnya atau sig. = 0,000 < 0,05 hal ini menunjukkan model regresi linear dapat digunakan.
Pada table ini menunjukkan regresi yang dicari. Nilai sig di atas adalah 0,000 dan 0,000 (< 0,05) dengan demikian dapat disimpulkan bahwa nilai pada kolom B adalah signifikan artinya persamaan yang paling tepat untuk kedua variable tersebut adalah :
Y = 29,191 + 0,537x
Dengan = X = Model Pembelajaran X Y = Hasil Belajar Siswa
Model Summaryb
.596a .356 .336 5.679
Model 1
R R Square
Adjusted R Square
St d. Error of the Estimate
Predictors: (Constant), Model Pembelajaran X a.
Dependent Variable: Hasil Belajar Siswa b.
ANOVAb
587.678 1 587.678 18.219 .000a
1064.464 33 32.256
1652.142 34
Regression Residual Total Model 1
Sum of
Squares df Mean Square F Sig.
Predictors: (Const ant), Model Pembelajaran X a.
Dependent Variable: Hasil Belajar Siswa b.
Coefficientsa
29.191 6.392 4.567 .000
.537 .126 .596 4.268 .000
(Constant)
Model Pembelajaran X Model
1
B Std. Error Unstandardized
Coeff icients
Beta Standardized Coeff icients
t Sig.
Dependent Variable: Hasil Belajar Siswa a.
Oleh : Ipin Aripin, M.Pd 36
-4 -3 -2 -1 0 1 2
Regression Standardized Residual 0
2 4 6 8 10 12
Frequency
Mean = 1.75E-15 Std. Dev. = 0.985 N = 35 Dependent Variable: Hasil Belajar Siswa
Histogram
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob 0.0
0.2 0.4 0.6 0.8 1.0
Expected Cum Prob
Dependent Variable: Hasil Belajar Siswa Normal P-P Plot of Regression Standardized Residual
-2 -1 0 1 2
Regression Standardized Predicted Value 30
40 50 60 70
Hasil Belajar Siswa
Dependent Variable: Hasil Belajar Siswa Scatterplot
Keterangan :
Untuk interpretasi output grafik silahkan baca pada bagian sebelumnya !
Oleh : Ipin Aripin, M.Pd 37
UJI regresi ganda
Uji regresi ganda merupakan pengembangan dari uji regresi sederhana, tau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan) X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0) b = Koefisien regresi (nilai peningkatan ataupun penurunan)
http//dwiconsultan.blogspot.com 1. Set data pada Variabel View
2. Klik Analyze > Regression > Linear
Oleh : Ipin Aripin, M.Pd 38 3. Klik kinerja guru biologi pada kotak Dependent dan motivasi kerja (X1),
lingkungan kerja (X2), pengmotivasi kerjaan (X3) pada kolom Independent.
4. Klik Statistics
5. Klik Estimates pada Regression Coefficient, Durbin-Watson, klik juga Model Fit, Collinearity diagnostics dan Casewise diagnostics pilih All Case pada Residuals.
6. Klik Continues
Oleh : Ipin Aripin, M.Pd 39 7. Klik Plot
8. Klik *ZPRED pada Y dan *ZRES pada X
9. Klik Histogram dan Normal probalility plot pada Standardized Residual Plots
10. Klik Contineu 11. Klik Ok
Oleh : Ipin Aripin, M.Pd 40 CARA MENAFSIRKAN
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
Durbin-Watson
1 .852a .726 .715 3.414 2.145
a. Predictors: (Constant), Inovasi (X3), Motivasi kerja (X1), Lingkungan kerja (X2) b. Dependent Variable: Kinerja guru biologi (Y)
Pada tabel ini terdapat R Square sebesar 0,726 dari koefisien korelasi (0,853) R-Square di sebut koefisien determinansi (D = r2 x 100% = 0,8532 x 100%
= 72,6%) dalam hal ini 72,6% Kinerja guru biologi dapat dipengaruhi oleh variabel motivasi kerja, lingkungan kerja dan perhargaan sedangkan sisanya (27,3%) di jelaskan variabel lain selain variabel yang digunakan dalam penelitian.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 2253.294 3 751.098 64.456 .000b
Residual 850.654 73 11.653
Total 3103.948 76
a. Dependent Variable: Kinerja guru biologi (Y)
b. Predictors: (Constant), Inovasi (X3), Motivasi kerja (X1), Lingkungan kerja (X2)
Pada tabel ini terlihat bahwa Fhitung sebesar 64,456 > 2,730 dengan nilai probabilitasnya atau sig. = 0,000 < 0,05 hal ini menunjukkan model regresi linear dapat digunakan untuk memprediksi pengaruh motivasi kerja, lingkungan kerja dan perhargaan terhadap Kinerja guru biologi. Karena regresi yang kita gunakan dapat diterima maka pengujian selanjutnya adalah menghitung koefisien regresi.
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 28.299 3.837 7.376 .000
Motivasi kerja (X1)
.775 .194 .393 3.986 .000 .387 2.586
Lingkungan kerja (X2)
.424 .187 .229 2.266 .026 .367 2.726
Inovasi (X3) .595 .177 .320 3.363 .001 .416 2.406
a. Dependent Variable: Kinerja guru biologi (Y)
Oleh : Ipin Aripin, M.Pd 41 Pada tabel di atas menunjukkan regresi yang dicari. Nilai sig untuk variabel motivasi kerja (X1), lingkungan kerja (X2), adalah (000, 0,000 < 0,05) dengan demikian dapat disimpulkan bahwa nilai pada kolom Standardized Coefficients Beta adalah signifikan artinya persamaan yang paling tepat untuk variabel tersebut adalah :
𝑌 = 28,299+ 0,393X1 + 0,229X2 + 0,320X3
Kinerja guru biologi = 28,299+ 0,393X1 (motivasi kerja) + 0,229X2
(lingkungan kerja) + 0,320X3
Nilai konstanta 28,299, hal ini menyatakan bahwa jika tidak ada kenaikan nilai dari variabel motivasi kerja (X1), dan lingkungan kerja (X2), maka nilai Kinerja guru biologi (Y) adalah adalah 28,299 atau 28,299 poin. Koefisien regresi Koefisien regresi X1 sebesar 0,393. Hal ini menyatakan bahwa setiap terjadi penambahan satu skor atau nilai motivasi kerja akan menaikan Kinerja guru biologi sebesar 0,393 atau 3,93 poin. Sedangkan koefisien pada variabel X2
sebesar 0,229. Hal ini menyatakan bahwa setiap terjadi penambahan satu skor atau lingkungan kerja akan meningkatkan kinerja guru biologi sebesar 0,229 atau 2,29 poin. Sedangkan koefisien pada variabel X3 sebesar 0,320. Hal ini menyatakan bahwa setiap terjadi penambahan satu skor atau perhargaan akan meningkatkan kinerja guru biologi sebesar 0,320 atau 3,20 poin
Selanjutnya dilakukan uji t, hal ini dimaksudkan untuk menguji signifikansi konstanta dan variabel dependen. Kriteria uji koefisien regresi dari variabel motivasi kerja (X1) lingkungan kerja (X2) dan inovasi (X3) terhadap Kinerja guru biologi (Y) sebagai berikut:
Ho = motivasi kerja, lingkungan kerja dan perhargaan tidak berpengaruh signifikan terhadap kinerja guru biologi.
Ha = motivasi kerja, lingkungan kerja dan perhargaan berpengaruh signifikan terhadap kinerja guru biologi.
Dengan kriteria pengambilan keputusan sebagai berikut:
Jika nilai thitung≥ ttabel, maka Ho ditolak artinya koefisien regresi signifikan
Jika nilai thitung≤ ttabel, maka Ho diterima artinya koefisien regresi tidak signifikan.
Oleh : Ipin Aripin, M.Pd 42 Berdasarkan koefisien regresi X1, dan X2 diperoleh nilai thitung sebesar 3,986 dan 2,266. Dengan tingkat signifikansi α = 0,05 dan dk (n-2) = 77 – 2 = 75 dilakukan uji satu pihak, sehingga diperoleh nilai ttabel adalah 1,992. Karena nilai thitung ≥ ttabel atau (3,986, 2,266, 3,363 dan ≥ 1,992) maka Ha diterima dan Ho ditolak, artinya koefisien regresi signifikan atau dengan kata lain motivasi kerja dan lingkungan kerja berpengaruh signifikan terhadap kinerja guru biologi.
Uji Signifikansi dengan Perbandingan Nilai thitung dan ttabel
Variabel thitung ttabel Ket
Motivasi kerja 3,986 1,992 Signifikan
Lingkungan kerja 2,266 1,992 Signifikan
Perhargaan 3,363 1,992 Signifikan
Berdasarkan grafik di atas terlihat data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Maka model regresi memenuhi asumsi normalitas.
Oleh : Ipin Aripin, M.Pd 43 Merujuk pada diagram pencar di atas dapat dilihat bahwa plot titik-titik mendekati garis linier maka disimpulkan bahwa model regresi linier.
Lihat Grafik Scatter, jelas bahwa tidak ada pola tertentu karena titik meyebar tidak beraturan di atas dan di bawah sumbu sumbu Y. Maka dapat disimpulkan tidak terdapat gejala heteroskedastisitas.
Oleh : Ipin Aripin, M.Pd 44
UJI univariat (two ways anova)
Anova merupakan singkatan dari “analysis of varian” adalah salah satu uji komparatif yang digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan analisis varian dua faktor (two ways anova).
Two Way Anova disebut juga dengan Anova 2 Arah atau Analisis Varian 2 Faktor. ANOVA dua arah membandingkan perbedaan rata-rata antara kelompok yang telah dibagi pada dua variabel independen (disebut faktor). Anda perlu memiliki dua variabel independen berskala data kategorik dan satu variabel terikat berskala data kuantitatif/numerik (interval atau rasio). (www.statistikian.com).
Buka Tab Variable View: Buat 3 variabel dengan ketentuan sebagai berikut:
Variabel independen: 1. “Gender” dengan kategori Pria dan Wanita.
Measure Nominal, Decimals=0, Type Numeric dan isi value: 1= Pria, 2=Wanita.
Variabel independen: 2. “Pendidikan” dengan kategori SMP, MTS dan Paket B. Measure Nominal, Decimals=0, Type Numeric dan isi value: 1= SMP, 2=MTS, 3=Paket B.
Variabel dependen: “Hasil
Belajar”, Decimals=0, Measure Scale, Type Numeric.
Set data variabel view seperti berikut :
Oleh : Ipin Aripin, M.Pd 45
Klik Univariat
Setelah data terisi, pada menu, Klik Analyze, General Linear Model, Univariate. Maka akan mucul jendela sbb: Masukkan Ujian ke kotak Dependent Variable, masukkan Gender dan Asal Sekolah ke kotak Fixed factor(s). (Kotak Random factor (s) dan Covariate(s) tidak akan kita gunakan dalam Two Ways Anova, kotak tersebut akan digunakan pada “Uji Ancova“).
Oleh : Ipin Aripin, M.Pd 46
Klik Plot, maka akan muncul jendela seperti di bawah ini: Masukkan Gender ke kotak Horizontal Axis dan Asal sekolah ke kotak Separate Lines.
Klik Add
Klik Continue.
Klik Post Hoc, maka muncul jendela sbb: Masukkan Asal sekolah ke kotak Post Hoc Test for. Centang Tukey
Klik Continue
Oleh : Ipin Aripin, M.Pd 47
Klik Options, maka akan muncul jendela sbb: Masukkan Gender, Asal Sekolah, dan Gender*Asal Sekolah ke dalam kotak Display Means for. Pada Display centang Descriptive statistics dan Homogentity test.
Klik Continue
Klik Ok
PENAFSIRAN
Descriptive Statistics Dependent Variable: Hasil Belajar Biologi
Gender Asal Sekolah Mean Std. Deviation N
Pria
SMP 77.00 6.708 5
MTS 80.00 8.660 9
Paket B 80.00 .000 2
Total 79.06 7.353 16
Wanita
SMP 76.67 12.111 6
MTS 75.00 7.071 5
Paket B 83.33 7.638 3
Total 77.50 9.558 14
Total
SMP 76.82 9.558 11
MTS 78.21 8.229 14
Paket B 82.00 5.701 5
Total 78.33 8.339 30
Rata-rata hasil belajar biologi berdasarkan gender, yaitu : Pria yang berasal dari SMP rata-ratanya 77, MTS rata-ratanya 80, dan Paket B rata-ratanya 80.
Oleh : Ipin Aripin, M.Pd 48
Levene's Test of Equality of Error Variancesa Dependent Variable: Hasil Belajar Biologi
F df1 df2 Sig.
1.992 5 24 .116
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
a. Design: Intercept + Gender + Asal_Sekolah + Gender * Asal_Sekolah
Dari tabel diketahui harga F = 1,992 dan Sig. 0.116 > 0.05 sehingga disimpulkan tiap variabel adalah homogeny.
Dari tabel di atas, kita mendapatkan nilai-nilai penting yang bisa disimpulkan sebagai berikut:
Tests of Between-Subjects Effects Dependent Variable: Hasil Belajar Biologi
Source Type III Sum of
Squares
df Mean Square F Sig.
Corrected Model 186.667a 5 37.333 .490 .781
Intercept 147430.588 1 147430.588 1933.516 .000
Gender 2.647 1 2.647 .035 .854
Asal_Sekolah 82.511 2 41.256 .541 .589
Gender * Asal_Sekolah 70.400 2 35.200 .462 .636
Error 1830.000 24 76.250
Total 186100.000 30
Corrected Total 2016.667 29
a. R Squared = .093 (Adjusted R Squared = -.096)
Corrected Model:
Pengaruh Semua Variabel independen (Gender, Asal sekolah dan Interaksi gender dengan pendidikan atau “Gender* Asal sekolah”) secara bersama-sama terhadap variabel dependen (Nilai Ujian). Apabila Signifikansi (Sig.) < 0,05 (Alfa) = Signifikan. Contoh di atas > 0.05 berarti model tidak signifikan.
Intercept:
Nilai perubahan variabel dependen tanpa perlu dipengaruhi keberadaan variabel independen, artinya tanpa ada pengaruh variabel independen, variabel dependen
Oleh : Ipin Aripin, M.Pd 49 dapat berubah nilainya. Apabila Signifikansi (Sig.) < 0,05 (Alfa) = Signifikan. Contoh di atas 0,000 berarti intercept signifikan.
Gender:
Pengaruh gender terhadap nilai ujian di dalam model. Apabila Signifikansi (Sig.)
< 0,05 (Alfa)= Signifikan. Contoh di atas 0,005 berarti gender berpengaruh signifikan. (Contoh di atas > 0.05 / tidak signifikan)
Pendidikan:
Pengaruh pendidikan terhadap nilai ujian di dalam model. Apabila Signifikansi (Sig.) <0,05 (Alfa)= Signifikan. Contoh di atas 0,000 berarti Pendidikan berpengaruh signifikan. (Contoh di atas > 0.05 / tidak signifikan)
Gender*Pendidikan:
Pengaruh Genderpendidikan terhadap nilai ujian di dalam model. Apabila Signifikansi (Sig.) <0,05 (Alfa)= Signifikan. Contoh di atas 0,005 berarti gender pendidikan berpengaruh signifikan. (Contoh di atas > 0.05 / tidak signifikan) Error:
Nilai Error model, semakin kecil maka model semakin baik.
R Squared:
Nilai determinasi berganda semua variabel independen dengan dependen. Contoh di atas 0,093 di mana menjauhi 1, berarti tidak berkorelasi.
Kesimpulan Hipotesis Two Way ANOVA
Jika karena hasil uji F menunjukkan bahwa signifikan ada perbedaan atau menerima H1, maka selayaknya Uji ANOVA ini dilanjutkan ke tahap selanjutnya, yaitu Uji Post Hoc. (Contoh di atas tidak signifikan)
Oleh : Ipin Aripin, M.Pd 50
UJI VALIDITAS DAN RELIABILITAs
Suatu instrument sebelum digunakan sebagai alat uji dalam penelitian terlebih dahulu harus diuji validitas dan reliabilitasnya untuk mengetahui kelayakan serta kehandalan instrument yang akan dipakai. Ada beberapa rumus yang dapat digunakan untuk menguji validitas dan reliablilitas data salah satunya adalah dengan menggunakan rumus Product Moment. Selain itu pengujian validitas dan reliabilitas dapat juga dilakukan dengan menggunakan software SPSS sebagai berikut:
Langkah – langkah uji validitas dan reliabilitas dengan SPSS : 1. Set data pada Variabel View sebagai berikut:
2. Masukan jawaban responden pada Data View 3. Klik Analyze > Scale > Reliability Analysis
Oleh : Ipin Aripin, M.Pd 51 4. Muncul kotak dialog Reliability Analysis
5. Klik tanda panah sehingga semua butir pertanyaan masuk ke kotak items
6. Klik Statistics
7. Klik pada kotak Descriptive for untuk Item, Scale, Scale if item deleted.
8. Klik pada kotak Inter-Item kota untuk Correlations.
9. Klik Continue 10. Klik Ok
Oleh : Ipin Aripin, M.Pd 52 Interpretasi Hasil Output SPSS :
Dengan menggunakan jumlah responden sebanyak 35, maka nilai r-tabel dapat diperoleh melalui df (degree of freedom) = n-k. k merupakan jumlah butir pertanyaan dalam suatu variable. Jadi df = 35-5 = 30, maka r-tabel = 0.361. Butir pertanyaan dikatakan valid jika nilai r-hitung yang merupakan nilai dari Corrected Item-Total Correlation > dari r-tabel.
Interpretasi Output SPSS Uji Reliabilitas :
Dari output SPSS di atas menujukan table Reliability Statistic pada SPSS yang terlihat pada Cronbach’s Alpha 0.900 > 0.60. Dapat disimpulkan bahwa konstruk pertanyaan pada item angket tersebut berkategori reliable.
Item-Total Statisti cs
50.11 78.751 .522 .633 .896
50.63 77.770 .601 .703 .893
50.29 78.504 .534 .746 .895
50.80 76.341 .667 .786 .891
50.80 76.635 .648 .804 .891
51.11 75.163 .683 .816 .890
50.37 76.299 .593 .784 .893
50.91 80.198 .452 .511 .898
51.69 74.751 .497 .599 .900
50.77 75.593 .693 .768 .889
50.77 74.240 .626 .628 .892
50.86 77.597 .665 .870 .891
50.94 80.114 .577 .677 .895
50.83 77.440 .511 .653 .897
50.71 76.504 .556 .790 .895
Pert any aan 1 Pert any aan 2 Pert any aan 3 Pert any aan 4 Pert any aan 5 Pert any aan 6 Pert any aan 7 Pert any aan 8 Pert any aan 9 Pert any aan 10 Pert any aan 11 Pert any aan 12 Pert any aan 13 Pert any aan 14 Pert any aan 15
Scale Mean if Item Deleted
Scale Variance if Item Deleted
Corrected Item-Total Correlation
Squared Mult iple Correlation
Cronbach's Alpha if Item
Delet ed
Reliabi lity Statistics
.900 .904 15
Cronbach's Alpha
Cronbach's Alpha Based
on St andardized
Items N of Items
Keterangan :
Suatu Kontruk dikatakan reliable jika > 0,60 (Nugroho, 2005)
Oleh : Ipin Aripin, M.Pd 53