Uji Asumsi Klasik Metode Analisis Data

besarnya nilai correlations partial. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas. d. Koefisien Determinasi Parsial r 2 Untuk mengetahui besarnya kontribusi yang diberikan oleh masing-masing variabel, maka perlu dicari koefisien determinasi secara parsial. Besarnya pengaruh X 1 , X 2 dan X 3 r 2 dicari dengan menggunakan program SPSS for Windows release 19. Semakin besar nilai r 2 maka semakin besar variasi sumbangan terhadap variabel terikat. Hasil koefisien determinasi secara parsial dapat dilihat dengan mengkuadratkan besarnya nilai correlations partial. Dalam penelitan ini, koefisien determinasi parsial digunakan untuk mengetahui besarnya sumbangan yang diberikan oleh variabel kesiapan belajar, disiplin belajar dan manajemen waktu.

3.5.4. Uji Asumsi Klasik

Uji asumsi klasik digunakan untuk mengetahui apakah model regresi yang diperoleh mengalami penyimpangan terhadap asumsi klasik atau tidak. Uji asumsi klasik yang digunakan adalah: a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal Ghozali, 2011:160. Penelitian ini menggunakan uji normalitas untuk mengetahui apakah variabel independen dan variabel dependen mempunyai distribusi normal atau tidak. Model regresi yang baik adalah data normal atau mendekati normal. Normalitas data dicari dengan rumus kolmogorov-smirnov dengan bantuan program SPSS for windows release 19. Dasar pengambilan keputusan adalah nilai probabilitas, yaitu jika nilainya lebih besar dari 0,05 maka data dalam penelitian tersebut berdistribusi normal. Tabel 3.4 Hasil Output dari Pengujian Normalitas dengan Kolmogorov Smirnov Berdasarkan perhitungan diperoleh harga Kolmogorov Smirnov sebesar 0,669 dengan probabilitas 0,762 lebih besar dari 0,05 maka data dalam penelitian tersebut berdistribusi normal. Uji normalitas juga dapat dilihat pada grafik Normal P-P Plot. Apabila titik mendekati atau membentuk satu garis diagonal dapat dikatakan data berdistribusi normal. Grafik P-P Plot yang merupakan hasil uji normalitas adalah sebagai berikut: One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 103 Normal Parameters a,b Mean 0E-7 Std. Deviation 4.53396483 Most Extreme Differences Absolute .066 Positive .066 Negative -.029 Kolmogorov-Smirnov Z .669 Asymp. Sig. 2-tailed .762 a. Test distribution is Normal. b. Calculated from data. Gambar 3.1 Grafik Normal P-Plot Pada grafik P-Plot terlihat data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi normal maka variabel dependen Y memenuhi asumsi normalitas. b. Uji Linearitas Uji linearitas garis regresi dimaksudkan untuk mengetahui apakah data yang diperoleh berbentuk linear atau tidak. Jika data berbentuk linear, maka penggunaan analisis regresi linear pada pengujian hipotesis dapat dipertanggungjawabkan, akan tetapi jika tidak linear maka harus digunakan analisis regresi non linear. Linearitas dapat dilihat pada tabel anova dengan bantuan program SPSS for windows release 19. Apabila F hitung F tabel dengan taraf signifikansi 5 maka persamaan regresi tersebut dinyatakan linear. Tabel 3.5 Hasil Uji Linearitas Hasil uji linearitas dapat di lihat dari uji F. Berdasarkan Hasil uji linearitas dapat dilihat dari uji F. Berdasarkan perhitungan diperoleh nilai F hitung untuk data kesiapan belajar dengan motivasi belajar siswa sebesar 0,616 dengan probabilitas 0,946 0,05 dan nilai F hitung untuk data disiplin belajar dengan motivasi belajar sebesar 0,779 dengan probabilitas 0,762 0,05. Sedangkan nilai F hitung untuk data manajemen waktu dengan ANOVA Table df Mean Square F Sig. Motivasi Belajar Kesiapan Belajar Between Groups Combined 40 282.591 8.181 .000 Linearity 1 10473.234 303.194 .000 Deviation from Linearity 39 21.292 .616 .946 Within Groups 62 34.543 Total 102 ANOVA Table df Mean Square F Sig. Motivasi Belajar Disiplin Belajar Between Groups Combined 28 393.936 12.070 .000 Linearity 1 10343.379 316.929 .000 Deviation from Linearity 27 25.438 .779 .762 Within Groups 74 32.636 Total 102 ANOVA Table df Mean Square F Sig. Motivasi Belajar Manajemen Waktu Between Groups Combined 33 345.951 11.765 .000 Linearity 1 10207.782 347.147 .000 Deviation from Linearity 32 37.768 1.284 .192 Within Groups 69 29.405 Total 102 motivasi belajar sebesar 1,284 dengan probabilitas 0,192 0,05. Dengan demikian menunjukkan bahwa data penelitian membentuk garis linear, sehingga penggunaan analisis regresi linear berganda dapat dipertanggungjawabkan. c. Uji Multikolonieritas Menurut Ghozali 2011:105 uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Pengujian multikolineritas dapat dilihat dengan menggunakan program SPSS for windows release 19. Dari nilai Variance Inflation Factor dan nilai Tolerance. Nilai Variance Inflation Factor dan Variance Inflation Factor dapat kita lihat pada tabel Coefficients. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1Tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10 Ghozali, 2011:106. Berikut hasil pengolahan menggunakan program SPSS for windows release 19: Tabel 3.6 Uji Multikolonieritas Variabel Bebas dalam Penelitian Berlandaskan pada hasil uji multikolonieritas dapat diketahui nilai tolerance X1 kesiapan belajar sebesar 0,196, X2 disiplin belajar sebesar 0,155 dan X3 manajemen waktu sebesar 0,210. Ketiga variabel tersebut memiliki nilai tolerance 0,10, hal ini berarti tidak terdapat multikolinearitas pada data. Bersumber pada tabel di atas dapat dilihat nilai VIF X1 kesiapan belajar sebesar 5,092, X2 disiplin belajar sebesar 6,438 dan X3 manajemen waktu sebesar 4,765. Ketiga variabel tersebut memiliki nilai VIF 10. Dapat disimpulkan bahwa tidak terjadi multikolinearitas pada data. d. Uji Heteroskedastisitas Menurut Ghozali 2011:139 “uji heteroskesdastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke Coefficients a Model Correlations Collinearity Statistics Zero- order Partia l Part Toleranc e VIF Constant Kesiapan Belajar .883 .401 .17 3 .196 5.092 Disiplin Belajar .877 .233 .09 4 .155 6.438 pengamatan yang lain ”. Heteroskedastisitas menunjukkan penyebaran variabel bebas, penyebaran yang acak menunjukkan model regresi yang baik, artinya tidak terjadi heteroskedastisitas. Pengujian heteroskesdastisitas dapat dilihat dengan menggunakan program SPSS for windows release 19. Cara mendeteksi ada tidaknya heteroskesdastisitas adalah dengan melihat ada tidaknya pola tertentu pada grafik scatterplot, dimana sumbu X adalah Y yang telah diprediksi dan sumbu X adalah residual Y prediksi - Y sesungguhnya yang telah di studentized. Dasar dalam pengambilan keputusan antara lain: a. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskesdatisitas. b. Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskesdasitas. Berikut hasil pengolahan menggunakan program SPSS for windows release 19: Gambar 3.2 Uji Heteroskedastisitas Grafik scatterplot di atas terlihat bahwa penyebaran residual adalah tidak teratur. Hal tersebut dapat dilihat pada plot yang terpencar dan tidak membentuk pola tertentu. Titik-titik tersebut menyebar secara acak serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini dapat disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini. Uji heteroskedastisitas juga dapat dilakukan dengan cara uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas yaitu dengan analisis uji glejser. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas. Sebaliknya jika variabel independen tidak signifikan secara statistik terhadap variabel dependen, maka dapat dikatakan bahwa tidak ada indikasi heteroskedastisitas. Berikut hasil pengolahan menggunakan program SPSS for windows release 19: Tabel 3.7 Hasil Uji Glejser Hasil tampilan output SPSS di atas dengan jelas menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai absolut. Hal ini terlihat dari probabilitas signifikansinya di atas 0,05 yaitu signifikansi variabel kesiapan belajar sebesar 0,454, signifikansi variabel disiplin belajar sebesar 0,535 dan signifikansi variabel manajemen waktu sebesar 0,368. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedastisitas. Coefficients a Model Unstandardized Coefficients Standardize d Coefficients t Sig. B Std. Error Beta Constant 1.083 1.565 .692 .49 1 Kesiapan Belajar .045 .060 .168 .751 .45 4 82

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Hasil Penelitian 4.1.1. Analisis Deskriptif Persentase Analisis deskriptif persentase bertujuan untuk mengetahui profil tentang kesiapan belajar, disiplin belajar, manajemen waktu dan motivasi belajar mata diklat Bekerjasama dengan Kolega dan Pelangganpada siswa kelas X Program Keahlian Administrasi Perkantoran di SMK Negeri 2 Semarang. Jumlah populasi dalam penelitian ini sebanyak 103 siswa.

a. Analisis Deskriptif Persentase VariabelKesiapan Belajar

Data tentang kesiapan belajar siswa kelas X Program Keahlian Administrasi Perkantoran di SMK Negeri 2 Semarang diperoleh dari angket penelitian dengan jumlah pernyataan 15 butir. Masing-masing butir pernyataan memiliki 5 alternatif jawaban, yaitu jawaban SS sangat setuju dengan skor 5, jawaban S setuju dengan skor 4, jawaban N netral dengan skor 3, jawaban TS tidak setuju dengan skor 2 dan jawaban STS sangat tidak setuju dengan skor 1. Untuk angket penelitian variabel kesiapan belajar memiliki skor tertinggi 75 15X5 dan skor terendah 15 15X1 untuk tiap responden. Kriteria penilaian skor untuk variabel kesiapan belajar ada 5 alternatif, yaitu sangat tinggi, tinggi, cukup, rendah, dan sangat rendah. Secara lebih rinci variabel kesiapan belajar dibagi dalam 5 indikator, yaitu kondisi fisik, kondisi mental, kondisi emosional,