119
Korelasi Pearson dilambangkan dengan r dengan ketentuan nilai r tidak lebih dari harga -1≤ r ≤ 1. Apabila nilai r = -1, artinya memiliki korelasi negatif
sempurna; r = 0, artinya tidak ada korelasi; dan r = 1, artinya korelasi positif yang sempurna. Berikut ini interpretasi nilai r selengkapnya:
Tabel : 3.9. Interpretasi Nilai Koefisien Korelasi r Interval Koefisien
Tingkat Hubungan
0,80 – 1,00 0,60 – 0,79
0,40 – 0,59 0,20 – 0,39
0,00 – 0,19 Sangat Kuat
Kuat Cukup Kuat
Rendah Sangat Rendah
Ridwan, 2008:136 Sementara itu untuk melihat signifikansi hubungan antara variabel,
dianalisis dengan menggunakan parameter: 1 jika probabilitasnilai sig. 2- tailed α = 0,05, maka hubungan kedua variabel signivikan; 2 sebaliknya jika
nilai sig. 0,05, maka hubungan kedua variabel tidak signifikan.
4. Analisis Regresi Linier a. Persyaratan Penggunaan Teknik Analisis Regresi Linier
Dalam menganalisis pengaruh variabel bebas atau prediktor X terhadap variabel terikat atau kriterium Y, dan untuk mengujimembuktikan hipotesis
yang telah dirumuskan, digunakan teknik analisis regresi ganda multiple regression. Dalam hal ini data dikelompokkan ke dalam satu atau beberapa
variabel bebas serta variabel terikat. Secara konseptual, akan dibuktikan bahwa variabel terikat memiliki hubungan dengan dengan variabel bebas yang telah
diidentifikasi. Ada sejumlah persyaratan yang harus dipenuhi untuk dapat
120
menggunakan teknik analisis regresi linier ganda, yaitu: uji liniearitas garis regresi, uji multikolineritas, uji autokolerasi, dan uji heteroskedastisitas.
b. Hasil Pengujian Persyaratan Regresi Linier Uji linearitas garis regresi
, dengan menggunakan tabel Anova, dilakukan untuk mengambil keputusan model regresi yang akan digunakan. Dalam
melakukan pengujian liniearitas garis regresi ini, diajukan hiotesis sebagai berikut: 1 Ho: Model regresi berbentuk tidak linier; 2 Ha : Model regresi
berebentuk linier. Kriteria pengujian adalah sebagai berikut: -
Jika nilai Sig. lebih besar atau sama dengan nilai α alpha atau Sig. ≥ 0,05, maka Ho diterima dan Ha ditolak, artinya tidak linier.
- Jika nilai Sig. lebih kecil atau sama dengan nilai α alpha =0,05 atau
Sig.≤ 0,05., maka Ho ditolak dan Ha diterima, artinya linier. Berdasarkan hasil pengolahan data pada tabel ANOVA tampak bahwa
nilai Sig. Sebsar 0,000 seperti pada tabel berikut ini:
Tabel : 3.10. Linieritas variabel Y dengan variabel X
ANOVA
b
Model Sum of Squares
Df Mean Square
F Sig.
1 Regression
57643.186 2
28821.593 91.237
.000
a
Residual 82765.592
262 315.899
Total 140408.777
264 a. Predictors: Constant, PROSES HABITUASI, PEMBELAJARAN PKn
b. Dependent Variable: PEMBANGUNAN KARAKTER
Dari tabel tersebut terlihat, bahwa nilai Sig. Sebesar 0,000 yang berti nilai Sig. lebih kecil dari nilai α alpha=0,05 atau Sig. 0,05, dengan demikian
pengujian menolak Ho dan menerima Ha, yang berarti distribusi data tersebut
121
berpola linier. Atau dengan kata lain bahwa hubungan antara variabel terikat Y dan variabel bebas X berbentuk linier.
Uji multikolinearitas , dimaksudkan untuk membuktikan ada tidaknya
hubungan yang linier antara variabel bebas yang satu dengan variabel bebas yang lainnya. Sekaitan dengan ini, pendugaan adanya pengaruh dua atau lebih variabel
bebas terhadap variabel terikat dapat dipertanggungjawabkan. Untuk mendeteksi adanya multikoliniearitas, bisa dilakukan dengan dua cara, yaitu: besaran VIF
Variance Inflation Factor dan tolerance. Pedoman untuk menentukan model regresi bebas multikolinearitas adalah:
1 Mempunyai nilai VIF di sekitar angka 1;
2 Mempunyai angka tolerance mendekati angka 1
Berdasarkan hasil pengolahan data dengan menggunakan SPSS 17,diperoleh hasil sebagai berikut:
Tabel : 3.11. Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 84.324
11.849 7.117
.000 Pembelajaran PKn
.268 .108
.124 2.469
.014 .887
1.127 Proses Habituasi
1.178 .101
.588 11.679
.000 .887
1.127 a. Dependent Variable: PEMBANGUNAN KARAKTER
Pada tabel 3.11. terlihat bahwa kedua variabel bebas tersebut, angka VIF ada disekitar angka 1 dan nilai tolerance juga mendekati angka 1 sehingga dapat
disimpulkan bahwa model regresi tersebut mengalami bebas multikolinearitas.
Uji Autokorelasi yang menggunakan uji Durbin Waston, hal ini
dimaksudkan untuk mengetahui apakah terjadi korelasi diantara data pengamatan
122
atau tidak. Adanya autokorelasi dapat mengakibatkan penaksiran memiliki varians tidak minimum, dan uji t tidak dapat digunakan karena akan memberikan
kesimpulan yang salah. Menditeksi autokorelasi dapat dilihat dari besaran Durbin- Waston. Secara umum dapat diambil patokan sebagai berikut:
• Angka D-W di bawah -2 berarti autokorelasi positif.
• Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi.
• Angka D-W di atas +2 berarti ada autokorelasi negatif.
Berdasarkan pengolahan SPSS 17, diperoleh hasil sebagai berikut:
Tabel : 3.12. Hasil Uji Autokorelasi
Model Summary
Model Change Statistics
Durbin- Watson
R Square Change F Change
df1 df2
Sig. F Change 1
.411 91.237
2 262
.000 1.896
Pada bagian model summary terlihat angka Durbin Waston sebesar +1,896 Hal ini berarti model regresi di atas tidak terdapat masalah autokorelasi.
Uji heteroskedastisitas
, dilakukan untuk mengetahui apakah variasi residual absolut sama atau tidak sama untuk semua pengamatan. Apabila asumsi
tidak terjadinya heteroskedastisitas tidak terpenuhi, maka penaksiran tidak terpenuhi, maka penaksiran menjadi tidak efisien dan estimasi koefisien menjadi
kurang akurat. Analisis uji heteroskedastisitas ini menggunakan korelasi rank dari Spearman. Pedoman yang digunakan yaitu jika chart menunjukkan adanya pola
tertentu, seperti titik yang membentuk suatu pola tertentu yang teratur, maka terjadi heteroskedastisitas. Melalui pengolahan data dengan menggunakan
program SPSS 17, hasilnya terlihat bahwa gambar titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas
123
maupun di bawah sumbu Y hal ini bebarti tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel
terikat Y berdasarkan masukan variabel bebasnya. Untuk lebih jelasnya dapat dilihat pada gambar berikut ini:
Gambar : 3.2.Hasil Uji Heteroskedastisitas
Keseluruhan hasil pengujian tersebut di atas memperlihatkan bukti yang signifikan tentang terpenuhinya persyaratan penggunaan regresi linier. Oleh
karena itu dalam analisis regresi ganda dapat digunakan metode enter.
5. Analisis Konstribusi
