Distribusi data dikatakan normal bila angka rasio skewness berada diantara -2 sampai 2. Jadi -1,382 berada diantara –2 sampai 2. Sehingga distribusi data
dapat dikatakan normal. Dari analisis didapatkan nilai kurtosis: 0,741 dan nilai standar kesalahan
kurtosis: 0,833, kemudian angka tersebut diubah ke angka rasio kurtosis. Angka rasio kurtosis = nilai kurtosis : standar kesalahan kurtosis
= 0,741 : 0,833 = 0,889
Distribusi data dikatakan normal bila angka rasio skewness berada diantara -2 sampai 2. Jadi 0,889 berada diantara –2 sampai 2. Sehingga distribusi data
dapat dikatakan normal. Hasil selengkapnya dari deskripsi data prestasi belajar ini dapat dilihat dari
hasil analisis SPSS versi 10 pada lampiran 9 halaman 114.
B. Pengujian Persyaratan Analisis
Sebelum diadakan penguian analisis data lebih lanjut, data harus memenuhi beberapa persyaratan uji analisis yaitu:
1. Uji Normalitas a. Uji Normalitas Data Variabel Motivasi Belajar X
1
Dari hasil analisis SPSS versi 10 pada lampiran 9 halaman 116. Jika data berdistribusi normal dan tingkat kepercayaan 95, maka tingkat signifikansi
adalah 100 - 95 atau 5. Jika memakai dua sisi ada tanda + dan -, maka batas kritis ada pada 5 dibagai dua atau 2,5. Pada tabel z, perhitungan satu sisi
atau 50, maka batas kritis ada pada luas kurva 50-2,5 atau 47,5. Pada tabel z, untuk luas kurva 47,5 didapat nilai kritis 1,96.
Dari lampiran 9 halaman 117. Uji normalitas nilai X
1
yang sudah distandarisasikan zX
1
, bila dikonsultasikan dengan nilai z tabel yaitu sebesar 1,96. Ada 1 nilai outlier yang melebihi nilai z tabel yaitu responden 2 dengan
nilai z sebesar -2,02863 1,96. Kemudian diprosentasekan sebesar 3,33.
Jadi 3,33 5 taraf signifikansi yang diambil, yang berarti data motivasi belajar mengikuti distribusi normal.
b. Uji Normalitas Data Variabel Disiplin Sekolah X
2
Dari hasil analisis SPSS versi 10 pada lampiran 9 halaman 116. Jika data berdistribusi normal dan tingkat kepercayaan 95, maka tingkat signifikansi
adalah 100 - 95 atau 5. Jika memakai dua sisi ada tanda + dan -, maka batas kritis ada pada 5 dibagai dua atau 2,5. Pada tabel z, perhitungan satu sisi
atau 50, maka batas kritis ada pada luas kurva 50-2,5 atau 47,5. Pada tabel z, untuk luas kurva 47,5 didapat nilai kritis 1,96.
Dari lampiran 9 halaman 117. Uji normalitas nilai X
2
yang sudah distandarisasikan zX
1
, bila dikonsultasikan dengan nilai z tabel yaitu sebesar 1,96. Ada 1 nilai outlier yang melebihi nilai z tabel yaitu responden 2 dengan
nilai z sebesar 2,26445 1,96. Kemudian diprosentasekan sebesar 3,33.
Jadi 3,33 5 taraf signifikansi yang diambil, yang berarti data disiplin sekolah mengikuti distribusi normal.
c. Uji Normalitas Data Variabel Prestasi Belajar Y Dari hasil analisis SPSS versi 10 pada lampiran 9 halaman 116. Jika data
berdistribusi normal dan tingkat kepercayaan 95, maka tingkat signifikansi adalah 100 - 95 atau 5. Jika memakai dua sisi ada tanda + dan -, maka
batas kritis ada pada 5 dibagai dua atau 2,5. Pada tabel z, perhitungan satu sisi atau 50, maka batas kritis ada pada luas kurva 50-2,5 atau 47,5. Pada
tabel z, untuk luas kurva 47,5 didapat nilai kritis 1,96. Dari lampiran 9 halaman 117. Uji normalitas nilai X
1
yang sudah distandarisasikan zX
1
, bila dikonsultasikan dengan nilai z tabel yaitu sebesar
1,96 hanya ada 1 nilai outlier yaitu reponden 14 dengan nilai z sebesar -2,71045 1,96. Kemudian diprosentasekan sebesar 3,33.
Jadi 3,33 5 taraf signifikansi yang diambil, yang berarti data prestasi belajar mengikuti distribusi normal.
2.Uji Independent Uji independent antara variabel motivasi belajar X
1
dengan variabel disiplin sekolah X
2
. Dari hasil analisis uji t yang dilakukan dengan program bantu SPSS
dihasilkan nilai koefisien korelasi antara variabel motivasi belajar dan disiplin sekolah sebesar 0,491 dan nilai t test sebesar -1,722 dengan nilai probabilitas
sebesar 0,096 dan berdasarakan nilai probabilitas kriteria uji: Jika probabilitas 0,05, maka Ho diterima.
Jika probabilitas 0,05, maka Ho ditolak. Karena probabilitas hitung sebesar 0,096 0,05 maka Ho diterima yang
berarti antara variabel motivasi belajar dan disiplin sekolah berbeda secara nyata. Perhitungan selanjutnya dapat dilihat pada lampiran 9 halaman .
3.Uji Linearitas dan Uji Keberartian Regresi a. Uji Linearitas dan Keberartian Variabel Motivasi Belajar X
1
terhadap Prestasi Belajar Y
Untuk mengetahui keberartian garis regresi dilakukan dengan uji F yang terangkum dalam rangkuman analisis varian dibawah ini:
Tabel 5. Analisis Variansi Motivasi Belajar dengan Prestasi Belajar. Model
Rata-rata jumlah
kuadrat Derajad
kebebasan Rata-rata
kuadrat F
Signifikansi
Regresi Residual
Total 1,986
2,733 4,719
1 28
29 1,986
9,761 20,342
0,000
Dari uji Anava atau F test, didapat F hitung adalah 20,342 dengan tingkat signifikansi 0.000. Oleh karena probabilitas 0.000 0,05 maka model regresi
dapat digunakan. Untuk lebih jelasnya pengujian keberartian model dapat dilihat pada
scatter diagram dibawah ini:
Diagram Pencar Variabel Terikat: Prestasi Belajar
Standar Prediksi Nilai Regresi
2 1
-1 -2
-3
S ta
n d
a r
K e
la y
a k
a n
M o
d e
l R
e g
re s
i R
e s
id u
3 2
1
-1 -2
-3
Gambar 5. Scatter Diagram Kelayakan Model Regresi Model Fit Y atas X
1
Apabila model regresi layak dipakai untuk prediksi fit, maka data akan berpencar disekitar nol dan tidak membentuk suatu pola atau trend garis tertentu,
dari digram diatas terlihat sebaran data ada disekitar titik nol, serta tidak tampak adanya suatu pola tertentu pada sebaran data tersebut. Maka dapat dikatakan
model regresi memenuhi syarat untuk memprediksi motivasi belajar. Kelinieran dan koefisien regresi terangkum dalam tabel analisis koefisien
regresi dibawah ini:
Tabel 6. Koefisien Regresi dan Linearitas Motivasi Belajar terhadap Prestasi Belajar
Koefisien yang tidak distandarisasikan
Koefisien yang
distandarisasikan Model
B Standar
Kesalahan Beta
T Signifikansi
Konstanta Motivasi
Belajar 5,038
3,368 0,530
0,011 0,511
9,514 3,148
0,000 0,004
Tabel diatas menggambarkan persamaan regresi: Y= 4,788+4,042 X
1
Keterangan: Y : Prestasi belajar
X : Motivasi belajar Konstanta sebesar 4,788 menyatakan bahwa jika tanpa adanya motivasi
belajar, maka prestasi belajar adalah 4,788 satuan motivasi belajar, yang berarti prestasi belajar sangat rendah.
Koefisien regresi sebesar 4,042 menyatakan bahwa setiap penambahan satu satuan motivasi belajar akan menimbulkan prestasi belajar sebesar 4,042
satuan prestasi belajar. Uji koefisien kelinearan regresi dilakukan dengan menggunakan uji t, dari
tabel diatas didapatkan nilai t sebesar 4,510 dengan probabilitas 0,000. Ini berarti probabilitas 0,05, maka Ho diterima yang berarti model regresi adalah linier.
Untuk lebih jelasnya kelinearan regresi dapat dilihat dalam scatter diagram dibawah ini:
Diagram Pencar Variabel Terikat: Prestasi Belajar
Prestasi Belajar
7.5 7.0
6.5 6.0
5.5
S ta
n d
a r
P re
d ik
s i
N ila
i R
e g
re s
i
2 1
-1 -2
-3
Gambar 6. Scatter Diagram Persyaratan Model Fit Y atas X
1
Jika model memenuhi syarat maka sebaran data akan berada mulai dari kiri lurus naik kekanan atas. Sebaran data diatas menunjukkan arah yang
disyaratkan, maka model regresi sudah layak digunakan. Perhitungan selanjutnya dapat dilihat pada lampiran 9 halaman .
b. Uji Linearitas dan Keberartian Variabel Disiplin Sekolah X
2
terhadap Prestasi Belajar Y
Untuk mengetahui keberartian garis regresi dilakukan dengan uji F yang terangkum dalam rangkuman analisis varian dibawah ini:
Tabel 7. Analisis Variansi Disiplin Sekolah terhadap Prestasi Belajar. Model
Rata-rata jumlah
kuadrat Derajad
kebebasan Rata-rata
kuadrat F
Signifikansi
Regresi Residual
Total 1,234
3,485 4,719
1 28
29 1,234
0,124 9,911
0,000
Dari uji Anava atau F test, didapat F hitung adalah 9,911 dengan tingkat signifikansi 0.000. Oleh karena probabilitas 0.000 0,05 maka model regresi
dapat digunakan. Untuk lebih jelasnya pengujian keberartian model dapat dilihat pada
scatter digram dibawah ini:
Diagram Pencar Variabel Terikat: Prestasi Belajar
Standar Prediksi Nilai Regresi
3 2
1 -1
-2
S ta
n d
a r
K e
la y
a k
a n
M o
d e
l R
e g
re s
i R
e s
id u
2 1
-1 -2
-3
Gambar 7. Scatter Diagram Kelayakan Model Regresi Model Fit Y atas X
2
Apabila model regresi layak dipakai untuk prediksi fit, maka data akan berpencar disekitar nol dan tidak membentuk suatu pola atau trend garis tertentu,
dari digram diatas terlihat sebaran data ada disekitar titik nol, serta tidak tampak adanya suatu pola tertentu pada sebaran data tersebut. Maka dapat dikatakan
model regresi memenuhi syarat untuk memprediksi disiplin sekolah. Kelinearan dan koefisien regresi terangkum dalam tabel analisis koefisien
regresi dibawah ini:
Tabel 8. Koefisien Regresi dan Linearitas Disiplin Sekolah terhadap Prestasi Belajar.
Koefisien yang tidak distandarisasikan
Koefisien yang
distandarisasikan Model
B Standar
Kesalahan Beta
T Signifikansi
Konstanta Disiplin
Sekolah 5,038
3,368 0,530
0,011 0,511
9,514 3,148
0,000 0,004
Tabel diatas menggambarkan persamaan regresi: Y= 5,038+3,368 X
2
Keterangan: Y : Prestasi belajar
X : Disiplin sekolah Konstanta sebesar 5,038 menyatakan bahwa jika tanpa adanya disiplin
sekolah, maka prestasi belajar adalah 5,038 satuan disiplin sekolah, yang berarti prestasi belajar sangat rendah sekali.
Koefisien regresi sebesar 3,368 menyatakan bahwa setiap penambahan satu satuan disiplin sekolah akan menimbulkan prestasi belajar sebesar 3,368
satuan prestasi belajar. Uji koefisien kelinearan regresi dilakukan dengan menggunakan uji t, dari
tabel diatas didapatkan nilai t sebesar 3,148 dengan probabilitas 0,004. Ini berarti probabilitas 0,05, maka Ho diterima yang berarti model regresi adalah linier.
Untuk lebih jelasnya kelinearan regresi dapat dilihat dalam scatter diagram dibawah ini:
Diagram Pencar Variabel Terikat: Prestasi Belajar
Prestasi Belajar
7.5 7.0
6.5 6.0
5.5
S ta
n d
a r
P re
d ik
s i
N ia
li R
e g
re s
i
3 2
1
-1 -2
Gambar 8. Scatter Diagram Persyaratan Model Fit Y atas X
2
Jika model memenuhi syarat maka sebaran data akan berada mulai dari kiri lurus naik kekanan atas. Sebaran data diatas menunjukkan arah yang
disyaratkan, maka model regresi sudah layak digunakan. Perhitungan selanjutnya dapat dilihat pada lampiran 9 halaman 123.
C. Pengujian Hipotesis
