3.4.2.1 Uji Normalitas Data
Asumsi normalitas merupakan prasyarat kebanyakan prosedur statistik inferial. Ada beberapa cara untuk mengeksplorasi asumsi normalitas antara lain
yaitu uji normalitas Shaviro – Wilk dan uji normalitas Lilliefors Kolmogorov- Smirnov yang terdapat dalam prosedur SPSS versi 12 Uyanto, 2006 : 35.
Menurut Sekestiyarno 2006 : 12, variabel yang diuji normalitasnya adalah variabel terikat
dependent dalam hal ini hasil belajar. Sedangkan variabel bebas independent tidak perlu diuji karena bukan merupakan fungsi distribusi. Jika
data penelitian itu dalam keadaan normal maka mean, median dan modus data itu
akan memusat satu garis kerja. Persamaan statistik yang digunakan untuk uji normalitas adalah sebagai berikut:
k k
X X
Z s
− =
Uyanto, 2006 : 48. S = Simpangan baku atau standar deviasi
H : Data berasal dari populasi terdistribusi normal
H
1
: Data tidak berasal dari populasi terdistribusi normal.
3.4.2.2 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model pada regresi ditemukan adanya korelasi antar variabel bebas. Menurut Sukestiyarno 2006 : 13
model regresi yang baik seharusnya tidak terjadi korelasi yang tinggi antar variabel bebas. Untuk mendeteksi adanya gejala multikolinearitas dapat dilihat
pada diagram Varian Inflasi Factor VIF. Multikolinearitas terjadi jika nilai VIF
lebih dari 10 dan nilai tolerance di atas 1.
3.4.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara
error satu dengan error yang lainnya. Untuk mendeteksi adanya gejala autokorelasi dengan menggunakan uji Durbin – Watson DW.
Ketentuan jika -2 DW
≤ ≥ 2 maka tidak terjadi autokorelasi.
3.4.2.4 Uji Heterokedastisitas
Menurut Uyanto 2006 : 40, heterokedastisitas muncul apabila error atau
residual dari model yang diamati tidak memiliki varian yang konstan dari satu observasi ke observasi lainnya. Untuk melihat adanya heterokedastisitas dapat
dilihat dari diagram residual terhadap variabel bebas. Jika nilai error membentuk
pola tertentu yang tidak bersifat acak terhadap nol maka dikatakan terjadi heterokedastisitas. Sedangkan persamaan regresi linier ganda adalah sebagai
berikut: Y = a + bX
1
+ cX
2
…….. b =
2 2
n Xi Yi
Xi Yi
n Xi
Xi ∑
− ∑ ∑
∑ − ∑
Arikunto, 2006 : 275 Hiptesis yang diajukan yaitu :
Ho : β = 0 dimana β
a b
c ⎧
⎫ ⎪
⎪ ⎨
⎬ ⎪
⎪ ⎩
⎭
,persamaan regresi adalah tidak linier
H
1
: β ≠ 0 persamaan regresi adalah linier
3.5 Waktu dan Kegiatan Penelitian