Uji Asumsi Klasik Analisis Data

commit to user 70 Product and Service Solution SPSS versi 16.0. Menurut Priyatno 2009 dua variabel dikatakan mempunyai hubungan yang linier bila signifikansi pada kolom linierity kurang dari 0,05. Uji linieritas hubungan antara motivasi berprestasi dengan prestasi belajar diperoleh Sig. pada kolom Linierity sebesar 0,00 0,000,05, sedangkan uji linieritas hubungan antara kecerdasan emosi dengan prestasi belajar diperoleh Sig. pada kolom Linierity sebesar 0,00 0,00 0,05. Untuk lebih jelasnya dapat dilihat pada tabel 11 di bawah ini. Tabel 11 Uji Linieritas Variabel Sig. pada kolom Linierity Keterangan Motivasi berprestasi dengan prestasi belajar 0,00 0,00 0,05 linier Kecerdasan Emosi dengan prestasi belajar 0,00 0,000 0,05 linier Berdasarkan tabel di atas diketahui bahwa hubungan antara masing-masing variabel bebas dengan variabel tergantung bersifat linier. Hasil uji linieritas selengkapnya dapat dilihat pada lampiran.

2. Uji Asumsi Klasik

a. Uji Multikolinearitas Uji multikolineritas diperlukan untuk mengetahui variabel independent yang memiliki kemiripan dengan variabel independent lain dalam satu model, dalam analisis regresi dua prediktor, model harus terbebas dari multikolineritas. Deteksi multikolineritas dapat dilihat dari nilai Variance Inflation Factor VIF commit to user 71 tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1, maka dinyatakan bahwa model terebas dari multikolineritas. Hasil uji Variance Inflation Factor VIF dan Tolerance pada hasil output SPSS tabel coefficients, tiap-tiap variabel memiliki VIF sebesar 1,327 diartikan bahwa 1,327 10 dan nilai Tolerance sebesar 0,753 diartikan bahwa 0,753 0,1. Berdasarkan hasil uji multikolineritas tersebut maka dapat dinyatakan bahwa model regresi ganda terbebas dari multikolineritas dan dapat digunakan dalam penelitian. b. Uji Heteroskedastisitas Uji heteroskedastisitas dilakukan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain atau gambaran hubungan antara nilai yang diprediksi dengan studentized delete residual nilai tersebut Nugroho, 2005. Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat pada pola gambar Scatterplott yang menyatakan bahwa model tersebut tidak terdapat gejala heteroskedastisitas, jika: 1 Titik-titik data menyebar di atas dan di bawah atau di sekitarangka 0. 2 Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. 3 Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. 4 Penyebaran titik-titik data tidak berpola commit to user 72 Hasil analisis pola gambar Scatterplott pada lampiran dapat dilihat bahwa pola gambar tersebut tidak menunjukkan adanya gejala heteroskedastisitas sehingga model dalam penelitian ini terbebas dari heteroskedastisitas. c. Uji Autokorelasi Uji autokorelasi digunakan untuk mendeteksi bahwa variabel dependen tidak berkorelasi dengan dirinya sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Untuk menguji adanya autokorelasi dalam penelitian ini digunakan uji DW Durbin-Watson. Model regresi linier berganda terbebas dari autokorelasi jika nilai Durbin-Watson hitung terletak di daerah No Autocorelation atau nilai hitung Durbin-Watson mendekati angka 2. Hasil analisis menunjukkan nilai Durbin-Watson sebesar 1,808 dan hasil tersebut disimpulkan bahwa model ini tersebas dari autokorelasi. Untuk lebih jelasnya dapat dilihat pada gambar 2 berikut ini: negatif No autocorelation positif autocorelation autocorelation dl du 2 4-du 4-dl 1,57 1,68 2,32 2,43 1,808 nilai hitung Durbin Watson Gambar 2. Pengujian autokorelasi commit to user 73 Penentuan nilai du dan dl seperti terlihat pada gambar di atas berdasarkan pada tabel uji durbin Watson dengan k=2 dan N=100 k=jumlah variabel bebas dan N= jumlah sampel maka diperoleh nilai dl=1,57 dan niali du=1,68. Perhitungan selanjutnya 4-du 4-1,68=2,32 dan 4-dl 4-1,57=2,43. Hasil analisis diperoleh nilai Durbin-Watson sebesar 1,808 sehingga terletak di daerah No autocorrelation, jadi model ini terbebas dari autokorelasi

3. Mean Empirik ME dan Mean Hipotetik MH