Hasil uji Persyaratan Analisis Uji Asumsi

84

4.4 Hasil uji Persyaratan Analisis Uji Asumsi

4.4.1 Uji Normalitas

Pengujian normalitas pada penelitian ini dilakukan dengan analisa grafik histogram, grafik normal p-p plot of regression standardized residual, dan uji one sample Kolmogorow Smirnow. Pada analisa grafik, normalitas dideteksi dengan melihat penyebaran data titik pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Adapun dasar pengambilan keputusan adalah sebagai berikut:  Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.  Jika data menyebar jauh garis diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas Ghozali, 2009. 85 Gambar 4.1 Histogram Tampilan histogram Gambar 4.1 di atas memperlihatkan bahwa terdapat pola distribusi normal sebab gambar histogram memperlihatkan grafik yang mengikuti sebaran kurva normal, berbentuk loncengbell shapped curve yang tidak melenceng ke kiri atau ke kanan. 86 Gambar 4.2 Berdasarkan Gambar 4.2 terlibat bahwa sebaran data berupa titik berada di atas garis diagonal dan penyebarannya mengikuti arah garis diagonal tersebut, sehingga asumsi normalitas terpenuhi. Uji normalitas data dapat dilakukan secara statistik dengan menggunakan uji Kolmogorow-Smirnow. Data dikatakan terdistribusi secara normal, bila nilai signifikansi pada ouput Kolmogorow-Smirnow di atas nilai alpha p0,05. Adapun hasil uji normalitas data dengan menggunakan Kolmogorow-Smirnow ditunjukkan dengan Tabel 4.6 87 Tabel 4.6 Uji Kolmogorow-Smirnow Contoh Tunggal Residual yang tak terbakukan N 78 Parameter Normal a Rerata 0,0000000 SD 8,15542036 Perbedaan Paling Ekstrim Absolut 0,086 Positif 0,086 Negatif -0,069 Kolmogorov-Smirnov Z 0,756 Asymp. Sig. 2-tailed 0,617 Dari Tabel di atas terlihat bahwa nilai residual hasil uji regresi memiliki koefisien Kolmogorow Smirnow sebesar 0,756 dengan nilai signifikansi Asymp.Sig 2-tailed sebesar 0,617. Oleh karena nilai signifikansi lebih dari 0,005 0,617 0,05 maka dapat disimpulkan data nilai residual terdistribusi normal. Secara keseluruhan, dengan menggunakan metode histogram, grafik normal p-p plot of regression standardized residual, dan uji kolmogorov-smirnov contoh tunggal dapat dinyatakan bahwa data penelitian ini memenuhi asumsi normalitas dan model regresi ini layak untuk digunakan.

4.4.2 Uji Heteroskedastisitas

Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians residual dari suatu pengamatan ke pengamatan yang lain. Heteroskedastisitas bertentangan dengan salah satu asumsi dasar regresi linear, yaitu bahwa variasi variabel sama untuk semua 88 pengamatan atau disebut homokedastisitas. Model regresi yang baik yaitu homoskedastisitas atau tidak terjadi heteroskedastisitas Santoso, 2000. Pengujian asumsi ini dilakukan dengan analisis grafik Diagram Pencar dengan kinerja sebagai variabel dependennya. Dasar pengambilan keputusan adalah jika titik-titik pada output tersebut membentuk suatu pola tertentu yang teratur maka terjadi heterokedastisitas. Bentuk grafik diagram pencar yang dihasilkan dapat dilihat sebagai berikut: Gambar 4.3 Scatterplot Gambar 4.3 Scatterplot Gambar 4.3 Diagram Pencar Gambar Diagram Pencar di atas memperlihatkan titik-titik menyebar secara acak dan tidak membentuk pola-pola tertentu yang jelas, serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Hal ini menunjukkan bahwa tidak terjadi heteroskedastisitas, sehingga model regresi dapat dipakai untuk memprediksi variabel motivasi berprestasi berdasarkan dukungan sosial orangtua dan kepercayaan diri. 89

4.4.3 Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk menguji ada tidaknya hubungan linear secara sempurna atau mendekati sempurna antara variabel bebas independen dalam model regresi. Asumsi klasik yang digunakan pada model regresi berganda adalah bahwa tidak adanya masalah multikolinearitas dalam hal ini tidak terjadi korelasi antar variabel independen. Pedoman yang digunakan dalam pengujian ini adalah nilai Toleransi dan VIF Variance Inflation Factor. Multikolinearitas terjadi apabila nilai tolerance ≤ 0.10 dan VIF ≥10 Ghozali, 2009. Tabel 4.7 Hasil Uji Multikolinearitas Koefisien a Model Statistik Kolinearitas 1 Konstanta Dukungan Kepercayaan Toleransi VIF 0,759 0,759 1,317 1,317 Peubah Gayut: Motivasi Berprestasi Dari Tabel 4.7 terlihat bahwa nilai toleransi dari kedua peubah tak gayut lebih besar dari 0.10 dan nilai VIF lebih kecil dari 10. Oleh karena itu dapat disimpulkan bahwa tidak terjadi masalah multikolinearitas pada variabel yang digunakan. Selain melihat nilai toleransi dan VIF, matriks korelasi antar variabel independen zero order correlation matrix juga dapat digunakan untuk melihat ada tidaknya multikolinearitas dalam model regresi, jika antar variabel bebas independen ada 90 korelasi yang tinggi umumnya di atas 0,90 maka hal ini merupakan indikasi adanya multikolinearitas Ghozali, 2009. Hasil uji zero order correlation matrix dapat dilihat di bawah ini: Tabel 4.8 Hasil Uji Zero Order Correlation Matrix Correlations MB DSOT KD Motivasi Korelasi Parsial 1 .543 .629 Sig. 2-tailed .000 .000 N 78 78 78 Dukungan Korelasi Parsial .543 1 .491 Sig. 2-tailed .000 .000 N 78 78 78 Kepercayaan Korelasi Parsial .629 .491 1 Sig. 2-tailed .000 .000 N 78 78 78 . Korelasi bermakna pada tingkat kenyataan 0.01 2-ekor. Keterangan: MB=Motivasi Berprestasi; DSOT=Dukungan Sosial Orangtua; KD=Kepercayaan Diri. Keterangan ini juga berlaku untuk tabel 4.9 dan 4.10 Tabel 4.8 di atas menunjukkan bahwa besaran koefisien korelasi antar variabel dukungan sosial orangtua dan kepercayaan diri berada di bawah 0,90 yaitu, 0,543. Berpijak dari kedua model uji multikolinearitas di atas, dapat diambil kesimpulan bahwa model regresi dalam penelitian ini tidak terjadi multikolinearitas.

1.4.1 Uji Linearitas

Uji linearitas dilakukan untuk mengetahui linearitas hubungan antara variabel bebas dengan variabel terikat dan untuk mengetahui signifikansi penyimpangan dari linearitas hubungan 91 tersebut. Hasil uji linearitas terhadap variabel dukungan sosial orangtua, kepercayan diri dan motivasi berprestasi dinyatakan pada Tabel 4.9. Tabel 4.9 Hasil uji Linearitas Dukungan Sosial Orangtua dengan Motivasi Berprestasi Tabel DASIRA DAftar Sidik Ragam db JK KT F Sig. MB DSOT Antar Kelompok Gabungan 35 5394,462 154,127 1,529 0,094 Linieritas 1 2835,810 2835,810 28,125 0,000 Simpangan dari Linieritas 34 2558,652 75,254 0,746 0,809 Dalam Kelompok 42 4234,833 100,829 Total 77 9629,295 Keterangan: JK=Jumlah Kuadrat Sum of Square, db=derajat bebas, KT= Kuadrat Tengah Mean Square. Keterangan ini juga berlakuk untuk Tabel 4.10 dan 4.11 Dari tabel 4.9 terlihat bahwa nilai F sebesar 28,125 dengan signifikansi 0,000 p0,05, dengan nilai F-beda sebesar 0,746 dengan p0,05 p:0,809 yang berarti dukungan sosial orangtua dengan motivasi berprestasi terdapat hubungan yang linear. Tabel 4.10 Hasil Uji Linearitas Kepercayan diri dengan Motivasi Berprestasi Tabel DASIRA DAftar Sidik Ragam db JK KT F Sig. MB KD Antar Kelompok Gabungan 42 7364,378 175,342 2,710 0,002 Linieritas 1 3814,798 3814,798 58,950 0,000 Gabungan 41 3549,580 86,575 1,338 0,19 Dalam Kelompok 35 2264,917 64,712 Total 77 9629,295 92 Tabel 4.10 terlihat bahwa nilai F sebesar 58,950 dengn signifikansi 0,000 0,05 dan nilai F-beda sebesar 1,338 dengan p0,05 p:0,19, yang berarti kepercayaan diri dengan motivasi berprestasi terdapat hubungan yang linear. Secara keseluruhan hasil uji asumsi klasik menunjukkan bahwa model regresi dapat digunakan untuk menguji hipotesis penelitian karena memenuhi beberapa persyaratan analisis yaitu data terdistribusi secara normal, tidak terjadi heteroskedastisitas, seluruh variabel independen tidak terdapat problem multikolinearitas, dan adanya hubungan linear antara variabel independen terhadap variabel dependen.

4.5 Uji Hipotesis