Berdasarkan tabel 4.16 dapat menunjukkan bahwa secara keseluruhan prestasi belajar siswa dalam kriteria tuntas yaitu mendapat nilai diatas 78,
sebanyak 57 siswa dengan persentase 70,37 dalam kriteria tuntas dan sisanya sebanyak 24 siswa dengan persentase 29,63 dalam kriteria tidak tuntas.
4.1.2 Uji Asumsi Klasik
4.1.2.1 Uji Multikolinearitas
Syarat berlakunya model regresi berganda adalah antar variabel bebasnya tidak mengandung multikolinearitas. Pengujian multikolinearitas dapat dilihat dari
nilai Variance Inflation Factor VIF dengan nilai tolerance melalui SPSS for windows release 16.
Tabel 4.18 Rangkuman Nilai Tolerance dan VIF
Variabel Collinearity Statistics
Tolerance VIF
Fasilitas Pembelajaran 0,807
1,239 Iklim Kelas
0,807 1,239
Sumber: Data Primer Diolah, 2011 Berdasarkan tabel di atas dapat dilihat bahwa tidak ada satu variabel bebas
yang memiliki nilai VIF lebih dari 10 dan nilai tolerance tiap variabel pun lebih besar dari 0,1 sehingga dapat diartikan bahwa model regresi yang terbentuk tidak
mengandung multikolinearitas.
4.1.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas
bertujuan untuk
menguji apakah
terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain.
“Model regresi yang baik adalah model yang tidak mengandung heteroskedastisitas
” Ghozali, 2005:105. Untuk mengetahui gejala heteroskedastisitas dilakukan dengan mengamati grafik scatterplot.
Model regresi yang bebas dari heteroskedastisitas memiliki grafik scatterplot dengan pola titik-titik menyebar.
Gambar 4.1 Uji Heteroskedastisitas 4.1.2.3
Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas mempunyai distribusi normal atau tidak,
dengan mengamati grafik normal P-P plot yang diolah dengan bantuan SPSS for windows release 16 yang membandingkan distribusi komulatif dari distribusi
normal. Distribusi normal akan membentuk garis lurus diagonal dan ploting data r
esidual akan dibandingkan dengan garis diagonal. “Jika data residual normal maka garis yang menggambarkan data sesungguhnya menyebar disekitar garis
diagonalnya, maka model regresi memenuhi asumsi normalitas” Ghozali, 2005:110. Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran
data titik pada sumbu diagonal dari grafik atau dengan melihat histrogram dari
residualnya. Apabila titik-titik pada grafik normal P-P plot mendekati garis diagonal maka dapat disimpulkan bahwa data berdistribusi normal.
Gambar 4.2 Hasil Uji Normalitas 4.1.3
Analisis Regresi Linier Berganda
Berdasarkan perhitungan analisis regresi linier yang diolah dengan SPSS for windows release 16 diperoleh persamaan regresi linier sebagai berikut:
Y = 61,069 + 0,125X
1
+ 0,199X
2
Keterangan: Y
= Prestasi belajar 61,069
= Konstanta X
1
= Kreativitas belajar X
2
= Lingkungan
Tabel 4.19 Hasil Analisis Regresi Linier Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Correlations
Collinearity Statistics B
Std. Error Beta
Zero-order Partial Part
Tolerance VIF
1 Constant
61.069 2.777
21.988 .000
X1 .125
.032 .411
3.937 .000
.517 .407
.369 .807
1.239 X2
.199 .071
.240 2.303
.024 .421
.252 .216
.807 1.239
a. Dependent Variable: Y
Berdasarkan persamaan regresi tersebut dapat diartikan bahwa: 1. Jika semua variabel bebas dianggap konstan, maka nilai prestasi belajar siswa
kelas XI program keahlian administrasi perkantoran di SMK PGRI 1 Mejobo Kudus tahun ajaran 20102011 adalah sebesar 61,069 satu satuan.
2. Koefisien regresi variabel X
1
sebesar 0,125 menunjukkan bahwa setiap peningkatan satu satuan variabel kreativitas belajar, sedangkan variabel
lingkungan dianggap konstan, maka akan menyebabkan peningkatan prestasi belajar sebesar 0,125 satu satuan.
3. Koefisien regresi variabel X
2
sebesar 0,199 menunjukkan bahwa setiap peningkatan satu satuan variabel lingkungan, sedangkan variabel kreativitas
belajar dianggap konstan, maka akan menyebabkan peningkatan prestasi belajar sebesar 0,199 satu satuan.
4.1.4 Uji Hipotesis
