Tabel 4.9 menjelaskan data statistik frekuensi tiga faktor pendukung yang terdiri dari :
1. N menunjukkan jumlah data yang diproses yaitu 1254 buah 2. Mean menunjukkan rata-rata dari 1254 responden
3. Median menunjukkan titik tengah data yaitu jika data diurutkan dan dibagi dua sama besar.
4. Standard deviasi adalah menunjukkan dispersi rata-rata dari sampel. 5. Ukuran skewness adalah Rasio skewness adalah nilai skewness dibagi
dengan standard error skewness. Jika rasio skewness berada diantara nilai -2.00 sampai dengan 2.00 maka distribusi data adalah normal.
6. Nilai kurtosis adalah -1.170. Sama seperti skewness, maka rasio kurtosis
adalah nilai kurtosis dibagi dengan standard errornya
4.2.4 Signifikan dan Multicollinearity
4.2.4.1 Signifikan
Dalam penelitian ini, penulis telah menguji hubungan antara lima prediktor variabel model aturan untuk predikat lanjut dengan menggunakan
metode analisis regresi berganda dengan model fit untuk mengetahui variabel manakah yang paling memberikan kontribusi. Hasil yang diperoleh menunjukkan
bahwa ada tiga dari lima variabel tersebut di atas memiliki korelasi yang sangat signifikan terhadap model aturan untuk predikat lanjut kepercayaan diri,
dukungan orang tua, minat belajar. Semua-prediktor tiga variabel di atas memberikan kontribusi 82,8 dalam membuat model aturan untuk predikat
lanjut, seperti terlihat pada Tabel 4.10
Tabel 4.10 Korelasi Signifikan dari Tiga Prediktor Variabel Predikat
Universitas Sumatera Utara
Dari Tabel 4.10 kita dapat melihat bahwa variabel terbaik dari prediktor kepercayaan diri lihat pada R square ubah memberikan kontribusi 79,8.
Kelima variabel memberikan kontribusi yang signifikan R
2
Tabel 4.11 Signifikan dari Tiga Variabel Prediktor Predikat = 0,828. Dengan
demikian, kita dapat menyimpulkan bahwa tiga variabel tersebut di atas adalah sangat dipercaya untuk digunakan sebagai penaksir model aturan untuk predikat
lanjut, seperti yang terdapat pada Tabel 4.11
4.2.4.2 Multicollinearity
Karena prediksi beberapa variabel yang digunakan dalam penelitian ini, penting untuk mengidentifikasi Multicollinearity apapun. Multicollinearity adalah
Model Summary
d
Model
R R
Square Adjust
ed R Square
Std. Error of
the Estimate
Change Statistics
Durbin- Watson
R Squ
are Cha
nge F Change df1
df2 Sig. F
Chang e
1 ,894
a
,798 ,798
,365 ,798 2899,058
1 732
,000 2
,908
b
,825 ,824
,341 ,026 108,706
1 731
,000 3
,910
c
,828 ,827
,338 ,003 13,996
1 730
,000 1,882
a. Predictors: Constant, KEPERCAYAAN DIRI b. Predictors: Constant, KEPERCAYAAN DIRI, DUKUNGAN ORANGTUA
c. Predictors: Constant, KEPERCAYAAN DIRI, DUKUNGAN ORANGTUA, MINAT BELAJAR d. Dependent Variable: PREDIKAT
Model Summary
b
Model
R R
Square Adjuste
d R Square
Std. Error
of the Estim
ate Change Statistics
Durbin- Watson
R Square
Change F Change df1 df2
Sig. F Chang
e 1
,910
a
,828 ,827
,338 ,828
1169,793 3
730 ,000
1,882
a. Predictors: Constant, KEPERCAYAAN DIRI, DUKUNGAN ORANGTUA, MINAT BELAJAR b. Dependent Variable: PREDIKAT
Universitas Sumatera Utara
masalah umum dalam analisis korelasi banyak. Hal ini terjadi ketika variabel yang berlebihan dan dapat mengganggu penafsiran yang tepat dari hasil regresi
berganda. Cara sederhana untuk mengidentifikasi collinearity adalah toleransi dan VIF Varian Inflation Factor. Toleransi adalah jumlah variabilitas variabel
independen yang dipilih. Toleransi nilai mendekati 0.00 menunjukkan variabel sangat collinear dengan variabel prediktor lainnya. Faktor inflasi varian
berbanding terbalik dengan nilai toleransi. Sebuah nilai VIF yang besar, biasanya ambang 10,0 menunjukkan tingkat tinggi collinearity atau
multicollinearity antar variabel independen, seperti pada Tabel 4.12
Tabel 4.12 Multicollinearity Diagnostik
Model Beta
In T
Sig. Partial
Correlation Collinearity Statistics
Tolerance VIF
Minimum Tolerance
KEPER DIRI ORANGTUA
,726 10,426
a
,000 ,360
,049 20,223
,049 ,725
10,830
a
,000 ,372
,053 18,844
,053 MINAT
BELAJAR ,461
3,741
b
,000 ,137
,016 64,368
,014
Pada Tabel 4.12 tabel nilai toleransi terkecil bagi langkah model fit adalah 0,14 dan memiliki nilai VIF melebihi 10.0, sehingga tidak ada multicollinearity
yang signifikan dalam penelitian ini. Hal ini memastikan bahwa hasil percobaan data tidak bias.
4.2.5 Hasil Percobaan Decision Tree
