Test of Homogeneity of Variances
Produktivitas kerja pegawai
Levene
Statistic df1 df2 Sig.
1.978 2 42 .151
Produktivitas kerja pegawai ANOVA
Sum of df Mean Square F Sig.
Squares 2 152.467 2.396 .103
Between Groups 304.933 42 63.644
Within Groups 2673.067 44
Total 2978.000
Post Hoc Tests
Multiple Comparisons
Produktivitas kerja pegawai
Scheffe
95% Confidence Interval
Mean
(I) shift (J) shift Difference (I-J) Std. Error Sig. Lower Bound Upper Bound
shift 1 shift 2 -4.733 2.913 .278 -12.13 2.66
shift 3 -6.067 2.913 .127 -13.46 1.33
shift 2 shift 1 4.733 2.913 .278 -2.66 12.13
shift 3 -1.333 2.913 .901 -8.73 6.06
shift 3 shift 1 6.067 2.913 .127 -1.33 13.46
shift 2 1.333 2.913 .901 -6.06 8.73
Homogeneous Subsets
Produktivitas kerja pegawai
Scheffea
Subset for
alpha = 0.05
shift N 1
shift 1 15 38.07
shift 2 15 42.80
shift 3 15 44.13
Sig. .127
Means for groups in homogeneous
subsets are displayed.
49
Produktivitas kerja pegawai
Scheffea
Subset for
alpha = 0.05
shift N 1
shift 1 15 38.07
shift 2 15 42.80
shift 3 15 44.13
Sig. .127
Means for groups in homogeneous
subsets are displayed.
a. Uses Harmonic Mean Sample
Size = 15.000.
Penjelasan untuk output di atas adalah sebagai berikut.
1. Pada tabel Test of Homogeneity of Variances
diketahui p = sig. = 0,151 H0 tidak ditolak
Artinya homogenitas variansi dipenuhi.
2. Pada tabel ANOVA
uji perbedaan rata-rata dilakukan dengan prosedur sebagai berikut
H0 : 1 = 2 = 3 (Tidak ada perbedaan rata-rata produktivitas karyawan
dari ketiga shift)
H1 : Paling tidak ada rata-rata yang berbeda (Ada perbedaan rata-rata
produktivitas karyawan dari ketiga shift)
: 5%
Statistik uji :
p = sig. = 0,103
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan :
karena p = 0,103 > = 0,05 maka H0 diterima
Kesimpulan : Tidak ada perbedaan rata-rata produktivitas karyawan dari
ketiga shift.
3. Pada tabel Post Hoc Test (Multiple Comparisons)
Post Hoct sebenarnya tidak perlu dilakukan jika H0 diterima. Karena pada
dasarnya post hoc ditujukan untuk mengetahui shift mana yang memberikan
produktivitas yang berbeda dengan lainnya.
Jika H0 diterima dan uji ini tetap dilakukan maka hasilnya akan tetap sama.
Artinya tidak ada satu pun rata-rata yang berbeda
Tabel 4.4 Uji lanjut Post Hoc
Shift Hipotesis p (sig.) Ket. Keputusan H0 Kesimpulan
1 - 2 1 - 2 0,278 > 0,05 diterima tidak ada perbedaan
50
1 - 3 1 - 3 0,127 > 0,05 diterima tidak ada perbedaan
2 - 3 2 - 3 0,901 > 0,05 diterima tidak ada perbedaan
4. Pada tabel Homogeneous Subsets
Tabel ini digunakan untuk mencari grup mana yang mempunyai perbedaan
rata-rata secara signifikan. Tabel ini dapat dikatakan sebagai
kesimpulan/ringkasan dari tabel Multiple Comparisons.
Pada tabel Homogeneous Subsets di atas, hanya ada 1 grup dan diketahui p
(sig.) = 0,127 maka H0 tidak ditolak. Artinya tidak ada perbedaan
produktivitas kinerja pegawai dari ketiga shift.
51
ANALISIS UNIVARIAT DAN MULTIVARIAT 5
ANALISIS UNIVARIAT
Analisis univariat digunakan untuk menguji pengaruh beberapa perlakuan
terhadap suatu obyek. Jika ada 2 perlakuan yang diberikan terhadap obyek maka
analisis ini sering disebut dengan anava dua jalan. Dengan kata lain analisis
univariat juga dapat digunakan untuk menguji pengaruh dua/lebih variabel bebas
terhadap satu variabel terikat.
Sebagai contoh (Prianto, 2008), suatu penelitian dilakukan untuk mengetahui
apakah ada perbedaan susutan berat kain dilihat dari jenis kain dan jenis mesin
yang digunakan. Ada 3 jenis yang dikomparasikan yaitu kain sutra, kain katun,
dan kain satin. Selain itu, ada 3 jenis mesin yang digunakan yaitu mesin A, mesin
B, dan mesisn C. Dari penelitian di atas dapat dianalisis hal-hal berikut
Judul Penelitian :
Pengaruh Jenis Kain terhadap Susutan Berat Kain Ditinjau Dari Jenis Mesin
yang Digunakan
Variabel Penelitian :
(1) variabel bebas : jenis kain, jenis mesin
(2) variabel terikat : susutan berat kain
Rumusan masalah :
(1) Apakah ada perbedaan susutan berat kain dilihat dari jenis kain?
(2) Apakah ada perbedaan susutan berat kain dilihat dari jenis mesin?
(3) Apakah ada perbedaan susutan berat kain dilihat dari jenis kain dan
jenis mesin yang digunakan untuk menghasilkan kain tersebut?
Lakukan langkah-langkah berikut
1. Input data sesuai Tabel 5.1 berikut
Tabel 5.1 Data Susutan Berat Kain Berdasarkan Jenis Kain dan Jenis Mesin
Jenis Mesin Sutra Jenis Kain Satin
A 6 Katun 8
B 6 7 8
5 7 8
7
6 7 9
8
52
68 9
78 9
9
6 8
9 10
C 5 9 10
6 10
6
Perhatikan cara input data anava dua jalan berikut
Gambar 5.1 Input data dalam Analisis Univariat
2. Pilih menu Analyze General Linear Model Univariate
53
Gambar 5.2 Menu untuk Analisis Univariat
3. Masukkan dependent variable (terikat) yaitu susutan berat kain dan fixed
factor(s) (veriabel bebas) yaitu jenis kain dan jenis mesin.
Gambar 5.3 Kotak Dialog Univariate
4. Klik Model. Pilih full factorial continue.
Gambar 5.4 Kotak Dialog Univariate: Model
5. Klik Post Hoc. Masukkan faktor Kain dan Mesin ke Post Hoc Test for. Pada
Equal Variances Assumed pilih salah satu misalkan yang sering digunakan
yaitu Scheffe’ continue .
54
Gambar 5.5 Kotak Dialog Univariate: Post Hoc
6. Klik Options, masukkan (OVERALL), Kain, Mesin, Kain*Mesin pada kolom
Display Means for dan tingkat signifikansi 5%. Pada kolom Display pilih
sesuai kebutuhan
7. Klik continue OK
55
8. Tunggu beberapa saat maka akan muncul ouput sebagai berikut
Univariate Analysis of Variance
Between-Subjects Factors
Jenis Kain 1 Value Label N menunjukkan
Jenis Mesin 2 Kain Sutra 10
3 Kain Katun 10 banyaknya data
1 Kain Satin 10 sampel untuk tiap
2 Mesin A 10
3 Mesin B 10 kain dan tiap mesin
Mesin C 10
Descriptive Statistics
Dependent Variable:Susutan Berat Kain
Jenis Kain Jenis Mean Std. Deviation N
Mesin 3
3
Kain Sutra Mesin A 5.67 .577 4
Mesin B 6.33 .577 10
4
Mesin C 5.75 .500 3
3
Kain Katun Total 5.90 .568
Mesin A 7.00 .000 10
Mesin B 8.00 .000 3 menunjukkan rata-
rata, standar deviasi
Mesin C 8.67 .577 4 dan banyaknya data
3 sampel untuk tiap
Total 7.80 .789 10
10 kain pada setiap
Kain Satin Mesin A 8.00 .000 10 mesin
10
Mesin B 9.00 .000 30
Mesin C 10.00 .000
Total Total 9.00 .816
Mesin A 6.90 .994
Mesin B 7.90 1.197
Mesin C 7.90 1.969
Total 7.57 1.478
Levene's Test of Equality of Error Variancesa
Dependent Variable:Susutan Berat Kain menunjukkan uji homogenitas
variansi susutan berat kain.
F df1 df2 Sig. Diketahui p: 0.000 < 0,05 ()
8.533 8 21 Maka variansi tidak homogen
.000
Tests the null hypothesis that the error variance of
the dependent variable is equal across groups.
a. Design: Intercept + Kain + Mesin + Kain *
Mesin
56
Tests of Between-Subjects Effects
Dependent Variable:Susutan Berat Kain
Source Type III Sum df Mean F Sig. Partial Eta
of Squares Square Squared
.000
Corrected Model 60.617a 8 7.577 57.861 .000 .957
Intercept 1702.124 1 1702.124 12998.036 .000 .998
Kain 2 23.942 .000 .946
Mesin 47.884 2 4.063 182.829 .001 .747
Kain * Mesin 8.126 4 1.013 31.028 .596
Error 4.051 21 .131 7.734
2.750
Total 1781.000 30
Corrected Total 63.367 29
a. R Squared = .957 (Adjusted R Squared = .940)
Pada tabel Tests of Between-Subjects Effects
Dengan prosedur uji hipotesis seperti pada materi-materi sebelumnya, dengan
membandingkan nilai sig (p) dengan tingkat signifikansi () diperoleh kesimpulan
(1) p: 0.000 (blok merah) < 0.05 (), maka ada perbedaan rata-rata susunan
berat kain dilihat dari jenis kain
(2) p: 0.000 (blok kuning) < 0.05 (), maka ada perbedaan rata-rata susunan
berat kain dilihat dari jenis mesin yang digunakan untuk memproduksi kain.
(3) p: 0.001 (blok hijau) < 0.05 (), maka ada interaksi jenis kain dan jenis mesin
terhadap susutan berat kain (ada perbedaan rata-rata susutan berat kain
dilihat dari interaksi jenis kain dan jenis mesin).
R sqared = 0,957 jenis kain dan jenis mesin berpengaruh terhadap susutan
berat kain sebesar 95,7% sedangkan 4,3% sisanya dipengaruhi oleh faktor lain.
Estimated Marginal Means menunjukkan data marginal setiap variabel
1. Grand Mean
Dependent Variable:Susutan Berat Kain
95% Confidence Interval
Mean Std. Error Lower Bound Upper Bound
7.602 .067 7.463 7.741
2. Jenis Kain
Dependent Variable:Susutan Berat Kain
Jenis Kain Mean Std. Error 95% Confidence Interval
Lower Bound Upper Bound
57
Kain Sutra 5.917 .115 5.676 6.157
Kain Katun 7.889 .115 7.649 8.129
Kain Satin 9.000 .115 8.760 9.240
3. Jenis Mesin
Dependent Variable:Susutan Berat Kain
Jenis 95% Confidence Interval
Mesin
Mean Std. Error Lower Bound Upper Bound
Mesin A
Mesin B 6.889 .115 6.649 7.129
Mesin C 7.778 .115 7.538 8.018
8.139 .115 7.899 8.379
4. Jenis Kain * Jenis Mesin
Dependent Variable:Susutan Berat Kain
Jenis 95% Confidence Interval
Mesin
Jenis Kain Mesin A Mean Std. Error Lower Bound Upper Bound
Kain Sutra Mesin B 5.667 .209
Mesin C 6.333 .209 5.232 6.101
Kain Katun Mesin A 5.750 .181
Mesin B 7.000 .181 5.899 6.768
Kain Satin Mesin C 8.000 .209
Mesin A 8.667 .209 5.374 6.126
Mesin B 8.000 .209
Mesin C 9.000 .181 6.624 7.376
.209
10.000 7.566 8.434
8.232 9.101
7.566 8.434
8.624 9.376
9.566 10.434
Post Hoc Tests uji lanjut
Jenis Kain Multiple Comparisons
Susutan Berat Kain
Scheffe
95% Confidence Interval
Mean Difference
(I) Jenis Kain (J) Jenis Kain (I-J) Std. Error Sig. Lower Bound Upper Bound
.000 -2.33 -1.47
Kain Sutra Kain Katun -1.90* .162 .000 -3.53 -2.67
.000 1.47 2.33
Kain Satin -3.10* .162 .000 -1.63 -.77
.000 2.67 3.53
Kain Katun Kain Sutra 1.90* .162 .000 .77 1.63
Kain Satin -1.20* .162
Kain Satin Kain Sutra 3.10* .162
Kain Katun 1.20* .162
Based on observed means.
The error term is Mean Square(Error) = .131.
58
Multiple Comparisons
Susutan Berat Kain
Scheffe
95% Confidence Interval
Mean Difference
(I) Jenis Kain (J) Jenis Kain (I-J) Std. Error Sig. Lower Bound Upper Bound
Kain Sutra Kain Katun -1.90* .162 .000 -2.33 -1.47
Kain Satin -3.10* .162 .000 -3.53 -2.67
Kain Katun Kain Sutra 1.90* .162 .000 1.47 2.33
.000 -1.63 -.77
Kain Satin -1.20* .162
Kain Satin Kain Sutra 3.10* .162 .000 2.67 3.53
Kain Katun 1.20* .162 .000 .77 1.63
Based on observed means.
The error term is Mean Square(Error) = .131.
*. The mean difference is significant at the .05 level.
Homogeneous Subsets Untuk mengetahui apakah ada
perbedaan rata-rata susutan
Susutan Berat Kain berat kain untuk tiap jenis kain.
Scheffea,,b
Ada 3 subset. Artinya ada
Subset perbedaan rata-rata susunan
berat kain dilihat dari jenis kain
Jenis Kain N 1 2 3
Kain Sutra 10 5.90 7.80
Kain Katun 10
Kain Satin 10 1.000 1.000
Sig. 9.00
1.000
Means for groups in homogeneous subsets are displayed.
Based on observed means.
The error term is Mean Square(Error) = .131.
a. Uses Harmonic Mean Sample Size = 10.000.
b. Alpha = .05.
Jenis Mesin Multiple Comparisons
Susutan Berat Kain
Scheffe
95% Confidence Interval
(I) Jenis (J) Jenis Mean Difference Sig. Lower Bound Upper Bound
Mesin Mesin (I-J) Std. Error .000 -1.43 -.57
Mesin A .000 -1.43 -.57
Mesin B -1.00* .162 .000 .57 1.43
Mesin B -.43 .43
Mesin C -1.00* .162 1.000 .57 1.43
Mesin C Mesin A .000
Mesin C 1.00* .162
Mesin A
.00 .162
1.00* .162
59
Mesin B .00 .162 1.000 -.43 .43
Based on observed means.
The error term is Mean Square(Error) = .131.
*. The mean difference is significant at the .05 level.
Homogeneous Subsets
Susutan Berat Kain
Scheffea,,b
Subset Ada 2 subset. Artinya
Jenis N 12 ada perbedaan rata-rata
Mesin 10
Mesin A 10 6.90 susunan berat kain antara
10
Mesin B 7.90 mesin A dengan mesin B dan C
tidak ada perbedaan rata-rata
Mesin C 7.90 susunan berat kain antara
Sig. 1.000 1.000 mesin B dan C
Means for groups in homogeneous subsets are
displayed.
Based on observed means.
The error term is Mean Square(Error) = .131.
a. Uses Harmonic Mean Sample Size = 10.000.
b. Alpha = .05.
60
ANALISIS KORELASI & REGRESI 6
Analisis Korelasi
Analisis korelasi bertujuan untuk mencari besar dan arah hubungan dua variabel
atau lebih. Keeratan hubungan antar variabel dinyatakan dalam bentuk koefisien
korelasi. Skor koefisien korelasi antara -1 sampai dengan 1. Koefisien korelasi
negatif menunjukkan arah hubungan yang saling berkebalikan (meningkatnya
nilai variabel diikuti dengan menurunnya nilai variabel yang lain). Sebaliknya,
koefisien korelasi positif menunjukkan arah hubungan searah (meningkatnya
nilai variabel diikuti dengan meningkatnya nilai variabel yang lain). Koefisien
korelasi dikategorikan menjadi beberapa kelompok
Tabel 6.1 Kategori koefisien korelasi
Koefisien Korelasi (r) Keeratan Hubungan
tidak ada hubungan
00 hubungan sangat lemah
-0,2 r < 0 0 < r 0,2 hubungan lemah
hubungan kuat
-0,4 r < 0,2 0,2 < r 0,4 hubungan sangat kuat
hubungan sempurna
-0,7 r < 0,4 0,4 < r 0,7
-1 r < 0,7 0,7 < r < 1
-1 1
Sebagai contoh, suatu penelitian dilakukan untuk mengetahui bagaimana
hubungan antara motivasi dengan prestasi belajar siswa. Skor motivasi
didapatkan dari angket sedangkan prestasi belajar diukur berdasarkan nilai ujian
matematika semester tertentu. Lakukan langkah-langkah berikut
1. Input data sesuai Tabel 6.2 berikut
Tabel 6.2 Data Motivasi dan Prestasi Belajar Siswa
NO Skor Skor NO Skor Skor
Motivasi Prestasi Motivasi Prestasi
17 8 95 8
7 8
26 7 10 6 7
8 8
37 8 11 5 8
9 7
47 7 12 5 6
6
56 13 7
67 14 7
78 15 7
88
69
Perhatikan cara input data analisis korelasi
Gambar 6.1 Input data dalam analisis korelasi
2. Pilih menu Analyze Correlate Bivariate
Gambar 6.2 Menu untuk Correlate
3. Masukkan variabel motivasi dan prestasi belajar ke kolom Variable. Pada
coefficient correlation pilih Pearson.
70
Gambar 6.3 Kotak Dialog Bivariate Correlations
4. Klik Options. Centang Means and standard deviations jika diinginkan.
5. Klik continue OK
6. Tunggu beberapa saat maka akan muncul output sebagai berikut
Correlations
Correlations
Motivasi Belajar Pearson Correlation Motivasi Belajar Prestasi Belajar
Prestasi Belajar Sig. (2-tailed) 1 -.323
.240
N 15 15
Pearson Correlation -.323 1
Sig. (2-tailed) .240
N 15 15
H0 : = 0 (Tidak ada hubungan antara motivasi dan prestasi belajar siswa)
H1 : 0 (Ada hubungan antara motivasi dan prestasi belajar siswa)
71
: 5%
Statistik uji : p = sig. (2-tailed) = 0,240
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan : karena p = 0,240 > = 0,025 maka H0 tidak ditolak
Kesimpulan : Tidak ada hubungan antara motivasi dan prestasi belajar siswa.
Selain itu, dengan memperhatikan nilai korelasi r = -0,323 menunjukkan
hubungan yang lemah antara motivasi dan prestasi belajar siswa (Tabel 6.1).
Tanda negatif menunjukkan hubungan yang saling berkebalikan, artinya
semakin tinggi motivasi belajar, prestasi belajar siswa semakin menurun.
Analisis Regresi Linier Sederhana
Pada dasarnya analisis regresi linier ditujukan untuk menganalisis bagaimana
hubungan antara berbagai variabel terukur. Hubungan antar variabel tersebut
bila digambarkan berbentuk garis lurus. Bila analisis hanya dilakukan untuk
mengetahui hubungan antara satu variabel prediktor (bebas) dan satu variabel
respon (terikat), maka analisis regresi tersebut disebit dengan analisis regresi
sederhana.
Variabel bebas biasanya dinotasikan dengan X dan variabel terikat dinotasikan
dengan Y. Hubungan antara X dan Y kemudian dirumuskan dala suatu persamaan
regresi linier sederhana sebagai berikut
Y = 0 + 1 X +
Keterangan:
Y : variabel terikat
X : variabel bebas
0 : intersep (konstanta)
1 : slope (kemiringan garis regresi)
: error (perbedaan data sesungguhnya dengan data yang digambarkan
dalam garis regresi)
Sebagai contoh, Suatu penelitian ditujukan untuk mengetahui bagaimana
keterkaitan antara kemampuan berpikir kreatif dengan kemampuan
memecahkan masalah para mahasiswa di Univet. Skor kemampuan berpikir
kreatif dan kemampuan memecahkan masalah diperoleh berdasarkan tes
kepada beberapa mahasiswa yang dipilih secara random. Hasilnya adalah sebagai
berikut:
72
Tabel 6.3 Data Kemampuan Berpikir Kreatif dan Kemampuan Memecahkan
Masalah
Kemamp. Kemamp. Kemamp. Kemamp.
NO Berpikir Memecahkan NO Berpikir Memecahkan
Kreatif Masalah Kreatif Masalah
14 7 16 4 7
25 8 17 3 7
34 8 18 4 6
43 6 19 4 6
54 7 20 3 7
63 7 21 2 7
74 7 22 3 7
84 7 23 4 8
93 6 24 4 8
10 3 6 25 4 7
11 4 7 26 5 8
12 5 8 27 4 7
13 4 7 28 5 7
14 5 8 29 5 6
15 4 7 30 4 7
1. Input data sesuai Tabel 6.3 seperti gambar berikut
Gambar 6.3 Input data dalam Regression
2. Pilih menu Analyze Regression Linear
73
Gambar 6.4 Menu untuk Regression Linear
3. Masukkan variabel terikat (Kemanpuan Pemecahan Masalah) ke kolom
Dependent dan variabel bebas (Kemampuan Berpikir Kreatif) ke kolom
Independent.
Gambar 6.5 Kotak Dialog Linear Regression
4. Klik Statistics. Pilih estimates, model fit, R-squared change dan
Descriptives.
74
Gambar 6.6 Kotak Dialog Linear Regression: Statistics
5. Klik Continue OK
6. Tunggu beberapa saat maka akan muncul ouput sebagai berikut
Regression
Descriptive Statistics
Kemampuan Pemecahan Mean Std. Deviation N
Masalah 7.03 .669 30
Kemampuan Berpikir Kreatif 3.90 .759 30
Correlations Kemampuan Kemampuan
Pemecahan Berpikir Kreatif
Kemampuan Pemecahan
Masalah Masalah
Kemampuan Berpikir Kreatif
Pearson Correlation Kemampuan Pemecahan 1.000 .415
Sig. (1-tailed) Masalah
N Kemampuan Berpikir Kreatif .415 1.000
Kemampuan Pemecahan . .011
Masalah
Kemampuan Berpikir Kreatif .011 .
30 30
30 30
75
Variables Entered/Removedb
Model Variables Variables Method
Entered Removed
1 Kemampuan . Enter
Berpikir Kreatifa
a. All requested variables entered.
b. Dependent Variable: Kemampuan Pemecahan
Masalah
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .415a .172 .142 .619
a. Predictors: (Constant), Kemampuan Berpikir Kreatif
Model Summary
Change Statistics
Model R Square F Change df1 df2 Sig. F Change
1 Change 28 .023
.172 5.810 1
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 5.810 .023a
Regression 2.228 1 2.228
Residual
10.739 28 .384
Total 12.967 29
a. Predictors: (Constant), Kemampuan Berpikir Kreatif
b. Dependent Variable: Kemampuan Pemecahan Masalah
Coefficientsa
Unstandardized Coefficients Standardized
Coefficients
Model B Std. Error t Sig.
1 (Constant) Beta 9.321 .000
5.609 .602 2.410 .023
Kemampuan Berpikir Kreatif .365 .152 .415
a. Dependent Variable: Kemampuan Pemecahan Masalah
76
Penjelasan untuk output di atas adalah sebagai berikut.
1. Pada tabel Descriptive Statistics
Kemampuan pemecahan masalah
rata-rata = 7,03 dan standar deviasi = 0,669
Kemampuan berpikir kreatif
rata-rata = 3,90 dan standar deviasi = 0,759
2. Pada tabel Correlations
seperti yang telah dijelaskan sebelumnya mengenai uji korelasi
H0 : = 0 (Tidak ada hubungan antara kemampuan pemecahan masalah
dan kemampuan berpikir kreatif)
H1 : 0 (Ada hubungan antara kemampuan pemecahan masalah dan
kemampuan berpikir kreatif)
: 5%
Statistik uji : p = sig. (1-tailed) = 0,011
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan : karena p = 0,011 < = 0,05 maka H0 ditolak
Kesimpulan : Ada hubungan antara kemampuan pemecahan masalah dan
kemampuan berpikir kreatif.
Selain itu, dengan memperhatikan nilai korelasi r = 0,415 menunjukkan
hubungan yang kuat antara kemampuan pemecahan masalah dan
kemampuan berpikir kreatif (Tabel 6.1). Tanda positif menunjukkan
hubungan yang searah, artinya semakin tinggi kemampuan berpikir kreatif
maka kemampuan pemecahan masalah juga semakin meningkat.
3. Pada tabel Model Summary
Diketahui Adj. R square = 0,142. Artinya kemampuan berpikir kreatif
mempengaruhi kemampuan pemecaham masalah seseorang sebesar 14,2%.
Sedangkan sisanya 85,8% dipengaruhi oleh faktor-faktor lain.
4. Pada tabel ANOVAb
Tabel ini digunakan untuk menguji kelinieran antar variabel
H0 : tidak terjadi hubungan linier antara variabel kemampuanberpikir
kreatif dan kemampuan pemecahan masalah
H1 : terjadi hubungan linier antara variabel kemampuanberpikir kreatif
dan kemampuan pemecahan masalah
: 5%
Statistik uji : p = sig. = 0,023
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan : karena p = 0,023 < = 0,05 maka H0 ditolak
Kesimpulan : terjadi hubungan linier antara variabel kemampuanberpikir
kreatif dan kemampuan pemecahan masalah
77
5. Pada tabel Coefficientsa
Uji signifikansi konstanta (kuning)
H0 : konstanta tidak signifikan
H1 : konstanta signifikan
: 5%
Statistik uji : p = sig. = 0,000
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan : karena p = 0,000 < = 0,05 maka H0 ditolak
Kesimpulan : konstanta tidak signifikan
Uji signifikansi variabel kemampuan berpikir kreatif (biru)
H0 : koefisien kemampuan berpikir kreatif tidak signifikan
H1 : koefisien kemampuan berpikir kreatif signifikan
: 5%
Statistik uji : p = sig. = 0,023
Daerah kritik (DK) = Jika p < maka H0 ditolak
Keputusan : karena p = 0,023 < = 0,05 maka H0 ditolak
Kesimpulan : koefisien kemampuan berpikir kreatif signifikan
Persamaan regresi linier Y = 5,609 + 0,365 X
Dari persamaan regresi tersebut, berarti
jika tidak mempunyai kemampuan pemecahan berpikir kreatif (X = 0)
maka kemampuan pemecahan masalahnya 5,609
jika ada 1 kenaikan skor kemampuan berpikir kreatif maka skor
kemampuan pemecahan masalah bertambah 0,365.
78