handout PDS

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