e = Standard Error.
1. Konstanta a pada Y = 1.552 artinya walaupun variabel pengetahuan kewirausahaan, motif berprestasi dan kemandirian pribadi bernilai nol maka
perilaku kewirausahaan akan tetap 1.552. 2. Koefisien regresi pengetahuan kewirausahaan X
1
= 0,706 artinya apabila pengetahuan kewirausahawan dinaikkan sebesar satu satuan, maka akan
menaikkan perilaku kewirausahaan sebesar 0,706. 3. Koefisien regresi motif berprestasi X
2
= 0,230 artinya apabila motif berprestasi dinaikkan satu satuan, sedangkan variabel lainnya dianggap tetap,
maka akan menaikkan perilaku kewirausahaan sebesar 0,230. 4. Koefisien regresi kemandirian pribadi X
3
= 0,141 artinya apabila kemandirian pribadi dinaikkan satu satuan, sedangkan variabel lainnya dianggap
tetap, maka akan menaikkan perilaku kewirausahaan sebesar 0,141.
4.4.1 Uji Asumsi Klasik
Setelah melakukan analisis regresi linier berganda, penulis melakukan pengujian asumsi klasik. Pengujian asumsi klasik dilakukan untuk mendapatkan
hasil penelitian yang BLUE Best Linier Unbiased Estimation atau perkiraan yang efisien dan tidak biasa. Kriteria pengujian asumsi klasik yang harus
dipenuhi, yaitu:
4.4.1.1 Uji Normalitas
Uji ini bertujuan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk
Universitas Sumatera Utara
lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau ke kanan. Pada
uji normalitas terdapat dua cara yang dapat digunakan yaitu: 1. Analisis Grafik
Normalitas data dapat dilihat melalui penyebaran titik pada sumbu diagonal dari P-Plot atau dengan melihat histogram dari residualnya. Dasar
pengambilan keputusan sebagai berikut: Apabila data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal
atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas.
Sumber : Hasil Penelitian 2015 diolah
Gambar 4.1 Hasil Uji
Regression Standartized Residual
Pada Gambar 4.1 terlihat bahwa variabel berdistribusi normal. Hal tersebut ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau ke kanan. Hasil
dari analisis Grafik P-Plot uji normalitas adalah sebagai berikut:
Universitas Sumatera Utara
Sumber : Hasil Penelitian 2015 diolah
Gambar 4.2 Hasil Uji
Normal P-P Plot Of Regression Strandartized Residual
Pada Gambar 4.2P-P plot menunjukkan bahwa titik-titik menyebar
disekitar garis diagonal dan mengikuti garis diagonal, maka dapat disimpulkan bahwa data yang diperoleh berdistribusi normal.
2. Analisis Statistik Pengujian normalitas yang didasarkan pada uji statistik non parametik
Kolmogorov-Smirnov K-S. Apabila nilai Kolmogorov-Smirnov Z
1,97 atau nilai asymp.Sig 2 tailed
maka data dinyatakan berdistribusi normal. Berikut adalah Tabel 4.8 hasil uji Kolmogorov-Smirnov.
Universitas Sumatera Utara
Tabel 4.9 Uji
Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a,b
Mean 0E-7
Std. Deviation .77868986
Most Extreme Differences Absolute
.091 Positive
.050 Negative
-.091 Kolmogorov-Smirnov Z
.704 Asymp. Sig. 2-tailed
.704 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Hasil Peneitian 2015 diolah
Menurut Situmorang dan Lufti 2014:121 bahwa, apabila pada hasil uji Kolmogorov-Smirnov,
nilai Asymp Sig 2-tailed lebih besar dari nilai signifikan 0,05, dan nilai Kolmogorov-Smirnov Z lebih kecil dari 1,97 maka data dikatakan
normal. Pada Tabel 4.9 dapat dilihat nilai Asymp Sig 2-tailed 0,704 lebih besar dari 0,05 dan nilai Kolmogorov-Smirnov Z 0,704 lebih kecil dari 1,97, sehingga
model regresi yang diperoleh adalah berdistribusi normal.
4.4.1.2 Uji Heterokedastisitas
Uji heteroskedastisitas pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama di antara anggota grup tersebut. Jika varians sama,
dan yang seharusnya tidak terjadi maka dikatakan ada homokedastisitas, sedangkan
jika varians
tidak sama
dikatakan heteroskedastisitas
SitumorangLufti,2014 : 121-122. Gejala heterokedastisitas dapat dideteksi dengan dua cara yaitu:
Universitas Sumatera Utara
1. Analisis Grafik Gejala heterokedastisitas dapat dilihat dengan menggunakan grafik
Scatterplot . Apabila data yang berbentuk titik-titik tidak membentuk suatu pola
atau menyebar, maka model regresi tidak terkena heterokedastisitas. Kriteria pengambilan keputusan:
1. Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heterokedastisitas.
2. Jika diagram pencar yang ada tidak membentuk pola-pola tertentu yang teratur maka regresi tidak mengalami gangguan heterokedastisitas.
Sumber : Hasil Penelitian 2015 diolah
Gambar 4.3 Scatterplot Uji Heterokedastisitas
Dari Gambar 4.3 terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka
nol pada sumbu Y, dengan demikian dapat dikatakan bahwa tidak terjadi heterokedastisitas pada model regresi.
Universitas Sumatera Utara
2. Analisis Statistik Kriteria keputusan:
1. Jika probabilitas 0,05 maka tidak mengalami gangguan heterokedastisitas
2. Jika probabilitas
0,05 maka
mengalami gangguan
heterokedastisitas. Gejala heterokedastisitas dapat juga dideteksi melalui uji Glejser. Tabel
4.9 berikut ini menampilkan hasil pengujian heterokedastisitas dengan uji Glejser.
Tabel 4.10 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta
1 Constant
.490 .584
.840 .405 peng.kewirausahaan
.023 .042
.116 542 .590
motifberprestasi .075
.048 .302
1.572 .122 kemandirianpribadi
.047 .037
.276 1.252 .216
a. Dependent Variable: absut
Sumber : Hasil Penelitian 2015 diolah
Pada Tabel 4.10 dapat dilihat bahwa kolom Sig. pada tabel koefisien regresi untuk variabel independen adalah 0,590, 0,122, 0,216, atau probabilitas lebih
besar dari 0,05 maka tidak terjadi gangguan heterokedastisitas. Hal ini menunjukkan semua variabel independent yang terdiri dari pengetahuan
kewirausahaan, motif berprestasi, dan kemandirian pribadi signifikan secara statisik mempengaruhi variabel dependent.
Universitas Sumatera Utara
4.4.1.3 Uji Multikolinieritas
Artinya variabel independen yang satu dengan yang lain dalam model regresi linier berganda tidak saling berhubungan secara sempurna. Untuk
mengetahui ada tidaknya gejala multikolinearitas dapat dilihat dari besarnya nilai tolerance
dan VIF Variance Inflation Factor melalui program SPSS. Tolerance mengukur variabilitas variabel terpilih yang tidak dijelaskan oleh variable
independen lainnya. Nilai umum yang bisa dipakai adalah nilai Tolerance 0,1 atau nilai VIF 5, maka tidak terjadi multikolinearitas Situmorang dan Lufti,
2008:147. Pengujian multikoliniearitas dapat dilihat pada tabel berikut:
Tabel 4.11 Uji Multikolinieritas
a. Dependent Variable: perilakukewirausahaan
Sumber : Hasil Penelitian 2015 diolah
Pada Tabel 4.11 variabel pengetahuan kewirausahaan, motif berpestasi, dan kemandirian pribadi memiliki nilai Tolerance0,362, 0,452, 0,343, 0,1 dan
nilai VIF 2,760, 2,211, 2,917 5 maka variabel tersebut tidak terkena multikolinearitas.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
Constant 1.552
1.045 1.485
.143 peng.kewirausahaan
.706 .076
.682 9.338
.000 .362 2.760
Motifberprestasi .230
.085 .176
2.701 .009
.452 2.211 Kemandirianpribadi
.141 .067
.158 2.106
.040 .343 2.917
Universitas Sumatera Utara
4.5 Pengujian Hipotesis 4.5.1 Uji Signifikan Simultan Uji - F
