Hasil Uji Asumsi Klasik

76 4,6. Dari data tersebut terlihat bahwa pegawai yang bekerja di PT. Pos Indonesia Persero Kantor Regional-I Medan mayoritas juga memiliki kemampuan membina hubungan dengan atasan seperti tingkat perhatian yang baik, namun terdapat beberapa pegawai yang menyatakan tidak setuju dengan pernyataan tersebut.

4.3 Hasil Uji Asumsi Klasik

Analisis uji asumsi klasik yang digunakan meliputi Uji Normalitas, Uji Heteroskedastitas, dan Uji Multikolinieritas. 4.3.1 Uji Normalitas Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng . Uji normalitas dilakukan dengan analisis grafik yaitu dengan grafik Histogram dan Normal P-P Plot of Regression Standarized Residual. Selain itu uji normalitas juga dilakukan dengan menggunakan uji kolmogorov-smirnov. Hasil uji normalitas ditunjukkan sebagai berikut : 1. Pendekatan Histogram Pendekatan Histogram menunjukkan bahwa model regresi yang digunakan telah berdistribusi normal, hal ini dapat dilihat dari garis histogram tidak menceng ke kiri atau ke kanan, sehingga penyebaran datanya telah berdistribusi secara normal. Sebaliknya, jika bentuk grafik melenceng ke kiri atau ke kanan, maka menunjukkan bahwa variabel tidak berdistribusi normal. Universitas Sumatera Utara 77 Sumber : Hasil Pengelolahan SPSS 2016, diolah Gambar 4.3 Uji Normalitas dengan Pendekatan Histogram Pada Gambar 4.3 terlihat grafik tidak melenceng ke kiri ataupun ke kanan, hal ini menunjukkan bahwa variabel berdistribusi secara normal. 2. Pendekatan Grafik Pendekatan lainnya yang digunakan dalam untuk menguji normalitas data adalah Pendekatan Grafik. Sebuah data dapat dikatakan terdistribusi normal jika penyebaran data menggambarkan titik-titik yang menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal pada normal probability plot. Berikut adalah hasil Uji Normalitas Data dengan pendekatan grafik normal probability plot : Regression Standardized Residual 3 2 1 -1 -2 -3 Frequency 12 10 8 6 4 2 Universitas Sumatera Utara 78 Sumber: Hasil Pengolahan SPSS, 2016 diolah Gambar 4.4 Uji Normalitas dengan Normal P-P Plot of Regression Standarizied Residual Berdasarkan grafik normal plot pada gambar 4.4 menunjukkan bahwa model regresi layak dipakai dalam penelitian ini karena pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti arah garis diagonal sehingga memenuhi asumsi normalitas. 3. Pendekatan Kolmogorv-Smirnov Selain dengan melihat grafik, normalitas data juga dapat dilihat melalui uji statistik yaitu dengan uji statistik non-parametrik Kolmogrov-Smirnov pada alpha sebesar 5. Jika nilai signifikansi dari pengujian Kolmogrov-Smirnov lebih besar dari 0,05 berarti data normal. Universitas Sumatera Utara 79 Tabel 4.9 Hasil Uji Kolmogorv-Smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 87 Normal Parametersa,b Mean .0000000 Std. Deviation 6.29722725 Most Extreme Differences Absolute .052 Positive .050 Negative -.052 Kolmogorov-Smirnov Z .482 Asymp. Sig. 2-tailed .974 a Test distribution is Normal. b Calculated from data. Sumber: Pengolahan SPSS 2016 Dari tabel 4.9 di atas menunjukkan Kolmogrov-Smirnov sebesar 0,482 dan dan signifikansi pada 0,974 lebih besar dari 0,05, maka dapat disimpulkan bahwa data terdistribusi dengan normal.

4.3.2 Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan kepengamatan yang lain. Jika varians dari residual satu pengamatan kepengamatan lain tetap, maka dapat disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. 1. Hasil Uji Heteroskedastisitas dengan Scatter Plot Homoskedastisitas dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar Universitas Sumatera Utara 80 garis titik nol maka dapat disebut varian homogen pada setiap nilai X, dengan demikian asumsi homoskedastisitas terpenuhi. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka diduga variannya terjadi heteroskedastisitas. Sumber: Hasil Pengolahan SPSS, 2016 diolah Gambar 4.5 Uji Heterokedastisitas dengan Scatter Plot Berdasarkan gambar 4.5 scatter plot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi Heteroskedastitas pada model regresi, sehingga model regresi layak dipakai. Universitas Sumatera Utara 81 2. Hasil Uji Heterokedastisitas dengan Uji Glejser Tabel 4.10 Hasil Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 7.805 3.477 2.245 .027 Disiplin Kerja -.021 .062 -.043 -.349 .728 Stres Kerja -.032 .060 -.066 -.539 .592 a Dependent Variable: absut Sumber: Pengolahan SPSS 2016 Hasil dari tabel 4.10 menunjukkan nilai signifikasi variabel disiplin kerja dan stres kerja sebesar 0,728 dan 0,592. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5, jadi disimpulkan model regresi tidak mengarah adanya heterokedastisitas.

4.3.3 Uji Multikolinieritas

Uji Multikolinearitas dalam penelitian ini adalah dengan melihat koefisien Variance Inflation Factor VIF dan nilai Tolerance. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai VIF 10, dengan kata lain data yang baik dapat dilihat apabila memiliki nilai VIF lebih kecil dari 10 dan apabila nilai VIF tidak sesuai dengan ketentuan tersebut maka data penelitian mengandung multikolinearitas yang berarti tidak layak digunakan sebagai data penelitian. Berikut adalah hasil uji multikolinearitas : Universitas Sumatera Utara 82 Tabel 4.11 Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 24.551 5.727 4.287 .000 Disiplin Kerja .421 .101 .424 4.157 .000 .782 1.279 Stres Kerja .214 .099 .221 2.164 .033 .782 1.279 a Dependent Variable: Kinerja Pegawai Sumber: Hasil Pengolahan SPSS, 2016 diolah Hasil perhitungan nilai Variance Inflation Factor VIF menunjukkan bahwa tidak ada nilai VIF dari kedua variabel independen yang memiliki nilai 10, dengan nilai VIF untuk masing-masing variabel independen Disiplin Kerja dan Stres Kerja adalah 1,279. Jadi tidak ada variabel independen yang memiliki nilai VIF lebih kecil dari 10. Maka kesimpulan yang diperoleh adalah tidak terjadi gejala multikolinearitas dalam variabel independennya.

4.4 Analisis Regresi Linier Berganda