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