b. Jika nilai Asymp.Sig. 2-tailed lebih besar dari 0,05 maka data mengalamai gangguaan distribusi normal.
Tabel 4.11 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Predicted Value
N 60
Normal Parameters
a,b
Mean 20.3000000
Std. Deviation 1.77389751
Most Extreme Differences Absolute
.116 Positive
.116 Negative
-.084 Kolmogorov-Smirnov Z
.900 Asymp. Sig. 2-tailed
.392 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Data Primer, hasil Pengolahan SPSS, 2015 Pada tabel 4.11 terlihat nilai Asymp.Sig. 2-tailed adalah 0,334. Nilai ini
menunjukkan bahwa variabel penelitian residual telah berdistribusi normal. Hal ini dapat dilihat melalui perbandingan Asymp.Sig. 2-tailed lebih besar dari 0.05.
4.4.2 Uji Multikolinearitas
Menurut Priyatno 2014, multikolinearitas artinya antarvariabel independen yang terdapat dalam model regresi memiliki hubungan linear yang
sempurna atau mendekati sempurna koefisien kolerasinya tinggi atau bahkan bernilai 1. Model regresi yang baik seharusnya tidak terjadi kolerasi sempurna
atau mendekati sempurna di antara variabel bebasnya. Konsekuensi adanya multikolinearitas adalah koefisien kolerasi tidak tertentu dan kesalahan menjadi
sangat besar. Jelas sekali bahwa, uji ini bertujuan untuk menguji apakah ada atau tidaknya kolerasi antara variabel independen. Hasil uji multikolinieritas dapat
dilihat pada tabel berikut:
Tabel 4.12 Uji Multikolinearitas
Variabel Independen Collinearity Statistics
Keputusan Tolerance
VIF Kompensasi Finansial
0,781 1,280
Tidak ada multikolinearitas Motivasi Kerja
0,923 1,083
Tidak ada multikolinearitas
Lingkungan Kerja 0,661
1,514
Tidak ada multikolinearitas
Gaya Kepemimpinan 0,711
1,406
Tidak ada multikolinearitas
Sumber: Data Primer, hasil Pengolahan SPSS, 2015
Pada tabel 4.12 menjelaskan tentang besarnya tolerance dan VIF untuk masing-masing variabel independen. Semua variabel independen menunjukkan
nilai tolerance lebih besar dari 0,1 dan VIF lebih kecil dari 10. Oleh karena itu, dapat disimpulkan bahwa tidak adanya masalah multikolinearitas.
4.4.3 Uji Heterokedastisitas
Heterokedastisitas adalah varian residual yang tidak sama pada semua pengamatan di dalam model regresi. Regresi yang baik seharusnya tidak terjadi
heterokedastisitas Priyatno, 2014:108. Heterokedastisitas terjadi karena perubahan situasi yang tidak tergambarkan dalam sprsifikasi model regresi.
Dengan kata lain, heterokedastisitas terjadi jika residual tidak memiliki varian yang konstan.
Pada penelitian ini digunakan metode garfik plot antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Deteksi
ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y
adalah Y yang tidak diprediksi, dan sumbu X adalah residual Ghozali, 2005:105. Pemeriksaan terhadap gejala heterokedastisitas adalah dengan melihat pola
diagram pencar scatter plot yaitu selisih antara nilai Y prediksi dan Y observasi. Hipotesis:
1. Jika diagram pencar yang ada membentuk pola-pola tertentu teratur maka regresi mengalami gangguan heterokedastisitas.
2. Jika diagram tidak membentuk pola yang acak maka regresi tidak mengalami gangguan heterokedastisitas.
Gambar 4.3 Scatterplot Dependent Variable
Sumber: Data Primer, hasil Pengolahan SPSS, 2015
Berdasarkan gambar 4.3 dapat dilihat bahwa diagram pencar tidak membentu suatu pola tertentu, sehingga dapat disimpulkan bahwa data tidak
mengalami gangguan heterokedastisitas.
4.5 Hasil Analisis Regresi Linear Berganda
