Uji Asumsi Klasik Metode Analisis Data

3.7 Metode Analisis Data

Metode analisis data adalah suatu metode yang digunakan untuk mengolah data hasil penelitian untuk memperoleh suatu kesimpulan. Dalam penelitian ini metode analisis data yang digunakan adalah :

3.7.1 Uji Asumsi Klasik

Sebelum melakukan uji statistik, langkah awal yang harus dilakukan adalah screaning terhadap data yang akan diolah. Menurut Ghazali 2005:27, salah satu asumsi penggunaan statistik parametrik adalah multivariat normalitas. Multivariat normalitas merupakan asumsi bahwa setiap variabel dan semua kombinasi linear dari variabel berdistribusi normal dan independen. Asumsi multivariat normalitas ini dapat diuji dengan melihat normalitas, linearitas dan heterokedastisitas. 1. Uji normalitas Tujuan dari uji normalitas adalah untuk menetukan apakah variabel berdistribusi normal atau tidak. Jika data berdistribusi normal, maka uji hipotesis menggunakan statistik parametrik, sedangkan jika data tidak berdistribusi normal, maka uji hipotesis menggunakan statistik non- parametrik. Pengujian normalitas dilakukan dengan uji kolmogorov- smirnov, dengan dasar pengambilan keputusan berdasarkan probabilitas. Jika probabilitas 0,05 maka data penelitian berdistribusi normal. Hasil dari uji normalitas kolmogorov-smirnov dengan menggunakan program SPSS 16 adalah sebagai berikut : Tabel 3.7 Hasil output SPSS 16 uji normalitas kolmogorov-smirnov One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 153 Normal Parameters a,,b Mean .0000000 Std. Deviation 4.14781948 Most Extreme Differences Absolute .073 Positive .073 Negative -.045 Kolmogorov-Smirnov Z .905 Asymp. Sig. 2-tailed .386 a. Test distribution is Normal. b. Calculated from data. Sumber : Data primer yang diolah, 2012 Berdasarkan hasil uji normalitas kolmogorov-smirnov terlihat dari nilai Asymp. Sig. 2-taied sebesar 0,386, jadi probabilitas 0,05 maka data penelitian berdistribusi normal. Disamping dengan menggunakan uji kolmogorov-mirnov, uji normalitas ini juga didukung dari hasil gambar grafik normal probability plot. Apabila variabel berdistribusi normal maka penyebaran plot akan berada disekitar dan disepanjang garis 45 derajat. Hasil dari uji normalitas grafik normal probability plot dengan menggunakan program SPSS 16 adalah sebagai berikut : Gambar 2 Hasil output program SPSS 16 uji normalitas Terlihat dari gambar bahwa plot berada disekitar dan disepanjang garis 45 derajat, jadi dapat disimpulkan bahwa data penelitian berdistribusi normal. 2. Uji linieritas Uji linieritas bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linier atau tidak secara signifikan. Uji ini biasanya digunakan sebagai prasyarat dalam analisis korelasi atau regresi linier. Pengujian pada program SPSS 16 dengan menggunakan Test for Linierity dengan taraf signifikansi 0,05. Dua variabel dikatakan mempunyai hubungan yang linier bila signifikansi linierity kurang dari 0,05 Purwanto, 2008:36. Hasil dari uji linieritas dengan menggunakan program SPSS 16 adalah sebagai berikut : Tabel 3.8 Hasil output SPSS 16 uji linieritas kepemimpinan transformasional terhadap kinerja ANOVA Table Sum of Squares df Mean Square F Sig. Kinerja Kepemimpinan Transformasio nal Betwee n Groups Combine d 3619.724 15 241.315 10.143 .000 Linearity 2700.814 1 2700.81 4 113.52 4 .000 Deviation from Linearity 918.909 14 65.636 2.759 .001 Within Groups 3259.335 137 23.791 Total 6879.059 152 Tabel 3.9 Hasil output SPSS 16 uji linieritas motivasi kerja terhadap kinerja ANOVA Table Sum of Squares df Mean Square F Sig. Kinerja Motivasi Between Groups Combined 4512.515 19 237.501 13.348 .000 Linearity 3247.046 1 3247.046 182.484 .000 Deviation from Linearity 1265.470 18 70.304 3.951 .000 Within Groups 2366.544 133 17.794 Total 6879.059 152 Berdasarkan hasil uji linieritas pada tabel 3.8 dan 3.9 terlihat bahwa nilai signifikansi linierity kurang dari 0,05. Dapat disimpulkan bahwa variabel kepemimpinan transformasional dan variabel motivasi terhadap variabel kinerja mempunyai hubungan yang linier. 3. Uji multikolinieritas Uji ini bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Untuk mendeteksi adanya multikolinearitas dapat dilakukan dengan mencari besarnya Variance Infaction Factor VIF dan nilai tolerancenya. Jika nilai VIF kurang dari 10 dan nilai toleransinya lebih dari 0,1 maka regresi bebas dari multikolinearitas. Hasil dari uji multikolinieritas dengan menggunakan program SPSS 16 adalah sebagai berikut : Tabel 3.10 Hasil output SPSS 16 uji multikolinearitas Coefficients a Model Unstandardiz ed Coefficients Standardize d Coefficients t Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 Constant .301 3.052 .099 .921 Kepemimpinan Transformasio nal .728 .095 .419 7.63 8 .000 .841 1.18 9 Motivasi .513 .054 .520 9.46 9 .000 .841 1.18 9 a. Dependent Variable: Kinerja Sumber : Data primer yang diolah, 2012 Berdasarkan hasil uji multikolinearitas terlihat bahwa nilai VIF dari kedua variabel kurang dari 10 dan nilai toleransinya lebih dari 0,1, maka dapat disimpulkan regresi bebas dari multikolinearitas. 4. Uji heteroskedastisitas Pengujian terhadap heterokedastisitas dapat dilakukan melalui pengamatan terhadap pola scater plot yang dihasilkan melalui program SPSS 16. Apabila pola scater plot membentuk pola tertentu, maka model regresi memiliki gejala heterokedastisitas. Munculnya gejala heterokedastisitas menunjukan bahwa penaksir dalam model regresi tidak efisien dalam sampel besar maupun kecil. Jika tidak ada pola yang jelas dan titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y maka dapat disimpulkan bebas heteroskedastisitas sehingga model regresi dapat dipakai untuk memprediksi tingkat kinerja berdasarkan masukan variabel bebas atau independen kepemimpinan transformasional dan motivasi kerja. Hasil dari uji heterokedastisitas dengan menggunakan program SPSS 16 adalah sebagai berikut : Gambar 3 Hasil output program SPSS 16 uji heterokedastisitas Berdasarkan hasil uji heterokedastisitas terlihat digambar bahwa tidak ada pola yang jelas dan titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y. Dari gambar diatas maka dapat disimpulkan bebas heteroskedastisitas sehingga model regresi dapat dipakai untuk memprediksi tingkat kinerja berdasarkan masukan variabel bebas atau independen yaitu kepemimpinan transformasional dan motivasi kerja. Tetapi analisis dengan grafiks plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterprestasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang lenih dapat menjamin keakuratan hasil Ghozali, 2005:107. Maka dari itu dilakukan pengujian dengan menggunakan uji glejser. Jika nilai probabilitas signifikansinya diatas tingkat kepercayaan 50,05, maka dapat disimpulkan model regresi tidak mengandung adanya heterokedastisitas. Hasil dari uji glejser dengan menggunakan program SPSS 16 adalah sebagai berikut : Tabel 3.11 Hasil output SPSS 16 uji heterokedastisitas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 3.298 1.790 1.843 .067 Kepemimpinan Transformasional .008 .056 .012 .137 .891 Motivasi -.004 .032 -.012 -.138 .890 a. Dependent Variable: abresid Berdasarkan hasil uji glejser terlihat bahwa nilai probabilitas signifikansinya 0,05, maka dapat disimpulkan model regresi tidak mengandung adanya heterokedastisitas. 5. Uji autokorelasi Uji ini dimaksudkan untuk mengetahui apakah variabel penggangu saling berurutan terjadi serial korelasi Ghozali, 2005:95. Terjadi atau tidaknya autokorelasi dapat dilihat dari nilai dw Durbin- Watson DW. Tidak ada Autokorelasi positif atau negatif bila = du dw 4 – du, di dalam penelitian ini taraf signifikansinya adalah 5, jumlah sampel 153 responden dan variabel independen adalah 2 k=2. Dari nilai taraf signifikansi, jumlah sampel dan jumlah variabel independen tersebut maka nilai du adalah 1.763 lihat tabel DW, jadi tidak ada Autokorelasi positif atau negatif bila = 1.763 DW 2.237. Hasil dari uji autokorelasi dengan menggunakan program SPSS 16 adalah sebagai berikut : Tabel 3.12 Hasil output SPSS 16 uji autokorelasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .787 a .620 .615 4.175 1.904 a. Predictors: Constant, Motivasi, Kepemimpinan Transformasional b. Dependent Variable: Kinerja Sumber : Data primer yang diolah, 2012 Berdasarkan tabel 3.12 terlihat bahwa nilai DW adalah 1.904, jadi DW terletak diantara 1.763 dan 2.237. Dapat disimpulkan bahwa tidak ada Autokorelasi positif atau negatif.

3.7.2 Metode analisis deskriptif presentase