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