Pengujian Asumsi Klasik Sejarah Rumah Penyimpanan Benda Sitaan Negara Klas-I Medan

108 yang ada Rumah Penyimpanan Benda Sitaan Negara Klas-I Medan, walaupun terdapat sebagian pegawai yang merasakan perlu lebih diperhatikan lagi sarana fisik yang ada dengan memberikan komentar atas pertanyaan yang diberikan. IV.1.5.3. Variabel Motivasi Definisi operasional variabel motivasi merupakan suatu kondisi yang mendorong atau menjadi sebab seseorang melakukan suatu perbuatankegiatan yang berlangsung secara sadar. Untuk butir pertanyaan-pertanyaan variabel motivasi, sebagian besar responden memberikan opsi jawaban ke-2 dan ke-3, hal ini menunjukkan pegawai Rumah Penyimpanan Benda Sitaan Negara Klas-I Medan memberikan tanggapan yang positif terhadap motivasi kerja mereka, walaupun terdapat sebagian pegawai Rumah Penyimpanan Benda Sitaan Negara Klas-I Medan yang merasakan perlu meningkatkan motivasi kerja mereka dalam bekerja.

IV.1.6. Pengujian Asumsi Klasik

IV.1.6.1. Pengujian Asumsi Klasik I 109 -3 -2 -1 1 2 3 Regression Standardized Residual 2 4 6 8 10 12 14 Frequency Mean = -4.44E-16 Std. Dev. = 0.967 N = 32 Dependent Variable: Prestasi Histogram Sebelum melakukan pengujian hipotesis, terlebih dahulu dilakukan pengujian asumsi klasik yang dimaksudkan untuk memastikan bahwa model regresi linear berganda dapat digunakan atau tidak. Apabila uji asumsi klasik telah terpenuhi, alat uji statistik linear berganda dapat dipergunakan. IV.1.6.1.1. Uji Normalitas Untuk pengujian normalitas data dalam penelitian ini dideteksi melalui analisa grafik dan statistik yang dihasilkan melalui perhitungan regresi dengan SPSS. Hasil pengujian normalitas dapat dilihat pada Gambar IV.1 berikut : Sumber : Hasil Pengolahan SPSS Gambar IV.2. Uji Normalitas 110 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 Ex pected C um P rob Dependent Variable: Prestasi Normal P-P Plot of Regression Standardized Residual 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 Expected Cum Prob Dependent Variable: Prestasi Normal P-P Plot of Regression Standardized Residual Dari Gambar IV.2, dapat disimpulkan bahwa data yang digunakan menunjukkan normal. Ghozali 2005 menyatakan bahwa, jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi nomalitas. Analisis dari grafik terlihat titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai untuk memprediksi prestasi kerja pegawai berdasarkan masukan variabel independen. 111 Sumber : Hasil Pengolahan SPSS Gambar IV.3. Uji Normalitas Selanjutnya uji normalitas data dilakukan dengan analisis statistik dengan menggunakan alat uji non parametrik Kolmogorov – Smirnov K-S, seperti terlihat pada Tabel IV.6 berikut ini: Tabel IV.6. Uji Kolmogorov – Smirnov K-S Sumber : Hasil Pengolahan SPSS Dari Tabel IV.6 di atas diketahui besarnya nilai Kolmogorov-Smirnov adalah 0,925 dan tidak signifikan pada 0,359. Hal ini berarti data residual berdistribusi normal, dan hasilnya konsisten dengan uji sebelumnya. IV.1.6.1.3. Uji Multikolinieritas One-Sample Kolmogorov-Smirnov Test 32 .0000000 1.69483251 .163 .163 -.123 .925 .359 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardized Residual Test distribution is Normal. a. Calculated from data. b. 112 Uji mulitikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka terdapat masalah multikolinieritas. Pada model regresi yang baik tidak terjadi korelasi di antara variabel independen. Hasil pengujian multikolinieritas data dalam penelitian ini menggunakan alat bantu SPSS, hasilnya dapat dilihat pada Tabel IV.7 berikut : Tabel IV.7. Hasil Uji Multikolinearitas Sumber : Hasil Pengolahan SPSS Dari Tabel IV.7 di atas terlihat bahwa kedua variabel bebas yaitu : variabel motivasi dan kepuasan kerja, angka Variance Inflation Factor VIF kurang dari 5, sedangkan nilai Tolerance mendekati 1, dengan demikian dapat disimpulkan bahwa pada model regresi tersebut tidak terdapat problem multikolinieritas. Coefficients a 1.920 7.297 .596 .218 .388 .884 1.131 .552 .170 .461 .884 1.131 Constant Motivasi Kepuasan Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients Tolerance VIF Collinearity Statistics Dependent Variable: Prestasi a. 113 -4 -2 2 4 Regression Standardized Predicted Value -3 -2 -1 1 2 3 Regres sion Stud entized Residu al Dependent Variable: Prestasi Scatterplot IV.1.6.1.4. Uji Heteroskedastisitas Heterokedastisitas digunakan untuk menguji apakah dalam model regresi, terjadi ketidaksamaan varians dari residual dari suatu pengamatan yang lain. Jika variasi residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut heterokedastisitas. Model yang baik adalah tidak terjadi heterokedastisitas. Hasil pengujian heteroskedastisitas data dalam penelitian ini menggunakan alat Bantu SPSS dengan mengamati pola yang terdapat pada Sctterplots, hasilnya dapat dilihat pada Gambar IV.3. 114 Sumber : Hasil Pengolahan SPSS Gambar IV.4. Hasil Uji Heteroskedastisitas Dari Gambar IV.3 di atas terlihat bahwa titik-ttitik menyebar secara acak random serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai. Santoso 2000 menyatakan, jika ada pola tertentu, seperti titik-titik yang membentuk suatu pola yang teratur bergelombang, melebar kemudian menyempit, maka telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hal ini berarti tidak terjadi heteroskedistisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi keputusan memilih berdasarkan masukan dari variabel bebasnya. 115 Selanjutnya dilakukan uji statistik untuk menjamin keakuratan hasil. Adapun uji statistik yang digunakan untuk mendeteksi ada tidaknya heteroskedasitas adalah uji Glesjer. Tabel IV.8. Hasil Uji Glesjer Sumber : Hasil Pengolahan SPSS Dari Tabel IV.8 di atas menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedasitas. Hal ini konsisten dengan hasil uji Scatter Plots. IV.1.6.1.4. Koefisien Determinasi R 2 Tabel IV.9. Hasil Uji Determinasi Coefficients a 4.002 4.894 .818 .420 -.282 .146 -.358 -1.932 .063 .127 .114 .207 1.116 .274 Constant Motivasi Kepuasan Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: Res_2 a. 116 Sumber : Hasil Pengolahan SPSS Berdasarkan Tabel IV.9 di atas, diketahui bahwa besarnya koefisien determinasi atau angka R 2 adalah sebesar 0,485, yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas indenpenden sebesar 48,50. Jadi model cukup baik. Sedangkan sisanya 51,50 dijelaskan oleh variabel-variabel bebas lain yang tidak diteliti dan tidak dimasukkan ke dalam model regresi. IV.1.6.2. Pengujian Asumsi Klasik II Sebelum melakukan pengujian hipotesis, terlebih dahulu dilakukan pengujian asumsi klasik yang dimaksudkan untuk memastikan bahwa model regresi linear berganda dapat digunakan atau tidak. Apabila uji asumsi klasik telah terpenuhi, alat uji statistik linear berganda dapat dipergunakan. Model Summary b .697 a .485 .450 1.75230 1.317 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson Predictors: Constant, Kepuasan, Motivasi a. Dependent Variable: Prestasi b. 117 -3 -2 -1 1 2 3 Regression Standardized Residual 2 4 6 8 Fre que ncy Mean = -1.8E-16 Std. Dev. = 0.95 N = 32 Dependent Variable: Motivasi Histogram IV.1.6.2.1. Uji Normalitas Untuk pengujian normalitas data dalam penelitian ini dideteksi melalui analisa grafik dan statistik yang dihasilkan melalui perhitungan regresi dengan SPSS. Hasil pengujian normalitas dapat dilihat pada Gambar IV.4 berikut : Sumber : Hasil Pengolahan SPSS Gambar IV.5. Uji Normalitas Dari Gambar IV.4, dapat disimpulkan bahwa data yang digunakan menunjukkan normal. Ghozali 2005 menyatakan bahwa, jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik 118 0.0 0.2 0.4 0.6 0.8 1.0 Observed Cum Prob 0.0 0.2 0.4 0.6 0.8 1.0 Exp ec ted Cu m Pr ob Dependent Variable: Motivasi Normal P-P Plot of Regression Standardized Residual histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi nomalitas. Analisis dari grafik terlihat titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal. Maka model regresi layak dipakai untuk memprediksi motivasi kerja pegawai berdasarkan masukan variabel independen. Sumber : Hasil Pengolahan SPSS Gambar IV.6. Uji Normalitas 119 Selanjutnya uji normalitas data dilakukan dengan analisis statistik dengan menggunakan alat uji non parametrik Kolmogorov – Smirnov K-S, seperti terlihat pada Tabel IV.10 berikut ini: Tabel IV.10. Uji Kolmogorov – Smirnov K-S Sumber : Hasil Pengolahan SPSS One-Sample Kolmogorov-Smirnov Test 32 .0000000 .96862496 .122 .120 -.122 .691 .726 N Mean Std. Deviation Normal Parameters a,b Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed Unstandardized Residual Test distribution is Normal. a. Calculated from data. b. 120 Dari Tabel IV.10 di atas diketahui besarnya nilai Kolmogorov- Smirnov adalah 0,691 dan tidak signifikan pada 0,726. Hal ini berarti data residual berdistribusi normal, dan hasilnya konsisten dengan uji sebelumnya. IV.1.6.2.2. Uji Multikolinieritas Uji mulitikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka terdapat masalah multikolinieritas. Pada model regresi yang baik tidak terjadi korelasi di antara variabel independen. Hasil pengujian multikolinieritas data dalam penelitian ini menggunakan alat bantu SPSS, hasilnya dapat dilihat pada Tabel IV.11 berikut : Tabel IV.11. Hasil Uji Multikolinearitas 121 Sumber : Hasil Pengolahan SPSS Dari Tabel IV.11 di atas terlihat bahwa ketiga variabel bebas yaitu : variabel pimpinan, rekan sekerja dan sarana fisik, angka Variance Inflation Factor VIF kurang dari 5, sedangkan nilai Tolerance mendekati 1, dengan demikian dapat disimpulkan bahwa pada model regresi tersebut tidak terdapat problem multikolinieritas. IV.1.6.2.3. Uji Heteroskedastisitas Heterokedastisitas digunakan untuk menguji apakah dalam model regresi, terjadi ketidaksamaan varians dari residual dari suatu pengamatan yang lain. Jika variasi residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut heterokedastisitas. Model yang baik adalah tidak terjadi heterokedastisitas. Coefficients a 2.111 3.941 .244 .096 .353 .737 1.358 .427 .224 .275 .683 1.465 .661 .229 .378 .829 1.206 Constant Pimpinan Rekan Sekerja Sarana Fisik Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients Tolerance VIF Collinearity Statistics Dependent Variable: Motivasi a. 122 -2 -1 1 2 3 Regression Standardized Predicted Value -3 -2 -1 1 2 3 Reg re ssio n St uden ti ze d Re sidu al Dependent Variable: Motivasi Scatterplot Hasil pengujian heteroskedastisitas data dalam penelitian ini menggunakan alat Bantu SPSS dengan mengamati pola yang terdapat pada Sctterplots, hasilnya dapat dilihat pada Gambar IV.6. Sumber : Hasil Pengolahan SPSS Gambar IV.7. Hasil Uji Heteroskedastisitas 123 Dari Gambar IV.6 di atas terlihat bahwa titik-ttitik menyebar secara acak random serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai. Santoso 2000 menyatakan, jika ada pola tertentu, seperti titik-titik yang membentuk suatu pola yang teratur bergelombang, melebar kemudian menyempit, maka telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hal ini berarti tidak terjadi heteroskedistisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi keputusan memilih berdasarkan masukan dari variabel bebasnya. Selanjutnya dilakukan uji statistik untuk menjamin keakuratan hasil. Adapun uji statistik yang digunakan untuk mendeteksi ada tidaknya heteroskedasitas adalah uji Glesjer. Tabel IV.12.Hasil Uji Glesjer 124 Sumber : Hasil Pengolahan SPSS Dari Tabel IV.2 di atas menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedasitas. Hal ini konsisten dengan hasil uji Scatter Plots. IV.1.6.2.4. Koefisien Determinasi R 2 Tabel IV.13. Hasil Uji Determinasi Sumber : Hasil Pengolahan SPSS Coefficients a 4.998 2.488 2.009 .054 -.022 .061 -.076 -.365 .718 -.131 .142 -.200 -.924 .363 -.093 .144 -.127 -.644 .525 Constant Pimpinan Rekan Sekerja Sarana Fisik Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig. Dependent Variable: Res_2 a. Model Summary b .776 a .603 .560 1.01920 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: Constant, Sarana Fisik, Pimpinan, Rekan Sekerja a. Dependent Variable: Motivasi b. 125 Berdasarkan Tabel IV.13 di atas, diketahui bahwa besarnya koefisien determinasi atau angka R 2 adalah sebesar 0,603, yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas indenpenden sebesar 60,30. Jadi model cukup baik. Sedangkan sisanya 39,70 dijelaskan oleh variabel-variabel bebas lain yang tidak diteliti dan tidak dimasukkan ke dalam model regresi.

IV.1.7. Pengujian Hipotesis