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