56 yang berdasarkan dengan uji statistik non-parametrik Kolmogrov-Smirnov K-S
untuk memastikan apakah data benar berdistribusi normal.
Tabel 4.9 One-Sample Kolmogrov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 82
Normal Parameters
a,b
Mean 0E-7
Std. Deviation 1.75899360
Most Extreme Differences Absolute
.056
Positive .042
Negative -.056
Kolmogorov-Smirnov Z .503
Asymp. Sig. 2-tailed .962
Sumber : Hasil Pengolahan SPSS Juni 2014
Berdasarkan Tabel 4.9 terlihat bahwa nilai Asymp. Sig. 2-tailed adalah 0.962, dan diatas nilai signifikan 0.05, dengan kata lain variabel residual
berdistribusi normal. Nilai Kolmogrov-Smirnov Z yakni 0.503 lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau
dengan kata lain data dikatakan normal.
b. Uji Heteroskedastisitas
Uji heteroskedastisitas ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
57 Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas,
yaitu: 1. Metode Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas,
sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Sumber : Hasil Pengolahan SPSS Juni 2014
Gambar 4.3 Grafik ScatterPlot Uji Heteroskedastisitas
Berdasarkan Gambar 4.3 dapat terlihat dari grafik ScatterPlot yang disajikan, terlihat titik-titik menyebar secara acak tidak membentuk suatu pola
tertentu yang jelas serta tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi,
Universitas Sumatera Utara
58 sehingga model regresi layak dipakai untuk memprediksi keberhasilan usaha,
berdasarkan masukan variabel independennya. 2. Uji Glejser
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya, jika nilai signifikansi antara variabel
independen dengan absolut residual lebih dari 0.05 maka tidak terjadi masalah heteroskedastisitas.
Tabel 4.10 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .851
1.407 .605
.547
KINERJA -.042
.064 -.079
-.659 .512
MOTIVASI .069
.050 .167
1.396 .167
a. Dependent Variable: ABSUT
Sumber : Hasil Pengolahan SPSS Juni 2014
Berdasarkan Tabel 4.10 terlihat jelas menunjukkan tidak satupun variabel independen yang signifikan mempengaruhi variabel dependen absolut Ut asbUt.
Hal ini terlihat dari probabilitas signifikansinya diatas tingkat kepercayaan 5, jadi disimpulkan model regresi tidak memengaruhi heteroskedastisitas.
c. Uji Multikolinearitas
