Pengujian Validitas Uji Instrumen

menunjukkan hasil yang baik karena semua butir pertanyaan dinyatakan valid karena nilai r hitung r tabel dan nilai sig 0,05. 2. Pengujian Reliabilitas Uji reliabilitas dalam penelitian ini menggunakan rumus Cronbach Alpha. Hasil uji reliabilitas penelitian ini dapat dilihat sebagai berikut : Tabel V.10 Hasil Uji Reliabilitas Variabel Alpha Keterengan Kompensasi X1 0,798 Reliabel Komunikasi X2 0,714 Reliabel Kondisi Kerja X3 0,752 Reliabel Kepuasan Kerja Y 0,673 Reliabel Sumber: Data primer yang diolah, 2014 Dari tabel V.6 di atas dapat dilihat bahwa semua variabel bersifat reliabel. Hal ini ditunjukkan dengan nilai Cronbach Alpha untuk variabel kompensasi 0,798 , komunikasi 0,714 , kondisi kerja 0,752 dan kepuasan kerja 0,673 yang lebih besar dari 0,60 yang berarti bahwa suatu variabel dikatakan reliabel jika memberikan nilai cronbach alpha 0,60. D. Uji Asumsi Klasik 1. Uji Normalitas Tujuan uji normalitas adalah untuk menguji apakah dalam sebuah model regresi, variabel terikat dan variabel bebas atau keduanya mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal. Deteksi normalitas dilakukan dengan melihat grafik Normal Probability Plot. Untuk menguji apakah distribusi data normal atau tidak, dapat dilakukan dengan melihat grafik normal probability plot yang membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Jika data menyebar di sekitar garis dan mengikuti arah garis diagonal maka model regresi memenuhi asumsi normalitas tetapi jika data menyebar jauh dari garis diagonal dan atau mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi normalitas. Hasil uji normalitas dapat dilihat pada gambar V.1 berikut ini: Sumber: data primer yang diolah, 2014 Gambar V.1 Grafik hasil Uji Normalitas Sumber: data primer yang diolah, 2014 Gambar V.2 Hasil Uji Normalitas Pada gambar V.2 dapat dilihat bahwa grafik normal probability plot menunjukkan pola grafik yang normal. Hal ini terlihat dari titik yang menyebar di sekitar grafik normal. Hal ini terlihat dari titik-titik yang menyebar di sekitar garis diagonal dan penyebarannya mengikuti garis diagonal. Oleh karena ini dapat disimpulkan bahwa model regresi layak dipakai karena memenuhi asumsi normalitas.

2. Uji Multikolinieritas

Uji multikolinieritas dilakukan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Pengujian ada tidaknya gejala multikolinieritas dilakukan dengan memperhatikan nilai matriks korelasi yang dihasilkan pada saat pengolahan data serta nilai VIF Variance Inflation Factor dan toleransinya. Apabila nilai matrik korelasi tidak ada yang lebih besar dari 0,5 maka dapat dikatakan data yang akan dianalisis bebas dari multikolinieritas. Kemudian apabila nilai VIF berada di bawah 10 dan nilai toleransi mendekati 1, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat multikolinieritas. Hasil uji Multikolinieritas dapat dilihat pada tabel V.7 dibawah ini. Tabel V.11 Hasil Uji Multikolinieritas Collinearity Statistics Variabel Tolerance VIF Kompensasi 0,915 1,093 Komunikasi 0,539 1,856 Kondisi Kerja 0,534 1,871 Sumber: Data primer yang diolah, 2014 Berdasarkan tabel V.7 di atas dapat dilihat bahwa model regresi tidak mengalami gangguan multikolinieritas. Hal ini tampak pada nilai tolerance masing-masing variabel di bawah dari 10. Hasil perhitungan VIF juga menunjukkan bahwa nilai VIF masing-masing variabel lebih besar dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel bebas dalam model regresi tersebut.

3. Uji Heteroskedastisitas

Uji heteroskedastisitas bertujuan untuk menguji apakah varian dari kesalahan pengganggu konstan untuk semua nilai variabel independen bebas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk melihat gejala heteroskedastisitas dapat dilihat dengan grafik scatterplot. Dasar pengambilan keputusan untuk mendeteksi heteroskedastisitas adalah jika ada pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas dan jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Sumber: Data primer diolah, 2014 Gambar V.3 Hasil Uji Heteroskedastisitas Dari gambar V.3 Scatterplot antara Studentized Residual dan Standardized Predicted Value di atas didapatkan titik-titik menyebar di bawah dan di atas sumbu Y dan tidak membentuk suatu pola tertentu sehingga dapat dianggap variabel bebas di atas tidak terjadi heteroskedastisitas.