c. Pendekatan Kolmogorov-Smirnov
Tabel. 4.8
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 56
Normal Parameters
a
Mean .0000000
Std. Deviation 3.79968466
Most Extreme Differences Absolute
.112 Positive
.112 Negative
-.091 Kolmogorov-Smirnov Z
.840 Asymp. Sig. 2-tailed
.481 a. Test distribution is Normal.
Sumber :Hasil pengolahan SPSS 2016
Pada Tabel 4.8 menunjukkan bahwa nilai Asymp. Sig. 2-tailed adalah 0.481 dan diatas nilai signifiksn 0,05 atau 5, sehingga dapat disimpulkan
bahwa variabel residual berdistribusi normal.
4.3.2 Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk mendeteksi ada atau tidaknnya gejala multikolinearitas pada data dapat dilakukan dengan melihat nilai tolerance
value dan Varians Inflation factor VIF. Dengan kriteria sebagai berikut : 1. Apabila VIF 5 maka diduga mempunyai persoalan Multikolinearitas.
2. Apabila VIF dari 5 maka tidak terdapat Multikolinearitas. 3. Apabila
tolerance 0,1 maka diduga mempunyaipersoalan
multikolinearitas 4. Apabila tolerance 0,1 maka tidak terdapat multikolinearitas
Universitas Sumatera Utara
Tabel 4.9 Uji Nilai
Tolerance dan VIF
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 18.325
7.079 2.589
.012 Pengembangan
karir .427
.114 .343
3.755 .000
.910 1.099
Motivasi .874
.134 .598
6.542 .000
.910 1.099
a. Dependent Variable: Kepuasan kerja
Sumber :Hasil pengolahan SPSS 2016
Pada Tabel 4.9 terlihat bahwa nilai tolerance semua variabel bebas adalah lebih besar dari nilai ketetapan 0,1 dan nilai VIF semua variabel bebas adalah
lebih kecil dari nilai ketetapan 5. Oleh karna itu, data dalam penelitian ini dikatakan tidak mengalami masalah multikolinearitas.
4.3.3 Uji Heteroskedastisitas
Tujuan uji heteroskedastisitas adalah untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual antara satu
pengamatan dengan pengamatan yang lain. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi heteroskedastisitas.
Ada beberapa cara untuk mendekati ada atau tidaknya heteroskedastisitas yaitu :
Universitas Sumatera Utara
a. Pendekatan Grafik
Sumber :Hasil pengolahan SPSS 2016
Gambar 4.3 Scatterplot Heteroskedastisitas
Berdasarkan gambar 4.3 dapat terlihat bahwa tidak ada pola yang jelas serta titik-titik menyebar diatas dan di bawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi layak dipakai untuk memprediksi kepuasan kerja berdasarkan masukan variabel
pengembangan karir dan motivasi.
Universitas Sumatera Utara
b. Uji Glesjer
Glejser mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik
mempengaruhi variabel dependen maka ada indikasi terjadi heteroskedastisitas.
Tabel 4.10 Hasil Uji
Glejser heteroskedastisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 11.879
4.471 2.657
.010 Pengembangan karir
.014 .072
.027 .198
.844 Motivasi
-.203 .084
-.328 -2.406
.120 a. Dependent Variable: Absut
Sumber :Hasil pengolahan SPSS 2016
Pada Tabel 4.10 terlihat variabel independen Pengembangan karir dan motivasi yang tidak signifikan secara statistik mempengaruhi variabel dependen
absolute Ut absUt. Hal ini terlihat dari probabilitas pengembangan karir 0.844 dan motivasi 0.120 diatas tingkat signifikansi 5 0.05, jadi disimpulkan
model regresi tidak mengarah adanya heteroskedastisitas.
4.4 Analisis Regresi Linear Berganda
