73
B. Uji Persyaratan Analsis
Sebelum data dianalisis lebih lanjut dengan menggunakan analisis regresi linier sederhana dan analisis regresi linier berganda, lebih dahulu dilakukan uji
normalitas, uji homoginitas, uji linieritas, uji asumsi klasik meliputi uji multikolinieritas, uji heterokedastisitas, dan uji autokorelasi.
1. Uji Normalitas
Sebelum data dianalisis akhir, terlebih dahulu dilakukan pengujian tingkat kenormalannya menggunakan Kolmogorof Smirnov dengan bantuan SPSS 11,
diperoleh hasil seperti pada tabel di bawah ini. Berdasarkan hasil uji normalitas, diperoleh nilai signifikasi masing-masing fariabel adalah 0. 893, 0.677, 0.375 dan
0.589. Angka-angka tersebut menunjukkan angka yang tidak signifikasi karena lebih tinggi dibandingkan dengan taraf signifikasi 0,005. Hal tersebut
memberikan gambaran penyimpangan sebaran darikurva normalnya tidak signifikan, yang berarti bahwa sebaran data berdistribusi normal
Tabel 4.9 Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test
DIKLAT KOMP
PUAS KINERJA
N 30
30 30
30 Normal
Parametersa,b Mean
26,3000 32,0667
21,0000 45,2333
Std. Deviation
5,16053 6,52810
4,22635 5,17743
Most Extreme Differences
Absolute ,105
,132 ,167
,141 Positive
,105 ,132
,167 ,141
Negative -,096
-,082 -,105
-,073 Kolmogorov-Smirnov Z
,577 ,721
,913 ,773
Asymp. Sig. 2-tailed ,893
,677 ,375
,589 a Test distribution is Normal.
74
b Calculated from data.
Lebih lanjut untuk menguji apakah distribusi data naormal atau tidak, dengan melihat Normal Probability Plot yang membandingkan distribusi
komulatif dari data yang sesungguhnya dengan distribusi komulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting
data akan dibandingkan dengan garis diagonal. Jika didistribusi data adalah, normal maka garis yang menggambarkan data sesungguhnya akan mengikuti
diagonalnya. Ghozali, 2001. Hasil scattter plot untuk uji normalitas adalah sebagai berikut:
Gambar 4.5 Hasil Uji Normalitas
Normal P-P Plot of Regression Standardized Residual Dependent Variable: KINERJA
Observed Cum Prob
1,0 ,8
,5 ,3
0,0
Expected Cum Prob
1,0 ,8
,5 ,3
0,0
Jika dilihat berdasarkan grafik di atas, maka data dari semua semua data berdistribusi normal. Hal ini karena semua data menyebar mengikti garis
Normalitas.
75
2. Uji Linieritas
Uji linieritas dilakukan untuk mengetahui ada tidaknya hubungan linier antara variabel bebas dengan variabel terikat. Adapun hasil pengujian linieritas
adalah sebagai berikut:
a Hubungan Pendidikan dan Pelatihan dan Kinerja Guru X
1
– Y
Hasil penghitungan uji F regresi X
1
terhadap Y terlihat pada tabel 4.10 berikut.
Tabel 4.10 Uji Linieritas Pendidikan dan Pelatihan Terhadap Kinerja Guru
ANOVA
b
1063,615 1
1063,615 41,076
,000
a
2537,625 98
25,894 3601,240
99 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, DIKLAT a.
Dependent Variable: KINERJA b.
D
ari tabel terlihat nilai F sebesar 41,076 dengan nilai signifikasi sebesar 0,000. Melihat besarnya nilai signifikasi yang kurang dari 0,05 maka dapat
disimpulkan bahwa uji regresi yang dilakukan bersifat linier.
b Hubungan Kompensasi dan Kinerja Guru X
2
– Y
Hasil penghitungan uji F regresi X
2
terhadap Y terlihat pada tabel berikut.
76
Tabel 4.11 Uji Linieritas Kompensasi Terhadap Kinerja Guru
ANOVA
b
1541,551 1
1541,551 73,347
,000
a
2059,689 98
21,017 3601,240
99 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, KOMP a.
Dependent Variable: KINERJA b.
Dari tabel terlihat nilai F sebesar 73,347 dengan nilai signifikasi sebesar 0,000. Melihat besarnya nilai signifikasi yang kurang dari 0,05 maka dapat
disimpulkan bahwa uji regresi yang dilakukan bersifat linier.
c Hubungan Kepuasan Kerja Guru dan Kinerja Guru X
3
– Y
Hasil penghitungan uji F antara X3 terhadap Y terlihat pada tabel berikut
Tabel 4.12 Uji Linieritas Kepuasan Kerja Terhadap Kinerja Guru
ANOVA
b
893,823 1
893,823 32,354
,000
a
2707,417 98
27,627 3601,240
99 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, PUAS a.
Dependent Variable: KINERJA b.
Dari tabel terlihat nilai F sebesar 32,354 dengan nilai signifikasi sebesar 0,000. Mwlihat besarnya nilai signifikasi yang kurang dari 0,05 maka dapat
disimpulkan bahwa uji regresi yang dilakukan bersifat linier.
77
d Hubungan Diklat, Kompensasi,Kepuasan Kerja dan Kinerja Guru X
123
Y
Hasil penghitungan uji F regresi X
123
terhadap Y terlihat pada tabel berikut.
Tabel 4.13 Uji Linieritas Diklat, Kompensasi, Kepuasan Kerja dan Kinerja
Guru
ANOVA
b
1994,121 3
664,707 39,706
,000
a
1607,119 96
16,741 3601,240
99 Regression
Residual Total
Model 1
Sum of Squares
df Mean Square
F Sig.
Predictors: Constant, PUAS, DIKLAT, KOMP a.
Dependent Variable: KINERJA b.
Berdasarkan tabel 4.13 di atas dapat terlihat bahwa pada uji linieritas diperoleh nilai F sebesar 39,706 dengan nilai signifikasi 0,000. Melihat besarnya
nilai signifikasi yang kurang dari 0,05 maka dapat disimpulkan bahwa uji regresi bersifat linier.
3. Uji Multikoliniritas
Uji multikoliniritas dilakukan untuk mengetahui apakah ada hubungan antara variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi
antara variabel bebas. Uji multikolinieritas digunakan apabila variabel bebas lebih dari satu, seperti dalam penelitian ini yang memiliki 3 variabel bebas. Adapun uji
multikolinieritas seperti pada tabel berikut.
78
Tabel 4.14 Hasil Uji Multikolinieritas
Coefficients
a
11,175 ,320
,374 ,604
2,871 ,110
,089 ,134
,254 ,385
,328 3,892
2,914 4,212
4,515 ,000
,004 ,000
,000 ,543
,654 ,498
,285 ,395
,419 ,199
,287 ,308
,612 ,555
,880 1,633
1,802 1,137
B Std. Error
Unstandardized Coefficients
Beta Standardized Coefficients
t Sig.
Zero-order Partial
Part Correlations
Tolerance VIF
Collinearity Statistics Constant
DIKLAT KOMP
PUAS 1
Model
Dependent Variable: KINERJA a.
Jika nilai Variance Inflantion Factor VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinieritas dengan variabel bebas
lainnya Santoso, 2003:357. Berdasarkan tabel tersebut, diketahui variabel bebas Diklat X
1
, Kompensasi X
2
, Kepuasan Kerja X
3
mempunyai VIF di bawah 5, besarnya masing-masing adalah 1,633,1.802,1.137. Dapat disimpulkan dalam
model regresi tidak terjadi multikoliieritas diantara variabel bebas.
4. Uji Heterokedastisitas
Uji Heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residal satu pengamatan ke pengamatan yang
lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoksedasitas dan jika berbeda tersebut heterokesitisitas. Model regresi
yang baik adalah yang homokedastisitas atau tidak terjadi heterokestitas.
79
Deteksi adanya Heterokedastisitas dengan melihat ada tidaknya pola tertentu pada grafik, di mana sumbu X adalah Y, dan sumbu X adalah residual Y
prediksi – Y sesungguhnya yang telah di studentized. Adapun grafik hasil uji heterokesdastisitas adalah sebagai berikut.
Gambar 4.6 Uji Heterokedastisitas
Scatterplot Dependent Variable: KINERJA
Regression Standardized Predicted Value
3 2
1 -1
-2
Regression St udent
ized Residual
3 2
1 -1
-2 -3
Dari grafik, terlihat titik-titik yang menebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta tersebar baik di atas maupun di bawah angka 0
nol pada sumbu Y. Hal ini berarti tidak terjadi Heteroskedasitas pada model regresi, sehingga model regrsi layak dipakai untuk memprediksi kinerja guru.
5. Uji Autokorelasi
Untuk menguji apakah dalam sebah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t
sebelumnya. Model regresi yang baik adalah regresi yangbebas autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi dapat dilihat pada tabel Durbin-
Watson D-W.Jika D-W di bawah -2 berarti ada autokorelasi positif, jika D-W
80
diantara -2 sampai +2 berarti tidak ada autokorelasi, dan jika D-W di atas +2 berarti ada autokorelasi negatif.
Tabel 4.15 Hasil Uji autokorelasi
Model Summaryb
Model R
R Square
Adjusted R Square Std. Error of the
Estimate Durbin-Watson
1 ,067a
,004 -,110
5,45570 2,046
a Predictors: Constant, PUAS, KOMP, DIKLAT b Dependent Variable: KINERJA
Berdasarkan data out put Model Summary di atas, diperoleh nilai D-W Durbin Waston = 2,046 Nilai tersebut berada diantara -2 sampai +2. Ini berarti
dalam model linier terjadi autokorelasi
C. UJi Hipotesis
