4.1.7. Hasil Pengujian Asumsi Klasik 1 Uji Normalitas
Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal dari populasi yang berdistribusi normal. Ada beberapa teknik yang dapat
digunakan untuk menguji normalitas data, antara lain uji chi-kuadrat, uji Lilliefors, dan uji Kolmogorov-Smirnov. Normalitas dipenuhi jika hasil uji tidak signifikan untuk suatu
taraf signifikasi a tertentu Biasanya a = 0.05 atau 0.01. Sebaliknya, jika hasil uji signifikan maka normalitas tidak terpenuhi. Hasil test membuktikan bahwa aspek
normalitas sudah terpenuhi.
Tabel 4.8. One-Sample Kolmogorov-Smirnov Test
Kinerja Motivasi Komitmen
N 38
38 38
Normal Parametersa,b Mean
29,8421 50,1053
14,7368 Std. Deviation
2,49893 3,75456
1,84074 Most Extreme Differences Absolute
,130 ,143
,148 Positive
,109 ,143
,129 Negative
-,130 -,087
-,148 Kolmogorov-Smirnov Z
,804 ,880
,915 Asymp. Sig. 2-tailed
,537 ,421
,372 Sumber: Hasil Penelitian Data Diolah
Kolmogorov-Smirnov Z merupakan angka Z yang dihasilkan dari teknik Kolmogorov Smirnov untuk menguji kesesuaian distribusi data dengan suatu
distribusi tertentu, dalam hal ini distribusi normal. Angka ini biasanya juga dituliskan dalam laporan penelitian ketika membahas mengenai uji normalitas. Asymp. Sig. 2-
tailed. Merupakan nilai p yang dihasilkan dari uji hipotesis nol yang berbunyi tidak ada perbedaan antara distribusi data yang diuji dengan distribusi data normal. Jika
Universitas Sumatera Utara
nilai p lebih besar dari 0.1 maka kesimpulan yang diambil adalah hipotesis nol
gagal ditolak atau dengan kata lain sebaran data yang kita uji mengikuti distribusi normal. Kesimpulan yang sama juga bisa diperoleh dengan melihat kurva normal
berikut ini:
Gambar 4.2. Normal P-P Plot of Regression Standardized Residual
2 Uji Multikolinearitas
Salah satu syarat agar model regresi linier berganda memenuhi syarat Best Linear Unbiased Estimator BLUE adalah tidak terjadi multikolinearitas antara
sesama variabel bebas dalam model. Jika terjadi multikolinearitas sempurna, penafsiran koefisien regresi tidak dapat digunakan. Pedoman suatu model regresi
yang bebas multikoloniaritas adalah koefisien korelasi antar variabel independent haruslah lemah di bawah 0,5. Selian itu uji multikolinearitas juga dilakukan dengan
menggunakan Variance Inflation Factor VIF dimana asumsi bebas multikolinearitas
Universitas Sumatera Utara
terpenuhi jika nilai VIF pada output SPSS di bawah 10. Berdasarkan tabel diperoleh nilai VIF di bawah 10.
Tabel 4.9. Coefficients VIF untuk Uji Multikolinearitas
Model Unstandardized
Coefficients Standardized
Coefficients Sig.
Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant
12,763 18,798
,001 Motivasi Kerja X
1
3,759 ,489
,027 ,005
,323 1,162
Komitmen Organisasi X
2
2,289 ,478
,340 ,040
,323 1,162
Sumber: Hasil Penelitian Data Diolah
3 Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk menguji apakah dalam model regresi liner kesalahan pengganggu e mempunyai varians yang sama atau tidak dari satu
pengamatan ke pengamatan yang lain. Untuk menguji Heteroskedastisitas dapat diketahui dari nilai signifikan korelasi Rank Spearman antara masing-masing variabel
independen dengan residualnya. Jika nilai signifikan dari α 5 maka tidak
terdapat Heteroskedastisitas dan sebaliknya jika lebih kecil dari α 5 maka terdapat Heteroskedastisitas.
Tabel 4.10. Spearman’s Rho Correlations
Kinerja Pegawai Y Motivasi Kerja X
1
Komitmen Org X
2
Spearmans rho
kinerja Correlation Coef.
1,000 ,348
,376 Sig. 2-tailed
. ,674
,720 N
38 38
38 motivasi
Correlation Coef. ,348
1,000 ,110
Sig. 2-tailed ,674
. ,611
N 38
38 38
komitmen Correlation Coef.
,376 ,110
1,000 Sig. 2-tailed
,720 ,611
. N
38 38
38 Sumber: Hasil Penelitian Data Diolah
Universitas Sumatera Utara
Gambar 4.3. Scatterplot Uji Heteroskedastisitas
Berdasarkan Tabel 4.8. diperoleh hasil nilai signifikansi yang lebih besar dari α 5 sehingga dapat disimpulkan, tidak ada masalah Heteroskedastisitas dalam
penelitian ini. Deteksi heteroskedastisistas juga dapat dilakukan dengam melihat sebaran pada Scatterplot, sebagaimana tersaji pada Gambar 4.3. dimana suatu model
regresi yang baik ditandai dengan titik-titik yang menyebar dengan tidak berpola.
4.1.8. Hasil Pengujian Hipotesis