98 Gambar 4.3 menunjukkan bahwa dari grafik histogram
didapatkan garis kurva normal, sehingga dapat disimpulkan bahwa data yang diteliti berdistribusi normal.
Selain analisis grafik diatas, penelitian ini juga menggunakan uji statistik yaitu dengan non-parametrik Kolmogorov Smirnov K-S
dalam melakukan uji normalitas karena penulis ingin mengatahui besarnya angka dalam uji tersebut, dengan ketentuan jika Nilai A Simp
Sig 2-tailed 0,05 maka data terdistribusi normal, sedangkan jika nilai A Simp Sig 2-tailed 0,05 maka data tidak terdistribusi normal.
Tabel 4.17 Hasil Uji One-Sample Komogorov-Smirnov K-S
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
83 Normal
Parameters
a,b
Mean ,0000000
Std. Deviation 1,67995632
Most Extreme Differences
Absolute ,066
Positive ,066
Negative -,058
Test Statistic ,066
Asymp. Sig. 2-tailed ,200
c,d
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data Primer yang diolah, 2015 Tabel 4.17 menunjukkan hasil statistik dari uji normalitas
memperlihatkan Nilai A Simp Sig 2-tailed sebesar 0,200 lebih besar dari 0,05 yang berarti bahwa data terdistribusi normal.
99
b. Hasil Uji Heteroskedastisitas
Untuk mendeteksi ada tidaknya heteroskedastisitas dapat digunkaan metode grafik Scatterplot yang dihasilkan dari output
program SPSS versi 22. Gambar 4.4
Hasil Uji Heteroskedastisitas
Sumber: Data Primer yang diolah, 2015 Dari gambar 4.4 tersebut terlihat tititk-titik meyebar secara
acak, tidak membentuk suatu pola tertentu yang jelas serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. Hal ini berarti
tidak terjadi penyimpangan asumsi klasik heteroskedasitisitas pada model regresi yang dibuat, dengan kata lain menerima hipotesis
homoskedastisitas. Untuk dapat lebih meyakinkan apakah ada tidaknya heteroskedastisitas digunakan juga uji spearman.
100 Uji dengan gambar plot dapat menyesatkan bila jumlah data
sedikit. Untuk itu diperlukan pengujian lebih akurat yaitu dengan metode spearman. Jika variabel independen signifikan secara statistik
mempengaruhi variabel mempengengaruhi variabel dependen, maka ada indikasi terjadi heterokedastisitas. Hasil tampilan output SPSS
dengan jelas menunjukan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel
dependen nilai absolut ut AbsUT Ghozali, 2011:143.
Gambar 4.18 Hasil Uji Spearman untuk Heterokedastisitas
Correlations
gk lk
k kk
Spearmans rho gk Correlation Coefficient
1,000 ,411
,031 ,495
Sig. 2-tailed .
,000 ,782
,000 N
83 83
83 83
Lk Correlation Coefficient
,411 1,000
,187 ,664
Sig. 2-tailed ,000
. ,091
,000 N
83 83
83 83
K Correlation Coefficient
,031 ,187
1,000 ,298
Sig. 2-tailed ,782
,091 .
,006 N
83 83
83 83
kk Correlation Coefficient
,495 ,664
,298 1,000
Sig. 2-tailed ,000
,000 ,006
. N
83 83
83 83
. Correlation is significant at the 0.01 level 2-tailed.
Sumber: Data primer yang diolah, 2015 Hasil ini terlihat dari probabilitas signifikansinya diatas 0,05.dapat
dilihat bahwa nilai sig. Gaya Kepemimpinan 0,495, nilai sig. Lingkungan
101 Kerja sebesar 0,664, dan nilai Kompensasi sebesar 0,298. Maka dapat
disimpulkan model regresi tidak mengandung adanya heterokedastisitas.
c. Hasil Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen.
Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independennya. Ada tidaknya multikolineritas didalam model
regresi adalah dilihat dari besaran VIF Variance Inflation Factor dan Tolerance. Regresi yang terbebas dari problem multikolineritasitas
apabila nilai VIF 10 dan nilai Tolerance 0,10, maka data tersebut tidak ada multikolinearitas Ghozali, 2013:106.
Tabel 4.19 Hasil Uji Multikolinearitas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1 Constant
gk ,848
1,179 lk
,817 1,224
k ,958
1,044 a. Dependent Variable: kk
Sumber: Data Primer yang diolah, 2015 Tabel 4.18 diatas, menunjukkan bahwa nilai VIF semua
variabel bebas dalam penelitian ini lebih kecil dari 10 sedangkan nilai toleransi semua variabel bebas dari 10 yang berarti tidak terjadi
102 kolerasi antar variabel bebas, dengan demikian dapat disimpulkan
bahwa tidak terdapat gejala multikolinieritas antar variabel bebas dalam model regresi.
4. Hasil Regresi Linear Berganda
Hipotesis dalam penelitian ini diuji dengan menggunakan model regresi linear berganda. Siregar 2013:379 mengatakan regresi linear
berganda digunakan untuk satu variabel tidak bebas dependen dan dua atau lebih variabel bebas independen. Tujuan penerapan metode ini
adalah untuk meramalkan atau memprediksi besaran nilai variabel tak
bebas dependen yang dipengaruhi oleh variabel bebas independen.
Untuk mengetahui ada atau tidaknya pengaruh antara gaya kepemimpinan transaksional, lingkungan kerja, dan kompensasi variabel
Independen terhadap kepuasan kerja variabel independen digunakan
analisis regresi linear berganda yang dapat dirumuskan sebagai berikut: Y= a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+e Ket:
Y = Variabel Kepuasan Kerja
a = Konstanta regresi berganda
X
1
= Variabel Gaya Kepemimpinan Transaksional X
2
= Variabel Lingkungan Kerja X
3
= Variabel Kompensasi b
1
= Koefisien regresi Gaya Kepemimpinan Transaksional b
2
= Koefisien regresi Lingkungan Kerja b
3
= Koefisien regresi Kompensasi e
= Error
103 Berikut ini merupaskan hasil uji regresi linear berganda:
Tabel 4.20 Hasil Uji Regresi Linear Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 2,149
1,331 1,615
,110 Gk
,272 ,084
,272 3,231
,002 Lk
,276 ,045
,523 6,104
,000 K
,102 ,049
,165 2,089
,040 a. Dependent Variable: kk
Sumber: Data Primer yang diolah, 2015 Berdasarkan tabel diatas, maka nilai konstanta dan koefisien
regresi dapat dibentuk menajadi: Y= 2,149 +0,272X
1
+0,276 X
2
+ 0,102 X
3
Berdasarkan Tabel 4.19 diatas, maka nilai konstanta dan koefisien regresi dapat dibentuk menjadi:
Dari persamaan diatas dapat dijelaskan sebagai berikut: a. Nilai a sebesar 2,149 berarti jika X
1
gaya kepemimpinan transaksional, X
2
lingkungan kerja dan X
3
kompensasi bernilai 0, maka kepuasan kerja akan bernilai 2,149.
b. Koefisien regresi dari variabel X
1
gaya kepemimpinan transaksional sebesar 0,272 menyatakan bahwa Y kepuasan kerja akan meningkat
sebesar 0,272 untuk setiap tambahan satu satuan X
1
gaya
104 kepemimpinan transaksional dengan asumsi variabel lain konstan.
Jadi apabila gaya kepemimpinan transaksional mengalami peningkatan satu satuan, maka kepuasan kerja akan meningkat sebesar 0,272.
c. Koefisien regresi dari variabel X
2
lingkungan kerja sebesar 0,276 menyatakan bahwa Y kepuasan kerja akan meningkat sebesar 0,276
untuk setiap tambahan satu satuan X
2
lingkungan kerja dengan asumsi variabel lain konstan. Jadi apabila lingkungan kerja mengalami
peningkatan satu satuan, maka kepausan kerja akan meningkat sebesar 0,276.
d. Koefisien regresi dari variabel X
3
kompensasi sebesar 0,102 menyatakan bahwa Y kepuasan kerja akan meningkat sebesar 0,102
untuk setiap tambahan satu satuan X
3
kompensasi dengan asumsi variabel lain konstan. Jadi apabila kompensasi mengalami peningkatan
satu satuan, maka kepausan kerja akan meningkat sebesar 0,102. Untuk mengetahui diantara variabel bebas tersebut yang
berpengaruh paling dominan terhadap variabel terikat dapat dilihat dari nilai koefisien beta masing-masing. Koefisien beta merupakan nilai dari
koefisien regresi yang telah distandarisasi dan berguna untuk membandingkan mana di antara variabel bebas yang dominan terhadap
variabel terikat. Dari tabel dapat dilihat nilai koefisien beta untuk masing-masing
variabel bebas tersebut:
