84
Pada Tabel 4.8 menunjukkan bahwa nilai Asymp. Sig. 2-tailed adalah 0.277 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 mempunyai persoalan
multikolinearitas 4. Apabila tolerance 0,1 maka tidak terdapat multikolinearitas.
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 12.874
3.383 3.805
.001 Beban Kerja
-.067 .119
.094 2.564
.017 .776
1.288 Lingkungan
Kerja .235
.084 .466
3.799 .008
.776 1.288
a. Dependent Variable: Kinerja
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
Universitas Sumatera Utara
85
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 :
a. Pendekatan Grafik
Gambar 4.4 Scatterplot Heteroskedastisitas
Scatteerplot Devendent Variable : Kinerja
Sumber :Hasil pengolahan SPSS 2016
Berdasarkan Gambar 4.4 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
Universitas Sumatera Utara
86
layak dipakai untuk memprediksi kinerja berdasarkan masukan variabel beban kerja dan lingkungan kerja.
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 .658
2.434 .270
.789 Beban Kerja
.109 .086
.241 1.269
.213 Lingkungan Kerja
-.057 .060
-.179 -.941
.353 a. Dependent Variable: Absut
Sumber :Hasil pengolahan SPSS 2016
Pada Tabel 4.10 terlihat variabel independen beban kerja dan lingkungan kerja yang tidak signifikan secara statistik mempengaruhi variabel dependen
absolute Ut absUt.Hal ini terlihat dari probabilitas beban kerja 0.213dan lingkungan kerja 0.353 diatas tingkat signifikansi 5 0.05, jadi disimpulkan
model regresi tidak mengarah adanya heteroskedastisitas.
4.4 Analisis Regresi Linear Berganda