70
4.2.3.2 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. Metode Grafik
Dasar analisis adalah jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Sumber : Hasil Pengolahan SPSS 2016
Gambar 4.5 Hasil Uji Heteroskedastisitas
Uji ini akan dinyatakan terbebas dari heteroskedastisitas jika titik – titik yang terdapat pada gambar tersebar secara merata. Meratanya titik – titik ini
diketahui bahwa titik – titik tersebar diantara titik 0. Melihat pada gambar 4.5
Universitas Sumatera Utara
71 diketahui bahwa titik – titik tersebar merata mengikuti diantara titik 0. Ini dapat
dikatakan bahwa data telah terbebas dari masalah heteroskedastisitas.
b. Uji Glejser
Kriteria pengambilan keputusannya adalah sebagai berikut: 1
Jika nilai signifikansi 0,05 maka tidak mengalami gangguan heterokedastisitas.
2 Jika nilai signifikansi
0,05 maka mengalami gangguan heterokedastisitas.
Tabel 4.9 Hasil Uji Glejser Heterokedastisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1,377
,729 1,889
,061 Motivasi
,005 ,025
,021 ,204
,839 Disiplin_Kerja
-,039 ,034
-,121 -1,166
,246 a. Dependent Variable: absut
Sumber : Hasil Pengolahan SPSS
Pada Tabel 4.9 terlihat variabel independent Motivasi dan Disiplin Kerja yang signifikan secara statistik mempengaruhi variabel dependent absolute Ut
AbsUt. Hal ini terlihat dari probabilitas X
1
0. 839 dan X
2
0. 246 diatas tingkat kepercayaan 5 0.05, jadi disimpulkan model regresi tidak mengarah adanya
heteroskedastisitas.
4.2.3.3 Uji Multikolinearitas
Menurut Situmorang dan Lufti 2014 : 147 mengatakan bahwa Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan
Universitas Sumatera Utara
72 adanya korelasi antar variabel independen. Pada model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Adanya multikolinieritas dapat dilihat dari tolerance value atau nilai Variance Inflation
Faktor VIF. Kedua ukuran ini menunjukan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.
Tolerance adalah mengukur variabilitas variabel independen yang terpilih dan tidak dijelaskan oleh variabel independen yang lain. Nilai Cutoff yang umum
dipakai untuk menunjukkan adanya multikolinieritas adalah apabila Tolerance Value 0,1 sedangkan VIF 5 maka tidak terjadi multikolineritas. Berikut ini
disajikan cara medeteksi multikolinieritas dengan menganalisis matrik korelasi antar variabel independen dan perhitungan nilai tolerance dan varianace inflation
factor VIF.
Tabel 4.10 Hasil Uji Nilai Tolerance dan VIF
Coefficients
a
Model Unstandardized
Coefficients Standardiz
ed Coefficient
s t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleran ce
VIF
1 Constant
1,393 1,201
1,160 ,248
Motivasi ,209
,041 ,303
5,070 ,000
,703 1,422
Disiplin_Ke rja
,570 ,055
,615 10,296 ,000
,703 1,422
a. Dependent Variable: Prestasi_Kerja
Sumber : Hasil Pengolahan SPSS 2016
Berdasarkan Tabel 4.10 dapat dilihat bahwa :
Universitas Sumatera Utara
73 1. Nilai VIF dari Motivasi dan Disiplin kerja lebih kecil atau dibawah 5 VIF 5
yaitu 1,422 ini berarti tidak terkena multikolinieritas antara variabel independen dalam model regresi.
2. Nilai Tolerance dari Motivasi dan Disiplin kerja lebih besar dari 0.1 yaitu 0,703 ini berarti tidak terdapat multikolinieritas antara variabel independen dalam
model regresi.
4.2.4 Uji Regresi Linear Berganda
Analisis regresi berganda digunakan untuk menganalisis seberapa besar hubungan dan pengaruh variabel bebas terhadap variabel terikat. Analisis regresi
linier berganda dalam penelitian ini menggunakan bantuan program SPSS. Adapun bentuk umum persamaan regresi yang digunakan adalah sebagai berikut :
Y= a + b
1
X
1
+ b
2
X
2
+ e
Dimana: Y
= Prestasi Kerja a
= Konstanta b
1
-b
2
= Koefisien Regresi X
1
= Motivasi X
2
= Disiplin Kerja e
= Standart Error
Berdasarkan pengujian menggunakan SPSS for windows, maka hasil persamaan regresi linear berganda dapat dilihat pada Tabel 4.11 berikut ini:
Universitas Sumatera Utara
74
Tabel 4.11 Hasil Regresi Linear Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1,393
1,201 1,160
,248 Motivasi
,209 ,041
,303 5,070
,000 Disiplin_Kerja
,570 ,055
,615 10,296
,000 a. Dependent Variable: Prestasi_Kerja
Sumber : Hasil Pengolahan SPSS 2016
Berdasarkan Tabel 4.11 maka dapat diketahui pada kolom kedua Unstandardized Coefficients bagian B diperoleh nilai b
1
variabel Motivasi sebesar 0,209 dan nilai b
2
variabel Disiplin kerja sebesar 0,570 dan nilai konstanta α adalah 1,393, maka diperoleh persamaan regresi linier berganda sebagai
berikut :
Y= a + b
1
X
1
+ b
2
X
2
+ e Y= 1,393+ 0,209 X
1
+ 0,570 X
2
+ e 1.
Konstanta α = 1,393, ini menunjukkan bahwa jika variabel
Motivasi
dan Disiplin kerja di anggap konstan maka tingkat variabel Prestasi kerja
Karyawan Y PT Jasa Marga Persero Tbk Cabang Medan adalah sebesar 1,393.
2. Koefisien b