Metode Grafik Uji Glejser

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