Uji Asumsi Klasik Hasil Penelitian .1 Analisis Desktiptif

Dari hasil analisis deskripsi jawaban responden tentang kinerja Resimen Mahasiswa dimensi keterlibatan anggota secara keseluruhan, penilaian skala kriteris pada nilai rata-rata gabungan 4,27 menunjukan anggota Resimen Mahasiswa sangat setuju kinerja Resimen Mahasiswa sudah didukung keterlibatan anggota yang optimal. Hal ini dikarenakan disiplin aturan, regulasi dan tata laksana organisasi di Resimen Mahasiswa mewajibkan anggota untuk terlibat pada seluruh kegiatan organisasi, adanya sanksi ketika aturan dilanggar. Dari hasil analisis deskripsi jawaban responden tentang variabel kinerja Resimen Mahasiswa secara keseluruhan, penilaian skala kriteris pada nilai rata-rata gabungan seluruh dimensi 4,30 menunjukan kesimpulan responden sangat setuju kinerja Resimen Mahasiswa sudah memenuhi target kuantitas, ketentuan kualitas dan sudah didukung oleh keterlibatan anggota yang optimal. Berdasarkan analisis skala kriteris jawaban responden maka disimpulkan bahwa dimensi keterlibatan anggota menjadi penjelasan yang dominan pada variabel kinerja Resimen Mahasiswa.

4.1.2 Uji Asumsi Klasik

A. Uji Normalitas Persamaan Substruktur I

Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah data mempunyai pola seperti distribusi normalenceng ke kanan. Ada dua cara yang digunakan untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan histogram dan pendekatan Kolmogrov – Smirnov. 1. Pendekatan Histogram Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram dan grafik normal plot yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Gambar 4.1 Uji Normalitas Error untuk Persamaan Substruktur I Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Gambar 4.1 dapat diketahui bahwa hubungan variabel motivasi berorganisasi dan kedisiplinan berorganisasi terhadap komitmen anggota adalah berdistribusi normal. Hal ini ditunjukkan oleh distribusi data pada gambar histogramnya tidak terlihat menceng ke kiri atau ke kanan berbentuk lonceng. 2. Pendekatan Kolmogrov – Smirnov Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Berikut ini pengujian normalitas yang berdasarkan dengan uji statistik non parametik Kolmogrov Smirnov K – S untuk memastikan apakah benar data berdistribusi normal. Uji normalitas terhadap residual juga menggunakan uji Kolmogorov-Smirnov penelitian ini, menggunakan tingkat signifikansi � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �, dengan ketentuan sebagai berikut : 1. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. 2. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Tabel 4.18 Uji Normalitas Error untuk Persamaan Substruktur I One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 52 Kolmogorov-Smirnov Z .951 Asymp. Sig. 2-tailed .326 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Tabel 4.18, diketahui nilai probabilitas � atau Asymp. Sig 2-tailed sebesar 0,326. Dalam penelitian ini, tingkat signifikansi yang digunakan adalah � = 0,05. Karena nilai probabilitas �, yakni 0,326, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas dipenuhi. Nilai Kolmogrov – Smirnov yakni 0,951 lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal.

B. Uji Heterokedastisitas Persamaan Substruktur I

Uji heteroskedastisitas ini bertujuan untuk menguji apakah di dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jikavarians dari residual satu pengamatan k epengamatan lain tetap, maka disebut homoskedastisitasdan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heterokedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu: 1. Metode Grafik Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatter plot antara SRESID pada sumbu Y, dan ZPRED pada sumbu X. Field, 2009:230, Ghozali, 2011:139. Field 2009:248, Ghozali, 2011:139 menyatakan dasar analisis adalah jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Gambar 4.2 Uji Heteroskedastisitas untuk Persamaan Substruktur I Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Gambar 4.3 dapat terlihat dari grafik scaterplott yang disajikan, terlihat titik – titik menyebar secara acak tidak membentuk suatu pola tertentu yang jelas, serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi komitmen anggota, berdasarkan masukan variabel independennya. 2. Uji Glejser Uji glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absoulut residualnya, jika nilai signifikansi atara variabel independen dengan absolut residual dengan lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas. Tabel 4.19 Uji Glejser untuk Persamaan Substruktur I Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant -67.761 39.236 -1.727 .090 lnX1 5.532 7.801 .098 .709 .482 lnX2 11.763 6.610 .245 1.779 .081 a. Dependent Variable: ln_kuadrat_res1 Sumber: Hasil Pengolahan SPSS Maret, 2015 Dari Tabel 4.19 terlihat jelas menunjukkan tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut absut. Hal ini terliahat dari probabilitas signifikannya diatas tingkat kepercayaan 5, jadi disimpulkan model regresi tidak mengarah adanya heteroskedastitsitas.

C. Uji Multikoleniaritas Persamaan Substruktur I

Uji multikolinearitas bertujuan untuk menguji apakah variabel pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak ditemukan adanya korelasi di antar avariabel independen. Untuk memeriksa apakah terjadi multikolinearitas atau tidak dapat dilihat dari nilai variance inflation factor VIF. Nilai VIF yang lebih dari 10 diindikasi suatu variabel bebas terjadi multikolinearitas Myers dalam Stevens, 2009:75. Tabel 4.20 Uji Multikolinearitas untuk Persamaan Substruktur I Model Collinearity Statistics Tolerance VIF 1 Constant Motivasi .997 1.003 Kedisiplinan .997 1.003 Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Tabel 4.20 dapat dilihat bahwa nilai VIF dari variabel motivasi berorganisasi dan kedisiplinan berorganisasi lebih kecil atau dibawah 5 VIF 5, ini berarti persamaan substruktur I tidak terkena multikolinearitas anatara variabel independen dalam model regresi. Nilai tolerance dari variabel motivasi berorganisasi dan kedisiplinan berorganisasi lebih besar dari 0,1 tolerance 0,1, ini berarti tidak terdapat multikolinearitas antar variabel independen dalam model regresi.

D. Uji Normalitas Persamaan Substruktur II

1. Pendekatan Histogram Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histogram dan grafik normal plot yang membandingkan antara dua observasi dengan distribusi yang mendekati distribusi normal. Gambar 4.3 Uji Normalitas Error untuk Persamaan Substruktur II Sumber: Pengolahan SPSS Juni 2015 Berdasarkan Gambar 4.3 dapat diketahui bahwa hubungan variabel motivasi berorganisasi, kedisiplinan berorganisasi, dan komitmen anggota terhadap kinerja Resimen Mahasiswa adalah berdistribusi normal. Hal ini ditunjukkan oleh distribusi data pada gambar histogramnya tidak terlihat menceng ke kiri atau ke kanan berbentuk lonceng. 2. Pendekatan Kolmogrov – Smirnov Uji normalitas terhadap residual juga menggunakan uji Kolmogorov-Smirnov penelitian ini, menggunakan tingkat signifikansi � = 0,05. Dasar pengambilan keputusan adalah melihat angka probabilitas �, dengan ketentuan sebagai berikut : 1. Jika nilai probabilitas � ≥ 0,05, maka asumsi normalitas terpenuhi. 2. Jika probabilitas 0,05, maka asumsi normalitas tidak terpenuhi. Tabel 4.21 Uji Normalitas Error untuk Persamaan Substruktur II One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 52 Kolmogorov-Smirnov Z .802 Asymp. Sig. 2-tailed .542 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Tabel 4.21, diketahui nilai probabilitas � atau Asymp. Sig 2-tailed sebesar 0,542. Dalam penelitian ini, tingkat signifikansi yang digunakan adalah � = 0,05. Karena nilai probabilitas �, yakni 0,542, lebih besar dibandingkan tingkat signifikansi, yakni 0,05. Hal ini berarti asumsi normalitas dipenuhi.. Nilai Kolmogrov – Smirnov yakni 0,802 lebih kecil dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal.

E. Uji Heterokedastisitas Persamaan Substruktur II

1. Metode Grafik Gambar 4.4 Uji Heteroskedastisitas untuk Persamaan Substruktur II Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Gambar 4.4 dapat terlihat dari grafik scaterplott yang disajikan, terlihat titik – titik menyebar secara acak tidak membentuk suatu pola tertentu yang jelas, serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi komitmen anggota, berdasarkan masukan variabel independennya. 3. Uji Glejser Uji glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absoulut residualnya, jika nilai signifikansi atara variabel independen dengan absolut residual dengan lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas Tabel 4.22 Uji Glejser untuk Persamaan Substruktur II Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant -33.622 41.867 -.803 .426 lnX1 -1.795 7.135 -.036 -.252 .802 lnX2 5.944 6.092 .140 .976 .334 lnY 4.563 6.405 .102 .712 .480 a. Dependent Variable: ln_reskuadrat2 Sumber: Hasil Pengolahan SPSS Juni, 2015 Dari Tabel 4.22 terlihat jelas menunjukkan tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut absut. Hal ini terliahat dari probabilitas signifikannya diatas tingkat kepercayaan 5, jadi disimpulkan model regresi tidak mengarah adanya heteroskedastitsitas.

F. Uji Multikoleniaritas Persamaan Substruktur II

Tabel 4.23 Uji Multikolinearitas untuk Persamaan Substruktur II Model Collinearity Statistics Tolerance VIF 1 Constant Motivasi .705 1.418 Kedisiplinan .981 1.019 Komitmen .694 1.441 Sumber: Hasil Pengolahan SPSS Juni, 2015 Berdasarkan Tabel 4.23 dapat dilihat bahwa nilai VIF dari variabel motivasi berorganisasi dan kedisiplinan berorganisasi lebih kecil atau dibawah 5 VIF 5, ini berarti persamaan substruktur I tidak terkena multikolinearitas anatara variabel independen dalam model regresi. Nilai tolerance dari variabel motivasi berorganisasi, kedisiplinan berorganisasi dan komitmen anggota lebih besar dari 0,1 tolerance 0,1, ini berarti tidak terdapat multikolinearitas antar variabel independen dalam model regresi.

4.2 Pembahasan 1. Pembahasan Substruktur 1 : Pergaruh Motivasi Berorganisasi dan Kedisiplinan