Pendekatan Histogram Pendekatan Grafik Pendekatan Kolmogorov-Smirnov

50 h. Pada pernyataan kedelapan, 55,2 responden menyatakan Setuju bahwa Pencapaian kualifikasi downline mereka meningkat secara konsisten, 27,1 responden menyatakan sangat setuju, dan 17,7 responden menyatakan ragu- ragu karena sebagian dari mereka baru bergabung di bisnis Amway sehingga belum memiliki downline yang kuat.

4.2.2 Uji Asumsi Klasik a. Uji Normalitas

Tujuan uji normalitas adalah menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekatai distribusi normal, yakni distribusi data dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untuk mendeteksi apakah data berdistribusi normal atau tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorov-Smirnov.

1. Pendekatan Histogram

Pengujian normalitas dengan pendekatan histogram dapat dilihat dari kurva normal yaitu kurva yang memiliki cirri-ciri khusus, dengan distribusi data tidak menceng ke kiri atau ke kanan. Hasil pengujian normalitas dari penelitian dapat dilihat pada gambar 4.2 Universitas Sumatera Utara 51 Sumber: Hasil Pengelolahan data dengan SPSS 17.0 Mei,2012 Gambar 4.2: Histogram Berdasarkan Gambar 4.2 dapat dilihat bahwa variabel produktivitas kerja berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak miring ke kiri dan miring ke kanan.

2. Pendekatan Grafik

Normalitas data dapat dilihat melalui penyebaran titik pada sumbu diagonal dari P-Plot. Dasar pengambilan keputusan adalah sebagai berikut: Apabila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonalnya atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas. Universitas Sumatera Utara 52 Apabila data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal maka model regresi tidak memenuhi asumsi normalitas. Hasil dari analisis Grafik P-Plot uji normalitas adalah sebagai berikut: Sumber: hasil Pengolahan SPSS 17.00 Mei 2012 Gambar 4.3: Scatter Plot Uji Normalitas Berdasarkan Gambar 4.3 data terlihat berdistribusi normal, ini dapat dilihat pada Scatter Plot terlihat titik-titik yang mengikuti data di sepanjang garis diagonal. Universitas Sumatera Utara 53

3. Pendekatan Kolmogorov-Smirnov

Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, namun secara statistik tidak berdistribusi normal. Berikut ini uji normalitas yang didasarkan pada uji statistic non-parametrik Kolmogotov-Smirnov K-S. pada uji ini, keputusan yang diambil adalah apabila sig 0,05 maka distribusi data bersifat normal dan apabila sig 0,05, maka distribusi data tidak normal. Tabel 4.10 One-Sample Kolmogorov-Smirnov Test Unstandardize d Residual N 96 Normal Parameters a,,b Mean .0000000 Std. Deviation 1.28227692 Most Extreme Differences Absolute .097 Positive .097 Negative -.063 Kolmogorov-Smirnov Z .949 Asymp. Sig. 2-tailed .328 a. Test distribution is Normal. b. Calculated from data. Sumber: Hasil Pengolahan SPSS 17.00 Mei 2012 Berdasarkan Tabel 4.10 terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,328 yang berarti nilainya bearada di atas nilai signifikansi 5 0,05. Dengan kata lain variabel tersebut berdistribusi normal. Universitas Sumatera Utara 54

b. Uji Heteroskedastisitas

Uji bertujuan menguji apakah di dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mengujinya dilakukan dengan uji glejser sebagai berikut:

a. Pendekatan Grafik

Pengujian heteroskedastisitas Scatterplot dapat dilihat pada gambar 4.3 berikut : Sumber : Hasil pengolahan data dengan SPSS 17.0 Mei, 2012 Gambar 4.3: Scatterplot Heteroskedastisitas Universitas Sumatera Utara 55 Tabel 4.11 Uji Glejser Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant .912 1.388 .657 .513 Percaya_diri -.163 .077 -.222 -2.129 .096 Kreatif .475 .104 .593 4.552 .450 Inovatif -.372 .101 -.470 -3.697 .367 Berani_mengambil_resiko .009 .085 .015 .102 .919 a. Dependent Variable: Absut Sumber: Hasil Pengolahan SPSS 17.00 Mei 2012 Berdasarkan Tabel 4.11 dapat diketahui bahwa tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolute ß t à áâã ß t äå Hal ini terlihat dari probabilitas signifikansi di atas tingkat kepercayaan 5 0,05, jadi disimpulkan model regresi tidak mengalami heteroskedastisitas.

c. Uji Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjasi korelasi di anntara variabel independen. Berikut ini disajikan cara mendeteksi multikolinieritas dengan menganalisis matrik korelasi atar variabel independen dan perhitungan nilai æ çèéê áëì é dan íá ê î áëì é ï ë ð è á ñ î ç ë áì t ç ê VIF. Universitas Sumatera Utara 56 Tabel 4.12 Hasil Uji Multikolinieritas Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 Constant 3.015 1.649 1.829 .071 Percaya_diri .373 .090 .233 4.125 .000 .727 1.376 Kreatif .638 .123 .369 5.206 .000 .462 2.164 Inovatif .472 .120 .274 3.945 .000 .480 2.082 Berani_mengambil_resiko .306 .101 .235 3.029 .003 .385 2.601 a. Dependent Variable: Pengembangan_Karir Sumber: Hasil Pengolahan SPSS 17.00 Mei 2012 Berdasarkan Tabel 4.12 terlihat untuk semua variabel independen memiliki angka VIF 10 dan nilai ò óôõö ÷øù õ 0,1. Hal ini berarti bahwa model regresi tersebut tidak terjadi ú ûô t ü ýóôü ø ü õ ö ü t ÷ þ .

4.2.3 Analisis Regresi Linier Berganda