c. Aspek Kepuasan Kerja
Cara mengukur kepuasan kerja berbeda dari persepsi karena kepuasan membandingkan harapan dan kinerja yaitu dengan skor harapan
– skor kinerja.dengan pengukuran sebagai berikut:
Harapan – Kinerja 0 maka tidak puas
Harapan – Kinerja ≤ 0 maka puas
Tabel. V. 6 Hasil Analisis Kepuasan Kerja
VARIABEL Y Responden
Harapan – Kinerja
Kategori
1
-0.16 Puas
2
0.08 Tidak puas
3
-0.17 Puas
4
-0.17 Puas
5
-0.17 Puas
6
-0.59 Puas
7
0.08 Tidak puas
8
0.17 Tidak puas
9
0.25 Tidak puas
10
-0.17 Puas
11
-0.34 Puas
12
0.00 Puas
13
0.00 Puas
14
0.42 Tidak puas
15
-0.25 Puas
16
0.58 Tidak puas
17
-0.17 Puas
18
-0.08 Puas
19
0.42 Tidak puas
20
0.08 Tidak puas
21
0.34 Tidak puas
22
0.67 Tidak puas
23
0.33 Tidak puas
24
0.16 Tidak puas
25
0.00 Puas
26
-0.17 Puas
27
0.00 Puas
28
-0.17 Puas
29
-0.25 Puas
30
0.25 Tidak puas
31
-0.25 Puas
32
0.25 Tidak puas
Total
0.97
Rata-rata
0.03
Sumber : Data Primer yang Diolah 2014
Tabel V. 12 hasil analisis kepuasan kerja termasuk dalam ketegori tidak puas yaitu dengan nilai lebih besar dari 0.
C. Analisis Regresi Berganda
1. Uji Asumsi Klasik
a. Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah dalam regresi ini ditemukan adanya korelasi tersebut. Apabila
terjadi multikolinearitas, maka koefisien regresi dari variabel
bebas akan tidak signifikan dan mempunyai standar eror yang tinggi. Semakin kecil korelasi antar variabel bebas, maka model
regresi akan semakin baik. Untuk mendeteksi adanya multikolinearitas dilihat dari
nilai
Variance Inflation Faktor
VIF dan
tolerance
yang mendekati satu 1. Hasil nilai
Variance Inflation Faktor
VIF dengan menggunakan SPSS 16.0 yaitu untuk kedua variabel yaitu
lingkungan kerja fisik dan lingkungan kerja non fisik sebesar 1,044
Tabel V. 7 Hasil Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardiz
ed Coefficient
s t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleran ce
VIF 1
Constant 33.339
19.134 1.742
.092 LingkunganKerjaF
isik 1.081
.386 .457 2.801
.009 .958 1.044
LingkunganKerjaN onFisik
1.382 .668
.338 2.070 .047
.958 1.044 a. Dependent Variable:
KepuasanKerja
Sumber : Data Primer yang Diolah 2014
Dalam penelitian ini maka dijelaskan bahwa model regresi penelitian ini tidak terjadi multikolinearitas. Hal ini dibuktikan dengan
nilai VIF10 yaitu 1,044 dan nilai tolerance lebih besar dari 0,1 yaitu 0,958 ini berarti tidak terjadi multikolonieritas. Dan dapat disimpulkan
bahwa uji multikolonieritas terpenuhi. b.
Uji Heterokedastisitas Uji Heterokedastisitas bertujuan untuk menguji apakah dalam
suatu analisis regresi terjadi ketidaksamaan varians dari residual, dari satu pengamatan ke pengamatan lain. Untuk mendeteksi
Heterokedastisitas, dapat dilihat pada grafik
scatterplot diagram
, dengan dasar mengambil keputusan adalah sebagai berikut:
Apabila sebaran data berpencar disekitar angka 0 nol pada sumbu Y, baik diatas maupun dibawah, maka tidak
terjadi heterokedastisitas Apabila sebaran tersebut membentuk pola atau trend garis
tertentu maka telah terjadi heterokedastisitas Berikut adalah table hasil pengujian heterokedastisitas
dapat dilihat dibawah ini.
Gambar V. 1 Hasil Uji Heterokedastisitas
Dari gambar diatas terlihat bahwa titik-titik menyebar disekitar origin 0 pada sumbu Y dan tidak mempunyai pola yang
teratur. Jadi dapat disimpulkan bahwa pada model regresi tidak terjadi gejala heterokedastisitas.
c. Uji Autokorelasi
Tabel V. 8 Hasil Uji Autokorelasi
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .510
a
.260 .209
9.79657 1.620
a.Predictors:Constant,Lingkungan kerja fisik,LingkunganKerja NonFisik b.DependentVariable:KepuasanKerja
Karyawan
Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Dasar
pengambilan keputusannya adalah sebagai berikut: - Angka D-W di bawah -2 berarti ada autokorelasi positif
- Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi - Angka D-W di atas +2 berarti ada autokorelasi negative.
Berdasarkan hasil uji autokorelasi didapatnilai Durbin-Watson sebesar 1.620 yang berada diantara-2 dan+2 atau berada pada -
2 ≤+2, sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi.
d. Uji Normalitas
Uji Normalitas data bertujuan untuk melihat sampel-sampel yang diambil mempunyai data yang berdistribusi normal atau tidak. Uji
normalitas yang sering digunakan dalam program SPSS yaitu uji
Kolmogorow-Smirnow
Santoso, 2005,
dengan dasar
pengambilan keputusan sebagai berikut: Nilai signifikasi nilai Probabilitas ≤ 0,05 maka data tidak
berdistribusi normal Nilai signifikasi nilai probabilitas 0,05 maka data
berdistribusi normal. Berikut adalah tabel hasil pengujian normalitas dapat
dilihat dibawah ini.
Tabel V. 9 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
KepuasanKerja LingkunganKerjaFisik LingkunganKer
jaNonFisik N
32 32
32 Normal
Parameters
a
Mean 93.2500
32.2812 18.0938
Std. Deviation 11.01319
4.65753 2.69240
Most Extreme Differences
Absolute .130
.132 .198
Positive .112
.097 .156
Negative -.130
-.132 -.198
Kolmogorov-Smirnov Z .734
.748 1.120
Asymp. Sig. 2-tailed .653
.631 .162
a. Test distribution is Normal.
Dari hasil
penghitungan uji
normalitas dengan
One SampleKolmogorov-Smirnow Test
diatas didapatkan signifikansi untuk skor total dari semua variabel X1 sebesar 0,631, X2 sebesar 0,162 dan Y
sebesar 0,653. Karena signifikansi seluruh variabel lebih dari 0,05 maka dapat disimpulkan bahwa data pada variabel persepsi karyawan pada
lingkungan fisik X1, persepsi karyawan pada lingungan kerja non fisik X2 dan kepuasan kerja Y berdistribusi normal. Grafik uji normalitas
juga bisa dilihat dibawah ini