commit to user
dari 0,60 yakni kepuasan 0,769, pelatihan 0,721, turnover 0,668, produktivitas 0,710, dan kinerja 0,756.
D. Evaluasi Model
Pada pengujian faktor kepuasan karyawan dalam bekerja X
1
, pelatihan karyawan X
2
, turnover karyawan X
3
, produktivitas karyawan X
4
terhadap pembangunan kinerja karyawan Y digunakan analisis regresi linier berganda dengan menggunakan bantuan komputer program statisitik
SPSS 16.00. for windows. Dalam model regresi terdapat asumsi-asumsi yang harus dipenuhi agar model tidak bias dan kuat. Asumsi-asumsi tersebut
menurut Gujarati 2003 dalam Perdana 2008 adalah 1 Normalitas data, 2 Tidak terdapat multikolinearitas yaitu hubungan linier yang pasti antar
variabel bebas, 3 Tidak terdapat heteroskedastisitas bersifat homoskesdatisitas dan 4 Tidak terdapat korelasi berurutan atau
autokorelasi.
1. Uji Normalitas
Pengujian normalitas data untuk melihat normal tidaknya sebaran data yang akan di analisis. Model regresi yang baik adalah distribusi
normal atau mendekati normal. Untuk melihat normalitas data ini digunakan pendekatan grafik, yaitu Normality Probability Plot.
commit to user
Deteksi normalitas dengan melihat penyebaran data titik pada sumbu diagonal dan grafik. Menurut Ghozali 2009 : 149, dasar
pengambilan keputusan adalah: 1.
Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas,
2. Jika data menyebar jauh dan garis diagonal danatau tidak mengikuti
arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
Pada output SPSS bagian Normal P-P Plot of Regression, dapat dijelaskan bahwa data-data cenderung lurus mengikuti garis diagonal,
sehingga data dalam penelitian cenderung berdistribusi normal seperti terlihat pada gambar dibawah ini:
Gambar IV. 1 Normalitas Data
commit to user
Tabel IV. 20 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 42
Normal Parameters
a
Mean .0000000
Std. Deviation 1.98711617
Most Extreme Differences Absolute .105
Positive .105
Negative -.103
Kolmogorov-Smirnov Z .682
Asymp. Sig. 2-tailed .741
Sumber: hasil pengolahan data Sedangkan apabila menggunakan cara One Sample Kolmogorov-
Smirnov Test didapatkan nilai Kolmogorov-Smirnov Z sebesar 0,682 dan nilai signifikansi sebesar 0,741 dengan asumsi Ho = data yang
berdistribusi normal dan Ha = data yang tidak berdistribusi normal, maka karena nilainya di atas signifikansi 0,05 maka Ha ditolak dan data
berdistribusi normal.
2. Uji Multikolonearitas
Uji multikolonearitas bertujuan untuk menguji adanya korelasi antara variabel independen. Jika terjadi korelasi maka ada gejala multikol
yaitu adanya masalah multikolonearitas. Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independennya.
commit to user
Tabel IV. 21 Hasil Uji Multikolonearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerance VIF
1 Constant
.389 4.426
.088 .030 kepuasan
.259 .141
.271 1.844 .073
.599 1.670
pelatihan .335
.178 .295
1.880 .068 .526
1.901 turnover
-.189 .210
-.173 -.899 .375
.351 2.848
produktivitas .644 .202
.484 3.195 .003
.566 1.768
Sumber: hasil pengolahan data Pedoman suatu model regresi yang bebas multikolonieritas adalah
dengan melihat Variance Inflation Factor VIF dan Tolerance , jika VIF 10 Ghozali, 2009 : 96. Tabel IV. 21 menjelaskan besarnya nilai VIF
untuk masing-masing variabel bebas kurang dari 10, yaitu untuk variabel kepuasan dalam bekerja, nilai VIF 1,670 10, variabel pelatihan
karyawan, nilai VIF 1,901 10, varibel turnover karyawan, nilai VIF 2,848 10 dan variabel produktivitas karyawan, nilai VIF 1,768 10.
Maka dapat dinyatakan bahwa masalah multikolonearitas tidak ada.
3. Uji Heteroskedastisitas
Uji ini digunakan untuk menguji apakah dalam sebuah model regresi, terjadi ketidaksamaan varian dari residual suatu pengamatan ke
pengamatan yang lain. Dalam Ghozali 2009 : 126 pemeriksaan terhadap gejala heteroskedastisitas adalah dengan melihat pola diagram
commit to user
pencar scatter plot antara SRESID dan ZPRED dima sumbu Y adalah Y yang telah dipredikesi, dan sumbu X adalah residual yaitu selisih
antara nilai Y prediksi dengan Y observasi yang telah di-studentized. Dasar analisis:
a. Jika diagram pencar yang ada membentuk pola-pola tertentu yang
teratur maka regresi mengalami gangguan heteroskedastisitas. b.
Jika diagram pencar tidak membentuk pola atau acak maka regresi tidak mengalami gangguan heteroskedastisitas.
Gambar IV. 2 Uji Heteroskedastisitas
Berdasarkan grafik scatter plot dapat dilihat bahwa titik-titik menyebar secara acak di atas sumbu Y, sehingga dapat dinyatakan
regresi tidak mengalami gangguan heteroskedastisitas. Artinya model regresi layak untuk memprediksi pengaruh perspektif pembelajaran dan
pertumbuhan terhadap kinerja karyawan.
commit to user
Metode yang lain untuk menguji adanya heteroskedastitas yaitu uji glejser, dengan kriteria jika sig 0,05 berarti asumsi heteroskedastitas
terpenuhi Ghozali, 2009 : 129.
Tabel IV. 22 Hasil Uji Heteroskedastisitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant 3.285
3.190 1.030
.310 kepuasan
-.071 .098
-.145 -.722
.475 pelatihan
.009 .136
.015 .063
.950 turnover
.094 .198
.138 .472
.639 produktivitas
-.085 .162
-.124 -.523
.604 Sumber: hasil pengolahan data
Hasil uji glejser dapat dilihat dari Tabel IV. 22 kolom sig. Untuk variabel kepuasan sig 0,475, pelatihan sig. 0,950, turnover sig. 0,639, dan
produktivitas sig. 0,604. Dari hasil tersebut pada tingkat signifikansi 5 variabel independen ternyata tidak signifikan mempengaruhi absolut
residual sig. 0,05, berarti bahwa asumsi homoskedastisitas terpenuhi. Dapat disimpulkan bahwa tidak terjadi heteroskedastisitas.
4. Uji Autokorelasi
Salah satu alat untuk mendeteksi adanya autokorelasi yaitu uji Durbin Watson, yaitu dengan membandingkan nilai Durbin Watson
hitung d dengan nilai batas lebih tinggi upper bond atau d
u
. Penelitian
commit to user
dikatakan bebas dari autokorelasi apabila nilai d berada di antara nilai d
u
dan 4-d
u
Ghozali, 2009 : 100. Berikut ini hasil uji Durbin Watson menggunakan SPSS versi 16.0:
Tabel IV. 23 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Durbin-
Watson 1
.721
a
.520 .468
2.09177 2.180
Sumber: hasil pengolahan data Berdasarkan hasil uji autokorelasi pada Tabel IV. 23 di atas, nilai
d
hitung
Durbin Watson diperoleh sebesar 2,180 yang berada di antara d
u
dan 4-d
u
atau d
u
d4-d
u.
Nilai Durbin Watson sebesar 2,180 dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi
5, yang mana jumlah sampel observasi sebesar 42 n dan jumlah variabel independen 1 k=4. Setelah nilai d
u
diperoleh, maka dapat ditentukan nilai 4–d
u
sebesar 2,279 4-1,721. Oleh karena nilai d
hitung
2,180 berada di antara d
u
1,721 dan 4-d
u
2,279, maka dapat disimpulkan tidak terdapat autokorelasi antarresidual.
E. Pengujian Hipotesis
Kategori