Uji Persyaratan Data

B. Uji Persyaratan Data

1. Uji Variabilitas

Untuk mengetahui kelayakan data untuk menjadi variabel dalam penelitian ini digunakan uji variabilitas dengan analisis faktor. Hasil uji variabilitas dapat dilihat pada tabel berikut ini:

Tabel 4.7 Hasil Uji Variabilitas

Commu naliti es

Extract ion Superv isi Kepala Sekolah

Initial

.574 Motiv asi kerja

.657 Kinerja Guru

.858 Extract ion Method: Principal Component Analy sis.

Hasil Uji variabilitas menunjukkan nilai extraction lebih besar dari 0,5, sehingga semua data dari variabel yang diteliti memenuhi syarat menjadi variabel dan dapat dianalisis lebih lanjut.

2. Uji Asumsi Klasik

Model regresi harus memenuhi syarat asumsi klasik, karena suatu model regresi dapat digunakan dan dianggap baik jika model regresi tersebut memenuhi beberapa asumsi klasik, antara lain asumsi normalitas, linieritas, dan heteroskedastisitas. Berikut ini adalah hasil dan pembahasan dari uji asumsi klasik.

a. Uji Normalitas Data Pengujian normalitas data menggunakan uji Kolmogorov Smirnov, kurva nilai

residual terstandarisasi dikatakan menyebar dengan normal apabila nilai Kolmogorov- Smirnov atau Nilai Asymp, Sig, (2-tailed) >  = 0,05. Hasil Uji normalitas data disajikan pada tabel 4.8.

Tabel 4.8

Hasil Pengujian Normalitas data dengan menggunakan

Uji Kolmogorov Smirnov

One-Sample Kolmogorov-Smirnov Test

Superv isi Kepala Sekolah

Motiv asi kerja Kinerja Guru N

65 65 65 Normal Parameters a,b

3.2505 3.6953 Most Extreme

Std. Dev iat ion

.142 .116 Dif f erences

Absolute

Positiv e

-.142 -.116 Kolmogorov -Smirnov Z

Negativ e

1.145 .931 Asy mp. Sig. (2-tailed)

.145 .351 a. Test distribution is Normal.

b. Calculated f rom data.

Berdasarkan Tabel 4.8 dapat dilihat nilai Asymp. Sig nilai residual sebesar 0,702; 0,145 dan 0,351, lebih besar dari 0,05 sehingga model regresi telah memenuhi syarat normalitas.

b. Multikolineritas Multikolineritas adalah suatu keadaan di mana terjadinya hubungan linier yang

sempurna atau pasti antar variabel bebas, Untuk mengetahui ada tidaknya Multikolinieritas maka dapat digunakan alat bantu SPSS. Multikolinieritas terjadi sempurna atau pasti antar variabel bebas, Untuk mengetahui ada tidaknya Multikolinieritas maka dapat digunakan alat bantu SPSS. Multikolinieritas terjadi

Tabel 4.9

Hasil Pengujian multikolinieritas dengan menggunakan Uji VIF

Coeffi cients a

St andardi zed

Unstandardized

Coef f icien

Collinearity Statistics Model

Coef f icients

ts

Tolerance VI F 1 (Constant)

B St d. Error

Beta

Sig.

.007 Superv isi Kepala Sekolah

.000 .890 1.123 Motiv asi kerja

.000 .890 1.123 a. Dependent Variable: Kinerja Guru

Kondisi yang disyaratkan untuk tidak terjadinya gejala multikolinearitas adalah bila nilai VIF lebih kecil dari 10, dari analisis yang dilakukan sebagaimana terlihat pada Tabel 4.7 diperoleh VIF sebesar 1,123 mempunyai nilai VIF yang lebih kecil dari 5, sehingga variabel bebasnya telah terbebas dari gejala multikolinieritas atau tidak terjadi gejala multikolinieritas.

Hubungan linier antara variabel bebas dengan variabel terikat dapat dilihat dari grafik linieritas berikut ini.

Kinerja Guru

Supervisi Kepala Sekolah

Kinerja Guru

Motivasi kerja

Gambar 4.1. Grafik Linieritas Gambar 4.1. Grafik Linieritas

meregresikan variabel independen dengan absolut residual. Jika tidak terdapat pengaruh yang signifikan pada  = 0,05 maka dikatakan tidak terjadi heteroskedastisitas. Hasil Uji Glesjer dapat dilihat pada Tabel 4.8 berikut ini.

Tabel 4.10 Hasil Uji Glesjer

Coeffi ci ents a

St andardi zed

Unstandardized

Coef f icien

Coef f icients

ts

Model

Sig. 1 (Constant)

B St d. Error

Beta

.105 .917 Superv isi Kepala Sekolah

-.130 .897 Motiv asi kerja

.453 .652 a. Dependent Variable: Absut Residual

Berdasarkan hasil Uji Glesjer di atas diketahui nilai signifikansi masing- masing variabel independen lebih besar dari 0,05. Dengan demikian dapat disimpulkan bahwa model regresi terbebas dari gejala heteroskedastisitas.