Uji Asumsi Klasik Kinerja

3111, sehingga diperoleh DP = 3111 : 4180 x 100 = 74,43. Tabel kategori variabel kinerja sebagai berikut: Tabel 4.12 Kategori Variabel Kinerja Interval Skor Kategori 3511 – 4180 Sangat Tinggi 2841 – 3510 Tinggi 2171 – 2840 Cukup 1501 – 2170 Rendah 831 – 1500 Sangat Rendah Sumber: Data primer yang diolah, 2011 Berdasarkan kategori pada tabel 4.12 variabel kinerja termasuk dalam kategori tinggi. Oleh karena itu, Perusahaan Daerah Air Minum Kabupaten Wonosobo diharapkan dapat terus mempertahankan dan meningkatkan kinerja karyawannya.

4.2.3. Uji Asumsi Klasik

4.2.3.1 Uji Normalitas

Kenormalan data dapat dilihat dari uji normalitas Kolmogrov-Smirnov berdasarkan nilai unstandardized residual e. Data dianalisis dengan bantuan computer program SPSS 16.0. Dasar pengambilan keputusan berdasarkan probabilitas. Jika probabilitas 0,05 maka data penelitian berdistribusi normal. Hasil uji normalitas selengkapnya dapat dilihat berdasarkan output SPSS versi 16.0 seperti pada tabel berikut : Tabel 4.13 Hasil Uji Normalitas Kepuasan Kerja One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value N 76 Normal Parameters a Mean 38.7631579 Std. Deviation 2.34883680 Most Extreme Differences Absolute .071 Positive .056 Negative -.071 Kolmogorov-Smirnov Z .621 Asymp. Sig. 2-tailed .836 a. Test distribution is Normal. Sumber: Data primer yang diolah, 2011 Tabel 4.14 Hasil Uji Normalitas Kinerja One-Sample Kolmogorov-Smirnov Test Unstandardized Predicted Value N 76 Normal Parameters a Mean 40.9342105 Std. Deviation 2.14766704 Most Extreme Differences Absolute .066 Positive .045 Negative -.066 Kolmogorov-Smirnov Z .576 Asymp. Sig. 2-tailed .894 a. Test distribution is Normal. Sumber: Data primer yang diolah, 2011 Terlihat pada tabel diatas pada baris Asymp. Sig 2-tailed diperoleh signifikasi untuk variabel dependen kepuasan kerja sebesar 0,836 dan untuk variabel dependen kinerja sebesar 0,894 atau probabilitas 0,05 maka data penelitian berdistribusi normal. Disamping dengan menggunakan uji kolmogorov- smirnov, uji normalitas ini juga didukung dari hasil gambar grafik normal probability plot. Regresi memenuhi asumsi normalitas jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal. Lebih jelasnya hasil uji normalitas data dapat dilihat pada grafik berikut ini: Gambar 4.1 Grafik Normal P-P Plot Kepuasan Kerja Sumber: Data primer yang diolah, 2011 Gambar 4.2 Grafik Normal P-P Plot Kinerja Karyawan Sumber: Data primer yang diolah, 2011 Terlihat berdasarkan grafik 4.1 dan 4.2, titik-titik mendekati garis diagonal yang berarti bahwa model regresi berdistribusi normal.

4.2.3.2 Uji Multikolinieritas

Salah satu asumsi model regresi linier adalah tidak terdapat korelasi yang sempurna atau korelasi tidak sempurna tetapi sangat tinggi pada variabel-variabel bebas yang digunakan pada sebuah penelitian. Uji multikolinieritas mengukur tingkat keeratan tingkat asosiasi keeratan hubungan atau pengaruh antar variabel bebas melalui besaran koefisien korelasi. Pengujian multikolinieritas ini dapat dilihat berdasarkan nilai Variance Inflation Factor VIF. Dapat dilihat pada tabel berikut ini: Tabel 4.15 Hasil Uji Multikolinieritas Kepuasan Kerja Coefficients a Model Collinearity Statistics Tolerance VIF 1Constant Kepemimpinan .768 1.303 Lingkungan Kerja .768 1.303 a. Dependent Variable: Kepuasan Kerja Sumber: Data primer yang diolah, 2011 Tabel 4.16 Hasil Uji Multikolinieritas Kinerja Karyawan Coefficients a Model Collinearity Statistics Tolerance VIF 1Constant Kepemimpinan .679 1.474 Lingkungan Kerja .614 1.630 Kepuasan Kerja .579 1.726 a. Dependent Variable: Kinerja Karyawan Sumber: Data primer yang diolah, 2011 Berdasarkan tabel 4.15 dan tabel 4.16 diketahui nilai Variance Inflaction Factor VIF di bawah 10 dan nilai tolerance di atas 0,1. Jadi dapat disimpulkan tidak terjadi multikolinearitas antara variable bebas kepemimpinan dan lingkungan kerja terhadap kepuasan kerja dan kinerja karyawan.

4.2.3.3 Uji Heterokedastisitas

Uji heteroskedastisitas digunakan untuk menguji sama atau tidaknya varians dari residual dari observasi yang satu dengan observasi yang lain. Jika residualnya mempunyai varians yang sama, maka disebut terjadi homokedastisitas, dan jika variansnya tidak sama atau berbeda disebut terjadi heteroskedastisitas. Model yang bebas berdasarkan heterokedastisitas memiliki grafik Scatterplot dengan pola titik-titik menyebar di atas dan di bawah sumbu Y atau tidak ada pola tertentu pada grafik Scatterplot 4.3 dan 4.4 berikut ini: Gambar 4.3 Grafik Scatterplot Kepuasan Kerja Sumber: Data primer yang diolah, 2011 Gambar 4.4 Grafik Scatterplot Kinerja Karyawan Sumber: Data primer yang diolah, 2011 Dari grafik 4.3 terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas ataupun di bawah 0 pada sumbu Y dan tidak membentuk suatu pola tertentu. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak digunakan untuk memprediksi kepuasan kerja berdasarkan variabel independen kepemimpinan dan lingkungan kerja. Grafik 4.4 juga menunjukkan pola yang sama dan tidak terjadi heterokedatisitas sehingga layak digunakan untuk memprediksi kinerja karyawan berdasarkan variabel bebas kepemimpinan, lingkungan kerja dan kepuasan kerja. Hasil dari uji glejser dengan menggunakan program SPSS 16.0 adalah sebagai berikut: Tabel 4.17 Hasil Uji Glejser Variabel Dependen Kepuasan Kerja Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant 2.205 3.732 .591 .556 Kepemimpinan -.013 .102 -.017 -.130 .897 LingkunganKerja -.046 .100 -.064 -.460 .647 a. Dependent Variable: Unstandardized Residual Tabel 4.18 Hasil Uji Glejser Variabel Dependen Kinerja Coefficients a Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 Constant -1.252 3.011 -.416 .679 Kepemimpinan .011 .081 .020 .140 .889 Lingkungan Kerja -.009 .082 -.017 -.109 .913 Kepuasan Kerja .029 .089 .051 .326 .746 a. Dependent Variable: Unstandardized Residual Berdasarkan hasil uji glejser pada tabel 4.17 dan 4.18 terlihat bahwa nilai probabilitas signifikansinya 0,05, maka dapat disimpulkan model regresi tidak mengandung adanya heterokedastisitas.

4.2.3.4. Uji Autokorelasi

Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Salah satu cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi adalah menggunakan Uji Durbin-Watson DW test. Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu first order autocorrelation dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lag diantara variabel indepen. Tabel 4.19 Hasil Uji Autokorelasi Kepuasan Kerja Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .646 a .417 .401 2.81376 1.686 a. Predictors: Constant, Lingkungan Kerja, Kepemimpinan b. Dependent Variable: Kepuasan Kerja Sumber: Data primer yang diolah, 2011 Nilai DW sebesar 1,686, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 76 n dan jumlah variabel independen 2 k=2, maka akan didapatkan nilai dl=1,571 dan du=1,680. Oleh karena nilai DW 1,686 lebih besar dari batas atas du 1,680 dan kurang dari 4-1,680 4-du yaitu sebesar 2,320, maka dapat disimpulkan bahwa tidak bisa menolak H0 yang menyatakan bahwa tidak ada autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi. Tabel 4.20 Hasil Uji Autokorelasi Kinerja Karyawan Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .731 a .535 .516 2.04374 2.008 a. Predictors: Constant, Kepuasan Kerja, Kepemimpinan, Lingkungan Kerja b. Dependent Variable: Kinerja Karyawan Sumber: Data primer yang diolah, 2011 Nilai DW sebesar 2,008, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5, jumlah sampel 76 n dan jumlah variabel independen 3 k=3, maka akan didapatkan nilai dl=1,503 dan du=1,709. Oleh karena nilai DW 2,008 lebih besar dari batas atas du 1,709 dan kurang dari 4-1,709 4-du yaitu sebesar 2,291, maka dapat disimpulkan bahwa tidak bisa menolak H0 yang menyatakan bahwa tidak ada autokorelasi positif atau negatif atau dapat disimpulkan tidak terdapat autokorelasi.

4.2.4 Analisis Jalur Path Analysis