c. Pendekatan Kolmogorov-Smirnov
Untuk memastikan apakah data berdistribusi normal, maka dapat dilakukan dengan menggunakan uji kolmogorv-smirnov 1 sampel KS
dengan melihat data residunya.
Tabel 4.7 Hasil Uji Normalitas Pendekatan
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parameters
a,b
Mean 0E-7
Std. Deviation 1.13348083
Most Extreme Differences Absolute
.087 Positive
.060 Negative
-.087 Kolmogorov-Smirnov Z
.601 Asymp. Sig. 2-tailed
.863 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil penelitian, 2013 data diolah Situmorang 2012:107 memaparkan bahwa dasar pengambilan keputusan
untuk Kolmogorov Smirnov yaitu nilai value pada kolom Asymp. Sig lebih besar dari level of significant
α = 5, maka tidak mengalami gangguan distribusi normal. Melalui Tabel 4.7 terlihat bahwa nilai Asymp. Sig. 2-tailed adalah 0,863
dan diatas nilai signifikan 0,05. Dapat disimpulkan bahwa data residual berdistribusi normal. Nilai kolmogorov-smirnov Z adalah 0,601 dan lebih kecil
dari 1,97 berarti tidak ada perbedaan antara distribusi teoritik dan distribusi empiric atau dengan kata lain data dikatakan normal.
2. Uji Heterokedastisitas
Heterokedastisitas terjadi karena perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dengan kata lain,
heterokedastisitas terjadi jika residual tidak memiliki varian yang konstan. Alat
Universitas Sumatera Utara
untuk menguji heterokedastisitas dapat dibagi dua yaitu dengan alat analisis grafik scatter plot atau dengan pendekatan statistik yang disebut sebagai Uji Glejser
Situmorang, 2012:109. a.
Uji Glejser Kriteria pengambilan keputusannya adalah sebagai berikut:
1. Jika nilai signifikasi 0,05, maka tidak mengalami gangguan
heterokedastisitas. 2.
Jika nilai signifikansi 0,05, maka mengalami gangguan heterokedastisitas.
Tabel 4.8 Hasil Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .277
2.514 .110
.913 Pelatihan
-.009 .055
-.028 -.168
.867 Pengembangan
.044 .111
.066 .399
.691 a. Dependent Variable: absut
Sumber: Hasil penelitian, 2013 data diolah Pada Tabel 4.8 menunjukkan tidak adanya masalah heterokedastisitas,
dimana hasil uji signifikan variabel pelatihan dan pengembangan menunjukkan nilai lebih besar dari 0,05. Jadi dapat disimpulkan tidak terdapat adanya
heterokedastisitas dalam model regresi. b.
Pendekatan Grafik Heterokedastisitas dapat juga dilihat melalui gambar scatterplot. Gambar
scatterplot dapat mengindikasi ada atau tidaknya gejala heterokedastisitas. Apabila grafik membentuk pola-pola tertentu yang teratur maka regresi
Universitas Sumatera Utara
mengalami gangguan heterokedastisitas. Jika grafik tidak membentuk pola atau acak maka regresi tidak mengalami gangguan heterokedastisitas.
Sumber: Hasil pengolahan SPSS, 2013 data diolah
Gambar 4.3 Scatter plot heterokedastisitas
Gambar 4.3 menunjukkan bahwa penyebaran residual cenderung tidak teratur, terdapat titik-titik yang berpencar dan tidak membentuk pola. Kesimpulan
yang dapat diperoleh adalah tidak terdapat gejala heterokedastisitas, sehingga model regresi layak dipakai untuk memprediksi efektivitas kerja karyawan ,
berdasarkan masukan variabel pelatihan dan pengembangan.
3. Uji Multikolinearitas