75 tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan
dengan uji statistik nonparametik Kolmogorv-Smirnov K-S.
Tabel 4.8 Uji Kolmogrov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 44
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 3.30366333
Most Extreme Differences Absolute
.195 Positive
.195 Negative
-.074 Kolmogorov-Smirnov Z
1.293 Asymp. Sig. 2-tailed
.071 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan Tabel 4.8, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,071, ini berarti nilainya diatas nilai signifikan 5 0.05, dengan kata lain
variabel tersebut berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu :
76 1. Analisis Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas,
sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Sumber: Hasil Penelitian, 2015 data diolah
Gambar 4.4 Pengujian Heteroskedastisitas Scatterplot
Berdasarkan Gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
77 2. Analisis Statistik
Dasar analisis metode statistik adalah jika variabel bebas signifikan secara statistik mempengaruhi variabel terikat, maka ada indikasi terjadi
heteroskedastisitas.
Tabel 4.9 Uji Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -5.378
7.377 -.729
.470 Pengawasan_Kerja
.151 .095
.247 1.586
.120 Disiplin_Kerja
-.044 .084
-.081 -.517
.608 a. Dependent Variable: RES2
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan Tabel 4.9 dapat diketahui bahwa tidak satupun variabel bebas yang signifikan secara statistik mempengaruhi variabel terikat RES2. Hal ini
terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.3.3 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 5, maka tidak terjadi multikolinieritas.
78
Tabel 4.10 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant -5.544
11.003 -.504
.617 Pengawasan_Kerja
.253 .142
.187 1.780
.043 .944
1.059 Disiplin_Kerja
.829 .126
.691 6.585
.000 .944
1.059 a. Dependent Variable: Prestasi_Kerja
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan Tabel 4.10 dapat terlihat bahwa data variabel tidak terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model
regresi layak dipakai untuk memprediksi prestasi kerja berdasarkan masukan pengawasan kerja, dan disiplin kerja.
4.4 Analisis Linier Berganda
