diagram 4 Diagram Batang Deskriptif Persentasi Tentang Kepuasan kerja
4.1.4 Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah uji normalitas data, uji asumsi klasik dan uji regresi berganda yang terdiri data uji F
pengaruh variabel independen terhadap variabel dependen secara simultan, uji R
2
besarnya pengaruh variabel independen terhadap variabel dependen secara simultan, uji t uji pengaruh variabel independen terhadap variabel dependen
secara parsial dan uji r
2
besarnya pengaruh variabel independen terhadap variabel dependen secara parsial.
4.1.4.1 Normalitas Data
Berdasarkan teori statistika model linier hanya residu dari variabel dependent Y yang wajib diuji normalitasnya, sedangkan variabel independen
diasumsikan bukan fungsi distribusi. Jadi tidak perlu diuji normalitasnya.
10 20
30 40
50 60
70
Sangat Baik Baik
Cukup Tidak baik Sangat tidak
baik 6
65
29
Kepuasan kerja
Hasil output dari pengujian normalitas dengan Kolmogorov-Smirnov adalah sebagai berikut.
Tabel 4.7 Uji normalitas data.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 63
Normal Parameters
a
Mean .0000000
Std. Deviation 1.53794225
Most Extreme Differences Absolute
.071 Positive
.041 Negative
-.071 Kolmogorov-Smirnov Z
.561 Asymp. Sig. 2-tailed
.911 a. Test distribution is Normal.
Analisis data hasil Output: Uji normalitas data digunakan hipotesis sebagai berikut :
H : Data berdistribusi normal
H
1
: Data tidak berdistribusi normal Kriteria penerimaan H
H diterima jika nilai sig 2-tailed 5.
Dari tabel diperoleh nilai sig = 0,911 = 0,911 5 , maka H diterima. Artinya
variabel tingkat kepuasan kerja berdistribusi normal. Uji normalitas juga dapat dilihat pada grafik Normal P-Plot sebagai
berikut.
Pada grafik P-Plot terlihat data menyebar di sekitar garis diagonal dan mengikuti arah garis histograf menuju pola distribusi normal maka variabel
dependen Y memenuhi asumsi normalitas.
4.1.4.2 Uji Asumsi Klasik
Pengujian asumsi klasik pada penelitian ini meliputi uji autokorelasi, uji multikolonieritas dan uji heterokedastisitas.
1. Uji Autokorelasi
Untuk melihat terjadi atau tidaknya autokorelasi dalam suatu model regresi dapat dilihat pada tabel Model Summary di bawah ini.
Tabel 4.8 Uji Autokorelasi.
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .798
a
.636 .618
1.57656 1.924
a. Predictors: Constant, X3, X2, X1 b. Dependent Variable: Y
Hipotesis yang digunakan untuk menganalisis output di atas adalah sebagai berikut:
Ho :
3
= 0, tidak ada korelasi antar variabel independen. Ha :
3
0, ada korelasi antar variabel independen. Kriteria pengambilan keputusan:
Dengan n = 115, k = 4 diperoleh dl = 1,480 dan du = 1,689
Gambar 1
Uji Autokoerelasi
Dw 1,761
Menerima Ho atau Ho atau kedua - duanya
Daerah keraguan -raguan
Tolak Ho bukti autokorelasi positif
Daerah keraguan -raguan
Tolak Ho bukti autokorelasi negatiff
dl 1,444
du 1,727
4 - du 2,273
4 - dl 2,556
4
Pada tabel model summary diperoleh nilai DW
hitung
= 1,924. Karena nilai DW
hitung
= 1,631 terletak pada penerimaan Ho, jadi dapat disimpulkan tidak terdapat gejala autokorelasi pada model regresi.
0 dl du
DW 4-du 4-dl 4
1,48 1,689
1,924 2,311 2,52
2. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas. Model regresi yang baik tidak
terjadi korelasi antar variabel bebas. Untuk mendeteksi ada tidaknya multikolonearitas di dalam model regresi adalah dengan melihat nilai toleransi
dan Variance Inflation Factor VIF. Apabila nilai tolerance 10 dan nilai VIF 10, maka dapat disimpulkan tidak ada multikolinieritas antar variabel bebas
dalam model regresi. Berikut hasil perhitungan menggunakan program SPSS 16:
Tabel 4.9 uji Multikolenieritas.
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
4.265 2.855
1.494 .141
X1 .277
.065 .367
4.261 .000
.832 1.202
X2 .161
.042 .325
3.796 .000
.842 1.188
X3 .329
.072 .386
4.545 .000
.857 1.167
a. Dependent Variable: Y
Dari tabel diatas terlihat setiap variabel bebas mempunyai nilai tolerance 0,1 dan nilai VIF 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas
antar variabel bebas dalam model regresi ini.
3. Uji Heterokedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual suatu pengamatan ke pengamatan yang lain.
Heteroskedastisitas menunjukkan penyebaran variabel bebas. Penyebaran yang
acak menunjukkan model regresi yang baik. Dengan kata lain tidak terjadi heteroskedastisitas. Untuk menguji heteroskedastisitas dapat dilakukan dengan
mengamati grafik scatterplot dengan pola titik-titik yang menyebar di atas dan di bawah sumbu Y. Berikut hasil pengolahan menggunakan program SPSS 16:
Pada grafik scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun dibawah angka nol pada sumbu Y. Hal ini dapat
disimpulkan tidak terjadi heteroskedastisitas pada model regresi ini. Selain dengan mengamati grafik scatterplot Selain dengan mengamati grafik scatterplot uji
heterokedastisitas juga dapat dilakukan dengan uji Glejser. Uji glejser yaitu pengujian dengan meregresikan nilai absolut residual terhadap variabel
independen.
Output dari hasil uji glejser adalah sebagai berikut:
Tabel 4.10 Uji heterokesdasitas metode glejser.
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1.155
1.756 .658
.513 X1
-.015 .040
-.053 -.376
.708 X2
-.008 .026
-.045 -.316
.753 X3
.036 .044
.113 .806
.424 a. Dependent Variable: Abs_Res
Hasil tampilan output SPSS dengan jelas menunjukkan semua variabel independen mempunyai nilai sig ≥ 0,05. Jadi tidak ada variabel independen yang
signifikan secara statistik mempengaruhi variabel dependen abs_res. Hal ini
terlihat dari nilai sig pada tiap-tiap variabel independen seluruhnya diatas 0,05. Jadi
dapat disimpulkan
model regresi
tidak mengandung
adanya heterokedastisitas.
4.1.4.3 Analisis Regresi Berganda.
Berdasarkan analisis dengan program SPSS 16 for Windows diperoleh hasil regresi berganda seperti terangkum pada tabel berikut:
Tabel 4.11 Analisis regresi berganda.
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 4.265
2.855 1.494
.141 X1
.277 .065
.367 4.261
.000 X2
.161 .042
.325 3.796
.000 X3
.329 .072
.386 4.545
.000 a. Dependent Variable: Y
Berdasarkan tabel di atas diperoleh persamaan regresi berganda sebagai berikut:
Y = 4,264 + 0,277X
1
+ 0,161X
2
+ 0,329X
3
. Persamaan regresi tersebut mempunyai makna sebagai berikut:
1. Konstanta = 4,264 Jika variabel kompensasi, tingkat kepemimpinan dan lingkungan kerja
dianggap sama dengan nol, maka variabel tingkat kepuasan kerja sebesar 4,264.
2. Koefisien X
1
= 0,277 Jika variabel kompensasi mengalami kenaikan sebesar satu poin, sementara
tingkat kepemimpinan, lingkungan kerja tetap, maka akan menyebabkan kenaikan tingkat kepuasan kerja sebesar 0,277.
3. Koefisien X
2
= 0,161 Jika variabel tingkat kepemimpinan mengalami kenaikan sebesar satu poin,
sementara kompensasi, lingkungan kerja, dan kestrategisan lokasi dianggap
tetap, maka akan menyebabkan kenaikan tingkat kepuasan kerja sebesar 0,161.
4. Koefisien X
4
= 0,329 Jika variabel lokasi mengalami kenaikan sebesar satu poin, sementara
kompensasi, tingkat kepemimpinan, dan lingkungan kerja dianggap tetap, maka akan menyebabkan kenaikan tingkat kepuasan kerja sebesar 0,329.
4.1.4.4 Pengujian Hipotesis
Kategori