karyawan 16,77 dan kategori tinggi sebanyak 144 karyawan 83,23. Jadi dapat disimpulkan bahwa kecenderungan variabel kinerja karyawan
pada kategori tinggi sebanyak 144 karyawan dengan persentase 83,23. Kategorisasi kecenderungan variabel kinerja karyawan disajikan
dalam bentuk diagram lingkaran berikut ini:
Gambar 6. Diagram Lingkaran Kecenderungan Variabel Kinerja Karyawan
C.
Pengujian Prasarat Analisis
Uji prasarat analisis data dipergunakan sebelum melakukan pengujian hipotesis. Uji prasarat tersebut meliputi uji normalitas, uji linieritas, uji
multikolinieritas, uji heteroskedastisitas.
1. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah berdistribusi normal atau berdistribusi tidak normal. Pengujian dengan menggunakan nilai
critical ratio skewness. Evaluasi normalitas dilakukan dengan menggunakan
rendah sedang
tinggi
83,23 16,77
0,0
kriteria critical ratio skewness value sebesar ± 2.58 pada tingkat signifikasi 0,01. Data dapat disimpulkan mempunyai distribusi normal jika nilai critical
ratio skewness dibawah harga mutlak 2.58. Uji normalitas dilakukan dengan bantuan program AMOS 21.0. hasil
uji normalitas data ditunjukkan oleh tabel di bawah ini:
Tabel 17. Uji Normalitas
Variable skew
c.r. kurtosis
c.r. Keterangan
X -,060
-,316 -,776
-2,060 Normal
Y1 ,808
1,286 ,053
,142 Normal
Y2 ,328
1,740 -,705
-1,870 Normal
Multivariate -1,846
-2,191 Normal
Sumber: Output AMOS Tabel di atas menunjukkan bahwa nilai critical ratio skewness -2,060,
0,142, -1,870, -2,191 menunjukkan bahwa data secara univariate dan multivariate dikatakan normal.
2. Uji Linieritas
Uji Linieritas digunakan untuk mengetahui apakah variabel bebas dan variabel terikat terdapat hubungan linier atau tidak. Kriteria hubungan antara
variabel bebas dan terikat dikatakan linier jika nilai signifikasinya lebih besar dari 0,05. Ringkasan hasil uji linieritas dalam penelitian ini adalah sebagai
berikut:
Tabel 18. Uji Linieritas
Variabel Eta
F hitung Signifikasi
Keterangan Y1 X
0,967 0,967
0,514 Linier
Y2X 1,085
1,085 0,367
Linier Y2Y1
0,699 0,699
0,881 Linier
Sumber: Output SPSS 17.00 Berdasarkan tabel di atas, terlihat bahwa semua variabel mempunyai
sig F 0,514, 0,367, 0,881 0,05 sehingga dapat disimpulkan bahwa data bersifat linier.
3. Uji Outlier
Outlier adalah kondisi observasi dari suatu data yang memiliki karakteristik unik yang terlihat sangat berbeda dari observasi-observasi
lainnya dan muncul dalam nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel-variabel kombinasi Hair et al dalam buku Imam Gozhali
2013: 85. Deteksi terhadap multivariate outlier dilakukan dengan memperhatikan nilai mahalonabis distance. Mahalonabis distance digunakan
untuk mengukur jarak skor hasil observasi terhadap nilai centroidnya. Arbuckle dalam bukunya Imam Ghozali, 2013: 85 mencatat bahwa
walaupun nilai p1 diharapkan bernilai kecil, tetapi nilai kecil pada kolom p2 menunjukkan observasi yang jauh dari nilai centroidnya dan dianggap outlier
serta harus dibuang didrop dari analisis. Nilai p1 dan p2 0,050 menunjukkan bahwa data outlier.
Uji outlier dilakukan dengan bantuan program AMOS 21.0. Hasil uji outlier data ditunjukkan oleh tabel berikut ini:
Tabel. 19 Uji Outlier
Observation Number
Mahalanobis d-squared p1
p2 63
10,717 0,013
0,032 66
8,583 0,035
0,046 72
8,164 0,043
0,080 44
8,144 0,043
0,083 Sumber: Output AMOS
Berdasarkan tabel diatas, maka data yang dianggap outlier adalah observasi nomer 63, 66, 72 dan 44 sehingga sebelum dilakukan analisis
selanjutnya data tersebut didrop atau dibuang. Data outlier yang tidak didrop atau dibuang dikhawatirkan akan menghasilkan hasil analisis yang bias.
D. Analisis Jalur dan Pengujian Hipotesis
Pengujian hipotesis dilakukan dengan analisis jalur dengan bantuan program AMOS 21.0. Adapun langkah-langkah dalam analisis jalur adalah
sebagai berikut:
1. Model Structural Analisis Jalur
Berdasarkan analisis yang dilakukan dengan AMOS 21.0 diperoleh model jalur sebagai berikut:
