70
a. Pendekatan Histogram
Gambar 4.2 : Histogram Uji Normalitas Sumber : Hasil Pengolahan SPSS 2015
Pada Gambar 4.1 terlihat bahwa residual data berdistribusi normal, hal ini ditunjukan oleh distribusi data yang berbentuk lonceng dan tidak melenceng ke
kiri atau ke kanan
b. Pendekatan Grafik
Gambar 4.3 : Histogram Uji Normalitas Sumber : Hasil Pengolahan SPSS 2015
Pada Gambar 4.2 Normal P-P Plot terlihat titik-titik yang mengikuti data disepanjang garis normal, hal ini berarti residual data berdistribusi normal.
Universitas Sumatera Utara
71
c. Pendekatan Kolmogorov-Smirnov
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal, padahal secara statistik tidak berdistribusi normal. Pengujuian normalitas yang
didasarkan dengan uji statistik Non-parametik Kolmogorov-Smirnov dapat dilihat pada Tabel 4.6 berikut ini :
Tabel 4.7. Hasil Uji Normalitas Pendekatan
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
51 Normal Parameters
a,b
Mean .00
Std. Deviation 1.529
Most Extreme Differences Absolute
.097 Positive
.070 Negative
-.097 Kolmogorov-Smirnov Z
.694 Asymp. Sig. 2-tailed
.721 a. Test distribution is Normal.
b. Calculated from data.
Sumber : Hasil Pengolahan SPSS 2015
Pada Tabel 4.6 Terlihat bahwa nilai Asymp.sig 2 tailed adalah 0,721 dan nilai signifikan 0,05, karena nilai Asymp.sig 2 tailed di atas 0,05 yaitu
0, 721 hal ini berarti menunjukan bahwa residual data berdistribusi normal.
4.3.2. Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari suatu residual pengamatan ke pengamatan lain.
Jika varians dari residual satu pengamatan kepengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedestisitas.
Universitas Sumatera Utara
72 Model regresi yang baik adalah yang homoskedestisitas atau tidak terjadi
heteroskedestisitas. Untuk mengatasi kelemahan pengujian dengan grafik dapat
menggunakan pendekatan statistik dengan uji glejser, heteroskedestisitas tidak akan terjadi apabila tidak satupun varaibel independen signifikan secara
statistik mempengaruhi variabel independen signifikan secara statistik mempengaruhi varaibel dpenden nilai absolute Ut absUt. Jika probabilitas
signifikan diatas tingkat kepercayaan 5 dapat disimpulkan model regresi tidak mengarah pada heteroskedastisitas. Beberapa cara untuk mendeteksi ada
atau tidaknya heteroskedastisitas adalah sebagai berikut :
a. Metode Pendekatan Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah 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
heteroskedestis.
Gambar 4.4 :
Scatter Plot Uji Hetoroskedestisitas
Sumber : Hasil Pengolahan SPSS 2015
Universitas Sumatera Utara
73 Pada Gambar 4.4 Grafik Scatter Plot terlihat titik-titik menyebar secara
acak dan tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka 0 pada sumbu Y. hal ini berarti tidak terjadi
heteroskedestisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi kinerja karyawan berdasarkan masukan variabel sistem
rekrutmen dan penempatan kerja.
b. Metode Pendekatan Statistik Uji Glejer Tabel 4.8.
Hasil Uji Glejer Heteroskedetisitas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant -1.746
3.221 -.542
.590 Sistem_Rekrutmen
.102 .108
.139 .940
.352 Penempatan_Kerja
.023 .093
.036 .244
.809 a. Dependent Variable: absut
Sumber : Hasil Pengolahan SPSS 2015
Pada Tebel 4.7 terlihat varaibel Independent sistem rekrutmen dan penempatan kerja yang signifikan secara statistik mempengaruhi variabel
dependent absolute Ut AbsUt . Hal ini terlihat dari probabilitas X
1
dan X
2
0,352 dan 0.809 diatas tingkat kepercayaan 5 0,05, jadi disimpulkan model regresi
tidak mengarah adanya heteroskedestisitas.
Universitas Sumatera Utara
74
4.3.3. Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Pada model
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Adanya multikolinieritas dapat dilihat dari tolerance value atau
nilai variance inflation faktor VIF. Kedua ukuran ini menunjukan setiap variabel independen manakah yang dijelaskan oleh variabel independen
lainnya. Tolerance adalah mengukur variabilitas variabel independen yang terpilih dan tidak dijelaskan oleh variabel independen yang lain. Nilai Cutoff
yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah apabila Tolerance Value, 0,1 sedangkan VIF 5 maka tidak terjadi
multikolineritas. Berikut ini disajikan cara medeteksi multikolinieritas dengan
menganalisis matrik korelasi antar variabel independen dan perhitungan nilai tolerance
dan varianace inflation factor VIF.
Tabel 4.9. Hasil Uji Nilai Tolerance dan VIF
Sumber : Hasil Pengolahan SPSS 2015
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
16.091 5.135
3.133 .003
Sistem_Rekrutmen .557
.172 .394
3.230 .002
.930 1.075
Penempatan_Kerja .404
.148 .333
2.734 .009
.930 1.075
a. Dependent Variable: Kinerja_Karyawan
Universitas Sumatera Utara
75 Berdasarkan Tabel 4.8 dapat dilihat bahwa :
1. Nilai VIF dari nilai sistem rekrutmen dan penempatan kerja lebih baik kecil atau dibawah 5 VIF5 yaitu 1,075, ini berarti tidak terkena multikolinieritas
antara variabel independen dalam model regresi. 2. Nilai Tolerance dari sistem rekrutmen dan penempatan kerja lebih besar dari
0,1 yaitu 0,930 ini bearti tidak terdapat multikolinieritas antar variabel independen dalam model regresi,
4.4. Analisis Regresi Linear Berganda
Analisis regresi linier berganda dilakukan dengan bantuan SPSS versi 20 for windows
dengan tujuan untuk mengetahui seberapa besar pengaruh variabel bebas yang terdiri dari sistem rekrutmen X
1
, penempatan kerja X
2
terhadap kinerja karyawan Y sebagai variabel terikat. Persamaan regresi linier berganda
yang digunakan adalah : Y= a+b
1
X
1
+b
2
X
2
+e Dimana :
Y = Kinerja karyawan
a = Konstanta
b
1,
b
2
= Koefisien regresi
X
1
= Variabel Sistem rekrutmen
X
2
= Variabel Penempatan kerja e
= Standar error berdasarkan pengujian menggunakan SPSS versi 18 for windows, maka
hasil persamaan regresi linier berganda dapat dilihat pada Tabel 4.8
Universitas Sumatera Utara
76
Tabel 4.10. Hasil Regresi Linier Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 16.091
5.135 3.133
.003 Sistem_Rekrutmen
.557 .172
.394 3.230
.002 Penempatan_Kerja
.404 .148
.333 2.734
.009 a. Dependent Variable: Kinerja_Karyawan
Sumber : Hasil Pengolahan SPSS 2015
Berdasarkan Tabel 4.9 diketahui kolom kedua Unstandardized Coefficients
bagian B diperoleh nilai b
1
variabel sistem rekrutmen sebesar 0,557 nilai b
2
variabel penempatan kerja sebesar 0,404 dan nilai konstanta a adalah 16,091
maka diperoleh persamaan regresi linier berganda sebagai berikut :
Y= 16,091+0,557 X +0,40X +e
1. Konstanta a = 16,091
ini mempunyai arti bahwa apabila variabel sistem rekrutmen dan penempatan kerja dianggap konstan maka tingkat variabel
kinerja karyawan Y. 2.
koefisien b
1
X
1
= 0,557 berarti bahwa variabel sistem rekrutmen mempunyai pengaruh yang positif terhadap kinerja karyawan pada PT.
Kantor Pos 3.
Koefisien b
2
X
2
= 0,404, berarti bahwa variabel penempatan kerja mempunyai pengaruh yang positif terhadap kinerja karyawan pada PT.
Kantor Pos.
Universitas Sumatera Utara
77
4.5. Pengujian Hipotesis 4.5.1 Uji Signifikan Simultan Uji- F