74
-3 -2
-1 1
2 3
Regression Standardized Residual
2 4
6 8
10 12
Frequency
Mean = -8.81E-16 Std. Dev. = 0.967
N = 32
Dependent Variable: Kinerja Histogram
4.1.4 Pengujian Asumsi Klasik
Sebelum melakukan pengujian hipotesis, terlebih dahulu dilakukan pengujian asumsi klasik yang dimaksudkan untuk memastikan bahwa model regresi linear
berganda dapat digunakan atau tidak. Apabila uji asumsi klasik telah terpenuhi, alat uji statistik linear berganda dapat dipergunakan.
4.1.4.1 Uji Normalitas Untuk pengujian normalitas data dalam penelitian ini dideteksi melalui analisa
grafik dan statistik yang dihasilkan melalui perhitungan regresi dengan SPSS. Hasil pengujian normalitas dapat dilihat pada Gambar 1 berikut :
Sumber : Penelitian, 2009 Data Diolah
Gambar 4.1 Uji Normalitas
75
0.0 0.2
0.4 0.6
0.8 1.0
Observed Cum Prob
0.0 0.2
0.4 0.6
0.8 1.0
Expe cted Cum
Prob
Dependent Variable: Kinerja Normal P-P Plot of Regression Standardized Residual
Sumber : Penelitian, 2009 Data Diolah
Gambar 4.2 Uji Normalitas
Dari Gambar 2 di atas, dapat disimpulkan bahwa data yang digunakan menunjukkan normal. Ghozali 2005 menyatakan bahwa, jika data menyebar
disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi meneuhi asumsi normalitas
dan sebaliknya jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi nomalitas. Analisis dari grafik di atas
76 terlihat titik-titik menyebar di sekitar garis diagonal, serta penyebarannya mengikuti
arah garis diagonal. Maka model regresi layak dipakai untuk memprediksi kinerja petugas pemasyarakatan berdasarkan masukan variabel independen.
Selanjutnya uji normalitas data dilakukan dengan analisis statistik dengan menggunakan alat uji non parametrik Kolmogorov – Smirnov K-S, seperti terlihat
pada Tabel 6 berikut ini:
Tabel 4.5 Uji Kolmogorov – Smirnov K-S
Dari Tabel 6 di atas diketahui besarnya nilai Kolmogorov-Smirnov adalah 1,036 dan tidak signifikan pada 0,233. Hal ini berarti data residual berdistribusi
normal, dan hasilnya konsisten dengan uji sebelumnya.
One-Sample Kolmogorov-Smirnov Test
32 .0000000
1.46452892 .183
.183
-.150 1.036
.233
N
Mean Std. Deviation
Normal Parameters a,
b
Absolute Positive
Negative Most Extreme
Difference
s
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardized Residua
l
Test distribution is Normal. a.
Calculated from data. b.
Sumber : Penelitian, 200 Data Diolah
77 4.1.4.2 Uji Multikolinieritas
Uji mulitikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi, maka
terdapat masalah multikolinieritas. Pada model regresi yang baik tidak terjadi korelasi di antara variabel independen.
Hasil pengujian multikolinieritas data dalam penelitian ini menggunakan alat bantu SPSS, hasilnya dapat dilihat pada Tabel 7 berikut :
Tabel 4.6 Hasil Uji Multikolinearitas
Dari Tabel 7 menunjukkan nilai Tolerance tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar
variabel independen yang nilainya lebih dari 95. Hasil perhitungan Variance Inflation Factor VIF juga menunjukkan hal sama tidak ada satu variabel independen
yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel indenpenden dalam model regresi.
Coefficients
a
8.300 5.073
.316 .125
.446 .460
2.175 .390
.185 .373
.460 2.175
Constant Insentif
Tunjangan
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardize
d
Coefficient s
Tolerance VIF
Collinearity Statistics
Dependent Variable: Kinerja a.
Sumber : Penelitian, 2009 Data Diolah
78
-4 -2
2 4
Tunjangan
-4 -2
2 4
Kinerja Dependent Variable: Kinerja
Partial Regression Plot
4.1.4.3 Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam sebuah regresi
terjadi ketidaksamaan varians dari residual satu pengamatan kepengamatan yang lain. Jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka
disebut homoskedastisitas, dan jika varians berbeda disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas.
Hasil pengujian heteroskedastisitas data dalam penelitian ini menggunakan alat Bantu SPSS dengan mengamati pola yang terdapat pada Sctterplots, hasilnya
dapat dilihat pada Gambar 3 sebagai berikut :
Sumber : Penelitian, 2009 Data Diolah
Gambar 4.3 Hasil Uji Heteroskedastisitas
79 Dari Gambar 3 di atas terlihat bahwa titik-ttitik menyebar secara acak
random serta tersebar di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi,
sehingga model regresi layak dipakai. Menurut Ghozali 2005, jika ada pola tertentu, seperti titik-titik yang
membentuk suatu pola yang teratur bergelombang, melebar kemudian menyempit, maka telah terjadi heterokedastisitas dan jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. Hal ini berarti tidak terjadi heteroskedistisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi keputusan memilih berdasarkan masukan dari variabel bebasnya.
Selanjutnya dilakukan uji statistik untuk menjamin keakuratan hasil. Adapun uji statistik yang digunakan untuk mendeteksi ada tidaknya heteroskedasitas adalah
uji Glesjer.
Tabel 4.7 Hasil Uji Glesjer
Coefficients
a
-2.050 3.604
-.569 .574
-.099 .089
-.291 -1.108
.277 .208
.131 .416
1.585 .124
Constant Insentif
Tunjangan
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig.
Dependent Variable: Res_2 a.
Sumber : Penelitian, 2009 Data Diolah
80 Dari Tabel 8 di atas menunjukkan bahwa tidak ada satupun variabel
independen yang signifikan secara statistik mempengaruhi variabel dependen. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5. Jadi dapat
disimpulkan model regresi tidak mengandung adanya heteroskedasitas. 4.1.4.4 Uji Kebagusan Model
Tabel 4.8 Hasil Uji Determinasi
Berdasarkan Tabel 9 di atas, diketahui bahwa besarnya koefisien determinasi atau angka Adjusted R
2
adalah sebesar 0,554, yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas indenpenden sebesar 55,40. Jadi
model cukup baik. Sedangkan sisanya 44,60 dijelaskan oleh variabel-variabel bebas lain yang tidak diteliti dan tidak dimasukkan ke dalam model regresi seperti gaji,
fasilitas kerja, pengembangan karir promosi jabatan, pendidikan dan latihan dan lain sebagainya yang juga bisa meningkatkan kinerja petugas pemasyarakatan bagian
pengamanan.
Model Summary
b
.764
a
.583 .554
1.51419
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Predictors: Constant, Tunjangan, Insentif a.
Dependent Variable: Kinerja b.
Sumber : Penelitian, 2009 Data Diolah
81
4.1.5 Pengujian Hipotesis
