Tabel 3.14 Persentase Skor Kepuasan Kerja Interval Skor
Interval Persentase
Kategori
2873 – 3420
84,00 - 100,00 Sangat Tinggi
2325 – 2872
68,00 - 84,00 Tinggi
1777 – 2324
52,00 - 68,00 Cukup
1229 – 1777
36,00 - 52,00 Rendah
681 – 1229
20,00 - 36,00 Sangat Rendah
Sumber: Data primer yang diolah, 2011 d. Interval Kinerja
Pada variabel kinerja digunakan 11 pernyataan, yang masing- masing pernyataan memiliki skor 1 sampai 5, sehingga skor minimal: 1
x 11 x 76 = 836, dan skor maksimal: 5 x 11 x 76 = 4180. Rentang skor = 4180
– 836 = 3344. Interval kelas 3344 : 5 = 668,8 ≈ 669, dari perhitungan tersebut dapat dibuat tabel kategori sebagai berikut:
Tabel 3.15 Persentase Skor Kinerja Interval Skor
Interval Persentase
Kategori
3511 – 4180
84,00 - 100,00 Sangat Tinggi
2841 – 3510
68,00 - 84,00 Tinggi
2171 – 2840
52,00 - 68,00 Cukup
1501 – 2170
36,00 - 52,00 Rendah
831 – 1500
20,00 - 36,00 Sangat Rendah
Sumber: Data primer yang diolah, 2011
3.7.2. Uji Asumsi Klasik
Sebelum melakukan uji statistik, langkah awal yang harus dilakukan adalah screaning terhadap data yang akan diolah. Menurut Ghozali 2005: 27,
salah satu asumsi penggunaan statistik parametrik adalah multivariate normalitas. Multivariate normalitas merupakan asumsi bahwa setiap variabel dan semua
kombinasi linear dari variabel berdistribusi normal dan independen. Asumsi
multivariat normalitas ini dapat diuji dengan melihat normalitas, multikolinearitas, heterokedastisitas dan autokorelasi.
3.7.2.1. Uji Normalitas
Uji asumsi normalitas bertujuan untuk menguji apakah dalam model regresi nilai residual memiliki distribusi normal atau tidak. Model yang baik
adalah model yang memberikan nilai residual yang memenuhi asumsi klasik. untuk menguji apakah distribusi normal atau tidak adalah dengan melihat grafik
normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis lurus diagonal dan ploting
data akan dengan garis diagonal. Jika distribusi adalah normal maka garis yang menggambarkan data yang sesungguhnya akan mengikuti garis diagonalnnya. Di
samping analisis itu dalam pengujian ini juga mengunakan analisis kolmogorov smirnov dengan membandingkan nilai signifikasi kolmogrov smirnov dengan
signifikasi alfa pada 0,05. Apabila nilai signifikasi kolmogrov smirnov dari 0,05 maka data berdistribusi normal.
3.7.2.2 Uji Multikolinieritas
Multikolinieritas adalah suatu keadaan dimana variabel-variabel independen dalam persamaan regresi memiliki hubungan yang kuat satu sama
lain. Multikolinieritas dapat menyebabkan variabel-variabel independen menjelaskan varians yang sama dalam mengestimasikan variabel dependen. Cara
untuk mendeteksi adanya multikolinieritas adalah dengan melihat besarnya Tolerance Value dan Variance Inflation Factor dari output komputer program
SPSS ver.16.0. Pedoman regresi yang bebas dari multikolinearitas adalah
mempunyai nilai VIF10 dan mempunyai angka Tolerance diatas 0,1 Ghozali, 2006: 96.
3.7.2.3 Uji Heterokedastisitas
Uji ini untuk mengetahui keadaan dimana seluruh faktor pengguna tidak memiliki varians yang sama untuk seluruh pengamatan atas seluruh independen.
Heteroskedastisitas berarti penyebaran titik data populasi pada bidang regresi tidak konstan. Gejala ini ditimbulkan dari perubahan situasi yang tidak
tergambarkan dalam model regresi. Uji heteroskedastisitas dalam penelitian ini dengan cara melihat grafik scatterplot antara prediksi variable terikat ZPRED
dengan residualnnya SRESID. Apabila tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi
hetrokedastisitas Ghozali, 2009: 125. Untuk dapat membuktikan bahwa model regresi benar-benar tidak
memiliki gejala heteroskedastisitas, maka diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil. Maka dari itu dilakukan pengujian dengan
menggunakan uji glejser. Jika nilai probabilitas signifikansi diatas tingkat kepercayaan 5 0,05, maka dapat disimpulkan model regresi tidak mengandung
adanya heteroskedastisitas.
3.7.2.4. Uji Autokorelasi
Menurut Gozhali 2006: 95-96 uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan problem autokorelasi. Autokorelasi muncul
karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu
observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu time series
karena “gangguan” pada seseorang individukelompok cenderung mempengaruhi ”gangguan” pada individukelompok yang sama pada periode
berikutnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau
tidaknya autokorelasi, salah satunya adalah dengan uji Durbin-Watson DW test. Cara pengujiannya membandingkan nilai Durbin Watson d dengan dl dan du
tertentu atau dengan melihat tabel Durbin Watson yang telah ada klasifikasinya untuk menilai perhitungan d yang diperoleh. kriteria untuk menilai tersebut ada
tidaknya dapat dilihat pada tabel Durbin Watson berikut ini :
Tabel 3.16 Pengambilan Keputusan Ada Tidaknya Autokorelasi
Hipotesis nol Keputusan
Jika Tdk ada autokorelasi positif
Tolak 0 d dl
Tdk ada autolorelasi positif No decision
dl ≤ d ≤ du Tdk ada korelasi negatif
Tolak 4-dl d 4
Tdk ada korelasi negatif No decision
4- du ≤ d ≤ 4-dl
Tdk ada autokorelasi, positif atau negatif
Tdk ditolak du d 4-du
Sumber: Gozhali 2006: 99
3.7.3. Analisis Jalur