79
4.3. Uji Asumsi Klasik
Adalah persyaratan statistik yang harus di penuhi pada analisis regresi berganda yang berbasis ordinary least square OLS. Jadi analisis regresi yang
tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik demikian juga tidak semua uji asimsi klasik harus di lakukan pada analisis regresi linear
misalnya multikolinieritas tidak di lakukan pada analisis regresi linear sederhana dan uji auto korelasi tidak di perlukan pada data cross sectional.
4.3.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah model regresi berdistribusi normal, Uji normalitas dapat dilakukan dengan analisis grafik dilihat dari titik-
titik yang menyebar di sekitar garis diagonal yakni distribusi data dengan bentuk lonceng dan distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan,
Uji normalitas dilakukan dengan menggunakan pendekatan kolmogorv-smirnov, Dengan menggunakan tingkat signifikan 5 0,05 naka jika nilai Asymp0, Sig0,
2-tailed di atas nilai signifikan 5 artinya variabel residual berdistribusi normal
80
Sumber : Data Primer Diolah, 2015 Gambar 4.2 Histogram
81
Sumber : Data primer diolah, 2015 Gambar 4.3 Pengujian Normalitas P-P Plot
Gambar 4.2 dapat diketahui bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh data tersebut tidak menceng ke kiri atau ke kanan, sedangkan
pada Gambar 4.3 memperlihatkan titik-titik yang mengikuti data di sepanjang garis diagonal, hal ini berarti data berdistribusi normal, Namun untuk lebih
memastikan bahwa data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji kolmogorv-sminorv.
82
Tabel 4.8 Uji
Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 73
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 2,06458765
Most Extreme Differences Absolute ,064
Positive ,061
Negative ,064
Kolmogorov-Smirnov Z ,551
Asymp. Sig. 2-tailed ,922
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data Primer diolah, 2015
Berdasarkan Tabel 4.8 terlihat bahwa nilai Asymp.Sig 2-tailed adalah 0,922 dan di atas nilai signifikan 0,05, hal ini menunjukkan bahwa variabel
residual berdistribusi normal.
4.3.2. Uji Multikolinieritas
Uji Multikonealiritas digunakan untuk menguji data dalam model sebuah regresi ditemukan adanya korelasi yang tinggi antar variabel bebas Ghozali,
2005:91. Untuk mendeteksi ada atau tidaknya multikonealiritas di dalam model regresi dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation
Factor melalui program SPSS dengan ketentuan: Bila VIF5 maka terdapat masalah multikolinearitas.
Bila VIF5 maka tidak terdapat masalah multikolinearitas.
83
Tabel 4.9 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Toleran
ce VIF
1 Constant 10,335
5,263 4,054
,000 p_karir
-,324 ,191
-,251 -1,260
,025 ,896
1,004 kompetensi
-,222 ,108
-,166 -1,131
,034 ,857
1,045 kompensasi
-,468 ,123
-,398 -1,856
,020 ,855
1,047 a. Dependent Variable: intention_to_leave
Sumber : Data primer diolah 2015
Berdasarkan Tabel 4.9 dapat terlihat bahwa jika hasil korelasi antara variabel independen di bawah 0,10 maka antara variabel tersebut tidak terjadi
multikolinearitas, Selain itu dapat juga diketahui dari persamaan regresi di peroleh nilai tolarance 0,1 dan nilai VIF 5, artinya pada nilai tolance dan VIF untuk
indikator pengembangan karir, kompetensi, kompensasi, dan intention to leave karyawan tidak terjadi multikolinearitas. Uji multikolinearitas dapat di lihat pada
gambar 4.3 sebagai berikut:
84
Sumber : Data primer diolah, 2015 Gambar 4.4 Pengujian Multikolinearitas
85
4.3.3. Uji Heteroskedastisitas
Uji heterokedastisitas menggunakan uji Gleijser dapat dilihat pada tabel hasil di bawah ini:
Tabel 4.10 Hasil Uji Gleijser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant
5,837 3,061
1,907 ,412
p_karir -,326
,053 -,278
-1,493 ,320
Kompetensi -,259
,063 -,213
-1,943 ,328
Kompensasi -,426
,071 -,311
-1,763 ,217
a. Dependent Variable: absut
Sumber : Data primer diolah 2015
Pengambilan keputusan pada uji gleijser yaitu bahwa jika variabel independen signifikan secara statistik mempengaruhi variabel independen, maka
ada indikasi terjadi heteroskedisitas, Jika variabel independen tidak signifikan terhadap variabel absut diatas tingkat kepercayaan 0,05, maka dalam model
regresi tidak mengarah pada heteroskedastisitas, Pada Tabel 4.10 terlihat bahwa semua variabel independen mempunyai nilai sig 0,05, sehingga dapat
disimpulkan bahwa antara variabel independen dan dependen tidak terjadi heteroskedasitas.
86
4.3.4 Uji Autokorelasi Tabel 4.11
Uji Autokorelasi
Runs Test
Unstandardize d Residual
Test Value
a
,07534 Cases Test Value
36 Cases = Test
Value 37
Total Cases 73
Number of Runs 29
Z 2,002
Asymp. Sig. 2- tailed
,045 a. Median
Sumber : Data primer diolah 2015
Hasil pada Tabel 4.11 diketahui nilai test sebesar 0,7534 dengan probabilitas p=0,45, yang berarti hipotesis nol di terima, sehingga dapat
disimpulkan bahwa residual random atau tidak terjadi autokorelasi antara nilai residual.
4.4. Teknik Analisis Data 4.4.1 Analisis Regresi Linear Berganda
Kategori