75
Data primer dengan pengolahan December 2012
Gambar 4.2 Histogram Uji Normalitas
Pada gambar 4.2, terlihat bahwa variabel terdistribusi normal. Hal ini dapat dilihat dari distribusi data yang tidak miring ke kiri atau ke kanan.
b. Pendekatan Grafik
Cara lain untuk melihat normalitas adalah dengan melakukan pendekatan grafik. P-P plot akan membentuk semua plot antara nilai-nilai teoritis sumbu X
melawan nilai-nilai yang didapat dari sampel sumbu Y. Apakah plot dari keduanya berbentuk linier dapat didekati oleh garis lurus, maka hal ini
merupakan indikasi bahwa residual menyebar normal.
UNIVERSITAS SUMATERA UTARA
76
Data primer dengan pengolahan December 2012
Gambar 4.3 Histogram Uji Normalitas
c. Pendekatan Smirnov Kolmogorov
Uji normalitas juga dilakukan dengan menggunakan pendekatan kolmogorov smirnov. Dengan menggunakan tingkat signifikan 5 0,05 maka
nilai Asymp.Sig. 2-tailed di atas nilai signifikan 5 menujukkan bahwa variabel residua l terdistribusi normal.
Tabel 4 10
UNIVERSITAS SUMATERA UTARA
77
One-Sample Kolmogorov-Smirnov Test
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 96
Normal Parameters
a,,b
Mean .0000000
Std. Deviation 2.73703980
Most Extreme Differences Absolute
.102 Positive
.060 Negative
-.102 Kolmogorov-Smirnov Z
.997 Asymp. Sig. 2-tailed
.273 a. Test distribution is Normal.
b. Calculated from data.
Data primer dengan pengolahan December 2012
Pada Tabel 4.6 terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0.273, dan di atas nilai signifikan 5 atau 0,05. Dan hal ini menunjukkan bahwa
variabel residual berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas dan jika berbeda disebut heterokedastisitas. Model
regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas Ghozali, 2006:105.
UNIVERSITAS SUMATERA UTARA
78
Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas yaitu dengan pendekatan grafik dan uji Glejser.
a. Pendekatan Grafik
Pemeriksaan terhadap gejala heteroskedastisitas adalah dengan melihat pola diagram pencar pada grafik scatterplot. Cara pengambilan keputusannya
adalah sebagai berikut: 1. Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur
maka regresi mengalami gangguan heteroskedastisitas.
2. Jika diagram pencar membentuk pola acak maka regresi tidak mengalami
gangguan heteroskedastisitas.
Gambar 4.4 Scatterplot Uji Heteroskedastisitas
Data primer dengan pengolahan December 2012
UNIVERSITAS SUMATERA UTARA
79
Gambar 4.4 menunjukkan bahwa diagram pencar menujukkan suatu pola acak, dengan demikian dapat dikatakan bahwa regresi tidak mengalami gangguan
heteroskedastisitas, sehingga model regresi layak dipakai untuk memprediksi loyalitas pelanggan berdasarkan masukan variabel independennya.
b. Pendekatan Statistik Uji Glejser
Uji heteroskedastisitas juga dapat dilakukan dengan Uji Glejser. Cara pengambilan keputusan:
1. Jika probabilitas 0,05, maka tidak mengalami gangguan heteroskedastisitas.
2. Jika probabilitas 0,05, maka mengalami gangguan heteroskedastisitas.
Tabel 4.11 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
1.706 1.450
1.177 .242
DMUPE -.122
.164 -.081
-.747 .457
IKLIMETIKA .172
.086 .245
2.002 .048
HUB.P.ETIS.DAN.KESU KSESAN.KARIER
-.149 .157
-.120 -.951
.344 a. Dependent Variable: absut
Data primer dengan pengolahan December 2012
UNIVERSITAS SUMATERA UTARA
80
Pada Tabel 4.11 dapat dilihat bahwa kolom Sig.Significance pada tabel koefisien regresi adalah 0.457, 0.048, 0.344, atau probabilitas lebih besar
dari 0.05 maka tidak terjadi gangguan heteroskedastisitas. Hal ini menunjukkan semua variabel independen yang terdiri dorongan manajemen untuk berperilaku
etis DMUPE , iklim etika dan hubungan perilaku etis dan kesuksesan karier mempengaruhi variabel dependen absolute Ut absut.
4.3.3 Uji Multikoliniearitas
Multikoliniearitas artinya terdapat korelasi linear sempurna atau pasti diantara dua atau lebih variabel independen. Artinya multikolinearitas
menyebabkan standar deviasi masing-masing koefisien regresi akan sangat besar sehingga membuat bias tingkat signifikan pengaruh variabel dependen. Metode
yang dgunakan untuk menguji ada tidaknya multikolininearitas adalah dengan menggunakan nilai Variance Inflation Factor VIF. Batas VIF adalah 5, artinya
jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas yang lainnya disimpulkan terjadinya
multikolinearitas
Tabel 4.12 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardize
d Coefficients
t Sig.
Collinearity Statistics
UNIVERSITAS SUMATERA UTARA
81
B Std. Error
Beta Toleranc
e VIF
1 Constant
11.325 2.245
5.044 .000
DMUPE .545
.253 .165
2.150 .034
.885 1.130
IKLIMETIKA .418
.133 .273
3.148 .002
.693 1.443
HUB.P.ETIS.DAN.K ESUKSESAN.KARI
ER 1.239
.243 .458
5.110 .000
.647 1.546
a. Dependent Variable: KEPUASANKERJA
Data primer dengan pengolahan December 2012
Pada Tabel 4.12 variabel nilai dorongan manajemen untuk berperilaku etis DMUPE , iklim etika dan hubungan perilaku etis dan kesuksesan karier
memiliki nilai VIF 1,130, 1.443, 1.546, 5 maka variabel tersebut tidak mempunyai persoalan multikolinearitas. Tidak terkena multikolinearitas
menyebabkan standar deviasi masing-masing koefisien regresi membuat bias tingkat signifikan pengaruh variabel dependen. Dapat disimpulkan bahwa variabel
dorongan manajemen untuk berperilaku etis DMUPE , iklim etika dan hubungan perilaku etis dan kesuksesan karier tidak bias terhadap variabel
kepuasan kerja.
4.4 Analisis Regresi Liniear Berganda
Analisis regresi liniear berganda dilakukan untuk mengetahui seberapa besar pengaruh variabel independen yang terdiri dari nilai-nilai ekonomis,
psikologis, sosial, dan fungsional terhadap variabel dependen, yaitu loyalitas
UNIVERSITAS SUMATERA UTARA
82
pelanggan. Analisis regresi liniear berganda dilakukan dengan aplikasi SPSS 17,0 for window. Model regresi yang dilakukan dalam penelitian ini adalah :
Y= a + b
1
.X
1
+ b
2
.X
2
+ b
3
.X
3
+ e Hasil pengolahan data pada SPSS yang dilakukan, dapat ditunjukkan pada
tabel berikut :
Tabel 4.13 Analisis Regresi Linear Berganda
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 11.325
2.245 5.044
.000 DMUPE
.545 .253
.165 2.150
.034 IKLIMETIKA
.418 .133
.273 3.148
.002 HUB.P.ETIS.DAN.KESU
KSESAN.KARIER 1.239
.243 .458
5.110 .000
a. Dependent Variable: KEPUASANKERJA
Data primer dengan pengolahan December 2012
Model regresi untuk persamaan ini dapat dilihat dari tabel uji t parsial pada kolom B yaitu:
Y= 11,325 + 0,545X
1
+ 0,418 X
2
+ 1,239 X
3
+ e Persamaan pada tabel 4.9 dapat diuraikan sebagai berikut:
a. Konstanta a = 11,325 menyatakan bahwa nilai dari variabel nilai-nilai DMUPE dorongan manajer untuk berperilaku etis X
1
, Iklim etika
UNIVERSITAS SUMATERA UTARA
83
X
2
, hubungan perilaku etis dan kesuksesan karier X
3
= 0, maka kepuasan kerja guru akan naik sebesar 11,325
b. Koefisien regresi X
1
nilainya 0,545 menunjukkan bahwa variable DMUPE dorongan manajer untuk berperilaku etis X
1
berpengaruh positif terhadap kepuasan kerja guru atau dengan kata lain jika DMUPE
X
1
ditingkatkan maka kepuasan kerja akan bertambah sebesar 0,545 c. Koefisien regresi X
2
nilainya 0,418 menunjukkan bahwa variable iklim etika X
2
berpengaruh positif terhadap kepuasan kerja guru atau dengan kata lain jika iklim etika X
2
ditingkatkan , maka kepuasan kerja akan bertambah sebesar 0,418
d. Koefisien regresi X
3
nilainya 1,239 menunjukkan bahwa variable hubungan perilaku etis dan kesuksesan karier X
3
berpengaruh positif terhadap kepuasan kerja guru atau dengan kata lain jika hubungan perilaku
etis dan kesuksesan karier X
2
ditingkatkan, maka kepuasan kerja akan bertambah 1,239
4.5 Uji Hipotesis 4.5.1 Uji F secara serentak
