D. Analisis Regresi Linier Berganda
Metode analisis regresi linier berfungsi untuk mengetahui pengaruhhubungan antara variabel independent Pengawasan, Keselamatan,
Kesehatan Kerja dan variabel dependent kinerja akan digunakan analisis regresi linear berganda multiple regression analysis. Peneliti menggunakan bantuan
program software SPSS versi 16 untuk memperoleh hasil yang lebih terarah, dengan menggunakan metode Enter. Metode Enter dilakukan dengan
memasukkan semua variabel bebas sebagai variabel prediktor. Seluruh variabel akan dimasukkan ke dalam analisis untuk mengetahui apakah variabel
independent mempunyai pengaruh yang positif dan signifikan terhadap variabel dependent.
Sebelum melakukan analisis regresi berganda, penulis melakukan pengujian asumsi klasik. Pengujian asumsi klasik dilakukan untuk mendapatkan
hasil penelitian yang BLUE Best Linier Unbiased Estimation atau perkiraan yang efisien dan tidak bias. Kriteria pengujian asumsi klasik yang harus dipenuhi,
yaitu: 1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah residual yang diteliti berdistribusi normal atau tidak. Distribusi data tidak normal, karena
terdapat nilai ekstrem data yang diambil. Pada uji normalitas ada dua cara yang dapat digunakan yaitu:
a Analisis Grafik
Normalitas data dapat dilihat melalui penyebaran titik pada sumbu diagonal dari P-Plot atau dengan melihat histogram dari residualnya.
Dasar pengambilan keputusan sebagai berikut: Apabila data menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal maka model regresi memenuhi asumsi normalitas.
Apabila data menyebar jauh dari diagonal atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola
distribusi normal maka model regresi tidak memenuhi asumsi normalitas. Hasil dari analisis Grafik P-Plot uji normalitas adalah
sebagai berikut:
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
E xpect
ed C
um P
rob
Dependent Variable: Kinerja Normal P-P Plot of Regression Standardized Residual
Gambar 4.2 Hasil Uji Normal P-P Plot Of Regression Standardized Residual Sumber : Hasil Pengolahan SPSS 16,0 2011
Pada Gambar 4.2, P-P plot menunjukkan bahwa tiitk-titik menyebar disekitar garis diagonal dan mengikuti garis diagonal, maka dapat
disimpulkan bahwa data yang diperoleh berdistribusi normal.
b Analisis Statistik Pengujian normalitas yang didasarkan pada uji statistik non
parametrik Kolmogorof-Smirnov K-S. Apabila nilai Kolmogorof- Smirnov Z
≤ Z tabel atau nilai asymp. Sig. 2 tailed α maka data dinyatakan berdistribusi normal. Berikut adalah Tabel 4.9 hasil uji
Kolmogorov Smirnov.
Tabel 4.11 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
50 Normal
Parametersa,b Mean
.0000000 Std. Deviation
2.13152313 Most Extreme
Differences Absolute
.110 Positive
.050 Negative
-.110 Kolmogorov-Smirnov Z
.779 Asymp. Sig. 2-tailed
.579
Sumber: Hasil pengolahan SPSS 16,0 2011. Menurut Umar 2008:181 bahwa, apabila pada hasil uji Kolmogorov
Smirnov, nilai Asymp. Sig 2-tailed lebih besar dari 0,05 α = 5,
tingkat signifikan maka data berdistribusi normal. Pada Tabel 4.11 dapat dilihat, probabilitas hasil uji Kolmogorov Smirnov yaitu 0,579
lebih besar dari 0,05, sehingga model regresi yang didapat adalah berdistribusi normal.
2. Uji Multikolinieritas Uji ini bertujuan untuk menguji apakah didalam model regresi linier
ditemukan adanya korelasi yang tinggi diantara variabel bebas. Ada atau tidaknya multikolinieritas antar variabel dapat dilihat dari nilai
variance inflation factor VIF untuk masing-masing variabel independent terhadap variabel dependent.
Pengambilan Keputusannya: VIF 5 maka diduga mempunyai persoalan multikolinieritas
VIF 5 maka tidak terdapat multikolinieritas Tolerence 0,1 maka diduga mempunyai persoalan multikolinieritas
Tolerence 0,1 maka tidak terdapat multikolinieritas Pengujian multikolinearitas dapat dilihat pada Tabel 4.10 berikut ini
Tabel 4.12 Hasil Uji Multikolinearitas
Coefficients
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std.
Error Beta
Tolerance VIF
1 Constant
15,929 2,553
6,240 ,000
Pengawasan ,262
,162 ,169
1,619 ,109
,936 1,068
Keselamatan ,355
,168 ,216
2,112 ,038
,981 1,019
Kesehatan ,547
,160 ,356
3,426 ,001
,945 1,058
a Dependent Variable: Kinerja
Sumber: Hasil pengolahan SPSS 16,0 2011. Tabel 4.12 memperlihatkan bahwa VIF 5, maka tidak terjadi
multikolinearitas dan Tolerance 0,1 maka tidak terjadi multikolinearitas.
3. Uji Heteroskedastisitas Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi
ketidaksamaan variance dari suatu residual pengamatan ke pengamatan lain. Gejala heteroskedastisitas dapat dideteksi dengan 2
cara yaitu: a.
Analisis Grafik Gejala heteroskedastisitas dapat dilihat dengan menggunakan
grafik Scatterplot. Apabila data yang berbentuk titik-titik tidak membentuk suatu pola atau menyebar, maka model regresi tidak
terkena heteroskedastisitas.
Berikut adalah gambar Scatterplot untuk uji heteroskedastisitas:
-3 -2
-1 1
2 3
Regression Standardized Predicted Value
-3 -2
-1 1
2 3
R egressi
on S
tudent iz
ed R
esi dual
Dependent Variable: Kinerja Scatterplot
Gambar 4.3 Scatterplot Uji Heteroskedastisitas Sumber : Hasil Pengolahan SPSS 16,0 2011
Pada Gambar 4.3, terlihat titik-titik menyebar secara acak, tidak membentuk sebuah pola tertentu yang jelas, serta tersebar baik di atas
maupun di bawah angka 0 pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi.
b. Analisis Statistik
Gejala heteroskedastisitas dapat juga dideteksi melalui uji Glejser. Tabel 4.13 berikut ini menampilkan hasil pengujian heteroskedastisitas
dengan uji Glejser.
Tabel 4.13 Uji Glejser
Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
B Std. Error
1 Constant
10,361 6,167
1,680 ,100
Pengawasan ,223
,433 ,118
,516 ,609
Keselamatan ,249
,400 ,149
,622 ,537
Kesehatan ,027
,351 ,016
,077 ,939
Sumber : Hasil Pengolahan SPSS 16,0 2011 Pada Tabel 4.13 dapat dilihat bahwa semua variabel bebas tidak
signifikan dengan variabel terikat. Hal ini ditunjukkan oleh nilai signifikansi dari masing-masing variabel bebas lebih besar dari tingkat
signifikansi α sig 0,05. Hal ini dapat disimpulkan bahwa data
bebas dari heteroskedastisitas.
Berdasarkan hasil pengujian asumsi klasik diatas, ternyata data telah lulus uji asumsi klasik, sehingga data siap untuk diregresi linier berganda.
Hasil dari analisis regresi linier berganda dapat dilihat pada Tabel 4.14.
Tabel 4.14 Regresi Linear Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error
Beta 1
Constant 15,929
2,553 6,240
,000 Pengawasan
,262 ,162
,169 1,619
,109 Keselamatan
,355 ,168
,216 2,112
,038 Kesehatan
,547 ,160
,356 3,426
,001 a Dependent Variable: Kinerja
Sumber : Hasil Pengolahan SPSS 16,0 2011 Pengolahan data tersebut menghasilkan suatu model Regresi Linear Berganda
sebagai berikut:
Y = 15,929 + 0,262X
1
+ 0,355X
2
+ 0,547X
3
+ e
Dimana: Y
: Kinerja a
: Konstanta b
1
-b
3
: Koefisien regresi X
1
: Pengawasan X
2
: Keselamatan Kerja X
3
: Kesehatan Kerja e
: Standard error Dari persamaan tersebut dapat digambarkan sebagai berikut:
a. Jika semua pada variabel independen dianggap konstan maka nilai kinerja
karyawan Y adalah sebesar 15.929 b.
Jika terjadi penambahan terhadap pengawasan X
1
sebesar satu satuan, maka kinerja pegawai Y akan meningkat sebesar 0.262
c. Jika terjadi penambahan terhadap keselamatan kerja X
2
sebesar satu satuan, maka kinerja pegawai Y akan meningkat sebesar 0.355.
d. Jika terjadi penambahan kesehatan kerja X
3
sebesar satu satuan, maka kinerja pegawai Y akan meningkat sebesar 0.547.
E. Uji F Uji Serentak