Analisis Regresi Linier Berganda

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