78 tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan
dengan uji statistik nonparametik Kolmogorv-Smirnov K-S.
Tabel 4.11 Uji Kolmogrov Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 53
Normal Parameters
a,,b
Mean .0000000
Std. Deviation .93238364
Most Extreme Differences Absolute
.084 Positive
.063 Negative
-.084 Kolmogorov-Smirnov Z
.614 Asymp. Sig. 2-tailed
.845 a. Test distribution is Normal.
b. Calculated from data.
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan Tabel 4.11, terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0,845, ini berarti nilainya diatas nilai signifikan 5 0.05. dengan kata lain
variabel tersebut berdistribusi normal.
4.4.2 Uji Multikolinieritas
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
Universitas Sumatera Utara
79 dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Toleranc e 0,1,
dan VIF 5, maka tidak terjadi multikolinieritas.
Tabel 4.12 Uji Multikolinieritas
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics B
Std. Error Beta
Tolerance VIF
1 Constant 10.729
4.680 2.293
.026 Stress_Kerja
.774 .102
.711 7.584
.000 .955
1.047 Motivasi_Kerja
-.086 .045
-.181 -1.938
.058 .956
1.046 Iklim_Organisasi
-.005 .061
-.008 -.085
.932 .990
1.010 a. Dependent Variable: Intention_To_Leave
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan Tabel 4.12 dapat terlihat bahwa data variabel tidak terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model
regresi layak dipakai untuk memprediksi keinginan untuk keluar intention to leave berdasarkan masukan variabel stess kerja, variabel motivasi kerja, dan
variabel iklim organisasi.
4.4.3 Uji Autokorelasi
Uji Durbin Watson adalah sebuah test yang digunakan untuk mendeteksi terjadinya autokorelasi pada nilai residual prediction errors dari sebuah analisis
regresi. Yang dimaksud dengan autokorelasi adalah hubungan antara nilai-nilai yang dipisahkan satu sama lain dengan jeda waktu tertentu.
Universitas Sumatera Utara
80
Tabel 4.13 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of
the Estimate Change Statistics
Durbin- Watson
R Square Change
F Change df1
df2 Sig. F Change
1 .768
a
.589 .564
.96050 .589
23.438 3
49 .000
2.306 a. Predictors: Constant, Iklim_Organisasi, Motivasi_Kerja, Stress_Kerja
b. Dependent Variable: Intention_To_Leave
Sumber: Hasil Penelitian, 2015 data diolah
Berdasarkan hasil hitung, nilai Durbin-Watson DW-Test adalah sebesar 2,306 sedangkan dalam DW-Tabel untuk k=4 dan n=53, besarnya DW-Tabel
dLbatas bawah Durbin Watson = 1,440 dUbatas atas Durbin Watson = 1,678 4-d = 1,694. Cara untuk menentukan atau kriteria pengujian autokorelasi adalah
sebagai berikut : 1.
Deteksi autokorelasi positif : Jika d dL maka terdapat autokorelasi positif
Jika d dU maka tidak terdapat autokorelasi positif Jika dL d dU maka pengujian tidak meyakinkan atau hasil tidak dapat
disimpulkan Berdasarkan kriteria diatas, maka di dapat nilai d dU 2,306 1,678. Hasil
tersebut menyatakan bahwa tidak terdapat autokorelasi positif 2.
Deteksi autokorelasi negatif : Jika 4-d dL maka terdapat autokorelasi negatif
Jika 4-d dU maka tidak terdapat autokorelasi negatif
Universitas Sumatera Utara
81 Jika dL 4-d dU maka pengujian tidak meyakinkan atau hasil tidak dapat
disimpulkan Berdasarkan kriteria diatas, maka di dapat nilai 4-d dU 1,694 1,678.
Hasil tersebut menyatakan bahwa tidak terdapat autokorelasi negatif Pada hasil diatas dapat disimpulkan pada analisis regresi tidak terdapat
autokorelasi positif dan tidak terdapat autokorelasi negatif sehingga bisa disimpulkan sama sekali tidak terdapat autokorelasi.
4.4.4 Uji Heteroskedastisitas
