79
Tabel 4.11. Hasil Uji Validitas Pertanyaan Variabel Kinerja Karyawan Y
Item Pernyataan Corrected
Item- Total Correlation
r tabel Keterangan
1 0,482 0,210
VALID 2 0,693
0,210 VALID
3 0,525 0,210
VALID 4 0,434
0,210 Sumber : lampiran 7.4
Hasil pengujian validitas di atas dapat diketahui bahwa semua item pada pertanyaan untuk kuesioner pada variabel kinerja karyawan telah
valid. Hal tersebut dapat dilihat dari taraf signifikan dari nilai Corrected Item- Total Correlation yang nilainya lebih besar dari nilai r tabel yang
bernilai 0,210.
4.3.2. Uji Reliabilitas
Berdasarkan hasil pengujian reliabilitas kuesioner yang dilakukan diperoleh hasil sebagai berikut:
Tabel 4.12. Hasil Uji Reliabilitas Kuesioner
Item pertanyaan Cronbach
Alpha hitung
r tabel Keterangan
Motivasi X
1
0,841 0,210
Reliabel Disiplin X
2
0,810 0,210
Reliabel Kepuasan Kerja X
3
0,820 0,210
Reliabel Kinerja Karyawan Y
0,738 0,210
Reliabel Sumber : lampiran 7.1-7.4
Hasil pengujian reliabilitas kuesioner di atas, dapat diketahui nilai Cronbach Alpha dari masing-masing variabel diperoleh nilai yang lebih
besar nilai r tabel, hal tersebut menunjukkan bahwa semua item pernyataan
80
untuk variabel Motivasi X
1
, Disiplin X
2
, Kepuasan Kerja X
3
dan
Kinerja Karyawan Y telah reliabel. 4.3.3.
Uji Normalitas
Uji normalitas data digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal yang dapat dilakukan dengan berbagai metode
diantaranya adalah metode Kolmogrov-Smirnov dan Shapiro-Wilk. Berikut hasil uji normalitas:
Tabel 4.13. Hasil Pengujian Normalitas
Tests of Normality
,108 39
,200 ,966
39 ,290
,139 39
,057 ,964
39 ,244
,130 39
,092 ,976
39 ,564
,128 39
,105 ,972
39 ,431
Motivasi Disiplin
Kepuasan Kerja Kinerja Karyawan
Statistic df
Sig. Statistic
df Sig.
Kolmogorov-Smirnov
a
Shapiro-Wilk
This is a lower bound of the true significance. .
Lilliefors Significance Correction a.
Sumber: lampiran 8 Berdasarkan tabel tersebut diatas dapat diketahui bahwa nilai
statistik Kolmogorov-Smirnov dan Shapiro-Wilk yang diperoleh mempunyai taraf signifikan yang lebih besar dari dari 0,05, dimana nilai
tersebut telah sesuai dengan kriteria bahwa sebaran data disebut
berdistribusi normal apabila memiliki taraf signifikan 0,05. 4.3.4.
Hasil Pengujian Asumsi Klasik 1.
Multikolineritas
Multikoliner adalah terjadinya hubungan antar variabel bebas dalam persamaan regresi linier berganda. Pendeteksian adanya
81
multikolinier dengan Mengetahui nilai ”pembengkakan varians” atau Varians inflation Factor VIF. Berikut ini hasil pengujian
multikolinieritas :
Tabel 4.14. Hasil Pengujian Multikolinieritas
Variabel Tolerance
VIF Keterangan
Motivasi X
1
0,997 1,003
Non Multikolinier
Disiplin X
2
0,989 1,032
Non Multikolinier
Kepuasan Kerja X
3
0,967 1,034
Non Multikolinier
Sumber : Lampiran 9 Berdasarkan hasil pengujian diatas diketahui bahwa nilai VIF adalah
setiap variabel yang digunakan dalam penelitian ini disekitar angka 1 atau berada di sekitar angka 1 maka dapat diputuskan bahwa tidak terjadi
multikolinieritas. 2.
Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke
pengamatan yang lain. Jika variansi dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda
disebut heteroskedastisitas. Tingkat signifikan koefisien Rank Spearman untuk semua variabel bebas terhadap residual adalah lebih besar dari 0,05
yang berarti pada model regresi ini tidak terjadi heteroskedastisitas. Berikut ini hasil pengujian heteroskedastisitas :
82
Tabel 4.15. Hasil Pengujian Heteroskedastisitas
Variabel Nilai mutlak
dari residual Taraf
Signifikansi Keterangan
Motivasi X
1
0,111 0,502
Non Heteroskedastisitas
Disiplin X
2
-0,017 0,919
Non Heteroskedastisitas
Kepuasan Kerja X
3
-0,019 0,907 Non
Heteroskedastisitas Sumber : Lampiran 10
Tabel di atas menunjukkan bahwa taraf signifikansi untuk masing- masing variabel bebasnya di atas 0,05 dapat diputuskan tidak terjadi
heteroskedastisitas 3.
Autokorelasi
Autokorelasi dapat didefinisikan sebagai “korelasi antara data observasi yang diurutkan berdasarkan urut waktu data time series atau
data yang diambil pada waktu tertentu data cross sectional”. Jadi dalam model regresi linear diasumsikan tidak terdapat gejala autokorelasi.
Artinya nilai residual Y observasi – Y prediksi pada waktu ke-t e
t
tidak boleh ada hubungan dengan nilai residual periode sebelumnya e
t-1
. Dalam penelitian ini, besarnya Durbin Watson setelah dianalisis
adalah 1,730 lampiran 9. Untuk mengetahui adanya gejala autokorelasi maka perlu dilihat tabel Durbin Watson dengan jumlah variabel bebas K =
3 sedangkan jumlah pengamatan 39 maka diperoleh dl = 1,328 dan du = 1,658 lampiran 12. Selanjutnya nilai tersebut diplotkan ke kurva Durbin
Watson dibawah ini:
83
Gambar 4.2. Distribusi Daerah Keputusan Autokorelasi
Berdasarkan gambar diatas dapat diketahui bahwa distribusi daerah penentuan keputusan dimulai dari 0 nol sampai 4 empat. Dan dapat
disimpulkan karena nilai dari analisis sebesar 1,730 berada pada daerah tidak ada autokorelasi sehingga dapat diputuskan bahwa telah terbebas dari
penyimpangan autokorelasi.
D ae
ra h
K era
gu -ra
gua n
D ae
ra h
ke ra
g u
-ra gua
n
Tidak Ada Autokorelasi
A d
a A u
toko re
la si
ne ga
ti f
A d
a A u
toko re
la si
P o
si ti
f
dl =
1,328
4-dl = DW=1,730
du = 1,658
4-du =2,342
2,672
4.3.5. Hasil Pengujian Regresi Linier Berganda