Berdasarkan data pada tabel 4.5 mengenai tanggapan responden terhadap variabel kinerja, paling banyak responden menjawab setuju sebesar 50.66
dan paling sedikit responden menjawab tidak setuju sebesar 10.66. Sehingga dapat disimpulkan kinerja dalam kategori baik.
0.2.2. Uji Asumsi Klasik
1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah data yang akan digunakan dalam model regresi berdistribusi normal Ghozali, 2007:110. Uji ini penting
dilakukan karena seringkali sebelum melakukan pengolahan data pada suatu pengamatan populasi, banyak peneliti mengasumsikan populasi yang diamati
tersebut berdistribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau
tidak, yaitu dengan analisis grafik atau uji statistik. Uji normalitas dalam penelitian ini menggunakan analisis statistik. Hasil output SPSS untuk uji
normalitas dengan analisis grafik adalah sebagai berikut :
Gambar 4.2
Dilihat berdasarkan grafik normal plot di atas, maka semua data berdistribusi normal. Hal ini terlihat dari titik-titik yang menyebar di sekitar
garis diagonal, dan mengikuti diagonal. Selain menggunakan grafik Normal P-Plot, uji normalitas juga
menggunakan uji Kolmogorov-Smirnov yang dapat dilihat pada tabel: Tabel 4.6
Hasil uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
75 .0000000
3.38912155 .077
.035 -.077
.664 .771
N Mean
Std. Deviation Normal Parameters
a,b
Absolute Positive
Negative Most Extreme
Differences
Kolmogorov-Smirnov Z Asymp. Sig. 2-tailed
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Berdasarkan hasil Kolmogorov-Smirnov Test pada hasil output SPSS yang dapat dilihat pada tabel 4.6 bahwa nilai Kolmogorov-Smirnov adalah
0,664 dan signifikansi yang dihasilkan sebesar 0,771 0,05; ini berarti bahwa
data berdistribusi normal.
2. Uji Multikolinearitas
Uji multikolinearitas dimaksudkan untuk mengetahui adanya hubungan linier diantara variabel-variabel bebas dalam regresi Sumodiningrat,
1996:281.
Menurut Ghozali 2007:91, gejala multikolinearitas dapat dilihat dari 1 nilai tolerance dan lawannya 2 variance inflation factor VIF. Kedua ukuran
ini menunjukkan setiap variabel manakah yang dijelaskan oleh variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang terpilih yang
tidak dijelaskan oleh variabel bebas lainnya. Nilai tolerance yang rendah sama dengan nilai VIF tinggi karena VIF = 1tolerance. Nilai cut off yang umum
dipakai untuk menunjukkan adanya multikolinearitas adalah nilai Tolerance 0,10 atau sama dengan nilai VIF 10.
Tabel 4.7 Hasil Uji Multikolinearitas
Berdasarkan tabel di atas dapat dilihat bahwa nilai tolerance dan nilai VIF menunjukkan tidak ada satu variabel bebas yang memiliki nilai VIF lebih
dari 10 dan nilai tolerance tidak kurang dari 10 ini berarti model regresi yang dihasilkan tidak mengandung multikolinearitas.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke
pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas Ghozali, 2007:105. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Pengujian heteroskedasisitas dilakukan dengan menggunakan scatter plot. Jika tidak terdapat pola tertentu menunjukkan bahwa model regresi
tersebut babas dari masalah heteroskedastisitas. Adapun grafik hasil ujicoba heteroskedasitas adalah sebagai berikut:
Scatterplot
Gambar 4.3 Grafik Scatterplot uji Hekteroskedastisitas
Gambar tersebut menunjukkan bahwa titik-titik yang menyebar secara acak, tidak membentuk pola tertentu serta tersebar baik di atas maupun di
bawah angka 0 nol pada sumbu Y. Dengan demikian maka dapat dinyatakan bahwa model regresi tersebut bebas dari gejala heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah model regresi linier ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan
penggangu pada periode t-1 Ghozali, 2007:95. Cara yang dapat digunakan untuk mendiagnosis autokorelasi adalah uji Durbin-Watson DW test. Adapun
hasil uji Durbin-Watson DW test dalam penelitian ini dapat dilihat di tabel 4.8 dibawah ini:
Tabel 4.8 Hasil Uji Durbin-Watson
Model Summary
b
.886
a
.786 .773
3.48461 2.240
Model 1
R R Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
Predictors: Constant, Motivasi, Struktur_Organisasi, Karakteristik_ Pekerjaan, Lingkungan_Kerja
a. Dependent Variable: Kinerja
b.
Berdasarkan tabel diatas diketahui bahwa nilai DW sebesar 2.240. Nilai DW tersebut selanjutnya dibandingkan dengan nilai tabel dengan
menggunakan derajat kepercayaan 5, jumlah responden 75 dan variabel bebas 4, diperoleh nilai DU sebesar 1.739 dan nilai DL sebesar 1.515. Karena
nilai hitung DW 2.240 lebih besar dari nilai DU 1.739 dan kurang dari 4 - 1.739 4-DU , ini berarti bahwa data tersebut tidak ada autokorelasi baik
positif maupun negatif.
0.2.3. Analisis Regresi Linier Berganda
