Uji Asumsi Klasik Penyajian Data

Berdasarkan grafik di atas, data-data penyebaran di sekitar garis diagonal mengikuti arah garis diagonal, yang menunjukkan bahwa model regresi telah memenuhi asumsi normalitas, sehingga dalam model regresi penelitian ini cenderung normal. Tabel 4.40 Uji Normalitas Kolmogorov Smirnov One-Sample Kolmogorov-Smirnov Test COACHING TRAINING KINERJA KARYAWAN N 30 30 35 Normal Parameters a Mean 50.70 43.83 34.11 Std. Deviation 4.662 4.300 3.234 Most Extreme Differences Absolute .115 .093 .092 Positive .090 .076 .092 Negative -.115 -.093 -.092 Kolmogorov-Smirnov Z .628 .508 .544 Asymp. Sig. 2-tailed .826 .958 .929 a. Test distribution is Normal. Sumber: Olahan Data Software Statistik, 2015 Berdasarkan tabel tersebut nilai Asymp. Sig. 2-tailed masing-masing variabel yaitu pada variabel X1 0,826 Asymp. Sig. 2- tailed α 0 , 05 yang berartitidak signifikan, pada variabel X2 0.958 Asymp. Sig. 2-tailed α 0,05, tidak signifikan dan pada variabel Y 0.929 Asymp. Sig. 2-tailed α 0,05 juga menunjukkkan tidak signifikan. Ketiga variabel tersebut menunjukkan probabilitas yang tidak signifikan, yang berati data tersebut adalah normal dan memenuhi uji normalitas. Gambar 4.3 Kurva Histogram Sumber: Olahan Data Software Statistik, 2015 Berdasarkan kurva histogram di atas dapat dilihat bahwa kurva menyerupai bentuk lonceng yang hampir sempurna dengan kemiringan yang cendrung imbang dari sisi kanan dan sisi kiri, hal ini menunjukkan bahwa data telah terdistribusi secara normal.

4.3.1.2 Uji Multikolinearitas

Uji Multikoolinearitas digunakan untuk menguji apakah pada model regresi ditemukan adanya korelasi yang kuat antar variabel independen Gujarati,3003; Santoso, 2000, Arief, 1993 dalam Juliandi, dan Irfan 2013:170. Cara yang digunakan untuk menilainya adalah dengan melihat nilai faktor inflasi varian Variance Inflasi Factor VIF, yang tidak melebihi 4 atau 5 Hines dan Montgomery, 1990 dalam Juliandi, dan Irfan 2013:170. Tabel 4.41 Uji Multikolinearitas S u m ber: Olahan Data Software Statistik, 2015 Berdasarkan tabel diatas dilihat bahwa kedua variabel independen yaitu Coaching dan Training memiliki nilai faktor inflasi harian Variance Inflasi Factor sebesar 1,012 tidak melebihi 5, sehingga tidak terjadi multikolinearitas atau tidak ditemukan adanya korelasi yang kuat antar variabel indipenden dalam penelitian ini.

4.3.1.3 Uji Heterokedastisitas

Heterokedastisitas digunakan untuk menguji apakah dalam model regresi, terjadi ketidaksamaan varians dari residual suatu pengamatan yang lain. Jika residual dari satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas, dan jika varians berbeda disebut homokedastisitas. Model yang baik adalah tidak terjadi homokedastisitas Arief, 1993: Gujarati, 2001 dalam Juliandi, 2013:171. Coefficients a Model Collinearity Statistics Tolerance VIF Constant COACHING .988 1.012 TRAINING .988 1.012 a. Dependent Variable: Kinerja Karyawan Dasar pengambilan keputusannya adalah: jika pola tertentu, seperti titik-titik poin-poin yang ada membentuk suatu pola tertentu yang teratur, maka terjadi heterokedastisitas. Jika tidak ada pola yang jelaes , serta titik- titik poin-poin menyebar dibawah dan diatas angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas Santoso, 2000 dalam Juliandi, dan Irfan 2013:171. Gambar 4.4 Heterokedastistas Sumber: Olahan Data Software Statistik, 2015 Dari gambar scatterplot di atas, dapat di lihat bahwa titik-titik menyebar secara acak, tidak membentuk pola yang teraturtidak jelas, serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian tidak terjadi heterokedastisitas pada model regresi.

4.3.2 Analisis Regresi Linier Berganda

Tabel 4.42 Koefisien Beta Coefficients a Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 Constant 26.342 8.614 3.058 .000 COACHING .160 .017 .009 1.047 .000 TRAINING .180 .027 .289 1.599 .010 a. Dependent Variable: Kinerja Karyawan Sumber: Olahan Data Software Statistik, 2015 Dari data di atas, maka model regresi berganda ialah : Y = 26,342 + 0,160X1 + 0,180X2 Keterangan : Y = Kinerja X1 = Coaching X2 = Training Persamaan regresi di atas dapat dijelaskan sebagai berikut : a. β0 = 26,342 Nilai konstanta ini menunjukkan bahwa apabila tidak ada nilai variabel coaching dan training, maka nilai variabel Kinerja karyawan adalah sebesar 26,342. b. β1 = 0,160 Koefisien regresi β1 ini menunjukkan bahwa setiap variabel coaching satu satuan, maka nilai variabel kinerja karyawan akan bertambah sebesar 0,160 dengan asumsi variabel lainnya dianggap tetap atau sama dengan nol. c. β2 = 0,180 Koefisien Regresi β2 menunjukkan bahwa setiap variabel training satu satuan, maka perubahan nilai variabel kinerja karyawan yang dilihat dari nilai Y akan bertambah 0,180 dengan asumsi variabel lain dianggap tetap. 4.3.3Uji Determinasi � � Tabel 4.43 Uji Determinasi Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1 .790 a .640 .568 2.932 a. Predictors: Constant, TRAINING, COACHING b. Dependent Variable: KINERJA KARYAWAN Sumber: Olahan Data Software Statistik, 2015 Nilai R-Square atau Uji Determinasi adalah untuk melihat bagaimana variasi nilai variabel terikat dipengaruhi oleh variasi nilai variabel bebas Juliandi dan Irfan, 2013:174. Data pada tabel di atas menunjukkan nilai R-Square sebesar 0.640, hal ini berarti bahwa 64 variasi nilai Kinerja Karyawan ditentukan oleh peran dari variasi nilai Coaching dan Training. Angka ini juga mengidentifikasikan bahwa variasi dari kedua variabel independennya mampu menjelaskan variasi variabel dependen sebesar 64 dan sisanyayaitu 36 dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam model penelitian ini.

4.3.4 Pengujian Hipotesis

4.3.4.1 Uji Signifkan Parsial Uji - T

Uji T digunakan untuk menguji hipotesis apabila peneliti menganalisis regresi parsial sebuah variabel bebas dengan sebuah variabel terikat. Maka pengujian ini dapat dilihat dari nilai probabilitasnya. Hipotesisnya adalah: a. H0 : Variabel bebas secara parsial tidak berpengaruh signifikan terhadap variabel terikat. b. Ha :Variabel bebas secara parsial berpengaruh signifikan terhadap variabel terikat. Adapun kriteria penerimaanpenolakan hipotesisnya adalah sebagai berikut: a. Tolak H0 jika nilai probabilitas yang dihitung ≤ taraf signifikansi sebesar 0.05 Sig ≤ � 0.05 b. Terima H0 jika nilai probabilitas yang dihitung taraf signifikansi 0.05 Sig � 0.05 .