4.1.2. Uji Asumsi Klasik
4.1.2.1. Uji Normalitas
Uji normalitas ini bertujuan untuk menguji apakah model regresi, variabel pengganggu atau residual mempunyai distribusi normal atau tidak. Ada dua cara
untuk medeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. Gambar grafik histogram dan normal P-P Plot
residual dengan perhitungan rumus Kolmogrov-Smirnov K-S dilihat berikut ini:
Gambar 4.1 Histogram dengan Kinerja Guru sebagai Variabel Dependen Sumber: data primer diolah, 2015
Gambar 4.2 Histogram dengan Motivasi Kerja sebagai Variabel Dependen Sumber: data primer diolah, 2015
Gambar 4.3 Normal P-Plot dengan Variabel Kinerja Guru sebagai Variabel Dependen
Sumber: data primer diolah, 2015
Gambar 4.4 Normal P-Plot dengan Variabel Motivasi Kerja sebagai Variabel Dependen
Sumber: data primer diolah, 2015
Tabel 4.7 Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test
Dengan Kinerja Guru sebagai Variabel Dependen
Tabel 4.8 Hasil Uji Normalitas One Sample Kolmogorov-Smirnov Test
Dengan Motivasi Kerja sebagai Variabel Dependen
Kesimpulannya yaitu dilihat pada grafik histogram maupun Normal P-P Plot residual terlihat jelas bahwa residual terdistribusi normal. Hal ini terlihat dari
data yang mendekati dari diagonal atau mengikuti garis diagonal. Jadi dapat disimpulkan model regresi memenuhi asumsi normalitas residual. Sedangakan
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 4,10798456
Most Extreme Differences Absolute
,084 Positive
,070 Negative
-,084 Kolmogorov-Smirnov Z
,534 Asymp. Sig. 2-tailed
,938 a. Test distribution is Normal.
b. Calculated from data.
Sumber: data primer diolah, 2015
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parameters
a,b
Mean ,0000000
Std. Deviation 4,10412604
Most Extreme Differences Absolute
,109 Positive
,109 Negative
-,083 Kolmogorov-Smirnov Z
,689 Asymp. Sig. 2-tailed
,730 a. Test distribution is Normal.
b. Calculated from data.
Sumber: data primer diolah, 2015
dilihat dari besarnya nilai Kolmogorov-Smirnov dengan kinerja guru sebagai variabel dependen adalah 0,534 dan signifikansi 0,9380,05 sehingga dapat
dikatakan bahwa data residual berdistribusi normal. Kemudian dengan motivasi
kerja sebagai variabel dependen adalah 0,689 dan signifikansi 0,7300,05 sehingga dapat dikatakan bahwa data residual yang digunakan dalam penelitian
ini berdistribusi normal.
4.1.2.2. Uji Lineritas
Uji linearitas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Dengan uji linearitas akan diperoleh informasi
apakah model empiris sebaiknya linear, kuadrat, atau kubik Ghozali, 2011:166. Dasar pengambilan keputusan dari uji linearitas ini dapat dilihat dari nilai
signifikansi pada tabel ANOVA, apabila nilai signifikansi 0,05 maka dapat disimpulkan bahwa hubungan model empiris bersifat linear. Berikut ini akan
dijabarkan hasil uji linearitas pada masing-masing variabel.
Tabel 4.9 Hasil Uji Linearitas Kepemimpinan Kepala Sekolah dengan
Kinerja Guru sebagai Variabel Dependen
Sumber: data primer diolah, 2015
ANOVA Table
Sum of Squares
df Mean
Square F
Sig. kinerja_guru
kepemimpinan_k epala_sekolah
Between Groups Combined
1779,933 19
93,681 2,611
,019 Linearity
1302,700 1
1302,700 36,304 ,000
Deviation from Linearity
477,233 18
26,513 ,739
,739 Within Groups
717,667 20
35,883 Total
2497,600 39
Berdasarkan tabel 4.9 diperoleh nilai signifikansi pada baris linearity sebesar 0,000 dimana nilai ini kurang dari 0,05, maka dapat disimpulkan bahwa
antara variabel kepemimpinan kepala sekolah dan kinerja guru SMK bidang keahlian Bisnis dan Manajemen di Kota Semarang tahun 2015 terdapat hubungan
linear.
Tabel 4.10 Hasil Uji Linearitas Motivasi Kerja dengan
Kinerja Guru sebagai Variabel Dependen
Sumber: data primer diolah, 2015
Berdasarkan tabel 4.10 di atas diperoleh nilai signifikansi pada baris linearity sebesar 0,000 dimana nilai ini kurang dari 0,05, maka dapat
disimpulkan bahwa antara variabel motivasi kerja dan kinerja guru SMK bidang keahlian Bisnis dan Manajemen di Kota Semarang tahun 2015 terdapat hubungan
linear.
4.1.2.3. Uji Multikolinieritas
Ghozali 2013:105 Uji Multikolonieritas ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen. Multikolonieritas dapat dilihat dari variance inflation faktor VIF. Nilai cutoof yang umun dipakai adalah nilai tolerance 0,10 atau sama dengan nilai
ANOVA Table
Sum of Squares
df Mean
Square F
Sig. kinerja_guru
motivasi_kerja Between Groups
Combined 1645,767
13 126,597
3,864 ,002
Linearity 1500,277
1 1500,277
45,792 ,000
Deviation from Linearity
145,490 12
12,124 ,370
,963 Within Groups
851,833 26
32,763 Total
2497,600 39
VIF diatas 10, maka dapat dikatakan bahwa terdapat Multikolonieritas antar variabel bebas dalam model regresi. Jika nilai VIF kurang dari 10 dapat dikatakan
tidak terdapat Multikolonieritas dalam model regresi.
Tabel 4.11 Hasil Uji Multikolinearitas dengan Kinerja Guru sebagai Variabel Dependen
Tabel 4.12 Hasil Uji Multikolinearitas dengan
Motivasi Kerja sebagai Variabel Dependen
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 14,915
6,293 2,370
,023 kepemimpinan_
kepala_sekolah ,255
,092 ,315
2,765 ,009
,562 1,779
motivasi_kerja ,548
,167 ,403
3,282 ,002
,485 2,060
a. Dependent Variable: kinerja_guru
Sumber: data primer diolah, 2015
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 15,715
5,637 2,788
,008 kepemimpinan_ke
pala_sekolah ,189
,085 ,318
2,218 ,033
,637 1,570
a. Dependent Variable: motivasi_kerja
Sumber: data primer diolah, 2015
Berdasarkan tabel 4.11 dan 4.12 terlihat bahwa semua variabel bebas mempunyai nilai Tolerance
≥ 0,10 dan nilai VIF ≤ 10. Jadi dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel bebas pada model regresi.
4.1.2.4. Uji Heteroskedastisitas
Ghozali 2013:139 Uji Heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu
pengamatan yang lain. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Untuk mendeteksi ada tidaknya
Heteroskedastisitas, dalam penelitian ini dilihat dari grafik Chart diatas grafik menyebar dan tidak membentuk pola, serta berada diatas dan dibawah garis angka
nol pada sumbu Y, maka model regresi tidak terdapat atau bebas dari Heteroskedastisitas. Selain itu untuk mendeteksi ada tidaknya heteroskedastisitas
yaitu dengan uji park.
Tabel 4.13 Hasil Uji Park dengan Kinerja Guru sebagai Variabel Dependen
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
T Sig.
B Std. Error
Beta 1
Constant 1,527
3,480 ,439
,663 kepemimpinan_kepala_s
ekolah ,072
,051 ,305
1,417 ,165
motivasi_kerja -,006
,092 -,016
-,068 ,946
a. Dependent Variable: LnU2i
Sumber: data primer diolah, 2015
Berdasarkan pada uji park variabel kepemimpinan kepala sekolah menunjukan nilai signifikansi sebesar 0,165 dan variabel motivasi kerja
menunjukan nilai signifikasi sebesar 0,946. Karena nilai signifikansi masing-
masing lebih besar dari 0,05 maka dapat disimpulkan bahwa dalam model regresi dengan kinerja guru sebagai variabel dependen tidak ada heteroskedastisitas.
4.1.3. Analisis Jalur Path Analysis
Kategori