dengan nilai minimal 63 dan nilai maksimal 101, sedangkan standar deviasinya sebesar 8,814.
Variabel Motivasi X2 mempunyai prosentase rata-rata sebesar 82.90; dengan nilai minimal 70 dan maksimal 110 sedangkan standar
deviasinya sebesar 9.546. Variabel Kinerja Y mempunyai prosentase rata-rata sebesar
48,80 dengan nilai minimal 39 dan maksimal 64 sedangkan standar deviasinya sebesar 7,317.
3.Uji Asumsi Penelitian
Evaluasi ini dimaksudkan untuk apakah penggunaan model regresi linear berganda multiple Regression linear dalam
menganalisis telah memenuhi asumsi. Model linear berganda akan lebih tepat digunakan dan menghasilkan perhitungan yang lebih akurat
apabila asumsi-asumsi berikut dapat terpenuhi yaitu :
a.Uji Normalitas
Pengujian Normalitas digunakan untuk menguji apakah dalam sebuah model regresi, variabel terikat, variabel bebas atau keduanya
mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah distribusi data normal atau mendekati normal.
Uji normalitas digunakan untuk mengetahui apakah subjek data berdistribusi normal atau tidak. Uji ini biasanya digunakan untuk
mengukur data berskala ordinal, interval, ataupun rasio. Jika analisis menggunakan metode parametrik, maka persyaratan normalitas harus
terpenuhi yaitu data berasal dari distribusi yang normal. Jika data tidak berdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah
nominal atau ordinal maka metode yang digunakan adalah statistik non parametrik.
Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji
Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering
menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari
keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.
Dalam pembahasan ini akan digunakan Uji normalitas dapat dilakukan dengan Uji Kurtosis Kolmogorov Smirnov, uji histogram, uji normal P
Plot, dalam uji One Sample Kolmogorov-Smirnov
dengan menggunakan taraf signifikansi 0,05. Data dinyatakan berdistribusi
normal jika signifikansi lebih besar dari 5 atau 0,05.
Tabel 20 Hasil Uji Normalitas dengan Kolomogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
X1 X2
Y N
30 30
30 Normal
Parameters
a,,b
Mean 73.90
82.90 48.80
Std. Deviation 8.814
9.546 7.317
Most Extreme Differences
Absolute .229
.213 .164
Positive .229
.213 .164
Negative -.123
-.104 -.128
Kolmogorov-Smirnov Z 1.253
1.166 .897
Asymp. Sig. 2-tailed .086
.132 .396
a. Test distribution is Normal. b. Calculated from data.
Dari hasil di atas kita lihat pada kolom Kolmogorov-Smirnov dan dapat diketahui bahwa nilai signifikansi untuk Kemampuan X
1
sebesar 0,086; untuk Motivasi X
2
Santoso 2007, menjelaskan output test of normality, ada pedoman pengambilan keputusan :
sebesar 0,132; dan untuk Kinerja Y sebesar 0,396.
a. Angka signifikansi Sig α = 0,05 maka data berdistribusi normal
c. Angka signifikansi Sig α = 0,05 maka data tidak berdistribusi
normal Karena signifikansi untuk seluruh variabel Kemampuan X
1
dan variabel Motivasi X
2
dan variabel Y lebih besar dari 0,05 maka dapat disimpulkan bahwa data pada variabel Kemampuan
X
1
,variabel Motivasi X
2
Selanjutnya mengetahui normalitas data dapat dilihat dari hasil uji normalitas. Pada prinsipnya normalitas dapat dideteksi dengan
melihat penyebaran data titik pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya Santoso, 2007,. Adapun
dasar pengambilan keputusan: , dan Y berdistribusi normal..Angka
Statistic menunjukkan semakin kecil nilainya maka distribusi data semakin normal. df = jumlah data 30.
a. Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi
normal, maka model regresi memenuhi asumsi normalitas. b. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Hasil uji Normalitas dapat dilihat pada gambar dibawah :
Gambar 3.Hasil Uji Normalitas
Dari output diatas apabila kurva tidak mengarah ke kiri atau mengarah kekanan sisi kanan dan sisi kiri sama lebarnya maka data
dapat dikatakan normal namun apabila sebaliknya maka data berdistribusi tidak normal. Dengan melihat tampilan grafik histogram
maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang tidak menceng skewness ke kiri atau
mengarah kekanan sisi kanan dan sisi kiri sama lebarnya maka data dapat dikatakan normal.
Gambar 4.Hasil Uji P-Plot Normalitas
Menurut Santoso 2007 metode yang digunakan adalah pengujian secara visual dengan metode gambar normal Probability
Plots dalam program SPSS yang membandingkan distribusi kumulatif dari distribusi normal. Pada prinsipnya normalitas dapat dideteksi
dengan melihat penyebaran data titik pada sumbu diagonal dari grafik. Sebagaimana terlihat dalam grafik Normal P-P plot of
regression Standardized Residual , terlihat titik-titik menyebar disekitar garis diagonal, serta penyebarannya
menyebar sekitar garis dan mengikuti garis diagonal maka nilai residual tersebut telah
normal. Kedua grafik ini menunjukkan bahwa model regresi yang tidak menyalahi asumsi normalitas.
b.Uji Multikolinieritas