88 menjawab setuju, dan 2 orang 4 menjawab sangat setuju. Data ini menjelaskan bahwa pada umumnya karyawan mampu menyelesaikan pekerjaan
sesuai dengan jadwal yang telah ditetapkan perusahaan. 9. Pada butir pernyataan kesembilan tentang karyawan hadir setiap hari kerja, terlihat
bahwa tidak ada responden 0 menjawab sangat tidak setuju, tidak ada responden 0 menjawab tidak setuju, 4 orang 8 menjawab kurang setuju, 45 orang 90
menjawab setuju, dan 1 orang 2 menjawab sangat setuju. Hal ini menunjukkan bahwa karyawan memiliki kinerja yang baik dengan selalu masuk kerja dan tidak
bolos kecuali sedang sakit. 10. Pada butir pernyataan kesepuluh tentang karyawan hadir tepat waktu, terlihat bahwa
2 orang 4 menjawab sangat tidak setuju, 7 orang 14 menjawab tidak setuju, 34 orang 68 menjawab kurang setuju, 6 orang 12 menjawab setuju, dan 1
orang 2 responden menjawab sangat setuju. Hal ini menjelaskan bahwa karyawan belum sepenuhnya memiliki kedisiplinan untuk hadir tepat waktu di tempat kerja.
4.3 Uji Asumsi Klasik
4.3.1 Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang
baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak melenceng ke kiri atau melenceng ke kanan. Hal ini tampak pada Gambar 4.2
berikut :
Universitas Sumatera Utara
Gambar 4.2 Histogram
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014 Pada Gambar 4.2 terlihat bahwa variabel berdistribusi normal. Hal ini ditunjukan oleh
distribusi data tersebut tidak miring ke kiri ataupun ke kanan, melainkan di tengah dengan bentuk lonceng.
Gambar 4.3 Normal P-Plot of Regression Standarized
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014
Universitas Sumatera Utara
Berdasarkan Gambar 4.3 dapat dilihat bahwa data tersebar mengikuti sepanjang garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal.
Tabel 4.7
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 50
Normal Parameters
a
Mean .0000000
Std. Deviation 1.84567892
Most Extreme Differences Absolute
.122 Positive
.086 Negative
-.122 Kolmogorov-Smirnov Z
.862 Asymp. Sig. 2-tailed
.447 a. Test distribution is Normal.
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014 Berdasarkan uji Kolmogorov-Smirnov pada Tabel 4.7 diatas, terlihat bahwa nilai
Asymp.Sig 2-tailed adalah 0,447 yang lebih besar dari nilai signifikan 0,05. Ini berarti variabel residual berdistribusi normal. Hal ini juga diperkuat dengan nilai Kolmogorov-
Sminorv Z yang nilainya 0,862 lebih kecil dari 1,97 yang berarti bahwa tidak ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata lain data dikatakan normal.
4.3.2 Uji Heteroskedastisitas
Tujuan dari asumsi heteroskedastisitas ini adalah untuk menguji apakah dalam sebuah model regresi terdapat ketidaksamaan varians dari residual, dari satu pengamatan ke
pengamatan lain. Jika tetap maka disebut homokedastisitas dan jika berbeda disebut heteroskedastisitas.
Untuk mengetahui ada tidaknya heteroskedastisitas dalam model regresi dapat dilihat pada grafik Scatterplot. Jika titik-titik dalam grafik menyebar dan tidak membentuk pola
tertentu, maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
Gambar 4.4 Scatterplot
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014 Pada Gambar 4.4, tampak bahwa titik-titik dalam gambar tersebut menyebar dan tidak
membentuk pola. Untuk mendeteksi gejala heteroskedastisitas, melalui metode glejser dengan menggunakan program SPSS. Melalui metode ini jika nilai t
hitung
t
tabel2.012
, maka dapat dipastikan model tidak mengandung unsur heteroskedastisitas.
Tabel 4.8 Hasil Uji
Glejser
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 10.190
3.441 2.961
.005 Stres
-.081 .061
-.178 -.1.319
.193 Motivasi
-.144 .056
-.347 -2.569
.013 a. Dependent Variable: absut
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014
Universitas Sumatera Utara
Pada Tabel 4.8 terlihat bahwa variabel stres memiliki nilai t
hitung-1.319
t
tabel2.012
dan variabel motivasi memiliki nilai t
hitung-2.569
t
tabel2.012
. Berdasarkan kriteria pengambilan keputusan yang telah dijelaskan sebelumnya, dapat disimpulkan bahwa tidak ada terjadi
gejala heteroskedastisitas dalam model regresi ini karena kedua variabel memiliki nilai t
hitung
yang lebih kecil dari nilai t
tabel
. 4.3.3
Uji Multikolinearitas
Uji asumsi Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel bebas independent. Untuk mengetahui gejala tersebut dapat
dideteksi dari besarnya VIF Variance Inflation Factor melalui program SPSS. Hal ini tampak pada Tabel 4.9 berikut :
Tabel 4.9 Uji Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1 Constant
34.879 5.804
6.009 .000
Stres -.235
.103 -.265 -2.273
.028 .962
1.040 Motivasi
.500 .94
.617 5.301 .000
.962 1.040
a. Dependent Variable: Kinerja
Sumber : Hasil Pengolahan Data Primer dengan SPSS 2014 Pada Tabel 4.9 diatas, dapat dilihat bahwa nilai tolerance untuk variabel stres dan
motivasi adalah sebesar 0.962 dan nilai VIF untuk kedua variabel tersebut adalah sebesar 1.040. Sesuai dengan kriteria pengambilan keputusannya, maka hal ini menunjukan bahwa
tidak terdapat multikolinearitas pada semua variabel independen, karena nilai VIF 5 dan nilai tolerance 0.1.
Universitas Sumatera Utara
4.4 Analisis Regresi Linear Berganda
