menyatakan ―Sangat Tidak Setuju‖, 2 orang 6,5 menyatakan ―Tidak Setuju‖, 4 orang 12,9 menyatakan ―Kurang Setuju‖, 11 orang 35,5
yang menyatakan ―Setuju‖, dan 12 orang 38,7 menyatakan ―Sangat Setuju‖.
4.3 Uji Asumsi Klasik 4.3.1 Uji Normalitas
Tujuan uji normalitas adalah ingin menguji apakah dalam model regresi distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi
data dengan bentuk lonceng. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid. Ada dua cara untu mendeteksi apakah data berdistribusi normal atau
tidak, yaitu dengan pendekatan grafik dan pendekatan Kolmogorv-Smirnov. 1. Pendekatan Grafik
Salah satu untuk melihat normalitas adalah dengan melihat grafik histogram, dan grafik normal plot yang membandingkan dua observasi dengan distribusi
yang mendekati distribusi normal. Hasil dari out put SPSS terlihat seperti Gambar 4.2 dan Gambar 4.3:
Gambar 4.2 Grafik P-P
Plot Sumber: Hasil Pengolahan SPSS 2016
Universitas Sumatera Utara
Pada p-plot terlihat bahwa titik-titik menyebar disekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Hal ini menunjukkan data yang
dipergunakan dalam penelitian ini memenuhi asumsi normalitas sehingga layak untuk diuji dengan model regresi.
Gambar 4.3 Histogram Normalitas
Sumber: Hasil Pengolahan SPSS 2016
Berdasarkan grafik dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan pola distribusi normal maka model
regresi memenuhi asumsi normalitas dan sebaliknya jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal atau grafik
histogram tidak menunjukkan pola distribusi data normal yang tidak melenceng kanan maupun melenceng kiri. Jadi, berarti data residual
berdistribusi normal. Terbukti bahwa data maupun model yang digunakan memenuhi asumsi normalitas.
Universitas Sumatera Utara
2. Analisis Kolmogorv-Smirnov Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal,
padahal secara statistik tidak berdistribusi normal. Berikut ini pengujian normalitas yang didasarkan dengan uji statistik non-parametik Kolmogorov-
Smirnov K-S.
Tabel 4.9 Uji Kolmogorv-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 31
Normal Parametersa,b
Mean .0000000
Std. Deviation 2.33495054
Most Extreme Differences
Absolute .083
Positive .068
Negative -.083
Kolmogorov-Smirnov Z .463
Asymp. Sig. 2-tailed .983
a Test distribution is Normal. b Calculated from data.
Berdasarkan Tabel 4.9 menunjukkan bahwa nilai Asymp.sig 2-tailed adalah 0,983. ini berarti nilainya di atas nilai signifikan 5 0,05. Dengan
kata lain variabel tersebut berdistribusi normal.
4.3.2 Uji Heteroskedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians dari suatu residual pengamatan ke pengamatan lain. Jika
varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model
Universitas Sumatera Utara
regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Ada beberapa cara untuk mendeteksi ada atau tidaknya
heteroskedastisitas, yaitu: 1.
Metode Grafik Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Gambar 4.4 Scatterplot Heteroskedastisitas
Sumber: Hasil Pengolahan SPSS 2016
Berdasarkan Gambar 4.4 dapat terlihat bahwa tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi.
Universitas Sumatera Utara
2. Uji Glejser
Tabel 4.10 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. B
Std. Error Beta
1 Constant 9.888
4.472 2.211
.035 Konflik Peran
Ganda X
1
-.155 .084
-.326 -1.845 .076
Kecerdasan Emosional X
2
-.053 .059
-.158 -.894
.379
a Dependent Variable: absut Sumber: Hasil Pengolahan SPSS 2016
Berdasarkan Tabel 4.10 dapat diketahui bahwa tidak satu pun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen
absolute Ut absut. Hal ini terlihat dari probabilitas signifikansinya di atas tingkat kepercayaan 5 jadi disimpulkan model regresi tidak mengarah adanya
heteroskedastisitas.
4.3.3 Uji Multikolinieritas
Uji Multikolinieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik
seharusnya tidak terjadi korelasi di antara variabel independen. Berikut ini disajikan cara mendeteksi multikolinierritas dengan menganalisis matrik korelasi
antar variabel independen dan perhitungan nilai Tolerance dan Variance Inflation Factor
VIF.
Universitas Sumatera Utara
Tabel 4.11 Multikolinearitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error
Beta Tolerence
VIF 1 Constant
24.379 8.159
2.988 .006
Konflik Peran Ganda
X
1
.633 .153
.611 4.135
.000 .999
1.001
Kecerdasan Emosional
X
2
-.080 .108
-.109 -.737
.467 .999
1.001 a
Dependent Variable: Y Stres Kerja
Sumber: Hasil Pengolahan SPSS 2016
Berdasarkan Tabel 4.11 dapat dilihat bahwa pada model regresi yang digunakan tidak terlihat adalanya gejala multikolonearitas antar variabel
independen. Hal ini dapat diketahui dari nilai tolerance pada kolom ke tujuh diatas, pada kolom tolerance telah sesuai dengan nilai yang disyaratkan yaitu nilai
tolerance harus lebih besar dari 0,1.:
Selanjutnya dengan melihat nilai VIF Varian Inflation Factor dimana nilai VIF pada kolom ke delapan diatas telah sesuai dengan nilai yang disyaratkan
yaitu lebih kecil dari 5. Maka berdasarkan hasil tersebut dapat disimpulkan bahwa pada model regresi yang digunakan tidak terdapat gejala multikolonearitas.
4.4 Analisis Linear Berganda
