Tabel 4.12 Coefficientsa
Model Unstandardized
Coefficients Standardized
Coefficients T
Sig. Collinearity Statistics
B Std. Error
Beta Tolerance
VIF 1
Constant 19.808
4.224 4.689
.000 Konflik_Kerja
.321 .112
.419 2.857
.008 .600
1.666 Beban_Kerja
.378 .152
.283 2.480
.019 .992
1.008 Waktu_Kerja
.443 .161
.405 2.757
.010 .599
1.670 a Dependent Variable: Prestasi_Kerja
Sumber: Pengelolahan SPSS 2010
Hasil uji melalui Variance Inflation Factor VIF pada hasil pengolahan SPSS, masing-masing variabel independent memiliki VIF tidak lebih dari 10 dan nilai
Tolerance tidak kurang dari 0,1. maka dapat dinyatakan model regresi linear berganda tersebut terbebas dari asumsi klasik dan dapat digunakan dalam penelitian.
c. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada
e
t
pada periode tertentu dengan variabel pengganggu periode sebelumnya
e
t -1
. Untuk mempercepat proses ada tidaknya autokorelasi dalam suatu model dapat digunakan patokan nilai Durbin
Watson hitung mendekati angka 2. Jika nilai Durbin Watson hitung mendekati atau disekitar angka 2 maka model tersebut terbebas dari asumsi klasik autokorelasi,
karena angka 2 pada uji Durbin Watson terletak di daerah No Autocorelation. Uji asumsi klasik statistik autokorelasi dapat dideteksi dari output pada Tabel 4.13
sebagai berikut:
Model Tabel 4.13 Summaryb
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .774a
.599 .560
1.15503 1.968
a Predictors: Constant, Waktu_Kerja, Beban_Kerja, Konflik_Kerja b Dependent Variable: Prestasi_Kerja
Sumber: Pengelolahan SPSS 2010
Universitas Sumatera Utara
Pada output tersebut diperoleh nilai Durbin Watson sebesar 1,968. Langkah selanjutnya adalah melakukan uji menggunakan tabel batas bawah dl dan batas atas
du untuk mengetahui daerah autokorelasi dari nilai Durbin Watson.
Negative No Autocorrelation Autocorrelation Positif
dl du 1.968 2 4-du 4-dl 4 1.65 1.28
2.72 2.35
Gambar 4.3 Autokorelasi Sumber: Pengelolahan SPSS 2010
Hasil uji autokorelasi dengan Durbin Watson menunjukkan angka 1,968 dengan batas bawah dl dan batas atas du terlihat pada Gambar 4.3. Dengan jumlah
variabel bebas k = 3, dengan jumlah sampel n = 35, maka dl = 1,65 dan du = 1,28. Berdasarkan uji di atas tampak bahwa nilai Durbin Watson hitung 1,968 terletak di
daerah No Autocorrelation sehingga dapat disimpulkan bahwa model regresi linear berganda terbebas dari asumsi klasik statistik autokorelasi.
d. Uji Heteroskesdastisitas
Heteroskesdastisitas menguji terjadinya perbedaan varience residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan
antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Cara memprediksi ada tidaknya heteroskesdastisitas pada suatu model dapat
dilihat dari pola gambar Scatterplot model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linear berganda tidak terdapat heteroskesdastisitas
jika: 1.
Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. 2.
Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
Universitas Sumatera Utara
2 1
-1 -2
-3
Regression Standardized Predicted Value
3 2
1
-1 -2
R e
g re
s s
io n
S tu
d e
n ti
z e
d R
e s
id u
a l
Dependent Variable: Prestasi_Kerja Scatterplot
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar
kemudian menyempit dan melebar kembali. 4.
Penyebaran titik-titik data sebaiknya tidak berpola. Asumsi klasik statistik heteroskesdastisitas dapat dideteksi dari output SPSS
pada Gambar 4.4.
Gambar 4.4 Scatterplot
Sumber: Pengelolahan SPSS 2010
Pada Gambar 4.4 dapat dilihat bahwa model regresi linear barganda terbebas dari asumsi klasik heteroskesdastisitas dan layak digunakan dalam penelitian.
4. Uji F
