BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.4 Analisis Regresi Linier
Uji normalitas digunakan untuk mengetahui apakah suatu data mengikuti sebaran normal atau tidak (Sumarsono, 2004: 40). Dalam penelitian ini uji
normalitas menggunakan metode Kolmogorov Smirnov. Berikut adalah hasil dari pengujian normalitas:
Tabel 4.10: Hasil Uji Normalitas
Variabel Penelitian Kolmogorv
Smirnov
Tingkat Signifikan Mutasi karyawan (X1)
Kepuasan kerja (X2) Kinerja karyawan (Y)
1,450 2,962 0,707 0,030 0,000 0,699 Sumber: Lampiran 7
Berdasarkan tabel 4.10 di atas dapat disimpulkan bahwa variabel mutasi karyawan dan kepuasan kerja adalah tidak berdistribusi normal, karena tingkat signifikan dari Kolmogorov-Smirnov yang dihasilkan kurang dari 0,05 (sig < 5%). Sedangkan variabel kinerja karyawan adalah berdistribusi normal, karena tingkat signifikan dari Kolmogorov-Smirnov yang dihasilkan lebih dari 0,05 (sig > 5%).
Regresi linier berganda tetap terus dilanjutkan, karena menurut Gujarati (1995 : 66-67) bahwa dalam regresi OLS (Ordinary Least Square) asumsi normalitas diberlakukan pada ui (residual), apabila residual (ui) berdistribusi normal dengan sendirinya b0, b1, b2 dan b3 juga berdistribusi normal. Berikut ini hasil uji normalitas pada residual :
Tabel 4.11 : Hasil Uji Normalitas Pada Residual
One-Sample Kolmogorov-Smirnov Test
54 ,0000000 11,72049238 ,060 ,060 -,046 ,444 ,989 N Mean Std. Deviation Normal Parametersa,b
Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z As ymp. Sig. (2-tailed)
Unstandardiz ed Res idual
Test distribution is Normal. a.
Calculated from data. b.
Berdasarkan hasil uji normalitas pada tabel di atas menunjukkan bahwa distribusi data pada residual adalah distribusi normal, karena nilai Kolmogorov-Smirnov yang dihasilkan 0,444 dengan tingkat signifikan sebesar 0,989 diatas 5%. Apabila residual (ui) berdistribusi normal dengan sendirinya variabel kinerja karyawan (Y), mutasi karyawan (X1) dan kepuasan kerja (X2) juga berdistribusi normal. 1.0 0.8 0.6 0.4 0.2 0.0
Observed Cum Prob
1.0 0.8 0.6 0.4 0.2 0.0 E xpect ed C um P rob Dependent Variable: y
Normal P-P Plot of Regression Standardized Residual
Gambar 4.1 : Plot P-P
Kurva P-P di atas menunjukkan bahwa data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi linier berganda yang dihasilkan memenuhi asumsi normalitas.
4.4.2. Persamaan Regresi Linier Berganda
Analisis data untuk menggambarkan pengaruh antara satu variabel terikat yaitu kinerja karyawan (Y), dengan beberapa variabel bebas yaitu mutasi karyawan (X1) dan kepuasan kerja (X2) dapat dilakukan dengan metode regresi linier berganda. Berikut ini hasil analisis regresi berganda:
Tabel 4.12 : Hasil Analisis Regresi Linier Berganda
Model Koefisien Regresi
Konstanta Mutasi karyawan (X1) Kepuasan kerja (X2) 163,588 -2,483 1,986 Sumber : Lampiran 8
Secara statistik diperoleh persamaan regresi sebagai berikut: Y = 163,588 – 2,483 X1 + 1,986 X2 + e
Dari persamaan regresi di atas dapat diperoleh penjelasan sebagai berikut: a = Konstanta = 163,588 menunjukkan besarnya nilai kinerja karyawan (Y),
apabila mutasi karyawan (X1) dan kepuasan kerja (X2) adalah nol maka nilai dari kinerja karyawan (Y) sama dengan 163,588.
b1 = Koefisien regresi untuk X1 = -2,483 artinya jika variabel mutasi karyawan (X1) naik satu satuan, maka kinerja karyawan (Y) akan turun sebesar 2,483 dengan asumsi variabel bebas lainnya adalah konstan.
b2 = Koefisien regresi untuk X2 = 1,986 artinya jika variabel kepuasan kerja (X2) naik satu satuan, maka kinerja karyawan (Y) akan naik sebesar 1,986 dengan asumsi variabel bebas lainnya adalah konstan.
4.4.3. Uji Asumsi Klasik
Untuk mendukung keakuratan hasil model regresi linier berganda tersebut, maka dilakukan uji asumsi klasik yang meliputi asumsi multikolinieritas, heteroskedastisitas dan normalitas Hasil dari asumsi klasik tersebut adalah sebagai berikut :
1. Uji Multikolinearitas
Multikolinieritas dapat diidentifikasi dengan melihat nilai VIF pada masing-masing variabel bebas. Berikut ini nilai VIF pada variabel mutasi karyawan (X1) dan kepuasan kerja (X2) adalah sebagai berikut:
Tabel 4.13 : Nilai VIF (Variance Inflation Factor)
No. Variabel Bebas VIF
1. 2. Mutasi karyawan (X1) Kepuasan kerja (X2) 1,003 1,003 Sumber : Lampiran 8
Berdasarkan tabel 4.13 di atas dapat ditunjukkan bahwa nilai VIF pada variabel mutasi karyawan (X1) dan kepuasan kerja (X2) lebih kecil dari 10 (VIF < 10) maka dapat disimpulkan bahwa model regresi linier berganda yang dihasilkan bebas dari multikolinieritas.
2. Uji Heteroskedastisitas
Heteroskedastisitas dapat diidentifikasikan dengan cara menghitung koefisien korelasi Rank Spearman antara nilai residual dengan seluruh variabel bebas. Hasil dari uji Rank Spearman adalah sebagai berikut :
Tabel 4.14 : Korelasi Rank Spearman
Variabel Bebas Koefisien korelasi Rank
Spearman Tingkat signifikansi Mutasi karyawan (X1) Kepuasan kerja (X2) 0,176 0,050 0,204 0,721 Sumber: Lampiran 8
Tingkat signifikan dari koefisien korelasi Rank Spearman antara variabel mutasi karyawan (X1) dan kepuasan kerja (X2) dengan residual lebih besar dari 5%, hal ini menunjukkan bahwa model regresi linier berganda yang digunakan bebas dari heteroskedastisitas.
4.4.4. Uji Kecocokan Model (Uji F)
Uji F digunakan untuk menguji kecocokan model regresi linier berganda yang dihasilkan. Adapun hasil dari uji F adalah sebagai berikut:
Tabel 4.15 : Hasil Uji F
Model Fhitung Sig R2
Mutasi karyawan (X1) Kepuasan kerja (X2)
6,939 0,002 0,214 Sumber: Lampiran 8
Berdasarkan uji F pada tabel diatas menunjukkan Fhitung yang dihasilkan sebesar 6,939 dengan tingkat signifikan sebesar 0,002 lebih kecil dari 5% maka H0 ditolak dan H1 diterima yang berarti model regresi linier berganda yang dihasilkan adalah cocok untuk mengetahui pengaruh mutasi karyawan (X1) dan kepuasan kerja (X2) secara simultan terhadap kinerja karyawan (Y).
Besarnya pengaruh mutasi karyawan (X1) dan kepuasan kerja (X2) terhadap kinerja karyawan (Y) dapat dilihat dari koefisien determinasi (R2). Nilai koefisien determinasi (R2) yang dihasilkan dalam penelitian ini sebesar 0,214 menunjukkan
mutasi karyawan (X1) dan kepuasan kerja (X2) berpengaruh terhadap kinerja karyawan (Y) sebesar 21,4% sedangkan sisanya 78,6% dipengaruhi oleh faktor lain yang tidak dibahas pada penelitian ini.
4.4.5.Uji t dan Nilai r2parsial
Uji t dapat digunakan untuk mengetahui pengaruh secara parsial variabel mutasi karyawan (X1) dan kepuasan kerja (X2) terhadap kinerja karyawan (Y). Berikut ini hasil dari uji t :
Tabel 4.16: Hasil Uji t dan Nilai r2parsial
Variabel Bebas thitung Sig rparsial r2parsial Mutasi karyawan (X1) Kepuasan kerja (X2) -3,217 2,040 0,002 0,047 -0,411 0,275 0,1689 0,0756 Sumber : Lampiran 8
Nilai thitung pada variabel mutasi karyawan (X1) sebesar -3,217 dengan tingkat signifikan sebesar 0,002 lebih kecil dari 5% (sig < 5%) maka H0 ditolak dan H1 diterima yang artinya bahwa variabel mutasi karyawan (X1) secara parsial berpengaruh terhadap kinerja karyawan (Y), dan besarnya kontribusi variabel mutasi karyawan (X1) terhadap kinerja karyawan (Y) adalah sebesar 16,89%. Berdasarkan hasil uji t di atas dapat disimpulkan bahwa hipotesis ke-1 yang menyatakan ”Mutasi karyawan secara parsial berpengaruh positif terhadap kinerja karyawan” tidak diterima.
Nilai thitung pada variabel kepuasan kerja (X2) sebesar 2,040 dengan tingkat signifikan sebesar 0,047 lebih kecil dari 5% (sig < 5%) maka H0 ditolak dan H1 diterima yang artinya bahwa variabel kepuasan kerja (X2) secara parsial berpengaruh terhadap kinerja karyawan (Y), dan besarnya kontribusi variabel
kepuasan kerja (X2) terhadap kinerja karyawan (Y) adalah sebesar 7,56%. Berdasarkan hasil uji t di atas dapat disimpulkan bahwa hipotesis ke-2 yang menyatakan ”Kepuasan kerja secara parsial berpengaruh positif terhadap kinerja karyawan” diterima.
Dilihat dari nilai r2parsial menunjukkan bahwa variabel mutasi karyawan (X1) lebih dominan pengaruhnya terhadap kinerja karyawan, dibandingkan kepuasan kerja (X2), karena nilai r2parsial pada variabel mutasi karyawan (X1) lebih besar daripada nilai r2parsial pada variabel kepuasan kerja (X2).