BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.3 Analisis Statistik
4.3.1 Analisis Regresi Linear Berganda
Metode analisis regresi berganda digunakan untuk mengetahui berapa besar pengaruh variabel bebas (Lingkungan Kerja dan Etika Kerja) terhadap variabel terikat (Kinerja Karyawan). Data diolah secara statistik untuk keperluan analisis dan pengujian hipotesis dengan menggunakan alat bantu program SPSS
for windows.
Adapun bentuk umum persamaan regresi yang digunakan adalah sebagai berikut : Y = α + b1X1 + b2X2+ e Dimana : Y = Kinerja karyawan X1 = Lingkungan Kerja X2 = Etika Kerja α = Konstanta b1, b2 = Koefisien regresi e = Standar eror
Berdasarkan pengujian menggunakan SPSS for windows, maka hasil persamaan regresi linear berganda dapat dilihat pada Tabel 4.8 berikut ini :
Tabel 4.8
Hasil Regresi Linier Berganda Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 14.581 7.080 2.059 .045 Lingkungan_Kerja .339 .121 .321 2.790 .008 Etika_Kerja .449 .102 .508 4.413 .000
a. Dependent Variable: Kinerja_Karyawan
Sumber : Hasil pengolahan SPSS (2015)
Berdasarkan Tabel 4.8 diketahui pada kolom kedua (Unstandardized Coefficients) bagian B diperoleh nilai b1 variabel Lingkungan Kerja sebesar 0.339 dan nilai b2 variabel Etika Kerja sebesar 0.449 dan nilai konstanta (α) adalah 14.581, maka diperoleh persamaan regresi linier berganda sebagai berikut :
Y = 14.581 + 0.339 X1+ 0.449 X2
1. Konstanta (α) = 14.581, ini menunjukkan bahwa jika variabel Lingkungan Kerja dan Etika Kerja dianggap konstan maka tingkat variabel Kinerja Karyawan (Y) PT. Bank Mega Tbk. Cabang Pembantu Katamso Medan sebesar 14.581.
2. Koefisien b1 (X1) = 0.339, menunjukkan bahwa variabel Lingkungan Kerja berpengaruh positif terhadap Kinerja karyawan atau dengan kata lain jika variabel Lingkungan Kerja ditingkatkan maka Kinerja Karyawan akan bertambah sebesar 0.339.
3. Koefisien b2 (X2) = 0.449, menunjukkan bahwa variabel Etika Kerja berpengaruh secara positif terhadap Kinerja Karyawan. Dengan kata lain jika
variabel Etika Kerja ditingkatkan maka Kinerja Karyawan akan bertambah sebesar 0.449.
4.3.2 Uji Asumsi Klasik
Uji Asumsi Klasik digunakan untuk melihat apakah suatu model layak atau tidak layak digunakan dalam penelitian. Uji Asumsi Klasik yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Uji Normalitas
Uji normalitas adalah untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal. Uji normalitas dilakukan dengan menggunakan pendekatan Kolmogorov Smirnov.
Dengan menggunakan tingkat signifikansi 5% maka jika nilai Asymp.sig. (2-tailed) diatas, nilai signifikan 5% artinya variabel residual berdistribusi normal (Situmorang dan Muslich, 2012:100) Salah satu cara untuk melihat normalitas adalah dengan melihat grafik histrogram dan grafik normal plot yang membandingkan antara dua absorvasi dengan distribusi yang mendekati distribusi normal.
a. Pendekatan Histogram
Sumber : Hasil Pengolahan SPSS (2015) Gambar 4.7
Histogram Uji Normalitas
Berdasarkan Gambar 4.7 dapat diketahui bahwa variabel berdistribusi normal, hal ini ditunjukkan oleh distribusi data yang berbentuk lonceng dan tidak melenceng ke kiri atau ke kanan.
b. Pendekatan Grafik
Sumber : Hasil Pengolahan SPSS (2015) Gambar 4.8
Pada Gambar 4.8 menunjukkan bahwa pada scatter plotterlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini menunjukkan bahwa residual peneliti normal. Namun untuk lebih memastikan bahwa di sepanjang garis diagonal berdistribusi normal, maka dilakukan uji Kolmogorov-Smirnov (K-S).
c. Pendekatan Kolmogorov-Smirnov Tabel 4.9
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 48
Normal Parametersa,b Mean 0E-7
Std. Deviation 3.19302458
Most Extreme Differences
Absolute .130
Positive .130
Negative -.054
Kolmogorov-Smirnov Z .902
Asymp. Sig. (2-tailed) .391
a. Test distribution is Normal. b. Calculated from data.
Sumber :Hasil Pengolahan SPSS (2015)
Pada Tabel 4.9 menunjukkan bahwa nilai Asymp. Sig. (2-tailed)adalah 0.391 dan diatas nilai signifikan (0,05) atau 5%, sehingga dapat disimpulkan bahwa variabel residual berdistribusi normal.
4.3.3 Uji Heteroskedastisitas
Tujuan uji heteroskedastisitas adalah untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varian dari residual antara satu pengamatan dengan pengamatan yang lain. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi heteroskedastisitas.
Ada beberapa cara untuk mendekati ada atau tidaknya heteroskedastisitas yaitu :
1. Metode Grafik
Dasar analisis adalah jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas, sedangkan jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur maka mengindikasikan telah terjadi heteroskedastisitas.
a. Metode Pendekatan grafik
Sumber hasil penolahan SPSS,2013 Gambar 4.9
Scatterplot Heteroskedastisitas
Berdasarkan gambar 4.9 dapat terlihat bahwa tidak ada pola yang jelas serta titik-titik menyebar diatas dan di bawah angka 0 pada sumbu Y, maka berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi layak dipakai untuk memprediksi kinerja karyawan berdasarkan masukan variabel Lingkungan Kerja dan Etika Kerja.
2. Uji Glesjer
Glejser mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen maka ada indikasi terjadi heteroskedastisitas.
Tabel 4.10
Hasil Uji Glejserheteroskedastisitas
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.149 4.403 -.034 .973 Lingkungan_Kerja .092 .075 .183 1.223 .228 Etika_Kerja -.048 .063 -.114 -.763 .449
a. Dependent Variable: absut
Sumber : Hasil Pengolahaan SPSS (2015)
Pada Tabel 4.10 terlihat variabel independen (Lingkungan Kerja dan Etika Kerja) yang signifikan secara statistic mempengaruhi variabel dependen absolute
Ut (absUt). Hal ini terlihat dari probabilitas X1(0.228)dan X2(0.449) diatas tingkat kepercayaan 5 % (0.05), jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
4.3.4 Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk mendeteksi ada atau tidaknnya gejala multikolinearitas pada data dapat dilakukan dengan melihat nilai tolerance value dan Varians Inflation factor (VIF).Dengan kriteria sebagai berikut :
1. Apabila VIF > 5 maka diduga mempunyai persoalan Multikolinearitas. 2. Apabila VIF < dari 5 maka tidak terdapat Multikolinearitas.
4. Apabila tolerance> 0,1 maka tidak terdapat multikolinearitas. Tabel 4.11
Uji Nilai Tolerance dan VIF Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 14.581 7.080 2.059 .045
Lingkungan_Kerja .339 .121 .321 2.790 .008 .951 1.051
Etika_Kerja .449 .102 .508 4.413 .000 .951 1.051
a. Dependent Variable: Kinerja_Karyawan
Sumber : Hasil Pengelolaan SPSS (2015)
Pada Tabel 4.11 terlihat bahwa nilai tolerance semua variabel bebas adalah lebih besar dari nilai ketetapan 0,1dan nilai VIF semua variabel bebas adalah lebih kecil dari nilai ketetapan 5. Oleh karna itu, data dalam penelitian ini dikatakan tidak mengalami masalah multikolinearitas.