BAB IV HASIL DAN PEMBAHASAN
4.4. Analisis Statistik Infrential
Statistik inferensial adalah teknik analisis data yang digunakan untuk menentukan sejauh mana kesamaan antara hasil yang diperoleh dari suatu sampel dengan hasil yang akan didapat pada populasi secara keseluruhan. Jadi statistik inferensial membantu peneliti untuk mencari tahu apakah hasil yang diperoleh dari suatu sampel dapat digeneralisasi pada populasi.
4.4.1. Pengujian Asumsi Klasik Persamaan Substuktur Pertama
Uji asumsi klasik adalah persyaratan statistic yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. Ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas.
1). Uji Normalitas Persamaan Substruktur Pertama
Uji normalitas digunakan untuk mengetahui apakah data berdistribusi normal atau tidak. Model yang paling baik adalah jika data berdistribusi normal atau mendekati normal. Jika data menyebar di sekitar garis diagonal dan mengikuti arah diagonal, maka model regresi memenuhi asumsi normalitas. Sebaliknya jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Untuk uji normalitas dalam penelitian ini digunakan uji one sample
Kormogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Uji normalitas dilakukan
dengan bantuan program SPSS yang hasilnya dapat dilihat dalam Tabel 4.9 berikut ini:
Tabel 4.9
Hasil Uji Normalitas Persamaan Substruktur Pertama
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 52
Normal Parametersa,b Mean .0000000
Std. Deviation .98019606
Most Extreme Differences Absolute .169
Positive .142
Negative -.169
sKolmogorov-Smirnov Z 1.220
Asymp. Sig. (2-tailed) .102
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2013 (Data diolah)
Berdasarkan Tabel 4.9 dapat dilihat hasil pengujian One-Sample Kolmogorov-Smirnov Test, dimana diperoleh hasil bahwa data berdistribusi normal karena nilai asymp.sig lebih besar dari 0.05 yaitu sebesar 0,102.
2). Uji Multikolinieritas
Uji Multikolinieritas digunakan untuk mengetahui adanya hubungan linier antara variabel independen dalam model jalur. Syarat yang harus dipenuhi dalam model tidak terdapat multikolinieritas. Pengujian multikolinieritas dalam peneletian tersebut dilakukan dengan melihat nilai variance inflation factor(VIF).
persoalan multikolinieritas (Santoso: 2002). Pengujian multikolinieritas dapat dilihat pada Tabel 4.10 berikut ini:
Tabel 4.10
Hasil Uji Multikolinieritas Persamaan Substruktur Pertama
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) Kepemimpinan .605 1.652 motivasi kerja .605 1.652
a. Dependent Variable: kepuasan kerja
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.10 dapat dilihat hasil perhitungan nilai Variance
Inflation Factor (VIF) yang menunjukkan bahwa tidak ada variabel bebas yang
memiliki nilai VIF lebih besar dari 5. Jadi dapat disimpulkan bahwa tidak terjadi multikolineritas antar variabel bebas dalam model penelitian tersebut.
3). Uji Heteroskedastisitas Persamaan Substruktur Pertama
Heteroskedastisitas terjadi karena adanya perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dalam pengujian ini menggunakan diagram pancar residual. Cara pengambilan keputusan yaitu:
a. Jika diagram pancar membentuk pola-pola tertentu yang teratur, maka regresi mengalami gangguan heteroskedastisitas.
b. Jika diagram pancar tidak membentuk pola atau acak, maka regresi tidak mengalami gangguan heteroskedastisitas.
Pengujian heteroskedastisitas dalam penelitian ini menggunakan alat bantu SPSS dengan mengamati pola yang terdapat pada scatterplot yang hasilnya dapat dilihat pada Gambar 4.2 berikut:
Gambar 4.2
4). Hasil Pengujian Hipotesis
Tabel 4.11
Hasil Pengujian Hipotesis
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 18.248 4.277 4.266 .000 kepemimpinan .259 .128 .204 2.018 .049 motivasi kerja .696 .102 .692 6.845 .000
a. Dependent Variable: kepuasan kerja
Sumber: Hasil Penelitian, 2013 (Data diolah) Y = 0.204 X1 + 0.692 X2
a). Pengujian Secara Serempak ( Uji F)
Pengujian ini dilakukan dengan menetapkan hipotesis sebagai berikut: H0: b1, b2 = 0, tidak ada hubungan antara variabel kepemimpinan dan motivasi
kerja terhadap variabel kepuasan kerja
Ha: b1, b2 ≠ 0, ada hubungan antara variabel kepemimpinan dan motivasi kerja terhadap variabel kepuasan kerja
Hasil pengujian dapat dilihat dari angka-angka perhitungan pada Tabel 4.12 berikut ini:
Tabel 4.12
Nilai Pengujian Secara Serempak (Uji F)
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 1049.371 2 524.686 56.417 .000a
Residual 455.706 49 9.300
Total 1505.077 51
a. Predictors: (Constant), motivasi kerja, kepemimpinan b. Dependent Variable: kepuasan kerja
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.12 dapat dilihat bahwa nilai Fhitung sebesar 56.417 dan nilai signifikansi 0,000. Oleh karena itu Ho ditolak dan Ha diterima, yang berarti bahwa variabel kepemimpinan dan motivasi kerja berpengaruh secara serempak terhadap variabel kepuasan kerja.
b). Koefisien Determinasi (R2)
Untuk melihat besarnya pengaruh variabel kepemimpinan dan motivasi kerja terhadap variabel kepuasan kerja dapat dilihat pada Tabel 4.13 berikut:
Tabel 4.13
Nilai Koefisien Determinasi (R2)
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .835a .697 .685 3.050
a. Predictors: (Constant), motivasi kerja, kepemimpinan b. Dependent Variable: kepuasan kerja
Berdasarkan Tabel 4.13 dapat dilihat besarnya angka R Square (R2) sebesar 0.697. Koefisien Determinasi sebesar 69.7% berarti bahwa pengaruh variabel kepemimpinan dan motivasi kerja terhadap variabel kepuasan kerja adalah sebesar 69.7%, sedangkan sisanya dipengaruhi oleh faktor lain.
c). Pengujian Secara Parsial (Uji t)
Tabel 4.14
Nilai Pengujian Secara Parsial (Uji t)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig.
95.0% Confidence Interval for B
B
Std.
Error Beta
Lower
Bound Upper Bound
(Constant) 18.248 4.277 4.266 .000 9.652 26.843
kepemimpinan .259 .128 .204 2.018 .049 .001 .516
motivasi kerja .696 .102 .692 6.845 .000 .491 .900
a. Dependent Variable: kepuasan kerja
Sumber: Hasil Penelitian, 2013 (Data diolah)
(1). Kepemimpinan
Ho : b1 = 0, tidak ada hubungan antara variabel kepemimpinan dengan variabel kepuasan kerja
Ha : b1≠ 0, ada hubungan antara variabel kepemimpinan dengan variabel kepuasan kerja
Berdasarkan Tabel 4.14 diperoleh hasil pengujian hipotesis secara parsial sebagai berikut:
Hasil pengujian menunjukkan bahwa variabel kepemimpinan terhadap kepuasan kerja diperoleh nilai koefisien sebesar 0,204 dan signifikan (sig=0,049). Hasil ini menunjukkan bahwa jika semakin baik kepemimpinan maka akan meningkatkan kepuasan kerja sebesar 0,204, sehingga Ho ditolak.
(2). Motivasi Kerja
Ho: b1 = 0, tidak ada hubungan antara variabel motivasi kerja dengan variabel kepuasan kerja
Ha:b1≠ 0, ada hubungan antara variabel motivasi kerja dengan variabel kepuasan kerja
Berdasarkan Tabel 4.14 diperoleh hasil pengujian hipotesis secara parsial sebagai berikut:
Hasil pengujian menunjukkan bahwa variabel motivasi kerja terhadap kepuasan kerja diperoleh nilai koefisien sebesar 0,692 dan tidak signifikan (sig=0,000). Hasil ini menunjukkan bahwa jika semakin bermotivasi karyawan dalam bekerja maka akan berdampak pada peningkatan kepuasan kerja si pegawai tersebut sebesar 0,692, sehingga Ho ditolak.
4.4.2. Pengujian Asumsi Klasik Persamaan Substuktur Kedua 1). Uji Normalitas Persamaan Substruktur Kedua
Uji normalitas digunakan untuk mengetahui apakah data berdistribusi normal atau tidak. Model yang paling baik adalah jika data berdistribusi normal atau mendekati normal. Jika data menyebar di sekitar garis diagonal dan
mengikuti arah diagonal, maka model regresi memenuhi asumsi normalitas. Sebaliknya jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas. Untuk uji normalitas dalam penelitian ini digunakan uji one sample
Kormogorov-Smirnov dengan menggunakan taraf signifikansi 0,05. Uji normalitas dilakukan
dengan bantuan program SPSS yang hasilnya dapat dilihat dalam Tabel 4.15 berikut ini:
Tabel 4.15
Hasil Uji Normalitas Persamaan Substruktur Kedua
One-Sample Kolmogorov-Smirnov Test
Standardized Residual
N 52
Normal Parametersa,b Mean .0000000
Std. Deviation .97014250
Most Extreme Differences Absolute .122
Positive .098
Negative -.122
Kolmogorov-Smirnov Z .879
Asymp. Sig. (2-tailed) .422
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.15 dapat dilihat hasil pengujian One-Sample Kolmogorov-Smirnov Test, dimana diperoleh hasil bahwa data berdistribusi normal karena nilai asymp.sig lebih besar dari 0.05 yaitu sebesar 0,422.
2). Uji Multikolinieritas
Uji Multikolinieritas digunakan untuk mengetahui adanya hubungan linier antara variabel independen dalam model jalur. Syarat yang harus dipenuhi dalam model tidak terdapat multikolinieritas. Pengujian multikolinieritas dalam peneletian tersebut dilakukan dengan melihat nilai variance inflation factor(VIF).
Apabila nilai VIF lebih besar dari 5 maka variabel indevenden mempunyai persoalan multikolinieritas (Santoso: 2002). Pengujian multikolinieritas dapat dilihat pada Tabel 4.16 berikut ini:
Tabel 4.16
Hasil Uji Multikolinieritas Persamaan Substruktur Kedua
Coefficientsa Model Collinearity Statistics Tolerance VIF 1 (Constant) Kepemimpinan .559 1.790 motivasi kerja .309 3.232 kepuasan kerja .303 3.303
a. Dependent Variable: kinerja pegawai
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.16 dapat dilihat hasil perhitungan nilai Variance
Inflation Factor (VIF) yang menunjukkan bahwa tidak ada variabel bebas yang
memiliki nilai VIF lebih besar dari 5. Jadi dapat disimpulkan bahwa tidak terjadi multikolineritas antar variabel bebas dalam model penelitian tersebut
3). Uji Heteroskedastisitas Persamaan Substruktur Kedua.
Heteroskedastisitas terjadi karena adanya perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dalam pengujian ini menggunakan diagram pancar residual. Cara pengambilan keputusan yaitu:
a. Jika diagram pancar membentuk pola-pola tertentu yang teratur, maka regresi mengalami gangguan heteroskedastisitas.
b. Jika diagram pancar tidak membentuk pola atau acak, maka regresi tidak mengalami gangguan heteroskedastisitas.
Pengujian heteroskedastisitas dalam penelitian ini menggunakan alat bantu SPSS dengan mengamati pola yang terdapat pada scatterplot yang hasilnya dapat dilihat pada Gambar 4.3 berikut:
Gambar 4.3
Uji Heteroskedastisitas Persamaan Substruktur Kedua
4). Hasil Pengujian Hipotesis
Tabel 4.17
Hasil Pengujian Hipotesis
Coefficientsa
Model
Unstandardized Coefficients Standardized
Coefficients T Sig. B Std. Error Beta 1 (Constant) 12.476 3.310 3.769 .000 Kepemimpinan .264 .088 .238 2.992 .004 motivasi kerja .027 .094 .030 .283 .779 kepuasan kerja .625 .094 .715 6.620 .000
a. Dependent Variable: kinerja karyawan
Y = 0.238 X1 + 0.030 X2+ 0.715 X3
a). Pengujian Secara Serempak ( Uji F)
Pengujian ini dilakukan dengan menetapkan hipotesis sebagai berikut: H0: b1, b2 = 0, tidak ada hubungan antara variabel kepemimpinan, motivasi kerja
dan kepuasan kerja terhadap variabel kinerja karyawan.
Ha: b1, b2 ≠ 0, ada hubungan antara variabel kepemimpinan, motivasi kerja dan kepuasan kerja terhadap variabel kinerja karyawan.
Hasil pengujian dapat dilihat dari angka-angka perhitungan pada Tabel 4.18 berikut ini:
Tabel 4.18
Hasil Pengujian Secara Serempak (Uji F)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 954.806 3 318.269 78.365 .000a
Residual 194.944 48 4.061
Total 1149.750 51
a. Predictors: (Constant), kepuasan kerja, kepemimpinan, motivasi kerja b. Dependent Variable: kinerja karyawan
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.18 dapat dilihat bahwa nilai Fhitung sebesar 78.365 dan nilai signifikansi 0,000. Oleh karena itu Ho ditolak dan Ha diterima, yang berarti bahwa variabel kepemimpinan, motivasi kerja dan kepuasan kerja berpengaruh secara serempak terhadap variabel kinerja karyawan.
b). Koefisien Determinasi (R-Square)
Untuk melihat besarnya pengaruh variabel kepemimpinan, motivasi kerja dan kepuasan kerja terhadap variabel kinerja karyawan dapat dilihat pada Tabel 4.19 berikut:
Tabel 4.19
Nilai Koefisien Determinasi (R2)
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .911a .830 .820 2.015
a. Predictors: (Constant), kepuasan kerja, kepemimpinan, motivasi kerja b. Dependent Variable: kinerja karyawan
Sumber: Hasil Penelitian, 2014 (Data diolah)
Berdasarkan Tabel 4.19 dapat dilihat besarnya angka R Square (R2) sebesar 0.830. Koefisien Determinasi sebesar 83% berarti bahwa pengaruh variabel kepemimpinan, motivasi kerja dan kepuasan kerja terhadap variabel kinerja karyawan adalah sebesar 83%, sedangkan sisanya dipengaruhi oleh faktor lain.
c). Pengujian Secara Parsial (Uji t)
Tabel 4.20
Hasil Pengujian Secara Parsial (Uji t)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. 95.0% Confidence Interval for B
B Std. Error Beta Lower
Bound Upper Bound 1 (Constant) 12.476 3.310 3.769 .000 5.820 19.131 kepemimpinan .264 .088 .238 2.992 .004 .086 .441 motivasi kerja .027 .094 .030 .283 .779 -.162 .215 kepuasan kerja .625 .094 .715 6.620 .000 .435 .815
a. Dependent Variable: kinerja karyawan
Sumber: Hasil Penelitian, 2014 (Data diolah) (1). Kepemimpinan
Ho: b1 = 0, tidak ada hubungan antara variabel kepemimpinan dengan variabel kinerja karyawan.
Ha:b1 ≠ 0, ada hubungan antara variabel kepemimpinan dengan variabel kinerja karyawan.
Berdasarkan Tabel 4.20 diperoleh hasil pengujian hipotesis secara parsial sebagai berikut:
Hasil pengujian menunjukkan bahwa variabel kepemimpinan terhadap kinerja karyawan diperoleh nilai koefisien sebesar 0,238 dan signifikan (sig=0,004). Hasil ini menunjukkan bahwa jika semakin baik kepemimpinan maka akan meningkatkan kinerja karyawan sebesar 0,238, sehingga Ho ditolak.
(2). Motivasi Kerja
Ho : b1 = 0, tidak ada hubungan antara variabel motivasi kerja dengan variabel kinerja karyawan
Ha : b1≠ 0, ada hubungan antara variabel motivasi kerja dengan variabel kinerja karyawan
Berdasarkan Tabel 4.20 diperoleh hasil pengujian hipotesis secara parsial sebagai berikut:
Hasil pengujian menunjukkan bahwa variabel motivasi kerja terhadap kinerja karyawan diperoleh nilai koefisien sebesar 0,030 dan tidak signifikan (sig=0,779). Hasil ini menunjukkan bahwa jika semakin baik motivasi karyawan dalam bekerja maka akan meningkatkan kinerja dari si karyawan sebesar 0,030, sehingga Ho diterima.
(3). Kepuasan Kerja
Ho : b1 = 0, tidak ada hubungan antara variabel kepuasan kerja dengan variabel kinerja karyawan.
Ha : b1≠ 0, ada hubungan antara variabel kepuasan kerja dengan variabel kinerja karyawan.
Berdasarkan Tabel 4.20 diperoleh hasil pengujian hipotesis secara parsial sebagai berikut:
Hasil pengujian menunjukkan bahwa variabel kepuasan kerja terhadap kinerja karyawan diperoleh nilai koefisien sebesar 0,715 dan signifikan (sig=0,000).
Hasil ini menunjukkan bahwa semakin tinggi tingkat kepuasan karyawan terhadap pekerjaannya maka akan berdampak pada peningkatan kinerja karyawan tersebut tersebut sebesar 0,715, sehingga Ho ditolak.