HASIL PENELITIAN DAN PEMBAHASAN
5.2. Hasil Penelitian
5.2.2. Pengujian asumsi klasik
5.2.2.1. Pengujian normalitas data.
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Untuk menguji apakah data penelitian ini terdistribusi normal atau tidak dapat dideteksi melalui analisis grafik sebagai berikut:
Pengujian normalitas data dengan analisis grafik histogram
Sumber: Data Diolah/Output SPSS (Lampiran)
Gambar 5.1. Grafik Normalitas Data
Berdasarkan pada Gambar 5.1 tersebut Ghozali (2005) menyatakan jika distribusi data adalah normal, maka tidak melewati kurva baik kiri maupun di kanan. Hasil output tersebut terlihat bahwa data berdistribusi normal.
5.2.2.2. Pengujian multikolinearitas.
Pengujian multikolinearitas dilakukan untuk melihat apakah pada model regresi ditemukan adanya korelasi antarvariabel bebas. Model regresi yang baik seharusnya tidak terjadi multikolinearitas. Cara mendeteksinya adalah dengan melihat nilai Variance Inflation Factor (VIF). Menurut Santoso (2002), pada umumnya jika VIF lebih besar dari 10, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya.
Tabel 5.6. Pengujian multikolinieritas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 X1 .988 1.012 X2 .666 1.501 X3 .665 1.505 a. Dependent Variable: Y1
Sumber: Data Diolah/Output SPSS (Lampiran)
Pada output SPSS pada Tabel 5.6 tersebut menunjukkan variabel X1, X2, X3 memiliki angka VIF jauh di bawah 10 dan tolerance value tidak mencapai 1, hal ini menunjukkan tidak terjadi multikolinearitas dan memiliki arti tidak ada korelasi antarvariabel independen yang nilainya lebih dari 95%.
5.2.2.3. Uji heteroskedastisitas.
Uji Heteroskedastisitas dapat dilakukan dengan cara melihat grafik
Scatterplot yang disajikan yang terdapat pada Gambar 5.2 di bawah, terlihat titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi. Adapun bentuk grafik
Sumber: Data Diolah/Output SPSS (Lampiran 2)
Gambar 5.2. Grafik scatterplot uji heteroskedastisitas
5.3. Pembahasan Hasil Penelitian Model Pertama 5.3.1. Pengujian hipotesis
Hasil pengujian hipotesis yang menyatakan bahwa Tunjangan Sertifikasi, Pendidikan dan Pelatihan dapat mempengaruhi kinerja dosen di fakultas USU dapat diterima.
5.3.1.1 Analisis koefisien determinasi (R2).
Menurut Nugroho (2005) “koefisien determinasi (R2) bertujuan untuk mengetahui seberapa besar kemampuan variabel independen menjelaskan variabel dependen”. Dengan bantuan olahan program SPSS koefisien determinasi (R2) terletak pada tabel model Summary dan tertulis R Square. Namun menurut Nugroho (2005) menyebutkan “....untuk regresi linier berganda sebaiknya
karena disesuaikan dengan jumlah variabel independen yang digunakan dalam penelitian. Nilai R Square dikatakan baik jika di atas 0,5 karena nilai R Square
berkisar antara 0 sampai dengan 1.
Pengujian goodness of fit dilakukan untuk menentukan kelayakan suatu model regresi, karena variabel penelitian lebih dari dua variabel maka kelayakan tersebut dapat dilihat dari nilai Adjusted R Square. Nilai Adjusted R Square yang diperoleh dari hasil pengolahan data dapat dilihat pada Tabel 5.7 di bawah ini:
Tabel 5.7. Pengujian goodness of fit
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .591a .350 .326 4.20424
a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y1
Sumber: Data Diolah/Output SPSS (Lampiran X)
Nilai Adjusted R Square pada Tabel 5.7 di atas sebesar 0,326. Hal ini menunjukkan bahwa 32,6% variabel X1, X2, X3 secara parsial dan simultan berpengaruh pada Y dapat diterima sedangkan sisanya sebesar 67.4% dipengaruhi oleh variabel lain yang tidak dijelaskan oleh model penelitian ini.
5.3.1.2. Uji simultan (uji-F).
Priyatno (2008) menyebutkan “Uji simultan dengan uji F bertujuan untuk
mengetahui apakah variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen”. Dengan tingkat signifikansi dalam
penelitian ini menggunakan alpha 5% atau 0,05 maka hasil uji F dapat dihitung dengan bantuan program SPSS pada tabel ANOVA, maka terdapat satu atau lebih variabel independen yang mempengaruhi variabel dependen.
Untuk menguji apakah parameter koefesien Adjusted R2 signifikan atau tidak maka dilakukan pengujian dengan bantuan alat uji statistik metode Fisher (Uji F) dengan tingkat keyakinan (confident level) sebesar 95%. Kriteria pengujian yang digunakan adalah apabila Fhitung > Ftabel maka Ho ditolak; dan apabila Fhitung≤ Ftabel maka Ho dapat diterima.
Atas hal tersebut berdasarkan pada ikhtisar pengujian terdapat dalam Tabel 5.8 berikut ini:
Tabel 5.8. Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 788.254 3 262.751 14.865 .000a
Residual 1467.079 83 17.676
Total 2255.333 86
a. Predictors: (Constant), X3, X1, X2 b. Dependent Variable: Y1
Sumber: Data Diolah/Output SPSS (Lampiran)
Tabel 5.8 menunjukkan bahwa nilai Fhitung adalah 14.865 dengan tingkat signifikansi 0,000. Sedangkan Ftabel pada tingkat kepercayaan 95% ( = 0,05) adalah 4.01. Oleh karena pada kedua perhitungan Fhitung > Ftabel (14.865 > 4.01). Hal ini menunjukkan bahwa variabel X1, X2 dan X3 secara parsial dan simultan berpengaruh pada Y dapat diterima.
5.3.1.3. Uji parsial (uji-t).
Priyatno (2008) menyebutkan “uji t digunakan untuk mengetahui apakah
model regresi variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen”. Dengan tingkat signifikansi dalam penelitian ini
menggunakan alpha 5% atau 0,05 maka hasil uji t dapat dihitung dengan bantuan program SPSS dapat dilihat pada tabel t hitung (tabel Coefficients). Nilai dari uji t
hitung dapat dilihat dari p-value (pada kolom Sig.) pada masing-masing variabel independen, jika p-value lebih kecil dari level of significant yang ditentukan atau t hitung (pada kolom t) lebih besar dari t tabel (dihitung dari two-tailed α= 5% df-k, k merupakan jumlah variabel independen), maka nilai variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen (dalam arti Ha diterima dan Ho ditolak, dengan kata lain, terdapat pengaruh antara variabel independen terhadap variabel dependen).
Secara parsial variabel yang berpengaruh signifikan adalah X2 dan X3, yang berpengaruh terhadap Y sedangkan X1 tidak berpengaruh terhadap Y. Hal tersebut tergambar dalam Tabel 5.9 berikut:
Tabel 5.9. Hasil perhitungan uji T Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
B Std. Error Beta t Sig.
1 (Constant) 6.516 6.454 1.010 .316
X1 .083 .195 .038 .423 .673
X2 .536 .169 .343 3.163 .002
X3 .461 .155 .323 2.972 .004
a. Dependent Variable: Y1
Sumber: Data Diolah/Output SPSS (Lampiran)
Dari tabel coefficient di atas maka model regresi yang dapat dibentuk: Y = 6.516 + 0.083 X1 + 0.536X2+0.461 X3 + ε
Hasil uji statistik tersebut menunjukkan bahwa thitung variabel X2 sebesar 3.163 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980. 3.163 > 1,980). Karena thitung > ttabel maka H0 ditolak. Demikian juga dengan thitung variabel X3 sebesar 2.972 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980 (2.972 > 1,980). Karena thitung > ttabel maka H0 ditolak. Dengan demikian daerah penerimaan
hipotesis berada di luar daerah penerimaan H0. Sedangkan variabel X1 menunjukkan nilai sebesar 0.423 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980 (0.423 < 1,980). Karena thitung < ttabel maka H0 ditolak.
Dengan pengujian hipotesis, di mana nilai t hitung dari hasil regresi yaitu untuk mengetahui pengaruh variabel independen secara parsial terhadap variabel dependen. Pengujian hipotesis secara parsial dilakukan dengan membandingkan nilai t hitung dengan t tabel dengan kriteria: apabila t hitung lebih besar dari t tabel hal ini menunjukkan bahwa hipotesis diterima dengan kata lain terdapat pengaruh antara variabel independen dengan variabel dependen.
Dari Tabel 5.9 di atas, diketahui nilai t hitung dari masing-masing variabel independen secara parsial berpengaruh terhadap variabel dependen, yaitu:
1. Variabel Sertifikasi Dosen memiliki nilai t hitung sebesar 4.23 dengan probabilitas sebesar 6.73. Karena t hitung > t tabel (2,972>1,980) atau 0.423 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980 (0.423 < 1,980). Karena thitung < ttabel maka H0 ditolak maka secara parsial Sertifikasi tidak berpengaruh terhadap keberhasilan pengaruh pemberian bantuan Sertifikasi terhadap kinerja dosen.
2. Variabel Pendidikan memiliki nilai t hitung sebesar 2,017 X2 sebesar 3.163 sedangkan tabel pada tingkat keyakinan 95% adalah 1,980 (3.163 > 1,980). Maka secara parsial Pendidikan berpengaruh terhadap keberhasilan pemberian Pendidikan terhadap kinerja dosen.
3. Variabel Pelatihan memiliki nilai t hitung sebesar 3,673 dengan probabilitas sebesar 0,004. Maka secara parsial Pelatihan berpengaruh terhadap keberhasilan pemberian Pelatihan terhadap kinerja dosen. Dan
apabila dilihat dari tingkat s Nilai Adjusted R Square pada Tabel 5.5 di atas sebesar 0,326. Hal ini menunjukkan bahwa 32,6% variabel X1, X2, X3 secara parsial dan simultan berpengaruh pada Y dapat diterima.
5.4. Pembahasan Hasil Penelitian Model Kedua 5.4.1. Pengujian hipotesis
Hasil pengujian hipotesis yang menyatakan terdapat pengaruh kinerja dosen terhadap kinerja fakultas di fakultas USU tidak dapat diterima.
5.4.1.1. Analisis koefisien determinasi (R2).
Menurut Nugroho (2005) “koefisien determinasi (R2) bertujuan untuk mengetahui seberapa besar kemampuan variabel independen menjelaskan variabel dependen”. Dengan bantuan olahan program SPSS koefisien determinasi (R2) terletak pada tabel model Summary dan tertulis R Square. Namun menurut Nugroho (2005) menyebutkan “....untuk regresi linier berganda sebaiknya
menggunakan R Square yang sudah disesuaikan atau tertulis Adjusted R Square
karena disesuaikan dengan jumlah variabel independen yang digunakan dalam penelitian. Nilai R Square dikatakan baik jika di atas 0,5 karena nilai R Square
berkisar antara 0 sampai dengan 1.
Pengujian goodness of fit dilakukan untuk menentukan kelayakan suatu model regresi, karena variabel penelitian lebih dari dua variabel maka kelayakan tersebut dapat dilihat dari nilai Adjusted R Square. Nilai Adjusted R Square yang diperoleh dari hasil pengolahan data dapat dilihat pada Tabel 5.10 di bawah ini:
Tabel 5.10. Pengujian goodness of fit
Model Summary
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .047a .002 -.010 .04723
a. Predictors: (Constant), ln_Y1
Sumber: Data Diolah/Output SPSS (Lampiran X)
Nilai R Square pada Tabel 5.10 di atas sebesar 0,002. Hal ini menunjukkan bahwa 2% variabel Y1 berpengaruh pada Y2 dapat diterima sedangkan sisanya sebesar 98% dipengaruhi oleh variabel lain yang tidak dijelaskan oleh model penelitian ini.
5.4.1.2. Uji parsial (uji-t).
Priyatno (2008) menyebutkan “uji t digunakan untuk mengetahui apakah
model regresi variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen”. Dengan tingkat signifikansi dalam penelitian ini
menggunakan alpha 5% atau 0,05 maka hasil uji t dapat dihitung dengan bantuan program SPSS dapat dilihat pada tabel t hitung (tabel Coefficients). Nilai dari uji t hitung dapat dilihat dari p-value (pada kolom Sig.) pada masing-masing variabel independen, jika p-value lebih kecil dari level of significant yang ditentukan atau t hitung (pada kolom t) lebih besar dari t tabel (dihitung dari two-tailed α= 5% df-k, k merupakan jumlah variabel independen), maka nilai variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen (dalam arti Ha diterima dan Ho ditolak, dengan kata lain, terdapat pengaruh antara variabel independen terhadap variabel dependen), begitu jika p-value lebih besar dari level of significant yang ditentukan atau t hitung (pada kolom t) lebih kecil dari t tabel (dihitung dari two-tailed α = 5% df-k, k merupakan jumlah variabel independen),
maka nilai variabel independen secara parsial tidak berpengaruh secara signifikan terhadap variabel dependen (dalam arti Ha ditolak dan Ho diterima, dengan kata lain, tidak terdapat pengaruh antara variabel independen terhadap variabel dependen.
Secara parsial variabel Y1 tidak berpengaruh signifikan terhadap Y2. Hal tersebut tergambar dalam Tabel 5.11 berikut:
Tabel 5.11. Hasil perhitungan uji T Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
B Std. Error Beta t Sig.
1 (Constant) 1.667 .157 10.592 .000
ln_Y1 -.018 .042 -.047 -.430 .668
a. Dependent Variable: ln_Y2
Sumber: Data Diolah/Output SPSS (Lampiran)
Dari tabel coefficient di atas maka model regresi yang dapat dibentuk: Y = 1.667 - 0.018X1 + ε
Hasil uji statistik tersebut menunjukkan bahwa thitung variabel X1 sebesar -0.430 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980 (0.430 < 1,980). Karena thitung < ttabel maka H0 ditolak. Dengan demikian tidak terdapat pengaruh variabel kinerja dosen terhadap kinerja fakultas.
Hasil uji dari Penelitian Model Kedua dapat diketahui, diketahui nilai t hitung dari masing-masing variabel independen secara parsial variabel Y1 tidak berpengaruh terhadap variabel Y2 yaitu: Variabel Sertifikasi Dosen (X1) sebesar -0.430 sedangkan ttabel pada tingkat keyakinan 95% adalah 1,980 (0.430 < 1,980). Karena thitung < ttabel maka H0 ditolak. Dengan demikian tidak terdapat pengaruh secara signifikan antara variabel kinerja dosen (Y1) terhadap kinerja fakultas (Y2)
maka H0 ditolak. Dengan demikian tidak terdapat pengaruh variabel kinerja dosen terhadap kinerja fakultas, kinerja dosen tidak mempengaruhi kinerja Fakultas Universitas Sumatera Utara.
BAB VI