C. Analisis Data
2. Uji Reabilitas
Uji reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari variabel atau konstruk.Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu (Ghozali, 2013: 47).
Menurut Nunnally dalam Bawono (2006: 68) suatu variable dikatakan reliable jika Cronbach Alpha> 0,60. Sehingga data tersebut bisa dikatakan reliable untuk pengukuran dan meneliti selanjutnya. Adapun hasil uji reliabilitas dapat dilihat pada tabel di bawah ini:
Tabel 4.6
Ringkasan Hasil Uji Reliabilitas
Variabel Nilai Cronbach Alpha
Keterangan
Lingkungan Kerja ,647 Reliable
Disiplin Kerja ,746 Reliable
Kepuasan Kerja ,825 Reliable
Kinerja Karyawan ,831 Reliable
Sumber: Data primer diolah 2017
Berdasarkan tabel 4.6 di atas nilai Cronbach Alpha untuk semua variabel > 0.60.Hal ini menunjukkan bahwa variabel yang digunakan dalam penelitian ini reliable untuk pengukuran dan penelitian selanjutnya.
3. Uji Asumsi Klasik a.Uji Multikolinearitas
Uji Multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen).Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghazali, 2013: 105). Salah satu metode yang mendiagnosa adanya Multikolonieritas adalah dengan menganalisis niali tolerance dan lawanya variance inflation
factor (VIF). Tolerance mengukur variabilitas variabel indenpenden yang terpilih yang tidak dijelaskan oleh variabel indenpenden lainya. Nilai tolerance yang rendah sama dengan nilai VIF tinggi, karena VIF = 1/ Tolerance Nilai cutoff yang dipakai untuk menunjukan adanya multikolineritas adalah nilai tolerance lebih dari 0,1 atau sama dengan nilai VIF kurang dari 10 (Ghazali, 2013: 106).
Tabel 4.7 Hasil Uji Multikinearitas
Sumber: Data primer diolah 2017
Hasil uji multikolinearitas pada tabel di atas menunjukkan bahwa hasil output dari nilai VIF hitung (lingkungan = 1,310, disiplin = 1,691, Kepuasan Kerja= 1,569), kurang dari 5. Jadi,
Coefficientsa Model Unstandardized Coefficients Stand ardize d Coeffic ients t Sig. Collinearity Statistics B Std. Error Beta Tolera nce VIF 1 (Constant) 4,216 3,783 1,115 ,272 LINGKUNGAN _KERJA ,139 ,062 ,256 2,231 ,032 ,763 1,310 DISIPLIN_KER JA ,197 ,095 ,272 2,083 ,044 ,591 1,691 KEPUASAN_K ERJA ,440 ,123 ,448 3,569 ,001 ,637 1,569
dapat disimpulkan bahwa tidak ada multikolinearitas antar variabel independent.
b. Uji Heteroskedastisitas
Uji heteroscedasticity dilakukan untuk menguji apakah model regresi yang digunakan terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Model regresi yang baik adalah model yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas. Apabila koefisien parameter beta dari persamaan regresi tersebut signifikan secara statistik, hal ini menunjukkan bahwa dalam data model empiris yang di estimasi terdapat heteroskedastisitas, dan sebaliknya jika aparameter beta tidak signifikan secara statistik, maka asumsi homoskedastisitas para data model tersebut tidak dapat ditolak (Ghozali, 2006).
Tabel 4.8 Uji Park
Sumber: Data primer diolah 2017
Berdasarkan tabel 4.8 hasil output di atas dijelaskan bahwa untuk ketiga variabel independen (lingkungan = 0,080, disiplin = 0,835, Kepuasan Kerja= 0,134) bernilai signifikan > 0.05, maka dapat disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas.
c. Uji Normalitas
Uji normalitas pada model regresi digunakan untuk menguji apakah nilai residual terdistribusi secara normal atau tidak (Priyatno, 2011:277). Jadi yang terjadi dalam hal ini yang diuji normalitas bukan masing-masing variabel independen dan
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.220 3.158 .386 .701 LINGKUNGAN_KERJA .094 .052 .323 1.803 .080 DISIPLIN_KERJA .017 .079 .043 .210 .835 KEPUASAN_KERJA -.158 .103 -.301 -1.533 .134 a. Dependent Variable: LN_res1_kuadrat
dependen tetapi nilai residual yang dihasilkan dari model regresi. Model regresi yang baik adalah yang memiliki nilai residual yang berdistribusi normal.
Jika nilai residualnya teristribusi normal maka nilai sebaran datanya akan terletak disekitar garis lurus diagonal. Namun jika data tersebut menjauhi garis lurus diagonal, maka data dapat dipastikan bahwa pendistribusian data tidak normal. Berikut ini disajikan hasil normal p-plot dari data yang telah diolah.
Gambar 4.1 Uji normal p-plot
Sumber: Data primer diolah 2017
Dari hasil olahan data, dapat dilihat hasil normal p-plot pada gambar 4.1 menunjukkan titik-titik secara keseluruhan
mengikuti arah garis diagonal, maka dapat disimpulkan bahwa dalam penelitian ini memenuhi asumsi normalitas. Sedangkan untuk mengetahui nilai signifikansinya apakah data berdistribusi normal atau tidak maka menggunakan uji kolmogorov-smirnov test. Data dinyatakan berdistribusi normal jika nilai Asymp. Sig. (2- tailed) dari hasil perhitungan kolmogorov-smirnov lebih besar dari 0,05 (Latan dan Temalagi, 2013:73).
Tabel 4.9 Uji Kolmogrov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 40
Normal Parametersa Mean .0000000
Std. Deviation 2.20460012 Most Extreme Differences Absolute .110 Positive .110 Negative -.072 Kolmogorov-Smirnov Z .693
Asymp. Sig. (2-tailed) .722
sumber: Data primer yang diolah 2017
Dari tabel di atas, menunjukkan hasil ouput dari uji normalitas yang dapat dilihat dari nilai Asymp. Sig. (2-tailed) sebesar 0,722 lebih dari 0,05. Jadi dapat ditarik kesimpulan bahwa data dari penelitian ini berdistribusi secara normal
4. Uji Hipotesis
a.Uji Determinasi (Adjusted R Square)
Koefisien determinasi (Adjusted R Square) adalah untuk mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. (Kuncoro, 2009: 240). Koefisien determinasi menggambarkan bagian dari variasi total yang dapat diterangkan oleh model. Semakin besar nilai R2 (mendekati 1), maka ketepatanya dikatakan semakin baik. Koefisien determinasi (R2) digunakan untuk mengetahui sampai sejauh mana variabel bebas dapat menjelaskan variabel terikat (Suharjo, 2008:79).
Adjusted R Square dipilih untuk menggeneralisasikan R2 pada populasi, karena ada unsur estimasi populasi di dalamnya (mengarah pada penelitian populasi). Adjusted R Square dapat dilihat pada output SPSS dalam tabel model summary hasil output koefisien determinasi (Adjusted R Square) adalah sebagai berikut:
Tabel 4.10 Hasil Uji Determinasi (Adjusted R Square)
Pada tabel model summary diatas menunjukkan nilai Adjusted R Square dalam penelitian ini adalah 0,608, yang berarti bahwa variabel lingkungan, disiplin, dan kepuasan kerja dapat menjelaskan variabel kinerja karyawan BRI Syariah KC Surakarta sebesar 60,8%. Sedangkan sisanya 39,2% dijelaskan oleh variabel lain di luar penelitian.
b. Uji F Statistik
Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat (Kuncoro, 2013:239). Koefisien regresi diuji secara serentak dengan menggunakan ANOVA, untuk mengetahui apakah keserempakan
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .799a .638 .608 2.295
a. Predictors: (Constant), KEPUASAN_KERJA, LINGKUNGAN_KERJA, DISIPLIN_KERJA b. Dependent Variable: KINERJA_KARYAWAN Sumber : data primer diolah, 2017.
tersebut mempunyai pengaruh yang signifikan terhadap model. Uji
ini dilakukan untuk membandingkan pada nilai signifikansi (α =
5%) pada tingkat derajat 5%. (Setiawan dan Kusrini, 2010:63). Uji F pada output SPSS ditunjukkan pada tabel ANOVA sebagai berikut:
Tabel 4.11 Uji F ANOVAb
Model
Sum of
Squares Df Mean Square F Sig. 1 Regression 334.050 3 111.350 21.148 .000a
Residual 189.550 36 5.265
Total 523.600 39
a. Predictors: (Constant), KEPUASAN_KERJA, LINGKUNGAN_KERJA, DISIPLIN_KERJA b. Dependent Variable: KINERJA_KARYAWAN Sumber : data primer diolah, 2017.
Berdasarkan tabel ANOVA di atas diperoleh nilai Fhitung 21,148 dan nilai Ftabel sebesar 2,87. Nilai probabilitas yang ditunjukkan oleh nilai Sig sebesar 0,000 dan nilai alfa (α) 0,05 (5%). Sehingga Fhitung (21,148) > Ftabel (2,87) dan nilai Sig. (0,000)
< α (0,05), artinya secara statistik model regresi yang digunakan
independen yaitu lingkungan, kepuasan, dan disiplin kerja secara bersama-sama mempengaruhi kinerja karyawan.
c. Uji Hipotesis (Uji t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel terikat. Uji t digunakan untuk menguji secara parsial atau masing-masing variabel independen secara sendiri-sendiri terhadap variabel dependen. Uji t dalam output data dapat dilihat pada tabel Coefficient sebagai berikut:
Tabel 4.12 Uji T
Sumber: Data primer diolah 2017
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 4.216 3.783 1.115 .272 LINGKUNGAN_KERJA .139 .062 .256 2.231 .032 DISIPLIN_KERJA .197 .095 .272 2.083 .044 KEPUASAN_KERJA .440 .123 .448 3.569 .001 a. Dependent Variable: KINERJA_KARYAWAN
Berdasarkan tabel coefficients diatas dapat diperoleh hasil sebagai berikut:
a. Nilai koefisien regresi parsial dari Lingkungan (X1) mempunyai nilai thitung (2,231) > ttabel (1,68830) dan nilai sig. (0,032) < α (0,05) maka H1 diterima, sehingga variabel Lingkungan (X1) berpengaruh secara signifikan terhadap kinerja karyawan (Y).
b. Nilai koefisien regresi parsial dari Disiplin (X2) mempunyai nilai thitung (2,083) > ttabel (1,68830) dan nilai sig. (0,044) > α (0,05) maka H2 diterima, sehingga variabel Disiplin (X2) berpengaruh secara signifikan terhadap kinerja karyawan (Y).
c. Nilai koefisien regresi parsial dari kepuasan kerja (X3) mempunyai nilai thitung (3,569) > ttabel (1,68830) dan nilai sig. (0,001) < α (0,05) maka H3 diterima, sehingga variabel kepuasan kerja (X3) berpengaruh secara signifikan terhadap kinerja karyawan (Y). 5. Analisis Regresi Berganda
Regresi berganda digunakan untuk menganalisis data yang bersifat multivariate. Analisis ini digunakan untuk meramalkan nilai variabel dependen (Y), dengan variabel independen yang lebih dari satu (Bawono, 2006).
Untuk menguji hipotesis penelitian ini digunakan alat analisis regresi linear berganda, karena dalam modelnya terdapat lebih dari satu variabel independen. Di bawah ini adalah hasil pengujian data
dengan menggunakan regresi linier berganda dengan bantuan program SPSS versi 20.
Tabel 4.13 Hasil Analisis Regresi Linear
Sumber: Data primer diolah 2017
Dari hasil analisis regresi diatas diperoleh persamaan model regresi sebagai berikut:
Kinerja Karyawan = 4,216 + 0,139 Lingkungan + 0,197 Disiplin + 0,440 Kepuasan Kerja + e
a. Konstanta 4,216 menyatakan bahwa jika rata-rata variabel independen konstan, maka rata-rata dari differensiasi variable kinerja karyawan adalah 4,216.
Coefficientsa Model Unstandardized Coefficients Standardize d Coefficients T Sig. B Std. Error Beta 1 (Constant) 4.216 3.783 1.115 .272 LINGKUNGAN_KERJA .139 .062 .256 2.231 .032 DISIPLIN_KERJA .197 .095 .272 2.083 .044 KEPUASAN_KERJA .440 .123 .448 3.569 .001
b. Koefisien variabel lingkungan sebesar 0,139 menyatakan bahwa setiap penambahan variabel lingkungan sebesar satu tingkat maka akan meningkatkan variabel kinerja karyawan sebesar 0,139.
c. Koefisien variable disiplin sebesar 0,197 menyatakan bahwa setiap penambahan variabel disiplin sebesar satu tingkat, maka akan meningkatkan variabel kinerja karyawan sebesar 0,197.
d. Koefisien variabel kepuasan kerja sebesar 0,440 menyatakan bahwa setiap penambahan variabel kepuasan kerja sebesar satu tingkat maka akan menaikkan variabel kepuasan kerja sebesar 0,440.
